Maschinelles Lernen und Fernerkundung zur Kartierung der Bodenbedeckung und -bedingungen

Dieses Projekt umfasst die Entwicklung fortschrittlicher Frameworks für maschinelles Lernen (ML) auf Basis von Transferlernen, die Multisensor-Fernerkundungsdaten integrieren. Diese Frameworks unterstützen die detaillierte Kartierung der Bodenbedeckung und die Bewertung der Gesundheit landwirtschaftlicher Pflanzen. Der Ansatz nutzt vortrainierte ML-Modelle und passt diese systematisch an verschiedene agroökologische Regionen, Bewirtschaftungssysteme und Sensorkonfigurationen an. Besondere Berücksichtigung finden dabei Daten mit hoher räumlicher und zeitlicher Auflösung aus den Konstellationen Sentinel-2 und Planet. Das Projekt zielt darauf ab, die Robustheit und Generalisierungsfähigkeit von ML-Modellen unter unterschiedlichen Umweltbedingungen zu verbessern, indem komplementäre spektrale, räumliche und zeitliche Informationen kombiniert werden. Ein besonderer Schwerpunkt liegt auf der Übertragbarkeit zwischen Standorten und Jahreszeiten, um den Bedarf an umfangreichen lokalen Trainingsdaten zu reduzieren und gleichzeitig eine hohe Klassifizierungs- und Diagnosegenauigkeit zu gewährleisten. Die daraus resultierenden Rahmenwerke sind skalierbar und einsatzfähig und ermöglichen eine konsistente Überwachung des Vegetationszustands, der Erntebedingungen und der Dynamik der Landbedeckung. Sie werden die Entscheidungsfindung in der Präzisionslandwirtschaft, der Ökosystemüberwachung und der nachhaltigen Landbewirtschaftung unterstützen.