PhD Projekt

Hybride Deep/Machine Learning Modelle zur Vorhersage des Pflanzenwachstums

In einigen Ländern (Kanada, Australien, USA, …) hat die digitale Revolution in der Landwirtschaft bereits begonnen. Gemeint ist damit der Einsatz modernster Technologien um, erstens, Daten zu generieren (Bodendaten, Wetter und Klimadaten, Echtzeitinformationen über Pflanzen, Tiere etc.), und zweitens, diese Daten auszuwerten. Hier gilt: Je mehr Daten, desto besser. Die Ziele hinter diesen Ansätzen sind vielseitig und reichen von einer Verbesserung der Produktivität bis hin dazu, die Landwirtschaft nachhaltiger zu gestalten. All dieses Wissen über mehr Produktivität und einen nachhaltigeren Umgang mit der Umwelt liegt in den Daten aus der Landwirtschaft verborgen. Der immer schneller voranschreitende Klimawandel sollte Anstoß für ein mögliches Umdenken in der Landwirtschaft sein. Hier können die bereits genannten neuen Technologien wegweisend sein und das nötige Wissen bereitstellen um durch den Klimawandel ausgelöste Probleme (Schädlinge, Trockenheit, Überflutungen, …) zu analysieren und Lösungsansätze dafür zu finden.

Durch den Einsatz von Machine und Deep Learning auf analytischer Ebene konnten in vielen unterschiedlichen Bereichen (Biologie, Wirtschaft, Physik, …) neue Erkenntnisse gewonnen werden. Der Einsatz dieser neuen Technologien bietet auch für die Landwirtschaft viel Entwicklungspotential. Voraussetzung dafür ist die Verfügbarkeit von Datensätzen der letzten Jahrzehnte. Diese sind z.B. in Ländern wie den USA, Australien oder Kanada frei zugänglich. Für einige Computerwissenschaftler war dies eine Möglichkeit ihre neuen Techniken in der Landwirtschaft zu testen. Dadurch konnten z.B. Erkenntnisse über die Entwicklung der landwirtschaftlich genutzten Böden und deren Ernteerträge gewonnen werden. Ein Ziel ist hierbei die Identifikation von Praktiken/Abläufen, die sowohl die Erträge erhöhen, als auch die Umweltbelastung reduzieren. Konkret bedeutet dies, dass man z.B. etwaige Ernteausfälle vorhersagen könnte, einen Schädling sehr früh z.B. nur aufgrund dessen Auswirkungen auf den Boden etc. erkennen kann oder erkennen kann, wie schädlich der Einsatz bestimmter Dünger für die Umwelt ist. Weiters gibt es hier Potential deren Einsatz zu optimieren, sodass mit weniger Dünger höhere Erträge erzielt werden können.

Bestehende Ansätze in der Analyse leiden jedoch oft unter dem Problem, dass diese nur für sehr spezifische Probleme gute Vorhersagen treffen können und oft eine hohe Computerleistung erfordern. Weiters erfordern datenbasierte Techniken wie Machine Learning oder Deep Learning große Mengen an Daten, am besten aus mehreren Jahrzehnten, diese sind jedoch in Österreich nur sehr schwer verfügbar. Hier können neue Ansätze wie der Einsatz von Chaostheorie oder das Auffinden komplexer analytischer Strukturen in Verbindung mit Machine Learning und Deep Learning eine Verbesserung sein. Diese Methoden wurden so noch nicht auf landwirtschaftliche Probleme angewandt und sind somit ein innovativer Ansatz, der im Zuge der Dissertation untersucht wird. Das Ziel ist hier eine Verbesserung der Nachhaltigkeit und Produktivität der Landwirtschaft.

Publikationen:

Sebastian Raubitzek/Hybride Deep/Machine Learning Modellen zur Vorhersage des Pflanzenwachstums:

  • Raubitzek S. and Neubauer N. (2020): Machine Learning and Chaos Theory in Agriculture. ERCIM News, 122.
  • Raubitzek S. and Neubauer N. (2021): A fractal interpolation approach to improve neural network predictions for difficult time series data. Expert Systems with Applications, 169:114474.
  • Raubitzek S. and Neubauer N. (2021): Taming the Chaos in Neural Network Time Series Predictions. Entropy, 23(11), ISSN 1099-4300.
  • Raubitzek S. and Neubauer N. (2021): Combining measures of signal complexity and machine learning for time series analysis: A review. Entropy, 23(12), ISSN 1099-4300.
  • Raubitzek S. and Neubauer N. (2022): An Exploratory Study on the Complexity and Machine Learning Predictability of Stock Market Data, Entropy, 24(3)
  • Raubitzek, S., Neubauer, T., Friedrich, J., Rauber, A. (2022) Interpolating strange attractors via fractional brownian bridges. Entropy, 24(5) ISSN 1099-4300. doi: 10.3390/e24050718
  • Raubitzek, S. and Neubauer, T. (2022) Reconstructed Phase Spaces and LSTM Neural Network Ensemble Predictions. Proceedings ITISE, 2022.
  • Mallinger K., Raubitzek S., Neubauer T., and Lade S. (accepted) Potentials and limitations of complexity metrics for the sustainable transition to Farming 4.0. Current Opinion in Environmental Sustainability

Anmelden zum DiLaAg Email Verteiler

Kontakt

Konrad-Lorenz-Straße 24 3430 Tulln an der Donau

+43 1 47654-93100

dilaag@boku.ac.at