In agricultural and environmental sciences, we often deal with multidimensional data sets and non-linear relationships. Numerous agricultural decisions, agricultural and environmental problems require their proper analysis. The statistical software environment and programming language ‘R’ provides an adequate means to do so.
Zahlreiche Software-Applikationen und Datenprodukte unterstützen landwirtschaftliche Entscheidungen oder helfen bei umwelt- und agrarwissenschaftlichen Fragestellungen. Dies betrifft Aspekte der Auswertung von Fernerkundungsdaten ebenso wie Technik und Anwendungen im Precision Farming oder der Pflanzen- und Schädlingserkennung mittels Smartphone-App. Viele dieser Tools und Datenprodukte basieren auf Verfahren des maschinellen Lernens.
Nach einer kurzen theoretischen Einführung in das maschinelle Lernen, diskutieren die Modulteilnehmenden anhand von Anwendungsbeispielen des maschinellen Lernens aus den Agrar- und Umweltwissenschaften die Stärken und Schwächen des der Anwendung zugrunde liegenden methodischen Ansatzes. Jede/r Modulteilnehmende stellt im Rahmen des Kolloquiums ein Anwendungsbeispiel vor.
In den Agrar- und Umweltwissenschaften haben wir es oft mit multidimensionalen Datensätzen und nichtlinearen Zusammenhängen zu tun. Zahlreiche landwirtschaftliche Entscheidungen, umwelt- und agrarwissenschaftliche Fragestellungen erfordern deren sachgerechte Analyse oder werden durch Tools und Modelle erleichtert, die auf Verfahren der multivariaten Statistik und des maschinellen Lernens basieren.
Das Modul „Data Science und Modellierung im Themenkomplex Agrarlandschaften“ gibt eine Einführung.
Die Auswertung von Sensordaten im Umwelt- und Agrarsektor geht i.d.R. über die Möglichkeiten verfügbarer Softwarepakete hinaus. Die Programmier- und Software-Umgebung R hat sich hier für die entsprechenden Anwendungsgebiete zu einer Art Standard entwickelt. Sie bietet zahlreiche Bibliotheken (R-Pakete), deren Quellcode einsehbar ist, und die im Sinne eines Community Effort frei verfügbar sind. Die große User-Community und die Verfügbarkeit zahlreicher Tutorials erleichtern die Weiterbildung im Selbststudium (z.B. in Abschlussarbeiten, Projektstudien) nachdem der Einstieg über dieses Modul erfolgt ist.
Räumliche Daten sind aus vielen Anwendungen in den Agrar- und Umweltwissenschaften nicht mehr wegzudenken. Dies betrifft das Ökosystemmonitoring auf der großen Landschaftsskala und auf nationaler Ebene ebenso wie das Precision Farming auf der zu bewirtschaftenden Anbaufläche (Schlagebene). Sensordaten der Nah- und Fernerkundung nehmen dabei eine besondere Rolle ein: Trägerplattformen umfassen Schleppergezogene on-the-go-Sensoren, Drohnen bzw. unmanned aerial vehicles (UAV) und Satelliten.
Oftmals ist für die Auswertung dieser Daten die Modellierung mittels Algorithmen des maschinellen Lernens notwendig. Nach einer theoretischen Einführung in die Modellierung mittels maschinellen Lernens erfolgt die praktische Implementierung in der Programmier- und Softwareumgebung R anhand von Fragestellungen und Beispieldatensätzen aus den Agrar- und Umweltwissenschaften.
In den Agrar- und Umweltwissenschaften haben wir es oft mit multidimensionalen Datensätzen und nichtlinearen Zusammenhängen zu tun. Zahlreiche landwirtschaftliche Entscheidungen, umwelt- und agrarwissenschaftliche Fragestellungen erfordern deren sachgerechte Analyse oder werden durch Tools und Modelle erleichtert, die auf Verfahren der multivariaten Statistik und des maschinellen Lernens basieren.
Das Modul „Einführung in das Datenmanagement mit PostgreSQL“ ist ein wichtiger Grundbaustein für die Arbeit mit großen und komplexen Datensätzen.
Vorkurs zum Erlernen der Basics von der Programmiersprache R
In den Agrar- und Umweltwissenschaften haben wir es oft mit multidimensionalen Datensätzen und nichtlinearen Zusammenhängen zu tun. Zahlreiche landwirtschaftliche Entscheidungen, umwelt- und agrarwissenschaftliche Fragestellungen erfordern deren sachgerechte Analyse oder werden durch Tools und Modelle erleichtert, die auf Verfahren der multivariaten Statistik und des maschinellen Lernens basieren.
Das Modul „Pedometrics – Sensorik, Datenauswertung und Modellierung“ gibt einen Einblick in das Forschungsgebiet Pedometrics, das an der Schnittstelle von Bodenforschung, Data Science und Geoinformatik angesiedelt ist. Untersuchungsgegenstand ist die räumlich-zeitliche Variabilität der Pedosphäre und deren Interaktion mit der Biosphäre, Atmosphäre und Hydrosphäre. Dies betrifft die Variabilität innerhalb eines landwirtschaftlichen Schlages im Kontext Precision Farming ebenso wie die Variabilität auf Landschaftsebene (z.B. im Kontext Landnutzungsplanung).