Forschungsansatz
Unsere Experimentierphase kombiniert kontrollierte Feldversuche mit Tests unter realen landwirtschaftlichen Bedingungen, um KI-Empfehlungen zu validieren.
Experimental plots are carefully designed to evaluate the impact of different irrigation strategies, nitrogen application rates, and monitoring frequencies on crop performance.
High-resolution drone imagery, combined with ground-based sensor networks, provides the data foundation for training and validating our machine learning models.
Zeitplan der Experimente
Key milestones in our field experimentation journey.
Feldvorbereitung
Erste Bodenanalyse und Parzellenabgrenzung an der Universität Çukurova, Türkei.
Sensoreinsatz
Installation von IoT-Sensoren zur Überwachung von Bodenfeuchte, Temperatur und Nährstoffen.
Erste Drohnenflüge
Erfassung multispektraler Basisbilder in allen 54 Versuchsparzellen.
Überwachung der Vegetationsperiode
5 Drohnenflüge mit 10 multispektralen Bändern, die 2.700 Bilder während des gesamten Wachstumszyklus erzeugten.
Erfassung der Erntedaten
Ertragsmessungen und Qualitätsbewertungen bei allen Versuchsbehandlungen.
Datenanalyse & Modelltraining
Verarbeitung von Felddaten zum Training und zur Validierung von KI-Modellen für die Erntevorhersage.
Experimentelle Variablen
Wichtige Faktoren, die in unseren Versuchsparzellen getestet werden.
Bewässerungsstufen
Drei Bewässerungsbehandlungen: 0%, 50% und 100% des Pflanzenwasserbedarfs (100% ideal)
Stickstoffraten
Drei getestete Stickstoffausbringungsraten: 0, 10 und 20 g/m² (20 ideal)
Häufigkeit der Überwachung
Drohnenbilder werden in unterschiedlichen Intervallen aufgenommen, um die Vermessungsplanung zu optimieren.
Feld-Galerie
Bilder von unseren Versuchsstandorten und Feldaktivitäten.
Herausforderungen & Erkenntnisse
Wichtige Erkenntnisse aus unseren Feldversuchen.
Challenge: Wettervariabilität
Learning: Entwicklung robuster Modelle, die jährliche Klimaschwankungen berücksichtigen
Challenge: Sensorkalibrierung
Learning: Festlegung standardisierter Protokolle für eine konsistente Datenqualität an allen Standorten
Challenge: Datenintegration
Learning: Erstellung einer einheitlichen Datenpipeline für heterogene Sensor- und Bilddaten
Challenge: Unterschiede in der Skalierung
Learning: Validierung der Übertragbarkeit des Modells über verschiedene Betriebsgrößen und Regionen hinweg
Mehr entdecken
Erfahren Sie mehr über spezifische Feldstudien und die Partner, die diese Forschung durchführen.