Please use this identifier to cite or link to this item:
http://dx.doi.org/10.25673/13512
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.referee | Wagner, Peter | - |
dc.contributor.referee | Gandorfer, Markus | - |
dc.contributor.author | Burges, Benjamin | - |
dc.date.accessioned | 2019-03-19T11:37:56Z | - |
dc.date.available | 2019-03-19T11:37:56Z | - |
dc.date.issued | 2018 | - |
dc.identifier.uri | https://opendata.uni-halle.de//handle/1981185920/13608 | - |
dc.identifier.uri | http://dx.doi.org/10.25673/13512 | - |
dc.description.abstract | In der Arbeit werden Künstliche Neuronale Netze verwendet, um Ertragsprognosemodelle für Winterweizen zu erstellen, die anschließend zur ökonomischen Optimierung der Stickstoffdüngung über die Maximierung der stickstoffkostenfreien Leistung verwendet werden. Der Ernteertrag des Optimierungsansatzes wird mit anderen Methoden der teilflächenspezifischen und einheitlichen Stickstoffapplikation in Feldversuchen evaluiert. Im Allgemeinen weist der Ernteertrag ein ähnliches Niveau auf wie die betriebsübliche Kontrolle, wobei die Stickstoffeffizienz bis zu 30 % erhöht und die Aufwandmenge um bis zu 30 % verringert werden kann. Eine systematische Untersuchung der Randbedingungen für das Training der Künstlichen Neuronalen Netze mit Fokus auf die Vorbereitung der Trainingsdaten zeigt, dass der Einfluss von Datenselektion und -Balancierung auf die resultierenden Ertragsprognosemodelle gering ist und ein vergleichsweise kleiner Datenbestand und wenige Variablen zur Modellbildung geeignet sind. | - |
dc.description.abstract | In this thesis artificial neural networks are applied to develop yield prediction models for winter wheat that are subsequently used for economically optimizing nitrogen fertilization by maximizing nitrogen cost free revenue. Crop yield of the optimized strategy is evaluated against other site-specific and uniform strategies. In general crop yield reaches the same level as the uniform control. Nitrogen efficiency is increased by about 30 % whereas application rate is reduced by about 30 %. A systematic analysis of the training process for the artificial neural networks with focus on data preparation shows a minor influence of data selection and data balancing on the resulting prediction models. Furthermore it is shown that a comparatively small training data set and fewer variables are appropriate for the modeling process. | eng |
dc.description.statementofresponsibility | vorgelegt von Benjamin Burges | - |
dc.format.extent | 1 Online-Ressource (347 Seiten) | - |
dc.language.iso | ger | - |
dc.publisher | Universitäts- und Landesbibliothek Sachsen-Anhalt | - |
dc.rights.uri | http://rightsstatements.org/vocab/InC/1.0/ | - |
dc.subject | Präzisionslandwirtschaft; Künstliche Neuronale Netze; Ertragsprognose; Winterweizen; Machine Learning; prädiktive Modellierung; elektrische Bodenleitfähigkeit; Prognosegenauigkeit; teilflächenspezifische Stickstoffdüngung; stickstoffkostenfreie Leistung | - |
dc.subject | precision agriculture; artificial neural networks; yield prediction; winter wheat; machine learning; predictive modeling; soil electrical conductivity; prediction accuracy; site-specific nitrogen fertilization; nitrogen cost-free revenue | eng |
dc.subject.ddc | 630 | - |
dc.title | Untersuchungen zu Randbedingungen und zur Genauigkeit von Ertragsprognosen mit künstlichen neuronalen Netzen zur Optimierung der Stickstoffdüngung im Winterweizen | - |
dcterms.dateAccepted | 2018-10-22 | - |
dcterms.type | Hochschulschrift | - |
dc.type | PhDThesis | - |
dc.identifier.urn | urn:nbn:de:gbv:3:4-24268 | - |
local.publisher.universityOrInstitution | Martin-Luther-Universität Halle-Wittenberg | - |
local.openaccess | true | - |
dc.identifier.ppn | 1066520488 | - |
local.accessrights.dnb | free | - |
Appears in Collections: | Landwirtschaft und verwandte Bereiche |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
2019-02-11-Dissertation_Benjamin_Burges_rev_for_pub.pdf | 13.05 MB | Adobe PDF | ![]() View/Open |