Marzahn, PhilipWree, PhilippHemprich, Solveigh MilenaSolveigh MilenaHemprich2024-11-282024-11-282024https://publica.fraunhofer.de/handle/publica/479390In den vergangenen zwei Jahrzehnten erfuhr die Landwirtschaft eine Transformation, die auf der Nutzung neuer, effizienter Technologien sowie der Digitalisierung basierte. In diesem Kon-text sind insbesondere die Bereiche "Smart Farming" und "Remote Sensing" von Relevanz. Die Erfassung von Pflanzenparametern wie Wuchshöhe, Trockenstress, Pathogenbefall oder Nährstoffzusammensetzung der Pflanze ist mittels Vegetationsfernerkundungsdaten möglich. Ein agronomisch bedeutsamer Parameter ist der Proteingehalt in Getreide. Weizen, Gerste, Reis und Hafer sind von essenzieller Bedeutung für die Ernährungssicherheit der Gesellschaft. Daher liegt der Fokus besonders auf verlässlichen Erträgen und stabiler Produktqualität. Die vorliegende Arbeit widmet sich der Fragestellung, ob eine Vorhersage des Proteingehalts in Haferkörnern bereits vor der Ernte mittels Fernerkundung und Machine Learning möglich ist. Im Rahmen dieser Arbeit wird ein Versuch vorgestellt, der am Julius Kühn-Institut durchgeführt wurde. Auf einer Fläche von 1.240 Parzellen wurde Hafer kultiviert. Die Spektralsignatur jeder Parzelle wurde mit einer Drohne, die mit einer Multispektralkamera ausgestattet war, erfasst. Aus den Daten wurden Vegetationsindexe (VI) berechnet. Zur Modellierung des Proteingehalts in Hafer wurden fünf VIs herangezogen: Optimized Soil Adjusted Vegetation Index (OSAVI), Green Normalized Difference Vegetation Inde (GNDVI), Normalized Difference Vegetation In-dex (NDVI), Normalisierte Differenz Red Edge Index (NDRE), Enhanced Vegetation Index (EVI). Im Anschluss wurden vier Modelle des Machine Learnings (Artificial Neural Network (ANN) Partial Least Squared Regression (PLSR), Support Vector Regression (SVR) oder Ran-dom Forest (RF)) verwendet, um die Auswertung in Rstudio durchzuführen. Die Auswertung der Daten hat gezeigt, dass die besten Ergebnisse beim vorletzten und letzten Aufnahmetag, dem 07.07./14.07.2023, erzielt wurden. Das beste Modell war das ANN-Modell (R² = 0,479) und der beste Index der NDRE im ANN und SVR (R² = 0,34).Over the past two decades, the agricultural sector has undergone a transformation, as a result of the adoption of new technologies and digitalisation. In this context, the fields of 'smart farm-ing' and 'remote sensing' are of relevance. Remote sensing of plant parameters, including growth height, drought stress, pathogen infection and nutrient composition, enables the gen-eration of data that can be used to inform agricultural decision-making. One agronomically significant parameter is the protein content of cereals. Wheat, barley, rice and oats are crucial for ensuring global food security. It is therefore important to focus on reliable yields and stable product quality. This thesis addresses the question of whether it is possible to predict the pro-tein content in oat grains before harvest using remote sensing and machine learning. This study presents the results of a trial conducted at the Julius Kühn-Institut. A total of 1,240 plots were cultivated with oats. The spectral signature of each plot was recorded using a drone equipped with a multispectral camera. Vegetation indices (VI) were subsequently calculated from the data. Five vegetation indices (VIs) were employed to model the protein content in oats: the Optimised Soil Adjusted Vegetation Index (OSAVI), the Green Normalised Difference Vegetation Index (GNDVI), the Normalised Difference Vegetation Index (NDVI), the Normal-ised Difference Red Edge Index (NDRE), and the Enhanced Vegetation Index (EVI). Subse-quently, four machine learning models were employed for the analysis in RStudio, namely an artificial neural network (ANN), partial least squares regression (PLSR), support vector regres-sion (SVR) and random forest (RF). The evaluation of the data revealed that the optimal results were obtained on the penultimate and final days of data collection, 07.07./14.07.2023. The ANN model demonstrated the highest predictive accuracy (R² = 0.479), while the NDRE index exhibited the highest correlation within the ANN and SVR models (R² = 0.34).deBranche: BioeconomicsResearch Line: Machine learning (ML)LTA: Generation, capture, processing, and output of images and 3D modelsMultispectral imagesAgricultureMachine learningmaster thesis