Erfassung von Ernteerträgen mit Satellitenbildern und Maschinellem Lernen : das Projekt FernEE 2.0
Oliver Reitz
Die Ernte und Betriebsberichterstattung stützt sich auf Schätzungen erfahrener Land wirtinnen und Landwirte. Es wird jedoch immer schwieriger, diese zu gewinnen und damit die Basis für eine hochwertige Erntestatistik für Feldfrüchte bereitzustellen. Um diese Basis zu verbreitern, nutzt ein Pilotprojekt des Hessischen Statistischen Landes amtes Satellitendaten und Maschinelles Lernen und modelliert damit Ernteerträge für vier wichtige Kulturen auf kleinräumiger Ebene. Von dort aus können die Erträge auf beliebige Verwaltungsebenen aggregiert werden. Dieses weitgehend automatisierte Verfahren wurde in den Jahren 2022 und 2023 in sieben Bundesländern getestet. Es wird ab 2024 bundesweit eingeführt, damit es künftig in die statistische Produktion integriert werden kann.
Year of publication: |
2024
|
---|---|
Authors: | Reitz, Oliver |
Published in: |
Wirtschaft und Statistik : WISTA. - Wiesbaden : Statistisches Bundesamt, ISSN 1619-2907, ZDB-ID 2092847-6. - 2024, 4, p. 29-38
|
Subject: | Erntestatistik | Fernerkundung | Künstliche Intelligenz (KI) | Ackerbau | Sentinel 2 | crop production statistics | remote sensing | artificial intelligence (AI) | farming | Sentinel-2 |
Saved in:
freely available
Saved in favorites
Similar items by subject
-
Erfassung von Ernteerträgen mit Satellitenbildern und Maschinellem Lernen - das Projekt FernEE 2.0
Reitz, Oliver, (2024)
-
Modeling grasslands conversion : challenges of using satellite imagery data
Rashford, Benjamin S., (2013)
-
Busch, Malte, (2023)
- More ...
Similar items by person