Schrift   | 

Adresse:

Max-Eyth-Allee 100

14469 Potsdam

Tel. +49 (0)331 5699-0

E-Mail atb@atb-potsdam.de

Koordinierendes Institut

Projekt

Titel:Modellbildung aus Experimentaldaten: Maschinelles Lernen und Modellevaluierung unter Abhängigkeiten und Verteilungsverschiebungen
Beginn:23.05.2018
Ende:31.07.2020
Koordinierendes Institut:Leibniz-Institut für Agrartechnik und Bioökonomie e.V. (ATB), Potsdam
Koordinator:Niels Landwehr
Förderung:Deutsche Forschungsgemeinschaft (DFG), Bonn
Förderkennzeichen:LA3270/1-1
Förderprogramm:DFG Nachwuchsgruppe im Emmy Noether-Programm
  
Angesiedelt im Forschungsprogramm:Präzisionslandwirtschaft in Pflanzenbau und Tierhaltung
Kurzbeschreibung:Die Analyse experimentell gewonnener Daten bildet eine Säule des Erkenntnisgewinns in den Naturwissenschaften. Moderne Verfahren des maschinellen Lernens haben das Potential, aus sehr großen experimentell erhobenen Datensätzen komplexe Vorhersagemodelle abzuleiten und neue Zusammenhänge zwischen relevanten Variablen zu entdecken. Allerdings basieren methodische Werkzeuge des maschinellen Lernens überwiegend auf Unabhängigkeits- und Verteilungsannahmen, die experimentell gewonnene Daten in verschiedener Weise verletzen können. So werden Experimentaldaten oft durch die Wahl von Beobachtungsprotokollen und den Ort und Zeitpunkt der Messung beeinflusst, weil sich für einen spezifischen Standort, eine Region oder einen Messzeitraum charakteristische Faktoren in den Daten niederschlagen. Die gewonnenen Daten liefern daher ein Abbild der Wirklichkeit, das durch den Prozess der Messung geprägt ist.
Ziel des Projektes ist die Entwicklung von Verfahren des maschinellen Lernens, welche den experimentellen Beobachtungsprozess und die daraus resultierende Eigenschaften experimenteller Daten explizit abbilden. Dazu entwickeln wir Ansätze, um räumliche und zeitliche Verteilungsverschiebungen in experimentellen Daten in geeigneter Weise zu korrigieren; wir untersuchen die formalen Eigenschaften der resultierenden Verfahren und die Komplexität der zu lösenden Optimierungsprobleme. Ergebnisse des Projektes sollen zur Lösung von Modellbildungs- und Datenanalyseproblemen im Bereich der Präzisionslandwirtschaft und Präzisionstierhaltung genutzt werden. Beispielsweise variieren Daten im Pflanzenbau räumlich (innerhalb eines Feldes oder über ganze Anbauregionen) und zeitlich (über unterschiedliche Witterungsperioden oder Anbaujahre); in der Tierhaltung sind Daten durch die Variation über verschiedene Tierindividuen geprägt. Darüber hinaus arbeiten wir im Projekt mit Arbeitsgruppen aus der Geophysik und der kognitiven Psychologie zusammen.
Abstract:The analysis of experimentally obtained data is one central approach to gain new knowledge in the natural sciences. Modern machine learning methods have the potential to derive complex predictive models from very large experimentally generated data collections, and to discover novel relationships between variables of interest. However, common methodological tools in machine learning are based on independence and distributional assumptions which can be violated by experimental data in several ways. For example, experimental data is often influenced by our choice of experimental protocols and the time and location at which measurements ae carried out, because factors that are characteristic for a specific region or time period will leave traces the data that is being collected. Experimental data therefore always provide a view of reality that is shaped by the way in which measurements are carried out.
The aim of the project is the development of machine learning methods that explicitly reflect the measurement process and the resulting properties of experimental data. To this end, we develop approaches to correct spatial and temporal distribution shifts in data; we study the formal properties of the resulting algorithms and the complexity of the optimization problems that need to be solved. Results of the project will be used for solving data analysis problems in precision crop production and precision livestock farming. In crop production data, challenges include spatial variation (over individual fields or entire production regions) and temporal variation (because of short-term weather patterns or longer-term changes in temperatures); in livestock production, individual differences between observed animals often complicate data analysis. Within the project we furthermore collaborate with research groups from geophysics and cognitive psychology.
 

Termine im Programm

10.-16. Nov. 2019: ATB auf der AGRITECHNICA in Hannover

Mit SunBot präsentiert das ATB auf der weltweit größten Agrartechnik-Messe in Hannover aktuelle...

Programm aktuell

Agritechnica 2019: ATB präsentiert SunBot

14. Nov. 2019: Zur weltweit größten Landtechnikmesse in Hannover stellt das ATB das Modell eines...

Inspirierende Woche des gemeinsamen Lernens

23. Sept. 2019: Vom 17. bis 20. September nahmen 45 Nachwuchswissenschaftler und Dozenten aus 17...

Presseinfo

Präzises Modell für den optimalen Fruchtbehang

6. Juni 2019: Brandenburgs Agrar- und Umweltstaatssekretärin Dr. Carolin Schilde informierte sich bei ihrem gestrigen Besuch am ATB-Forschungsstandort Marquardt über Ergebnisse des EIP-Agri Projekts...

Projekt SunBot: Autonome Pflegehelfer für das Beerenobst

14. Aug. 2018: Ein autonom fahrender, mit Energie aus Photovoltaik gespeister Traktor soll künftig in Strauchbeerenanlagen gezielt die Pflege des Unterwuchses übernehmen und damit helfen, Ertrag und...

Leibniz-Institut für Agrartechnik und Bioökonomie e.V. · Max-Eyth-Allee 100 · 14469 Potsdam · Deutschland · Tel. +49 (0)331 5699 0 · E-mail atb@atb-potsdam.de