
José Eduardo Correa Reyes
Department: Agromechatronics
Research programs
Projects
- quantiFARM – KI-basierte Modellierung der Bezüge zwischen Bodenfluoreszenz und umweltschutzre-levanten Bodenparametern sowie Nachhaltigkeitsbewertung Das Projekt quantiFARM zielt darauf ab, kostengünstige und mobile Sensorsysteme zu entwickeln, um um…
- I4S 3 – Integriertes System zum ortsspezifischen Management der Bodenfruchtbarkeit - Teilprojekt A - Entwicklung und Test der Sensorplattformen Ziel der dritten Phase des Projekts I4S ist die Entwicklung eines sensorgestützten Systems, das insbesonde…
- I4S 2 – Integriertes System zum ortsspezifischen Management der Bodenfruchtbarkeit, Teilprojekt A: Projektkoordination sowie Entwicklung von Sensorplattformen, UV-, Vis-NIR- und THz-Sensoren I4S Ziel des Projekts I4S ist die Entwicklung eines sensorg…
Publications
- Schmidinger, J.; Vogel, S.; Barkov, V.; Pham, A.; Gebbers, R.; Tavakoli, H.; Correa Reyes, J.; Tavares, T.; Filippi, P.; Jones, E.; Lukas, V.; Bönecke, E.; Rühlmann, J.; Schröter, I.; Kramer, E.; Pätzold, S.; Kodaira, M.; Wadoux, A.; Bragazza, L.; Metzger, K.; Huang, J.; Valente, D.; Safanelli, J.; Bottega, E.; Dalmolin, R.; Farkas, C.; Steiger, A.; Horst, T.; Ramirez-Lopez, L.; Scholten, T.; Stumpf, F.; Rosso, P.; Costa, M.; Zandonadi, R.; Wetterlind, J.; Atzmüller, M. (2025): LimeSoDa: A dataset collection for benchmarking of machine learning regressors in digital soil mapping. Geoderma. (July): p. 117337. Online: https://doi.org/10.1016/j.geoderma.2025.117337
- Tavakoli, H.; Correa Reyes, J.; Vogel, S.; Oertel, M.; Zimne, M.; Heisig, M.; Harder, A.; Wruck, R.; Pätzold, S.; Leenen, M.; Gebbers, R. (2024): The RapidMapper: State-of-the-art in mobile proximal soil sensing based on a novel multi-sensor platform. Computers and Electronics in Agriculture. (November): p. 109443. Online: https://www.sciencedirect.com/science/article/pii/S0168169924008342
- Schmidinger, J.; Barkov, V.; Tavakoli, H.; Correa Reyes, J.; Ostermann, M.; Atzmüller, M.; Gebbers, R.; Vogel, S. (2024): Which and how many soil sensors are ideal to predict key soil properties: A case study with seven sensors. Geoderma. (October): p. 117017. Online: https://doi.org/10.1016/j.geoderma.2024.117017
- Tavakoli, H.; Correa Reyes, J.; Sabetizadeh, M.; Vogel, S. (2023): Predicting key soil properties from Vis-NIR spectra by applying dual-wavelength indices transformations and stacking machine learning approaches. Soil and Tillage Research. (May): p. 105684. Online: https://doi.org/10.1016/j.still.2023.105684