Befehle des Menübands überspringen
Zum Hauptinhalt wechseln
Suche
Breadcrumb Navigation

Künstliche Intelligenz für Digitale Landwirtschaft

Hauptinhalt der Seite

Pfeil links Zurück zu den Arbeitsgruppen des Programmbereichs

​Eine nachhaltige Weiterentwicklung der Landwirtschaft hat großes Potenzial, verschiedene globale Herausforderungen wie den Verlust der Artenvielfalt, die Nahrungs- und Wassersicherheit sowie den Klimawandel zu lindern. Wir glauben, dass Datenwissenschaft diesen Prozess vorantreiben kann. Die Arbeitsgruppe engagiert sich für die Entwicklung und Anwendung modernster datengesteuerter Techniken, wie interpretierbares maschinelles Lernen und Deep Learning, für eine breite Palette von Problemen in der Landwirtschaft. Wir erforschen das Potenzial von künstlicher Intelligenz zur Verbesserung des landwirtschaftlichen Managements, testen neuartige Hypothesen, die mit herkömmlichen statistischen Methoden nicht geprüft werden können, und suchen nach unerwarteten Mustern aus einzigartig kombinierten Datensätzen über Skalen und Sektoren hinweg. Wir möchten KI-gestützte, naturbasierte Lösungen für globale Nachhaltigkeitsherausforderungen anbieten.

 

 

 Publikationen AG

MyTitle: Classifying human influences on terrestrial ecosystems. Global Change Biology
MyLinkAnsehenUrl: https://doi.org/10.1111/gcb.15577, DOI-Namen auflösen
MyLinkPDFUrl:
MyTitelMehrzeilig:
MyTextfeld:
MyAutoren: Rillig, M. C., Ryo, M., Lehmann, A. (2021)
MyMeldungsdatum:
MyLabels:
Struktureinheiten:Label: NewWindow:

Classifying human influences on terrestrial ecosystems. Global Change Biology

Rillig, M. C., Ryo, M., Lehmann, A. (2021)
MyTitle: Explainable artificial intelligence enhances the ecological interpretability of black-box species distribution models
MyLinkAnsehenUrl: https://doi.org/10.1111/ecog.05360, DOI-Namen auflösen
MyLinkPDFUrl: https://publications.zalf.de/publications/f051dc70-ec87-4492-9fa2-3dd472c60904.pdf, PDF ansehen
MyTitelMehrzeilig:
MyTextfeld:
MyAutoren: Ryo, M., Angelov, B., Mammola, S., Kass, J. M., Benito, B. M., Hartig, F. (2021)
MyMeldungsdatum:
MyLabels:
Struktureinheiten:Label: NewWindow:

Explainable artificial intelligence enhances the ecological interpretability of black-box species distribution models

Ryo, M., Angelov, B., Mammola, S., Kass, J. M., Benito, B. M., Hartig, F. (2021)
MyTitle: Rapid evolution of trait correlation networks during bacterial adaptation to the rhizosphere
MyLinkAnsehenUrl: https://doi.org/10.1111/evo.14202, DOI-Namen auflösen
MyLinkPDFUrl:
MyTitelMehrzeilig:
MyTextfeld:
MyAutoren: Li, E., Ryo, M., Kowalchuk, G. A., Bakker, P. A. H. M., Jousset, A. (2021)
MyMeldungsdatum:
MyLabels:
Struktureinheiten:Label: NewWindow:

Rapid evolution of trait correlation networks during bacterial adaptation to the rhizosphere

Li, E., Ryo, M., Kowalchuk, G. A., Bakker, P. A. H. M., Jousset, A. (2021)

 Projekte AG

 

 

  

Kontakt

 

Leitung der Arbeitsgruppe

Prof. Dr. Masahiro Ryo
T +49 (0)33432 82-206

 

Adresse

Leibniz-Zentrum für
Agrarlandschaftsforschung (ZALF) e. V.

Eberswalder Straße 84
15374 Müncheberg

Fusszeile der Seite
Wordpress
YouTube
Twitter
Facebook
© Leibniz-Zentrum für Agrarlandschaftsforschung (ZALF) e. V. Müncheberg