Universiẗat, Diss., 1998--Osnabrück.

Techn. Universiẗat, Diss., 2005--München.

Accurate crop monitoring in response to climate change at a regional or field scale plays a significant role in developing agricultural policies, improving food security, forecasting, and analysing global trade trends. Climate change is expected to significantly impact agriculture, with shifts in temperature, precipitation patterns, and extreme weather events negatively affecting crop yields, soil fertility, water availability, biodiversity, and crop growing conditions. Remote sensing (RS) can provide valuable information combined with crop growth models (CGMs) for yield assessment by monitoring crop development, detecting crop changes, and assessing the impact of climate change on crop yields. This dissertation aims to investigate the potential of RS data on modelling long-term crop yields of winter wheat (WW) and oil seed rape (OSR) for the Free State of Bavaria (70,550 km2 ), Germany. The first chapter of the dissertation describes the reasons favouring the importance of accurate crop yield predictions for achieving sustainability in agriculture. Chapter second explores the accuracy assessment of the synthetic RS data by fusing NDVIs of two high spatial resolution data (high pair) (Landsat (30 m, 16-days; L) and Sentinel-2 (10 m, 5–6 days; S), with four low spatial resolution data (low pair) (MOD13Q1 (250 m, 16-days), MCD43A4 (500 m, one day), MOD09GQ (250 m, one-day), and MOD09Q1 (250 m, 8-days)) using the spatial and temporal adaptive reflectance fusion model (STARFM), which fills regions' cloud or shadow gaps without losing spatial information. The chapter finds that both L-MOD13Q1 (R2 = 0.62, RMSE = 0.11) and S-MOD13Q1 (R2 = 0.68, RMSE = 0.13) are more suitable for agricultural monitoring than the other synthetic products fused. Chapter third explores the ability of the synthetic spatiotemporal datasets (obtained in chapter 2) to accurately map and monitor crop yields of WW and OSR at a regional scale. The chapter investigates and discusses the optimal spatial (10 m, 30 m, or 250 m), temporal (8 or 16-day) and CGMs (World Food Studies (WOFOST), and the semi-empiric light use efficiency approach (LUE)) for accurate crop yield estimations of both crop types. Chapter third observes that the observations of high temporal resolution (8-day) products of both S-MOD13Q1 and L-MOD13Q1 play a significant role in accurately measuring the yield of WW and OSR. The chapter investigates that the simple light use efficiency (LUE) model (R2 = 0.77 and relative RMSE (RRMSE) = 8.17%) that required fewer input parameters to simulate crop yield is highly accurate, reliable, and more precise than the complex WOFOST model (R2 = 0.66 and RRMSE = 11.35%) with higher input parameters. Chapter four researches the relationship of spatiotemporal fusion modelling using STRAFM on crop yield prediction for WW and OSR using the LUE model for Bavaria from 2001 to 2019. The chapter states the high positive correlation coefficient (R) = 0.81 and R = 0.77 between the yearly R2 of synthetic accuracy and modelled yield accuracy for WW and OSR from 2001 to 2019, respectively. The chapter analyses the impact of climate variables on crop yield predictions by observing an increase in R2 (0.79 (WW)/0.86 (OSR)) and a decrease in RMSE (4.51/2.57 dt/ha) when the climate effect is included in the model. The fifth chapter suggests that the coupling of the LUE model to the random forest (RF) model can further reduce the relative root mean square error (RRMSE) from -8% (WW) and -1.6% (OSR) and increase the R2 by 14.3% (for both WW and OSR), compared to results just relying on LUE. The same chapter concludes that satellite-based crop biomass, solar radiation, and temperature are the most influential variables in the yield prediction of both crop types. Chapter six attempts to discuss both pros and cons of RS technology while analysing the impact of land use diversity on crop-modelled biomass of WW and OSR. The chapter finds that the modelled biomass of both crops is positively impacted by land use diversity to the radius of 450 (Shannon Diversity Index ~0.75) and 1050 m (~0.75), respectively. The chapter also discusses the future implications by stating that including some dependent factors (such as the management practices used, soil health, pest management, and pollinators) could improve the relationship of RS-modelled crop yields with biodiversity. Lastly, chapter seven discusses testing the scope of new sensors such as unmanned aerial vehicles, hyperspectral sensors, or Sentinel-1 SAR in RS for achieving accurate crop yield predictions for precision farming. In addition, the chapter highlights the significance of artificial intelligence (AI) or deep learning (DL) in obtaining higher crop yield accuracies. / Die genaue Überwachung von Nutzpflanzen als Reaktion auf den Klimawandel auf regionaler oder feldbezogener Ebene spielt eine wichtige Rolle bei der Entwicklung von Agrarpolitiken, der Verbesserung der Ernährungssicherheit, der Erstellung von Prognosen und der Analyse von Trends im Welthandel. Es wird erwartet, dass sich der Klimawandel erheblich auf die Landwirtschaft auswirken wird, da sich Verschiebungen bei den Temperaturen, Niederschlagsmustern und extremen Wetterereignissen negativ auf die Ernteerträge, die Bodenfruchtbarkeit, die Wasserverfügbarkeit, die Artenvielfalt und die Anbaubedingungen auswirken werden. Die Fernerkundung (RS) kann in Kombination mit Wachstumsmodellen (CGM) wertvolle Informationen für die Ertragsbewertung liefern, indem sie die Entwicklung von Pflanzen überwacht, Veränderungen bei den Pflanzen erkennt und die Auswirkungen des Klimawandels auf die Ernteerträge bewertet. Ziel dieser Dissertation ist es, das Potenzial von RS-Daten für die Modellierung langfristiger Ernteerträge von Winterweizen (WW) und Ölraps (OSR) für den Freistaat Bayern (70.550 km2 ), Deutschland, zu untersuchen. Das erste Kapitel der Dissertation beschreibt die Gründe, die für die Bedeutung genauer Ernteertragsvorhersagen für die Nachhaltigkeit in der Landwirtschaft sprechen. Das zweite Kapitel befasst sich mit der Bewertung der Genauigkeit der synthetischen RS Daten durch die Fusion der NDVIs von zwei Daten mit hoher räumlicher Auflösung (hohes Paar) (Landsat (30 m, 16 Tage; L) und Sentinel-2 (10 m, 5-6 Tage; S) mit vier Daten mit geringer räumlicher Auflösung (niedriges Paar) (MOD13Q1 (250 m, 16 Tage), MCD43A4 (500 m, ein Tag), MOD09GQ (250 m, ein Tag) und MOD09Q1 (250 m, 8 Tage)) unter Verwendung des räumlich und zeitlich adaptiven Reflexionsfusionsmodells (STARFM), das Wolken- oder Schattenlücken in Regionen füllt, ohne räumliche Informationen zu verlieren. In diesem Kapitel wird festgestellt, dass sowohl L-MOD13Q1 (R2 = 0,62, RMSE = 0,11) als auch S-MOD13Q1 (R2 = 0,68, RMSE = 0,13) für die Überwachung der Landwirtschaft besser geeignet sind als die anderen fusionierten synthetischen Produkte. Im dritten Kapitel wird untersucht, inwieweit die (in Kapitel 2 gewonnenen) synthetischen raum-zeitlichen Datensätze geeignet sind, die Ernteerträge von WW und OSR auf regionaler Ebene genau zu kartieren und zu überwachen. Das Kapitel untersucht und diskutiert die optimalen räumlichen (10 m, 30 m oder 250 m),zeitlichen (8 oder 16 Tage) und CGMs (World Food Studies (WOFOST) und den semi-empirischen Ansatz der Lichtnutzungseffizienz (LUE)) für genaue Ertragsschätzungen beider Kulturarten. Im dritten Kapitel wird festgestellt, dass die Beobachtung von Produkten mit hoher zeitlicher Auflösung (8 Tage) sowohl des S-MOD13Q1 als auch des L-MOD13Q1 eine wichtige Rolle bei der genauen Messung des Ertrags von WW und OSR spielt. In diesem Kapitel wird untersucht, dass das einfache Modell der Lichtnutzungseffizienz (LUE) (R2 = 0,77 und relativer RMSE (RRMSE) = 8,17 %), das weniger Eingabeparameter zur Simulation des Ernteertrags benötigt, sehr genau, zuverlässig und präziser ist als das komplexe WOFOST-Modell (R2 = 0,66 und RRMSE = 11,35 %) mit höheren Eingabeparametern. In Kapitel vier wird der Zusammenhang zwischen der raum-zeitlichen Fusionsmodellierung mit STRAFM und der Ertragsvorhersage für WW und OSR mit dem LUE-Modell für Bayern von 2001 bis 2019 untersucht. Das Kapitel stellt den hohen positiven Korrelationskoeffizienten (R) = 0,81 und R = 0,77 zwischen dem jährlichen R2 der synthetischen Genauigkeit und der modellierten Ertragsgenauigkeit für WW bzw. OSR von 2001 bis 2019 fest. In diesem Kapitel werden die Auswirkungen der Klimavariablen auf die Ertragsvorhersagen analysiert, wobei ein Anstieg des R2 (0,79 (WW)/0,86 (OSR)) und eine Verringerung des RMSE (4,51/2,57 dt/ha) festgestellt werden, wenn der Klimaeffekt in das Modell einbezogen wird. Das fünfte Kapitel deutet darauf hin, dass die Kopplung des LUE-Modells mit dem Random-Forest-Modell (RF) den relativen mittleren quadratischen Fehler (RRMSE) von -8 % (WW) und -1,6 % (OSR) weiter reduzieren und das R2 um 14,3 % (sowohl für WW als auch für OSR) erhöhen kann, verglichen mit Ergebnissen, die nur auf LUE beruhen. Das gleiche Kapitel kommt zu dem Schluss, dass die satellitengestützte Pflanzenbiomasse, die Sonneneinstrahlung und die Temperatur die einflussreichsten Variablen bei der Ertragsvorhersage für beide Kulturarten sind. In Kapitel sechs wird versucht, sowohl die Vor- als auch die Nachteile der RS-Technologie zu erörtern, indem die Auswirkungen der unterschiedlichen Landnutzung auf die modellierte Biomasse von WW und OSR analysiert werden. In diesem Kapitel wird festgestellt, dass die modellierte Biomasse beider Kulturen durch die Landnutzungsvielfalt bis zu einem Radius von 450 (Shannon Diversity Index ~0,75) bzw. 1050 m (~0,75) positiv beeinflusst wird. In diesem Kapitel werden auch künftige Auswirkungen erörtert, indem festgestellt wird, dass die Einbeziehung einiger abhängiger Faktoren (wie die angewandten Bewirtschaftungsmethoden, die Bodengesundheit, die Schädlingsbekämpfung und die Bestäuber) die Beziehung zwischen den mit RS modellierten Ernteerträgen und der biologischen Vielfalt verbessern könnte. Im siebten Kapitel schließlich wird die Erprobung neuer Sensoren wie unbemannte Luftfahrzeuge, hyperspektrale Sensoren oder Sentinel-1 SAR in der RS erörtert, um genaue Ertragsvorhersagen für die Präzisionslandwirtschaft zu erreichen. Darüber hinaus wird in diesem Kapitel die Bedeutung der künstlichen Intelligenz (KI) oder des Deep Learning (DL) für die Erzielung einer höheren Genauigkeit der Ernteerträge hervorgehoben.

Accurate crop monitoring in response to climate change at a regional or field scale plays a significant role in developing agricultural policies, improving food security, forecasting, and analysing global trade trends. Climate change is expected to significantly impact agriculture, with shifts in temperature, precipitation patterns, and extreme weather events negatively affecting crop yields, soil fertility, water availability, biodiversity, and crop growing conditions. Remote sensing (RS) can provide valuable information combined with crop growth models (CGMs) for yield assessment by monitoring crop development, detecting crop changes, and assessing the impact of climate change on crop yields. This dissertation aims to investigate the potential of RS data on modelling long-term crop yields of winter wheat (WW) and oil seed rape (OSR) for the Free State of Bavaria (70,550 km2), Germany. The first chapter of the dissertation describes the reasons favouring the importance of accurate crop yield predictions for achieving sustainability in agriculture. Chapter second explores the accuracy assessment of the synthetic RS data by fusing NDVIs of two high spatial resolution data (high pair) (Landsat (30 m, 16-days; L) and Sentinel-2 (10 m, 5–6 days; S), with four low spatial resolution data (low pair) (MOD13Q1 (250 m, 16-days), MCD43A4 (500 m, one day), MOD09GQ (250 m, one-day), and MOD09Q1 (250 m, 8-days)) using the spatial and temporal adaptive reflectance fusion model (STARFM), which fills regions' cloud or shadow gaps without losing spatial information. The chapter finds that both L-MOD13Q1 (R2 = 0.62, RMSE = 0.11) and S-MOD13Q1 (R2 = 0.68, RMSE = 0.13) are more suitable for agricultural monitoring than the other synthetic products fused. Chapter third explores the ability of the synthetic spatiotemporal datasets (obtained in chapter 2) to accurately map and monitor crop yields of WW and OSR at a regional scale. The chapter investigates and discusses the optimal spatial (10 m, 30 m, or 250 m), temporal (8 or 16-day) and CGMs (World Food Studies (WOFOST), and the semi-empiric light use efficiency approach (LUE)) for accurate crop yield estimations of both crop types. Chapter third observes that the observations of high temporal resolution (8-day) products of both S-MOD13Q1 and L-MOD13Q1 play a significant role in accurately measuring the yield of WW and OSR. The chapter investigates that the simple light use efficiency (LUE) model (R2 = 0.77 and relative RMSE (RRMSE) = 8.17%) that required fewer input parameters to simulate crop yield is highly accurate, reliable, and more precise than the complex WOFOST model (R2 = 0.66 and RRMSE = 11.35%) with higher input parameters. Chapter four researches the relationship of spatiotemporal fusion modelling using STRAFM on crop yield prediction for WW and OSR using the LUE model for Bavaria from 2001 to 2019. The chapter states the high positive correlation coefficient (R) = 0.81 and R = 0.77 between the yearly R2 of synthetic accuracy and modelled yield accuracy for WW and OSR from 2001 to 2019, respectively. The chapter analyses the impact of climate variables on crop yield predictions by observing an increase in R2 (0.79 (WW)/0.86 (OSR)) and a decrease in RMSE (4.51/2.57 dt/ha) when the climate effect is included in the model. The fifth chapter suggests that the coupling of the LUE model to the random forest (RF) model can further reduce the relative root mean square error (RRMSE) from -8% (WW) and -1.6% (OSR) and increase the R2 by 14.3% (for both WW and OSR), compared to results just relying on LUE. The same chapter concludes that satellite-based crop biomass, solar radiation, and temperature are the most influential variables in the yield prediction of both crop types. Chapter six attempts to discuss both pros and cons of RS technology while analysing the impact of land use diversity on crop-modelled biomass of WW and OSR. The chapter finds that the modelled biomass of both crops is positively impacted by land use diversity to the radius of 450 (Shannon Diversity Index ~0.75) and 1050 m (~0.75), respectively. The chapter also discusses the future implications by stating that including some dependent factors (such as the management practices used, soil health, pest management, and pollinators) could improve the relationship of RS-modelled crop yields with biodiversity. Lastly, chapter seven discusses testing the scope of new sensors such as unmanned aerial vehicles, hyperspectral sensors, or Sentinel-1 SAR in RS for achieving accurate crop yield predictions for precision farming. In addition, the chapter highlights the significance of artificial intelligence (AI) or deep learning (DL) in obtaining higher crop yield accuracies. / Die genaue Überwachung von Nutzpflanzen als Reaktion auf den Klimawandel auf regionaler oder feldbezogener Ebene spielt eine wichtige Rolle bei der Entwicklung von Agrarpolitiken, der Verbesserung der Ernährungssicherheit, der Erstellung von Prognosen und der Analyse von Trends im Welthandel. Es wird erwartet, dass sich der Klimawandel erheblich auf die Landwirtschaft auswirken wird, da sich Verschiebungen bei den Temperaturen, Niederschlagsmustern und extremen Wetterereignissen negativ auf die Ernteerträge, die Bodenfruchtbarkeit, die Wasserverfügbarkeit, die Artenvielfalt und die Anbaubedingungen auswirken werden. Die Fernerkundung (RS) kann in Kombination mit Wachstumsmodellen (CGM) wertvolle Informationen für die Ertragsbewertung liefern, indem sie die Entwicklung von Pflanzen überwacht, Veränderungen bei den Pflanzen erkennt und die Auswirkungen des Klimawandels auf die Ernteerträge bewertet. Ziel dieser Dissertation ist es, das Potenzial von RS-Daten für die Modellierung langfristiger Ernteerträge von Winterweizen (WW) und Ölraps (OSR) für den Freistaat Bayern (70.550 km2 ), Deutschland, zu untersuchen. Das erste Kapitel der Dissertation beschreibt die Gründe, die für die Bedeutung genauer Ernteertragsvorhersagen für die Nachhaltigkeit in der Landwirtschaft sprechen. Das zweite Kapitel befasst sich mit der Bewertung der Genauigkeit der synthetischen RS Daten durch die Fusion der NDVIs von zwei Daten mit hoher räumlicher Auflösung (hohes Paar) (Landsat (30 m, 16 Tage; L) und Sentinel-2 (10 m, 5-6 Tage; S) mit vier Daten mit geringer räumlicher Auflösung (niedriges Paar) (MOD13Q1 (250 m, 16 Tage), MCD43A4 (500 m, ein Tag), MOD09GQ (250 m, ein Tag) und MOD09Q1 (250 m, 8 Tage)) unter Verwendung des räumlich und zeitlich adaptiven Reflexionsfusionsmodells (STARFM), das Wolken- oder Schattenlücken in Regionen füllt, ohne räumliche Informationen zu verlieren. In diesem Kapitel wird festgestellt, dass sowohl L-MOD13Q1 (R2 = 0,62, RMSE = 0,11) als auch S-MOD13Q1 (R2 = 0,68, RMSE = 0,13) für die Überwachung der Landwirtschaft besser geeignet sind als die anderen fusionierten synthetischen Produkte. Im dritten Kapitel wird untersucht, inwieweit die (in Kapitel 2 gewonnenen) synthetischen raum-zeitlichen Datensätze geeignet sind, die Ernteerträge von WW und OSR auf regionaler Ebene genau zu kartieren und zu überwachen. Das Kapitel untersucht und diskutiert die optimalen räumlichen (10 m, 30 m oder 250 m),zeitlichen (8 oder 16 Tage) und CGMs (World Food Studies (WOFOST) und den semi-empirischen Ansatz der Lichtnutzungseffizienz (LUE)) für genaue Ertragsschätzungen beider Kulturarten. Im dritten Kapitel wird festgestellt, dass die Beobachtung von Produkten mit hoher zeitlicher Auflösung (8 Tage) sowohl des S-MOD13Q1 als auch des L-MOD13Q1 eine wichtige Rolle bei der genauen Messung des Ertrags von WW und OSR spielt. In diesem Kapitel wird untersucht, dass das einfache Modell der Lichtnutzungseffizienz (LUE) (R2 = 0,77 und relativer RMSE (RRMSE) = 8,17 %), das weniger Eingabeparameter zur Simulation des Ernteertrags benötigt, sehr genau, zuverlässig und präziser ist als das komplexe WOFOST-Modell (R2 = 0,66 und RRMSE = 11,35 %) mit höheren Eingabeparametern. In Kapitel vier wird der Zusammenhang zwischen der raum-zeitlichen Fusionsmodellierung mit STRAFM und der Ertragsvorhersage für WW und OSR mit dem LUE-Modell für Bayern von 2001 bis 2019 untersucht. Das Kapitel stellt den hohen positiven Korrelationskoeffizienten (R) = 0,81 und R = 0,77 zwischen dem jährlichen R2 der synthetischen Genauigkeit und der modellierten Ertragsgenauigkeit für WW bzw. OSR von 2001 bis 2019 fest. In diesem Kapitel werden die Auswirkungen der Klimavariablen auf die Ertragsvorhersagen analysiert, wobei ein Anstieg des R2 (0,79 (WW)/0,86 (OSR)) und eine Verringerung des RMSE (4,51/2,57 dt/ha) festgestellt werden, wenn der Klimaeffekt in das Modell einbezogen wird. Das fünfte Kapitel deutet darauf hin, dass die Kopplung des LUE-Modells mit dem Random-Forest-Modell (RF) den relativen mittleren quadratischen Fehler (RRMSE) von -8 % (WW) und -1,6 % (OSR) weiter reduzieren und das R2 um 14,3 % (sowohl für WW als auch für OSR) erhöhen kann, verglichen mit Ergebnissen, die nur auf LUE beruhen. Das gleiche Kapitel kommt zu dem Schluss, dass die satellitengestützte Pflanzenbiomasse, die Sonneneinstrahlung und die Temperatur die einflussreichsten Variablen bei der Ertragsvorhersage für beide Kulturarten sind. In Kapitel sechs wird versucht, sowohl die Vor- als auch die Nachteile der RS-Technologie zu erörtern, indem die Auswirkungen der unterschiedlichen Landnutzung auf die modellierte Biomasse von WW und OSR analysiert werden. In diesem Kapitel wird festgestellt, dass die modellierte Biomasse beider Kulturen durch die Landnutzungsvielfalt bis zu einem Radius von 450 (Shannon Diversity Index ~0,75) bzw. 1050 m (~0,75) positiv beeinflusst wird. In diesem Kapitel werden auch künftige Auswirkungen erörtert, indem festgestellt wird, dass die Einbeziehung einiger abhängiger Faktoren (wie die angewandten Bewirtschaftungsmethoden, die Bodengesundheit, die Schädlingsbekämpfung und die Bestäuber) die Beziehung zwischen den mit RS modellierten Ernteerträgen und der biologischen Vielfalt verbessern könnte. Im siebten Kapitel schließlich wird die Erprobung neuer Sensoren wie unbemannte Luftfahrzeuge, hyperspektrale Sensoren oder Sentinel-1 SAR in der RS erörtert, um genaue Ertragsvorhersagen für die Präzisionslandwirtschaft zu erreichen. Darüber hinaus wird in diesem Kapitel die Bedeutung der künstlichen Intelligenz (KI) oder des Deep Learning (DL) für die Erzielung einer höheren Genauigkeit der Ernteerträge hervorgehoben.

Untersucht wurde der Arsen- und Cadmiumtransfer vom Boden in die Pflanze. Die Boden- und Kornproben entstammten den Dauertestflächen aller Bodenregionen in Sachsen. Um die Pflanzenverfügbarkeit der beiden Elemente zu untersuchen, wurden sieben verschiedene Extraktionsmethoden verglichen. Der Aufschluss mit Königswasser oder Calcium-Ammonium-Lactat (CAL) zeigt dabei die höchsten Konzentrationen im Extrakt. Die Einhaltung des aktuellen Cadmium-Höchstgehalts für Brotweizen ist bis zu einem Cadmium-Gehalt des Bodens (Königswasser) von 1,0 mg/kg mit einer Wahrscheinlichkeit von 80 % gegeben. Auf der Grundlage der CAL-Extraktion beträgt dieser Schwellenwert 0,4 mg/kg. Die erwartete Absenkung des zulässigen Höchstgehalts auf 0,10 mg/kg Korn verschiebt die Schwellenwerte auf 0,40 mg CdKW/kg bzw. 0,22 mg CdCAL/kg. Die Untersuchungen im Freiland bestätigen die sortenspezifische Aufnahme von Cadmium aus Gefäßversuchen. Für die Transferuntersuchungen wird eine mehrfache Beprobung eines Schlages empfohlen, wobei jeweils von einem ca. 4 m² großen Teilstück eine Bodenmischprobe und eine Mischprobe des zugehörigen pflanzlichen Materials entnommen werden sollte.

Hohenheim, Univ., Diss., 2007. / Enthält fünf Aufsätze.

Zugl.: Kiel, Univ., Diss., 2007

Universiẗat, Diss., 2005--Bonn.

Universiẗat, Diss., 2004--Kiel.

Thesis (doctoral) - Humboldt-Univ., Berlin, 2003. / Includes bibliographical references.