Portfolio

Ertragsprognose unter Domänenunsicherheit

Feldscharfe Ertragsmodelle für Ackerkulturen, die ein Jahr prognostizieren müssen, das niemand zuvor gesehen hat — und ehrlich angeben, wie weit sie danebenliegen können.

Methodik

• Evaluation. Ausschließlich Leave-One-Year-Out-CV. Zufälliges k-Fold leckt über Saisongrenzen und schönt das R² eines Modells, das immer in ein unbekanntes Jahr ausgeliefert wird.
• Unsicherheit. Split-Conformal-Wrapper; das Kalibrierjahr wird über das ähnlichste saisonale Red-Edge-Profil gewählt statt per Zufallssplit, die Residuen werden leave-one-year-out gesammelt, sodass keine Trainingsdaten verloren gehen.
• Struktur. Eine nationale In-Season-Prognose liefert den Jahres-Prior; das Feldmodell prognostiziert das Residuum darum herum und trennt so das Klimasignal vom Feld-zu-Feld-Signal.
• Merkmale. Sentinel-2-Red-Edge-Zeitreihen, Sentinel-1-Rückstreuung, ERA5-Land (VPD, Bodenfeuchte, Wasserbilanz), MODIS NDVI/EVI, phänologisch ausgerichtete Aggregationsfenster, Ertrags-Lags.
• Modelle. CatBoost, XGBoost, Random Forest und TabPFN

Satellitengestützte Bodenerosionsmodellierung

Eine reproduzierbare RUSLE-Pipeline auf Google Earth Engine, die aus Sentinel-2-Zeitreihen schlagbezogene Bodenabtragsraten macht — validiert gegen europäische Referenzdatensätze, nicht gegen sich selbst.

Methodik

• C-Faktor aus Messung. Fraktionale Vegetationsbedeckung aus Sentinel-2-Oberflächenreflexion, über die Saison gewichtet — anstelle der kulturweisen Konstanten, die Standardverfahren aus einer Tabelle mit Kilometerauflösung ablesen.
• Rekonstruktion von Wolkenlücken. Harmonische Anpassung der fCover-Zeitreihe, verglichen mit linearer Interpolation und Resampling-plus-Harmonik auf real lückenhaften Reihen mit der lückenlosen Reihe als Referenz.
• Kulturkontext. JRC EUCROPMAP liefert die Landbedeckung für eine kulturabhängige C-Zuweisung.
• Validierung. Vier C-Faktor-Methoden, bewertet über Mittelwert, Standardabweichung und Pearson-Korrelation gegen den europäischen JRC-C-Faktor-Layer; der R-Faktor gegen die GloRESatE-Referenz.
• Engineering. YAML-konfiguriert, dockerisiert, parallel über Standorte und Jahre, Batch-Verarbeitung von GeoJSON-Gebieten, Export direkt in den Cloud-Speicher. Ausgabe: Bodenabtrag in t · ha⁻¹ · a⁻¹ bei 100 m, EPSG:3857, plus die einzelnen Faktor-Layer.

Embeddings unter Domain Shift

Ein Kulturarten-Klassifikator, trainiert auf zwei Saisons und angewendet auf eine dritte, die 1,4 °C wärmer und trockener war — und was selbstüberwachtes Pre-Training daran repariert und was nicht.

Methodik

• Verschiebung. Sentinel-2-L1C-Zeitreihen auf Feldebene in Oberbayern für sechs Kulturen (Mais, Winterweizen, Wintergerste, Raps, Zuckerrübe, Kartoffel), 2016–2018. Training auf 2016–17, Vorhersage für 2018: ein Dürrejahr, 1,4 °C wärmer als 2016 und mit unterdurchschnittlichem Frühjahrsniederschlag — der spektrale Fingerabdruck der Pflanzen verschiebt sich.
• Repräsentation. SimSiam mit Transformer-Encoder, symmetrisierter negativer Kosinus-Loss, anschließend ein linearer Klassifikationskopf im Fine-Tuning.
• Augmentierung. Drei Verfahren: echte Paare derselben Kulturart über Jahre hinweg als Positives, synthetisches Rauschen und Drift sowie eine simulierte Wolkenverschiebung. Die jahresübergreifende Paarbildung behandelt die Wettervariation selbst als Augmentierung.
• Collapse-Kontrolle. Der ℓ2-normierte Output wird während des gesamten Pre-Trainings gegen 1/√dim verfolgt. Der Trainings-Loss allein zeigte den Collapse nicht an; ohne diese Prüfung hört das Fine-Tuning still auf, besser zu werden.
• Baselines. Random Forest und derselbe Transformer supervised trainiert, über vier Label-Budgets für das Zieljahr: keine, 5 %, 10 % und alle Jahre gepoolt.

Ergebnisse