Bitte verwenden Sie diesen Link, um diese Publikation zu zitieren, oder auf sie als Internetquelle zu verweisen: https://hdl.handle.net/10419/302057 
Autor:innen: 
Erscheinungsjahr: 
2024
Quellenangabe: 
[Journal:] WISTA - Wirtschaft und Statistik [ISSN:] 1619-2907 [Volume:] 76 [Issue:] 4 [Year:] 2024 [Pages:] 29-38
Verlag: 
Statistisches Bundesamt (Destatis), Wiesbaden
Zusammenfassung: 
Die Ernte und Betriebsberichterstattung stützt sich auf Schätzungen erfahrener Land wirtinnen und Landwirte. Es wird jedoch immer schwieriger, diese zu gewinnen und damit die Basis für eine hochwertige Erntestatistik für Feldfrüchte bereitzustellen. Um diese Basis zu verbreitern, nutzt ein Pilotprojekt des Hessischen Statistischen Landes amtes Satellitendaten und Maschinelles Lernen und modelliert damit Ernteerträge für vier wichtige Kulturen auf kleinräumiger Ebene. Von dort aus können die Erträge auf beliebige Verwaltungsebenen aggregiert werden. Dieses weitgehend automatisierte Verfahren wurde in den Jahren 2022 und 2023 in sieben Bundesländern getestet. Es wird ab 2024 bundesweit eingeführt, damit es künftig in die statistische Produktion integriert werden kann.
Zusammenfassung (übersetzt): 
Crop production reporting is based on estimates of experienced farmers. It is becoming increasingly difficult, however, to recruit such experts and provide the basis for generating high-quality crop production statistics. To broaden this basis, a pilot project by the Land Statistical Office of Hessen uses satellite data and machine learning to model crop yields for four key crops at a small area scale. From there, the yields can be aggregated to any administrative level. This largely automated procedure was tested in seven German Länder in 2022 and 2023. Starting in 2024, it will be rolled out across Germany for future integration into statistical production.
Schlagwörter: 
Erntestatistik
Fernerkundung
Künstliche Intelligenz (KI)
Ackerbau
Sentinel 2
crop production statistics
remote sensing
artificial intelligence (AI)
farming
Sentinel-2
Dokumentart: 
Article

Datei(en):
Datei
Größe
369.97 kB





Publikationen in EconStor sind urheberrechtlich geschützt.