Die chronologische Liste zeigt aktuelle Veröffentlichungen aus dem Forschungsbetrieb der Hochschule Weihenstephan-Triesdorf. Zuständig ist das Zentrum für Forschung und Wissenstransfer (ZFW).
8 Ergebnisse
Dr. Florian Diel-Loose,
Hannah Haußmann,
Prof. Dr. Dr. Eva Zeiler
ChatGPT: Braucht´s das in der Staudengärtnerei ? (2024) Wintertagung Bund deutscher Staudengärtner (BdS) am 15. Februar 2024 in Grünberg an der Bildungsstätte Gartenbau .
Prof. Dr. Dominikus Gregor Kittemann,
Prof. Dr. Michael Beck,
Johannes Werth,
Anna Lena Haug,
Konni Biegert,
Annika Killer,
Alexander Zimmermann,
Thomas Kuster
Schnittmuster - Mahdmosaik und Vielfalt in einer grünlanddominierten Landschaft (2024) unveröffentlichter Bericht an das StMWK .
Text Medienbeitrag
Forschung an den Auwäldern (2024) Landshuter Zeitung vom 13.02.2024, S. 10 .
Landkreis. (red) Das Wissen um die Auwälder lebendig und greifbar machen: Das Bundesforschungsministerium hat ein Forschungsprojekt zu den Auwäldern zwischen München und Landshut genehmigt mit genau diesem Ziel.
Ein Forschungsvorhaben des Zentrums Wald-Forst-Holz in Weihenstephan will dazu beitragen, die Dynamik in den Isarauen besser zu verstehen - auch um sie effektiver schützen zu können.
Mehr
Text Medienbeitrag
Forschung zur kuhgebundenen Kälberaufzucht (2024) Bayerische Staatszeitung .
Josef Eiglsperger,
Prof. Dr. Florian Haselbeck,
Viola Stiele,
Claudia Guadarrama Serrano,
Kelly Lim-Trinh,
Prof. Dr. Klaus Menrad,
Prof. Dr. Thomas Hannus,
Prof. Dr. Dominik Grimm
Accurately forecasting demand is a potential competitive advantage, especially when dealing with perishable products. The multi-billion dollar horticultural industry is highly affected by perishability, but has received limited attention in forecasting research. In this paper, we analyze the applicability of general compared to dataset-specific predictors, as well as the influence of external information and online model update schemes. We employ a heterogeneous set of horticultural data, three classical, and twelve machine learning-based forecasting approaches. Our results show a superiority of multivariate machine learning methods, in particular the ensemble learner XGBoost. These advantages highlight the importance of external factors, with the feature set containing statistical, calendrical, and weather-related features leading to the most robust performance. We further observe that a general model is unable to capture the heterogeneity of the data and is outperformed by dataset-specific predictors. Moreover, frequent model updates have a negligible impact on forecasting quality, allowing long-term forecasting without significant performance degradation.
Mehr
Betreuung der Publikationsseiten
Gerhard Radlmayr
Referent für Wissenstransfer und Forschungskommunikation
Wir verwenden Cookies. Einige sind notwendig für die Funktion der Webseite, andere helfen uns, die Webseite zu verbessern. Um unseren eigenen Ansprüchen beim Datenschutz gerecht zu werden, erfassen wir lediglich anonymisierte Nutzerdaten mit „Matomo“. Um unser Internetangebot für Sie ansprechender zu gestalten, binden wir außerdem externe Inhalte unserer Social-Media-Kanäle ein.