Data Science Meets Agriculture – An Industry Driven Research Question - Einfluss von Umweltfaktoren auf Weizenertrag und Nährstoffaufnahme - Effects of Environmental Factors on Wheat Yield and Nutrient Uptake
- Beschreibung
German:
Kooperationsprojekt mit den SKW Stickstoffwerken Piesteritz und der Universität Hohenheim
Wie wirksam ist eine Düngungsstrategie – und hängt ihre Wirkung davon ab, ob ein Jahr heiß, trocken oder besonders niederschlagsreich ist?
In diesem Projekt arbeiten Sie mit realen, mehrjährigen Feldversuchsdaten der SKW Stickstoffwerke Piesteritz, einem der bedeutenden Hersteller von Stickstoffdüngemitteln in Deutschland. Über mehrere Jahre und an verschiedenen Standorten wurden unterschiedliche Düngungsvarianten unter variierenden Umweltbedingungen untersucht.
Ziel des Projekts ist es, mithilfe statistischer Modelle und Data-Science-Methoden zu untersuchen, wie Umwelt- und Klimabedingungen den Ertrag und die Nährstoffaufnahme von Winterweizen sowie die Wirksamkeit verschiedener Düngungsstrategien beeinflussen.
* 2-6 ECTS, je nach Bearf wählbar. Es ist möglich aus dem Projekt weiter eine Thesis zu erstellen.
Sie bearbeiten damit eine reale Forschungsfrage mit Daten aus der landwirtschaftlichen Praxis.
English:
Cooperation project with SKW Stickstoffwerke Piesteritz and the University of Hohenheim
How effective is a fertilization strategy—and does its performance depend on whether a year is hot, dry, or particularly wet?
In this project, you will work with real multi-year field-trial data provided by SKW Stickstoffwerke Piesteritz, one of Germany’s major producers of nitrogen fertilizers. Across several years and locations, SKW has evaluated different fertilization treatments under varying environmental conditions.
The aim of the project is to use statistical models and Data Science methods to investigate how environmental and climatic conditions affect winter wheat yield, nutrient uptake, and the effectiveness of different fertilization treatments.
* Your ECTS chosen can reach form 2 to 6. It is possible to turn this project into a BSC or MSC Thesis.
You will work on a real-world research question using data from agricultural practice
- Beschreibung des interdisziplinären Teils des Projekts
- Schritte: 1. Mi den Daten vertraut werden: Min, Max, Mean values, wie viele Behanldungen, was wurde gemessen... 2. Die Daten für die Analyse vorbereiten. 3. Ein erstes Modell für den Winterweizenertrag entwickeln – mit Unterstützung der Gruppe und der Betreuung. 4. Relevante Klima- und Umweltvariablen für das Projekt identifizieren und recherchieren. 5.Klima- und Umweltfaktoren in das Modell integrieren – mit Unterstützung von Gruppe und Projektbetreuer 6. Methoden und Ergebnisse dokumentieren und das Projekt in einem kurzen Bericht sowie auf einem wissenschaftlichen Poster präsentieren. English: What will you do? 1. Get to know and explore the data 2. Prepare the data for analysis 3. Develop a first yield model together with your group’s and supervisor’s support 4. Research relevant climate variables for our case 5. Integrate climate and environment into the model with your group’s and supervisor’s support 6. Document the methods and findings in a brief report and present the project in a scientific poster.
- Projektzeitraum
- Wintersemester 2026/2027
- Bewerbungszeitraum
- 12. bis 26.10.2026
- Durchführung
- semesterbegleitend
- Details zu Projektzeitraum und Durchführung
Bei den einzelnen Arbeitsschritten werden Sie kontinuierlich unterstützt.
- Wöchentliche Gruppentreffen: Ergebnisse austauschen, Herausforderungen gemeinsam diskutieren und Hinweise sowie fachlichen Input für die nächsten Schritte erhalten. Die Treffen können am Campus oder online stattfinden.
- Co-Working-Sessions: An den aktuellen Aufgaben arbeiten. Dabei besteht die Möglichkeit direkt Fragen stellen und Unterstützung zuerhalten. (online oder am Campus)
- Selbstständige Arbeitsphasen: Zwischen den Gruppentreffen bearbeiten Sie Projektaufgaben eigenständig. Im Zeitrahmen Ihrer gewählten ECTS
Die genauen Termine werden gemeinsam mit der Gruppe abgestimmt. Wenn möglich, wird ein regelmäßiger Termin an einem festen Wochentag eingerichtet.
English:
You will not be left alone with the individual steps.
- Weekly group sessions: exchange results, discuss problems together, and receive input and guiding for the next steps (hybrid format)
- Co-working sessions: work on current tasks together, with direct opportunities to ask questions and receive support (hybrid format)
- Independent work phases between the group sessions.
Dates will be coordinated with the group. Where possible, a regular weekday time slot will be established.
- Studienfach
- offen für alle Studienfächer
- Betreuende
- Emilia Koch
- Institut
- Institut für Kulturpflanzenwissenschaften (340) (Fg. Biostatistics (340c))
- Sprache
- deutsch/englisch
- Teilnehmendenanzahl
- min. 1, max. 4
- Arbeitsaufwand
-
ca. 90 Stunden pro Teilnehmende:r
| 3
ECTS-Punkte
Arbeitsaufwand (Stunden und ggf. ECTS) sind ungefähre Angaben. Die tatsächlich vergebenen ECTS-Punkte ergeben sich aus der tatsächlich geleisteten Arbeit.
- Für dieses Projekt ist ein Motivationsschreiben des Studierenden erforderlich
- Projektart
- empirisch
- Lernziele
-
Die Teilnehmende lernen in diesem Projekt:
Am Ende des Projekts können Sie:
- einen vollständigen empirischen Forschungsprozess planen und durchführen,
- reale Forschungsdaten in R aufbereiten, verwalten und analysieren,
- Mixed Models und/oder Machine-Learning-Methoden anwenden, abhängig von der Ausrichtung des Projekts, und den Vorkenntnissen
- biologische und landwirtschaftliche Fragestellungen in statistisch überprüfbare Hypothesen übersetzen,
- empirische Ergebnisse wissenschaftlich interpretieren und methodische Annahmen sowie Limitationen kritisch reflektieren,
- wissenschaftliche Ergebnisse verständlich kommunizieren während es Projektes und in einem kurzen Bericht sowie auf einem wissenschaftlichen Poster präsentieren,
- effektiv in einem kleinen Projektteam arbeiten, wobei jede Person klar definierte eigene Aufgaben übernimmt,
- die eigene Forschung gegenüber Projektpartnern und Kolleg präsentieren und diskutieren.
English:
By the end of the project, you will be able to:- Plan and carry out a complete empirical research workflow.
- Prepare, manage, and analyze real research data in R.
- Apply mixed models and/or machine-learning methods, depending on the direction of the project.
- Translate biological and agricultural questions into statistically testable hypotheses.
- Interpret empirical results scientifically and critically reflect on methodological assumptions and limitations.
- Communicate scientific findings during the project and as a short final report and a scientific poster.
- Work effectively in a small project team, with clearly defined individual responsibilities.
- Present and discuss your research with project partners and colleagues.
- Anmerkungen für Studierende
Sie müssen zu Beginn keine Expertin bzw. kein Experte sein. Während des Projekts erhalten Sie Unterstützung durch Ihre Gruppe und die Betreuung.
- Grundkenntnisse in R/RStudio sind hilfreich.
- Grundkenntnisse in Statistik sind hilfreich zum Beispiel aus Statistik und Biometrie BsC oder Quantitative Methods in Biosciences oder vergleichbaren Lehrveranstaltungen (Mixed Models I/ II sind theoretische Hintergründe die in diesem Modul vertieft und angewendet werden, jedoch können wir durch die Kleingruppe jeden an seinem Kenntnissstand abholen.
- Die Bereitschaft, sich vertieft mit ein bis zwei statistische Modelle und deren Umsetzung in R auseinanderzusetzen, ist wichtiger als umfangreiche Vorkenntnisse.
- Besonders wichtig sind Neugier und Motivation, biologische Hintergründe mit hilfe von Modellen zu ergründen und zu erklären.
English:
You do not need to be an expert when you start. You will receive support from your group and supervisor throughout the project.- Basic knowledge of R/RStudio is helpful.
- A basic background in statistics is helpful, for example from Statistics and Biometrics, Quantitative Methods in Biosciences, or comparable coursework. (If you took Mixed Models I/ II, this is where you can extend and deepen your knowlede. However, because we will be a small group, contents and tasks will be adjusted to the respective starting knowledge.)
- Willingness to learn one or two statistical methods in more depth and to work with statistical code is more important than extensive prior knowledge.
- Curiosity and motivation to reflect and explain biological background using Data.
- Schlagworte
- Data Scinence, Pflanzen, Kommunikation, Planung, Methoden, Beratug