cc_byPiepho, Hans-PeterAbdipourchenarestansofla, Morteza2026-01-162026-01-162025https://hohpublica.uni-hohenheim.de/handle/123456789/1874110.60848/13670In the face of growing environmental concerns and the global demand for sustainable agriculture, achieving balanced nitrogen (N) management is critical for both maximizing crop productivity and maintaining environmental health. This dissertation proposes an innovative framework to address this challenge within the scope of regenerative agriculture, which emphasizes sustainable farming practices. Regenerative agriculture aims to reduce chemical inputs while maintaining yield levels yet implementing these practices at scale is complex due to the intricate interactions between biological, environmental, and technological factors on farms. This research tackles these challenges by introducing a Knowledge Domain Mapping (KDM)-based framework, integrating advanced technologies—including remote sensing, Internet of Things (IoT) telemetry, geospatial sciences, statistical modeling, machine learning, and cloud computing—to create a holistic and scalable system for optimizing nitrogen applications. Central to this research is the accurate estimation and spatial allocation of the Economic Optimum Nitrogen Rate (EONR), a crucial element for reducing nitrogen use and enhancing yield. A key contribution of this study is the development of a robust Response Surface Model (RSM) that leverages multispectral indices (MSIs) from Sentinel-2 imagery, historical IoT telemetry data, and on-machine nitrogen sensors. This RSM approach allows for precise EONR predictions tailored to field-specific conditions, reducing the need for traditional plot-based trials and achieving an average prediction error of just 14.5%. Applied to a 7-hectare winter wheat field, the model successfully predicted EONR values ranging from 43 kg/ha to 75 kg/ha across zones, showcasing the adaptability and accuracy of RSM for field-specific nitrogen recommendations. This precisionfocused approach exemplifies the study’s goal of minimizing environmental impacts while ensuring sustainable yield improvements. Beyond the initial field-level implementation, this research examines the generalizability of the RSM framework using two modeling strategies: a single RSM across fields and a weighted average model that aggregates individual field-specific RSMs. The weighted model demonstrated superior adaptability and high prediction accuracy, with a root mean square error (RMSE) of 11 kg N/ha for the EONR, highlighting the framework’s potential for broader application across different agricultural settings. Such generalizability supports the framework’s adoption in diverse farming environments, enabling precise and informed nitrogen management at scale. To facilitate widespread adoption and practical application, the dissertation also introduces a cloud-based infrastructure that integrates the KDM framework with real-time IoT data and satellite imagery. Leveraging cloud services like Amazon Web Services (AWS) Batch for job orchestration, Amazon S3 for scalable data storage, and RDS Postgres for structured data management, this8 infrastructure allows for seamless handling of both real-time and historical data. Spatial interpolation techniques, such as Kriging, enhance the model’s capability to generate real-time nitrogen prescription maps, enabling precise nutrient management for large-scale agricultural operations. Automated data quality control and data harmonization embedded within this cloud architecture provide a strong foundation for managing increasing data volumes and diverse field conditions, making the system cost-effective, adaptable, and efficient for modern agriculture. In summary, this dissertation maps regenerative agriculture via a comprehensive roadmap for translating regenerative agriculture principles into practical, operational nitrogen management practices. Through KDM an interdisciplinary approach is mapped by the integration of advanced modeling, data processing, and cloud technologies. This framework enables sustainable crop management and aligns with global goals for environmentally responsible food production. The innovations introduced here support a scalable, data-driven approach to agricultural sustainability, bridging scientific research with real-world applications to meet the evolving demands of modern agriculture.Angesichts wachsender Umweltbedenken und der globalen Nachfrage nach nachhaltiger Landwirtschaft ist ein ausgewogenes Stickstoffmanagement (N-Management) entscheidend, um sowohl die Produktivität der Kulturen zu maximieren als auch die Umweltgesundheit zu erhalten. Diese Dissertation schlägt ein innovatives Rahmenkonzept vor, um diese Herausforderung im Kontext der regenerativen Landwirtschaft zu bewältigen, die nachhaltige Anbaumethoden betont. Ziel der regenerativen Landwirtschaft ist es, den Einsatz chemischer Betriebsmittel zu reduzieren und gleichzeitig stabile Erträge zu gewährleisten. Die Umsetzung solcher Praktiken im großen Maßstab ist jedoch aufgrund der komplexen Wechselwirkungen zwischen biologischen, ökologischen und technologischen Faktoren auf landwirtschaftlichen Betrieben äußerst anspruchsvoll. Diese Forschung begegnet diesen Herausforderungen durch die Einführung eines auf Knowledge Domain Mapping (KDM) basierenden Rahmenwerks, das fortschrittliche Technologien wie Fernerkundung, Telemetrie des Internets der Dinge (IoT), Geowissenschaften, statistische Modellierung, maschinelles Lernen und Cloud-Computing integriert, um ein ganzheitliches und skalierbares System zur Optimierung des Stickstoffeinsatzes zu schaffen. Im Mittelpunkt dieser Forschung steht die präzise Schätzung und räumliche Verteilung der wirtschaftlich optimalen Stickstoffdosis (Economic Optimum Nitrogen Rate, EONR), ein entscheidendes Element zur Reduzierung des Stickstoffeinsatzes und zur Ertragssteigerung. Ein zentraler Beitrag dieser Arbeit ist die Entwicklung eines robusten Response Surface Models (RSM), das multispektrale Indizes (MSIs) aus Sentinel-2-Satellitenbildern, historische IoT- Telemetriedaten und Sensordaten von Stickstoffapplikationsgeräten nutzt. Dieser RSM-Ansatz ermöglicht genaue EONR-Vorhersagen, die auf feldspezifische Bedingungen abgestimmt sind, wodurch der Bedarf an traditionellen, parzellenbasierten Versuchen reduziert wird. Mit einem durchschnittlichen Vorhersagefehler von nur 14,5 % wurde das Modell in einem 7 Hektar großen Winterweizenfeld angewendet und konnte EONR-Werte von 43 kg/ha bis 75 kg/ha in verschiedenen Zonen erfolgreich vorhersagen. Dies verdeutlicht die Anpassungsfähigkeit und Genauigkeit des RSM für feldspezifische Stickstoffempfehlungen. Dieser präzisionsorientierte Ansatz illustriert das Ziel der Studie, Umweltbelastungen zu minimieren und gleichzeitig nachhaltige Ertragssteigerungen zu gewährleisten. Über die anfängliche Anwendung auf Feldebene hinaus untersucht diese Arbeit die Generalisierbarkeit des RSM-Rahmenwerks mit zwei Modellierungsstrategien: einem einheitlichen RSM über mehrere Felder hinweg und einem gewichteten Durchschnittsmodell, das individuelle, feldspezifische RSMs zusammenfasst. Das gewichtete Modell zeigte eine überlegene Anpassungsfähigkeit und hohe Vorhersagegenauigkeit mit einem Root Mean Square Error (RMSE) von 11 kg N/ha für die EONR und unterstreicht das Potenzial des Rahmenwerks für eine breitere Anwendung in verschiedenen landwirtschaftlichen Kontexten. Diese Generalisierbarkeit unterstützt die Akzeptanz des Rahmenwerks in unterschiedlichen Anbausystemen und ermöglicht eine präzise und informierte Stickstoffbewirtschaftung im großen Maßstab. Um eine breite Anwendung und praktische Umsetzung zu fördern, führt die Dissertation zudem eine cloudbasierte Infrastruktur ein, die das KDM-Rahmenwerk mit Echtzeit-IoT-Daten und Satellitenbildern integriert. Durch den Einsatz von Cloud-Diensten wie AWS-Batch für die Job- Orchestrierung, Amazon S3 für skalierbare Datenspeicherung und RDS Postgres für die strukturierte Datenverwaltung ermöglicht diese Infrastruktur eine nahtlose Verarbeitung von Echtzeit- und historischen Daten. Räumliche Interpolationstechniken wie Kriging erweitern die Fähigkeit des Modells, Echtzeit-Stickstoffempfehlungskarten zu erstellen, was eine präzise Nährstoffbewirtschaftung für großflächige landwirtschaftliche Betriebe ermöglicht. Automatisierte Qualitätssicherung und Datenharmonisierung, die in diese Cloud-Architektur eingebettet sind, bieten eine solide Grundlage für die Bewältigung wachsender Datenmengen und vielfältiger Feldbedingungen und machen das System kosteneffizient, anpassungsfähig und leistungsfähig für die moderne Landwirtschaft. Zusammenfassend bietet diese Dissertation eine umfassende Roadmap, um Prinzipien der regenerativen Landwirtschaft in praktische, operative Stickstoffmanagementpraktiken zu übersetzen. Durch KDM wird ein interdisziplinärer Ansatz abgebildet, der fortschrittliche Modellierung, Datenverarbeitung und Cloud-Technologien integriert. Dieses Rahmenwerk ermöglicht eine nachhaltige Pflanzenbewirtschaftung und unterstützt die globalen Ziele einer umweltbewussten Nahrungsmittelproduktion. Die eingeführten Innovationen fördern einen skalierbaren, datengetriebenen Ansatz für landwirtschaftliche Nachhaltigkeit und schlagen eine Brücke zwischen wissenschaftlicher Forschung und realen Anwendungen, um den sich wandelnden Anforderungen der modernen Landwirtschaft gerecht zu werden.engRegenerative agriculturePrecision nitrogen managementEconomic Optimum Nitrogen Rate (EONR)Response surface models630DoctoralThesis1949090434