- Bird’s-eye view: Remote sensing insights into the impact of mowing events on Eurasian Curlew habitat selection. Agriculture, Ecosystems & Environment 378, 2025, 109299 mehr…
- Knowledge informed hybrid machine learning in agricultural yield prediction. Computers and Electronics in Agriculture 227, 2024, 109606 mehr…
- Explaining decision structures and data value for neural networks in crop yield prediction. Environmental Research Letters, 2024 mehr…
- Machine learning for soybean yield forecasting in Brazil. Agricultural and Forest Meteorology 341, 2023, 109670 mehr…
- Autonomous field management – An enabler of sustainable future in agriculture. Agricultural Systems 206, 2023, 103607 mehr…
Malte von Bloh
Wissenschaftlicher Mitarbeiter
Liesel-Beckmann-Str. 2
85354 Freising
Tel: +49 (0) 8161 71 - 3487
Fax: +49 (0) 8161 71 - 2899
E-Mail: malte.von.bloh[at]tum.de
Laufbahn
Malte von Bloh studierte im Bachelor- und Masterstudium Agrarwissenschaften an der TU München sowie für ein Semester an der TEC de Monterrey in Querétaro, Mexiko. Während des Masters wandte er sich verstärkt der Informatik zu und hier insbesondere dem maschinellen Lernen. Seine Masterarbeit absolvierte er in der Computer Vision Gruppe des Lehrstuhls für Methodik der Fernerkundung unter Prof. Schmidhalter & Dr. Marco Körner.
Seine Forschungsschwerpunkte liegen in dem Erstellen von Ertragsprognosen sowie intelligentem Crop Monitoring, insbesondere:
Dem Erlernen von zeit-sequenzieller, pflanzlicher Wachstumsfunktionen
Explainability & Trust Analysis von deep learning Methoden für agrarbezogenes Deep Learning
Hybrid AI: Integrieren von Expertenwissen in datengetriebene Algorithmen
Verbesserung der Zuverlässigkeit & Robustheit von maschinellen Lernverfahren
Verknüpfen von Bildverarbeitung, Satelliten-, Boden-, Klimadaten und der Quantifizierung von agronomischen Managementmaßnahmen
Weitere Erfahrungen in der Industrie sammelte er unter anderem in der Computer Vision Abteilung von Agrarrobotik Herstellern, Software-QM von FMIS sowie der Management Beratung von Firmen mit dem Fokus Digital Farming. Von 2019 - 2021 war er Teil eines Startups, das sich mit intelligentem Pflanzenmonitoring (Computer Vision, Zeit-sequenzielle Prognosemodelle) beschäftigte und übernahm hier maßgeblich das R&D. Von März - Juni 2023 besuchte er im Rahmen seiner Promotion das Lab von David Lobell an der Stanford University.
Lehrveranstaltungen
Data Science in der Agrarinformatik
Interdisziplinäre Projekte für Informatik Studierende
Data Innovation Project Supervisor
Wichtigste Auszeichnung
2018: Helmut-Claas Stipendium für seine Bachelorarbeit über die Erfassung von Nährstoffgehalten und Biomasse mittels bildgebender und multispektraler Verfahren.
2022: Förderpreis Agrarinformatik der Gesellschaft für Informatik in der Land-, Forst- und Ernährungswirtschaft e.V. (GIL) für seine Masterarbeit „Data-driven crop yield prediction to forecast in-season changes for winter wheat“.
Agricultural Technology Excellence Doctoral Thesis Prize - Auszeichnung durch die Helmut-Claas Stiftung für hochinnovative Doktorarbeiten im ersten Jahr mit erwartetem hohen Einfluss auf Wissenschaft und Praxis.
Publicationen
- Evaluating RGB Imaging and Multispectral Active and Hyperspectral Passive Sensing for Assessing Early Plant Vigor in Winter Wheat. Sensors 18 (9), 2018, 2931 mehr…