Wir trainieren unsere Machine-Learning-Modelle seit 2017 mit riesigen Mengen an Ground-Truth-Daten.

top-quality.png

Höchste Qualität

Wir verwenden Satellitenbilder zur globalen Datenerfassung und arbeiten jeden Tag an der Verbesserung unseres Modells, damit wir weltweit die höchstmögliche Genauigkeit erzielen. Überzeugen Sie sich selbst auf unserer [Demokarte](https://map.onesoil.ai/2020/#2.3/44.35/-43.66).

global-coverage.png

Globale Daten

Wir arbeiten mit Agrarkonzernen auf der ganzen Welt zusammen und erhalten von ihnen bestätigte Felddaten aus verschiedenen Regionen. Wir haben uns verpflichtet, einen Beitrag zur einer nachhaltigeren Landwirtschaft zu leisten. Das tun wir, indem wir Tausende von Versuchen mit kleinen und großen Agrarunternehmen durchführen, mit dem Ziel die Erträge zu steigern und dabei gleichzeitig die Ressourcen zu schonen.


improvement.png

Kontinuierliche Weiterentwicklung

Modernste maschinelle Lernalgorithmen

Feldbegrenzungen für 59 Länder. 
Pflanzendaten für die Nordhalbkugel, Südamerika, Südafrika und Australien.

Feldbegrenzungen, Pflanzenerkennung und Produktivitätszonen auf der Grundlage von Satellitenbildern und einem Machine-Learning-Modell, das wir seit 2017 mit Ground-Truth-Daten trainieren.

Hohe Datenqualität

GeoServer API, GeoJSON, GeoTIFF, GeoPackage oder tabellarisches Datenformat.

Praktische Ausgabeformate

Entdecken Sie hier unsere interaktive Karte. Sie bietet Ihnen wertvolle Einblicke in die landwirtschaftliche Nutzung in verschiedenen Regionen der Welt in einer sicheren Testumgebung. Registrieren Sie sich und erhalten Sie noch mehr kostenlose Daten für 2020.

Registrieren Sie sich und erhalten Sie die Daten für die letzte Saison.

Sichern Sie sich den besten Preis für Ihre Branche

Wir haben viel Zeit und Mühe in die Erkennung von Feldbegrenzungen auf Satellitenbildern investiert. Wir bemühen uns auch intensiv darum, Ground-Truth-Daten einzuholen, unsere maschinellen Lernalgorithmen zu trainieren und unsere eigenen Geräte zu entwickeln. 

Wir führen in Zusammenarbeit mit Agrarfachleuten Experimente durch, in denen wir unsere agronomischen Hypothesen testen. Wir haben bereits auf mehr als 50.000 Hektar Experimente durchgeführt. Zudem erhalten wir von den Nutzern und Nutzerinnen der OneSoil App rasch Feedback zur Genauigkeit unserer Algorithmen, denn dahinter steckt unsere Technologie.

Feldbegrenzungsdaten gibt es für 59 Länder und Pflanzendaten haben wir für die Nordhalbkugel, Südamerika, Südafrika und Australien.

Für 13 Kulturpflanzen: Weizen, Mais, Gerste, Sojabohnen, Kartoffeln, Raps, Sonnenblumen, Zuckerrüben, Zuckerrohr, Reis, Baumwolle, Sorghumhirse und Gras.

Wir können alle möglichen Analysen auf Basis unserer Daten durchführen. Füllen Sie bitte dieses [Google-Formular](https://docs.google.com/forms/d/e/1FAIpQLSdTbvovgLgcFCgGBTKPV8TJ9romOdATTILI_fP0IMwvwEzEiA/viewform) aus, wenn Sie die Möglichkeit von Vorhersagen mit uns besprechen möchten.

Sie haben Fragen? Wir haben die Antworten!

large_onesoil-map-large.webp

medium_onesoil-map-large.webp

small_onesoil-map-large.webp

thumbnail_onesoil-map-large.webp

onesoil-map-large.webp

Komplettlösungen für verschiedene Arten von Unternehmen. Kostenlose Demoversion. Flexible Preise.

Die Produkte von OneSoil basieren auf unseren proprietären Machine-Learning-Modellen. Seit 2017 haben wir die Qualität unserer Daten mit Datensätzen, die Tausende von Felddatenpunkten großer Agrarunternehmen enthalten, stetig verbessert.

field-boundaries.webp

Sparen Sie Zeit und Geld, wenn Sie Feldbegrenzungen nicht manuell eingeben müssen. Importieren Sie automatische Feldbegrenzungen in Ihre digitale Agrarplattform, damit Nutzer schneller loslegen können. Feldbegrenzungen erhöhen außerdem die Genauigkeit aller weiteren Berechnungen. 
Wir bestimmen Feldbegrenzungen mit einer Auflösung von 2–5 Metern, obwohl die verwendeten Sentinel-2-Aufnahmen nur eine Auflösung von 10 Metern haben. Wir schaffen das dank unserer präzisen Ground-Truth-Daten und einiger wissenschaftlicher Tricks.

### Warum OneSoil?
**Weltweit verfügbar**

Wir bieten Ihnen modernste Technologie für die Bestimmung von Feldbegrenzungen in mehr als 59 Ländern und decken damit den größten Teil der weltweiten Ackerflächen ab. 

###### **Zuverlässige Daten für jede Saison seit 2017**
###### 
Wir haben unsere proprietären maschinellen Lernalgorithmen trainiert, um die Datengenauigkeit Jahr für Jahr zu erhöhen und Ihnen die höchstmögliche Genauigkeit zu bieten. 

###### **Genauigkeit von 5 m**
######Unser jahrelanges Training der neuronalen Netze ermöglicht es uns, Feldbegrenzungen mit einer Genauigkeit von bis zu 5 Metern bei einer minimalen Feldgröße von 0,5 ha zu bestimmen. 

**IoU (Intersection over Union)-Verhältnis von bis zu 0,96**


Die Genauigkeit des automatischen Feldbegrenzungsmodells ist entscheidend für die Benutzerfreundlichkeit Ihrer Plattform. Testen Sie jetzt unser Feldbegrenzungsmodell und finden Sie heraus, wie es Ihre digitale Agrarplattform unterstützen kann.

### Ausgabeformate:
###### GeoJSON,
###### API,
###### GeoServer API, GeoJSON, GeoTIFF, GeoPackage oder tabellarisches Datenformat.

Automatisch erkannte Feldbegrenzungen sind der Ausgangspunkt für jede Art von Agraranalyse. Sie erleichtern zudem das Onboarding von neuen Nutzern auf digitalen Agrarplattformen. 

Feldbegrenzungen mit einer Auflösung von 5×5 m
Genauigkeit von bis zu 0,85 IoU

Save time and money on manual field delineation with OneSoil Field Boundaries.

AI-Detected Field Boundaries for 59 Countries

Feldbegrenzungen

crop-detection.webp

Nutzen Sie eine verlässliche Datenquelle zur Erkennung der weltweit angebauten Kulturpflanzen in jeder Saison. Seit 2017 beinhaltet diese auch Daten zur Fruchtfolge.

### Wir arbeiten mit 13 wichtigen Cash Crops:

Weizen, Mais, Gerste, Sojabohnen, Kartoffeln, Raps, Sonnenblumen, Zuckerrüben, Zuckerrohr, Reis, Baumwolle, Sorghumhirse und Gras.

### Warum OneSoil?

Wir haben Modelle entwickelt, die schnell und effizient in der nördlichen und südlichen Hemisphäre funktionieren und dabei alle regionalen Besonderheiten berücksichtigen. Diese basieren auf einem Ground-Truth-Datensatz, der sich auf Tausende von Feldversuchen stützt, die wir in Zusammenarbeit mit verschiedenen Agrarkonzernen durchgeführt haben. 

Wir arbeiten seit 2017 an der Verbesserung unserer proprietären maschinellen Lernalgorithmen. Dafür haben wir Tausende von Ground-Truth-Datenpunkten gesammelt und für das Training unseres Modells verwendet. 

Unsere Erkennungsgenauigkeit erreicht 
**F1-Werte von 0,92–0,96**.

### Ausgabeformate:
###### GeoJSON,
###### API,
###### GeoServer API, GeoJSON, GeoTIFF, GeoPackage oder tabellarisches Datenformat.

Crop Identification.png

Wir erkennen seit 2017 angebaute Pflanzen anhand von gesammelten Satellitendaten auf der ganzen Welt.

13 Cash Crops
F1-Wert 0,96

Accuracy of crop detection starting from 92%. 12 major crops. Improving since 2017. 

AI-Detected Crops Available Worldwide

Pflanzenerkennung

productivity-zones.webp

Verbessern Sie Ihr Farm-Management-System mit der besten Produktivitätszonenerkennung der Branche, die zuverlässig Feldflächen mit niedrigen, mittleren und hohen Erträgen kennzeichnet. 

Berechnet mit Satellitenbildern der letzten sechs Jahre.
Die Erkennung basiert auf dem NDVI, Gehalt an organischem Material im Boden, Feldrelief und Ertragsdaten.

![productiivity-maps.png](https://os-strapi-assets-devoted-silkworm.s3.eu-central-1.amazonaws.com/productiivity_maps_56316e19db.png)

### Warum OneSoil?
Wir haben jahrelang Felddaten und Satellitenbilder analysiert und sind jetzt in der Lage zu beurteilen, welche Felder für die variable Ausbringungstechnologie geeignet sind. Das ist eine Grundvoraussetzung für die digitale Agronomie und ein unverzichtbarer Schritt, um exakte Bewirtschaftungszonen und Ausbringungskarten für die Feldarbeit zu generieren.

### Ausgabeformate:
###### GeoJSON,
###### API,
###### GeoServer API, GeoJSON, GeoTIFF, GeoPackage oder tabellarisches Datenformat.

Productivity Zones.png

Zonen mit niedriger, mittlerer und hoher Produktivität werden für jedes Feld auf Basis von 6 Jahren Satellitenbeobachtung automatisch berechnet.

Improve your FMS system with best-in-class productivity zones that represent field areas of low, average, and high yield.

OneSoil Productivity Zones

Produktivitätszonen

field-score.webp

Werten Sie die Ergebnisse von Feldversuchen aus und schätzen Sie den Ertrag für die laufende Saison! Der Feldscore ist eine Kennzahl, mit der Sie die Leistung von Feldern, Regionen und Saisons mithilfe des NDVI und anderer Umweltfaktoren miteinander vergleichen können.

### Für Händler
Nutzen Sie den Feldscore für Ertragsvorhersagen in der aktuellen Saison im Vergleich zu einer früheren Saison.

### Für Saatguthersteller
Sie können mehrere Felder miteinander vergleichen und den Feldscore als Beleg für erfolgreiche Feldversuche nutzen. Vergleichen Sie z. B. verschiedene Sorten und präsentieren Sie die Ergebnisse Ihrer Kundschaft in ansprechender Form. 

### Für Düngemittelhersteller
Sie können den Feldscore nutzen, um die Erträge von Feldversuchen zu vergleichen. Gleichzeitig kann der Feldscore als Beleg für die Wirksamkeit Ihres Düngers dienen. 

### Warum OneSoil?
Der Feldscore basiert auf dem normalisierten differenzierten Vegetationsindex (NDVI). Dieser hilft bei der Beurteilung der Menge und Güte der Vegetation auf dem Feld im Laufe einer Vegetationsperiode. 

Seit kurzem kombinieren wir den NDVI mit Wetterindikatoren, um die Genauigkeit der Feldscores weiter zu erhöhen.

### Ausgabeformate:
###### GeoJSON,
###### API,
###### GeoServer API, GeoJSON, GeoTIFF, GeoPackage oder tabellarisches Datenformat.

field-score.png

Ein qualitatives Maß für den Ertrag, der auf dem normalisierten differenzierten Vegetationsindex (NDVI), klimatischen Indikatoren und der relativen Feldproduktivität basiert.

The field score is a metric for comparing the performance of fields, regions, and seasons against one another by utilizing NDVI and environmental factors.

Field Score To Evaluate Field Trial Results And Predict Yield 

Demnächst: Feldscore

cloud-free-ndvi.webp

Erhalten Sie Ihre NDVI-Daten, egal wie das Wetter ist. In einigen Regionen bedecken Wolken den Himmel bis zu 50% der Zeit. Das macht herkömmliche NDVI-Berechnungen unmöglich oder zu ungenau. Mit unserem wolkenunabhängigen (Cloud-Free) NDVI-Algorithmus blicken wir quasi durch die Wolken und können Ihnen deshalb jederzeit und überall genaue Daten liefern.

![cloud-free-compare.webp](https://os-strapi-assets-devoted-silkworm.s3.eu-central-1.amazonaws.com/cloud_free_compare_5d98ebfc0b.webp)

### Warum OneSoil?
**Globale Reichweite**
###### Wir bieten NDVI-Berechnungen für die ganze Welt an. Diese werden alle 3–5 Tage auf Basis neuer Sentinel-2-Bilder aktualisiert. Unsere Daten werden von Menschen in Europa, Nordamerika und Lateinamerika genutzt. 

**Modernste Technologie**
###### Unsere maschinellen Lernalgorithmen analysieren Sentinel-2-Signale und Radardaten, die auf Sentinel-1-Bildern basieren, um die Sichtbarkeit der Vegetation selbst bei starker Bewölkung mit einer Genauigkeit von 95–97% zu verbessern.

### Ausgabeformate:
###### GeoJSON,
###### API,
###### GeoServer API, GeoJSON, GeoTIFF, GeoPackage oder tabellarisches Datenformat.

Cloud-Free NDVI.png

In bestimmten Regionen ist der Himmel bis zu 50% der Zeit bewölkt.

Der wolkenunabhängige NDVI ermöglicht die Überwachung des NDVI auf allen Feldern, egal ob der Himmel bewölkt ist oder nicht.

With the Cloud-Free NDVI algorithm, we can see through the clouds and give you accurate data anytime, anywhere.

Cloud-Free NDVI To Get Your Data Regardless Of Weather Conditions

Demnächst: Wolkenunabhängiger (Cloud-Free) NDVI

sowing-dates.webp

planting-dates.webp

Ein tolles Tool zur Überprüfung der von landwirtschaftlichen Betrieben gemeldeten Praktiken. Unsere Aussaattermine kommen überall dort zum Einsatz, wo das Timing für eine korrekte Bestimmung von CO2-Emissionen entscheidend ist. Denn für genaue Berechnungen muss man wissen, was auf dem Feld wächst und wann es ausgesät wurde. Und das ist jetzt einfacher denn je! 

#### Warum OneSoil?
Durch die Kombination der Signale von zwei Satelliten arbeitet unser Algorithmus unabhängig von den Wetterbedingungen, die zum Zeitpunkt der Feldarbeiten herrschten. 
Auf Basis der öffentlichen Satellitendaten von Sentinel-1 und Sentinel-2 berechnet OneSoil bereits 3 bis 4 Wochen nach der Aussaat das Datum für Feldarbeiten mit einer Genauigkeit von 2 bis 5 Tagen.

#### Ausgabeformate:
###### GeoJSON
###### API
###### GeoServer API, GeoJSON, GeoTIFF, GeoPackage oder tabellarisches Datenformat.

Planting Dates.png

Erkennung von landwirtschaftlichen Praktiken, die von Emissionshandelsstellen in ihrem Bewertungsprozess verwendet werden

4 Wochen nach der Aussaat liegt die Genauigkeit der Berechnungen bei 3 bis 5 Tagen.

Based on open data from the Sentinel-1 and Sentinel-2, OneSoil calculates the dates of field operations as quickly as 3-4 weeks from the planting date.

Planting Dates With An Accuracy Of 2 To 5 Days 

Demnächst: Aussaattermine

tillage-practices.webp

Unser Angebot für Emissionshandelsstellen ermöglicht die satellitengestützte Erkennung von CO2-relevanten Verfahren wie Pflügen, Streifenbodenbearbeitung und Direktsaat. Bleiben Sie dran für Updates zu diesem neuen Datensatz. 

###### If you would like to monitor the launch of this dataset, please [leave a request](https://docs.google.com/forms/d/e/1FAIpQLSdTbvovgLgcFCgGBTKPV8TJ9romOdATTILI_fP0IMwvwEzEiA/viewform).

![tillage-practices-img.webp](https://os-strapi-assets-devoted-silkworm.s3.eu-central-1.amazonaws.com/tillage_practices_img_7ef89be36c.webp)

#### Warum OneSoil?
Wir haben Modelle entwickelt, die schnell und effizient in der nördlichen und südlichen Hemisphäre funktionieren und dabei alle regionalen Besonderheiten berücksichtigen. Diese basieren auf einem Ground-Truth-Datensatz, der sich auf Tausende von Feldversuchen stützt, die wir in Zusammenarbeit mit verschiedenen Agrarkonzernen durchgeführt haben. 
Seit 2017 verbessern sich unsere proprietären maschinellen Lernalgorithmen stetig. 

#### Ausgabeformate:
###### GeoJSON
###### API
###### GeoServer API, GeoJSON, GeoTIFF, GeoPackage oder tabellarisches Datenformat.

Tillage Practices.png

Erkennung von landwirtschaftlichen Praktiken, die von Emissionshandelsstellen in ihrem Bewertungsprozess verwendet werden

Our offering for carbon platforms enables satellite-based recognition of CO2-critical operations such as full-till, strip-till, and no-till. 

Tillage Practices For Carbon Platforms

Demnächst: Erkennung der Bodenbearbeitung

cover-crop-detection.webp

Bisher waren Berichte und Angaben von landwirtschaftlichen Betrieben die wichtigste Informationsquelle zur Nutzung von Zwischenfrüchten. Jetzt steht Ihnen ein praktisches Werkzeug zur Verfügung, mit dem Sie auf Basis von Satellitenbildern diese Angaben zu extrem niedrigen Kosten pro Feld überprüfen können. 

![cover-crop--img.webp](https://os-strapi-assets-devoted-silkworm.s3.eu-central-1.amazonaws.com/cover_crop_img_64389defa3.webp)

#### Warum OneSoil?
Wir haben Modelle entwickelt, die schnell und effizient in der nördlichen und südlichen Hemisphäre funktionieren und dabei alle regionalen Besonderheiten berücksichtigen. Diese basieren auf einem Ground-Truth-Datensatz, der sich auf Tausende von Feldversuchen stützt, die wir in Zusammenarbeit mit verschiedenen Agrarkonzernen durchgeführt haben. 
Seit 2017 verbessern sich unsere proprietären maschinellen Lernalgorithmen stetig. 

#### Ausgabeformate:
###### GeoJSON
###### API
###### GeoServer API, GeoJSON, GeoTIFF, GeoPackage oder tabellarisches Datenformat.

Cover Crop Detection.png

Get a convenient tool to verify farmers’ input at an extremely low cost per field, thanks to satellite imagery analysis.

Cover Crop Detection For Carbon Platforms

Demnächst: Erkennung von Zwischenfruchtbau

Global Analytics Products

OneSoil hat spezifische Lösungen für unterschiedliche Geschäftsanforderungen in der Agrarbranche.

farm-input-companies.webp

Profitables Wachstum in einer zunehmend digitalisierten Agrarwelt erfordert die richtigen Strategien und datengestützte Entscheidungen. OneSoil bietet landwirtschaftlichen Zulieferbetrieben mit seiner Produktpalette wertvolle Erkenntnisse für die strategische Planung. 

Unsere satellitengestützte Analytik ermittelt die bestmöglichen Kosten pro Hektar und ermöglicht eine präzise Einschätzung der Marktchancen. Unsere Suite bietet landwirtschaftlichen Betrieben einen Mehrwert und hilft Ihnen dabei, neue Stammkunden zu gewinnen und die Konkurrenz abzuhängen. 

#### Feldbegrenzungen in Apps und interne Tools integrieren
Optimieren Sie Entwicklungsressourcen und bieten Sie Ihrer Kundschaft ein optimales Erlebnis durch einfaches Onboarding in nativen Apps.
#### Feldbegrenzungen 
#### CPflanzenerkennung
Sie können dieses Tool nutzen, um Marketingaktivitäten auf regionaler Ebene zu planen, vergangene und aktuelle Saisons zu analysieren, Anschaffungen zu planen und Strategien, Marktchancenberichte und Vertriebskarten für Händler und Gebietsleiter in der Region zu erstellen.
#### Produktivitätszonen
Die Integration von variablen Ausbringungszonen in native Farmmanagement-Apps ermöglicht es Ihrer Kundschaft, das volle Potenzial Ihrer Produktpalette auszuschöpfen.

#### Ausgabeformate:
###### GeoJSON
###### API
###### GeoServer API, GeoJSON, GeoTIFF, GeoPackage oder tabellarisches Datenformat.

For Farm Input Companies.png

Our suite contributes to your value-add for farmers, helping you lock in regular customers and push out the competition.

For Farm Input Companies | Global Analytics Solutions

Für landwirtschaftliche Zulieferer: Saatgut, Dünger und Chemikalien

farm-equipment-oems.webp

Hersteller von Landmaschinen bleiben wettbewerbsfähig, wenn sie die Leistung auf dem Feld erhöhen, den Kraftstoffverbrauch senken und den Kundendienst verbessern. Gleichzeitig müssen sie digitale Lösungen für die Konnektivität auf dem Feld und die Präzisionslandwirtschaft anbieten, die auf Bordcomputersystemen basieren. Die Lösungen von OneSoil helfen Anbietern von Landtechnik, landwirtschaftliche Betriebe an ihr System zu binden.
#### Feldbegrenzungen
Erleichtern Sie Ihrer Kundschaft den Start in Ihre digitale Agrarplattform, indem Sie Ihnen das Erkennen und Hinzufügen ihrer Felder erleichtern. Eine Genauigkeit von 5 x 5 m reicht zwar nicht für die Präzisionslandwirtschaft aus, aber sie hilft, Ihre Kundschaft nahtlos in den Prozess einzubinden, denn manuelle Feldbegrenzungen oder das Hochladen von externen Dateien sind damit unnötig.
#### Produktivitätszonen
Unsere erstklassige Produktivitätszonenerkennung basiert auf Satellitenbildern und wird mit proprietären maschinellen Lernalgorithmen berechnet, die die Produktivität der Zonen im Verhältnis zueinander auf der Grundlage von mehrjährigen Sentinel-2-Satellitenbildern für das Feld einschätzen. 

Unsere Modelle werden mit Ground-Truth-Daten, die wir auf mehr als 1 Mio. Hektar Feldfläche gewonnen haben, trainiert und werden kontinuierlich verbessert. 

Wir haben tatsächliche Erträge mit NDVI-Werten in verschiedenen Stadien der Pflanzenentwicklung verglichen, um so Muster für Machine-Learning-Modelle zu erkennen. Unsere Produktivitätszonen zeigen die höchste Korrelation mit tatsächlichen Ertragsdaten im Vergleich zu anderen führenden Anbietern von variablen Ausbringungslösungen:

![compare-productivity.png](https://os-strapi-assets-devoted-silkworm.s3.eu-central-1.amazonaws.com/compare_productivity_39df541258.png)
#### Ausgabeformate:
###### GeoJSON
###### API
###### GeoServer API, GeoJSON, GeoTIFF, GeoPackage oder tabellarisches Datenformat.

For Farm Equipment OEMs.png

OneSoil solutions help farm equipment vendors lock in growers in their eco-systems.

For Farm Equipment OEMs | Global Analytics Solutions

Für Landtechnikhersteller

trading-companies.webp

Erzeuger, Händler und Abnehmer von Getreide und Ölsaaten auf der ganzen Welt müssen ihre Strategien während der Saison an die jeweiligen Ertragserwartungen anpassen. 

Die Lösungen von OneSoil helfen Handelsunternehmen bei der Vorhersage von Erträgen in bestimmten Regionen und liefern wichtige Erkenntnisse zur Entscheidungsfindung im Hinblick auf Preisschwankungen und Produktionsrisiken. 
#### Pflanzenerkennung
Die Erkennung von Kulturpflanzen während der Saison und die Erfassung von Anbauflächen ermöglichen die Erstellung von Ertragsprognosen auf der Grundlage unabhängiger Datenquellen. 

Ein zuverlässiger Datenpartner hilft Ihnen bei der Entwicklung Ihrer Strategie für die Saison und reduziert erheblich Ihr Geschäftsrisiko.
#### Aussaattermine
Unsere Pflanzenerkennung ermöglicht auch eine präzise Bestimmung der Aussaattermine und liefert Einblicke in Ertragserwartungen und Zeitvorhersagen.
#### Feldscore
Relativer Vergleich der Leistung bestimmter Felder, Regionen oder Saisons durch Auswertung des NDVI und klimatischer Indikatoren. 

#### Ausgabeformate:
###### GeoJSON
###### API
###### GeoServer API, GeoJSON, GeoTIFF, GeoPackage oder tabellarisches Datenformat.

For Trading Companies.png

OneSoil solutions for Trading Companies help predict yield in specific regions and provide crucial insights for decision-making.

For Trading Companies | Global Analytics Solutions

Für Händler

carbon-platforms.webp

Sie betreiben eine Plattform, auf der landwirtschaftliche Betriebe Emissionsgutschriften als Gegenleistung für nachhaltigere Anbaumethoden erhalten? Dann benötigen Sie wahrscheinlich hochwertige Daten, um die gemachten Angaben zu überwachen, zu melden und zu bestätigen. 

Landwirtschaftliche Betriebe können zur Speicherung von Kohlenstoff im Boden beitragen und den Ausstoß von Treibhausgasen verringern, indem sie bestimmte Verfahren anwenden. Dazu gehört die Einschränkung der Bodenbearbeitung, der Zwischenfruchtbau und die Begrenzung der Düngermengen. Emissionshandelsstellen müssen mit den richtigen Tools ausgestattet sein, um Emissionsgutschriften herauszugeben, die in der Geschäftswelt sehr gefragt sind. 

Hier schaffen die Lösungen von OneSoil für Emissionshandelsstellen einen echten Mehrwert, denn sie erhöhen die Genauigkeit von Mess-, Berichts- und Prüfaktivitäten.
#### Satellitengestützte Erkennung von Feldbegrenzungen, Ackerflächen, Fruchtfolge, Aussaatterminen, Bodenbearbeitungsverfahren und Zwischenfruchtbau (Demnächst verfügbar)
#### Feldbegrenzungen
Erkennung von Feldbegrenzungen und Anbauflächen, auf denen umweltschonender Landbau betrieben werden soll.
#### Pflanzenerkennung
Bestimmung der Fruchtfolge über die letzten 6 Jahre.
#### Aussaat- und Erntetermine
Automatische Erkennung von Aussaat- und Ernteterminen.
#### Bodenbearbeitung und Zwischenfruchtbau
Analyse des Einsatzes umweltschonender Anbaumethoden.


#### Ausgabeformate:
###### GeoJSON
###### API
###### GeoServer API, GeoJSON, GeoTIFF, GeoPackage oder tabellarisches Datenformat.

For Carbon Platforms.png

Satellite-based recognition of field boundaries and acreage, crop sequence, and seeding dates.

For Carbon Platforms | Global Analytics Solutions

Für Emissionshandelsstellen

financial-institutions.webp

Ernteversicherungen leiden massiv unter Kumulrisiko, subjektivem Risiko und adverser Selektion. Wichtige Daten von landwirtschaftlichen Betrieben lassen sich oft nicht bestätigen und können manipuliert werden, was z. B. zu unrealistischen Ertragsangaben für das versicherte Feld und die versicherte Ernte führt. Die Folge sind überhöhte Versicherungsbeiträge. 

Die maschinellen Lernalgorithmen von OneSoil in Kombination mit Satellitendaten ermöglichen eine Hochrechnung mit zuverlässigen, parametrierbaren und skalierbaren Daten für die spezifische Pflanze, die auf einem bestimmten Feld versichert ist. Das eröffnet völlig neue Möglichkeiten. 

Erst- und Rückversicherer können unsere Daten zur Risiko- und Schadensbeurteilung nutzen: 
◦ Berechnung der Risikokomponente (Risikoübernahme) sowohl für die landwirtschaftliche Einzel- und Mehrgefahrenversicherung 
◦ Erhöhung der Vorhersagegenauigkeit für tatsächlich zu zahlende Entschädigungen, was zu einer Erhöhung der Liquidität im Schadensfall führt 
◦ Bewertung von Hochwasser- oder Dürreschäden sowie Wasserbilanz- und Pflanzenwachstumsmodelle
#### Feldbegrenzungen
Bestimmung der Feldbegrenzungen und der Anbaufläche(n), für die die Versicherung gilt.
#### Pflanzenerkennung
Bestimmung der Fruchtfolge über die letzten 6 Jahre.
#### Aussaat- und Erntetermine
Automatische Erkennung von Aussaat- und Ernteterminen.
#### Feldscore
Relativer Vergleich der Leistung bestimmter Felder, Regionen oder Saisons durch Auswertung des NDVI und klimatischer Indikatoren, die zur Risikobewertung genutzt werden.

#### Ausgabeformate:
###### GeoJSON
###### API
###### GeoServer API, GeoJSON, GeoTIFF, GeoPackage oder tabellarisches Datenformat.

For Financial Institutions.png

OneSoil algorithms combined with satellite data make it possible to project reliable, parameterizable, and scalable data for the crop in a specific field.

OneSoil Global Analytics: Landwirtschaftliche Daten für jede Region