Florian Männer

Florian Männer hat zwei Bachelorabschlüsse an der Technischen Universität München, von denen einer im Fachbereich Berufliche Bildung (B.Ed.) für Agrarwirtschaft und Mathematik und der zweite im Fachbereich Agrar- und Gartenbauwissenschaften (B.Sc.) erworben wurde. An der Universität Hohenheim absolvierte er den M.Sc in den Agrarwissenschaften mit Schwerpunkt Pflanzenproduktionssysteme.

Aktuell ist er Doktorand an der Universität Bonn im Bereich hyperspektrale Fernerkundung für die Futtervegetations- und Degradationsanalyse von Savannenökosystemen in Namibia.

Seit 2022 ist er Project Head und Product Owner am Fraunhofer IGD in Rostock und repräsentiert die Arbeitsgruppe Crop der Abteilung Smart Farming. Seine Forschungsinteressen umfassen die Nah- und Fernerkundungstechnologien von der bodennahen Roboter- oder Traktorplattform, über die Drohnen- bis hin zur Satelliten-Bildgebung im Ackerbau, Grünland und Mooren. Methodisch beschäftigt er sich mit RGB-, Multi- und Hyperspektralsensorik, 2- und 3-dimensionaler Bildgebung, mit Machine Learning.

• Acker- und Grünland
• Grünlandforschung
• Krankheits- u. Stresserkennung in der Erdbeere

• Arterkennung aus Drohnenbildern mittels Neuronalen Netzen zum Biodiversitäts- und Bestandsmonitoring im Grünland, bzw. Unkrauterkennung im Ackerbau
• Biomasse- und Futterqualitätsbestimmung aus 3D-Punktwolken und Hyperspektraldaten zur Unterstützung des Grünland- und Weidemanagements
• Krankheits-, Schädlings und Wildschadenerkennung durch RGB, Multi- und Hyperspektraldaten aus uni- oder multitemporalen Aufnahmen.
• Satellitenbasierte Analysen von Bestandsentwicklungen im Acker-, Grün- und Moorlandschaften.
• Züchtungsbonituren aus Drohnenbildern und Roboter-Kameras zur Erfassung von Biomasseentwicklung, Pflanzenhöhen, Blütezeitpunkte und Ertragsschätzungen in der praktischen Pflanzenzucht
• Unkrauterkennung hinsichtlich Arten und Entwicklungsstadien zum optimalen und ressourcenschonenden, integrierten Pflanzenschutz mittels boden- und luftbasierten multispektralen Bildaufnahmen und Machine Learning Algorithmen
• Moorüberwachung durch multimodale Sensordaten aus Kamerabildern, Boden- und Klima-Sensorik für die Abschätzung der Kohlenstoffspeicherung, Biodiversitätsentwicklung und des Wasserstands
• Qualitätsanalytik von Erntegut in der Vor- und Nachernte-Prozesskette durch Machine Learnig Analytik multi- und hyperspektraler Bilddaten des Pflanzenmaterials