Martin Mittermayer

About the Speaker

LinkedIn-Profil

Berufserfahrung:

Seit 03/2024: Geschäftsführer und Gesellschafter, YieldXperts GmbH, Niederding; Leitung eines Start-ups im Bereich Precision Farming, das wissenschaftliche Erkenntnisse in praxistaugliche Lösungen umsetzt. Entwicklung und Implementierung digitaler Lösungen, die landwirtschaftliche Erträge optimieren und gleichzeitig klimaschädliche Emissionen reduzieren
Seit 12/2022: Postdoc, Lehrstuhl für Ökologischen Landbau und Pflanzenbausysteme, Technische Universität München, Freising; Forschung zu innovativen Ansätzen in der Landwirtschaft mit Fokus auf Precision Farming, Humusmanagement und digitaler Transformation
06/2018 - 11/2022: Doktorand, Lehrstuhl für Ökologischen Landbau und Pflanzenbausysteme, Technische Universität München, Freising; Dissertation: Analysis of site-specific N balances using digital methods in heterogeneous croplands in southern Germany
06/2014 - 04/2016: Programmbetreuer, QAL Umweltgutachter GmbH, Vierkirchen; Koordination und Durchführugug von Zertifizierungsprojekten in den Bereichen Umweltmanagement, Agrarwirtschaft und Ernährung

08/2012 - 04/2013: Praktikum, ALKE E.I.R.L, Lima, Peru; Mitarbeit an Projekten zur Förderung von urbaner Kompostierung und deren landwirtschaftlicher Nutzung in Lima im Rahmen des Bachelorstudium

Wissenschaftliche Projekte:

Aktuelles Projekt:

Weiterentwicklung und Praxiserprobung digitaler Humus- und Nährstoff-Managementsysteme in Zukunftsbetrieben zum Klimaschutz (digiMan)
Förderer: Bundesanstalt für Landwirtschaft und Ernährung
Projektzeitraum: 01.07.2024 – 30.06.2027

Abgeschlossene Projekte:

Bridge to Innovation Grant verliehen durch die Technische Universität München Förderer: Technische Universität München; Projektzeitraum: 01.01.2024 – 31.12.2024
Minderung von Nitratausträgen durch digitales Stickstoffmanagement und sensorgestützte Düngung in der Modellregion Burghausen/Burgkirchen (digisens)
Förderer: Bayerisches Staatsministerium für Ernährung, Landwirtschaft und Forsten
Projektzeitraum: 01.01.2020 – 31.12.2023
Digital basiertes Stickstoffmanagement in landwirtschaftlichen Betrieben – Emissionsminderung durch optimierte Stickstoffkreisläufe und sensorgestützte teilflächenspezifische Düngung
Förderer: Deutsche Bundesstiftung Umwelt (DBU); Projektzeitraum: 01.01.2017 – 31.12.2019

Bildungsweg

06/2018 - 11/2022: Promotion, Lehrstuhl für Ökologischen Landbau und Pflanzenbausysteme, Technische Universität München, Freising
04/2016 - 04/2018: M.Sc. in Nachwachsende Rohstoffe, Technische Universität München, Straubing
10/2010 - 08/2014: B.Sc. in Umweltsicherung, Hochschule Weihenstephan-Triesdorf, Triesdorf
11/2009 – 07/2010: Zivildienst, Malteser Hilfsdienst Erding
09/2007 – 07/2009: Fachhochschulreife, Fachoberschule Schönbrunn-Landshut

Attending

Digital Analysis of the Spatial Variability of Soil and Crop Parameters – A Basis for the Application of Precision Farming Technologies

DLG-Expert Stage Digital Farming

Digital Analysis of the Spatial Variability of Soil and Crop Parameters – A Basis for the Application of Precision Farming Technologies

Tuesday, Nov 11, 2025

3:30 PM - 3:55 PM | Europe/Berlin

Halle 21 | 21C17 - DLG Expert Stage Digital Farming

Sponsor (1)

Bundesanstalt für Landwirtschaft und Ernährung (BLE)

Speaker's Sessions (1)

Sort By

Flip order

Session

DLG-Expert Stage Digital Farming

Tuesday, Nov 11, 2025

3:30 PM - 3:55 PM | Europe/Berlin

Presentation

Halle 21 | 21C17 - DLG Expert Stage Digital Farming

German

Digital Analysis of the Spatial Variability of Soil and Crop Parameters – A Basis for the Application of Precision Farming Technologies

Arable land is characterized by small-scale yield variability, which is primarily caused by differences in soil properties such as texture, carbon and nitrogen content, and nutrient availability. This variability affects not only yields but also environmentally relevant nitrogen emissions, such as nitrate leaching into groundwater. As part of several research projects, including, digiMan innovative algorithms based on satellite data have been developed. These enable precise estimation of yields and nitrogen uptake, as well as the identification of management zones. By integrating agronomically relevant data and applying advanced AI methods, significant progress has been made in improving both the accuracy and practical applicability of the models.