Ackerschlag zwischen Kaiserslautern und Alzey, 250 m ü. NN 13,1 ha Wintergerste KWS Faro, gesAet am 24.9.2024 Photo-Date: 2025-05-12, 12:45 h MEZ
📘 Agrardaten:
Schlüsselressource für nachhaltige, produktive Agrar- und Ernährungssysteme
👤 Autor:
Dr. Matthias Nachtmann, in Kooperation mit Friends of Digital Farming
🌱 Was bietet dieses Kapitel?
Dieses Kapitel führt praxisnah in das Thema Ertragsprognosen ein – von den zugrundeliegenden Datenarten über Modellierungsansätze bis hin zur Anwendung im Entscheidungsprozess. Anhand konkreter Felddaten und globaler Quellen wird gezeigt, wie moderne digitale Werkzeuge eingesetzt werden können, um fundierte agronomische, wirtschaftliche und politische Entscheidungen zu ermöglichen.
🧭 Inhalte im Überblick:
1. Einordnung & Relevanz
Ertragsprognosen verbinden Agronomie, Datenwissenschaft und digitale Technologien. Sie ermöglichen eine genauere Planung, sichern wirtschaftliche Entscheidungen ab und werden zunehmend für Logistik, Versicherung und Klimaanpassung genutzt.
2. Digitale Felddaten & Scouting
Das Beispiel des Felds 'Waldacker' zeigt den Vergleich physischer und digitaler Bonituren. Erfasst werden u. a. Wachstumsstadien, Sorten, Saatzeitpunkt, Krankheiten, Wetter und Bodeninformationen. Die Datenintegration erfolgt über digitale Entscheidungssysteme (DSS).
3. Modellierung & Methodik
Ziel ist es, den Ertrag pro Fläche vorherzusagen, indem Einflussfaktoren wie Sorte, Wasser, Nährstoffe, Krankheiten und Standortdaten modelliert werden. Verwendet werden Regressionsmodelle, Entscheidungsbäume, neuronale Netze und Computer Vision.
4. Praxisbeispiele & globale Datenquellen
Anwendungsbeispiele reichen von globalen Versorgungsbilanzen (FAO, USDA) bis hin zu präzisen Satellitenbildern (Sentinel) und Farmmanagementdaten. Der 'Yield Gap Atlas' vergleicht potenzielle und tatsächliche Erträge. Die Ertragslücke wird als betriebliche und politische Steuerungsgröße genutzt.
5. Wirtschaftliche Bedeutung
Globale Weizenpreise reagieren empfindlich auf Prognosen. Betriebliche Deckungsbeiträge und Versicherungsmodelle hängen davon ab. Je nach Anwendungsfall (z. B. Düngung, Hagerisiko, Logistik) unterscheiden sich Anforderungen an räumliche und zeitliche Auflösung.
6. Datenquellen & Aufbereitung
Verwendet werden Feldmaschinen-, Wetter-, Sentinel- und DSS-Daten. Die Datenaufbereitung erfolgt durch Lückenfüllung, Normalisierung, Kategorisierung und Auswahl geeigneter Auflösungen. Datentaxonomien (z. B. Fraunhofer IESE) helfen bei der Systematisierung.
7. Anwendungen & Technologien
Technologien wie der 'Smart Sprayer' nutzen KI zur gezielten Unkrauterkennung. Projekte wie das Yield-Konsortium (ESA, DFKI, Munich Re, John Deere, BASF) zeigen, wie multinationale Daten- und Modellintegration zu präzisen Entscheidungen führen können. Anforderungen variieren je nach Automatisierungsgrad.
🧑🎓 Zielgruppe & Nutzen
Studierende, die verstehen wollen, wie Agrardaten zur Vorhersage von Erträgen genutzt werden können.
Beratende, Entwickler:innen und Entscheidungsträger:innen mit Interesse an datenbasierter Planung in der Landwirtschaft.