Agroscope, ETH Zürich, Universität Zürich

Fernerkundung erlaubt Schätzung von Erträgen innerhalb von Getreidefeldern

Mit Hilfe von Satellitendaten lässt sich der Ernteertrag sowohl grossräumig wie auch auf individueller Feldebene abschätzen. Dies ist auch in der kleinräumigen Schweizer Landwirtschaft möglich, wie ein Team von ETH und Universität Zürich sowie Agroscope aufzeigt.

Mit Hilfe von Satellitendaten lässt sich die Entwicklung von Pflanzen auf Feldern messen. So wurden Ernteerträge bereits auf grosser Skala, wie den gesamten USA und ganzen Regionen in Australien, abgeschätzt. Dazu wurden zum Beispiel Daten der Landsat-Satelliten der NASA verwendet.

Europäische Satelliten liefern höhere räumliche Auflösung

Wie könnte diese Methode in Gebieten mit kleinräumiger Landwirtschaft wie der Schweiz funktionieren? Dieser und auch anderen Fragen ging das Projekt DeepField nach, in dem Forschende der ETH Zürich, der Universität Zürich und von Agroscope zusammenarbeiteten. Das Projekt wird vom Bundesamt für Landwirtschaft finanziert. Es werden frei zugängliche Daten der Sentinel-2-Satelliten der Europäischen Raumfahrtbehörde ESA verwendet. Diese haben eine räumliche Auflösung von bis zu 10 m und eine Überflugfrequenz von drei bis fünf Tagen, was beides höher ist als bei den Landsat-Satelliten.

Die Messinstrumente der Sentinel-2-Satelliten wurden für Vegetationsmonitoring optimiert und ermöglichen es, das von Pflanzen reflektierte Licht in einer spektralen Signatur aufzuzeichnen. Diese Signatur erlaubt es, Rückschlüsse auf Pflanzenmerkmale, z.B. Biomasse oder Chlorophyllgehalt, zu ziehen, die auch den Stickstoffgehalt der Pflanzen widerspiegeln können. In einer kürzlich publizierten Studie zeigt das Team, dass die Modellierung von Ernteerträgen innerhalb von Getreidefeldern mit der 10-m-Auflösung in den kleinräumigen Flächen der Schweizer Landwirtschaft möglich ist. Die Methode wurde auf einem für Schweizer Verhältnisse grossen Betrieb in Witzwil (BE) getestet, wo die Ertragskarte des modernen Mähdreschers als Modell-Trainingsdaten genutzt werden konnte

Einfacheres Datenhandling dank künstlicher Intelligenz

Das Forschungsteam hat vier Modellierungsmethoden verglichen: drei relativ häufig verwendete Methoden und ein relativ neuer Ansatz, der auf künstlicher Intelligenz (KI), d. h. neuronalen Netzwerken basiert. Dabei zeigte sich, dass die KI-Methode selbständig bewölkte und unbewölkte Datenpunkte aus den Satellitenbildern aussortieren kann, was die Vorverarbeitung der Messdaten stark vereinfacht und so verkürzt.

Gemäss den Autoren zeigt diese Studie, dass die Modellierung von Ernteerträgen mittels Satellitendaten der ESA und bestehenden Methoden sowie KI funktioniert. Damit die Methode in der Praxis eingesetzt werden kann, bräuchte es nun mehr und auch schweizweit verteilte Ertragskarten, mit denen die Modelle breiter kalibriert und abgestützt werden können.

Einsatzmöglichkeiten: Ertragsprognosen, Präzisionslandwirtschaft, Umweltmonitoring

Die kleinräumige Modellierung und die Prognose von Erntemengen kann zum einen dazu dienen, frühzeitig die Ernährungssicherheit der Schweiz abzuschätzen und sowohl schweizweite, als auch betriebsspezifische Ertragspotentialkarten zu erstellen. Landwirtschaftsbetriebe könnten solche Resultate nutzen, um die Düngung, die Saatdichte oder andere Anbaustrategien zu optimieren und etwaige Umweltbelastungen zu erkennen und folgend zu reduzieren.

Fazit

  • Mit Hilfe von frei zugänglichen Satellitendaten der Europäischen Raumfahrtbehörde könnten zukünftig Erntemengen auf Feldern im kleinräumigen Kontext der Schweiz abgeschätzt werden.
  • Neuronale Netzwerke eignen sich zur Abschätzung der Erntemengen, da sie gleich gut wie bestehende Modelle funktionieren, aber den Vorteil haben, dass sie selbständig unbrauchbare Daten herausfiltern können und so die Datenverarbeitung erleichtern.
  • Für den schweizweiten Einsatz muss die Methode zuerst grossflächiger kalibriert werden. Dafür braucht es mehrjährige Ertragskarten auch aus anderen Regionen der Schweiz.
  • Die Methode eignet sich zur Anwendung im Kontext des Agrarumweltmonitorings und zur Abschätzung der Ernährungssicherheit wie auch für die Präzisionslandwirtschaft in der Praxis, z.B. als Grundlage für die standortgerechte Düngung.
Zum kompletten Archiv