Fernerkundungsbasierte Vegetationsindizes revolutionieren die Kartoffelertragsprognose

Die Kartoffel zählt zu den wichtigsten Nahrungsmitteln weltweit und ist ein Grundnahrungsmittel für Millionen von Menschen. Das Wissen um das Wachstum von Kartoffelpflanzen und die Fähigkeit, ihren Ertrag vorherzusagen, hilft Landwirten, Bewässerung, Düngung und Schädlingsbekämpfung effektiver zu gestalten.

Zweitens können Lebensmittelverarbeiter und Lagerbetriebe Logistik und Personaleinsatz besser planen, wenn ihnen verlässliche Ertragsschätzungen vorliegen. Traditionelle Methoden – wie das manuelle Abgehen der Felder und Messen der Pflanzen – sind jedoch zeitaufwändig und fehleranfällig.

Deshalb haben sich Wissenschaftler der Fernerkundung zugewandt, bei der Kameras und Sensoren auf Satelliten, Drohnen oder Handgeräten zum Einsatz kommen, um das Kartoffelwachstum zu überwachen und den Ertrag schneller und genauer vorherzusagen.

Kartoffelertragsprognosen verstehen

In den letzten zwei Jahrzehnten ist das Interesse an der Anwendung von Fernerkundung in der Kartoffelforschung deutlich gestiegen. Eine systematische Übersichtsarbeit identifizierte 79 Studien zu diesem Thema, die zwischen 2000 und 2022 veröffentlicht wurden, von ursprünglich 482 gesichteten Artikeln.

Um Transparenz und Reproduzierbarkeit zu gewährleisten, folgten die Autoren etablierten Richtlinien (Kitchenham & Charters 2007; PRISMA-Rahmenwerk) und durchsuchten acht große Datenbanken – Google Scholar, ScienceDirect, Scopus, Web of Science, IEEE Xplore, MDPI, Taylor & Francis und SpringerLink – mit Begriffen wie “Kartoffelertragsvorhersage” UND “Fernerkundung”.”

Folglich wurden nur englischsprachige Originalstudien berücksichtigt, die Fernerkundungsdaten zur Wachstumsüberwachung oder Ertragsschätzung nutzten. Darüber hinaus wurden die Daten aus jeder ausgewählten Studie anhand von vier zentralen Fragestellungen extrahiert:

• Welche Sensorplattform wurde verwendet (Satellit, UAV oder bodengestützt)?
• Welche Vegetationsindizes oder spektralen Merkmale wurden ausgewertet?
• Welche Pflanzenmerkmale wurden überwacht (Biomasse, Blattfläche, Chlorophyll, Stickstoff)?
• Wie genau lässt sich der endgültige Knollenertrag vorhersagen (Bestimmtheitsmaß, R²)?

Mithilfe dieser Fragen konnten die Gutachter den aktuellen Stand der Forschung abbilden und Lücken identifizieren, auf die sich zukünftige Forschung konzentrieren könnte.

Fernerkundungsplattformen und Vegetationsindizes

Forscher haben drei Haupttypen von Fernerkundungsplattformen eingesetzt, von denen jede ihre eigenen Vor- und Nachteile hat. Optische Satelliten wie Sentinel-2 (10 m räumliche Auflösung, 5-tägige Wiederholungsrate) und Landsat 5–8 (30 m, 16-tägige Wiederholungsrate) bieten eine große Abdeckung und oft kostenlosen Datenzugang.

Zweitens ermöglichen Satelliten wie MODIS/TERRA/Aqua (250–1000 m, tägliche bis zweitägige Wiederholung) und kommerzielle Systeme wie PlanetScope (3 m, täglich, Kosten von etwa $218 pro 100 km²) eine häufigere oder höher auflösende Überwachung, wobei die Kosten ein Faktor sein können.

Drittens bieten unbemannte Luftfahrzeuge (UAVs), die mit Multispektral- oder Hyperspektralkameras ausgestattet sind, eine sehr hohe Auflösung (bis zu wenigen Zentimetern pro Pixel) und können nach Bedarf eingesetzt werden, decken aber kleinere Gebiete ab und erfordern einen höheren logistischen Aufwand.

Schließlich liefern bodengestützte Sensoren – wie etwa handgeführte NDVI-Messgeräte und SPAD-Chlorophyllmessgeräte – punktuelle Messungen, die zwar sehr präzise sind, aber bei der Anwendung auf großen Feldern zeitintensiv sind.

Vegetationsindizes (VIs) übersetzen Rohreflexionswerte in aussagekräftige Schätzwerte für Pflanzenmerkmale. Zu den gebräuchlichsten Indizes in Kartoffelstudien gehören:

• NDVI (Normalisierter Differenzvegetationsindex): (NIR – Rot) / (NIR + Rot)
• GNDVI (Grüner NDVI): (NIR – Grün) / (NIR + Grün)
• NDRE (Normalisierte Differenz Rotkante): (NIR – Rotkante) / (NIR + Rotkante)
• OSAVI (Optimierter bodenkorrigierter Vegetationsindex): 1,16 × (NIR – Rot) / (NIR + Rot + 0,16)
• EVI (Enhanced Vegetation Index), CIred‐edge, CIgreen und mehr. .

Diese Indizes werden aufgrund ihrer Sensitivität gegenüber Kronenbedeckung, Chlorophyllgehalt und Bodenbeschaffenheit ausgewählt. Folglich dienen sie als Grundlage für die Beurteilung des Pflanzenzustands und die Ertragsprognose.

Kartoffelwachstumsüberwachung und Ertragsprognose

Mithilfe von Fernerkundung überwachen die Forscher wichtige Merkmale der Kartoffelpflanze – oberirdische Biomasse (AGB), Blattflächenindex (LAI), Chlorophyllgehalt des Pflanzenbestands (CCC) und Stickstoffstatus der Blätter – und setzen diese dann in Beziehung zum endgültigen Knollenertrag.

Erstens kann die Schätzung der oberirdischen Biomasse (AGB) allein anhand von Vegetationsindizes (VIs) bei dichter Kronenbedeckung schwierig sein, da viele Indizes gesättigt sind; daher verbessert die Kombination von VIs mit Pflanzenhöhen- oder Texturmerkmalen in Modellen des maschinellen Lernens oft die Genauigkeit.

Zweitens wurden bei der Bewertung des LAI – der gesamten einseitigen Blattfläche pro Bodenfläche – R²-Werte von bis zu 0,84 durch die Verwendung von Zeitreihendaten sowohl von UAV-Hyperspektralsensoren als auch von Satelliten-Multispektralsensoren erreicht.

Drittens erreichten die aus Indizes wie CIred‐edge, CIgreen, TCARI/OSAVI und TCARI + OSAVI abgeleiteten CCC-Schätzungen während des vegetativen Stadiums einen R²-Wert von ≈ 0,85, was auf eine starke Korrelation mit dem im Labor gemessenen Chlorophyll hinweist.

Schließlich wurde der Stickstoffstatus der Blätter, der für ein gesundes Wachstum unerlässlich ist, mit einem R²-Wert zwischen 0,52 und 0,95 vorhergesagt, wenn bodengestützte Sensoren in Kombination mit Regressions- oder Random-Forest-Modellen verwendet wurden.

Bei der Vorhersage des Knollenertrags stechen zwei Hauptmodellierungsansätze hervor:

Empirische Regressionsmodelle: Hierbei wird ein einzelner Vegetationsindex – meist NDVI, GNDVI oder NDRE – an die tatsächlichen Ertragsdaten angepasst. Die berichteten R²-Werte für NDVI vs. Ertrag liegen zwischen 0,23 und 0,84 (Median ≈ 0,67), während die Korrelationen zwischen NDRE und Ertrag zwischen 0,12 und 0,85 (Median ≈ 0,61) liegen.

Modelle des maschinellen Lernens: Dazu gehören Random Forest, Support Vector Machines und neuronale Netze, die verschiedene Vegetationsindizes, Spektralbänder und nicht-spektrale Faktoren wie Wetter, Bodenbeschaffenheit und Bewirtschaftung kombinieren. In einigen Studien wurde mit solchen Modellen ein Bestimmtheitsmaß (R²) von bis zu 0,93 erreicht.

Darüber hinaus beeinflusst der Zeitpunkt der Datenerhebung die Vorhersagegenauigkeit erheblich. In mehreren Studien ergaben VI-Messungen, die 36–55 Tage nach der Pflanzung (DAP) durchgeführt wurden, die höchsten Korrelationen mit dem endgültigen Knollenertrag.

Dieses Stadium fällt mit der maximalen Bodenbedeckung und dem Beginn der Knollenbildung zusammen, wodurch die Pflanzenstruktur den späteren Ertrag am besten widerspiegelt. Einige der wichtigsten ermittelten statistischen Daten:

• Von 482 identifizierten Studien erfüllten 79 (2000–2022) die Bewertungskriterien.
• Schwerpunkte: Ertragsprognose (37 %), Blatt-N-Status (21 %), AGB (15 %), LAI (15 %), CCC (12 %).
• Am häufigsten genutzte Satellitenplattformen: Sentinel‐2, Landsat, MODIS; kommerziell: PlanetScope.
• R²-Bereiche: NDVI–Ertrag (0,23–0,84), NDRE–Ertrag (0,12–0,85), GNDVI–Ertrag (0,26–0,75).

Empfehlungen zur Kartoffelertragsprognose

Auf Grundlage dieser Erkenntnisse sollten Anwender zunächst die für ihre Ziele geeignete Plattform auswählen. Für regionale Ertragsprognosen bieten kostenlose Sentinel-2-Daten eine zuverlässige Abdeckung mit einer Auflösung von 10 m und einem Wiederholungsrhythmus von 5 Tagen.

Um lokale Schätzungen zu verfeinern, erfassen UAV-Flüge, die etwa 36–55 Tage nach der Pflanzung geplant sind, wichtige Bestandsdynamiken und verbessern die Kalibrierung von Satellitenmodellen. Bodensensoren eignen sich am besten für Stichproben und zur Kalibrierung von Fernerkundungsbeobachtungen, insbesondere bei der Kombination von Spektraldaten mit Feldmessungen.

Bei den Vegetationsindizes sollten Anwender NDVI, NDRE und CI _-Rotrand für die Vorhersage des Endertrags priorisieren, da diese durchweg starke Korrelationen aufweisen.

Bei der Schätzung des Chlorophyll- und Stickstoffgehalts liefert die Kombination von Rotrandindizes mit bodenkorrigierten Vegetationsindizes – wie beispielsweise TCARI/OSAVI – die genauesten Ergebnisse. Für die Biomassebestimmung erhöht die Integration von Vegetationsindizes mit Pflanzenhöhen- oder Texturmerkmalen in maschinelle Lernverfahren die Genauigkeit zusätzlich.

Was die Modellierung betrifft, so sind einfache lineare oder nichtlineare Regressionen mit einem einzelnen Index effektiv, wenn nur wenige Referenzdaten vorliegen. Sind jedoch mehrere Indizes und zusätzliche Daten (Wetter, Boden, Bewirtschaftung) verfügbar, bieten maschinelle Lernverfahren wie Random Forest oder neuronale Netze überlegene Ergebnisse. Entscheidend ist, dass die Bildaufnahmen etwa 36–55 Tage nach der Pflanzung erfolgen, da in diesem Zeitraum die höchste Vorhersagegenauigkeit erzielt wird.

Schlussfolgerung

Zusammenfassend bietet die Fernerkundung ein schnelles, flexibles und präzises Instrumentarium zur Überwachung des Kartoffelwachstums und zur Vorhersage des Knollenertrags. Durch die Wahl der geeigneten Plattform, die Auswahl der aussagekräftigsten Vegetationsindizes, die zeitliche Abstimmung der Datenerfassung auf den Zeitraum zwischen 36 und 55 Tagen nach der Pflanzung (DAP) und die Anwendung geeigneter Modellierungstechniken können Forscher und Praktiker die Ertragsprognosen deutlich verbessern.

Dieser Ansatz spart nicht nur Zeit, sondern unterstützt auch intelligentere Managemententscheidungen, was letztendlich Landwirten, Agronomen und der gesamten Kartoffellieferkette zugutekommt.

Referenz: Mukiibi, A., Machakaire, ATB, Franke, AC. et al. Eine systematische Übersicht über Vegetationsindizes zur Überwachung des Kartoffelwachstums und zur Vorhersage des Knollenertrags mittels Fernerkundung. Kartoffelres. 68, 409–448 (2025). https://doi.org/10.1007/s11540-024-09748-7