Kategorie: Fernerkundung

Fernerkundungstechnologien haben die Art und Weise, wie wir die Biomasse der Landoberfläche unseres Planeten messen, überwachen und bewirtschaften, grundlegend verändert. Die mithilfe von Fernerkundung berechnete Landbiomasse ist längst kein Forschungsgebiet mehr, das auf Universitätslabore beschränkt ist – sie ist heute ein unverzichtbares Instrument für Regierungen, Forstbehörden, Agrarwissenschaftler und Klimaforscher weltweit.

Allein der Markt für Fernerkundung in der Landwirtschaft wurde mit folgendem Wert bewertet: $3,8 Milliarden im Jahr 2025 und soll voraussichtlich anwachsen auf $9,6 Milliarden bis 2034 bei einem CAGR von 10,9%, Laut einem Branchenbericht von Dataintelo aus dem Jahr 2026 wird ein wesentlicher Teil dieses Wachstums durch die Nachfrage nach zuverlässigen Biomasse-Daten zur Unterstützung der CO2-Bilanzierung, der Präzisionslandwirtschaft und der Umweltüberwachung getrieben.

Was ist Landbiomasse?

Die Landbiomasse (die gesamte Trockenmasse allen organischen Materials in einem definierten Gebiet) wird in metrischen Einheiten wie z. B. gemessen. Tonnen pro Hektar (t/ha) oder Megagramm pro Hektar (Mg/ha), wobei 1 Mg einer Tonne entspricht. Es repräsentiert das akkumulierte Produkt der Photosynthese – den Kohlenstoff, den Pflanzen, Bäume und andere Organismen aus der Atmosphäre aufgenommen und in physische Materie umgewandelt haben.

Es ist einer der aussagekräftigsten Indikatoren für die Gesundheit von Ökosystemen, die Kohlenstoffspeicherung und die Produktivität von Nutzpflanzen, doch die traditionellen bodengestützten Messmethoden waren lange Zeit zu langsam, zu kostspielig und räumlich zu begrenzt, um den Anforderungen des modernen Landmanagements gerecht zu werden.

Oberirdische Biomasse (AGB) und unterirdische Biomasse (BGB)

Wissenschaftler unterteilen Biomasse in zwei Hauptkategorien. Die oberirdische Biomasse (AGB) umfasst alles, was über der Bodenoberfläche wächst – Stämme, Äste, Blätter und stehendes Totholz. Die unterirdische Biomasse (BGB) umfasst Wurzelsysteme und anderes organisches Material im Untergrund. In den meisten Waldökosystemen macht die BGB etwa … aus. 20–30% der Gesamtbiomasse, und ihre Messung ist nach wie vor weitaus schwieriger als die Schätzung der oberirdischen Biomasse.

Biomasse wird außerdem in lebende Biomasse (aktiv wachsendes, metabolisch aktives Pflanzenmaterial) und tote Biomasse (stehendes oder liegendes Totholz, trockenes Streu) unterteilt. Beide Arten speichern Kohlenstoff und tragen zum gesamten Kohlenstoffspeicher einer Landschaft bei, reagieren aber unterschiedlich auf Feuer, Krankheiten und Managementmaßnahmen.

Als Umweltindikator nimmt die Biomasse eine einzigartige Stellung ein. Hohe Biomassewerte deuten auf produktive, gesunde Ökosysteme mit hohem Kohlenstoffspeicherpotenzial hin. Sinkende Biomassewerte weisen hingegen auf Entwaldung, Dürrestress, Bodendegradation oder Übernutzung hin. Für Landwirte korreliert die oberirdische Biomasse direkt mit dem potenziellen Getreideertrag und ist somit eine der praktischsten Kennzahlen in der Präzisionslandwirtschaft.

Warum sollte man die Landbiomasse mithilfe von Fernerkundung berechnen?

Die traditionelle Biomassebestimmung basiert auf Feldmessungen: Forscher ernten Probeflächen, trocknen das Pflanzenmaterial in Öfen und wiegen es, um die Trockenmasse pro Flächeneinheit zu ermitteln. Dieses destruktive und arbeitsintensive Verfahren funktioniert zwar im Parzellenmaßstab, ist aber völlig unpraktisch, wenn Biomassedaten für einen Nationalwald, ein Flussbecken oder eine kontinentale Agrarzone benötigt werden. Wesentliche Einschränkungen bodengestützter Felduntersuchungen

1. Die räumliche Abdeckung ist stark eingeschränkt. Ein Feldteam kann die Biomasse realistischerweise auf einigen Dutzend Parzellen pro Saison messen. Ein Satellit erfasst Millionen von Hektar in einem einzigen Überflug, wodurch eine Überwachung im Landschaftsmaßstab ohne Fernerkundung unmöglich ist.

2. Felduntersuchungen sind teuer und zeitaufwendig. Der Einsatz von geschultem Personal in abgelegenen Wäldern oder in weitläufigen Agrarlandschaften erfordert erhebliche Budgets, logistische Koordination und Zeit – allesamt Faktoren, die sich mit zunehmender Größe der Untersuchungsgebiete nur schwer skalieren lassen.

3. Destruktive Probenahme schädigt das Ökosystem. Die Ernte von Parzellen zur Bestimmung der Biomasse zerstört die Vegetation, die untersucht wird, was mit langfristigen Überwachungsprogrammen, die wiederholte Messungen am selben Ort erfordern, unvereinbar ist.

4. Die zeitliche Frequenz ist zu niedrig. Feldteams untersuchen ein Gebiet in der Regel bestenfalls einmal im Jahr. Satelliten können denselben Ort alle paar Tage erneut anfliegen und ermöglichen so die kontinuierliche Überwachung saisonaler Biomasseveränderungen sowie schnelle Reaktionen auf Ereignisse wie Brände oder Dürre.

Fernerkundung behebt all diese Einschränkungen gleichzeitig. Ein einzelnes Bild des Sentinel-2-Satelliten umfasst 290 km² pro Szene bei räumliche Auflösung von 10 Metern, Sie liefern wiederholbare, flächendeckende Vegetationsdaten ohne zusätzliche Kosten pro Hektar. Die Anwendungsbereiche, die auf präzisen Daten zur Landbiomasse basieren, sind vielfältig:

• CO2-Bilanzierung und REDD+: Internationale Klimarahmenwerke benötigen verifizierte Schätzungen der Kohlenstoffspeicher in Wäldern. Fernerkundungsbasierte Biomassekarten bieten die räumliche Abdeckung und Aktualisierungsfrequenz, die nationale Waldinventuren allein nicht erreichen können.
• Landwirtschaftliche Überwachung: Die Biomasse der Nutzpflanzen in verschiedenen Wachstumsstadien sagt den Endertrag voraus, liefert Informationen für die Bewässerungsplanung und signalisiert frühzeitig Stressfaktoren, bevor es zu Produktivitätseinbußen kommt.
• Forstwirtschaft: Holzvolumen, Brennstoffmenge für das Waldbrandrisiko und die Bewertung der Biodiversität hängen allesamt von zuverlässigen Biomasseabschätzungen in großen Waldgebieten ab.
• Umweltmanagement: Die Überwachung der Bodendegradation, die Bewertung von Feuchtgebieten und die Erkennung invasiver Arten nutzen alle die Veränderung der Biomasse als primäres Signal.

Wie Fernerkundung die Landbiomasse misst: Die physikalischen Grundlagen

Jedes Fernerkundungssystem – ob optischer Satellit, Radar oder Laser – erfasst Informationen über Vegetation, indem es misst, wie elektromagnetische Energie mit Pflanzenmaterial interagiert. Das Verständnis dieser Wechselwirkung ist der Schlüssel dazu, warum Fernerkundung überhaupt Biomasse schätzen kann.

Pflanzen reflektieren, absorbieren und transmittieren elektromagnetische Strahlung unterschiedlich, abhängig von ihrer inneren Chemie, ihrem Wassergehalt, ihrer Blattstruktur und dem Aufbau ihrer Baumkrone. Chlorophyll (der grüne Farbstoff, der die Photosynthese antreibt) absorbiert rote und blaue Wellenlängen stark, während es grüne und nahinfrarote Strahlung reflektiert.

Gesunde, dichte Vegetation weist daher ein charakteristisches Spektralmuster auf: geringe Reflexion im roten Bereich, hohe Reflexion im nahen Infrarotbereich. Dieses Muster – die sogenannte spektrale Signatur – ist aus dem Weltraum messbar, und seine Intensität korreliert mit der Menge an Pflanzenmaterial pro Flächeneinheit.

Von Spektralsignalen zu Biomassewerten

Sensoren erfassen die spektrale Signatur und berechnen Vegetationsindizes (mathematische Verhältnisse, die die Stärke des Vegetationssignals in einem Bild quantifizieren). Diese Indizes werden anschließend mithilfe statistischer Modelle oder maschineller Lernverfahren, die anhand von im Feld erhobenen Biomassemessungen kalibriert werden, mit der Biomasse verknüpft. Das Ergebnis ist eine räumlich kontinuierliche Biomassekarte – jedem Pixel im Bild wird ein vorhergesagter Biomassewert zugeordnet.

Der Datenverarbeitungsablauf folgt einer klaren Abfolge. Rohsatellitendaten weisen geometrische Verzerrungen und atmosphärische Störungen auf. Die Vorverarbeitung korrigiert diese Fehler. Vegetationsindizes werden aus den korrigierten Bildern berechnet. Im Feld gemessene Biomasseproben dienen als Referenzwerte für die Modellkalibrierung. Das validierte Modell wird anschließend auf die gesamte Bildfläche angewendet, um eine endgültige Biomassekarte zu erstellen.

Neben der spektralen Reflexion liefern weitere physikalische Signale Informationen zur Biomasse. Die Kronenhöhe – wie hoch die Vegetation steht – ist ein aussagekräftiger Indikator für die oberirdische Biomasse (AGB). Die Pflanzendichte (Anzahl der Stängel pro Hektar) bestimmt, wie viel Licht absorbiert wird. Die Oberflächenrauigkeit (erfasst durch Radar) spiegelt die strukturelle Komplexität der Baumkrone wider. Sensoren, die diese Strukturmerkmale anstatt nur die Reflexion messen, liefern oft genauere Biomassebestimmungen.

Arten der Fernerkundung zur Biomasseabschätzung

Kein einzelner Sensor dominiert die Biomassebestimmung in allen Ökosystemen und Maßstäben. Wissenschaftler und Praktiker kombinieren verschiedene Sensortypen je nach Zielvegetation, Budget, erforderlicher Genauigkeit und geografischer Abdeckung.

Die präzisesten Biomassekarten werden heute nicht mehr aus Daten eines einzelnen Sensors erstellt, sondern aus der intelligenten Fusion von optischen, Radar- und LiDAR-Daten – wobei jedes System die blinden Flecken der anderen ausfüllt.

1. Optische Satellitenbilder: Multispektral und Hyperspektral

Optische Sensoren erfassen reflektiertes Sonnenlicht in diskreten Spektralbändern, typischerweise im sichtbaren Bereich (Blau, Grün, Rot) und im nahen Infrarot (NIR). Multispektrale Bilddaten (aus 4–10 Spektralbändern) bilden das Rückgrat der meisten operationellen Biomasse-Kartierungsprogramme weltweit, vor allem dank der kostenlosen und kontinuierlichen Datenströme der Sentinel-2- und Landsat-Missionen.

Hyperspektrale Bildgebung (Daten aus Hunderten schmaler, aneinandergrenzender Spektralbänder) liefert wesentlich feinere spektrale Details. Sie ermöglicht die Auflösung von Pflanzenpigmenten, Wassergehalt und Blattchemie auf einem Niveau, das mit multispektralen Sensoren nicht erreicht werden kann.

Dadurch eignet es sich besonders gut zur Erkennung geringfügiger Unterschiede in der Biomasse-Dichte zwischen Grasland und landwirtschaftlichen Flächen. Die größte Einschränkung hyperspektraler Bildgebung ist die Wolkenbedeckung: Optische Sensoren können nicht durch Wolken hindurchsehen, was in feuchten Tropenregionen, wo die Biomassebestimmung besonders wichtig ist, zu erheblichen Datenlücken führt.

Gängige Satelliten für die optische Biomassekartierung sind Landsat 8/9 (30-Meter-Auflösung, 16-tägige Wiederholungsrate), Sentinel-2 (10-Meter-Auflösung, 5-tägige Wiederholungsrate) und PlanetScope (3-Meter-Auflösung, tägliche Wiederholungsrate für kommerzielle Anwendungen).

2. Radar (SAR): Durch Wolken und in Baumkronen sehen

Synthetic Aperture Radar (SAR) – ein System, das Mikrowellenimpulse aussendet und die von der Erdoberfläche reflektierte Energie misst – löst das Problem der Wolkenbedeckung vollständig. Mikrowellenenergie durchdringt Wolken und Dunst ungehindert, wodurch SAR zum bevorzugten Sensor für die Überwachung tropischer Wälder wird, wo anhaltende Wolkenbedeckung optische Bildgebung nahezu unbrauchbar macht.

SAR-Signale dringen auch in die Vegetationsdecke ein und interagieren mit verholzten Stämmen und Ästen anstatt nur mit der Blattoberseite. Je länger die Radarwellenlänge, desto tiefer dringt das Signal ein. L-Band-SAR (Wellenlänge um 23 cm, verwendet von ALOS-2 und PALSAR-2) dringt in die untere Vegetationsdecke ein und interagiert mit großer Holzbiomasse, wodurch es sich besonders gut für die Schätzung der oberirdischen Biomasse (AGB) tropischer Wälder eignet.

C-Band-SAR (Wellenlänge um 5 cm, verwendet von Sentinel-1) ist empfindlicher gegenüber der Oberflächenstruktur der Vegetationsdecke und wird häufig zur Überwachung der Pflanzenbiomasse eingesetzt.

Forschungsergebnisse, die in der Zeitschrift für Forstforschung (Springer Nature, 2021) stellten fest, dass sowohl L-Band-ALOS-2- als auch C-Band-SAR-Daten von Sentinel-1 zufriedenstellende Schätzungen der Kohlenstoffvorräte ermöglichten, wobei die gesamten Kohlenstoffvorräte im Untersuchungsgebiet des mediterranen Waldes etwa erreichten. 130 t/ha über oberirdische, unterirdische, Totholz-, Laub- und Bodenansammlungen hinweg.

3. LiDAR: Der Goldstandard für die strukturelle Kartierung von Biomasse

LiDAR (Light Detection and Ranging) sendet Laserimpulse aus und misst die präzise Zeit, die diese benötigen, um von der Zieloberfläche zurückgeworfen zu werden. Diese Zeitmessung wird direkt in dreidimensionale Punktwolken (dichte Karten, die genau zeigen, wo jeder Laserimpuls reflektiert wurde) umgewandelt, die die Höhe und Struktur des Kronendachs sowie die Bodenhöhe zentimetergenau darstellen.

Die Baumhöhe zählt zu den stärksten Indikatoren für die oberirdische Biomasse – höhere Bäume tragen exponentiell mehr Biomasse als niedrigere. LiDAR-basierte Höhenmodelle, kombiniert mit im Feld gemessenen allometrischen Gleichungen (artenspezifische mathematische Beziehungen zwischen Baumhöhe, Durchmesser und Masse), liefern Biomasseabschätzungen, die optische oder Radarverfahren in Waldlandschaften durchweg übertreffen.

Die NASA-Mission „Global Ecosystem Dynamics Investigation“ (GEDI) – ein Multibeam-Waveform-LiDAR-Instrument auf der Internationalen Raumstation – ist das erste speziell für die globale Biomassebestimmung entwickelte, weltraumgestützte LiDAR-System. GEDI erfasst Daten zwischen 51,6° nördlicher und 51,6° südlicher Breite und deckt damit die wichtigsten tropischen und gemäßigten Waldzonen der Erde ab.

4. Drohnenbasierte Fernerkundung: Hochauflösende Feldskala

Unbemannte Luftfahrzeuge (UAVs), allgemein Drohnen genannt, schließen die Lücke zwischen satellitengestützten und feldgestützten Messungen. Eine mit RGB-Kameras ausgestattete Drohne erfasst Bilder mit zentimetergenauer Auflösung, auf denen einzelne Pflanzen erkennbar sind.

Multispektrale Drohnensensoren berechnen präzise Vegetationsindizes auf Parzellenebene. Mit LiDAR ausgestattete Drohnen erzeugen dichte Punktwolken, die eine Biomassebestimmung mit der strukturellen Genauigkeit von luftgestütztem LiDAR zu einem Bruchteil der Kosten ermöglichen.

Für Ackerbauern ist die drohnengestützte Biomassekartierung besonders praktisch. Ein einziger Flug über ein Weizen- oder Maisfeld während der vegetativen Wachstumsphase erzeugt eine Biomassedichtekarte, die ertragsmindernde Bereiche – Zonen mit geringer Biomasse – markiert, die möglicherweise zusätzliche Düngung oder Bewässerung benötigen, bevor der Schaden irreparabel wird.

Vegetationsindizes zur Schätzung der Biomasse

Vegetationsindizes bilden die mathematische Brücke zwischen den spektralen Rohwerten der Reflexion und biologischen Informationen über Pflanzendichte und -gesundheit. Jeder Index nutzt einen spezifischen Bereich des elektromagnetischen Spektrums, in dem sich Vegetation charakteristisch verhält.

Der NDVI (Normalized Difference Vegetation Index) ist der am weitesten verbreitete Vegetationsindex. Er berechnet sich aus der Differenz zwischen der Nahinfrarot- (NIR) und der Rotreflexion, dividiert durch deren Summe: NDVI = (NIR – Rot) / (NIR + Rot). Die Werte reichen von -1 bis +1, wobei gesunde, dichte Vegetation typischerweise Werte zwischen 0,6 und 0,9 aufweist.

Der NDVI korreliert stark mit dem Blattflächenindex (LAI – die gesamte einseitige Blattfläche pro Bodenflächeneinheit) und daher mit der Photosynthesekapazität und der Biomasseakkumulation.

• EVI (Verbesserter Vegetationsindex) korrigiert atmosphärische Einflüsse und Störungen durch den Bodenhintergrund und ist daher in tropischen Wäldern mit hoher Biomasse und in Gebieten mit hellem oder exponiertem Boden zuverlässiger als der NDVI.
• SAVI (Bodenbereinigter Vegetationsindex) beinhaltet einen Korrekturfaktor für die Bodenhelligkeit, der insbesondere in ariden und semiariden Agrargebieten wichtig ist, wo der unbewachsene Boden zwischen den Pflanzenreihen das spektrale Signal stark beeinflusst.
• GNDVI (Grüner normalisierter Differenzvegetationsindex) Ersetzt in der NDVI-Formel die rote Reflexion durch die grüne, wodurch sie empfindlicher auf Chlorophyllkonzentrationsschwankungen reagiert und sich für die Überwachung der Pflanzenbiomasse im Spätsommer eignet, wenn die Baumkronen bereits vollständig geschlossen sind.

Der Blattflächenindex (LAI) verdient besondere Erwähnung, da er sowohl ein Ergebnis der Fernerkundung als auch ein direkter Faktor für die Biomasseakkumulation ist. Pflanzen mit einem höheren LAI absorbieren mehr Sonnenstrahlung, binden mehr Kohlenstoff und produzieren mehr Biomasse. Aus MODIS- oder Sentinel-2-Zeitserien abgeleitete LAI-Karten fließen direkt in Pflanzenwachstumsmodelle ein, die die Ertragsbildung und die endgültige erntefähige Biomasse simulieren.

Wichtige Datenquellen für die Schätzung der Landbiomasse

Die Wahl der geeigneten Datenquelle hängt vom Umfang der Studie, der Vegetationsart, der erforderlichen räumlichen Auflösung und dem verfügbaren Budget ab. Im Folgenden werden die wichtigsten Datenquellen aufgeführt, die derzeit für die operative und wissenschaftliche Biomassekartierung genutzt werden. Kostenlose, frei zugängliche Satellitendaten von Landsat und der Sentinel-Konstellation haben die Biomassekartierung demokratisiert und sie Forschern und Behörden zugänglich gemacht, die nicht über die finanziellen Mittel für kommerzielle Bilddaten verfügen.

i. Landsat (NASA/USGS): Über 50 Jahre kontinuierliche Daten, 30 Meter Auflösung, freier Zugang. Landsat-Zeitserien ermöglichen historische Analysen von Biomasseveränderungen bis zurück in die 1970er Jahre und bieten einen einzigartigen Kontext für die Überwachung von Entwaldung und Landdegradation.

ii. Sentinel-2 (ESA): 10-Meter-Auflösung in wichtigen Spektralbändern, 5-tägige Wiederholungsrate, freier Zugang. Sentinel-2 ist aufgrund seiner Auflösung und Frequenzkombination der aktuelle Standard für die Überwachung der Pflanzenbiomasse und regionale Waldbewertungen.

iii. Sentinel-1 (ESA): C-Band-SAR, Allwettertauglichkeit, freier Zugang. Sentinel-1 ist die primäre Radarquelle für die Überwachung von tropischen Gebieten mit Wolkenbedeckung und die Erfassung der Pflanzenbiomasse in Regionen, in denen optische Datenlücken ein anhaltendes Problem darstellen.

iv. MODIS (NASA): Auflösung von 250 m bis 1 km, tägliche globale Abdeckung. MODIS-Zeitserien eignen sich ideal für die Erfassung von Biomasseveränderungen im kontinentalen Maßstab und für die saisonale Überwachung, allerdings schränkt die grobe Auflösung ihre Anwendung in fragmentierten Landschaften ein.

v. PlanetScope: PlanetScope bietet eine Auflösung von 3 Metern, tägliche Wiederholungsmessungen und ist als kommerzielles Abonnement erhältlich. Es ermöglicht die Biomasseüberwachung auf der Ebene einzelner Felder und unterstützt so Anwendungen in der Präzisionslandwirtschaft, bei denen die räumliche Variabilität innerhalb einzelner Feldabschnitte von Bedeutung ist.

vi. NASA GEDI LiDAR: 25 Meter Durchmesser, globale Abdeckung tropischer und gemäßigter Gebiete, kostenlose Datenprodukte. GEDI ist die wichtigste satellitengestützte Quelle für Kronenhöhe und oberirdische Biomassedichte auf globaler Ebene.

vii. ICESat-2 (NASA): Photonenzählendes LiDAR mit globaler Abdeckung, besonders leistungsstark bei der Messung der Kronenhöhe in Wäldern hoher Breitengrade und der Erfassung von Höhenänderungen im kleinen Maßstab.

Schritte zur Berechnung der Landbiomasse mithilfe von Fernerkundung

Die Schätzung der Landbiomasse mithilfe von Fernerkundungsdaten folgt einem strukturierten Arbeitsablauf. Jeder Schritt hängt von der Genauigkeit des vorhergehenden ab. Nachlässigkeiten bei der Vorverarbeitung oder der Feldvalidierung führen zu Fehlern in der endgültigen Biomassekarte.

i. Geeignetes Bildmaterial auswählen: Wählen Sie Sensor, räumliche Auflösung und Zeitraum entsprechend Ihrem Zielökosystem und Studienziel. Für die Überwachung der Waldbiomasse werden typischerweise Sentinel-1- oder GEDI-Daten benötigt; für die Überwachung der Pflanzenbiomasse werden üblicherweise Sentinel-2- oder multispektrale Drohnenbilder verwendet.

ii. Bildvorverarbeitung: Wenden Sie eine atmosphärische Korrektur an, um die Rohdaten in Oberflächenreflexionswerte umzurechnen. Führen Sie eine geometrische Korrektur durch, um eine präzise Ausrichtung des Bildes an den realen Koordinaten zu gewährleisten. Entfernen Sie wolkenbelastete Pixel und ersetzen Sie diese gegebenenfalls mithilfe von temporaler Bildkomposition.

iii. Vegetationsindizes berechnen: Berechnen Sie NDVI, EVI, SAVI, GNDVI oder andere relevante Indizes aus den korrigierten Oberflächenreflexionsbändern. Leiten Sie für LiDAR-Daten Kennzahlen zur Kronenhöhe (maximale Höhe, 95. Perzentil, mittlere Höhe) aus der Punktwolke ab.

iv. Sammeln von Biomasseproben im Feld: Die oberirdische Biomasse wird in repräsentativen Parzellen innerhalb des Untersuchungsgebiets mittels zerstörender Erntemethoden oder allometrischer Gleichungen, angewendet auf Baumdurchmesser- und Höhenmessungen, bestimmt. Diese Feldwerte bilden die Grundlage für das Modell.

v. Vorhersagemodelle erstellen: Vergleichen Sie die im Feld gemessenen Biomassewerte mit den gleichzeitig erhobenen Fernerkundungsdaten (Vegetationsindizes, Kronenhöhenmetriken, SAR-Rückstreuwerte). Verwenden Sie je nach Komplexität des Zusammenhangs und der Menge der verfügbaren Trainingsdaten Regressionsanalysen, Random Forests, Support Vector Machines oder neuronale Netze.

vi. Validierung der Modellergebnisse: Verwenden Sie einen separaten Validierungsdatensatz (Feldparzellen, die nicht für das Modelltraining verwendet wurden), um die Vorhersagegenauigkeit zu bewerten. Geben Sie den mittleren quadratischen Fehler (RMSE), das Bestimmtheitsmaß (R²) und die Abweichung an. Verbessern Sie das Modell, falls die Genauigkeit unzureichend ist.

vii. Biomassekarten erstellen: Wenden Sie das validierte Modell auf die gesamte Bildfläche an, um eine räumlich kontinuierliche Biomassedichtekarte zu erzeugen, in der jedes Pixel einen vorhergesagten Biomassewert in Mg/ha oder t/ha enthält.

Modelle und Methoden zur Biomasseabschätzung

Die Wahl des Modells beeinflusst maßgeblich sowohl die Genauigkeit als auch die Generalisierbarkeit eines Biomasse-Schätzsystems. Einfachere Modelle sind transparenter und lassen sich zuverlässiger auf neue Standorte übertragen. Komplexe Modelle des maschinellen Lernens erzielen zwar höhere Genauigkeiten aus großen Trainingsdatensätzen, können aber zu einer Überanpassung an lokale Gegebenheiten führen.

Empirische Regressionsmodelle stellen einen direkten mathematischen Zusammenhang zwischen Feldbiomasse und Fernerkundungsvariablen her – beispielsweise eine lineare Regression zwischen NDVI und Trockenmasseertrag von Nutzpflanzen. Diese Modelle sind leicht zu interpretieren und schnell zu berechnen, liefern aber ungenaue Ergebnisse, wenn der Zusammenhang zwischen Spektraldaten und Biomasse nichtlinear ist oder die Biomassewerte einen sehr großen Bereich abdecken.

Maschinelle Lernverfahren überwinden diese Einschränkungen, indem sie komplexe, nichtlineare Zusammenhänge aus den Daten lernen. Random Forest (ein Ensemble von Entscheidungsbäumen, das Vorhersagen über Hunderte einzelner Bäume mittelt) ist derzeit der am weitesten verbreitete Algorithmus zur Biomasseabschätzung in Forst- und Landwirtschaft.

Eine Studie, die veröffentlicht wurde in Grenzen der Pflanzenwissenschaft (Dezember 2024) wurde gezeigt, dass Random Forest, angewendet auf GEDI- und Multi-Source-Fernerkundungsdaten, Schätzungen der Fichten-Tannen-Waldbiomasse mit einem R² lieferte, das deutlich höher war als bei Regressionsansätzen mit nur einem Sensor.

• Support Vector Machine (SVM): Findet die optimale Trenngrenze zwischen Biomasseklassen im hochdimensionalen Merkmalsraum. SVM erzielt gute Ergebnisse mit kleinen bis mittelgroßen Trainingsdatensätzen und ist bei geeigneter Regularisierung robust gegenüber Überanpassung.
• Neuronale Netze und Deep Learning: Convolutional Neural Networks (CNNs) und hybride CNN-LSTM-Architekturen verarbeiten räumliche und zeitliche Muster in Bildmaterial gleichzeitig. Eine 2024 veröffentlichte Studie… Fernerkundung (MDPI) Ein Vergleich von RF-, CNN- und CNN-LSTM-Modellen zur Schätzung der Waldbiomasse in Hangzhou, China, ergab, dass Deep-Learning-Modelle einen räumlichen Kontext erfassten, den Single-Point-Regression-Methoden völlig verfehlten.
• Hybridmodelle: Physikalische Vegetationsmodelle (die das Pflanzenwachstum auf Basis von Strahlung und Wasserzufuhr simulieren) werden mit statistischen oder maschinellen Lernverfahren zur Kalibrierung kombiniert. Diese Ansätze gewinnen zunehmend an Bedeutung, da sie physikalisch realistische Biomasseabschätzungen liefern, die regionsübergreifend anwendbar sind, ohne sich ausschließlich auf lokale Trainingsdaten zu stützen.

Faktoren, die die Genauigkeit der Biomasseabschätzung beeinflussen

Selbst die beste Kombination aus Sensor und Modell liefert unzuverlässige Biomassekarten, wenn die zugrundeliegende Datenqualität mangelhaft ist oder die physikalische Umgebung Störquellen verursacht. Das Verständnis dieser die Genauigkeit einschränkenden Faktoren ist für jeden, der ein Biomassekartierungsprogramm entwickelt, unerlässlich.

1. Sättigung des Signals in dichtem Wald: In tropischen Wäldern mit hoher Biomasse sättigen sich optische und C-Band-SAR-Signale – sie nehmen nicht weiter zu, obwohl die Biomasse weiter steigt. Der NDVI sättigt sich bei AGB-Werten über etwa 150–200 Mg/ha, Dadurch ist es in tropischen Urwäldern, in denen die Biomasse 400–600 Mg/ha erreichen kann, unzuverlässig. L-Band-SAR und LiDAR sättigen erst bei deutlich höheren Biomassewerten und sind in diesen Umgebungen daher vorzuziehen.

2. Saisonale Schwankungen: Die Lichtreflexion der Vegetation ändert sich im Laufe der Jahreszeiten dramatisch. Ein NDVI-Wert eines Weizenfeldes im April repräsentiert einen grundlegend anderen Biomassezustand als dasselbe Feld im August. Modelle müssen die saisonale Dynamik berücksichtigen oder für jedes phänologische Stadium separat kalibriert werden.

3. Störungen durch Wolkendecke: Optische Sensoren verlieren Daten, sobald Wolken vorhanden sind. In feuchten Tropenregionen kann die Wolkenbedeckung mehr als 70% von Bildaufnahmen in einem bestimmten Jahr, was Radar- oder LiDAR-Alternativen oder mehrjährige Kompositionsstrategien erfordert.

4. Gemischte Pixel: Bei mittleren räumlichen Auflösungen (30 m–250 m) enthält ein einzelnes Bildpixel oft eine Mischung aus verschiedenen Pflanzenarten, unbewachsenem Boden und Wasser. Das Spektralsignal spiegelt den Durchschnitt all dieser Oberflächen wider, was das Vegetationssignal abschwächt und zu systematischen Fehlern bei der Biomassevorhersage führt.

5. Geländeeffekte: Hanglagen verändern die Geometrie der Sonneneinstrahlung und den Einfallswinkel des Sensors, wodurch sich die vom Sensor erfassten Reflexionswerte verändern. In Bergregionen ist eine topografische Korrektur unerlässlich, bevor ein Biomassemodell zuverlässig angewendet werden kann.

Anwendungsbereiche der Kartierung von Landbiomasse in verschiedenen Sektoren

Aus Fernerkundungsdaten erstellte Landbiomassekarten fließen in die praktische Entscheidungsfindung in einer bemerkenswert breiten Palette von Sektoren ein, von der staatlichen Klimaberichterstattung bis hin zum individuellen landwirtschaftlichen Betriebsmanagement.

Forstverwaltungsbehörden Biomassekarten dienen dazu, Ernteflächen zu priorisieren, nachhaltige Erträge abzuschätzen und die Einhaltung von Zertifizierungsstandards zu dokumentieren. Flächendeckende Biomassekarten ersetzen teure, stichprobenbasierte Waldinventuren in Regionen, in denen der Zugang zu den Feldern logistisch schwierig oder unerschwinglich ist.

Kohlenstoffspeicherabschätzung ist eine der wirtschaftlich bedeutendsten Anwendungen. Jedes Mg oberirdischer Biomasse enthält ungefähr 0,47 Mg Kohlenstoff (dem Standard-Umrechnungsfaktor des IPCC). Genaue Biomassekarten lassen sich daher direkt in verifizierte Kohlenstoffinventare umsetzen, die die Grundlage für REDD+-Zahlungen und freiwillige Emissionszertifikate bilden. Eine verifizierte Biomassekarte für ein 500.000 Hektar großes tropisches Waldkonzessionsgebiet kann Kohlenstoffanlagen im Wert von Hunderten Millionen Dollar repräsentieren.

• Präzisionslandwirtschaft: Mithilfe von aus Drohnen- oder Sentinel-2-Bildern abgeleiteten Biomassekarten von Nutzpflanzen lassen sich Unterschiede im Pflanzenwachstum auf Teilflächen erkennen. Dies ermöglicht eine variable Düngung und Bewässerung, wodurch die Inputkosten gesenkt und gleichzeitig der Ertrag geschützt werden.
• Bewertung der Brennstoffmenge für Waldbrände: Totholz und trockene krautige Biomasse stellen die für Brände verfügbare Brennstoffmenge dar. Mithilfe von Fernerkundungsdaten erstellte Brennstoffkarten dienen als Grundlage für kontrollierte Verbrennungsprogramme und die Planung von Maßnahmen zur Eindämmung von Waldbränden in brandgefährdeten Gebieten.
• Erhaltung der biologischen Vielfalt: Vegetation mit hoher Biomasse und komplexer Struktur beherbergt typischerweise eine größere Artenvielfalt. Biomassekarten helfen dabei, prioritäre Schutzgebiete zu identifizieren und die Erholung wiederhergestellter Lebensräume im Laufe der Zeit zu verfolgen.
• Bioenergieplanung: Regierungen und Energieunternehmen nutzen Fernerkundungsdaten zur Biomasse, um die nachhaltige Versorgung mit landwirtschaftlichen Reststoffen und holziger Biomasse für die Bioenergieproduktion zu bewerten und sicherzustellen, dass die Erntemengen die Regenerationsfähigkeit des Ökosystems nicht überschreiten.

Vorteile der Fernerkundung für die Biomasseberechnung

Die auf Fernerkundung basierende Kartierung der Biomasse bietet eine Kombination von Möglichkeiten, die mit bodengestützten Verfahren nicht zu erreichen ist. Diese Vorteile erklären, warum die Technologie in den letzten zehn Jahren in Dutzenden von Ländern vom experimentellen in den operativen Einsatz übergegangen ist.

Die zerstörungsfreie Messung ist wohl der grundlegendste Vorteil. Fernerkundung erfasst Informationen über die Vegetation, ohne sie zu ernten, zu schneiden oder zu stören. Dies ermöglicht wiederholte Messungen am selben Ort, was unerlässlich ist, um Veränderungen der Biomasse im Laufe der Zeit zu erfassen – die wichtigste Kennzahl für die Kohlenstoffbilanzierung und das Ökosystemmonitoring.

• Flächendeckende Versorgung zu niedrigen Grenzkosten: Sobald die Sensoren und die Datenverarbeitungskette eingerichtet sind, sind die Kosten für die Einbeziehung einer weiteren Million Hektar in eine Biomasseerhebung praktisch null. Diese Kostenstruktur ist das Gegenteil von Felduntersuchungen, bei denen die Kosten linear mit der Fläche steigen.
• Häufige zeitliche Aktualisierungen: Sentinel-2 überfliegt jeden Ort der Erde alle 5 Tage. Diese Frequenz ermöglicht die Überwachung der Biomasse während der gesamten Vegetationsperiode und erfasst dynamische Veränderungen, die bei einmaligen jährlichen Felduntersuchungen völlig unberücksichtigt bleiben.
• Fähigkeit zur historischen Analyse: Das Landsat-Archiv enthält Bildmaterial ab 1972. Forscher können historische Biomasseentwicklungen rekonstruieren, um die kumulative Entwaldung zu quantifizieren, die Erholung von Ökosystemen nach Störungen zu bewerten oder Ausgangsbedingungen vor Störungen für Entschädigungsansprüche zu ermitteln.
• Verbesserte Entscheidungsfindung für Landmanager: Räumlich explizite Biomassekarten zeigen, wo innerhalb einer Landschaft die Biomasse zunimmt, abnimmt oder stabil ist – und geben den Landmanagern damit die räumliche Präzision, um Interventionen dort einzusetzen, wo sie die größte Wirkung erzielen.

Grenzen und Herausforderungen bei der Fernerkundungs-Biomasseabschätzung

Die Fernerkundung zur Kartierung von Biomasse ist zwar leistungsstark, birgt aber auch echte technische Grenzen, die Anwender verstehen müssen, bevor sie sich bei wichtigen Entscheidungen auf die Ergebnisse verlassen.

Die Signalsättigung in dichten Wäldern stellt nach wie vor eine ungelöste Herausforderung für optische und C-Band-Radarsensoren dar. Sobald sich das Kronendach schließt und die Biomasse einen sensorspezifischen Schwellenwert überschreitet, nimmt das Spektral- bzw. Rückstreusignal nicht mehr mit der Biomasse zu.

LiDAR umgeht dieses Problem, da es die physikalische Struktur und nicht die spektrale Reflexion misst. Allerdings ist die Datenerfassung mit luftgestütztem LiDAR nach wie vor teuer, und satellitengestütztes LiDAR wie GEDI liefert nur spärliche, nicht zusammenhängende Messpunkte anstelle einer flächendeckenden Abdeckung.

• Die Feldvalidierung ist obligatorisch: Kein Fernerkundungsmodell liefert ohne Kalibrierung und Validierung anhand tatsächlicher Feldmessungen verlässliche Biomasseabschätzungen. Die Qualität der Felddaten bestimmt direkt die Qualität der endgültigen Karte – und die Erhebung repräsentativer Felddaten in heterogenen Landschaften ist sowohl kostspielig als auch technisch anspruchsvoll.
• Atmosphärische Effekte erfordern eine sorgfältige Korrektur: Aerosole, Wasserdampf und Ozon streuen und absorbieren einfallende und reflektierte Sonnenstrahlung und verändern so das Spektralsignal, bevor es den Sensor erreicht. Eine fehlerhafte oder unvollständige atmosphärische Korrektur führt zu systematischen Fehlern, die sich auf den gesamten Arbeitsablauf der Biomassebestimmung auswirken.
• Die Datenverarbeitung erfordert spezielle Fachkenntnisse: Die Arbeit mit Fernerkundungszeitreihen in großem Umfang erfordert Kenntnisse in Geoinformationssystemen (GIS), Programmiersprachen wie Python oder R sowie cloudbasierten Geodatenplattformen wie Google Earth Engine. Diese technische Hürde schränkt die Akzeptanz bei Agronomen und Landmanagern ohne datenwissenschaftlichen Hintergrund ein.
• Die Modellunsicherheit nimmt mit zunehmender Entfernung von den Trainingsdaten zu: Ein in einem brasilianischen Amazonaswald kalibriertes Biomassemodell kann bei Übertragung auf einen strukturell andersartigen westafrikanischen Wald, selbst wenn beide als tropischer Feuchtwald klassifiziert werden, ungenaue Ergebnisse liefern. Regionale Kalibrierungsdatensätze sind daher unerlässlich, um die Genauigkeit in geografisch unterschiedlichen Untersuchungsgebieten zu gewährleisten.

Zukunftstrends bei der Fernerkundungs-Biomasseabschätzung

Die Technologielandschaft für die Kartierung von Landbiomasse entwickelt sich rasant. Mehrere zusammenlaufende Trends werden die Genauigkeit, Zugänglichkeit und operative Skalierbarkeit der Biomasseabschätzung in den nächsten fünf bis zehn Jahren deutlich verbessern.

Die KI-gestützte Kartierung von Biomasse stellt die derzeit revolutionärste Entwicklung dar. Deep-Learning-Architekturen – insbesondere Faltungs- und Transformer-basierte Modelle – verarbeiten gleichzeitig die vollständigen spektralen, räumlichen und zeitlichen Informationen von Satellitenzeitreihen und extrahieren so Biomasse-Signale, die mit einfacheren Modellen nicht erkennbar sind.

Die Integration von KI und maschinellem Lernen in der Fernerkundung nahm zu um 35% zwischen 2021 und 2026, Laut Business Research Insights wird dadurch die Art und Weise, wie Vegetationsdaten in großem Umfang analysiert werden, grundlegend verändert.

Die 2024 gestartete BIOMASS-Mission der Europäischen Weltraumorganisation (ESA) führt das erste weltraumgestützte P-Band-SAR-System mit, das speziell für die Überwachung der Biomasse tropischer Wälder entwickelt wurde. P-Band-Signale (Wellenlänge um 70 cm) dringen tief in die Baumkronen ein und erreichen verholzte Stämme und große Äste, die für Radargeräte mit kürzeren Wellenlängen unzugänglich sind.

Forschungsergebnisse veröffentlicht in Wissenschaftliche Berichte (April 2023) wurde gezeigt, dass P-Band TomoSAR (Tomographisches SAR – eine Technik, die die dreidimensionale Waldstruktur aus mehreren Radarüberflügen rekonstruiert) vielversprechende AGB-Schätzungen über dichten tropischen Wäldern in Französisch-Guayana lieferte und damit eine Vorschau auf das gab, was die BIOMASS-Mission operationell leisten wird.

• Multisensor-Datenfusion im großen Maßstab: Algorithmen, die optische, Radar- und LiDAR-Datenströme automatisch kombinieren – wobei jeder Sensor entsprechend seiner Zuverlässigkeit in einem bestimmten Ökosystem und einer bestimmten Jahreszeit gewichtet wird – entwickeln sich von experimentellen Prototypen hin zu operationellen Werkzeugen, die auf Cloud-Plattformen eingesetzt werden.
• Biomasseüberwachung in Echtzeit und nahezu Echtzeit: Cloudbasierte Geodatenplattformen wie Google Earth Engine und Microsoft Planetary Computer ermöglichen heute die kontinuierliche, automatisierte Verarbeitung eingehender Satellitendatenströme. In mehreren tropischen Ländern sind bereits Warnmeldungen zu Entwaldungsereignissen in nahezu Echtzeit im Einsatz, die innerhalb von 24 bis 48 Stunden nach deren Auftreten ausgelöst werden.
• Digitale Zwillinge für die Präzisionslandwirtschaft: Durch die Integration von aus Fernerkundung gewonnenen Biomassedaten mit Bodensensoren, Wettermodellen und Pflanzenwachstumsmodellen entstehen digitale Zwillinge im landwirtschaftlichen Maßstab – virtuelle Nachbildungen realer Felder, die es Landwirten ermöglichen, Bewirtschaftungsszenarien zu testen, bevor sie diese in der realen Welt umsetzen.
• Integration der Präzisionslandwirtschaft: Durch das Zusammenwirken von erschwinglichen Drohnensensoren, Satellitenzeitreihen und KI-gestützter Analytik wird die Biomasseüberwachung im Feldmaßstab erstmals auch für einzelne Landwirte finanziell zugänglich, nicht nur für Forschungseinrichtungen und Regierungsbehörden.

1. Welcher Satellit eignet sich am besten zur Biomasseabschätzung? Es gibt keinen Satelliten, der für alle Situationen optimal ist. Sentinel-2 wird am häufigsten für die Kartierung der Biomasse von Nutzpflanzen und Wäldern mit mittlerer Auflösung eingesetzt. GEDI LiDAR liefert die genauesten Daten zur Kronenhöhe der oberirdischen Biomasse (AGB) von Wäldern. Sentinel-1 SAR ist die bevorzugte Wahl in wolkenbedeckten tropischen Gebieten. Der beste operative Ansatz kombiniert mehrere Sensoren.

2. Können Drohnen die Biomasse genau schätzen? Ja. Drohnen, ausgestattet mit Multispektralkameras oder LiDAR-Sensoren, können die Biomasse von Nutzpflanzen und kleinen Waldflächen mit sehr hoher räumlicher Auflösung schätzen. Drohnenbasierte Biomasse-Schätzungen für Nutzpflanzen erreichen typischerweise Korrelationen von R² = 0,80–0,95 mit Feldmessungen, wenn die Flüge auf die entsprechenden Wachstumsstadien abgestimmt und die Spektralsensoren korrekt kalibriert sind.

3. Wie genau ist die Biomasseabschätzung mittels Fernerkundung? Die Genauigkeit variiert erheblich je nach Sensortyp, Ökosystem und Modellansatz. In gemäßigten Wäldern mit guter LiDAR-Abdeckung können Biomassekarten RMSE-Werte von 20–40 Mg/ha erreichen. In dichten tropischen Wäldern können rein optische Verfahren aufgrund von Signalsättigung RMSE-Werte von 60–100 Mg/ha aufweisen. Multisensor-Fusionsmodelle erzielen durchweg bessere Ergebnisse als Einzelsensor-Verfahren.

4. Warum ist die Biomasseabschätzung für den Klimawandel wichtig? Wälder und Agrarlandschaften speichern enorme Mengen Kohlenstoff in ihrer Biomasse. Abholzung und Bodendegradation setzen diesen gespeicherten Kohlenstoff als CO₂ in die Atmosphäre frei und beschleunigen so den Klimawandel. Genaue Biomassekarten bilden die Grundlage für die Überprüfung von Kohlenstoffspeichern, die Überwachung von Waldverlusten und die Quantifizierung der Wirksamkeit von Aufforstungs- und Naturschutzprogrammen im Rahmen internationaler Klimarahmenprogramme wie REDD+.

5. Kann die Fernerkundung die unterirdische Biomasse abschätzen? Fernerkundung kann die unterirdische Biomasse nicht direkt messen. Sie wird jedoch üblicherweise anhand der oberirdischen Biomasse (AGB) mithilfe von Wurzel-Spross-Verhältniskoeffizienten geschätzt, die aus Feldstudien abgeleitet und von Organisationen wie dem IPCC veröffentlicht wurden. Die artenspezifischen Wurzel-Spross-Verhältnisse liegen in den meisten Waldökosystemen zwischen 0,15 und 0,40, was eine indirekte Schätzung der unterirdischen Biomasse ermöglicht, sofern AGB-Karten vorliegen.

Schlussfolgerung

Die mithilfe von Fernerkundung berechnete Landbiomasse hat sich entscheidend von einer spezialisierten Forschungsmethode zu einer operativen Anwendung mit direkten Auswirkungen auf Nahrungsmittelproduktion, Forstwirtschaft und Klimapolitik entwickelt. Das Zusammenwirken von frei verfügbaren Satellitendaten, zugänglichen Cloud-Computing-Plattformen und immer leistungsfähigeren Werkzeugen des maschinellen Lernens ermöglicht es einer wachsenden Zahl von Organisationen weltweit, Biomasse im Landschaftsmaßstab zu kartieren.

Die Bedeutung der Fernerkundung für die Klimabeobachtung wird mit dem Wachstum der Kohlenstoffmärkte, verstärkten Verpflichtungen zur Überwachung der Entwaldung und der weltweit steigenden Nachfrage nach verifizierten Kohlenstoffspeicherdaten weiter zunehmen. Dank der nun operativen BIOMASS-Satellitenmission, der kontinuierlichen Erweiterung des globalen Datensatzes von GEDI und KI-Modellen, die die Genauigkeit der Schätzungen aus der Datenfusion verschiedener Sensoren deutlich verbessern, rückt die präzise Bestimmung der Bereiche, in denen sich Biomasse auf der Erdoberfläche ansammelt, abnimmt oder stabil bleibt, in greifbare Nähe.

Die Kohlenstoffmärkte haben sich von Nischenprojekten der Politik zu etablierten Instrumenten der Klimafinanzierung entwickelt. Der freiwillige Markt für landwirtschaftliche Kohlenstoffzertifikate wurde mit folgendem Wert bewertet: 36,1 Millionen US-Dollar im Jahr 2024 und wird voraussichtlich stark ansteigen 648,3 Millionen US-Dollar bis 2034 bei einem 31,9% CAGR, Laut Global Market Insights Inc. steht die Landwirtschaft im Mittelpunkt dieser Expansion, da Böden, Nutzpflanzen und Landbewirtschaftungsmethoden enorme, messbare Kohlenstoffsenken darstellen.

Die größte Herausforderung bestand schon immer in der Messung: Wie lässt sich der in Millionen Hektar Ackerland gespeicherte Kohlenstoff zuverlässig quantifizieren? Fernerkundung, die Wissenschaft der berührungslosen Datenerfassung über die Erdoberfläche mithilfe von Flugzeugen, Drohnen und Satelliten, ist die Antwort, auf die der Kohlenstoffmarkt gewartet hat. Sie ermöglicht eine skalierbare, schnelle und wissenschaftlich präzise Überwachung des landwirtschaftlichen Kohlenstoffs.

Was sind CO2-Zertifikate und warum sind sie wichtig?

Ein CO₂-Zertifikat ist ein handelbares Gutschein, der die Reduzierung oder Entfernung einer Tonne CO₂-Äquivalent (CO₂e) aus der Atmosphäre repräsentiert. Es gibt zwei Arten von Zertifikaten: CO₂-Reduktionszertifikate, die vermiedene Emissionen repräsentieren, und CO₂-Entnahmezertifikate, die aktiv aus der Atmosphäre entferntes und gespeichertes CO₂ repräsentieren.

Kohlenstoffmärkte funktionieren als Wirtschaftsmechanismen, die Treibhausgasemissionen einen Preis geben. Kann ein Unternehmen seine Emissionen nicht intern reduzieren, kann es Kohlenstoffzertifikate von Projekten erwerben, die eine äquivalente Menge an Emissionen entfernen oder vermeiden.

Dies schafft finanzielle Anreize für Aktivitäten wie die Kohlenstoffbindung im Boden, die Wiederaufforstung und eine verbesserte Landbewirtschaftung. Das System wird durch Kohlenstoffregister, Zertifizierungsstandards und unabhängige Prüfstellen gesteuert, die sicherstellen, dass jede Gutschrift einen realen, messbaren Klimanutzen darstellt.

1. Wie CO2-Zertifikate in der Landwirtschaft generiert werden

Agrar-Kohlenstoffzertifikate entstehen durch einen strukturierten Prozess, der mit der Projektplanung beginnt und mit der Eintragung verifizierter Zertifikate in ein Register endet. Hier ist der typische Ablauf:

1. Ein Landwirt oder Projektentwickler wählt geeignete nachhaltige Anbaumethoden aus und legt die Projektgrenzen fest.
2. Eine anerkannte Methodik wird aus einem Kohlenstoffregister wie Verra (VM0042) oder Gold Standard ausgewählt.
3. Um den Ausgangspunkt vor einer Änderung der Praktiken zu messen, wird ein Basis-Kohlenstoffbestand ermittelt.
4. Die Maßnahmen werden über den gesamten Projektzeitraum, in der Regel drei bis fünf Jahre, umgesetzt und überwacht.
5. Unabhängige Drittparteien prüfen, ob die Maßnahmen umgesetzt wurden und ob die behaupteten Klimavorteile real und zusätzlich sind.
6. Verifizierte CO2-Zertifikate werden ausgegeben und auf freiwilligen oder verpflichtenden Märkten zum Verkauf angeboten.

Die Kohlenstoffbindung im Boden durch konservierende Maßnahmen ist der wichtigste Mechanismus in Ackerbauprojekten. Praktiken wie Zwischenfruchtanbau, reduzierte Bodenbearbeitung und präzise Nährstoffversorgung erhöhen die Menge an organischem Kohlenstoff, der in landwirtschaftlichen Böden gespeichert ist und ansonsten durch Bodenbearbeitung und Erosion verloren geht.

Landwirtschaftliche Böden speichern etwa dreimal so viel Kohlenstoff wie die Atmosphäre. Dadurch zählen Ackerflächen zu den zugänglichsten und am besten skalierbaren Kohlenstoffsenken der Erde. Acker- und Grünland reagieren schnell auf Bewirtschaftungsänderungen: Der Wechsel von konventioneller Bodenbearbeitung zu Direktsaat kann den Gehalt an organischem Kohlenstoff im Boden bereits innerhalb von ein bis zwei Vegetationsperioden erhöhen.

Landwirte profitieren direkt von den Einnahmen aus CO2-Zertifikaten. Bodenkohlenstoffprojekte machen mittlerweile etwa … aus. 8-10% des freiwilligen Kohlenstoffmarktes, im Wert von 425-530 Millionen US-Dollar, laut Marktdaten von 2025.

Diese Einnahmequelle ergänzt das Einkommen der landwirtschaftlichen Betriebe und verbessert gleichzeitig die Bodengesundheit, die Wasserspeicherung und die langfristige Produktivität. Agrar- und Lebensmittelunternehmen, die an Klimaschutzprogrammen teilnehmen, gewinnen zudem an Glaubwürdigkeit in ihrer Nachhaltigkeitsberichterstattung entlang der Lieferkette.

Zusammenhang zwischen CO2-Zertifikaten und Präzisionslandwirtschaft

Präzisionslandwirtschaft ist ein Ansatz im landwirtschaftlichen Management, der Geodaten und fortschrittliche Technologien nutzt, um Entscheidungen auf Teilflächenebene zu treffen, anstatt den gesamten Betrieb als einheitliche Einheit zu betrachten. Sie kombiniert GPS-Empfänger, IoT-Bodensensoren, Drohnenkameras und Satellitenbilder, um detaillierte, standortspezifische Informationen über Pflanzenzustand, Bodeneigenschaften und Ressourcenbedarf zu liefern.

Das Ergebnis ist datengestütztes Farmmanagement. Anstatt eine einheitliche Düngermenge auf dem gesamten Feld auszubringen, identifiziert ein Präzisionslandwirtschaftssystem Zonen mit unterschiedlichem Nährstoffbedarf und wendet die Düngermenge entsprechend an.

Dies reduziert Materialverluste, senkt die Betriebskosten und führt zu messbaren Umweltvorteilen, die sich für CO₂-Zertifikatsprogramme quantifizieren lassen. Präzisionswerkzeuge tragen auf vielfältige Weise zu positiven Klimaergebnissen bei.

• Durch die Optimierung der Düngung lassen sich die Lachgasemissionen (N₂O) reduzieren, ein Treibhausgas, das über einen Zeitraum von 100 Jahren etwa 273-mal klimaschädlicher ist als CO₂. Eine variable Stickstoffdüngung kann die N₂O-Emissionen um bis zu 100 % senken. 20-30% im Vergleich zur gleichmäßigen Anwendung, laut einer im European Journal of Agronomy veröffentlichten Studie.
• Durch die Optimierung der Bewässerungsplanung mithilfe von Bodenfeuchtesensoren wird der Energieverbrauch an den Pumpstationen gesenkt und die Bodenverdichtung begrenzt, was beides den CO2-Fußabdruck der Bewässerung verringert.
• Durch die Erhaltung der Bodengesundheit mittels reduzierter Bodenbearbeitung wird die Bodenaggregatstruktur bewahrt und die organische Substanz geschützt, die Kohlenstoff langfristig bindet.
• Durch die GPS-gestützte Routenplanung für Maschinen wird der Kraftstoffverbrauch gesenkt, wodurch der Dieselverbrauch und somit die CO2-Emissionen aus dem Feldeinsatz direkt reduziert werden.

1. Nachhaltige Anbaumethoden, die CO2-Zertifikate generieren

Nicht alle landwirtschaftlichen Tätigkeiten qualifizieren sich für den Erwerb von CO₂-Zertifikaten. Zugelassene Verfahren müssen nachweislich den Kohlenstoffgehalt im Boden erhöhen, die Emissionen reduzieren oder beides. Die folgenden Verfahren unterliegen etablierten Methoden gemäß den Richtlinien der wichtigsten CO₂-Register.

i. Deckfruchtanbau Dabei werden in der Nebensaison Zwischenfrüchte angebaut, um die Wurzeln im Boden zu erhalten. Die Wurzeln scheiden kontinuierlich Zucker aus, der die Bodenmikroben nährt. Diese wandeln organische Substanz in stabilen Humus um, eine langlebige Form von Bodenkohlenstoff. Zwischenfrüchte verhindern zudem Erosion, die die oberste Bodenschicht und den darin enthaltenen Kohlenstoff abträgt.

ii. Direktsaat und reduzierte Bodenbearbeitung Die Bodenbearbeitung sollte minimiert und die physikalische Bodenstruktur erhalten werden. Konventionelle Bodenbearbeitung führt durch die Freisetzung organischer Substanz an die Luft zu einer raschen Oxidation des Bodenkohlenstoffs. Forschungsergebnisse, die in der Fachzeitschrift „Soil and Tillage Research“ veröffentlicht wurden, zeigen, dass die langfristige Anwendung der Direktsaat die Konzentration an organischem Kohlenstoff in den obersten 30 cm des Bodens im Durchschnitt um 10 % erhöht. 10-30% im Vergleich zur konventionellen Bodenbearbeitung über einen Zeitraum von zehn Jahren.

iii. Rückhaltung von Ernterückständen Die Erntereste bleiben auf der Feldoberfläche liegen, anstatt verbrannt oder abtransportiert zu werden. Während sich die Erntereste zersetzen, reichern sie den Boden mit organischer Substanz an und dienen als Nahrung für die Mikroorganismen, die für die Kohlenstofffixierung verantwortlich sind. Satellitenbilder ermöglichen die präzise Messung des Bedeckungsgrades der Erntereste nach der Ernte.

Fernerkundung beobachtet die Landwirtschaft nicht nur aus der Vogelperspektive. Sie wandelt verstreute Daten auf Feldebene in eine einheitliche, wissenschaftlich fundierte Aufzeichnung darüber um, wie das Land bewirtschaftet wird und wie viel Kohlenstoff es speichert.

iv. Präzises Nährstoffmanagement Durch den Einsatz von variabler Ausbringungstechnologie werden Düngemittel bedarfsgerecht, in der richtigen Menge und zum richtigen Zeitpunkt ausgebracht. Dies reduziert den Stickstoffüberschuss, der von Bodenbakterien in Lachgas umgewandelt wird, und senkt somit direkt den Treibhausgas-Fußabdruck der Pflanzenproduktion.

v. Agroforstwirtschaft und Dauerkulturen Bäume binden Kohlenstoff sowohl oberirdisch in holziger Biomasse als auch unterirdisch durch ausgedehnte, langlebige Wurzelsysteme. Sie können Kohlenstoff über Jahrzehnte speichern und sind daher wertvolle Kandidaten für Klimaschutzprojekte, die eine dauerhafte Speicherung erfordern.

Die Rolle der Fernerkundung bei der Messung von CO2-Zertifikaten

Programme zur CO₂-Zertifikatserstellung benötigen Nachweise. Register können die Selbstauskunft von Landwirten über den Anbau von Zwischenfrüchten oder die Reduzierung der Bodenbearbeitung nicht akzeptieren. Die Verifizierung erfordert objektive, reproduzierbare und überprüfbare Daten, vorzugsweise aus Quellen, die nicht nachträglich manipuliert werden können. Fernerkundung liefert genau diese Daten.

Satelliten- und drohnengestützte Beobachtungen erfassen gleichzeitig riesige Gebiete und bieten eine räumliche Abdeckung, die mit Felduntersuchungen wirtschaftlich nicht zu erreichen ist. Der Markt für satellitengestützte Kohlenstoff-MRV-Messungen in der Landwirtschaft wurde auf … geschätzt. 3,2 Milliarden US-Dollar im Jahr 2025 und soll voraussichtlich erreichen 8,7 Milliarden US-Dollar bis 2034 bei einem 12,8% CAGR, Dies verdeutlicht, wie zentral die satellitengestützte Überwachung für Klimaprogramme weltweit geworden ist.

Der Sustainability Atlas (2026) stellte fest, dass satellitengestützte Verifizierungssysteme die Kosten für die Messung des Bodenkohlenstoffs um [Betrag einfügen] reduzierten. 40% im Vergleich zur herkömmlichen Feldprobenahme, wobei die Investitionen in digitale MRV-Lösungen erreicht haben 2,3 Milliarden US-Dollar Im Jahr 2025 können Landwirte und Projektentwickler nun auf verlässliche Kohlenstoffmessungen zugreifen, ohne die prohibitiven Kosten wiederholter Bodenprobenahmen pro Hektar tragen zu müssen.

1. Fernerkundungstechnologien, die in Kohlenstoffprogrammen eingesetzt werden

Je nach Maßstab, Pflanzenart und Ziel der Kohlenstoffmessung werden verschiedene Sensortypen eingesetzt. Jeder bietet spezifische Vorteile.

1. Multispektrale Sensoren Sie erfassen reflektiertes Licht in diskreten Wellenlängenbereichen, darunter sichtbares Rot, Nahinfrarot und kurzwelliges Infrarot. Sie berechnen Vegetationsindizes wie den NDVI (Normalized Difference Vegetation Index), ein Verhältnis, das die Nahinfrarot-Reflexion mit der Rotreflexion vergleicht.

Gesunde, dichte Vegetation reflektiert mehr Nahinfrarotlicht und absorbiert mehr rotes Licht, was zu einem hohen NDVI-Wert führt. Der NDVI wird häufig als Indikator für die Biomassekonzentration und die photosynthetische Aktivität verwendet, die beide mit der Kohlenstoffaufnahme korrelieren.

2. Hyperspektrale Sensoren Sie erfassen Hunderte von schmalen, zusammenhängenden Wellenlängenbändern anstelle weniger breiter. Diese feinere spektrale Auflösung ermöglicht es ihnen, subtile Unterschiede in der Pflanzenbiochemie zu erkennen, darunter Chlorophyllgehalt, Blattwassergehalt und Ligninkonzentration.

Diese Eigenschaften stehen in engem Zusammenhang mit dem oberirdischen Kohlenstoffgehalt und können zur Modellierung der Pflanzenbiomasse mit größerer Präzision als Breitband-Multispektraldaten verwendet werden.

3. LiDAR (Light Detection and Ranging) Das System sendet Tausende von Laserimpulsen pro Sekunde auf die Bodenoberfläche und misst die Laufzeit jedes Impulses. Das Ergebnis ist eine detaillierte dreidimensionale Punktwolke der Landschaft, die Vegetationshöhe, Kronendichte und Geländetopographie erfasst.

Die Biomasse wird durch die Kombination dieser Strukturmessungen mit allometrischen Gleichungen geschätzt. Diese mathematischen Beziehungen rechnen Höhe und Volumen in Trockenmasse und Kohlenstoffgehalt um. Eine Studie aus dem Jahr 2025, veröffentlicht in ScienceDirect, ergab, dass die LiDAR-basierte Messung der Kohlenstoffbindung deutlich geringere Fehlerraten aufweist als herkömmliche Feldinventurmethoden für bewaldete Ackerflächen und Agroforstsysteme.

4. SAR (Synthetic Aperture Radar) SAR sendet Mikrowellenenergie aus und misst die von der Oberfläche reflektierte Energie. Im Gegensatz zu optischen Sensoren durchdringt SAR Wolken und funktioniert auch nachts. Dies macht es besonders wertvoll in tropischen Agrarregionen, wo beständige Wolken optische Satelliten wochenlang blockieren. SAR eignet sich besonders gut zur Messung der Bodenfeuchtigkeit, zur Unterscheidung von unbewachsenen und bewachsenen Flächen sowie zur Schätzung der Biomasse von Baumkronen durch Analyse der Rückstreuintensität.

5. Drohnenbasierte Fernerkundung Sie liefert eine zentimetergenaue räumliche Auflösung, die Satelliten nicht erreichen können. Drohnen, die mit Multispektral- oder RGB-Kameras ausgestattet sind, fliegen in geringer Höhe, um extrem detaillierte Karten einzelner Felder zu erstellen.

In Klimaschutzprogrammen werden Drohnen zur Validierung von Satellitenbeobachtungen im lokalen Maßstab und zur Bewertung kleiner oder fragmentierter Felder eingesetzt, wo die Satellitenpixelgröße zu grob ist, um Bewirtschaftungsgrenzen zu erkennen. Zu den wichtigsten Satellitenplattformen für die Kohlenstoffüberwachung gehören:

• Landsat (NASA/USGS): Mit einer Auflösung von 30 Metern und einer Wiederholungsfrequenz von 16 Tagen bildet es dank seines historischen Archivs, das bis ins Jahr 1972 zurückreicht, das Rückgrat für langfristige Analysen von Landnutzungsänderungen und die Erstellung von Basiskarten.
• Sentinel-1 und Sentinel-2 (ESA): Sentinel-2 liefert multispektrale Bilder mit einer Auflösung von 10 Metern und einer Wiederholungsrate von 5 Tagen und eignet sich daher ideal für die saisonale Überwachung von Nutzpflanzen. Sentinel-1 SAR ergänzt die optischen Daten bei Bewölkung.
• MODIS (NASA): Die Daten bieten eine Auflösung von 250–500 Metern und eine tägliche globale Abdeckung. Sie werden für großflächige Zeitreihenanalysen der Vegetationsproduktivität und der Landnutzungsänderungen in ganzen Regionen eingesetzt.
• PlanetScope: Eine kommerzielle Satellitenkonstellation, die täglich Bilder mit einer Auflösung von 3 Metern liefert und so die Erkennung von Teilfeldpraktiken in einzelnen landwirtschaftlichen Betrieben ermöglicht.

Wie GeoPard CO2-Zertifikatsprogramme unterstützt

GeoPard Agriculture ist eine Präzisionslandwirtschaftsplattform, die Satellitenbilder, Radardaten und topografische Analysen kombiniert, um Landwirten bei der Umsetzung und Überwachung von Anbaumethoden zu helfen, die verifizierte CO₂-Zertifikate generieren. Sie integriert die CO₂-Bioproduktion direkt in den täglichen Betriebsablauf und behandelt sie nicht als separate Aktivität.

1. Umsetzung der Praxis mithilfe von Satellitendaten

GeoPard nutzt Satelliten- und Radardaten, um leistungsschwache Ackerflächen zu identifizieren, die sich für Zwischenfruchtanbau, Agroforstwirtschaft oder reduzierte Bodenbearbeitung eignen. Die Lösung zur Pflanzenüberwachung unterstützt Fruchtfolgeentscheidungen, die die Bodenstruktur verbessern und die langfristige Kohlenstoffspeicherkapazität erhöhen.

Die Topografieanalyse zeigt genau, welche Feldflächen am meisten von bestimmten Zwischenfruchtarten profitieren, und beseitigt so das Rätselraten bei einer Praxis, die direkt zur Kohlenstoffbindung beiträgt.

2. Emissionsreduzierung und MRV-Rückverfolgbarkeit

Zur CO₂-Reduzierung unterstützt GeoPard die Einführung der Direktsaat und das Management von Ernterückständen, indem es Landwirten den Übergang von konventioneller Bodenbearbeitung erleichtert. Zur Reduzierung von N₂O ermöglicht es ein 4R-Nährstoffmanagement: die Ausbringung des richtigen Düngers in der richtigen Menge, zum richtigen Zeitpunkt und am richtigen Ort, wodurch der überschüssige Stickstoff, der im Boden in Lachgas umgewandelt wird, reduziert wird.

Im Bereich MRV (Monitoring, Reporting, Verification) erzeugen die Satellitendaten von GeoPard eine kontinuierliche, zeitgestempelte Aufzeichnung der Feldaktivitäten während der gesamten Vegetationsperiode. Diese räumlichen Daten unterstützen die Mess- und Berichtspflichten und liefern unabhängigen Prüfern objektive Daten, um die tatsächliche Durchführung der dokumentierten Maßnahmen zu bestätigen.

Indem GeoPard die täglichen Entscheidungen in der Landwirtschaft direkt mit messbaren Kohlenstoffbilanzen verknüpft, ermöglicht es Landwirten aller Betriebsgrößen, vertrauensvoll an Programmen zur Kohlenstoffgutschrift teilzunehmen.

Wie Fernerkundung CO2-Zertifikate ermöglicht: Schritt für Schritt

1. Basislinienkartierung

Bevor ein Klimaschutzprojekt Zertifikate ausgeben kann, muss es eine verlässliche Ausgangsbasis schaffen – eine quantifizierte Momentaufnahme des bereits im Projektgebiet gespeicherten Kohlenstoffs und der aktuell angewandten Landbewirtschaftungsmethoden. Diese Ausgangsbasis dient als Referenzwert, an dem alle zukünftigen Verbesserungen gemessen werden.

Fernerkundung ermöglicht die Erstellung von Basiskarten durch verschiedene integrierte Analysen. Die Vegetationskartierung mithilfe von NDVI- und Blattflächenindexdaten identifiziert vorhandene Kulturpflanzenarten, Biomasse-Dichte und Vegetationsperiodenmuster.

Die Analyse der historischen Landnutzung mithilfe des jahrzehntelangen Archivs von Landsat zeigt, ob ein Feld in den letzten zehn bis zwanzig Jahren konventionell bewirtschaftet, als Grünland genutzt oder im Mischanbau verwendet wurde. Diese Historie ist wichtig, da der Kohlenstoffgehalt des Bodens die kumulative Bewirtschaftung über Jahrzehnte widerspiegelt und nicht nur die aktuelle Saison.

Die Kartierung von Bodeneigenschaften kombiniert hyperspektrale Satellitendaten mit Bodenproben, um räumlich kontinuierliche Karten des organischen Kohlenstoffs, der Bodenart und des Tongehalts zu erstellen. Die Projektgrenzenbestimmung nutzt GPS-gestützte Satellitenbilder, um die exakten geografischen Grenzen des Kohlenstoffprojekts festzulegen – eine Voraussetzung für alle wichtigen Kohlenstoffregister, darunter Verra und Gold Standard.

2. Praxisüberprüfung

Kohlenstoffregister benötigen fortlaufende Nachweise dafür, dass nachhaltige Praktiken tatsächlich umgesetzt und nicht nur behauptet werden. Fernerkundung liefert diese Nachweise durch die Analyse von Satellitenbildern über ganze Vegetationsperioden hinweg.

i. Erkennung von Deckfrüchten Mithilfe von Vegetationsindizes im Winter werden aktiv wachsende Bodenbedeckungen zwischen den Anbauzyklen der Hauptkulturen identifiziert. Ein Feld mit Zwischenfrüchten weist in der Vegetationspause deutlich höhere NDVI-Werte auf als ein unbewachsenes Feld.

Eine im National Center for Biotechnology Information (2024) veröffentlichte Studie, die Sentinel-2-Daten aus South Dakota nutzte, erreichte Klassifizierungsgenauigkeiten von über 80% zum Erkennen des Vorhandenseins von Zwischenfrüchten und der Intensität der Bodenbearbeitung auf Mais- und Sojabohnenfeldern.

Eine ScienceDirect-Studie (2024) setzte eine MRV-Pipeline ein über 553.743 Hektar und gemessene Emissionsreduktionen von 398.408,5 tCO2e Im Rahmen von drei aufeinanderfolgenden Emissionszertifikatsausgaben wurden die Reduzierungen hauptsächlich auf die Einführung von Zwischenfrüchten und die Verringerung der Bodenbearbeitungsintensität zurückgeführt. Satellitengestützte MRV-Systeme können nun auf der Ebene ganzer Agrarregionen und nicht nur einzelner Projektstandorte eingesetzt werden.

ii. Überprüfung der Null-Bodenbearbeitung Die Methode basiert auf der Überwachung der Bodenoberfläche zwischen Ernte und Aussaat. Nach einer pfluglosen Ernte verbleiben Erntereste auf der Oberfläche, und die NDVI-Werte bleiben aufgrund der Reflexion dieser Reste mäßig erhöht. Ein bearbeitetes Feld weist abrupte Veränderungen in der Oberflächenstruktur und der spektralen Signatur auf, die auf Satellitenbildern mit einer Auflösung von 10–30 Metern erkennbar sind. SAR-Daten ergänzen die optische Analyse, indem sie Bodenfeuchteänderungen erfassen, die mit mechanischen Störungen einhergehen.

iii. Überwachung der Ernterückstandsrückhaltung Es nutzt kurzwellige Infrarotspektren, um den Anteil der Erntereste auf dem Boden nach der Ernte zu schätzen. Erntereste weisen im Vergleich zu unbewachsenem Boden eine charakteristische spektrale Signatur auf. Mithilfe satellitengestützter Bedeckungsindizes lässt sich daher abschätzen, ob 301 TP3T, 501 TP3T oder 701 TP3T der Oberfläche bedeckt sind. Diese Schwellenwerte bestimmen in vielen Fördermethoden direkt die Förderfähigkeit und die Höhe der Gutschriften.

iv. Überwachung der Fruchtfolge Sentinel-2 verfolgt mithilfe spektraler Zeitreihendaten Veränderungen der Pflanzenarten über mehrere Vegetationsperioden hinweg. Verschiedene Pflanzenarten weisen einzigartige phänologische Profile auf, die das Muster des Austriebs, des maximalen Wachstums und der Alterung während der Vegetationsperiode bestimmen. Die fünftägige Wiederholungsrate von Sentinel-2 erfasst diese Dynamik präzise genug, um Mais, Sojabohnen und Weizen über mehrere Jahre hinweg zu unterscheiden.

3. Schätzung der Biomasse und des Kohlenstoffvorrats

Die Messung von Kohlenstoffspeichern erfordert die Umwandlung beobachtbarer Vegetations- und Bodeneigenschaften in quantitative Schätzungen des gespeicherten Kohlenstoffs. Fernerkundung speist diesen Prozess durch verschiedene Datenströme.

Oberirdische Biomasse (AGB) Die Schätzung verwendet die Vegetationshöhe aus LiDAR-Daten, die Kronendichte aus optischen Aufnahmen und den Blattflächenindex (LAI), der aus der Nahinfrarotreflexion abgeleitet wird. Diese Eingangsdaten fließen in allometrische Gleichungen ein, die Biomasse-Schätzungen in Tonnen pro Hektar liefern. Der Kohlenstoffgehalt wird typischerweise wie folgt berechnet: 47-50% des Trockenbiomassegewichts, ein Umrechnungsfaktor, der vom IPCC und der FAO für Hunderte von Arten validiert wurde.

Organischer Kohlenstoff im Boden (SOC) Die Schätzung ist komplexer, da unterirdischer Kohlenstoff nicht direkt von oben beobachtet werden kann. Fernerkundung leistet einen Beitrag durch hyperspektrale Bildgebung, die spektrale Signaturen organischer Bodensubstanz in unbewachsenen oder spärlich bewachsenen Feldern erfasst, sowie durch SAR-basierte Bodenfeuchtedaten, die die Kohlenstoffumsatzraten beeinflussen.

Diese Fernerkundungsdaten werden mit prozessbasierten Modellen wie RothC oder CENTURY kombiniert, die simulieren, wie organische Substanz unter verschiedenen Klima- und Bewirtschaftungsbedingungen abgebaut und stabilisiert wird.

Die Glaubwürdigkeit eines CO₂-Zertifikats hängt vollständig von der Präzision der zugrunde liegenden Messung ab. Fernerkundung wandelt die CO₂-Verifizierung von einer kostspieligen Feldübung in einen kontinuierlichen, datengestützten Prüfprozess um.

Maschinelle Lernalgorithmen, darunter Random Forests, Gradient Boosting und Deep-Learning-Modelle, werden zunehmend eingesetzt, um Fernerkundungsdaten mit Feldmessungen zu integrieren.

Eine in PeerJ (2024) veröffentlichte Studie zeigte, dass maschinelle Lernmodelle, die multispektrale Satellitenindizes mit begrenzter Bodenprobenahme kombinieren, den organischen Kohlenstoffgehalt des Bodens mit vergleichbarer Genauigkeit vorhersagen können, wodurch die Anzahl der für die Projektvalidierung erforderlichen zerstörenden Bodenproben reduziert wird.

Messung, Berichterstattung und Verifizierung (MRV): Grundlage für CO2-Zertifikate

MRV (Messung, Berichterstattung und Verifizierung) ist der Rahmen für die Steuerung von CO₂-Zertifikaten, der glaubwürdige von nicht verifizierbaren Behauptungen trennt. Alle wichtigen CO₂-Register verlangen von Projekten die Einhaltung eines genehmigten MRV-Protokolls. Fernerkundung ist zu einem integralen Bestandteil aller drei Phasen geworden.

1. Messung: Datenerhebung

Die Messung umfasst die Erfassung der Rohdaten, aus denen die Kohlenstoffmengen berechnet werden. Bei satellitengestützten Programmen beginnt dies mit der automatisierten Aufnahme von multispektralen und SAR-Bildern in regelmäßigen Abständen während der gesamten Vegetationsperiode.

Drohnenerkundungen liefern hochauflösende Bodendaten in wichtigen phänologischen Stadien. Gezielte Bodenprobenahmen erfassen Feldmessungen zur Kalibrierung und Validierung satellitengestützter Schätzungen des organischen Kohlenstoffgehalts im Boden (SOC). Biomasse-Schätzalgorithmen werden auf Basis der kombinierten Daten angewendet, um Kohlenstoffspeicherwerte im Feldmaßstab zu ermitteln.

2. Berichterstattung: Umrechnung von Messwerten in Leistungspunkte

Die Berichterstattung wandelt die verarbeiteten Daten in ein formales Dokumentationspaket um, das an ein Kohlenstoffregister übermittelt wird. Dieses umfasst Tabellenkalkulationen zur Kohlenstoffbilanzierung, räumliche Karten der Projektaktivitäten, Nachweise über die Umsetzung der Maßnahmen sowie modellierte Veränderungen des Kohlenstoffbestands im Verifizierungszeitraum.

Die Einhaltung internationaler Standards, einschließlich ISO 14064-2 und der Richtlinien des GHG-Protokolls, ist erforderlich. Satellitenzeitreihenarchive dienen als manipulationssichere Aufzeichnungen, die jeder gemeldeten Zahl zugrunde liegen.

3. Verifizierung: Unabhängige Bestätigung

Unabhängige Prüfer überprüfen die eingereichten Unterlagen und beurteilen unabhängig, ob die berichteten Kohlenstoff-Ergebnisse real, zusätzlich (d. h. sie wären ohne das Projekt nicht eingetreten) und dauerhaft sind.

Fernerkundungsdaten, darunter Satellitenbildarchive und Drohnenaufnahmen, liefern den Prüfern objektive Daten zum Vergleich mit den Projektangaben. Zeitreihenanalysen decken Unstimmigkeiten auf, beispielsweise wenn ein Landwirt behauptet, ein Feld ohne Bodenbearbeitung zu bewirtschaften, obwohl die Spektraldaten Spuren mechanischer Bearbeitung aufweisen.

Die Betrugserkennung mittels Algorithmen zur Erkennung von Änderungspunkten wird zunehmend in digitale MRV-Plattformen integriert, um Anomalien zu kennzeichnen, bevor sie die Verifizierungsphase erreichen.

Laut Daten von Marq Stats (2026) reduzierte die Kombination von hochauflösenden Satellitenbildern und maschinellem Lernen die Kosten der MRV-Analyse pro landwirtschaftlichen Betrieb um 70-90% zwischen 2018 und 2025, wodurch Indigo Carbon in die Lage versetzt wird, über 8 Millionen eingeschriebene Hektar in 28 US-Bundesstaaten mit einem 85% Reduzierung des administrativen Aufwands bei der Datenerfassung.

Kostensenkungen in diesem Umfang bedeuten, dass nun auch Kleinbauern und mittelständische Betriebe an Programmen zur CO2-Zertifikatserstellung teilnehmen können, die zuvor nur großen Rohstoffproduzenten zugänglich waren.

4. Wie MRV den realen Wert eines CO2-Zertifikats ermittelt

MRV ist nicht nur eine gesetzliche Vorgabe. Es bestimmt den tatsächlichen Marktwert von CO₂-Zertifikaten. Käufer, Investoren und Regulierungsbehörden legen den Preis von CO₂-Zertifikaten anhand der Zuverlässigkeit der Verifizierung der zugrunde liegenden CO₂-Emissionen fest. Zertifikate mit schwacher MRV werden mit einem Abschlag gehandelt oder gänzlich abgelehnt.

Ohne verlässliche MRV-Daten werden CO₂-Zertifikate zu einem Ratespiel. Ein Landwirt könnte behaupten, Zwischenfrüchte angebaut zu haben, obwohl dies nicht der Fall ist. Ein Projektentwickler könnte die Kohlenstoffspeicherung im Boden überschätzen. Käufer könnten unwissentlich Projekte finanzieren, die keinen tatsächlichen Klimanutzen bringen. MRV schließt diese Lücken, indem es in jedem Schritt dokumentierte, überprüfbare und standardisierte Nachweise verlangt.

Für Landwirte wirkt sich eine zuverlässige MRV-Technologie positiv aus. Sie befreit sie von der Pflicht zur Selbstauskunft und ersetzt diese durch satellitengestützte Nachweise, die von keinem Register oder Käufer angezweifelt werden können. Dieser Wandel von vertrauensbasierter zu datenbasierter Verifizierung ermöglicht es Kleinbauern, auf denselben Kohlenstoffmärkten wie große Agrarunternehmen zu konkurrieren.

Für den gesamten Kohlenstoffmarkt ist eine glaubwürdige MRV (Measurement Reporting and Value) entscheidend, um echten Klimaschutz von Greenwashing zu unterscheiden. Jede Tonne CO₂, die doppelt gezählt, ungenau geschätzt oder ohne Beweise behauptet wird, schwächt das gesamte System.

Fernerkundungsgestützte MRV schließt diese Lücke, indem sie die Messgenauigkeit, die Berichterstattung und die Verifizierung unabhängig macht. Daher erzielen auf satellitengestützter MRV basierende CO₂-Zertifikate auf freiwilligen Märkten mittlerweile einen Preisaufschlag von 15 bis 251 TP3T – Käufer zahlen mehr, weil die wissenschaftliche Grundlage der Zertifikate schwerer anzufechten ist.

Vorteile der Fernerkundung für CO2-Zertifikatsprogramme

Die Vorteile der Fernerkundung gegenüber der rein feldorientierten Kohlenstoffüberwachung sind beträchtlich und verstärken sich noch, wenn die Programme auf eine größere Fläche ausgeweitet werden.

1. Die großflächige Überwachung wird zu einem Bruchteil der Kosten realisierbar. Eine einzelne Sentinel-2-Aufnahme deckt ein Gebiet von 100 mal 100 Kilometern ab und überwacht Tausende von landwirtschaftlichen Betrieben in einem einzigen Überflug ohne Einsatz von Bodenpersonal.
2. Die Verifizierung ist schneller und weniger arbeitsintensiv. Klimaschutzprogramme, die zuvor monatelange Feldbesuche erforderten, können die Praxisverifizierung mithilfe automatisierter Satellitenanalyse-Pipelines innerhalb weniger Tage abschließen.
3. Die Transparenz erhöht sich für Käufer, Register und Investoren. Satellitenarchive schaffen eine objektive, reproduzierbare Aufzeichnung der Ereignisse auf einem Feld während der Projektlaufzeit, unabhängig von den Interessen jeglicher Beteiligter.
4. Menschliche Fehler werden reduziert. Die automatisierte Bildklassifizierung und Kohlenstoffmodellierung wenden in allen Projektbereichen einheitliche Algorithmen an und eliminieren so Abweichungen, die durch unterschiedliche Feldgutachter mit verschiedenen Probenahmemethoden entstehen.
5. Das Vertrauen der Investoren wächst. Institutionelle Anleger fordern zunehmend quantitative, datengestützte Bonitätsnachweise, bevor sie Kapital in Klimaschutzprojekte investieren. Fernerkundungsbasierte Zertifikate mit dem Label der Core Carbon Principles (CCP) sind mittlerweile sehr gefragt. Preisaufschläge für 15-25%, laut den Daten des Integrity Council for the Voluntary Carbon Market für das Jahr 2025.

Verbesserte Entscheidungsprozesse für alle Beteiligten. Landwirte erhalten standortbezogenes Feedback darüber, welche Felder gute bzw. schlechte Ergebnisse im Hinblick auf die Kohlenstoffbindung erzielen. Projektentwickler können Überwachungsressourcen gezielt in Risikogebieten einsetzen. Register können ihre Verifizierungsbemühungen anhand automatisierter Anomalieerkennung priorisieren.

Herausforderungen und Grenzen auf den Kohlenstoffmärkten

Fernerkundung ist leistungsstark, aber nicht unbegrenzt. Das Verständnis ihrer aktuellen Grenzen ist unerlässlich für die Entwicklung wissenschaftlich fundierter Klimaschutzprogramme.

1. Wolkenbedeckung stellt nach wie vor ein ständiges Hindernis für optische Satellitensensoren in tropischen und von Monsunen beeinflussten Agrarregionen dar. Während wichtiger Phasen der Vegetationsperiode sind aufeinanderfolgende wolkenfreie Beobachtungen oft nicht möglich, wodurch Lücken in den Messdaten entstehen. SAR kann dies teilweise kompensieren, die Integration von Datensätzen verschiedener Sensoren erhöht jedoch die Komplexität der Datenverarbeitung.
2. Unterirdischer Kohlenstoff lässt sich nicht direkt aus dem Weltraum beobachten. Die Schätzung des organischen Kohlenstoffs im Boden mittels Fernerkundung ist stets modellabhängig und stützt sich auf spektrale Oberflächenindikatoren sowie prozessbasierte Simulationen, die mit inhärenten Unsicherheiten behaftet sind.
3. Die räumliche Auflösung schränkt die Erfassung von Anbaupraktiken auf kleinen Feldern ein. In Regionen, die von kleinbäuerlicher Landwirtschaft mit Feldern unter einem Hektar dominiert werden, können selbst 10-Meter-Sentinel-2-Pixel mehrere Bewirtschaftungsgrenzen überschreiten, was die Zuordnung von ordnungsgemäßen Anbaupraktiken erschwert.
4. Die Validierung durch Felduntersuchungen bleibt unerlässlich. Satellitenmodelle müssen anhand von Bodenproben und Feldbeobachtungen kalibriert werden. Keine der derzeitigen Fernerkundungsmethoden macht Bodendaten vollständig überflüssig.

Die Standardisierung von Kohlenstoffprogrammen stellt eine weitere Herausforderung dar. Verschiedene Register akzeptieren unterschiedliche Fernerkundungsmethoden, Satellitenplattformen und Modellierungsansätze. Ein mit einer bestimmten Methode validierter Gutschein wird von einem Käufer, der mit einem anderen Standard arbeitet, möglicherweise nicht anerkannt. Dies führt zu einer Marktfragmentierung, die die Kreditverfügbarkeit und die Beteiligung von Landwirten einschränkt.

Die Zukunft der Fernerkundung auf den Kohlenstoffmärkten

Das Innovationstempo bei Satellitentechnologie, künstlicher Intelligenz und digitaler Agrarinfrastruktur lässt vermuten, dass die Grenzen der heutigen Fernerkundungssysteme im Laufe des nächsten Jahrzehnts schrittweise überwunden werden.

Künstliche Intelligenz und maschinelles Lernen revolutionieren bereits die Kohlenstoffberechnung. Deep-Learning-Modelle, die mit Millionen von Satellitenpixeln trainiert wurden, können Bodenbearbeitungsmuster, Pflanzenarten und Änderungen in der Anbaupraxis genauer und zu geringeren Kosten pro Feld identifizieren als bisherige Methoden.

Frontier-Modelle, die in Remote Sensing of Environment (2024) veröffentlicht wurden, zeigten, dass hyperspektrale maschinelle Lernmodelle den organischen Kohlenstoffgehalt des Bodens über kontinentale Skalen hinweg mit konkurrenzfähiger Genauigkeit vorhersagen können, wenn sie mit räumlich diversen Bodenspektralbibliotheken trainiert werden.

Hochauflösende kommerzielle Satellitenkonstellationen, darunter PlanetScope mit seiner 3-Meter-Tagesabdeckung und die in Kürze erscheinenden Systeme mit sehr hoher Auflösung, ermöglichen es Programmen, die auf Ebene einzelner landwirtschaftlicher Betriebe durchgeführt werden, die Überwachung von Teilfeldpraktiken zu realisieren.

Die Fusion von Drohnen- und Satellitendaten ermöglicht einen mehrschichtigen Überwachungsansatz: Satelliten sorgen für eine kontinuierliche Abdeckung, während Drohnen Validierungsdetails genau dann und dort liefern, wo sie am dringendsten benötigt werden.

• IoT-Integration ermöglicht es, Echtzeit-Bodensensordaten aus Netzwerken von Feldfeuchte- und Kohlenstoffsonden direkt in Fernerkundungskalibrierungssysteme einzuspeisen und so die Abhängigkeit von regelmäßigen manuellen Bodenprobenahmen zu verringern.
• Digitale Zwillinge für Agrarlandschaften Sie etablieren sich als Methode, die Kohlenstoffdynamik eines gesamten landwirtschaftlichen Betriebs mithilfe kombinierter Fernerkundungs-, Wetter- und Bodendaten zu simulieren. Diese Simulationsumgebungen ermöglichen es Projektentwicklern, “Was-wäre-wenn”-Szenarien für verschiedene Anbaumethodenkombinationen zu modellieren, bevor sie sich auf eine bestimmte Methodik festlegen.
• Blockchain-gestützte Kohlenstoffverfolgung Verknüpft satellitenverifizierte Kohlenstoffereignisse mit unveränderlichen Datensätzen und bietet Käufern so einen vollständigen Prüfpfad von der Feldbeobachtung bis zur Gutschriftstilgung.
• Automatisierte MRV-Plattformen ersetzen manuelle Datenübermittlungsprozesse. Unternehmen wie Agreena in Dänemark nutzen Erdbeobachtungsdaten, um Landnutzungsänderungen auf Tausenden von landwirtschaftlichen Betrieben in der EU zu überwachen. Auf Basis kontinuierlicher Satellitenanalysen werden im Rahmen der EU-Verordnung über die Kohlenstoffbindung in der Landwirtschaft (EU 2024/3012) CO₂-Zertifikate ausgestellt.

Die nahezu Echtzeit-Kohlenstoffüberwachung mit Satellitenüberflügen in fast täglichen Abständen und Analyse-Pipelines, die Bildmaterial innerhalb weniger Stunden nach der Aufnahme verarbeiten, wird es schon bald ermöglichen, Praxisänderungen – wie beispielsweise die Rückkehr eines Landwirts zur Bodenbearbeitung mitten im Projekt – zu erkennen, bevor es zu signifikanten Kohlenstoffverlusten kommt. Globale Satellitenkonstellationen und eine wachsende Verarbeitungsinfrastruktur machen diese Technologie für große Kohlenstoffregister bis Ende der 2020er-Jahre erreichbar.

Schlussfolgerung

Wie Fernerkundung die Vergabe von CO2-Zertifikaten ermöglicht, lässt sich auf einen zentralen Vorteil zurückführen: Sie macht das Unsichtbare messbar. Der in Böden und Vegetation gespeicherte Kohlenstoff lässt sich nicht direkt wiegen oder zählen. Doch die landwirtschaftlichen Praktiken, die den Kohlenstoffgehalt einer Landschaft bestimmen – von den angebauten Pflanzen über die Bodenbewirtschaftung bis hin zur Biomasseverteilung – hinterlassen spektrale und strukturelle Spuren, die Satelliten, LiDAR-Systeme und SAR-Plattformen erfassen, aufzeichnen und quantifizieren können.

Von der Kartierung von Ausgangsdaten bis zur Überprüfung von Anbaupraktiken, von der Biomasseabschätzung bis zur Dokumentation von Messungen und Verifizierungen (MRV) – Fernerkundung liefert die wissenschaftliche Grundlage, die Kohlenstoffmärkte für ein funktionierendes und integres Funktionieren benötigen. Die Verbindung zwischen Präzisionslandwirtschaft und Kohlenstoffmärkten war noch nie so eng. Landwirte, die datengestützte Managementpraktiken anwenden, steigern nicht nur ihre Produktivität. Sie generieren auch die Art von verifizierbaren, räumlich expliziten Kohlenstoffnachweisen, die Register, Käufer und Regulierungsbehörden zunehmend fordern.

Die Überwachung der Evapotranspiration mittels Fernerkundung zählt zu den bedeutendsten Fortschritten in der Agrarwasserforschung der letzten zwei Jahrzehnte. Durch die Kombination von satellitengestützten Wärmedaten, Vegetationsindizes und physikalischen Energiebilanzen können Wissenschaftler und Landwirte nun abschätzen, wie viel Wasser auf Millionen Hektar Land versickert – ganz ohne bodengestützte Sensoren.

Diese Technologie revolutioniert die Bewässerungsplanung in der Landwirtschaft, die Dürreüberwachung durch Regierungen und die Wasserfußabdruckmessung ganzer Flussgebiete durch Forscher. Die Landwirtschaft verbraucht weltweit etwa 701,3 Tonnen Süßwasser, doch der Großteil dieses Wassers wird nie direkt vor Ort gemessen – eine entscheidende Lücke, die durch die Fernerkundung der Evapotranspiration rasch geschlossen wird.

Was ist Evapotranspiration?

Die Evapotranspiration (ET) ist der kombinierte Prozess, durch den Wasser von der Landoberfläche in die Atmosphäre gelangt. Sie besteht aus zwei gleichzeitig wirkenden Komponenten: der Verdunstung, der direkten Umwandlung von flüssigem Wasser aus dem Boden, Gewässern und Pflanzenoberflächen in Wasserdampf; und der Transpiration, dem biologischen Transport von Wasser, das von den Pflanzenwurzeln aufgenommen, durch den Stängel nach oben transportiert und als Dampf durch winzige Poren in den Blättern, die sogenannten Stomata, abgegeben wird.

Zusammen machen diese beiden Prozesse den größten Wasserverlust aus, der ein terrestrisches Ökosystem verlässt. In den meisten Agrarlandschaften gelangen 60 bis 80 Prozent des gesamten Niederschlags durch Evapotranspiration (ET) zurück in die Atmosphäre. Damit ist ET die dominierende Variable im Wasserhaushalt des Landes – einflussreicher als Oberflächenabfluss oder Tiefenversickerung in den meisten Anbaugebieten.

Die Evapotranspiration (ET) steht im Zentrum des Wasserkreislaufs und verbindet Landoberfläche, Biosphäre und Atmosphäre. Bei hohen ET-Raten nimmt die Bodenfeuchtigkeit schneller ab, die Flussabflüsse sinken und die Grundwasserneubildung verringert sich. Verlangsamt sich die ET – beispielsweise durch Trockenstress, Pflanzensterben oder Landnutzungsänderungen –, wirkt sich dies auf die Wasserverfügbarkeit flussabwärts aus.

In der Klimaforschung ist die Evapotranspiration (ET) ein zentraler Kopplungsmechanismus zwischen dem Kohlenstoff- und dem Wasserkreislauf. Pflanzen öffnen ihre Spaltöffnungen, um CO₂ für die Photosynthese aufzunehmen, und geben dabei gleichzeitig Wasserdampf ab. Jede Veränderung der globalen Vegetationsbedeckung, der Temperatur oder der CO₂-Konzentration verschiebt die planetare ET-Bilanz und beeinflusst somit die regionalen Niederschlagsmuster.

Warum die Überwachung der Evapotranspiration eine Priorität im Wassermanagement darstellt?

Präzise ET-Daten ermöglichen bessere Entscheidungen in verschiedenen Sektoren. In der Landwirtschaft gibt die Kenntnis des tatsächlichen Wasserverbrauchs der Pflanzen auf Feldebene dem Bewässerungsmanager genau Aufschluss darüber, wie viel Wasser wann und wo ausgebracht werden muss und wo Defizite entstehen, bevor sichtbarer Stress bei den Pflanzen auftritt.

Diese Präzision verhindert sowohl Überbewässerung, die Wasser verschwendet und Nährstoffe auswascht, als auch Unterbewässerung, die den Ertrag mindert.

1. Bewässerungsplanung: Die auf der Evapotranspiration (ET) basierende Bewässerungsplanung ersetzt das Rätselraten durch physikalische Gesetze. Wenn ein Landwirt weiß, dass ein Maisfeld im Juli täglich 7 mm Wasser durch ET verliert, kann er genau dieses Defizit ausgleichen, anstatt nach einem festen Kalenderintervall zu bewässern.

2. Dürreüberwachung: Ein anhaltender Rückgang der tatsächlichen Evapotranspiration (ET) im Vergleich zur Referenz-ET (der Verdunstung bei unbegrenzter Wasserversorgung) signalisiert beginnenden Trockenstress. Fernerkundungsdaten erfassen dieses Signal Wochen bevor Ertragsverluste sichtbar werden.

3. Wasserressourcenplanung: Für die Wasserbilanzierung auf Beckenebene werden ET-Daten im Einzugsgebietsmaßstab benötigt. Satellitengestützte ET-Überwachung bietet diese räumliche Abdeckung zu einem Bruchteil der Kosten eines Bodenstationsnetzes.

4. Bewertung des Klimawandels: Langfristige ET-Trends zeigen, wie steigende Temperaturen und veränderte Niederschlagsmuster die Wassernutzung von Ökosystemen beeinflussen – Daten, die als Grundlage für Anpassungsplanungen auf regionaler und nationaler Ebene dienen.

5. Überwachung des Ökosystemzustands: Die Evapotranspirationsraten von Feuchtgebieten, die Transpiration von Wäldern und der Wasserverbrauch von Grasland reagieren sensibel auf ökologische Störungen. Fernerkundungsdaten zur Evapotranspiration erfassen diese Veränderungen in großen, unzugänglichen Landschaften.

Welche Faktoren beeinflussen die Evapotranspiration?

Die Evapotranspiration (ET) wird durch ein Zusammenspiel von Klimabedingungen, Landschaftsmerkmalen und Pflanzenbiologie beeinflusst. Im Folgenden werden die wichtigsten Einflussfaktoren aufgeschlüsselt.

1. Bodentyp. Die Bodenbeschaffenheit spielt eine wichtige Rolle für die Wasserspeicherung und Verdunstung. Sandige oder kiesige Böden speichern tendenziell weniger Wasser und geben durch Verdunstung mehr davon ab, während lehmige oder tonreiche Böden Feuchtigkeit besser speichern.

2. Lufttemperatur. Die Temperatur hat einen direkten Einfluss auf die Evapotranspirationsrate. Wärmere Luft kann mehr Feuchtigkeit aufnehmen, und erhöhte Wärme beschleunigt die Umwandlung von Wasser in Dampf, wodurch die Evapotranspiration steigt.

3. Sonneneinstrahlung. Neben der reinen Wärmeerzeugung umfasst die Sonneneinstrahlung Schwankungen in Energieniveau, Frequenz und Albedo – all diese Faktoren beeinflussen die Evapotranspiration. Sie variieren je nach Standort und Jahreszeit, und ihre genaue Messung erfordert oft hochentwickelte Technologien.

4. Luftfeuchtigkeit. Die relative Luftfeuchtigkeit (rF) gibt an, wie viel Wasserdampf die Luft im Verhältnis zu ihrer maximalen Aufnahmekapazität enthält. Bei hoher Luftfeuchtigkeit nimmt die Luft weniger zusätzliche Feuchtigkeit auf, wodurch die Evapotranspiration (ET) verlangsamt wird. Umgekehrt kann trockenere Luft mehr Wasserdampf aufnehmen, was zu höheren Evapotranspirationsraten führt.

5. Pflanzendecke. Verschiedene Pflanzenarten interagieren unterschiedlich mit Wasser. Einige speichern Wasser effizient in Trockenperioden, während andere es schneller verlieren. Die Evapotranspirationsrate (ET) wird auch vom Alter, dem Gesundheitszustand und der Wurzeltiefe der Pflanze beeinflusst – tiefere Wurzeln ermöglichen es den Pflanzen, länger ohne Bewässerung auszukommen. Aufgrund dieser physiologischen Unterschiede kann die ET je nach Pflanzenart stark variieren, was angepasste Bewässerungsstrategien erforderlich macht.

6. Windgeschwindigkeit. Wind ist ein wesentlicher Faktor für Verdunstung und Transpiration. Er verteilt die feuchte Luftschicht über der Vegetation und erhöht so die Evapotranspiration. Zudem fördert er die Diffusion von Wasserdampf durch die Pflanzenporen und steigert dadurch die Transpiration. Allerdings können extrem starke, trockene Winde die Wasserdampfdiffusion behindern und die Evapotranspiration unter bestimmten Bedingungen leicht verringern.

Schlüsselkonzepte der Evapotranspiration

ET(0) spiegelt die Fähigkeit der Atmosphäre wider, Wasserverluste zu verursachen, und basiert ausschließlich auf dem Klima. ET(c) misst den Wasserverlust gesunder, gut bewässerter Pflanzen, die unter idealen Bedingungen ihr volles Ertragspotenzial erreichen. Bei suboptimaler Bewirtschaftung oder Umweltbelastungen muss ET(c) angepasst werden, um ET(c_adj) zu erhalten. Die Evapotranspiration von Nutzpflanzen wird anhand dreier unterschiedlicher Konzepte verstanden:

1. ET(0) — Referenzverdunstung
2. ET(c) — Evapotranspiration unter Standardbedingungen
3. ET(c adj) — Evapotranspiration unter nicht-standardmäßigen Bedingungen

1. Referenzverdunstung — ET(0)

ET(0) repräsentiert die Verdunstungsrate von Wasser von einer gut bewässerten Referenzfläche – typischerweise modelliert als eine idealisierte Grasdecke, die bestimmte Kriterien erfüllt.

Diese Messgröße erfasst den Verdunstungsbedarf der Atmosphäre unabhängig von Pflanzenart, Wachstumsstadium oder Anbaumethoden. Da die Referenzfläche als vollständig durchfeuchtet angenommen wird, werden Bodenbedingungen bei der Berechnung nicht berücksichtigt – wodurch die Notwendigkeit entfällt, separate ET-Schwellenwerte für jede Kulturpflanze in jedem Wachstumsstadium zu definieren.

ET(0) wird ausschließlich von Klimavariablen bestimmt, und die typischen Werte variieren je nach agroklimatischer Zone; diese Werte dienen jedoch nur als allgemeine Richtwerte.

2. Evapotranspiration unter Standardbedingungen — ET(c)

ET(c) quantifiziert die Wassermenge, die von einer gesunden, gut genährten Kulturpflanze auf großen, ausreichend bewässerten Feldern unter günstigen Witterungsbedingungen bei maximaler Produktivität freigesetzt wird. Sie wird durch Multiplikation der Referenz-ET mit dem Kulturkoeffizienten K(c) ermittelt:

ET(c) = ET(0) × K(c)

3. Evapotranspiration unter nicht-standardmäßigen Bedingungen — ET(c adj)

ET(c adj) berücksichtigt Abweichungen von idealen Wachstumsbedingungen in der Praxis. Faktoren wie Schädlings- und Krankheitsbefall, Wassermangel oder -überschuss, Bodenversalzung und geringe Bodenfruchtbarkeit können dazu führen, dass der tatsächliche Wasserverbrauch der Kulturpflanzen erheblich von ET(c) abweicht. Um diese Effekte zu erfassen, wird neben dem Kulturkoeffizienten ein Wasserstresskoeffizient K(s) eingeführt.

ET(c adj) = ET(0) × K(c) × K(s)

Traditionelle Methoden zur Messung der Evapotranspiration

Vor der Fernerkundung maßen Wissenschaftler die Evapotranspiration (ET) mithilfe direkter physikalischer Instrumente. Jede Methode funktioniert in einem bestimmten Maßstab gut, bringt aber erhebliche Nachteile mit sich, die eine breite Anwendung in der Landwirtschaft einschränken. Zu den besten bodengestützten ET-Messverfahren gehören:

1. Lysimeter: Ein Lysimeter (ein großer, mit Erde und wachsenden Pflanzen gefüllter Behälter, der ebenerdig installiert wird) misst die Evapotranspiration (ET), indem es den Bodenblock über die Zeit wiegt. Bei kontrollierter Niederschlagsmenge und aufgefangenem Drainagewasser entspricht die Massendifferenz zwischen den Messzeitpunkten der tatsächlichen ET.

Lysimeter liefern die genauesten verfügbaren ET-Messungen, kosten aber Hunderttausende von Dollar pro Einheit, decken nur wenige Quadratmeter ab und können die räumliche Variabilität eines realen Feldes nicht darstellen.

2. Eddy-Kovarianz-System: Das Eddy-Kovarianz-System misst die Evapotranspiration (ET), indem es mithilfe schnell reagierender Sensoren die Kovarianz zwischen vertikaler Windgeschwindigkeit und Wasserdampfkonzentration über einem Kronendach berechnet. Es deckt einen Bereich von mehreren hundert Metern bis zu einigen Kilometern ab und ist damit deutlich repräsentativer als ein Lysimeter.

Allerdings kostet die Installation und Wartung von Flux-Türmen zwischen 50.000 und 300.000 US-Dollar, und das globale FLUXNET-Netzwerk verfügt nur über rund 900 aktive Standorte – viel zu wenige, um die landwirtschaftliche Evapotranspiration auf nationaler Ebene zu überwachen.

3. Bowen-Ratio-Methode: Die Bowen-Ratio-Methode schätzt die Evapotranspiration (ET) durch Messung des Verhältnisses von fühlbarem Wärmestrom (der die Luft erwärmt) zu latentem Wärmestrom (ET) mithilfe von Temperatur- und Feuchtigkeitsgradienten über dem Kronendach. Sie ist einfacher als die Eddy-Kovarianz-Methode, erfordert jedoch homogene Anströmbedingungen und ist in komplexem Gelände nicht anwendbar.

4. ET-Berechnungen auf Basis von Wetterstationen Mithilfe der FAO-Penman-Monteith-Gleichung wird die Referenz-ET (ET₀) aus Daten zu Lufttemperatur, Luftfeuchtigkeit, Windgeschwindigkeit und Strahlung berechnet. Diese Methode wird häufig für die Bewässerungsplanung eingesetzt, liefert jedoch die Referenz-ET und nicht die tatsächliche ET, da sie von einer ausreichend bewässerten Referenzkultur und nicht von der tatsächlich auf dem Feld befindlichen Kultur ausgeht.

Das zentrale Problem aller bodengestützten Messmethoden ist der Maßstab. Ein einzelnes Lysimeter repräsentiert nur wenige Quadratmeter. Ein Flux-Turm deckt bestenfalls einige hundert Hektar ab. Moderne landwirtschaftliche Wasserbewirtschaftung erfordert jedoch ET-Daten auf Feldebene für ganze Flussgebiete – eine räumliche Herausforderung, die nur Fernerkundung bewältigen kann.

Grundlagen der Fernerkundung für die ET-Überwachung

Fernerkundung im Kontext der ET-Überwachung bezeichnet die Erfassung und Analyse von satelliten- oder flugzeuggestützten Daten zur Schätzung des Wasserflusses, der die Landoberfläche verlässt, ohne diese physisch zu berühren.

Dieser Ansatz funktioniert, weil Pflanzen und Böden Energie mit der Atmosphäre austauschen, und zwar auf eine Weise, die aus dem Weltraum messbar ist – insbesondere durch die Emission von thermischer Infrarotstrahlung. Wenn eine Pflanze effizient transpiriert, nutzt sie die einfallende Sonnenenergie zur Verdunstung von Wasser, anstatt sich zu erwärmen. Ein Kronendach mit ausreichender Bodenfeuchtigkeit bleibt relativ kühl.

Im Gegensatz dazu schließt ein durch Wassermangel beeinträchtigtes Kronendach seine Spaltöffnungen, um Wasser zu sparen. Da weniger latente Wärme (ET) die einfallende Energie verbraucht, steigt die Oberflächentemperatur des Kronendachs. Dies ist das grundlegende physikalische Signal, das die thermische Fernerkundung erfasst.

Wichtige physikalische Prinzipien der satellitengestützten ET-Schätzung

Die Energiebilanz Dies ist der maßgebliche Rahmen. An jeder Landoberfläche muss die Nettostrahlung (Rn), die von Sonne und Atmosphäre eintrifft, der Summe dreier Energiesenken entsprechen: dem Bodenwärmestrom (G), dem fühlbaren Wärmestrom (H, der die Luft erwärmt) und dem latenten Wärmestrom (LE, der die Evapotranspiration antreibt). Als Gleichung ausgedrückt: Rn = G + H + LE. Durch die Schätzung von Rn, G und H anhand von Satellitendaten ermittelt das Modell LE – und damit ET – als Residuum.

1. Landoberflächentemperatur Die im thermischen Infrarotbereich gemessene Landoberflächentemperatur (LST) ist die primäre Messgröße zur Abschätzung des fühlbaren Wärmestroms H. Eine heißere Oberfläche gibt mehr Wärme an die Luft ab (hohes H), wodurch weniger Energie für die Evapotranspiration (ET) zur Verfügung steht (niedriger LE). Eine kühlere, gut bewässerte Oberfläche weist ein niedrigeres H und einen höheren LE auf.

2. Vegetationsindizes Ähnlich wie der NDVI erfasst er, wie viel grünes, photosynthetisch aktives Pflanzenmaterial die Oberfläche bedeckt und somit die Transpirationsrate beeinflusst. Ein dichtes, grünes Kronendach transpiriert mehr als nackter Boden oder ein lichter Bestand.

3. Nettostrahlung wird aus kurzwelligen und langwelligen Strahlungsflüssen berechnet, die mittels Fernerkundung aus Oberflächenalbedo, Vegetationsbedeckung und thermischen Emissionsdaten geschätzt werden.

Die satellitengestützte Evapotranspirationsüberwachung ist kein Ersatz für Messungen vor Ort – sie ist das einzige Instrument, das räumlich kontinuierliche Wasserverbrauchsdaten in dem Maßstab liefern kann, in dem landwirtschaftliche und hydrologische Entscheidungen tatsächlich getroffen werden.

Der Vorteil der Fernerkundung gegenüber bodengestützten Messmethoden liegt nicht nur in der räumlichen Abdeckung. Satellitendaten liefern synoptische, wiederholbare Messungen in höchst heterogenen Landschaften – etwas, das kein bodengestütztes Messnetz zu vergleichbaren Kosten leisten könnte.

Fernerkundungsdatenquellen zur ET-Schätzung

Die Schätzung der Evapotranspiration aus dem Weltraum erfordert die Kombination von Daten verschiedener Sensortypen. Da kein einzelner Satellit alle für ein vollständiges Evapotranspirationsmodell benötigten Eingangsdaten liefert, fusionieren operationelle Evapotranspirationsprodukte typischerweise Daten von mehreren Plattformen.

1. Satellitenplattformen zur ET-Schätzung

i. Landsat Der Satelliten (USGS/NASA) ist seit 1972 ununterbrochen in Betrieb und liefert multispektrale und thermische Bilder mit einer räumlichen Auflösung von 30 Metern und einem Wiederholungszyklus von 16 Tagen. Sein umfangreiches Archiv macht ihn unverzichtbar für die historische Evapotranspirationsanalyse und die Pflanzenbeobachtung. Die meisten Energiebilanzmodelle zur Evapotranspiration – darunter SEBAL und METRIC – wurden ursprünglich auf Basis von Landsat-Daten entwickelt.

ii. Sentinel-2 Die ESA bietet multispektrale Bilder mit einer Auflösung von 10 Metern und einer Wiederholungsrate von 5 Tagen für die Berechnung hochauflösender Vegetationsindizes. Obwohl sie kein Thermalband enthalten, ergänzen sie Landsat durch häufigere und höher aufgelöste NDVI-, EVI- und LAI-Daten für vegetationsbasierte ET-Modelle.

iii. MODIS Das NASA-Spektroradiometer MOD16 (Moderate Resolution Imaging Spectroradiometer) liefert täglich globale Daten mit einer Auflösung von 250 m bis 1 km. Die gröbere räumliche Auflösung schränkt zwar die Anwendung im Feldmaßstab ein, macht es aber ideal für die Überwachung der Evapotranspiration auf kontinentaler und globaler Ebene.

iv. ÖKOSTRESS Der NASA-Satellit ECOSTRESS ist auf der Internationalen Raumstation (ISS) installiert und liefert thermische Infrarotdaten mit einer Auflösung von 70 Metern und einem Wiederholungszyklus von ein bis fünf Tagen. ECOSTRESS wurde speziell für die Messung von Wasserstress und Evapotranspiration bei Nutzpflanzen im Nahfeldmaßstab entwickelt – eine Lücke, die MODIS und frühere Satelliten nicht schließen konnten.

v. VIIRS (Visible Infrared Imaging Radiometer Suite, NOAA/NASA) auf den Satelliten Suomi NPP und JPSS setzt die Tradition der globalen täglichen Abdeckung von MODIS mit verbesserter Sensorkalibrierung fort und unterstützt operationelle ET-Produkte auf regionaler bis globaler Ebene.

2. UAV- und drohnengestützte ET-Beobachtungen

Unbemannte Luftfahrzeuge (UAVs oder Drohnen), ausgestattet mit Wärmebildkameras und Multispektralsensoren, können die Evapotranspiration (ET) mit einer räumlichen Auflösung im Submeterbereich über einzelnen Feldern kartieren. Eine an einer Drohne montierte Wärmebildkamera misst die Temperatur der Baumkronen direkt, und in Kombination mit meteorologischen Bodendaten erzeugt sie ET-Karten mit einer Auflösung, die kein Satellit erreichen kann.

• Wärmebilddrohnen Die Möglichkeit, wassergestresste Pflanzenbereiche innerhalb eines Feldes zu erkennen, bevor sichtbare Symptome auftreten, ermöglicht eine variable Bewässerung auf Feldebene.
• Multispektrale Sensoren Drohnen berechnen NDVI und EVI mit zentimetergenauer Auflösung und speisen so pflanzenkoeffizientenbasierte ET-Modelle für eine präzise Feldplanung.
• Hochauflösende ET-Kartierung Die Überwachung mittels unbemannter Luftfahrzeuge ist besonders wertvoll für Spezialkulturen – Baumfrüchte, Weinreben, Gemüse –, bei denen die Variabilität innerhalb des Feldes hoch ist und die Kosten von Wassermangel groß sind.

Wichtige Fernerkundungsvariablen für die ET-Überwachung

Jede aus Satellitendaten extrahierte Variable trägt ein spezifisches Puzzleteil zur ET-Schätzung bei. Das Verständnis dafür, was jede Variable misst und warum sie wichtig ist, hilft Anwendern, das richtige Modell auszuwählen und die Ergebnisse korrekt zu interpretieren.

1. Normalisierter Differenzvegetationsindex Der NDVI (Normalized Difference Vegetation Index) wird anhand der Reflexionswerte im nahen Infrarot- und Rotbereich berechnet: (NIR – Rot) / (NIR + Rot). Er liegt zwischen -1 und +1, wobei dichte, grüne Vegetation typischerweise Werte zwischen 0,6 und 0,9 aufweist. Der NDVI erfasst die Kronendichte und den Grünanteil, die direkt mit der Blattfläche und der Transpirationskapazität korrelieren.

2, Verbesserter Vegetationsindex Der EVI-Wert fügt ein blaues Spektralband hinzu, um atmosphärische Störungen und Bodeneinflüsse zu reduzieren, die den NDVI-Wert in dicht bewachsenen oder häufig bewölkten Gebieten beeinträchtigen. Der EVI-Wert ist in Gebieten mit hoher Biomasse empfindlicher als der NDVI-Wert und wird im MOD16-ET-Algorithmus verwendet.

3. Blattflächenindex Der Blattflächenindex (LAI) quantifiziert die gesamte einseitige Blattfläche pro Flächeneinheit. Er beeinflusst die Transpiration direkt, indem er bestimmt, wie viel Blattoberfläche Wasserdampf mit der Atmosphäre austauscht. Satellitengestützte LAI-Daten sind ein wichtiger Eingangsparameter in vielen physikalisch basierten Evapotranspirationsmodellen.

4. Oberflächenalbedo Die Albedo gibt den Anteil der einfallenden Sonnenstrahlung an, der von der Oberfläche reflektiert wird. Sie bestimmt, wie viel Sonnenenergie die Oberfläche absorbiert und somit, wie viel Energie für die Evapotranspiration zur Verfügung steht. Dunkler, feuchter Boden hat eine niedrige Albedo (absorbiert mehr Energie), eine unbewachsene Sandoberfläche hingegen eine hohe Albedo (reflektiert mehr).

5. Bodenfeuchtigkeit Die Daten von Mikrowellensensoren schränken ET-Modelle ein, indem sie anzeigen, ob in der Wurzelzone ausreichend Wasser zur Deckung des Transpirationsbedarfs vorhanden ist. Sinkt die Bodenfeuchtigkeit unter einen kritischen Schwellenwert, fällt die tatsächliche ET selbst bei ausreichender Energieverfügbarkeit unter die potenzielle Rate.

Bastiaanssen et al. (wie in Frontiers in Remote Sensing, 2026, besprochen) stellten fest, dass SEBAL, validiert in mehr als 30 Länder, erreicht 85% Genauigkeit für tägliche ET-Schätzungen und 95% Genauigkeit für saisonale ET-Schätzungen im Feldmaßstab.

Eine saisonale Genauigkeit von 95% bedeutet, dass die Wasserbilanzierung für Nutzpflanzen in einem gesamten Bewässerungsgebiet zuverlässig nur mit Satellitendaten durchgeführt werden kann, wodurch die Notwendigkeit dichter Bodenstationsnetze entfällt.

Evapotranspirations-Schätzmodelle

1. Energiebilanzmodelle

Energiebilanzmodelle berechnen ET als Rest der Oberflächenenergiebilanz: ET = Rn – G – H. Jedes Modell unterscheidet sich darin, wie es den fühlbaren Wärmestrom H schätzt, der die rechenintensivste und fehleranfälligste Komponente darstellt.

i. Oberflächenenergiebilanzalgorithmus für Land SEBAL wurde 1998 von Bastiaanssen entwickelt und ist nach wie vor eines der weltweit am häufigsten angewandten Satelliten-ET-Modelle. SEBAL verwendet drei zentrale, aus Satellitendaten abgeleitete Parameter: die Landoberflächentemperatur (T0), die hemisphärische Oberflächenreflexion (Albedo r0) und den NDVI.

Zur Schätzung des fühlbaren Wärmestroms identifiziert SEBAL zwei Ankerpixel – das “heiße Pixel” (trockener, unbewachsener Boden, wo die Evapotranspiration nahe null liegt) und das “kalte Pixel” (gut bewässerte Pflanzen, wo die Evapotranspiration maximal ist) – und interpoliert den Wärmestrom über die Szene relativ zu diesen Extremwerten. Diese Selbstkalibrierungsfunktion macht SEBAL weniger anfällig für absolute Kalibrierungsfehler in den meteorologischen Eingangsdaten.

ii. Kartierung der Evapotranspiration mit hoher Auflösung und interner Kalibrierung Das METRIC-Modell baut auf SEBAL auf, ergänzt es aber um eine automatische Kalibrierung anhand einer Referenz-ET, die von einer Wetterstation berechnet wird. METRIC eignet sich besser für Regionen mit vollständigen Wetterdatennetzen und wird im Westen der USA häufig für das operative Bewässerungsmanagement eingesetzt.

iii. Oberflächenenergiebilanzsystem SEBS nutzt die Turbulenztheorie, um den fühlbaren Wärmefluss anhand von satellitengestützten LST-Daten, Oberflächenrauigkeit und Windgeschwindigkeit zu schätzen. SEBS ist physikalisch präziser als SEBAL, benötigt aber zusätzliche Eingangsdaten und eignet sich daher besser für die Forschung als für den operativen Betrieb landwirtschaftlicher Betriebe.

Die Wahl des ET-Modells ist nicht nur eine technische Entscheidung – sie hängt davon ab, welche Fragestellung beantwortet werden soll. Eine Wasserbilanzierung auf Einzugsgebietsebene und ein Bewässerungsplanungsinstrument auf Feldebene erfordern grundlegend unterschiedliche räumliche und zeitliche Auflösungen.

iv. Energiebilanz zweier Quellen Das TSEB-Modell behandelt Boden und Kronendach als zwei separate ET-Quellen mit jeweils eigener Temperatur und Energiebilanz. Dieser Ansatz ist genauer bei spärlicher Vegetation oder gemischter Landnutzung, wo ein Modell mit nur einer Quelle die Bodenverdunstung mit der Pflanzentranspiration vermischen kann.

2. Vegetationsindexbasierte ET-Modelle

Nicht alle ET-Modelle benötigen Wärmebilder. Vegetationsindexbasierte Modelle schätzen die Evapotranspiration anhand der Wärmebildkameras. Ansatz mit Pflanzenkoeffizienten (Kc x ET0), wobei der Pflanzenkoeffizient Kc aus NDVI oder EVI abgeleitet wird und die Referenz-ET (ET0) von einer Wetterstation stammt. Die FAO-56-Methodik formalisiert diesen Ansatz und wird häufig für die Bewässerungsplanung verwendet, da sie keine Daten aus den thermischen Spektralbändern benötigt.

Modelle des maschinellen Lernens, einschließlich Random Forest, Künstliche neuronale Netze (KNN), und Deep-Learning-Architekturen werden zunehmend zur ET-Schätzung eingesetzt, indem sie komplexe nichtlineare Beziehungen zwischen satellitengestützten Eingangsgrößen (LST, NDVI, Albedo, LAI) und ET-Messungen mit Flux Towers erlernen.

Eine 2023 in Remote Sensing of Environment veröffentlichte Studie kam zu dem Ergebnis, dass ein auf MODIS- und meteorologischen Eingangsdaten trainiertes Random-Forest-Modell die tägliche Evapotranspiration mit einem R² von 0,87 und einem RMSE von 0,51 mm/Tag über verschiedene Biome hinweg vorhersagte – konkurrenzfähig mit traditionellen Energiebilanzmodellen, jedoch mit einem weitaus geringeren Aufwand für die Parametrisierung.

Eine in Taylor and Francis Open (2021) veröffentlichte Studie ergab, dass der SEBAL-Algorithmus, angewendet auf Landsat-8-Bilder über einem Maisanbaugebiet in Adana, Türkei, ET-Schätzungen mit einer Genauigkeit von … lieferte. Korrelationskoeffizient von R = 0,91 im Vergleich zur FAO Penman-Monteith-Methode und einem RMSE von nur 1,14 mm/Tag.

Die Genauigkeit von SEBAL im Feldmaßstab bedeutet, dass satellitengestützte ET-Messungen den Bedarf an teuren Lysimeterinstallationen in operativen Bewässerungsmanagementsystemen ersetzen oder erheblich reduzieren können.

Satellitengestützte ET-Produkte für den operativen Einsatz verfügbar

Mehrere globale und regionale ET-Produkte wandeln nun Fernerkundungsdaten in sofort nutzbare ET-Datenebenen um. Anwender müssen keine eigenen Energiebilanzmodelle mehr ausführen – sie können direkt auf diese vorab berechneten Datensätze zugreifen.

1. MOD16 ET Produkt (NASA) verwendet MODIS-Daten mit einem Penman-Monteith-Algorithmus, der auf MODIS-Landbedeckungsdaten, LAI, EVI und globalen Reanalysedaten der Wetterdienste basiert. Er liefert 8-Tage- und monatliche ET-Komposite mit einer globalen Auflösung von 500 Metern. MOD16 eignet sich gut für landschaftsweite Studien, ist aber für die individuelle Feldarbeit zu grob.

2. SSEBop Das vom USGS entwickelte Modell SSEBop (Simplified Surface Energy Balance operational) vereinfacht die Kalibrierungsherausforderung von SEBAL (Simplizite Energiebilanzmodell) hinsichtlich heißer und kalter Pixel durch die Verwendung vordefinierter Temperaturgrenzen, die aus langjährigen Klimadaten abgeleitet wurden. SSEBop wird operationell mit einer Auflösung von 30 Metern auf Basis von Landsat-Daten betrieben und ist eines der sechs Modelle des OpenET-Ensembles.

3. OpenET-Plattform, Das 2021 ins Leben gerufene und als öffentlich-private Zusammenarbeit unter der Leitung von NASA, USGS, California State University Monterey Bay, Environmental Defense Fund und Desert Research Institute betriebene Projekt liefert ET-Daten im Feldmaßstab mit einer Auflösung von 30 Metern im gesamten Westen der Vereinigten Staaten.

Eine wegweisende Studie, die im Januar 2024 in Nature Water veröffentlicht wurde und OpenET-Schätzungen mit Messungen von 152 bodengestützten Flussmessstationen verglich, bestätigte, dass OpenET eine hohe Genauigkeit für einjährige Nutzpflanzen wie Weizen, Mais, Soja und Reis erreicht – insbesondere in ariden Regionen, wo Wasserknappheit die Präzision der Bewässerung von größter Bedeutung macht.

4. WaPOR-Portal Die FAO stellt ET-Daten für Afrika und den Nahen Osten in Auflösungen von 30 Metern, 100 Metern und 250 Metern bereit, die speziell für die Analyse der landwirtschaftlichen Wasserproduktivität in datenarmen Entwicklungsregionen entwickelt wurden.

5. GLANZ Das Global Land Evaporation Amsterdam Model (GLAMM) unterteilt die Evapotranspiration (ET) in Transpiration, Verdunstung unbedeckter Böden, Interzeptionsverluste und Verdunstung offener Gewässer. Die Daten basieren auf Mikrowellen-Bodenfeuchtedaten und Satelliten-Vegetationsprodukten. Das GLAMM zeichnet sich durch seine Fähigkeit aus, das ET-Signal in biologische und physikalische Komponenten zu zerlegen.

Anwendungen der Fernerkundung

1. Präzisionsbewässerung und Pflanzenwassermanagement

Die unmittelbarste Anwendung von Satelliten-ET-Daten liegt in der Bewässerungsplanung. Durch den Zugriff auf wöchentliche ET-Karten im Feldmaßstab können Landwirte das Bewässerungsdefizit – die Differenz zwischen der tatsächlichen Evapotranspiration und dem effektiven Niederschlag – berechnen und genau die entsprechende Wassermenge ausbringen. Dies beseitigt die chronische Überbewässerung, die Wasser verschwendet, ohne den Ertrag zu steigern.

Im Sacramento-San Joaquin Delta in Kalifornien nutzen Wasserressourcenmanager OpenET, um Landwirten bei der Einhaltung der staatlichen Vorschriften zu helfen, die eine genaue Berichterstattung über den Wasserverbrauch vorschreiben.

Die hohe Genauigkeit der satellitengestützten ET-Daten für einjährige Nutzpflanzen bietet eine rechtlich tragfähige Grundlage für die Wasserbilanzierung, die keine bodengestützte Methode in dieser räumlichen Abdeckung bieten könnte.

Eine 2024 in Agricultural Water Management veröffentlichte Studie (Ott et al., 2024; Desert Research Institute) evaluierte OpenET anhand von gemessenen Bewässerungsdaten in Grundwasserbecken in Nevada.

Im Diamond Valley zeigten die OpenET-Schätzungen nur einen 7% Abweichung von den gemessenen Wasserverbrauchsdaten, was die operative Zuverlässigkeit für das behördliche Grundwassermanagement belegt.

Eine Fehlertoleranz von 7% auf Beckenebene bedeutet, dass satellitengestützte ET-Daten in Regionen mit kritisch erschöpftem Grundwasser teure Messinfrastruktur ersetzen können.

2. Dürrebewertungs- und Frühwarnsysteme

Die Dürreüberwachung ist eine weitere Anwendung mit großer Wirkung. Verdunstungsstressindex Der aus thermischen Daten von ECOSTRESS und MODIS abgeleitete ESI misst das Verhältnis von tatsächlicher zu potenzieller Evapotranspiration.

Wenn der ESI-Wert deutlich unter 1,0 sinkt, signalisiert dies, dass die Pflanzen unter Wasserstress leiden – ein zuverlässiger Frühindikator für landwirtschaftliche Dürre, der oft 4 bis 8 Wochen vor messbaren Ertragsverlusten erkennbar ist.

Das Nationale Zentrum für Dürreprävention des US-Landwirtschaftsministeriums (USDA) integriert satellitengestützte Evapotranspirationsmessungen in operationelle Dürreüberwachungskarten, die von Landesregierungen, Ernteversicherungen und Katastrophenschutzbehörden genutzt werden. Diese Integration ermöglicht eine schnellere und gezieltere Dürrehilfe als kalenderbasierte oder rein niederschlagsbasierte Ansätze.

3. Wasserressourcenmanagement im Einzugsgebiet

Für die Wasserbilanzierung im Einzugsgebiet ist es erforderlich zu wissen, wie viel Wasser über Millionen von Hektar durch Evapotranspiration (ET) die Landoberfläche verlässt. Genau diese Information liefern satellitengestützte ET-Produkte wie MOD16, GLEAM und WaPOR auf globaler Ebene.

• Stauseeverwaltungsbehörden Mithilfe von ET-Daten wird der Wasserertrag des Einzugsgebiets geschätzt – die Differenz zwischen Niederschlag und ET –, der bestimmt, wie viel Wasser tatsächlich Flüsse und Stauseen erreicht.
• Behörden für grenzüberschreitende Flussgebiete Anwendung von satellitengestützter Evapotranspiration zur unabhängigen Überprüfung der nationalen Wasserverbrauchsberichte ohne Zugriff auf nationale Bodendatennetze.
• Leiter von Bewässerungsbezirken ET wird eingesetzt, um den Wasserverbrauch nach Pflanzenart über das gesamte Versorgungsgebiet hinweg zu verfolgen und so eine gerechte Wasserverteilung und die Einhaltung gesetzlicher Vorschriften zu unterstützen.

4. Umwelt- und ökologische Anwendungen

Die ET-Überwachung von Feuchtgebieten mithilfe von Satellitendaten quantifiziert den Wasserverbrauch von Ökosystemen in unzugänglichen Mooren, Torfgebieten und Ästuaren, wo keine Bodensensoren eingesetzt werden können. Die ET-Überwachung von Wäldern zeigt, wie Entwaldung, Wiederaufforstung und Waldbrände den Wasserhaushalt ganzer Wassereinzugsgebiete verändern – entscheidende Daten für die Kohlenstoffbilanzierung von Wäldern und die Planung der Wasserversorgung.

Die Evapotranspiration ist das unsichtbare Bindeglied zwischen allen Pflanzen der Erde und dem globalen Wasserkreislauf. Fernerkundung ist das einzige Instrument, das uns zur Verfügung steht, um sie in dem für die Wasserbewirtschaftung relevanten Maßstab zu erfassen.

Genauigkeitsbewertung und Validierung von Satelliten-ET-Produkten

Kein ET-Produkt ist ohne strenge Validierung nützlich. Der Standardansatz vergleicht Satelliten-ET-Schätzungen mit Messungen von Eddy-Kovarianz-Flussmesstürmen – den genauesten verfügbaren Referenzdaten für ET im Landschaftsmaßstab.

Die globale FLUXNET Das Netzwerk stellt frei zugängliche Flux-Tower-Daten von Hunderten von Standorten in verschiedenen Biomen bereit. Entwickler von ET-Produkten vergleichen ihre Modellausgaben mit FLUXNET-Messungen, um statistische Leistungskennzahlen zu berechnen, darunter

• R² (Korrelationskoeffizient),
• RMSE (Root Mean Square Error) und
• Verzerrung (systematische Über- oder Unterschätzung).

Die Validierung wird für verschiedene Landbedeckungstypen, Klimazonen und Jahreszeiten separat durchgeführt, da die Genauigkeit des ET-Modells unter diesen Bedingungen erheblich variiert.

Energiebilanzmodelle wie SEBAL und METRIC erzielen im Allgemeinen die besten Ergebnisse in halbtrockenen Agrarlandschaften mit klarem Himmel. Ihre Leistungsfähigkeit nimmt in feuchten Tropenwäldern, komplexem Gebirgsgelände und Gebieten mit häufiger Bewölkung ab.

Die in Nature Water veröffentlichte OpenET-Genauigkeitsstudie verglich sechs ET-Modelle mit Messungen von 152 Flux-Turmstandorte Eine Untersuchung in den gesamten Vereinigten Staaten ergab, dass das OpenET-Ensemble die besten Ergebnisse speziell für einjährige Nutzpflanzen in den trockenen westlichen Regionen erzielte – also in den Gebieten, in denen die Bewässerungsbewirtschaftung wirtschaftlich und ökologisch von größter Bedeutung ist.

Wassermanager in ariden Regionen können OpenET-Daten mit hoher Wahrscheinlichkeit für die Einhaltung der Bewässerungsvorschriften und die Überwachung des Wasserhaushalts einsetzen und so teure Messinfrastruktur ersetzen.

Herausforderungen bei der Fernerkundung der ET-Überwachung

Trotz rascher Fortschritte schränken verschiedene technische und operative Herausforderungen die Genauigkeit und Anwendbarkeit der satellitengestützten ET-Überwachung ein.

1. Einschränkungen durch Wolkenbedeckung: Optische und thermische Fernerkundung erfordern wolkenfreie Bedingungen. In feuchten Tropenregionen oder während der Monsunzeit kann anhaltende Wolkendecke zu Datenlücken von Wochen bis Monaten führen und somit die für das Bewässerungsmanagement notwendige zeitliche Kontinuität unterbrechen.

2. Einschränkungen der räumlichen Auflösung: MODIS, der Satellit mit der höchsten zeitlichen Auflösung, liefert ET-Daten mit einer Auflösung von 500 Metern – zu grob für Felder unter etwa 25 Hektar. Die 30-Meter-Auflösung von Landsat ist für die meisten landwirtschaftlichen Flächen ausreichend, allerdings erfolgt die Messung nur alle 16 Tage, wodurch schnelle Veränderungen des Wasserstresses nicht erfasst werden.

3. Abwägungen bei der zeitlichen Auflösung: Hohe räumliche Auflösung (Landsat, Sentinel-2, ECOSTRESS) und hohe zeitliche Auflösung (MODIS, VIIRS) stehen in einem umgekehrten Verhältnis. Um diese Diskrepanz zu überbrücken, sind Datenfusionsverfahren erforderlich.

4. Modellannahmen in heterogenen Landschaften: Energiebilanzmodelle mit nur einer Energiequelle gehen von einer gleichmäßigen Vegetationsdecke aus, was bei spärlicher Vegetation, gemischten Anbausystemen oder urban-landwirtschaftlichen Schnittstellen, wo die Boden- und Pflanzentemperaturen stark auseinanderlaufen, nicht mehr zutrifft.

5. Datenverfügbarkeit in Entwicklungsländern: Die zur Einschränkung von ET-Modellen benötigten Daten von Bodenwetterstationen sind in weiten Teilen Subsahara-Afrikas, Südasiens und Zentralasiens spärlich – also genau in den Regionen, in denen ein verbessertes Wassermanagement am dringendsten erforderlich ist.

Neue Technologien und die Zukunft der ET-Überwachung

Mehrere zusammenlaufende technologische Entwicklungen werden voraussichtlich in den nächsten fünf bis zehn Jahren die Genauigkeit, die Abdeckung und die Zugänglichkeit der Fernerkundung zur Überwachung des ET-Gebiets dramatisch erweitern.

1. Künstliche Intelligenz, Maschinelles Lernen und Datenfusion

Deep-Learning-Modelle, die mit großen Multisensor-Datensätzen trainiert wurden, übertreffen in bestimmten Landschaften zunehmend klassische Energiebilanzmodelle. Konvolutionelle neuronale Netze können Landsat-, Sentinel-2-, MODIS- und meteorologische Reanalysedaten gleichzeitig integrieren und so räumlich-zeitliche ET-Muster erfassen, die mit Einzelsensormodellen nicht abrufbar sind.

Unterdessen werden Datenfusionsalgorithmen – allen voran der STARFM-Ansatz (Spatial and Temporal Adaptive Reflectance Fusion Model) – verwendet, um hochauflösende Landsat-Bilder mit täglichen MODIS-Daten zu kombinieren und so synthetische tägliche ET-Karten mit einer Auflösung von 30 Metern zu erzeugen. Dadurch wird der räumlich-zeitliche Zielkonflikt, der derzeit Anwendungen in der Präzisionslandwirtschaft einschränkt, effektiv gelöst.

2. Hochauflösende Thermalsatelliten und CubeSat-Konstellationen

Die nächste Generation dedizierter thermischer Erdbeobachtungssatelliten wird Wärmebilder mit einer Auflösung von unter 30 Metern und täglicher Wiederholungsrate liefern.

Geplante Missionen, darunter der Nachfolger von Landsat Next und kommerzielle CubeSat-Konstellationen für thermische Satelliten, werden den bisherigen Zielkonflikt zwischen räumlicher Detailgenauigkeit und zeitlicher Frequenz beseitigen, der die ET-Überwachung im Feldmaßstab bisher eingeschränkt hat.

Wie der Bericht „Future Market Insights“ (2025) feststellte, wird der Markt für Fernerkundungsdienste – der im Jahr 2025 einen Wert von 22,87 Milliarden US-Dollar hatte – bis 2035 voraussichtlich 84,28 Milliarden US-Dollar erreichen, was maßgeblich auf den Ausbau der LEO-Satellitenkonstellation zurückzuführen ist.

3. Digitale Zwillinge für das Wassermanagement

Digitale Zwillinge – dynamische virtuelle Abbilder von Agrarlandschaften, die nahezu in Echtzeit durch Satelliten- und IoT-Sensordaten aktualisiert werden – integrieren die ET-Fernerkundung als zentralen Datenstrom. Diese Systeme synchronisieren Satelliten-ET-Karten, Bodenfeuchtesensordaten, Wettervorhersagen und Pflanzenwachstumsmodelle, um den zukünftigen Wasserstatus der Felder zu simulieren und die Bewässerung automatisch zu steuern.

Software und Werkzeuge für die ET-Überwachung

Dank einer Vielzahl von Plattformen ist die Fernerkundungsanalyse ET-Daten nun auch für Anwender ohne tiefgreifende Programmierkenntnisse zugänglich.

1. Google Earth Engine (GEE) GEE ist eine cloudbasierte Geodaten-Computing-Plattform, die die vollständigen Archivdaten von Landsat, MODIS, Sentinel und ECOSTRESS sowie vorkonfigurierte ET-Algorithmen bereitstellt. Analysten können ET-Berechnungen über Jahre hinweg für ganze Regionen durchführen, ohne Bildmaterial lokal herunterladen zu müssen. GEE hat sich zur führenden Forschungsplattform für die großflächige ET-Kartierung entwickelt.

2. OpenET-Plattform Die Plattform bietet eine Weboberfläche, über die registrierte Nutzer auf detaillierte ET-Daten für landwirtschaftliche Flächen im Westen der USA zugreifen können. Nutzer können tägliche, monatliche oder saisonale ET-Zusammenfassungen für einzelne Felder oder ganze Wasserwirtschaftsbezirke exportieren – Programmierkenntnisse sind nicht erforderlich.

3. WaPOR-Portal Die FAO bietet eine ähnliche Point-and-Click-Schnittstelle zum Herunterladen von ET-Daten für Afrika und den Nahen Osten mit direkten Links zu Indikatoren für die landwirtschaftliche Wasserproduktivität.

4. Python- und R-Workflows Mithilfe von Bibliotheken wie rasterio, xarray, geopandas (Python) oder terra, raster (R) können Forscher benutzerdefinierte ET-Verarbeitungspipelines erstellen, die Satellitendaten mit lokalen meteorologischen Aufzeichnungen, Pflanzenmodellen und Bewässerungsdatenbanken integrieren.

Fallstudien zur Fernerkundungsüberwachung von ET

1. Bewässerungsmanagement in Trockengebieten

In der High Plains Aquifer-Region der Vereinigten Staaten – einer der am intensivsten bewässerten Agrarzonen der Erde – demonstrierten Forscher des Desert Research Institute, dass OpenET-Daten, integriert mit Klimadatensätzen, die Grundwasserfördermengen mit ausreichender Genauigkeit schätzen können, um ein regulatorisches Management sinkender Grundwasserspiegel zu unterstützen.

Die Studie verglich Satelliten-ET-Schätzungen mit Messdaten von Pumpen und fand in den meisten Untersuchungsgebieten eine Abweichung von weniger als 17% – ein Genauigkeitsniveau, das für die Verwaltung von Wasserrechten ausreichend ist.

2. Präzisionslandwirtschaft für verschiedene Kulturpflanzenarten

Zur Bewässerungsplanung von Baumwolle wurde die Fernerkundung mittels ET-Überwachung eingesetzt. Dabei werden die SEBAL- und METRIC-Modelle verwendet, um die tatsächliche Evapotranspiration auf den einzelnen Feldern während der Vegetationsperiode zu erfassen.

Studien, die im Astrophysics Data System (2020) veröffentlicht wurden, zeigten, dass beide Modelle in frühen Wachstumsstadien der Pflanzen eine höhere tatsächliche Evapotranspiration als erwartet feststellten, die auf eine hohe Verdunstung des unbewachsenen Bodens zurückzuführen war – ein Befund, den der Standardansatz mit dem Pflanzenkoeffizienten systematisch übersah, was zu einer Überbewässerung in dieser kritischen Phase führte.

3. Wasserbilanzierung auf Einzugsgebietsebene

Die WaPOR-Plattform der FAO wurde zur Durchführung von Wasserproduktivitätsanalysen in Bewässerungssystemen in Äthiopien, Ägypten und Jordanien eingesetzt, wobei die Evapotranspiration pro Einheit produzierter Pflanzenbiomasse quantifiziert wurde.

Mithilfe dieser Analysen wurden Felder identifiziert, deren Wasserproduktivität unter dem Durchschnitt des Einzugsgebiets liegt. Dies liefert die räumliche Datengrundlage für gezielte Beratungsprogramme zur Verbesserung der Bewässerungseffizienz in leistungsschwachen Gebieten.

Bewährte Verfahren zur Auswahl eines ET-Überwachungsansatzes

Die Wahl der richtigen Kombination aus Satellitendaten, ET-Modell und Validierungsstrategie hängt von der konkreten Fragestellung, den verfügbaren Ressourcen und dem akzeptablen Maß an Unsicherheit ab.

1. Definieren Sie zunächst die räumliche und zeitliche Skala. Die monatliche Wasserbilanzierung eines Einzugsgebiets erfordert ein anderes Instrument als die tägliche Bewässerungsplanung auf Feldebene. Vor der Modellauswahl sollten Auflösung und Wiederholungsfrequenz der Satellitenplattform an die jeweiligen Bewirtschaftungsanforderungen angepasst werden.

2. Passen Sie das Modell an den Landschaftstyp an. Energiebilanzmodelle wie SEBAL und METRIC eignen sich am besten für halbtrockene, landwirtschaftlich geprägte Landschaften mit klarem Himmel. Vegetationsindexbasierte Modelle sind in Regionen mit begrenzter Verfügbarkeit thermischer Daten besser geeignet. Modelle des maschinellen Lernens erzielen die besten Ergebnisse, wenn große, lokal validierte Trainingsdatensätze verfügbar sind.

3. Immer lokal validieren. Selbst die genauesten globalen ET-Produkte sollten vor dem operativen Einsatz anhand mindestens eines lokalen Flux-Turm- oder Lysimeterdatensatzes validiert werden. Leistungskennzahlen aus veröffentlichten Studien lassen sich selten eins zu eins auf neue Standorte und Kulturpflanzen übertragen.

4. Planen Sie für Lücken in der Wolkendecke. In feuchten oder tropischen Regionen sollten Datenfusions- oder Datenlückenstrategien von Anfang an eingeplant werden. Die alleinige Nutzung eines thermischen Satelliten mit einem 16-tägigen Wiederholungszyklus führt während kritischer Wachstumsphasen von Nutzpflanzen zu inakzeptablen Datenlücken.

5. Nutzen Sie nach Möglichkeit offene Plattformen. Google Earth Engine, OpenET und WaPOR bieten kostenlosen Zugriff auf validierte und gut dokumentierte ET-Produkte. Die Entwicklung eines eigenen ET-Modells von Grund auf ist selten gerechtfertigt, es sei denn, besondere lokale Gegebenheiten erfordern dies.

6. Integration der ET-Daten in bestehende Farmmanagementsysteme. ET-Daten sind am wertvollsten, wenn sie direkt in Bewässerungsplanungssoftware, Entscheidungshilfesysteme oder Wasserbilanzdatenbanken einfließen, anstatt als eigenständige Satellitenausgabe zu existieren.

Schlussfolgerung

Die Evapotranspirationsmessung mittels Fernerkundung hat sich von einer experimentellen Forschungsdisziplin zu einem unverzichtbaren Instrument für das landwirtschaftliche Wassermanagement entwickelt. Die Kombination aus immer präziseren Satelliten-ET-Produkten, frei zugänglichen Plattformen wie OpenET und WaPOR sowie KI-gestützter Datenfusion beseitigt die Hürden, die die Satelliten-ET-Messung einst auf gut finanzierte Forschungseinrichtungen beschränkten.

Die aktuellen Möglichkeiten sind beachtlich: Energiebilanzmodelle, die in über 30 Ländern validiert wurden, Satelliten-ET-Produkte mit einer saisonalen Genauigkeit von besser als 90% für wichtige einjährige Nutzpflanzen sowie Cloud-basierte Plattformen, die ET-Daten im Feldmaßstab für jeden Landwirt oder Wassermanager mit Internetanschluss bereitstellen. Diese Möglichkeiten werden bereits genutzt, um die Einhaltung der Bewässerungsvorschriften am Colorado River zu überwachen, die Grundwasserabsenkung im High Plains Aquifer zu kontrollieren und die landwirtschaftliche Wasserproduktivität in ganz Afrika durch das FAO-WaPOR-System zu verbessern.

Reis ernährt weltweit mehr als 3,5 Milliarden Menschen. Dennoch verfügen laut dem aktualisierten globalen Reisatlas 2024 des Internationalen Reisforschungsinstituts (IRRI) weniger als 601.000 Hektar Reisanbaufläche über genaue und aktuelle Anbaukarten. Die Kartierung von Anbaumustern und -methoden mithilfe von Fernerkundung schließt diese Lücke rasch, indem sie räumlich präzise und zeitlich konsistente Daten in einem Maßstab liefert, der durch keine Bodenerhebung erreicht werden kann.

Von der Unterscheidung bewässerter, doppelt bewirtschafteter Tieflandgebiete im Mekong-Delta Vietnams bis hin zur Identifizierung von Regenfeldbauflächen mit nur einer Anbausaison in Subsahara-Afrika liefern satelliten- und radargestützte Systeme heute die Informationen, die Landwirte, Regierungen und Organisationen für Ernährungssicherheit benötigen, um sicher planen zu können. Da künstliche Intelligenz und Cloud-Computing die Datenverarbeitung beschleunigen, wird die nahezu Echtzeit-Überwachung von Reisanbauflächen voraussichtlich bis 2027 zum globalen Standard werden.

Warum Reis wichtig ist und warum seine Überwachung schwierig ist

1. Reisproduktion und die globale Ernährungssicherheitsgleichung

Reis ist für mehr als die Hälfte der Weltbevölkerung das wichtigste Grundnahrungsmittel, und seine Bedeutung reicht weit über die individuelle Ernährung hinaus. Die weltweite Reisproduktion erreichte etwa 520 Millionen Tonnen geschälter Reis im Jahr 2024, Laut FAO-Daten entfallen fast 901.030 Tonnen dieser Produktion auf Asien.

Jede erhebliche Störung der Reisversorgung, sei es durch Dürre, Überschwemmungen, Schädlingsbefall oder politisches Versagen, löst rasche Preisschocks bei Lebensmitteln aus, die die ärmsten Haushalte der Welt unverhältnismäßig stark treffen.

Die Sicherstellung der Ernährungssicherheit in diesem Umfang erfordert mehr als nur den Anbau ausreichender Mengen Reis. Es ist unerlässlich, genau zu wissen, wo der Reis angebaut wird, wie oft jedes Feld pro Jahr bestellt wird und welche Anbaumethoden angewendet werden. Regierungen benötigen diese Daten, um Bewässerungsinfrastruktur bereitzustellen, Betriebsmittel zu subventionieren und Notfallreserven aufzubauen.

Die Herausforderung besteht darin, dass Reis in extrem fragmentierten Landschaften angebaut wird, von terrassenförmigen Hügeln auf den Philippinen bis hin zu riesigen bewässerten Ebenen in China, was herkömmliche Feld-für-Feld-Erhebungen auf nationaler oder regionaler Ebene logistisch und finanziell unpraktikabel macht.

2. Die Notwendigkeit einer systematischen Überwachung der Reisanbaumuster

Die Reisanbaumuster, also die Anzahl der Reisanbausaisons pro Jahr und deren Verteilung in der Landschaft, verändern sich ständig. Klimaschwankungen verkürzen die Anbauzeiträume in einigen Regionen, während sie sie in anderen verlängern. Wirtschaftliche Faktoren bewegen Landwirte dazu, von einer einzigen Ernte auf zwei Ernten pro Jahr umzusteigen, sobald Wasserverfügbarkeit und Marktpreise übereinstimmen.

Ohne systematisches Monitoring arbeiten Planer mit Zensusdaten, die fünf Jahre oder älter sein können, was zu chronischer Fehlverteilung von Wasser, Düngemittelsubventionen und Krediten für den ländlichen Raum führt. Fernerkundung bietet eine Lösung für diese Monitoring-Lücke, indem sie innerhalb weniger Tage konsistente und reproduzierbare Beobachtungen für ganze Länder liefert.

Anstatt sich auf Selbstauskünfte der Landwirte oder Erhebungen durch Interviewer zu verlassen, beobachten satellitengestützte Systeme die Landschaft direkt und erfassen, wie sich die Reisfelder durch Überflutung, Umpflanzung, vegetatives Wachstum und Ernte in jeder Jahreszeit verändern.

3. Welchen Beitrag leistet die Fernerkundung zur landwirtschaftlichen Kartierung?

Fernerkundung ist die Wissenschaft der Informationsgewinnung über Objekte oder Gebiete aus der Ferne, typischerweise mithilfe von Sensoren, die auf Satelliten, Flugzeugen oder unbemannten Luftfahrzeugen (UAVs) montiert sind. In der Landwirtschaft messen Sensoren die von Nutzpflanzen, Boden und Wasser reflektierte oder emittierte Energie in verschiedenen Wellenlängen des elektromagnetischen Spektrums.

Da unterschiedliche Landnutzungsarten in verschiedenen Wachstumsstadien Energie unterschiedlich reflektieren, können Satellitenbilder ein Reisfeld von einem Maisfeld und eine überflutete, verpflanzte Reisanbaufläche von einer trockenen, direkt ausgesäten Fläche unterscheiden – mit einer Genauigkeit, die sich mit der Verbesserung der Sensortechnologie erhöht. Die Kartierung von Reisanbaumustern und -kulturtypen mittels Fernerkundung dient vier miteinander verbundenen Zielen.

• Erstens erstellt es räumlich explizite Bestandsaufnahmen darüber, wo Reis auf saisonaler und jährlicher Zeitskala angebaut wird.
• Zweitens klassifiziert es, wie viele Anbauzyklen pro Jahr in jedem kartierten Gebiet stattfinden, und unterscheidet dabei zwischen ein-, zwei- und dreifach bewirtschafteten Systemen.
• Drittens werden die angewandten kulturellen Praktiken erfasst, beispielsweise ob ein Feld verpflanzt oder direkt eingesät wird oder ob die Wasserbewirtschaftung kontrolliert oder durch Regenwasserbewirtschaftung erfolgt.
• Viertens generiert es Basisdaten, die in Produktionsprognosen, Wasserhaushaltsplanung, Klimaanpassungsplanung und Präzisionslandwirtschaftssysteme einfließen.

Reisanbausysteme und Kulturtypen verstehen

1. Was ein Reisanbaumuster tatsächlich bedeutet

Ein Reisanbaumuster beschreibt die zeitliche Verteilung des Reisanbaus innerhalb eines Kalenderjahres an einem bestimmten Standort. Es erfasst nicht nur, ob Reis angebaut wird, sondern auch wie oft, wann die einzelnen Anbausaisons beginnen und enden und welche Kulturpflanze gegebenenfalls auf demselben Feld nach oder vor dem Reis angebaut wird. Die Kartierung dieser Muster in einer Region liefert Planern ein dynamisches Bild der Landnutzungsintensität und des Ressourcenbedarfs, das eine Momentaufnahme niemals bieten könnte.

2. Monokultur-Reissysteme

In Monokultursystemen bauen Landwirte einmal jährlich Reis an, typischerweise abgestimmt auf die Monsunzeit oder einen einzigen kontrollierten Bewässerungszyklus. Diese Systeme sind in Regionen vorherrschend, in denen Wasserverfügbarkeit, Arbeitskräfte oder das Klima eine zweite Anbausaison verhindern.

Monokultursysteme weisen tendenziell längere Vegetationsperioden pro Saison auf, oft mit traditionellen oder verbesserten Langzeitsorten, und sind überproportional stark vom Regen abhängig, wodurch sie sehr empfindlich auf den Zeitpunkt und die Verteilung der Niederschläge reagieren.

3. Reisanbausysteme mit doppelter Ernte

Doppelnutzungssysteme ermöglichen zwei Reisernten pro Jahr vom selben Feld. Sie sind vor allem in Südost- und Südasien verbreitet, darunter im Roten-Fluss-Delta in Vietnam, in den Überschwemmungsgebieten Bangladeschs und in den bewässerten Gebieten des indischen Punjab.

Der zeitliche Abstand zwischen den beiden Anbausaisons ist gering, oft weniger als 30 Tage. Daher sind für die Identifizierung von Gebieten mit Doppelanbau anhand von Satellitendaten dichte Zeitreihenbeobachtungen erforderlich, um zwei vollständige phänologische Zyklen innerhalb eines einzigen Jahres zu erfassen.

4. Dreifach-Reisanbausysteme

Dreifachernte-Anbau, also drei Reisernten pro Jahr, wird in begrenzten Gebieten praktiziert, in denen Wasserverfügbarkeit und Temperatur ganzjährig günstig sind. Das Mekong-Delta in Südvietnam und Teile der Provinz Guangdong in Südchina eignen sich für Dreifachernte-Systeme.

Dreifachanbausysteme maximieren zwar die Landnutzungsintensität, stellen aber erhebliche Herausforderungen an die Bodenfruchtbarkeit und das Schädlingsmanagement dar. Die Fernerkundung dieser Felder ist technisch anspruchsvoll, da die kurzen Brachezeiten zwischen den Anbauzyklen die phänologischen Signale in enge Zeitfenster komprimieren.

5. Regenreisanbau

Regenreis, der ausschließlich durch Niederschläge ohne künstliche Bewässerung angebaut wird, macht laut dem Internationalen Reisforschungsinstitut (IRRI) weltweit etwa 451.300 Tonnen der gesamten Reisanbaufläche aus. Er ist das vorherrschende Anbausystem in Subsahara-Afrika, in den Hochlandgebieten Süd- und Südostasiens sowie in den vom Regen abhängigen Überschwemmungsgebieten.

Regenfeldbau ist stark von Niederschlagsschwankungen abhängig, was in manchen Regionen zu Ertragsschwankungen von 30 bis 50 Tonnen zwischen nassen und trockenen Jahren führt. Fernerkundungstechnisch ist Regenfeldbau schwieriger zu kartieren, da das Überschwemmungssignal schwächer und unregelmäßiger ist als bei bewässerten Feldern.

6. Bewässerter Reisanbau

Bewässerte Reissysteme werden über Kanäle, Pumpen oder künstlich angelegte Stauseen mit Wasser versorgt, wodurch Landwirte den Zeitpunkt von Aussaat und Ernte sehr präzise steuern können. Derzeit werden weltweit nur etwa 551.300 Tonnen Reis für bewässerten Reis angebaut, doch der Anteil an der gesamten Reisproduktion beträgt 751.300 Tonnen. Dies verdeutlicht den Ertragsvorteil, der durch die Wasserversorgungssicherheit entsteht.

Durch die gezielte Überflutung von bewässerten Reisfeldern entsteht ein starkes und gleichmäßiges Radar-Rückstreusignal, das von Satellitensensoren zuverlässig erfasst wird. Dadurch gehört bewässerter Reis zu den am genauesten kartierten Nutzpflanzenarten der Welt.

7. Reisanbausysteme im Hoch- und Tiefland

Hochlandreis wird auf nicht überfluteten, gut durchlässigen Böden angebaut, oft an Hängen oder auf Terrassen in Asien und Afrika. Da diese Felder nie absichtlich überflutet werden, fehlt ihnen das Wassersignal, das Tieflandreis per Radar identifizierbar macht, weshalb Forscher ausschließlich auf spektrale Vegetationsmuster angewiesen sind.

Im Gegensatz dazu wird Tieflandreis auf flachen oder flach überfluteten Feldern angebaut, wo sich Wasser auf natürliche Weise oder durch Bewässerung sammelt. Tieflandsysteme prägen die Reisanbaugebiete Asiens und stehen im Mittelpunkt der meisten großflächigen Kartierungsprojekte.

Der morphologische Kontrast zwischen Hochland- und Tieflandfeldern, einschließlich Feldform, topografischer Lage und Kronenstruktur, liefert zusätzliche räumliche Hinweise, die die objektbasierte Bildanalyse effektiv nutzen kann.

8. Direktsaat vs. verpflanzter Reis

Bei der Reispflanzung werden die Setzlinge 25 bis 30 Tage lang in einer Anzuchtstation vorgezogen und anschließend manuell oder maschinell auf das Hauptfeld verpflanzt. Im Gegensatz dazu werden die Samen bei der Direktsaat ohne vorherige Anzucht direkt in das vorbereitete Feld gesät oder gebohrt.

Diese beiden Methoden erzeugen messbar unterschiedliche zeitliche Signaturen in Satellitendaten: Auf verpflanzten Feldern kommt es etwa drei Wochen nach der Überflutung zu einem abrupten, synchronen Grünaustrieb, während sich die Vegetationsdecke auf direkt eingesäten Feldern ab dem Tag der Aussaat allmählicher entwickelt. Dieser subtile, aber reale phänologische Unterschied lässt sich durch sorgfältige Zeitreihenanalyse von Vegetationsindizes nachweisen.

Fernerkundungswerkzeuge und -technologien für die Reiskartierung

1. Physikalisches Prinzip der Fernerkundung

Jede Pflanze reflektiert, absorbiert und transmittiert Sonnenstrahlung in Mustern, die von ihrer Blattbiochemie, der Struktur ihrer Baumkrone und ihrem Wassergehalt bestimmt werden. Grüne Blätter absorbieren viel rotes Licht für die Photosynthese und reflektieren gleichzeitig einen Großteil der Nahinfrarotstrahlung (NIR). Überschwemmte Böden hingegen absorbieren nahezu die gesamte einfallende Strahlung.

Diese gegensätzlichen Reaktionen erzeugen vorhersagbare spektrale Signaturen, die Sensoren auf Satelliten mit gleichbleibender Zeit aufzeichnen können. Dadurch sind Analysten in der Lage, den Zustand der Pflanzen, das Wachstumsstadium und Managemententscheidungen auf Feldebene zu verfolgen, ohne jemals das Feld besuchen zu müssen.

2. Optische Fernerkundung

Optische Sensoren erfassen reflektierte Sonnenstrahlung und erzeugen Bilder, die dem, was das menschliche Auge im Infrarotbereich sehen würde, sehr ähnlich sind. Drei optische Plattformen dominieren die Forschung zur Kartierung von Reisfeldern.

Landsat (Eine seit 1972 von NASA und USGS betriebene Satellitenreihe) liefert Bilder mit einer räumlichen Auflösung von 30 Metern und einem Wiederholungszyklus von 16 Tagen. Dank ihres langen zeitlichen Archivs ist sie für Studien zur Veränderung der Reisanbaufläche über Jahrzehnte hinweg unverzichtbar. Die 16-tägige Wiederholung bedeutet jedoch, dass einige phänologische Ereignisse innerhalb einer kurzen Vegetationsperiode zwischen den Beobachtungen möglicherweise nicht erfasst werden.

Sentinel-2 (Betrieben von der Europäischen Weltraumorganisation, gestartet 2015 und 2017 als Doppelsatellitenkonstellation) bietet im Vergleich zu Landsat eine höhere Auflösung von 10–20 Metern und einen fünftägigen Wiederholungszyklus am Äquator. Diese beiden Verbesserungen ermöglichen eine feinere Feldabgrenzung und eine bessere phänologische Erfassung. Die meisten aktuellen, hochpräzisen Reiskartierungsstudien, darunter auch solche, die 2024 im ISPRS Journal of Photogrammetry and Remote Sensing veröffentlicht wurden, nutzen Sentinel-2 als primäre optische Datenquelle.

MODIS Das MODIS-Instrument (Moderate Resolution Imaging Spectroradiometer) an Bord der NASA-Satelliten Terra und Aqua liefert eine Auflösung von 250 bis 500 Metern und kann täglich wiederholt werden. Obwohl es für die Kartierung einzelner Felder zu grob ist, bleibt es wertvoll für die Bewertung der Anbauintensität auf nationaler und kontinentaler Ebene, wo eine hohe räumliche Auflösung weniger wichtig ist als eine hohe zeitliche Auflösung.

3. Radarfernerkundung

Synthetisches Aperturradar (SAR) SAR ist eine radarbasierte Technologie, die Mikrowellenimpulse zur Erdoberfläche aussendet und die zum Sensor zurückgestreute Energie misst. Im Gegensatz zu optischen Sensoren arbeitet SAR unabhängig von Wolkenbedeckung und Sonneneinstrahlung, sodass es sowohl in einer bewölkten Monsunnacht als auch an einem klaren Tag in der Trockenzeit Daten liefert.

Diese Eigenschaft ist von entscheidender Bedeutung für die Kartierung von Reisanbauflächen im tropischen Asien, wo optische Sensoren regelmäßig wochenlange Wachstumsperioden aufgrund von Wolkenbedeckung verlieren.

Sentinel-1 Die ESA sendet Mikrowellenenergie im C-Band (Wellenlänge ca. 5,6 cm) aus und liefert kostenlose, globale SAR-Daten mit einer Auflösung von 10 Metern und einem Wiederholungszyklus von 6–12 Tagen. Reisfelder interagieren auf besondere Weise mit SAR-Signalen:

• Überflutete Felder wirken wie ein nahezu perfekter Spiegel und reflektieren den größten Teil der Radarenergie vom Sensor weg (wodurch niedrige Rückstreuwerte entstehen),
• Mit zunehmender Pflanzendichte und Blattfläche streut das wachsende Reispflanzendach immer mehr Energie zurück zum Sensor.

Dieser zeitliche Verlauf der Rückstreuung, der während der Überflutung und der Verpflanzung niedrig ist, während der vegetativen Stadien ansteigt und nach dem Ährenschieben wieder abnimmt, bildet eine für Reis einzigartige phänologische Radarsignatur.

Nguyen et al. (Remote Sensing of Environment, 2023) stellten fest, dass die Sentinel-1 SAR-Zeitserienklassifizierung erreicht wurde. 92,31 TP3T Gesamtgenauigkeit bei der Kartierung der Reisanbausaisonen in drei Provinzen des Mekong-Deltas in Vietnam, einschließlich Gebieten mit dreifachem Anbau, wo aufgrund von Wolkenbedeckung für mehr als 60% der Wachstumsperiode keine optischen Daten verfügbar waren.

In tropischen Reisanbaugebieten sind SAR-basierte Methoden nicht einfach nur eine Alternative zur optischen Sensorik, sondern oft die einzige zuverlässige Option für die saisonale Kartierung während der Monsunmonate.

4. Integration von Multisensor-Daten

Kein einzelner Sensor bietet die ideale Kombination aus räumlicher Detailgenauigkeit, zeitlicher Dichte und Wolkendurchdringung. Die präzisesten Reiskartierungssysteme integrieren daher mehrere Sensortypen in ein einheitliches Analysemodell.

Eine gängige Architektur kombiniert Sentinel-1 SAR für die wolkenfreie zeitliche Verfolgung mit optischen Sentinel-2-Daten für die spektrale Vielfalt während klarer Perioden und nutzt MODIS als grob auflösenden Anker für die phänologische Mustererkennung auf regionaler Ebene.

Werden diese Datenströme algorithmisch zusammengeführt, kann der kombinierte Datensatz Anbaugrenzen auflösen, Pflanztermine ermitteln und Kulturartenklassifizierungen mit einer Sicherheit zuweisen, die kein einzelner Sensor allein erreicht.

Identifizierung von Reisanbaumustern anhand von Satellitendaten

1. Zeitliche Merkmale der Reiswachstumsstadien

Reis durchläuft eine klar definierte Abfolge von Wachstumsstadien: Bodenvorbereitung und Überflutung, Verpflanzen oder Aussaat, Bestockung (die Entwicklung mehrerer Halme aus einer einzigen Pflanze), Rispenbildung, Ährenschieben (Erscheinen des körnertragenden Blütenstands) und Ernte.

Jede Phase führt zu einer messbaren Veränderung der optischen und Radareigenschaften des Feldes. Analysten nutzen diese phasenspezifischen Signaturen, die als Zeitreihen von Spektralindizes oder SAR-Rückstreuung erfasst werden, um zu rekonstruieren, was auf jedem Feld wann geschehen ist – ohne dass der Landwirt Vorwissen dazu hat.

2. Phänologiebasierte Reiskartierung

Phänologiebasierte Kartierung Die Klassifizierung von Nutzpflanzen anhand des Zeitpunkts biologischer Ereignisse ist der vorherrschende Ansatz zur großflächigen Reisdetektion. Das Verfahren funktioniert durch die Anpassung mathematischer Kurven an Zeitreihendaten und die anschließende Identifizierung von Feldern, deren zeitliches Muster der charakteristischen Wachstumskurve von Reis entspricht. Zu den aus diesem Anpassungsprozess extrahierten Schlüsselereignisdaten gehören:

• der Beginn der Vegetationsperiode (typischerweise erkennbar an einem starken Anstieg der Vegetationsindexwerte nach Überschwemmungen),
• der Höhepunkt der Vegetationsperiode (maximaler Blattflächenindex) und
• das Ende der Saison (rascher Rückgang zur Erntezeit).

Die Anzahl der innerhalb eines Kalenderjahres festgestellten Erntezyklen bestimmt direkt, ob ein Feld als einfach, doppelt oder dreifach bewirtschaftet eingestuft wird.

3. Bewertung der Anbauintensität

Die Anbauintensität, also die Anzahl der pro Jahr auf einer bestimmten Fläche abgeschlossenen Anbausaisons, ist eine der wichtigsten politischen Kennzahlen der Kartierung von Reisanbaumustern. Ein einfacher, aber aussagekräftiger Ansatz berechnet, wie oft ein für Reis typisches Spektral- oder Rückstreumaximum in der jährlichen Zeitreihe eines Pixels auftritt.

In Kombination mit räumlichen Filtern zur Entfernung von Fehlmessungen durch Feuchtgebiete, Gewässer oder saisonale Überschwemmungen ergeben diese Zykluszählungen Karten von ein-, zwei- und dreifachem Reisanbau, die anhand von Felduntersuchungen und regionalen Statistiken validiert werden können.

4. Kartierung der saisonalen und jährlichen Reisverteilung

Saisonale Karten (eine Karte pro Anbausaison und Jahr) erfassen nicht nur, wo Reis angebaut wird, sondern auch, wann er an jedem Standort wächst. Jährliche Stapel saisonaler Karten zeigen dann den vollständigen Anbaukalender einer Region, einschließlich der räumlichen Verteilung von früh- und spätreifendem Reis. Dies hat direkte Auswirkungen auf die Bewässerungsplanung, die Schädlingsbekämpfung und die Erntelogistik.

5. Erkennung von Fruchtfolgen mit Reis

In vielen asiatischen Reisanbausystemen wechseln die Bauern innerhalb desselben Feldes über mehrere Anbausaisons hinweg zwischen Reisanbau, Weizen, Gemüse, Hülsenfrüchten oder Bracheperioden. Fernerkundung erfasst diese Fruchtfolgen durch die Analyse der gesamten jährlichen Zeitreihe anstatt einzelner Saisons isoliert zu betrachten.

Ein Feld, das in der Regenzeit als Reisfeld und in der Trockenzeit als Weizenfeld klassifiziert wird, weist in den Vegetationsindexdaten ein deutliches zeitliches Muster mit zwei Maxima auf, wobei die spektralen Eigenschaften jedes Maximums die jeweilige Kulturart identifizieren. Die Kartierung dieser Fruchtfolgen ist wichtig für die Beurteilung der Bodengesundheit, die Modellierung des Bewässerungsbedarfs und Programme zur Einkommensdiversifizierung.

Wie GeoPard die Kartierung von Reisanbaumustern ermöglicht

Die Kartierung von Reisanbaumustern erfordert kontinuierliche Beobachtungen aus verschiedenen Quellen während der gesamten Vegetationsperiode – und genau das leistet GeoPard. Durch die Kombination von Landsat-8-, Sentinel-2- und Planet-Bildern auf einer einzigen Plattform überwacht GeoPard die Felder jeden zweiten Tag mit einer Auflösung von bis zu 3 Metern. So wird sichergestellt, dass wichtige Ereignisse im Reisanbau, wie die Überflutung vor dem Umpflanzen, das Ergrünen der Setzlinge und die Ernte, auch bei fehlender Bewölkung nicht verpasst werden.

Die Multisensorfusion der Plattform hat eine um 4% höhere Genauigkeit als Einzelsensoransätze gezeigt, was die Unterscheidung zwischen ein-, zwei- und dreifach-Erntereisystemen direkt schärft.

Zur Identifizierung des Kulturtyps erfasst die Vegetationsindex-Suite von GeoPard, einschließlich NDWI zur Erkennung von Oberflächenüberschwemmungen, EVI2 zur Bestimmung des Zeitpunkts der Kronenbiomasse und LAI zur Bestimmung der Kronendichte, die spektrale Biografie, die bewässerten verpflanzten Reis von Regenfeld- oder Direktsaatsystemen unterscheidet.

An bewölkten Monsuntagen, an denen optische Bildgebung vollständig ausfällt, sorgt die integrierte Radardatenschicht von GeoPard für eine ununterbrochene Vegetationsüberwachung, indem sie die SAR-Rückstreumulde erfasst, die das eindeutige Kennzeichen eines überfluteten Reisfelds zum Zeitpunkt der Verpflanzung darstellt.

Mit dem Tool „Layer vergleichen“ können Agronomen bis zu vier synchronisierte Datenebenen nebeneinander platzieren. Dadurch lassen sich Reisanbautypen einfach unterscheiden, indem NDWI-Überschwemmungssignale mit mehrjährigen Vegetationstrends und Bodenproduktivitätskarten verglichen werden.

Gestützt auf über 30 Jahre Satellitenbildmaterial, deckt die Plattform langfristige Muster der Anbauintensität auf Feldebene auf. Diese Erkenntnisse fließen direkt in Karten für die variable Ausbringung von Dünger, Saatgut und Pflanzenschutzmitteln ein und wandeln so Karten der Reisanbautypen in konkrete, feldspezifische Bewirtschaftungsanweisungen um.

Kartierung von Reisanbaukulturtypen mittels Fernerkundung

1. Spektrale Eigenschaften verschiedener kultureller Praktiken

Der Kulturtyp, also die spezifische Kombination der auf einem Reisfeld angewandten Bewirtschaftungsmethoden, prägt die zeitliche Entwicklung der spektralen Signatur dieses Feldes. Überfluteter, verpflanzter Reis beispielsweise beginnt die Saison mit einer wasserdominierten optischen Reaktion (geringe Reflexion in allen sichtbaren Spektralbereichen), gefolgt von einem abrupten Wechsel, sobald sich das dichte Blätterdach der Sämlinge etabliert hat.

Bei direkt in ein nicht überflutetes Saatbett gesätem Reis ist der Anstieg des Vegetationssignals vom Beginn der Keimung an eher allmählich, ohne die anfängliche Überflutungsperiode, die optische Sensoren und SAR-Sensoren problemlos erfassen.

2. Unterscheidung von bewässertem und unbewässertem Reis

Bewässerte und nicht bewässerte Reisfelder unterscheiden sich in zwei wesentlichen Punkten: dem Zeitpunkt und der Regelmäßigkeit der Überflutungen sowie der Beständigkeit ihrer saisonalen Phänologie. Bewässerte Felder werden tendenziell planmäßig überflutet, weisen geringere jährliche Schwankungen bei den Pflanzterminen auf und behalten durch kontrolliertes Wassermanagement eine gleichmäßige Bestandsdichte bei.

Bei Regenfeldern ist die zeitliche Variabilität zwischen den Jahren größer, es kann in der Mitte der Vegetationsperiode zu Wasserstress kommen, der sich als anomale Einbrüche der Vegetationsindexwerte bemerkbar macht, und manchmal wird in Dürrejahren keine vollständige Vegetationsperiode abgeschlossen.

Die Analyse mehrjähriger Zeitreihen erfasst diese Variabilitätsstruktur und ermöglicht es Klassifizierungsalgorithmen, bewässerte von nicht bewässerten Gebieten zu trennen. Die Genauigkeit liegt in gut kalibrierten Systemen typischerweise über 85%.

3. Kartierung von verpflanztem und direkt gesätem Reis

Der zuverlässigste Indikator zur Unterscheidung zwischen verpflanztem und direkt gesätem Reis in SAR-Daten ist der Zeitpunkt und die Dauer der anfänglichen Flutungsperiode mit geringer Rückstreuung.

Die Reisfelder werden vor dem Umpflanzen der Setzlinge 2-4 Wochen lang überflutet, wodurch zu Beginn der Saison ein verlängertes Zeitfenster entsteht, in dem das Radar keine Daten liefert.

Direktgesäte Felder weisen entweder kein Überflutungsfenster (Trockensaat) oder ein sehr kurzes (Nasssaat) auf, und der Anstieg der Rückstreuung erfolgt sowohl früher im Verhältnis zum Aussaattermin als auch mit einer strukturell unterschiedlichen Steigung. Diese zeitlichen Merkmale lassen sich automatisch mithilfe von Algorithmen extrahieren, die auf dichte SAR-Zeitserien angewendet werden.

4. Erkennung von Managementpraktiken mittels Fernerkundung

Neben der Transplantationsmethode und dem Wasserregime kann die Fernerkundung bestimmte Wassermanagementpraktiken erfassen, wie zum Beispiel das abwechselnde Bewässern und Trocknen (AWD), eine Technik, die zur Reduzierung von Methanemissionen und Wasserverbrauch durch intermittierendes Entwässern von Reisfeldern eingesetzt wird.

AWD-Felder zeigen während der Vegetationsperiode oszillierende SAR-Rückstreumuster, die die wiederholten Flut- und Entwässerungszyklen widerspiegeln, während kontinuierlich überflutete Felder einen gleichmäßigeren Rückstreuverlauf aufweisen. Diese Fähigkeit ist besonders wertvoll für die Überwachung der Anwendung klimafreundlicher Reisanbaumethoden in nationalen Treibhausgasinventaren.

5. Indikatoren für das Wassermanagement in Reisfeldern

Die SAR-basierte Erkennung von Wasseroberflächen ist äußerst empfindlich und kann selbst stehendes Wasser in nur wenigen Zentimetern Tiefe unter dem Reiskorn erfassen. Dank dieser hohen Empfindlichkeit können Analysten den Überflutungsstatus einzelner Felder zu wichtigen Zeitpunkten der Vegetationsperiode kartieren und so die Bewässerungsplanung optimieren sowie frühzeitig Hochwasserschäden abschätzen.

Werden Wasseroberflächenkarten aus verschiedenen Zeitpunkten zeitlich übereinandergelegt, ergibt sich für jedes Feld eine dynamische Signatur des Wassermanagements, die als wertvolle Eingangsgröße für Modelle zur Klassifizierung kultureller Typen dient.

Techniken und Methoden: Von Indizes zum Deep Learning

1. Vegetationsindizes für die Reisüberwachung

Vegetationsindizes sind mathematische Kombinationen von Reflexionswerten bei verschiedenen Wellenlängen. Sie dienen dazu, das Signal der Pflanzenbiomasse und des Pflanzenzustands zu verstärken und gleichzeitig Störungen durch Bodenbeschaffenheit, atmosphärische Einflüsse und die Beleuchtungsgeometrie zu reduzieren. Drei dieser Indizes sind für die Kartierung von Reisfeldern von zentraler Bedeutung.

i. NDVI (Normalisierter Differenzvegetationsindex) Der Wert wird als (NIR – Rot) / (NIR + Rot) berechnet und ist der am weitesten verbreitete Index in der Reisüberwachung. Er erfasst den Grünanteil des Pflanzenbestands von der Etablierung der Sämlinge bis zur Seneszenz, wobei die Werte typischerweise von nahezu null beim Umpflanzen auf 0,6–0,8 zum Zeitpunkt des maximalen vegetativen Wachstums ansteigen.

ii. EVI (Verbesserter Vegetationsindex) Korrigiert atmosphärische Aerosoleffekte und Bodenhintergrundrauschen effektiver als der NDVI, wodurch er in Umgebungen mit hoher Aerosolbelastung, wie beispielsweise während der in tropischen Gebieten Asiens häufigen Biomasseverbrennungssaisons, vorzuziehen ist.

iii. LSWI (Land Surface Water Index) Es nutzt die Reflexion im kurzwelligen Infrarotbereich, um den Wassergehalt sowohl im Pflanzenbestand als auch an der Bodenoberfläche zu erfassen. Dadurch reagiert es sehr empfindlich auf die Überschwemmungsereignisse, die den Reisanbau im Tiefland kennzeichnen, und liefert ein zuverlässiges Signal zur Erkennung des Beginns der Vegetationsperiode.

2. Zeitreihenanalyse

Ein einzelnes Satellitenbild erfasst den Zustand eines Reisfelds zu einem bestimmten Zeitpunkt, doch seine Geschichte entfaltet sich in der Abfolge dieser Momente. Zeitreihenanalysen verknüpfen zahlreiche Beobachtungen, typischerweise ein Bild alle 5–16 Tage über ein ganzes Jahr, und extrahieren zeitliche Kennzahlen wie Saisonbeginn, maximalen NDVI-Wert, Begrünungsrate und Erntetermin.

Diese Kennzahlen beschreiben gemeinsam das gesamte phänologische Verhalten des Feldes und sind für die Bestimmung der Kulturart wesentlich aussagekräftiger als Einzelbeobachtungen. Statistische Methoden wie harmonische Regression und Dynamic Time Warping (DTW) werden häufig verwendet, um Zeitreihendaten über verschiedene Jahre und Regionen hinweg anzugleichen und zu vergleichen.

3. Maschinelles Lernen zur Reisklassifizierung

Maschinelles Lernen hat den Umfang und die Genauigkeit der Kartierung von Reisanbaumustern revolutioniert, indem es die Identifizierung komplexer, nichtlinearer Zusammenhänge zwischen spektral-zeitlichen Daten und Feldbedingungen automatisiert hat.

i. Random Forest (RF) Es handelt sich um eine Ensemble-Methode, die Hunderte unabhängiger Entscheidungsbäume erstellt, die jeweils mit einer zufälligen Teilmenge von Merkmalen trainiert werden, und deren Ergebnisse für eine endgültige Klassifizierung aggregiert. Sie ist robust gegenüber verrauschten Trainingsdaten, verarbeitet hochdimensionale Merkmalsräume effizient und liefert Wichtigkeitswerte für Variablen, die Analysten helfen zu verstehen, welche zeitlichen oder spektralen Merkmale die Klassifizierungsentscheidungen beeinflussen.

ii. Support Vector Machine (SVM) Die Support Vector Machine (SVM) findet die optimale Trenngrenze zwischen Klassen in einem hochdimensionalen Merkmalsraum. Sie erzielt gute Ergebnisse bei begrenzten Trainingsdaten und ist daher in datenarmen Regionen nützlich, in denen die Erhebung von Referenzdaten aufwendig ist.

iii. Deep Learning, Insbesondere Convolutional Neural Networks (CNNs) und Recurrent Neural Networks (RNNs) wie Long Short-Term Memory (LSTM)-Architekturen können sowohl räumliche Muster innerhalb einzelner Bilder als auch zeitliche Muster über Bildsequenzen hinweg gleichzeitig erlernen. LSTM-basierte Klassifikatoren, angewendet auf Satellitenzeitreihen, haben bei der Kartierung von Reisfeldern höchste Genauigkeit erzielt. Mehrere Studien berichten von Gesamtgenauigkeiten von über 90% auf regionaler Ebene.

Xiao et al. (International Journal of Applied Earth Observation and Geoinformation, 2025) demonstrierten, dass ein mit fusionierten Zeitreihendaten von Sentinel-1 und Sentinel-2 trainiertes LSTM-Deep-Learning-Modell die Reisanbautypen in drei südasiatischen Ländern kartierte. Die Gesamtgenauigkeit beträgt 91,71 TP3T und der Kappa-Koeffizient 0,89., und übertrifft Random Forest unter den gleichen Trainingsbedingungen um 6,4 Prozentpunkte.

Für die großflächige Kartierung von Reisanbaukulturtypen, bei der die Erhebung von Trainingsdaten möglich ist, sind LSTM-basierte Deep-Learning-Klassifikatoren mittlerweile die Benchmark-Methode und sollten die Standardwahl für neue nationale Kartierungsprogramme sein.

4. Objektbasierte Bildanalyse (OBIA)

Objektbasierte Bildanalyse (OBIA) Funktioniert, indem benachbarte Pixel mit ähnlichen spektralen und räumlichen Eigenschaften zu Objekten (Segmenten) zusammengefasst werden, bevor sie klassifiziert werden, anstatt jedes Pixel unabhängig zu klassifizieren.

Bei der Kartierung von Reisfeldern ist OBIA deshalb wertvoll, weil es Form, Textur und Kontext in die Klassifizierung einbeziehen kann und ein Reisfeld anhand der regelmäßigen rechteckigen Geometrie des Reisfelds von einem ähnlich gefärbten Gewässer unterscheidet.

OBIA ist besonders effektiv bei sehr hoher räumlicher Auflösung, wie z. B. Daten von kommerziellen Satelliten mit einer Auflösung von 1-5 Metern oder UAV-Bildern.

5. Techniken zur Änderungserkennung

Die Veränderungserkennung identifiziert Gebiete, in denen sich die Landnutzung zwischen zwei oder mehr Zeitpunkten verändert hat. Im Reisanbau-Monitoring dient die Veränderungserkennung zwei Zwecken: der Verfolgung der jährlichen Ausdehnung oder Verringerung der Reisanbaufläche als Reaktion auf klimatische oder wirtschaftliche Faktoren sowie der Identifizierung von Veränderungen während der Vegetationsperiode, wie z. B. Ernteausfälle, Aufgabe des Anbaus oder unerwartete Überschwemmungen.

Die bitemporale Veränderungsanalyse (direkter Vergleich zweier Zeitpunkte) ist zwar einfach, aber anfällig für phänologische Unterschiede zwischen den Jahren. Die multitemporale Veränderungsanalyse über vollständige Jahresdatensätze ist robuster und kann tatsächliche Landnutzungsänderungen von saisonalen phänologischen Schwankungen unterscheiden.

Genauigkeitsbewertung und Validierung

1. Erhebung von Referenzdaten

Jedes Reiskartierungsprodukt muss anhand unabhängig erhobener Feldbeobachtungen validiert werden. Die Referenzdaten umfassen typischerweise GPS-gestützte Feldbegehungen, bei denen geschulte Erfasser an einer statistisch repräsentativen Stichprobe von Standorten die Kulturart, das Wachstumsstadium, den Bewässerungsstatus und die Anbaumethode dokumentieren. Diese Beobachtungen werden zeitlich mit Satellitenaufnahmen erfasst und nicht für das Modelltraining verwendet, sondern ausschließlich zur Genauigkeitsbewertung.

2. Metriken zur Klassifizierungsgenauigkeit

Bei Anwendungen speziell für Reisanbau wird der F1-Score, der die Genauigkeit von Produzenten und Nutzern für jede Klasse ausgleicht, zunehmend zusammen mit dem Kappa-Wert als aussagekräftigere Kennzahl zur Leistungsbewertung angegeben. Zu den Standardmetriken für die Beurteilung der Kartengenauigkeit gehören:

• Gesamtgenauigkeit (der Prozentsatz aller korrekt klassifizierten Validierungspunkte),
• Produzentengenauigkeit (die Wahrscheinlichkeit, dass ein Feld einer bestimmten wahren Klasse korrekt zugeordnet wird, analog zur Trefferquote),
• Genauigkeit des Benutzers (die Wahrscheinlichkeit, dass ein einer bestimmten Klasse zugeordnetes Feld tatsächlich dieser Klasse angehört, analog zur Präzision) und
• Der Kappa-Koeffizient (ein Maß für die Übereinstimmung, korrigiert um zufällige Übereinstimmung; Werte über 0,80 deuten auf eine starke Übereinstimmung hin).

3. Validierung der Anbaumuster- und Kulturtypenkarten

Zur Validierung von Anbaumusterkarten werden multitemporale Felddaten benötigt, die durch Feldbesuche zu verschiedenen Zeitpunkten im Anbaukalender ermittelt werden, um zu bestätigen, wie viele Erntesaisons pro Jahr an jedem Validierungsstandort tatsächlich durchgeführt wurden.

Die Validierung der Anbauart, bei der zwischen verpflanzten und direkt gesäten Pflanzen oder zwischen bewässerten und nicht bewässerten Pflanzen unterschieden wird, ist anspruchsvoller, da diese Unterschiede im Feld nicht immer visuell erkennbar sind und Interviews mit Landwirten oder die direkte Beobachtung von Bewirtschaftungsmaßnahmen während sensibler Zeitfenster in der Vegetationsperiode erfordern.

Nationale Agrarstatistiken, die oft auf Provinz- oder Bezirksebene aggregiert werden, bieten eine zusätzliche Validierungsebene für Flächenschätzungen, da die Summen auf den Karten mit den offiziell gemeldeten Zahlen abgeglichen werden können.

Anwendungen im gesamten Agrarsystem

1. Landwirtschaftliche Planung und Politikentwicklung

Mithilfe von Fernerkundungsdaten erstellte Karten der Reisanbaumuster liefern den Landwirtschaftsministerien die notwendige räumliche Auflösung für die Planung gezielter Maßnahmen. Regionen, die als Regenfeldbau mit nur einer Ernte identifiziert wurden, können für den Ausbau der kleinbäuerlichen Bewässerung priorisiert werden; Gebiete mit Dreifachanbau und sinkenden Erträgen können auf Bodendegradation oder Grundwasserabsenkung untersucht werden.

2. Schätzung der Reisproduktion

Die Kombination von Reisanbaugebietskarten aus Fernerkundungsdaten mit Ertragsschätzungsmodellen, wie zum Beispiel auf Wetterdaten basierenden Pflanzenwachstumssimulationen, ermöglicht die Erstellung von subnationalen und nationalen Produktionsprognosen Wochen oder Monate vor der Ernte.

Das Dashboard für Ernährungssicherheit der Asiatischen Entwicklungsbank und das Globale Informations- und Frühwarnsystem (GIEWS) der FAO nutzen beide satellitengestützte Daten zur Reisanbaufläche, um Produktionsschätzungen vor der Ernte zu generieren, die nachweislich genauer sind als auf Umfragen basierende Ansätze.

3. Wasserressourcenmanagement

Der Anbau von bewässertem Reis ist der größte Einzelverbraucher von Süßwasser in Asien und macht etwa 401 Tonnen des gesamten landwirtschaftlichen Wasserverbrauchs in Ländern wie Indien und Bangladesch aus.

Der wertvollste Nutzen der satellitengestützten Reiskartierung liegt nicht in der Karte selbst, sondern in der Entscheidung, die sie ermöglicht, sei es der Bau eines Kanals, die Schließung eines Brunnens oder die Umleitung einer Subvention.

Das genaue Wissen darüber, wo bewässerter Reis angebaut wird, wie viele Bewässerungssaisons er erhält und welche Felder effiziente Wassermanagementpraktiken wie AWD nutzen, unterstützt direkt die Flussbeckenplanung, die Planung des Stauseebetriebs und die Bewertung der Grundwassernachhaltigkeit.

4. Überwachung der Ernährungssicherheit

Frühwarnsysteme für Ernährungsunsicherheit sind auf die schnelle Erkennung von Ernteausfällen angewiesen. Wenn Reisfelder ihren Wachstumszyklus nicht vollständig durchlaufen, erkennt die satellitengestützte Überwachung diese Anomalie durch das Ausbleiben oder die Verkürzung des phänologischen Höhepunkts innerhalb des erwarteten Zeitraums. Das von USAID unterstützte FEWS NET (Famine Early Warning Systems Network) nutzt Satellitendaten zur Vegetation, einschließlich reisspezifischer Überwachung, um Warnungen zur Ernährungssicherheit in Asien und Afrika zu generieren.

5. Bewertung der Auswirkungen des Klimawandels

Langjährige Archive von Reisanbaumusterkarten, die 20 Jahre oder mehr an Landsat-Daten umfassen, zeigen, wie sich Anbauflächen, Anbausaisons und Erträge von Reis als Reaktion auf veränderte Temperatur- und Niederschlagsmuster verschoben haben. Diese historischen Trendkarten liefern empirische Belege für die Auswirkungen des Klimawandels auf Reissysteme und dienen als Grundlage für die Prognose zukünftiger landwirtschaftlicher Risiken unter verschiedenen Erwärmungsszenarien.

7. Anwendungen in der Präzisionslandwirtschaft

Auf Betriebsebene unterstützt die mithilfe von UAVs erstellte Kartierung von Reisanbautypen in Kombination mit Boden- und Wasserdaten präzise Managemententscheidungen, wie z. B. die variable Düngung, die standortspezifische Schädlingsbekämpfung und die optimierte Planung des Pflanztermins. Diese Anwendungen entwickeln sich derzeit rasant in Japan, Südkorea und Teilen Chinas, wo der Reisanbau hochgradig mechanisiert ist und eine Dateninfrastruktur zur Verknüpfung von Fernerkundungsdaten mit landwirtschaftlichen Managementsystemen vorhanden ist.

Herausforderungen und Einschränkungen bei der Kartierung von Reisanbaugebieten

1. Wolkenbedeckung und Datenverfügbarkeit

Anhaltende Wolkendecke während der Monsunzeit, in der ein Großteil des asiatischen Reises angebaut wird, schränkt die Anzahl nutzbarer optischer Beobachtungen stark ein. An manchen Standorten reduziert die Wolkenbedeckung die verfügbaren Sentinel-2-Beobachtungen während der kritischen Pflanz- und frühen Vegetationsphase auf weniger als zwei pro Monat. SAR-Daten mildern dieses Problem zwar ab, beseitigen es aber nicht vollständig, da Starkregen das Radarsignal vorübergehend überlagern kann.

2. Gemischte Pixel und kleine Feldgrößen

In Regionen, in denen die Reisfelder kleiner als die räumliche Auflösung des Sensors sind, erfasst ein einzelnes Pixel eine Mischung aus Reis- und Nicht-Reis-Landbedeckung, was die Klassifizierung erschwert. Hochlandreisflächen in hügeligem Gelände und kleinere Reisfelder in Teilen Indonesiens und der Philippinen erzeugen selbst bei der 10-Meter-Auflösung von Sentinel-2 regelmäßig Mischpixel, was den Einsatz pixelbasierter Methoden in diesen Umgebungen einschränkt.

3. Spektrale und zeitliche Ähnlichkeit zwischen verschiedenen Pflanzenarten

Einige Nutzpflanzen, insbesondere Zuckerrohr, Jute und bestimmte Grasarten, weisen in NDVI- oder EVI-Zeitreihen ähnliche phänologische Kurven wie Reis auf, was zu Klassifizierungsschwierigkeiten führt. Die SAR-basierte Überflutungserkennung reduziert diese Schwierigkeiten bei Tieflandreis, doch Hochlandreissysteme ohne überflutete Felder lassen sich ohne zusätzliche Felddaten oder geografische Informationen weiterhin nur schwer von spektral ähnlichen Nutzpflanzen unterscheiden.

4. Beschränkungen der zeitlichen Auflösung

Die Kartierung von Reisanbaumustern und -kulturtypen mittels Fernerkundung erfordert eine dichte zeitliche Abtastung, idealerweise mindestens eine Beobachtung alle 8–10 Tage während der gesamten Vegetationsperiode. Wenn Wolkenbedeckung oder Lücken in der Satellitenumlaufbahn diese zeitliche Dichte verringern, können kurzlebige Reissorten oder schnell wechselnde Dreifacherntezyklen von automatisierten Erkennungsalgorithmen vollständig übersehen werden.

5. Einschränkungen der Bodenmessdaten

Hochwertige, annotierte Trainingsdaten – Feldbeobachtungen, die bekannten Kulturpflanzenarten und Anbaumethoden zugeordnet sind – sind nach wie vor teuer und logistisch schwierig in dem Umfang zu erheben, der für das Training und die Validierung nationaler Kartierungssysteme erforderlich ist. In vielen einkommensschwachen Reisanbauländern stellt die unzureichende personelle und finanzielle Kapazität für die systematische Datenerhebung vor Ort das größte Hindernis für die Verbesserung der Kartierungsgenauigkeit dar.

Neue Trends und die Zukunft der Reisüberwachung

1. UAV- und drohnengestützte Reisüberwachung

Unbemannte Luftfahrzeuge (UAVs) mit multispektralen und thermischen Sensoren liefern heute zentimetergenaue Bilder einzelner landwirtschaftlicher Betriebe und erfassen Feldgrenzen, Pflanzenreihen und sogar den Gesundheitszustand einzelner Pflanzen. UAVs fungieren als Brücke zwischen satellitengestützter Kartierung und der Beobachtung einzelner Pflanzen und liefern die hochauflösenden Bodenmessdaten, die für das Training und die Validierung satellitengestützter Modelle in fragmentierten Landschaften benötigt werden.

2. KI und Deep Learning für die Reisklassifizierung

Konvolutionelle neuronale Netze, angewendet auf Satellitenbild-Zeitserien und kombiniert mit Transformer-Architekturen, die aus der Verarbeitung natürlicher Sprache adaptiert wurden, erzielen derzeit die höchsten jemals berichteten Genauigkeiten bei der Reisklassifizierung.

Das PRISM-Framework (Phenology-based Rice crop Identification System using Multisource data), das von Forschern der Universität Wageningen im Jahr 2024 veröffentlicht wurde, zeigte, dass selbstüberwachtes Lernen auf Basis unbeschrifteter Satellitenarchive Reisklassifizierungsmodelle vortrainieren kann, die nur minimal beschriftete Bodendaten für die Feinabstimmung benötigen, wodurch der Aufwand für Felduntersuchungen drastisch reduziert wird.

3. Reisüberwachungssysteme mit nahezu Echtzeit-Überwachung

Operative Reisüberwachungssysteme, die nahezu in Echtzeit arbeiten, verarbeiten automatisch eingehende Satellitendaten, aktualisieren Reiskarten in Abständen von 10 bis 16 Tagen und übermitteln Warnmeldungen zu Pflanzterminen, Wasserstressereignissen und Erntezeiten direkt an Regierungs-Dashboards oder mobile Anwendungen, die von Landwirten und Beratern genutzt werden.

Sowohl das thailändische Reisministerium als auch das vietnamesische Landwirtschaftsministerium betreiben Prototypensysteme dieser Art, und das Internationale Reisforschungsinstitut unterstützt die Entwicklung ähnlicher Kapazitäten in Bangladesch und Kambodscha.

4. Integration von Satelliten- und IoT-Daten

Sensoren des Internets der Dinge (IoT), die in Reisfeldern eingesetzt werden und Bodenfeuchtigkeit, Wasserstand, Temperatur und Mikroklima des Kronendachs messen, erzeugen kontinuierliche Beobachtungen auf Bodenebene, die Satellitenfernerkundungsdaten ergänzen und kalibrieren.

Werden IoT-Sensornetzwerke und Satellitenbeobachtungen in Datenfusions-Frameworks kombiniert, kann das resultierende Überwachungssystem Wasserstress, den Beginn von Überschwemmungen und Krankheitsdruck mit größerer Sicherheit und in kürzerer Vorlaufzeit erkennen, als es jede der beiden Quellen für sich bietet.

5. Digitale Landwirtschaft und intelligente Landwirtschaft

Die Konvergenz von satellitengestützter Reiskartierung, IoT-Sensorik und KI-gestützter Entscheidungsunterstützung schafft die Grundlagen für einen intelligenten Reisanbau, bei dem Managemententscheidungen von der Bewässerungszeit bis zur Düngemittelanwendung auf räumlich expliziten, nahezu in Echtzeit verfügbaren Datenströmen basieren und nicht auf kalenderbasierten Faustregeln.

Pilotprojekte in der japanischen Präfektur Niigata und in der chinesischen Provinz Heilongjiang haben gezeigt, dass eine auf Fernerkundung basierende Präzisionsbewirtschaftung des Reisanbaus die Inputkosten senken kann. 15-25% bei gleichbleibenden oder sogar verbesserten Erträgen, wie vorläufige Feldversuchsberichte aus dem Jahr 2024 zeigen.

Schlussfolgerung

Die Kartierung von Reisanbaumustern und -kulturmethoden mittels Fernerkundung hat sich von einer akademischen Forschungsdisziplin zu einem praktischen Instrument entwickelt, das von Regierungen, internationalen Organisationen und Agrartechnologieplattformen in Asien und darüber hinaus eingesetzt wird. Multisensor-Zeitreihenverfahren, die optische und SAR-Daten kombinieren und mithilfe von Machine-Learning- und Deep-Learning-Klassifikatoren verarbeitet werden, liefern mittlerweile routinemäßig Reisanbauflächenkarten auf nationaler Ebene mit einer Gesamtgenauigkeit von über 85–901 TP3T. Diese Karten zeigen nicht nur, wo Reis angebaut wird, sondern auch, wie oft pro Jahr, unter welchen Bewässerungsbedingungen und mit welcher Anbaumethode.

Die Kartierung von Reisanbauflächen geht über die reine Erfassung von Anbautypen hinaus und wandelt Landnutzungsdaten in wertvolle Agrarinformationen um. Die Erkenntnis, dass eine Region innerhalb eines Jahrzehnts von verpflanztem zu direkt gesätem Reis gewechselt hat, signalisiert gleichzeitig Veränderungen auf dem Arbeitsmarkt und sinkende Grundwasserspiegel. Die Kenntnis der am stärksten von Trockenperioden im frühen Anbaujahr betroffenen Regenfeldgebiete, identifiziert anhand ihrer zeitlichen und spektralen Muster, ermöglicht eine vorausschauende Dürrehilfe anstelle reaktiver Katastrophenbewältigung. Fernerkundung ermöglicht diese detaillierte räumliche Analyse zu einem Bruchteil der Kosten vergleichbarer Bodenerhebungen.

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