Wie Vegetationsindizes die Wachstumsüberwachung von Mais verbessern

Mais ist die weltweit am häufigsten angebaute Getreideart nach Volumen; allein in den Vereinigten Staaten werden über 1000 Hektar Mais angebaut. ungefähr 35 Millionen Hektar und eine Produktion von 390 Millionen Tonnen im Jahr 2023. Die Bewirtschaftung einer Kulturpflanze dieser Größenordnung erfordert mehr als nur die Kontrolle zu Fuß. Vegetationsindizes zur Überwachung des Maiswachstums – mathematische Formeln, die sich aus der Art und Weise ableiten, wie Pflanzenbestände Licht reflektieren und absorbieren – sind zu einem Eckpfeiler des modernen Pflanzenmanagements geworden, da sie spektrale Daten in verwertbare Informationen zur Pflanzengesundheit umwandeln. Dies geschieht schnell, in großem Umfang und ohne ein einziges Blatt zu berühren.

Fernerkundungstechnologien, die heute über Satelliten, Drohnen und Handsensoren verfügbar sind, liefern in jeder Phase der Maiswachstumsperiode spektrale Echtzeitdaten für diese Indizes. Landwirte und Agronomen können so Stickstoffmangel im V6-Stadium erkennen, bevor die Blätter gelb werden, Wassermangel während der Kornfüllungsphase feststellen, bevor die Erträge sinken, oder die Düngung mithilfe von Bestandskarten, die in der Woche des Düngebedarfs erstellt werden, kalibrieren.

Was sind Vegetationsindizes? Wie funktionieren sie?

Ein Vegetationsindex (VI) ist ein dimensionsloser, quantitativer Wert, der durch mathematische Kombination der Reflexionswerte zweier oder mehrerer Spektralbänder eines Sensors berechnet wird. Das Ergebnis ist eine einzelne Zahl, die spezifische biologische Merkmale eines Pflanzenbestands – wie Chlorophyllkonzentration, Blattfläche oder Wassergehalt – isoliert und verstärkt und gleichzeitig Störungen durch Boden, Atmosphäre und Schatten unterdrückt.

Die Stärke eines Vegetationsindex liegt in seiner Fähigkeit, Messungen über verschiedene Sensoren, Felder und Zeitpunkte hinweg zu standardisieren. Anstatt Rohwerte der Reflexion zu vergleichen, die sich mit den Lichtverhältnissen ändern, liefert ein Vegetationsindex ein stabileres und biologisch aussagekräftigeres Verhältnis oder eine Differenz. Dadurch wird es möglich, den Zustand des Kronendachs über verschiedene Felder, Jahreszeiten und sogar Satellitenplattformen hinweg zu vergleichen.

Pflanzen absorbieren bestimmte Wellenlängen des Lichts für die Photosynthese und reflektieren andere. Gesunde grüne Vegetation absorbiert den größten Teil des roten Lichts (etwa 660–680 nm) für die chlorophyllgetriebene Photosynthese und reflektiert aufgrund ihrer Zellstruktur stark Nahinfrarotlicht (NIR).

Ein geschwächtes oder lichtes Kronendach absorbiert weniger Rotlicht, reflektiert mehr davon und weniger Nahinfrarotlicht. Vegetationsindizes erfassen diesen Kontrast mathematisch, um zu quantifizieren, wie grün, dicht und gesund ein Kronendach zu einem bestimmten Zeitpunkt ist.

In Vegetationsindizes verwendete Spektralbänder

Verschiedene Spektralbänder liefern unterschiedliche diagnostische Informationen über die Kulturpflanze. Jedes Band erfasst einen anderen biologischen Prozess, weshalb Mehrbandsensoren umfassendere Daten liefern als einfache RGB-Kameras. Die sechs für die Maisüberwachung relevantesten Bänder sind:

• Rot (620–700 nm): Wird stark von Chlorophyll absorbiert. Ein Rückgang der Rotlichtabsorption signalisiert eine verringerte photosynthetische Aktivität und deutet auf Stress, Nährstoffmangel oder vorzeitige Alterung des Kronendachs hin.
• Grün (520–560 nm): Pflanzen reflektieren grünes Licht stärker als rotes, weshalb sie grün erscheinen. Die grüne Lichtreflexion korreliert mit der Chlorophyllkonzentration und wird in Indizes wie GNDVI und VARI verwendet.
• Blau (450–490 nm): Wird von Carotinoiden und Chlorophyll absorbiert. Wird hauptsächlich in RGB-basierten Indizes wie VARI verwendet, wo nur sichtbare Spektralbänder verfügbar sind.
• Nahinfrarot (NIR, 750–900 nm): Das Schwammparenchymgewebe in gesunden Blättern reflektiert das Licht besonders stark. Die NIR-Reflexion bildet die Grundlage für NDVI, EVI und die meisten Breitbandindizes. Ein dichter, gesunder Maisbestand weist eine hohe NIR-Reflexion auf.
• Roter Rand (700–740 nm): Eine Übergangszone zwischen Rotabsorption und NIR-Reflexion. Chlorophyllkonzentration und Stickstoffstatus beeinflussen dieses Band stark, wodurch es sich hervorragend zur Erkennung von Nährstoffmangel im Frühstadium eignet, bevor dieser visuell sichtbar wird.
• Kurzwellige Infrarotstrahlung (SWIR, 1400–2500 nm): Die Absorption erfolgt durch flüssiges Wasser im Pflanzengewebe. SWIR-basierte Indizes messen den Wassergehalt des Pflanzenbestands und erkennen Trockenstress, wodurch sie während der Kornfüllungsphase wertvoll sind, wenn Wassermangel den Ertrag direkt beeinflusst.

Warum Vegetationsindizes für die Wachstumsüberwachung von Mais wichtig sind

1. Überwachung der Pflanzengesundheit

Die Pflanzengesundheit hängt von mehreren sich überschneidenden Faktoren ab: Chlorophyllkonzentration, Blattflächenindex (LAI – das Verhältnis der gesamten Blattfläche zur Bodenfläche), Wasserstatus der Pflanze und Kronentemperatur. Kein einzelner Feldbesuch kann all diese Faktoren gleichzeitig auf Hunderten von Hektar erfassen.

Vegetationsindizes komprimieren diese Komplexität in messbare Werte, die über eine Vegetationsperiode hinweg wiederholt verfolgt werden können, um einen Rückgang zu erkennen, bevor es zu Ertragsverlusten kommt.

Eine Studie, die veröffentlicht wurde in Landwirtschaft (2023) untersuchten drei Maishybriden unter Trocken- und Bewässerungsbedingungen mithilfe von UAV-montierten NDVI-Sensoren. Die Forscher verfolgten den Zustand des Pflanzenbestands wöchentlich vom Auflaufen bis zur Reife und stellten fest, dass die NDVI-Werte zwischen bewässerten und unbewässerten Parzellen bereits im V8-Stadium signifikant voneinander abwichen, Wochen bevor sichtbare Stresssymptome auftraten. Diese frühe Differenzierung ermöglicht ein rechtzeitiges Eingreifen.

2. Messung der Pflanzenvitalität

Die Pflanzenvitalität – also die allgemeine Wachstumsrate und Biomasseakkumulation der Kulturpflanze – sagt das Ertragspotenzial direkt voraus. Indizes wie NDVI und EVI korrelieren stark mit dem Blattflächenindex (LAI) und der oberirdischen Trockenmasse von Mais.

Die Überwachung der Wuchskraft in wichtigen vegetativen Stadien ermöglicht es Agronomen, leistungsschwache Bereiche auf einem Feld zu identifizieren und die Betriebsmittel entsprechend anzupassen, anstatt eine einheitliche Bewirtschaftungsentscheidung für räumlich variable Flächen zu treffen.

3. Stress erkennen, bevor visuelle Symptome auftreten

Dies ist wohl die wirtschaftlich wertvollste Eigenschaft von Vegetationsindizes. Eine Maispflanze, die Stickstoffmangel, Wasserstress oder frühen Krankheitsdruck erleidet, zeigt erste Veränderungen in ihrer spektralen Reflexion – insbesondere im Rotrand- und NIR-Bereich – Tage bis Wochen, bevor die Blätter vergilben, welken oder sichtbare Läsionen aufweisen.

Rotrandindizes, insbesondere NDRE und CI Red Edge, reagieren besonders empfindlich auf subvisuellen Stickstoffmangel und Chlorophyllreduktion. Jang et al. (ScienceDirect, 2024) fanden heraus, dass die Kombination von NDVI-, NDRE- und GNDVI-Indizes mittels multipler linearer Regression Die Ertragsvorhersagegenauigkeit bei Mais wurde im Vergleich zu jedem einzelnen Index deutlich verbessert.

Landwirte, die sich auf einen einzigen Index verlassen, verpassen die zusätzliche Vorhersagekraft, die sich aus Ansätzen mit mehreren Indizes ergibt, insbesondere während kritischer Reproduktionsstadien.

4. Verbesserung der Ertragsprognose

Vegetationsindizes, die zu strategischen Wachstumsstadien – insbesondere um die Zeit des Ährenschiebens und der Blüte – erhoben werden, sind zuverlässige Indikatoren für den endgültigen Kornertrag. (Veröffentlichte Forschungsergebnisse in …) Fernerkundung (2023) fusionierten multitemporale UAV-Daten, darunter NDVI, NDRE, SAVI und EVI, über vegetative und reproduktive Stadien hinweg und erreichten ein Maisertragsvorhersagemodell mit einem Ein R²-Wert von 0,78 und ein rRMSE-Wert von 8,27%, und übertreffen damit Modelle, die auf einstufigen Daten basieren.

Die wichtigste Erkenntnis: Die Verwendung mehrerer Indizes in verschiedenen Wachstumsstadien erfasst ein viel breiteres Spektrum ertragsbestimmender Faktoren als eine einzelne Momentaufnahme.

5. Unterstützung der Präzisionslandwirtschaft

Die Präzisionslandwirtschaft nutzt Daten zur räumlichen Variabilität, um standortspezifische Betriebsmittel vorzuschreiben. Vegetationsindexkarten, die aus Drohnen- oder Satellitenbildern erstellt werden, zeigen die Variabilität des Pflanzenwachstums innerhalb eines Feldes, die durch durchschnittliche Feldmessungen nicht erkennbar ist.

Diese Karten werden direkt in variable Ausbringungssysteme eingespeist, sodass Landwirte mehr Dünger dort ausbringen können, wo die Pflanzen ihn benötigen, und weniger dort, wo sie ihn nicht benötigen. Dadurch werden Kosten und Umweltbelastung gleichzeitig reduziert.

Wachstumsstadien von Mais, in denen Vegetationsindizes am nützlichsten sind

“Der richtige Index im richtigen Wachstumsstadium liefert Erkenntnisse über die Pflanzen, die eine flächendeckende Bestandsaufnahme einfach nicht liefern kann – und der Zeitpunkt dieser Datenerhebung ist genauso wichtig wie der gewählte Index.”

1. Entstehungsphase

Im Auflaufstadium ist die Pflanzendecke spärlich und der Boden dominiert das Bild. Der Standard-NDVI ist hier wenig aussagekräftig, da das Bodenrauschen das schwache Signal der Pflanzenkrone überlagert. Bodenkorrigierte Indizes wie SAVI und MSAVI sind in dieser Phase die geeigneten Instrumente.

Sie wenden einen Korrekturfaktor an, um den Einfluss des freiliegenden Bodens auf den Indexwert zu reduzieren und so aussagekräftige Messungen der Pflanzendichte und der Gleichmäßigkeit der frühen Etablierung zu ermöglichen.

2. Vegetatives Wachstum (V-Stadien)

Von V3 bis V12 wächst der Maisbestand rasant. Dies ist das kritischste Zeitfenster für die Stickstoffversorgung, da der Stickstoffbedarf der Pflanze stark ansteigt.

NDRE und CI Green reagieren in diesem Zeitraum am schnellsten, da der Rotrandbereich subtile Chlorophyllreduktionen erfasst, bevor sich das breitere Signal des NDVI ändert. UAV-Flüge in den Geschwindigkeiten V6 und V10, abgestimmt auf Entscheidungen zur Stickstoffdüngung, erzielen den höchsten Nutzen aus dem Dateneinsatz.

3. Quasten und Seidenverzierung

Die Blüte (VT) und das Seidenfadenstadium (R1) sind die ertragskritischsten Phasen im gesamten Lebenszyklus von Mais. Der Bestand ist zu diesem Zeitpunkt nahezu vollständig geschlossen, sodass NDVI und EVI nun den gesamten Bestand ohne Beeinträchtigung durch den Boden erfassen können.

Beide Indizes erreichen bei gesunden Pflanzen um den VT-Wert ihren Höchstwert. Jedes Plateau oder ein frühzeitiger Rückgang der Indexwerte in diesem Stadium ist ein zuverlässiger Indikator für Stress, der zu Kornabsterben und Ertragsverlusten führt.

4. Kornfüllung

Während der Kornfüllungsphase (R3–R5) verlagert sich der Schwerpunkt der Pflanzenpflege auf Wasserstress und Krankheiten. Der NDWI (Normalized Difference Water Index, berechnet aus NIR- und SWIR-Bändern) und thermische Indizes ergänzen in dieser Phase die Standardinstrumente, indem sie die Reduzierung des Wassergehalts im Pflanzenbestand erfassen, die dem sichtbaren Welken vorausgeht.

Da die NDVI-Werte mit zunehmender Reife der Kulturpflanze auf natürliche Weise abnehmen, erfordert die Interpretation der Indexentwicklung einen Vergleich mit dem zu erwartenden saisonalen Muster für die angebaute Hybride.

5. Reife

Bei physiologischer Reife (R6) nehmen alle wichtigen Vegetationsindizes mit dem Absterben des Kronendachs und dem Abbau des Chlorophylls ab. Indexdaten bei Reife werden primär für retrospektive Analysen genutzt – die saisonalen Verläufe der Vegetationsindizes werden mit tatsächlichen Ernteertragsdaten korreliert, um Vorhersagemodelle zu validieren und zukünftige Saisonvergleiche zu verbessern. Die Zeitreihenanalyse von Indexkurven vom Auflaufen bis zur Reife liefert die umfassendste Datengrundlage für die Entwicklung feldspezifischer Ertragsmodelle.

Gängige Vegetationsindizes zur Überwachung des Maiswachstums

1. NDVI (Normalisierter Differenzvegetationsindex)

Der NDVI ist der am weitesten verbreitete Vegetationsindex in der Landwirtschaft. Er misst den Kontrast zwischen Nahinfrarot- und Rotlichtreflexion und wird wie folgt berechnet:

NDVI = (NIR − Rot) / (NIR + Rot)

NDVI-Werte reichen von −1 bis +1. Gesunde, dichte Maisbestände erreichen typischerweise Werte zwischen 0,7 und 0,9 im optimalen Grünstadium. Zu den wichtigsten Anwendungsbereichen zählen die Überwachung der Bestandsentwicklung vom V6-Stadium bis zum Ährenschieben, die Identifizierung leistungsschwacher Bereiche im Feld sowie die Korrelation mit dem Blattflächenindex (LAI) und der oberirdischen Biomasse.

Die wichtigste Einschränkung des NDVI ist die Sättigung in dichten Baumkronen – sobald der LAI etwa 3 m²/m² überschreitet, führen zusätzliche Blattflächen zu abnehmenden Veränderungen des NDVI-Signals, wodurch die Empfindlichkeit im Bereich der höchsten Baumkronendichte sinkt.

Eine 2024 veröffentlichte Studie Landwirtschaft (MDPI) stellte mithilfe von UAV-gestütztem NDVI-Monitoring über zwei Vegetationsperioden in Ungarn fest, dass Die stärkste Korrelation zwischen NDVI und Ertrag trat im Stadium nach der Blüte auf. (R = 0,638 im Jahr 2023 und R = 0,634 im Jahr 2024), was die Zuverlässigkeit des NDVI als Ertragsindikator während der Vegetationsperiode in diesem spezifischen Wachstumsfenster bestätigt.

2. GNDVI (Grüner NDVI)

GNDVI ersetzt das rote Band durch ein grünes Band: GNDVI = (NIR − Grün) / (NIR + Grün). Der grüne Kanal reagiert empfindlicher auf die Chlorophyllkonzentration als der rote Kanal, wodurch GNDVI besser geeignet ist, moderate Chlorophyllvariationen in reifen, dichten Baumkronen zu erfassen, in denen NDVI gesättigt ist.

Die primäre Anwendung bei Mais besteht in der Beurteilung des Stickstoffstatus während der mittleren vegetativen und reproduktiven Phase. Forschungsergebnisse wurden veröffentlicht in ScienceDirect (2024) bestätigten, dass GNDVI in Kombination mit NDRE in Multi-Index-Regressionsmodellen die Genauigkeit der Maisertragsvorhersage erheblich verbesserte, insbesondere in den Vorblütestadien.

3. EVI (Verbesserter Vegetationsindex)

Der EVI verbessert den NDVI durch die Einbeziehung des blauen Spektralbereichs und die Anwendung atmosphärischer Korrekturkoeffizienten: EVI = 2,5 × [(NIR − Rot) / (NIR + 6 × Rot − 7,5 × Blau + 1)]. Durch diese Formel werden gleichzeitig atmosphärische Störungen und Störungen durch den Bodenhintergrund reduziert, wodurch der EVI in dichten Vegetationsbeständen, in denen der NDVI an seine Grenzen stößt, empfindlicher ist als der NDVI.

Der EVI-Index ist der bevorzugte Index zur Überwachung der Maisbestandsstruktur vom Ährenschieben bis zur frühen Kornfüllungsphase, wenn die Pflanzendecke nahezu vollständig ist. Er ist ein Kernindex in MODIS-Satellitenprodukten und wird häufig für die regionale Maisüberwachung eingesetzt.

Eine Studie in Landwirtschaft (2024) wurde anhand von MODIS MOD09A1-Daten über der Provinz Jilin in China festgestellt, dass Die Kombination mehrerer Vegetationsindizes, einschließlich EVI, mit einem Formmodell verbesserte die Genauigkeit der phänologischen Stadiumserkennung signifikant. über wichtige Wachstumsperioden von Mais im Vergleich zu Ansätzen mit nur einem Index.

Für die großflächige regionale Pflanzenbestandsüberwachung liefert die Kombination des EVI mit anderen Indizes in Zeitreihenmodellen eine zuverlässigere phänologische Nachverfolgung als jeder einzelne Index allein.

4. SAVI (Bodenbereinigter Vegetationsindex)

SAVI führt einen Bodenhelligkeitskorrekturfaktor (L) in die NDVI-Formel ein: SAVI = [(NIR − Rot) / (NIR + Rot + L)] × (1 + L), Dabei gilt L = 0,5 für typische Bodenbedingungen. Durch die Dämpfung des Reflexionsbeitrags von unbedecktem Boden ermöglicht SAVI genauere Bestandsmessungen in frühen Maiswachstumsstadien, wenn die Bodenbedeckung unter 50% liegt. Es ist die Standardmethode zur Überwachung der Pflanzenetablierung, der Bestandsgleichmäßigkeit und der frühen Triebkraft vom Auflaufen bis zum V4-Stadium.

5. NDRE (Normalized Difference Red Edge)

NDRE nutzt den Rotrand- und den NIR-Bereich: NDRE = (NIR − Rotkante) / (NIR + Rotkante). Der Rotrandbereich liegt in einem Spektralbereich, in dem kleine Änderungen der Chlorophyllkonzentration große Änderungen der Reflexion hervorrufen, wodurch NDRE empfindlicher auf stickstoffbedingte Chlorophyllvariationen reagiert als NDVI.

Eine Studie, die veröffentlicht wurde in Sensoren (2024) wurde mithilfe von UAV-Photogrammetrie an einer Forschungsstation des LSU AgCenter festgestellt, dass NDRE sagte 87 Tage nach der Aussaat den Maiskornertrag mit einem R² von 0,9097 voraus., eine außergewöhnlich starke Beziehung, die den Wert von NDRE für das Stickstoffmanagement in der Spätsaison und die Ertragsprognose unterstreicht.

6. MSAVI (Modifizierter bodenkorrigierter Vegetationsindex)

MSAVI verbessert SAVI, indem der L-Faktor dynamisch statt fix ist und sich somit automatisch an den Grad der Vegetationsbedeckung anpasst: MSAVI = [2 × NIR + 1 − √((2 × NIR + 1)² − 8 × (NIR − Rot))] / 2.

Durch diese Selbstkorrektur ist MSAVI im gesamten Entwicklungsstadium des Pflanzenbestands – vom Auflaufen der Pflanzen bis zur vollständigen Bedeckung während der Blüte – genauer als SAVI. Da keine Annahmen über die Bodenhelligkeit getroffen werden müssen, ist MSAVI besser auf unterschiedliche Feldbedingungen und Bodentypen übertragbar.

7. VARI (Visible Atmospherically Resistant Index)

VARI nutzt nur sichtbare Bänder (Rot, Grün, Blau): VARI = (Grün − Rot) / (Grün + Rot − Blau). Sein Wert liegt darin, dass er mit Standard-RGB-Kameras berechnet werden kann – dem Kameratyp, der von den meisten kommerziellen Drohnen kostengünstig mitgeführt wird.

Obwohl VARI nicht die Stickstoff- und Biomasseempfindlichkeit multispektraler Indizes aufweist, bietet es eine brauchbare erste Einschätzung der Kronengrünheit und ist somit auch für Landwirte zugänglich, die noch nicht über multispektrale Sensorik verfügen.

Forschungsergebnisse veröffentlicht in ScienceDirect (2025) wurde VARI als einer der nützlichen VI-Eingangsparameter in maschinellen Lernmodellen zur Vorhersage des Maisertrags in verschiedenen Anbauumgebungen bestätigt.

8. OSAVI (Optimierter bodenkorrigierter Vegetationsindex)

OSAVI ist eine vereinfachte Version von SAVI mit einem festen L-Wert von 0,16, optimiert für Bedingungen mit teilweiser Kronenbedeckung: OSAVI = (NIR − Rot) / (NIR + Rot + 0,16).

Dieser spezifische L-Wert wurde empirisch ermittelt, um die Auswirkungen des Bodenhintergrunds über ein breites Spektrum an Vegetationsdichten hinweg zu minimieren. OSAVI liefert von V2 bis V6 gute Ergebnisse und schließt die Lücke zwischen der Nützlichkeit von SAVI zu Beginn der Vegetationsperiode und der Genauigkeit von NDVI in der Hauptsaison.

9. CI Grün (Chlorophyllindex Grün)

CI Green schätzt den Chlorophyllgehalt direkt aus dem Reflexionsvermögen: CI Grün = (NIR / Grün) − 1. Da Chlorophyll das primäre Stickstoffspeicherpigment in Blättern ist, erfasst CI Green den Stickstoffstatus des Kronendachs, ohne dass der rote Randstreifen erforderlich ist.

Dies macht es wertvoll, wenn nur ein Standard-Grünband verfügbar ist, wie beispielsweise bei Sentinel-2-Bildern, und es liefert zuverlässige Ergebnisse von V6 bis zum Blühbeginn für Stickstoffmanagemententscheidungen in der Mitte der Vegetationsperiode.

10. CI Red Edge (Chlorophyll-Index-Rotkante)

CI Red Edge ersetzt den grünen Streifen durch den roten Randstreifen: CI-Rotkante = (NIR / Rotkante) − 1. Durch diese Substitution reagiert CI Red Edge deutlich empfindlicher auf Chlorophyllveränderungen als CI Green, insbesondere in der mittleren bis späten Vegetationsphase, wenn die Pflanzendichte so hoch ist, dass das Signal im grünen Spektralbereich an seine Grenzen stößt. CI Red Edge zählt zu den leistungsstärksten Indizes zur Erkennung subtiler Stickstoffgradienten in verschiedenen Bewirtschaftungszonen von Maisfeldern.

Vergleich von Vegetationsindizes für die Maisüberwachung

1. Bester Index für frühes Wachstum

SAVI und MSAVI übertreffen NDVI und EVI während der frühen Maisentwicklung (Auflaufen bis V4) durchweg, da sie das Bodenrauschen reduzieren, das andernfalls das Indexsignal dominieren würde, wenn die Bestandsbedeckung unter 40% liegt. OSAVI bietet eine nützliche Zwischenlösung, wenn die Bodenbedingungen innerhalb eines Feldes variieren.

2. Bester Index für die Stickstoffdetektion

NDRE und CI Red Edge sind die aussagekräftigsten Indizes zur Erkennung von Stickstoffmangel bei Mais. Beide nutzen die hohe Empfindlichkeit des Rotrandbereichs gegenüber der Chlorophyllkonzentration. Im Stadium V6 bis V10 – dem kritischsten Zeitfenster für die Stickstoffdüngung – erkennen diese Indizes einen Mangel 7 bis 14 Tage, bevor der NDVI messbare Ergebnisse liefert. Dadurch bleibt genügend Zeit für Gegenmaßnahmen.

3. Bester Index zur Biomasseabschätzung

NDVI und EVI sind die am besten validierten Indizes zur Schätzung der oberirdischen Trockenbiomasse von Mais. Untersuchungen mit multispektralen UAV-Bildern in Kombination mit Texturmerkmalen in PMC (2023) stellten fest, dass Vegetationsindizes, die auf den roten (650 nm), rotrandigen (705 nm) und NIR-Bändern (842 nm) basieren, die höchsten Korrelationen mit dem LAI aufwiesen – einem eng verwandten Indikator für die Biomasseakkumulation während der Vegetationsperiode.

4. Bester Index für dichte Baumkronen

Der EVI-Index ist der bevorzugte Index, wenn der Maisbestand vollständig geschlossen ist, typischerweise vom Ährenschieben bis zum Beginn der Kornfüllung. Während der NDVI-Index oberhalb eines LAI von etwa 3 sättigt, reagiert der EVI-Index weiterhin auf zusätzliche Blattflächen- und Chlorophyllvariationen, da seine atmosphärischen und bodenbezogenen Korrekturterme eine Signalsättigung bei hohen Biomassewerten verhindern.

5. Bester Index für Trockenstress

Die Kombination aus NDWI (NIR- und SWIR-basiertem Wasserindex) und NDVI ist am effektivsten zur Erkennung von Trockenstress bei Mais. NDWI erfasst direkt Veränderungen des Wassergehalts im Pflanzengewebe, während NDVI die sekundären Auswirkungen von Wasserstress auf die Grünfärbung des Pflanzenbestands abbildet. Multispektrale Sensoren mit SWIR-Funktion bieten hier den größten Mehrwert, sind aber nach wie vor teurer als herkömmliche Fünf-Band-Multispektralsysteme.

Anwendungen von Vegetationsindizes in der Maisproduktion

Ein Vegetationsindex ist nur so nützlich wie die Entscheidung, die er ermöglicht – das Ziel ist immer, spektrale Daten in eine Feldmaßnahme umzusetzen, die den Ertrag steigert, die Kosten senkt oder beides.

1. Biomasseabschätzung

NDVI- und EVI-Werte korrelieren stark mit der oberirdischen Trockenmasse während der gesamten Vegetationsperiode von Mais. Wiederholte UAV-Flüge oder Satellitenüberflüge im Abstand von zwei Wochen erzeugen Biomasseakkumulationskurven, die aufzeigen, ob ein Feld sein Ertragspotenzial erreicht oder hinter dem erwarteten Wachstumspfad für die jeweilige Saison zurückbleibt.

2. Chlorophyllmessung

CI Green und CI Red Edge liefern zerstörungsfreie Schätzungen des Chlorophyllgehalts auf Bestandsebene, die die Photosynthesekapazität der Kulturpflanze erfassen. (Veröffentlichte Forschungsergebnisse in …) PMC (2024) wurde mithilfe von UAV-basierten SPAD-Messungen (Chlorophyllmessung) an Mais bestätigt, dass der modifizierte Rotrand-Verhältnisindex eine R² von 0,87 zur Vorhersage des Blattchlorophyllgehalts im mittleren Wachstumsstadium, was die praktische Genauigkeit der Rotrandindizes für diese Anwendung demonstriert.

3. Stickstoffstatusbewertung

Stickstoff ist der Nährstoff, der den Maisertrag am direktesten begrenzt, und sein Gehalt schwankt im Laufe der Saison mit dem sich ändernden Bedarf der Pflanze. Eine 2025 veröffentlichte Studie Grenzen der Pflanzenwissenschaft Die Forscher integrierten Sentinel-2A-Satellitenbilder, multispektrale UAV-Daten und Bodenbeobachtungen über vier Maiswachstumsstadien im Jahr 2024 und entwickelten ein neuartiges regionales Stickstoffgehalts-Inversionsmodell unter Verwendung mehrerer Vegetationsindizes in Kombination mit einer Bandkorrektur.

Das Framework erreichte eine hohe Validierungsgenauigkeit an 48 unabhängigen Probenahmepunkten und demonstrierte damit, wie die Fusion von Satelliten- und UAV-Daten die Skalierbarkeit des VI-basierten Stickstoffmanagements über einzelne Felder hinaus auf Betriebs- und regionale Ebenen erweitert.

4. Erkennung von Wasserstress

Wasserstress bei Mais reduziert zunächst die Stomata-Leitfähigkeit, dann den Wassergehalt der Blätter und schließlich die grüne Biomasse – drei Prozesse, die nacheinander unterschiedliche Spektralbänder beeinflussen. Wasserstress im Frühstadium zeigt sich in Daten des thermischen Spektralbandes und in SWIR-basierten Indizes, bevor der NDVI abnimmt.

Die Überwachung der Kombination aus NDWI und NDVI während der Kornfüllungsperiode – wenn Wasserstress die größten Auswirkungen auf den Ertrag hat – ermöglicht es, die Bewässerungsplanung auf der Grundlage des tatsächlichen Pflanzenbedarfs und nicht auf kalenderbasierten Regeln zu gestalten.

5. Krankheitsüberwachung

Pilzkrankheiten wie die Maisblattfleckenkrankheit und die Graufleckenkrankheit verändern das Spektrum infizierter Blätter, bevor größere Läsionen mit bloßem Auge sichtbar sind. Infiziertes Gewebe zeigt einen charakteristischen Abfall der NIR-Reflexion und eine Verschiebung der Rotkante.

Die multitemporale VI-Überwachung ermöglicht die Erkennung lokalisierter spektraler Anomalien, die auf einen beginnenden Krankheitsdruck hinweisen, und ermöglicht so den gezielten Einsatz von Fungiziden anstelle einer flächendeckenden Besprühung des Feldes.

6. Schädlingsschadenserkennung

Der durch Schädlingsfraß verursachte Blattverlust verringert den Blattflächenindex (LAI), was wiederum die NDVI- und EVI-Werte in den betroffenen Bereichen direkt senkt. Beispielsweise erzeugen Heerwurm-Befälle charakteristische räumliche Muster des Indexrückgangs, die anhand von Drohnenbildern erkennbar sind, bevor sich der Befall auf benachbarte Feldabschnitte ausbreitet.

Hochauflösende UAV-Flüge (Bodenabtastabstand unter 5 cm) liefern die räumlichen Details, die erforderlich sind, um Insektenschäden von anderen Ursachen für die Variation des Kronendachs zu unterscheiden.

7. Ertragsschätzung

Vegetationsindexwerte, gemessen in bestimmten kritischen Wachstumsstadien – insbesondere V12, VT und R3 – sind in Kombination mit historischen Ertragskarten und Wetterdaten zuverlässige Indikatoren für den endgültigen Kornertrag. Ansätze zur Fusion mehrerer Indizes erzielen durchweg bessere Ergebnisse als Modelle mit nur einem Index.

Die Kombination von GNDVI, NDRE und SCCCI (Simplified Canopy Chlorophyll Content Index) um die Vorblütezeit hat in veröffentlichten Maisstudien eine besonders hohe Genauigkeit bei der Ertragsprognose gezeigt. ScienceDirect (2026).

Untersuchungen über zwei Anbausaisons in Ungarn ergaben Korrelationskoeffizienten von 0,638 und 0,634 zwischen dem NDVI nach der Blüte und dem endgültigen Kornertrag. Multi-Index-Modelle, die NDRE und GNDVI einbeziehen, verbessern die Vorhersagegenauigkeit noch weiter.

8. Variable Düngemittelapplikation

Mithilfe von Drohnenflügen erstellte, auf visuellen Indikatoren basierende Bestandskarten werden direkt zur Erstellung von Applikationskarten für die variable Stickstoffdüngung verwendet. Die Felder werden anhand von Indexwerten in Bewirtschaftungszonen unterteilt, und jede Zone erhält eine auf ihren spezifischen Pflanzenbedarf abgestimmte Stickstoffdosis.

Fernerkundung und variable Ausbringungstechnik trugen zusammen dazu bei 58% des Marktanteils der Präzisionslandwirtschaftstechnologie im Jahr 2025 (Precedence Research, 2026), was verdeutlicht, wie zentral dieser Arbeitsablauf für die kommerzielle Maisproduktion geworden ist.

Eine Studie aus dem Jahr 2025 in Landwirtschaft (MDPI) stellte fest, dass moderate Stickstoffdosen von 120–180 kg ha⁻¹ lieferte das optimale Nährstoffniveau für Mais und steigerte den Ertrag um bis zu 5,086 t ha⁻¹ Im Vergleich zu ungedüngten Kontrollflächen erwies sich die NDVI-basierte Überwachung nicht nur für die Ertragsoptimierung als effektiv, sondern insbesondere auch für die Steuerung standortspezifischer Düngungsstrategien.

Eine auf dem NDVI basierende Stickstoffbewirtschaftung nach der Blüte (wenn die Korrelation zwischen Vegetationsindex und Ertrag ihren Höhepunkt erreicht) kann die traditionellen, ausschließlich auf Bodenanalysen beruhenden Düngeansätze ersetzen und sowohl die Inputeffizienz als auch den Kornertrag deutlich verbessern.

Plattformen zur Erfassung von Vegetationsindexdaten

1. Satellitenbilder

Satelliten wie Sentinel-2 (10 m Auflösung, 5-tägige Wiederholungsrate) und Planet Labs-Satelliten (3 m Auflösung, tägliche Wiederholungsrate) liefern konsistente, wetterabhängige Spektraldaten über große Gebiete zu geringen Kosten pro Hektar.

Die Einbeziehung der Rotrandbänder (B5, B6, B7 bei 705, 740, 783 nm) in Sentinel-2 macht es besonders wertvoll für die Berechnung von NDRE und CI Red Edge in regionalen Maisüberwachungsprogrammen. Die Bewölkung stellt jedoch eine Einschränkung dar: Eine Bewölkungsperiode während eines kritischen Wachstumsfensters kann zu Datenlücken führen und die zeitliche Überwachung unterbrechen.

2. Drohnenbasierte Fernerkundung

Starrflügler- und Multikopterdrohnen, ausgestattet mit Multispektralkameras, liefern Bildmaterial im Feldmaßstab mit einer Auflösung von 2–10 cm pro Pixel. Dieser Detailgrad ermöglicht die Darstellung einzelner Pflanzenreihen und somit die Messung von Unterschieden im Gesundheitszustand des Pflanzenbestands innerhalb der Reihen.

Drohnenvermessungen können unabhängig vom Zeitpunkt des Satellitenüberflugs bedarfsgerecht geplant werden und eignen sich daher ideal zur Datenerfassung genau an agronomischen Entscheidungspunkten wie der Stickstoffdüngung oder der Bewässerungsplanung.

3. Multispektrale UAV-Kameras

Multispektrale Kameras wie die MicaSense RedEdge, Parrot Sequoia und DJI Zenmuse P1 erfassen gleichzeitig Bilder in fünf oder mehr schmalen Spektralbändern, darunter Rot, Grün, Blau, Rotrand und NIR.

Diese Systeme umfassen ein kalibriertes Reflexionspanel und einen Sonnenscheinsensor, um die Daten für die unterschiedlichen Lichtverhältnisse während eines Fluges zu normalisieren. Dies ist unerlässlich, um genaue, reproduzierbare Indexwerte anstelle von relativen Vergleichen zu erhalten.

4. Handliche Pflanzensensoren

Aktive optische Sensoren wie GreenSeeker und CropCircle erzeugen eine eigene Lichtquelle und messen die Reflexion einzelner Pflanzen aus nächster Nähe, wodurch der Einfluss von variablem Sonnenlicht eliminiert wird.

Diese Sensoren dienen der schnellen Stickstoffstatusbestimmung direkt im Feld an festgelegten Probenahmepunkten. Ihre Daten ergänzen Drohnen- und Satellitenbilder durch Bodenmessungen, die die Fernerkundungsindexwerte an bekannten Standorten bestätigen.

5. Traktormontierte Sensoren

Traktormontierte aktive Sensoren wie der John Deere Hagie und der Trimble GreenSeeker RT scannen den Maisbestand kontinuierlich während der Fahrt und liefern NDVI-Daten in Echtzeit direkt an einen Regler für variable Ausbringungsmengen. Dieses geschlossene System ermöglicht die Anpassung der Düngermenge während der Fahrt auf Basis aktueller Daten zum Pflanzenzustand, ohne dass ein separater Datenverarbeitungsschritt zwischen Messung und Ausbringung erforderlich ist.

Faktoren, die die Genauigkeit des Vegetationsindex in Maisfeldern beeinflussen

1. Bodenhintergrund

Freiliegender Boden besitzt eine eigene spektrale Signatur, die sich mit dem Signal des Pflanzenbestands vermischt, insbesondere bei einer Bedeckung unter 50%. Bodenkorrigierte Indizes (SAVI, MSAVI, OSAVI) sollen diesen Effekt minimieren, jedoch beeinflussen Bodenfarbe, Feuchtigkeit und Gehalt an organischer Substanz die Indexwerte in frühen Vegetationsaufnahmen weiterhin. Die Kalibrierung von Indexschwellenwerten für spezifische Bodentypen in einer Region verbessert die Interpretationsgenauigkeit.

2. Bewölkung

Wolken blockieren die Sonneneinstrahlung und verursachen variable Schattenbildung am Boden, wodurch Reflexionsmessungen mit passiven Sensoren auf Satelliten und Drohnen unzuverlässig werden.

Aktive Sensoren sind unempfindlich gegenüber Wolkenbedeckung, da sie ihre eigene Beleuchtung erzeugen. Wolkenbedeckung ist der wichtigste Faktor, der die Nützlichkeit satellitengestützter Vegetationsindexmessungen in Regionen mit hoher Wolkenhäufigkeit während der Vegetationsperiode einschränkt.

3. Sonnenwinkel

Niedrige Sonnenstände erhöhen den Schattenanteil im Kronendach, wodurch die NIR-Reflexion künstlich verringert und die Indexwerte verfälscht werden. UAV-Flüge zwischen 10:00 und 14:00 Uhr Ortszeit minimieren Schatteneffekte und liefern konsistentere Daten. Die Konsistenz der Flugzeiten bei wiederholten Messungen ist ebenso wichtig wie die absolute Zeitangabe, da sie einen aussagekräftigen Vergleich zwischen den Messterminen ermöglicht.

4. Pflanzendichte

Die Pflanzendichte beeinflusst direkt den Bestandesschluss und damit, wie schnell die VI-Werte von der Pflanzung bis zum Bestandesschluss ansteigen. Felder mit geringerer Pflanzendichte schließen den Bestand später, wodurch sich der Zeitraum verlängert, in dem der Bodenhintergrund die Indexmessungen beeinflusst. Mithilfe von Populationskarten, die aus Auflaufbildern gewonnen werden, können VI-Schwellenwerte an lokale Dichteunterschiede angepasst werden.

5. Wachstumsphase

Derselbe VI-Wert hat in verschiedenen Wachstumsstadien unterschiedliche Bedeutungen. Ein NDVI-Wert von 0,5 im Stadium V6 kann auf ein gesundes, gut entwickeltes Kronendach hindeuten, während ein NDVI-Wert von 0,5 im Stadium VT auf erheblichen Stress hinweisen würde.

Die Interpretation von Vegetationsindexwerten ohne Berücksichtigung des Wachstumsstadiums führt zu einer Fehlklassifizierung des Pflanzenzustands. Die Zeitreihenanalyse, die aktuelle Werte mit erwarteten saisonalen Kurven vergleicht, korrigiert dies, indem sie jeden Messwert im Kontext der Entwicklungskurve der Pflanze betrachtet.

6. Sensorauflösung

Sensoren mit geringerer Auflösung vermischen die spektralen Signale von Nutzpflanzen, Boden und Feldrändern innerhalb eines einzelnen Pixels – ein Problem, das als “Mischpixel” bezeichnet wird. Bei der 10 m-Auflösung von Sentinel-2 deckt ein einzelnes Pixel 100 m² Boden ab, der oft mehrere Pflanzenreihen und den Boden zwischen den Reihen umfasst.

Höher auflösende Drohnenbilder (5 cm pro Pixel) eliminieren Mischpixel und liefern ein wesentlich reineres spektrales Signal der Baumkrone, allerdings auf Kosten eines größeren Datenvolumens und einer längeren Verarbeitungszeit.

Grenzen von Vegetationsindizes für die Maisüberwachung

1. Sättigung in dichten Baumkronen

Der am weitesten verbreitete NDVI-Index sättigt sich bei LAI-Werten über etwa 3 m²/m², die Mais typischerweise im V10-Stadium erreicht. Oberhalb dieses Schwellenwerts führen weitere Zunahmen der Kronengrünheit oder Biomasse zu vernachlässigbaren Änderungen des NDVI-Wertes. EVI, GNDVI und NDRE wurden entwickelt, um diese Einschränkung zu beheben, benötigen jedoch mehr Spektralbänder als der NDVI und sind nicht immer mit kostengünstigen Sensoren verfügbar.

2. Wetterabhängigkeit

Passive Fernerkundungssysteme sind auf eine gleichmäßige Sonneneinstrahlung angewiesen. Wolkenbedeckung, Dunst und atmosphärische Aerosole absorbieren und streuen die einfallende Sonnenstrahlung, bevor sie die Pflanzen erreicht und erneut auf dem Weg zurück zum Sensor, wodurch die Reflexionswerte verfälscht werden.

Atmosphärische Korrekturalgorithmen, die während der Datenverarbeitung angewendet werden, reduzieren diesen Effekt, können ihn aber nicht vollständig beseitigen. In tropischen Maisanbaugebieten mit langen Bewölkungsperioden können Datenlücken so häufig auftreten, dass die Überwachung von Zeitreihen beeinträchtigt wird.

3. Gemischte Pixel

Bei niedrigen räumlichen Auflösungen erfassen Pixel Signale sowohl von der Pflanzendecke als auch vom Boden, von Straßen, Bewässerungsanlagen oder Feldrändern. Die daraus resultierende Mischpixelreflexion liefert Indexwerte, die nicht die Pflanzendecke allein repräsentieren. Die Maskierung von Feldgrenzen und die Verwendung des höchstmöglichen Sensors mit der höchstmöglichen räumlichen Auflösung sind Standardverfahren, um diesen Fehler zu minimieren.

4. Kalibrierungsanforderungen

Die Erzeugung präziser und reproduzierbarer Indexwerte erfordert die radiometrische Kalibrierung des Sensors, die Korrektur atmosphärischer Einflüsse und die Normalisierung der variablen Beleuchtung während Drohnenflügen. Werden diese Schritte ausgelassen, entstehen relative Vegetationsindexkarten, die weder zwischen verschiedenen Zeitpunkten noch zwischen verschiedenen Feldern vergleichbar sind, was ihre Nützlichkeit für die Zeitreihenüberwachung und den Vergleich mehrerer Felder einschränkt.

5. Notwendigkeit der Validierung anhand von Ground Truth

Vegetationsindizes sind indirekte Messgrößen. Sie schätzen Pflanzeneigenschaften – Chlorophyll, Stickstoff, Biomasse – indem sie spektrale Muster mit biologischen Variablen korrelieren, anstatt diese direkt zu messen.

Jede auf Vegetationsindexdaten basierende Pflanzenbestandsbewertung profitiert von einer Validierung durch Feldmessungen: physikalische Messungen des Blattstickstoffgehalts, Chlorophyllmessungen oder zerstörende Biomasseproben, die an einer repräsentativen Auswahl von Standorten auf dem Feld entnommen werden. Diese Felddaten untermauern die Interpretation der Fernerkundung und verhindern Fehldiagnosen.

Bewährte Verfahren für die Anwendung von Vegetationsindizes in Maisfeldern

1. Den richtigen Index auswählen

Die Auswahl des Index sollte sich nach dem Überwachungsziel und dem verfügbaren Sensor richten. Für die Stickstoffbestimmung empfiehlt sich NDRE oder CI Red Edge, sofern ein Rotrandbereich verfügbar ist. Für die Bestandsbewertung im Frühstadium der Vegetationsperiode sind SAVI oder MSAVI geeignet.

Für die Überwachung des Kronendachs und die Ertragsprognose in der Hauptsaison sollten EVI oder NDVI in Kombination mit GNDVI oder NDRE verwendet werden. Die alleinige Verwendung von NDVI zu Beginn der Saison oder bei hoher Kronendichte sollte vermieden werden – seine Grenzen sind in beiden Fällen hinlänglich bekannt.

2. Die richtige Wachstumsphase auswählen

Die zeitliche Abstimmung der Datenerfassung auf agronomische Entscheidungspunkte maximiert den Nutzen der Vegetationsindexdaten für das Management. Ein praktischer Überwachungsplan für Mais würde Folgendes umfassen:

1. V2–V4 (Auflaufprüfung): Verwenden Sie SAVI oder MSAVI, um die Gleichmäßigkeit des Bestandes zu beurteilen und Nachpflanzungszonen zu identifizieren.
2. V6 (Entscheidung zur Stickstoff-Seitendüngung): Verwenden Sie NDRE oder CI Red Edge, um den Stickstoffstatus zu kartieren und eine variable Aufwandmengenverordnung zu erstellen.
3. V10–V12 (Kronenschluss): Nutzen Sie NDVI und EVI, um die Biomasse zu beurteilen und leistungsschwache Managementzonen zu kennzeichnen.
4. VT (Blütenbildung): Verwenden Sie NDVI und GNDVI, um den Kronenhöhepunkt zu bewerten und Bereiche zu identifizieren, die während der Bestäubung einem Stressrisiko ausgesetzt sind.
5. R3 (Milchstadium): NDVI und NDWI werden verwendet, um Wasserstress zu erkennen und den Fortschritt der Kornfüllung zu beurteilen.
6. R6 (Reife): Verwenden Sie Indexdaten, um die saisonale VI-Entwicklung mit dem Ernteertrag für die Modellkalibrierung zu korrelieren.

3. Kombination mehrerer Indizes

Kein einzelner Index erfasst die gesamte Komplexität des Zustands von Maispflanzen. Die Kombination von zwei oder mehr Indizes, die unterschiedliche biologische Signale erfassen, führt zu aussagekräftigeren Diagnosekarten. Die Kombination von NDRE für den Stickstoffstatus, NDVI für die Gesamtbiomasse und NDWI für den Wassergehalt deckt die drei häufigsten limitierenden Faktoren im Maisanbau ab. Die Fusion mehrerer Indizes in Modellen des maschinellen Lernens liefert eine messbar höhere Genauigkeit bei der Ertragsprognose als jeder Ansatz mit nur einem Index.

4. Integration von Bodenbeobachtungen

VI-Karten sollten stets in Verbindung mit Feldbeobachtungen interpretiert werden. Tritt in einer Drohnenkarte eine VI-Anomalie auf, bestätigt ein Feldbesuch vor Ort, ob das Spektralsignal ein tatsächliches agronomisches Problem – wie Stickstoffmangel, Bodenverdichtung, Staunässe oder Schädlingsbefall – widerspiegelt oder durch Sensorauschen, Schattenwurf oder Bodenvariationen verursacht wird. Feldbeobachtungen liefern zudem die notwendigen Trainingsdaten zur Kalibrierung lokaler VI-Schwellenwerte für spezifische Hybriden, Böden und Anbausysteme.

5. Anwendung der Zeitreihenanalyse

Ein einzelnes VI-Bild ist eine Momentaufnahme. Eine Bildserie vom Auflaufen bis zur Reife erzählt hingegen eine Geschichte. Die Darstellung der Indexwerte über die Zeit offenbart Wachstumsverläufe, die Stressereignisse anhand ihres Datums, ihrer Schwere und ihrer Dauer identifizieren. Zeitreihendaten ermöglichen zudem den Vergleich der aktuellen Saison mit historischen Vergleichswerten und liefern so einen Kontext, den Einzelaufnahmen nicht bieten können.

Zukünftige Trends bei der Überwachung des Maiswachstums

1. Künstliche Intelligenz

KI-Algorithmen werden zunehmend auf Vegetationsindexdaten angewendet, um Interpretationsaufgaben zu automatisieren, die derzeit das Urteilsvermögen eines Agronomen erfordern. Deep-Learning-Modelle, die mit großen Vegetationsindexdatensätzen trainiert wurden, können Stressart, -stärke und räumliche Ausdehnung anhand multispektraler Bilder innerhalb von Sekunden klassifizieren und so Bereiche mit Handlungsbedarf zur Überprüfung durch einen Agronomen markieren, anstatt eine vollständige manuelle Analyse jedes einzelnen Bildes zu erfordern.

Der Markt für KI in der Landwirtschaft wurde mit folgendem Wert bewertet: 2,1 Milliarden US-Dollar im Jahr 2023 und soll bis 2032 mit einer durchschnittlichen jährlichen Wachstumsrate (CAGR) von über 241.030 Billionen US-Dollar wachsen. (GMI, 2025), was widerspiegelt, wie schnell diese Technologie kommerzialisiert wird.

2. Modelle des maschinellen Lernens

Random Forest, XGBoost und Convolutional Neural Networks (CNNs), angewendet auf Multi-Index- und Multi-Temporal-Datensätze, übertreffen durchweg die traditionellen regressionsbasierten VI-Yield-Modelle.

Forschung mit GBM (Gradient Boosting Machines) zur Vorhersage von Maiserträgen erreicht R²-Werte von 0,78 Bei der Integration von VI-Zeitreihen mit meteorologischen Daten übertrifft es einfachere Regressionsansätze.

Diese Modelle lernen komplexe, nichtlineare Zusammenhänge zwischen Spektralmustern und agronomischen Ergebnissen, die lineare Modelle nicht erfassen können.

3. Hyperspektrale Bildgebung

Hyperspektrale Sensoren erfassen Reflexionsdaten gleichzeitig über Hunderte schmaler Spektralbänder, im Vergleich zu den fünf bis zehn Bändern typischer Multispektralkameras. Diese spektrale Dichte ermöglicht die Erkennung von Stresssignalen bei Pflanzen, die in schmalen Spektralbereichen liegen, welche für Breitbandsensoren unsichtbar sind.

Hyperspektrale Indizes zur Erkennung von Krankheiten, Schwermetallbelastung und Mikronährstoffmangel werden derzeit aktiv für Mais validiert, wobei kommerzielle UAV-Hyperspektralsysteme immer erschwinglicher werden.

4. Echtzeit-Pflanzenüberwachung

Die Kombination aus Miniaturisierung der Sensoren, Ausbau der Satellitenkonstellation und 5G-Konnektivität treibt die Überwachung des Pflanzenzustands in Echtzeit voran – wobei VI-Daten während der gesamten Vegetationsperiode kontinuierlich und nicht nur wöchentlich oder zweiwöchentlich verfügbar sind.

Die tägliche Satellitenüberflugrate von Planet Labs und der Einsatz von IoT-fähigen Feldsensoren, die Daten an Cloud-Plattformen streamen, bieten frühen Anwendern bereits eine nahezu Echtzeit-Überwachungsmöglichkeit.

Die drohnenbasierten Fernerkundungssysteme von DJI haben Folgendes gemeldet: Reduzierung des Chemikalieneinsatzes um 67,781 TP3T wenn aus VI-Daten abgeleitete Applikationskarten variable Sprühsysteme speisen (Mordor Intelligence, 2026).

5. Integration mit Präzisionslandwirtschaftssystemen

Der nächste Schritt im Mais-VI-Monitoring ist die nahtlose Integration von Datenerfassung, -verarbeitung, -interpretation und Feldmaßnahmen. Cloudbasierte Farmmanagement-Plattformen verbinden bereits Satelliten- und Drohnenbilddaten direkt mit der Software für variable Ausbringungsmengen und verkürzen so die Zeit von der Datenerfassung bis zur Feldmaßnahme von Tagen auf Stunden.

Mit der Standardisierung der APIs zwischen Bilddatenanbietern, agronomischer Software und landwirtschaftlichen Geräten wird der Arbeitsablauf vom “Drohnenflug” bis zur “variablen Ausbringung von Düngemitteln” für Erzeuger aller Betriebsgrößen zugänglich.

Häufig gestellte Fragen

Welcher Vegetationsindex eignet sich am besten für Mais?
Kein einzelner Index ist universell optimal. NDRE eignet sich am besten für die Stickstoffbewertung, SAVI für die Frühphasenüberwachung, EVI für dichte Bestände und NDVI für die allgemeine Korrelation von Biomasse und Ertrag. Die Kombination von zwei oder drei auf das jeweilige Überwachungsziel abgestimmten Indizes ist stets aussagekräftiger als jeder einzelne Index.

Wie häufig sollten Vegetationsindizes überwacht werden?
Für die Maisbewirtschaftung über die gesamte Vegetationsperiode wird ein Überwachungsintervall von 7 bis 14 Tagen während der Wachstumsstadien V4 bis R3 empfohlen. Kritische Entscheidungsfenster (V6 für Stickstoffdüngung, VT für Stressbewertung, R3 für Bewässerung) rechtfertigen unabhängig vom Standardüberwachungsplan die Erhebung von Flugdaten oder Satellitendaten.

Welcher Vegetationsindex eignet sich am besten für das frühe Maiswachstum?
SAVI und MSAVI erzielen die besten Ergebnisse vom Auflaufen bis zum V4-Stadium, da sie den Einfluss des freiliegenden Bodens auf den Indexwert verringern und so auch bei einer Bodenbedeckung unterhalb von 30% aussagekräftige Kronenmessungen ermöglichen.

Können Vegetationsindizes Krankheiten erkennen, bevor Symptome auftreten?
Untersuchungen zeigen, dass Blattkrankheiten die spektrale Signatur infizierter Blätter verändern, bevor sichtbare Läsionen auftreten. Rotkantenbasierte Indizes sind am empfindlichsten für die Früherkennung von Krankheiten, da sie auf den Chlorophyllabbau im infizierten Gewebe reagieren. Die Vorwarnzeit hängt von der Krankheitsart und dem Schweregrad ab, aber in kontrollierten Studien konnte eine Früherkennung 5 bis 10 Tage vor dem Auftreten sichtbarer Symptome nachgewiesen werden.

Schlussfolgerung

Vegetationsindizes zur Überwachung des Maiswachstums haben sich längst von einem reinen Forschungsthema zu einem praktischen, praxiserprobten Werkzeug entwickelt, das Landwirten und Agronomen ermöglicht, Stressfaktoren, Stickstoffmangel und ertragsbegrenzende Bedingungen Wochen vor deren Auftreten – und vor irreversiblen Ertragsverlusten – zu erkennen. Die Auswahl des richtigen Index für jedes Wachstumsstadium ist keine nebensächliche technische Frage, sondern entscheidet darüber, ob ein tatsächliches Problem erkannt oder irreführende Daten generiert werden. Die Kombination mehrerer Indizes – NDRE für Stickstoff, EVI für die Biomasse im dichten Pflanzenbestand, NDWI für den Wasserstatus – liefert ein umfassendes Bild, das mit einer einzelnen Messung nicht zu erzielen ist. Die Integration dieses spektralen Bildes mit Beobachtungen im Feld verankert die Daten in der agronomischen Realität und verhindert Fehlinterpretationen, die bei alleiniger Nutzung von Fernerkundungsdaten auftreten können.