Der beschriebene Datensatz wurde im Zeitraum von April bis Juli 2021 erstellt und zeigt ein Weizenfeld in der Vorbergzone des Schwarzwaldes. Die Größe des Feldes beträgt 0,4 Hektar und ist typisch für die kleine Strukturiertheit der Flächen in der Region. Die Saison 2021 zeichnete sich durch eher kühle Witterung mit regelmäßigen, teils hohen Niederschlägen aus. Entsprechend hoch war der Infektionsdruck verschiedener Pilzkrankheiten.
Das Interessante an dem Datensatz ist, dass einer der Infektionsherde vom Feldrand aus gesehen mit dem bloßen Auge erkennbar war.
Nach der Datenanalyse durch Fachpersonal wurde festgestellt, dass die gerechneten Vegetationsindizes weitere markante Stellen im Feld zeigten. Bei der anschließenden Begehung wurden sie als zusätzliche Infektionsherde identifiziert.
Die Infektionsherde waren mit bloßem Auge zunächst nicht erkennbar, weil die befallenen Blattetagen von der obersten, noch gesunden Blattebene verdeckt wurden. Hierbei ist bemerkenswert: Obwohl sich die unsichtbaren Infektionsherde in direkter Nähe einer Straße befanden, sind sie nicht aufgefallen.
Die Vorteile eines drohnengestützten Systems werden anhand dieses Beispiels offenbar.
Grundsätzlich ist es möglich, statt Bilddaten von Drohnen jene von Satelliten zu verwenden. Zur Veranschaulichung werden frei zugängliche Sentinel-2-Bilder mit den Drohnenbildern aus dem Praxisbeispiel hinsichtlich Auflösung und Nutzbarkeit in Abhängigkeit der Agrarstruktur verglichen.
Wie bereits erwähnt, sind mit der ESA und NASA zwei Anbieter vorhanden, die freien Zugang zu entsprechenden Datensätzen ermöglichen. Für den Weizendatensatz wurden im Zeitraum April bis Juli 2021 ebenfalls die zugänglichen Daten der Sentinel-2-Satelliten hinsichtlich Auflösung und Verwendbarkeit in Gebieten mit besonders kleinstrukturierter Landwirtschaft, wie im hier vorliegenden Fall, verglichen.
Für den betrachteten Pflanzenbestand standen im genannten Zeitraum lediglich drei nutzbare Datensätze zur Verfügung. Im gewünschten Zeitraum wurde das betrachtete Weizenfeld ständig von einer Wolkendecke verdeckt. Für den Vergleich von Satelliten- und Drohnenbilddaten musste deshalb auf Datensätze von Mitte Juli 2021 zurückgegriffen werden.
Speziell zur Erkennung von Pflanzenkrankheiten ist jedoch eine möglichst engmaschige Überwachung der Felder notwendig. Als weiterer Nachteil ergibt sich die im Verhältnis zu Drohnenaufnahmen viel gröbere räumliche Auflösung, wie im direkten Vergleich zwischen den Abbildungen zu erkennen ist.
Möchte man einen Vegetationsindex berechnen, benötigt man ein Band aus dem RedEdge Bereich (705 Nanometer). So ändert sich die Größe eines Pixels von 10 x 10 Metern zu 20 x 20 Metern, also 400 Quadratmeter pro Pixel. Die grobe Auflösung führt dazu, dass entlang der Ränder betrachteter Flächen eine hohe Anzahl von Mischpixeln entsteht. Mischpixel sind Pixel, die zum Beispiel zu einer Hälfte im Weizenfeld liegen, zur anderen Hälfte aber die spektrale Signatur der angrenzenden Straße enthalten. Die Daten dieser Pixel können entweder gar nicht oder nur sehr eingeschränkt für eine Begutachtung des Pflanzenbestands herangezogen werden.
Ein Pixel eines Sentinel-2-Bildes entspricht am Boden bestenfalls einer Fläche von 100 Quadratmetern (10m x 10 Meter). Allerdings weisen nicht alle Kanäle der Sentinel-2-Satelliten eine Auflösung von 10 x 10 Metern auf.
Die Daten werden je nach Weiterverarbeitung auf die Teile der Fläche interpoliert, für die nur Mischpixel vorliegen. Betrachtet man also ein Feld von über 50 Hektar Größe, ist der Anteil der auszulassenden Randpixel prozentual an der Gesamtfläche relativ klein und wird umso kleiner, je größer die betrachtete Fläche ist. In kleinstrukturierten Gebieten mit Flächenstrukturen von oftmals weniger als einem Hektar mit einzelnen größeren Parzellen bis fünf Hektar wird die Aussagekraft der Bilddaten durch den höheren Anteil nicht verwertbarer Pixel stark eingeschränkt. Es gibt auch kommerzielle Anbieter für satellitenbasierte Bilddaten, deren Daten über bessere räumliche Auflösung verfügen. Der Zugang zu diesen Daten ist jedoch mit der Entrichtung von mitunter stattlichen Gebühren verbunden.
Die Nutzung der gewonnenen Daten hängt nicht nur von technischen Faktoren, wie der Qualität oder dem Alter der Daten, ab. Die korrekte Interpretation der Daten ist auch abhängig vom Erfahrungslevel des Anwenders.
Plötzlich auftretende Umwelteinflüsse, wie eine vorüberziehende Staubwolke, können die Bilder stellenweise beeinflussen, sodass die Situation im Pflanzenbestand in dem jeweiligen Bildausschnitt nicht bewertet werden kann. Auch das Wetter während der Befliegung kann die Daten beeinflussen.
Möchte man sich mit der Drohne einen schnellen Überblick über das Feld verschaffen, wiegen diese Faktoren nicht so schwer. Sollen die Daten aber zur Erstellung eines Vegetationsindizes als Grundlage für eine Ertragszonenkarte des Feldes verwendet werden, ist ein „geschultes Auge“ zur Erkennung und Aussonderung solcher Datensätze von Vorteil.
Da Vegetationsindizes nicht spezifisch sind, können diese nur zur Erkennung von Heterogenität im Feld, nicht aber zur Bestimmung von Krankheiten oder Schädlinge genutzt werden. Ebenso kann eine Entwicklungsverzögerung in einem Teil des Feldes auch auf Bodenverhältnisse zurückgeführt werden.
Die Prozessierung der Daten mit KI-Unterstützung befindet sich momentan in der Entwicklung. So kann beispielsweise mit der qGIS-Erweiterung „Deepness“ auf RGB-Bilddaten von Getreidefeldern den Flächenanteil des Lagergetreides bestimmt werden. Ähnliche Anwendungen könnten auch zum Beispiel zur Quantifizierung von Wildschäden zukünftig Eingang in die praktische Anwendung finden.
Im Bereich des Krankheits- und Schädlingsmonitorings könnte es noch einige Jahre dauern, bis automatisierte, verlässliche Produkte verfügbar sind. Hier bleibt für geneigte Praktikerinnen und Praktiker bis vorerst nur die Nutzung von Vegetationsindizes. Landwirtinnen und Landwirte sollten sich davon nicht abschrecken lassen, da ein gehöriges Maß an persönlicher Erfahrung im Umgang mit der Technik notwendig ist, um valide Ergebnisse zu erzeugen.
Insbesondere für die junge Generation ist die fortlaufende Beschäftigung mit der Technik essenziell, um nicht den Anschluss zu verpassen. Um den Einstieg zu finden, bietet sich auch hier der Besuch entsprechender Kurse an. Die Hochschule Weihenstephan-Triesdorf führt bspw. Drohnenkurse mit landwirtschaftlichem Schwerpunkt durch.
Lottes, P. et al. (2019): UAV-based Field Monitoring for Precision Farming. Conference Paper. 25. Workshop Computerbildanalyse in der Landwirtschaft.
Raeva, P. et al. (2018): Monitoring of crop fields using multispectral and thermal imagery from UAV. DOI 10.1080/22797254.2018.1527661.
Strathmann, M. & Bauer, C. (2022): Einsatz von Künstlicher Intelligenz (KI) zur Bestandsbeurteilung. Projekt BoniKI für eine pflanzengenaue und autonome Bonitierung. In LandInfo 2/2022.
Letzte Aktualisierung 08.01.2024
Digitalisierung in der Landwirtschaft – ein Überblick Dossier: Digitalisierung im Ackerbau Teil 1
Welche digitalen Technologien sind für den Einstieg geeignet? Dossier: Digitalisierung im Ackerbau Teil 2
Praxisreife Entwicklungen? Auf den digitalen Experimentierfeldern des BMEL! Dossier: Digitalisierung im Ackerbau Teil 3
Wie können Hackroboter im Zuckerrübenanbau unterstützen? Dossier: Digitalisierung im Ackerbau Teil 4
Wie kann man Pflanzenkrankheiten mit Fernerkundungsmethoden erkennen? Dossier: Digitalisierung im Ackerbau Teil 5
Wir verwenden Cookies, um Ihnen die optimale Nutzung unserer Webseite zu ermöglichen. Es werden für den Betrieb der Seite nur notwendige Cookies gesetzt. Details in unserer Datenschutzerklärung.
Datenschutzerklärung
Impressum
