Ernteprognosen mit KI: Wie Satellitendaten die Landwirtschaft verändern

Ein Landwirt blickt über sein frisch bestelltes Feld. Der Boden ist bereitet, die Saat ausgebracht – jetzt heißt es warten. Bis zur Ernte vergehen Monate, in denen Wind, Wetter und andere Umwelteinflüsse über Erfolg oder Misserfolg entscheiden. Auch nach vielen Jahren Erfahrung bleibt die Ertragsprognose oft ein Blick in die Glaskugel. Diese Unsicherheit ist kein Zeichen mangelnder Kompetenz, sondern Ausdruck der enormen Komplexität moderner Landwirtschaft.

Als Vergleichswerte dienen Zieldaten, die am Boden erhoben werden. Dafür messen mit speziellen Sensoren ausgestatte Landmaschinen den Ertrag direkt bei der Ernte. Auf Grundlage dieser Informationen lässt sich für die Wissenschaftler nachvollziehen, wie valide die Prognose des Algorithmus war. Die Erkenntnis nach zahlreichen Testdurchläufen: Das KI-System erreicht durch die Verwertung der Satellitenaufnahmen und die nachgelagerte Datenfusion eine hohe Übereinstimmung mit gemessenen Erträgen.

Für Weizenanbau in den USA wird beispielsweise ein R²-Score von 0,92 erreicht. Der R²-Wert zeigt, wie genau eine Vorhersage mit dem tatsächlichen Ertrag übereinstimmt. Je näher der Wert bei 1 liegt, desto besser. Ein Wert von 0,92 entspricht also einer Deckungsgleichheit mit dem auf dem jeweiligen Feld gemessenen Ertrag von rund 92 Prozent.

Eine Fehlertoleranz liegt also nicht nur im System selbst, sondern auch in den verwendeten Vergleichsdaten. Daraus ergibt sich das hypothetische Szenario, dass der Algorithmus näher am eigentlichen Ertrag liegt als die Sensoren der Landmaschinen. Auch KI-Prognosen bleiben probabilistisch. Faktoren wie extreme Wetterereignisse oder ungenaue Sensoren können die Genauigkeit beeinflussen – darum werden Unsicherheiten modelliert und berücksichtigt.

Die Vorhersehbarkeit der erwartbaren Erträge resultiert in unmittelbaren Mehrwerten für den Agrarsektor. Logistik wird besser planbar und die gesamte Erntekette gewinnt an Effizienz. Rückblickend lassen sich Schwachstellen der Felder identifizieren, analysieren und entsprechende Gegenmaßahmen treffen. Über den Agrarbereich hinaus unterstützen die aggregierten Prognosen Entscheidungen in der Ernährungssicherung, der Handelsstrategie oder der Klimaanpassung.

Die modulare Architektur der Technologie erlaubt den Einsatz auch jenseits der Landwirtschaft: Von Waldzustandsmonitoring über Biodiversitätsanalyse bis hin zu städtischer Hitzekartierung oder Extremwetterprognosen. Die am DFKI entwickelte Technologieplattform ist übertragbar, um Umweltveränderungen sichtbar zu machen und Trends frühzeitig zu erkennen.

Das Projekt ist ein Musterbeispiel für Grundlagenforschung mit konkretem Anwendungsbezug. Dafür haben Wissenschaftler*innen am DFKI eng mit Unternehmen zusammengearbeitet, um maschinelles Lernen dort einzusetzen, wo es konkrete Lösungen für zentrale Herausforderungen bieten kann – von Landwirtschaft bis Klimaanpassung.