Fernerkundung und Landwirtschaft

Wie kaum ein anderer Wirtschaftszweig ist die Landwirtschaft vom jeweiligen Standort des Wirtschaftens abhängig. Aus der Kombination der verschiedenen, natürlichen Standortfaktoren Klima, Boden und Relief ergibt sich für jeden Standort ein individuelles Portfolio aus Ertragspotenzialen.

Elektronische Daten zu solchen Standortfaktoren, sogenannte Geodaten, finden längst einen breiten Einsatz in der landwirtschaftlichen Praxis, wie zum Beispiel im Bereich der Präzisionslandwirtschaft.

Aber nicht nur dort spielen Geoinformationen eine wichtige Rolle, auch die Wissenschaft im Agrar-, Umwelt- oder Meeresbereich greift bei ihren Untersuchungen immer häufiger auf Geoinformationstechnologien und -dienste zur Erkenntnisgewinnung und -absicherung zurück.

Fernerkundung: Wo wird was angebaut?

Für viele Fragestellungen der Umwelt- und Agrarpolitik wäre es gut zu wissen, welche Fruchtarten in welchem Jahr auf welchen landwirtschaftlichen Flächen angebaut werden. Bislang gibt es in Deutschland aber nur Statistiken zur Landnutzung, die relativ grobe und zeitlich verzögerte Informationen liefern. Wöchentlich wiederkehrende Satelliten können hier mit ihren Bildern Abhilfe schaffen und als Datengrundlage für eine flächenscharfe Landnutzungskarte dienen. Forschende des Thünen-Instituts, der Humboldt-Universität zu Berlin und des Leibniz-Zentrums für Agrarlandschaftsforschung (ZALF) e.V. haben ihre Expertise zusammengebracht und erstmals Karten zur landwirtschaftlichen Flächennutzung für die Jahre 2017, 2018 und 2019 aus Fernerkundungsdaten erstellt.

Für die Kartenerstellung nutzten die Wissenschaftlerinnen und Wissenschaftler Verfahren des maschinellen Lernens, verfügbare Informationen zur bisherigen Flächennutzung der Landwirte und Daten der US-amerikanischen Satellitenmission Landsat 8 sowie des Copernicus-Programms der europäischen Weltraumbehörde (ESA), deren Satelliten seit 2016 die Erde umkreisen. Um regionale Besonderheiten sowie saisonale und jahresbedingte Schwankungen zu berücksichtigen, wurden weiterhin Wetterdaten des Deutschen Wetterdienstes sowie das deutschlandweite Höhenmodell und das Digitale Landschaftsmodell des Bundesamtes für Kartographie und Geodäsie (BKG) einbezogen.

Kulturarten und Landschaftselemente kleinräumig erfasst
Die Karten unterscheiden die dominierenden Kulturarten und Hauptnutzungsarten im Ackerland, also alle Hauptgetreidearten, Hackfrüchte, Gemüse, Dauerkulturen und Hülsenfrüchte. Darüber hinaus werden auch Grünland und relevante Landschaftselemente in der Agrarlandschaft, wie beispielsweise Gehölzstrukturen, erfasst. Die Agrarlandschaft Deutschlands wird somit erstmals flächendeckend in einem Raster von 10 m x 10 m Gitterweite abgebildet.

Ausschnitt (nördlicher Bodensee mit Sonderkulturen) der im Original skalierbaren ersten Kartenversion
s

„Obwohl die Karten schon einen hohen Grad an Genauigkeit aufweisen, gibt es noch weiteren Forschungsbedarf“, betont Prof. Dr. Patrick Hostert von der Humboldt-Universität zu Berlin. So lassen sich Kulturarten wie Raps oder Zuckerrüben sehr gut differenzieren. Arten hingegen, die sich im Verlauf der Wachstumsphasen oder in ihrem Aussehen sehr ähneln (z. B. Winterweizen und Triticale) oder die sich allein bezüglich Ihrer Nutzungsart unterscheiden (z. B. Silomais und Körnermais), sind noch nicht hinreichend genau kartierbar.

Weiteren Forschungsbedarf sieht das Konsortium auch an Sonderstandorten, zum Beispiel in regelmäßig überfluteten Gebieten. Ungeachtet dessen sind die Karten ein Meilenstein in der Entwicklung von flächendeckenden Informationen zur landwirtschaftlichen Nutzung. Aufbauend auf der Kooperation plant das Thünen-Institut, die Karten fortlaufend zu verbessern und die Erstellung in einem jährlichen Turnus zu verstetigen.

„Dass diese Karten kein Selbstzweck sind, zeigen die vielfältigen Einsatzfelder für andere laufende Projekte“, sagt Dr. Stefan Erasmi, Leiter der Thünen-Fernerkundung. Neben der Ergänzung und Verfeinerung der Agrarstatistik liefern sie eine Grundlage für die Monitoring-Aktivitäten auf nationaler Ebene, zum Beispiel bei der Bewertung der biologischen Vielfalt, der Maßnahmen der Gemeinsamen Agrarpolitik der EU (GAP) und der Veränderung der Landnutzung als Faktor für die Treibhausgas-Berichterstattung. „Die Karten sind darüber hinaus wesentliche Eingangsparameter für Simulationen von landwirtschaftlichen Erträgen und Ökosystemleistungen”, erläutert Prof. Dr. Claas Nendel vom ZALF.

Insgesamt liegt damit ein umfassender Kartensatz für Politik, Behörden, Organisationen und Verbände sowie Forschung und Bildung im Bereich Landwirtschaft und Umwelt vor. Und auch denjenigen, die selbst Landwirtschaft betreiben oder die Vielfalt der Agrarlandschaft in Deutschland entdecken möchten, geben die Karten interessante Einblicke.

Quelle: https://idw-online.de/de/news770180

Betriebsbasis

Neben in-situ Daten, die direkt am Boden, in der Luft oder im Gewässer mithilfe stationär angebrachter Sensoren aufgezeichnet werden, spielen zunehmend auch solche Daten eine wichtige Rolle, die basierend auf Satelliten- bzw. Luftbildern über berührungslose Fernerkundungsmethoden flächendeckend ermittelt werden können. Mithilfe von Sensoren zur Aufnahme bestimmter Bandbreiten des elektromagnetischen Spektrums, kann das spezifische Rückstrahlverhalten der Erdoberfläche auf dem Bildmaterial festgehalten und daraus die gewünschten Parameter von zu analysierenden Objekten abgeleitet werden.

Von besonderem praktischen Interesse für landwirtschaftliche Betriebe, Maschinenringe, Lohn- und Beratungsunternehmen sind Parameter zum Zustand von Pflanzenbeständen (z. B. Nährstoffversorgung, Schädlingsbefall oder Vitalität) sowie von Böden (z. B. Feuchte, Temperatur oder Erosionsvorgänge). Luftbilder zeigen den Bestand in der Übersicht. Drohnen machen die Bilder aus der Luft heute für Landwirtinnen und Landwirte leicht verfügbar. Aus größerer Höhe aufgenommen werden Bestandunterschiede deutlich. Sie machen auf eine Reihe wachstumsrelevanter Faktoren, wie Wasserstress, Krankheitsbefall und Unkrautdruck aufmerksam.

Im Drohnen-Tiefflug geben Multispektral- oder thermische Kameras genaueren Aufschluss über das tatsächliche Befallsgeschehen. Gleiches gilt für am Feldfahrzeug befestigte Sensoren. Eine anschließende Maßnahme zur Bekämpfung von Unkraut oder Schädlingen kann gezielt vor Ort und vollautomatisch per Feldroboter ausgebracht werden. Bei der Unkrautbekämpfung in Reihenkulturen wie Zuckerrüben erzielt die Zusammenarbeit von Multikoptern und Robotern bereits gute Ergebnisse – jedenfalls in Forschungsprojekten.

Betriebe, die bereits über weiterentwickelte Precision-Farming-Technologien verfügen, können die Satelliteninformationen zur Unterstützung der Bestandsführung heranziehen. Es muss gewährleistet werden, dass die Daten zeitlich schnell verfügbar sind (z. B. zur Frühjahrsdüngung). Insbesondere zur Erfolgskontrolle von Managementmaßnahmen, z. B. im Bereich der Düngung oder des Pflanzenschutzes, eignen sich die Fernerkundungsinformationen.

Um die Fernerkundung in der Praxis besser nutzen zu können, sollten aktuelle Daten so schnell aufbereitbar sein, dass sie im Betriebsablauf sofort zur Verfügung stehen. Es besteht noch erheblicher Bedarf in der Forschung und Entwicklung, damit dies flächendeckend nutzbar ist. Zum Beispiel müssen bereitgestellte Daten, die für die Steuerung von Landmaschinen eingesetzt werden sollen, in einem Format erstellt werden, das von Landmaschinen lesbar ist.

Verwaltung

Neben dem Informationsgewinn für Landwirtinnen und Landwirte können weitere Nutzungsoptionen z. B. in der Verwaltung im Vordergrund stehen:

Ernteprognosen zur Vermeidung von Preisschwankungen
eine Vereinfachung der Flächenkontrolle
Nutzung für Kontrollen von EU-Agrarbeihilfezahlungen im Bereich des Integrierten Verwaltungs- und Kontrollsystems (InVeKos)
eine Vereinfachung von statistischen Erhebungen zu landwirtschaftlichen Nutzflächen.

Methodik

Fernerkundung erfolgt durch Systeme, die sich in der Regel über die zu erkundende Fläche bewegen und dabei kontinuierliche Aufzeichnungen über deren Zustand machen. Zum einen werden Luft- und Satellitenbilder gewonnen, zum anderen werden Punktmessungen mit Online-Sensoren, wie beispielsweise Stickstoffsensoren (N-Sensoren), vorgenommen.
Je nach Parameter, der durch die Fernerkundung untersucht werden soll, werden Sensoren, die unterschiedliche Frequenzen bzw. Wellenlängen aufzeichnen, verwendet.

Für den Agrarbereich sind bei den aktiven Radarsystemen insbesondere Frequenzen im L-, C- und X-Band interessant, um Aussagen zu den Parametern Bodenfeuchte oder Bestandsstruktur machen zu können. Bei den passiven Verfahren sind insbesondere verschiedene Bereiche des sichtbaren Lichtes und des Infrarotes interessant, um Parameter wie Chlorophyll-Absorption, Biomasse, Vitalität oder Trockenstress von Pflanzenbeständen zu erheben.

Entscheidend für die Nutzungsmöglichkeiten von Fernerkundungsdaten sind die thematische Aufgabenstellung sowie deren Auflösung. Wie groß die Fläche ist, die ein Pixel abdeckt (zwischen Zentimetern und Kilometern), welche Wellenlängenbereiche abgedeckt werden und wie häufig ein Parameter erhoben wird, bestimmt den Einsatzbereich der Daten. Es wird daher zwischen der geometrischen, der spektralen und der temporalen Auflösung unterschieden.

Mit steigenden Auflösungen ist u. a. auch eine steigende Datenmenge verbunden. Hohe Auflösungen sind z. B. für die Nutzung in der Landwirtschaft von erheblichem Vorteil oder eröffnen neue Nutzungsmöglichkeiten.

Für den Zugang zu Satellitendaten gibt es verschiedene Ansätze:

freier Zugang zu öffentlich finanzierten Satellitenmissionen (z. B. Landsat und Copernicus)
kostenpflichtige Datenbereitstellung bis hin zur geplanten Programmierung der Satelliten für spezielle Aufnahmegebiete und -termine
private Anbieter bieten entsprechende Daten kostenfrei oder kostenpflichtig an.

Die gelieferten Daten sind in der Regel lagekorrigiert. Allerdings sind für die Auswertung von optischen Daten weitere Korrekturen erforderlich, die den Einfluss der Atmosphäre sowie Wolken und Wolkenschatten auf die Bilddaten verringern. Diese sogenannte Level-2-Prozessierung wird meistens von Dienstleistern angeboten oder von Universitäten und Forschungseinrichtungen durchgeführt. Die frei verfügbaren Landsat- und Sentinel-2-Daten stehen mittlerweile auch als atmosphärenkorrigierte qualitätsgesicherte Daten (Level-2-Daten) zur Verfügung. Die Datenauswertung, also die Informationsextraktion aus den Bilddaten, liegt bei den Anwenderinnen und Anwendern selbst oder es können verschiedene Produkte über Dienstleister erworben werden.

Anforderungen an die Fernerkundungsdaten

Die Auswahl der Datenquelle schränkt die Qualität und den räumlichen Detailgrad der Kartierungsergebnisse stark ein. Unter
Zusätzlich zu den Kosten und der Zugänglichkeit der Daten, sollte der optimale Kompromiss für die Kartierung der Bodenbedeckung
auf vier Hauptkriterien beruhen, die folgend aufgeführt sind:

Die räumliche Auflösung - genauer gesagt die Ground Sampling Distance (GSD) des Instruments - definiert das kleinste Landmerkmal, das erkannt und anschließend möglicherweise kartiert werden kann.
Es ist von größter Bedeutung, dass die räumliche Auflösung kleiner ist als die Größe der meisten landwirtschaftlichen Parzellen
um eine ausreichende Anzahl von reinen Ackerlandpixeln zu erhalten. Die am besten geeignete räumliche Auflösung für die
Kartierung der Anbauflächen hängt jedoch auch von der Landschaftsfragmentierung, der Vielfalt der Kulturarten und ihrer räumlichen Verteilung ab; so können beispielsweise kleine, aber ähnliche benachbarte Felder desselben Anbautyps als ein sehr großes Feld betrachtet werden, wenn die Entwicklung der Kulturen relativ synchron verläuft.
Es kann zwar von Interesse sein, lineare lineare Landschaftsmerkmale wie Hecken, Baumreihen oder Landstraßen zu erfassen, jedoch sind diese Informationen nicht unbedingt erforderlich für die Strukturierung der Landschaft. Es ist wichtig zu beachten, dass eine höhere räumliche Auflösung bei der digitalen Bildverarbeitung nicht immer die bessere Option ist. Eine Erhöhung der räumlichen Auflösung erhöht exponentiell das Datenvolumen und die entsprechenden Rechenanforderungen. Zum Beispiel vervielfacht eine Erhöhung der Auflösung von 30 m auf eine Auflösung von 10 m die Datenspeicherung um das 9-fache. Außerdem ist es zwar einfacher, ein Bild visuell zu interpretieren, wenn seine räumliche Auflösung die Erfassung von Landschaftselementen wie Bäumen oder Häusern ermöglicht, für stärker automatisierte digitale Bildverarbeitungsketten gilt dies hingegen nicht .
Die Häufigkeit wolkenfreier Beobachtungen ist das zweitwichtigste Kriterium für die genaue Kartierung von Agrarlandschaften. Die jahreszeitliche Dynamik landwirtschaftlicher Flächen lässt sich nämlich nur mit einer engen Zeitreihe wolkenfreier Beobachtungen erfassen. Ein bestimmter Wiederbesuchszyklus eines EO-Systems liefert je nach Wolkenaufkommen sehr unterschiedliche zeitliche Dichten an verwertbaren Beobachtungen. Daher ist für die Unterscheidung zwischen den verschiedenen Arten von landwirtschaftlichen Flächen die tatsächliche Häufigkeit geeigneter Bilder aus der Wachstumssaison bedeutsam, und nicht nur die Wiederholrate der Aufnahmen generell. In heterogenen Landschaften ermöglicht die Erfassung des gesamten jahreszeitlichen Profils der Feldeigenschaften die Unterscheidung zwischen den verschiedenen Anbauflächen, z. B. zwischen Dauerwiesen, natürlichen Gräsern und Getreide, die alle über einen langen Zeitraum der Vegetationsperiode ein sehr ähnliches Erscheinungsbild haben können.
In bewölkten Regionen können SAR-Sensoren wie die auf Sentinel-1 oder Radarsat-2 die beste Option sein, um eine dichte Zeitreihe von Beobachtungen zu gewährleisten, da ihre Mikrowellenbänder von den meisten atmosphärischen Störungen oder Wolken nicht beeinflusst werden.
Die Anzahl der Spektralbänder und deren Position im elektromagnetischen Spektrum ist ein weiteres wichtiges Kriterium, nicht nur für die Unterscheidung der Bodenbedeckung, sondern auch für die Erkennung von atmosphärischem Dunst und die wirksame Erfassung von Wolken und Wolkenschatten. Heute stehen für die meisten Erdbeobachtungssatelliten schmale sichtbare und NIR-Bänder zur Verfügung, die im Idealfall durch SWIR-Bänder ergänzt werden, die ebenfalls sehr nützlich für die Unterscheidung von Landbedeckungsarten sind. Die Erkennung von Wolken ist dagegen nach wie vor ein schwieriges Thema. Mit Ausnahme von MODIS, Worldview-3 und Sentinel-3OLCI verfügt keiner der vorhandenen Sensoren über die geeigneten Spektralbänder auf ein und derselben Plattform, um alle Aerosol- und Wolkentypen und deren Verwechslung mit Schnee und Eis zu erfassen.
Heute stehen für die meisten Erdbeobachtungssatelliten schmale Spektralbänder im sichtbaren und im NIR-Bereich zur Verfügung, die idealerweise durch SWIR-Bänder ergänzt werden, die ebenfalls sehr nützlich für die Unterscheidung von Bodenbedeckungsarten sind. Die Erkennung von Wolken ist dagegen nach wie vor ein schwieriges Thema. Mit Ausnahme von MODIS, Worldview-3 und Sentinel-3 OLCI verfügt keiner der vorhandenen Sensoren über die geeigneten Spektralbänder auf ein und derselben Plattform, um alle Aerosol- und Wolkentypen zu erfassen und deren Verwechslung mit Schnee und Eis auszuschließen.
Beliebte Satelliten wie Landsat-8 und Sentinel-2 verfügen beide über eine Reihe von Bändern - darunter ein effizientes Cirrus-Band - um atmosphärische Störungen herauszufiltern. Ihre operative Nutzung stößt jedoch in einigen Regionen auf Grenzen. Viele andere Sensoren erweisen sich als problematisch, wenn es darum geht, konsistente Zeitreihen über große Gebiete zu erhalten, und zwar aufgrund atmosphärischer Störungen der Signale, die schwer zu erkennen und zu korrigieren sind. Solche Korrekturen sind notwendig, wenn man versucht, Pixelwerte, die an verschiedenen Beobachtungstagen oder mit verschiedenen Sensoren aufgenommen wurden, in einem einzigen Bild zu kombinieren (d. h. ein Komposit oder ein Mosaik, wenn nur eine Beobachtung pro Pixel verfügbar ist), um ein nahtloses, wolkenfreies Bild zu erhalten. Andererseits erfordern wolkenfreie Beobachtungen über große Gebiete, die über die Jahreszeit gut verteilt sind, möglicherweise keine atmosphärische Korrektur für ihre Klassifizierung und könnten für die Zwecke der Landbedeckungskartierung ausreichend sein.
Breitstreifen-Sensoren decken sehr große Gebiete in einem einzigen Überflug ab (290 km für Sentinel-2, 650 km für DMC Satelliten, und mehr als 1 200 km für großräumige Instrumente wie MODIS, Sentinel-3 OLCI und PROBA-V). Daher ist die Schwadbreite auch ein Kriterium bei großflächigen Anwendungen. Kleinere Bilder können zwar immer noch zu Mosaiken zusammengefügt werden, sie erfordern aber eine atmosphärische Korrektur, wenn sie zu einem nahtlosen Bild oder in einer großflächig konsistenten Kartierung kombiniert werden sollen. Sensoren mit einer schmalen Streifenbreite (typischerweise ca. 50 km oder sogar weniger als 20 km bei Satelliten mit sehr hoher räumlicher Auflösung (VHR)) decken in der Regel große Gebiete so ab, indem sie kleine, aus verschiedenen Blickwinkeln aufgenommene Bilder mosaikartig zusammensetzen. Aufgrund der sogenannten bidirektionalen Reflexionsverteilungsfunktion kann eine solche Blickwinkelvariabilität zu Unterschieden in der spektralen Signatur einer bestimmten Landoberfläche führen, was den Klassifizierungsprozess erheblich erschweren würde. (FAO 2017)

Programme und Dienste

Der Austausch von Geodaten und deren mehrfache Verwendung gelingt durch eine genaue Beschreibung der Geodaten mittels sogenannter Metadaten. Über online-basierte Dienste-Strukturen können diese Metadaten dazu verwendet werden, Geodaten in Online-Katalogen zu suchen und bei Interesse zu erwerben. Unter dem Begriff INSPIRE (INfrastructure for SPatial InfoRmation in Europe) regelt die EU Richtlinie 2007/2/EG vom 14. März 2007, national umgesetzt durch das Geodatenzugangsgesetz vom 10. Februar 2009 (BGBl. I S. 278), zuletzt geändert durch Art. 1G vom 07.11.2012, verschiedene Rahmenbedingungen für einen solchen grenzübergreifenden, Internet-basierten Zugriff auf Metadaten sowie Geodaten und -dienste innerhalb der EU. Ziel ist eine technologisch standardisierte, europäische Geodateninfrastruktur (GDI). In Deutschland ist die durch das Bundesamt für Kartographie und Geodäsie (BKG) betriebene GDI-DE der zentrale Knotenpunkt für alle Geodaten-haltenden Stellen.

Das Geoportal GDI-BMEL wird durch das in der BLE angesiedelte "Fachzentrum für Geoinformation und Fernerkundung für den Geschäftsbereich des BMEL" betrieben. Das BMEL stellt in diesem Zusammenhang über das Geoportal GDI-BMEL einen zentralen GDI-Knoten für die Einrichtungen des BMEL-Geschäftsbereiches zur Verfügung. Über den Geodatenkatalog der GDI-BMEL werden die Metadaten des BMEL-Geschäftsbereich an den Geodatenkatalog der GDI-DE weitergeleitet. Auf diese Weise ist die nationale Umsetzung der EU-INSPIRE-Richtlinie für das BMEL sichergestellt. Über den Geodatenviewer werden verschiedene Geodaten aus dem Geschäftsbereich des BMEL über voreingestellte Kartendienste bereitgestellt.

Die GEO Global-Agricultural-Monitoring (GEOGLAM)-Initiative wurde 2011 durch die G20-Agrarminister ins Leben gerufen. Sie ist ein Bestandteil der Group on Earth Oberservations (GEO), einer zwischenstaatlichen internationalen Organisation zur globalen Koordinierung in der Erdbeobachtung, deren Sekretariat bei der World Meteorological Organization (WMO) in Genf angesiedelt ist. GEOGLAM ist
innerhalb von GEO für die Fernerkundung im Bereich der Landwirtschaft zuständig.

Weitere Informationen: