GeoProg
Verbesserung von Prognosemodellen und Entscheidungshilfesystemen im Pflanzenschutz
durch Integration hochaufgelöster Erdbeobachtungsdaten und KI-optimierter Methoden
Laufzeit: 01.07.2024-30.06.2027
Projektleitung: Juliane Schmitt
Ansprechpartner: Kevin Fleckenstein, Dr. Stephan Estel
Motivation
Der Deutsche Nationale Aktionsplan zur nachhaltigen Anwendung von Pflanzenschutzmitteln (NAP) und die EU-Strategie ‚Farm-to-Fork‘ sehen eine deutliche Reduzierung der durch die Anwendung von Pflanzenschutzmitteln verursachten Risiken für Umwelt und menschliche Gesundheit vor. Entscheidungshilfesysteme (EHS) sind zentrale Planungsinstrumente zur Erreichung dieser Ziele. Sie liefern wichtige Informationen zum Auftreten und Befallsrisiko von Schadorganismen in der Landwirtschaft und unterstützen Pflanzenschutzberater sowie Landwirte mit gezielten Handlungsempfehlungen bei der Planung und Umsetzung eines effizienten und nachhaltigen Pflanzenschutzes.
Eine zentrale Plattform für bundesweite Verbreitung von EHS in Deutschland ist das ISIP (Informationssystem Integrierte Pflanzenproduktion). Über Webservice und App werden die von der ZEPP entwickelten EHS für die landwirtschaftlichen Praxis bereitgestellt.
Die Datengrundlage vieler dieser EHS sind Wetterdaten. Das Potential moderner Fernerkundungs- und KI-Technologien bleibt aktuell weitestgehend ungenutzt und soll nun im Verbundprojekt GeoProg erschlossen werden.
Projektziel
Ziel des Verbundprojektes ist der Transfer von Erdbeobachtungsdaten (EO-Daten) und Geoinformationstechnologien in den Pflanzenschutz:
- Integration hoch aufgelöster EO-Datenprodukte in bestehende Entscheidungshilfesysteme (EHS) von ZEPP und ISIP
- Transfer innovativer Geoinformationstechnologien in die landwirtschaftliche Praxis leisten einen Beitrag zu Digitalisierung in der Landwirtschaft
- Schlag- und teilflächenspezifische Bewertung bzw. Anwendung von Pflanzenschutzmitteln
- Reduzierung von Anwendungskosten und Anwendungsrisiken als Beitrag zum Nationalen Aktionsplan Pflanzenschutz (NAP) und der „Farm to Fork“-Strategie (EU)
Methoden und Workflow
In GeoProg werden Prozessketten entwickelt, um aus landesweit verfügbaren EO-Daten automatisiert Folgeprodukte abzuleiten.
Diese Folgeprodukte fließen anschließend direkt oder indirekt in die bestehenden Entscheidungshilfesysteme der ZEPP ein und stehen der breiten landwirtschaftlichen Praxis auf www.isip.de zur Verfügung.
- Identifikation von EO-Daten, die für den dauerhaften Einsatz in landesweiten EHS geeignet sind
- Aufbau einer GIS-Referenzdatenbank nach FAIR-Prinzipien zum Training und zur Validierung
- Aufbau einer Analyse- und Testumgebung zur Bereitstellung von EO-Datenprodukten und Ableitung von Folgeprodukten
- Entwicklung einer IT-Infrastruktur für den operativen Einsatz in EHS – GFZ
Praktische Beispiele und Zwischenergebnisse
Die Folgeprodukte die in GeoProg abgeleitet werden, lassen sich in 5 Kategorien unterteilen:
- Landnutzung (z. B. Fruchtfolge und Anbaudichte) – Thünen und ZEPPI
- Umweltdaten (z. B. Bodenfeuchte und Blattnässedauer) – heliopas.ai und GFZ
- Pflanzenwachstum (z. B. Biomasse und BBCH-Stadien) -JKI und heliopas.ai
- Topographie und Saumstrukturen (z. B. Exposition und Abschattung) – JKI und ZEPP
Im folgenden Menü finden Sie einige Beispiele als Zwischenergebnis.
Zuckerrüben Anbaudichte am Beispiel der Cercospora Blattfleckenkrankheit
Individualprognose der Cercospora-Blattfleckenkrankheit
Die Cercospora-Blattfleckenkrankheit kann im Zuckerrübenanbau zu beträchtlichen Ertragseinbußen führen. Das Modell CERCBET1 prognostiziert den Zeitpunkt des ersten Auftretens und zeigt an, wann mit den ersten Symptomen im Bestand zu rechnen ist.
CERCBET1 berechnet tagesaktuell den Anteil (%) der befallenen Felder innerhalb einer Region. Der Termin des Erstauftretens (1 % befallene Felder), ist v. a. für die Beratung relevant (Start Monitoring). Für die Praxis ist der Termin des wahrscheinlichen 50 % -Befalls wichtiger. Ab diesem Zeitpunkt sind Bestandeskontrollen ratsam, da Cercospora nun mit hoher Wahrscheinlichkeit auftritt, die Befallshäufigkeit aber noch sehr gering ist.
Das Modelloutput ist in der folgenden Abbildung zu sehen.
Neben Wetterdaten fließt auch die regionale Anbaudichte von Zuckerrüben in das Modell ein. Die Anbaudichte beschreibt den Anteil einer Kultur an der Gesamtfläche innerhalb eines definierten Umkreises. Sie ist für viele Schaderreger wichtig, da sich diese bei einem hohen Anteil ihrer Wirtspflanze oft leichter ausbreiten können. Während diese Information ursprünglich als Nutzereingabe bereitgestellt werden musste, kann sie inzwischen mithilfe einer im Projekt GeoProg entwickelten Prozesskette automatisiert aus den Thünen-Feldfruchtkarten abgeleitet und in das EHS integriert werden. Dadurch wird die manuelle, potenziell fehleranfällige Eingabe überflüssig.
Methode zur Berechnung der Zuckerrüben-Anbaudichte
Grundlage der Berechnung ist die jährliche Thünen-Feldfruchtkarte, die deutschlandweit die angebauten Kulturen mit einer räumlichen Auflösung von 10 Metern abbildet. Für jedes Rasterelement wird innerhalb eines festgelegten Radius (z. B. 1 km, 2 km oder 5 km) der Anteil der Zuckerrübenfläche an der gesamten Fläche berechnet. Die dargestellten Werte beziehen sich jeweils auf das ausgewählte Anbaujahr und zeigen die regionale Konzentration des Zuckerrübenanbaus.
Hohe Anbaudichten weisen auf Regionen mit einer starken Spezialisierung auf den Zuckerrübenanbau hin, während niedrige Werte einen geringen Flächenanteil der Kultur innerhalb der umgebenden Landschaft anzeigen.
Die folgende interaktive Karte zeigt den Flächenanteil der Zuckerrübe für die Jahre 2020 bis 2025 in einem Umkreis von 2 km mit einer Auflösung von 50m.
GeoProg am Beispiel der Ontogenese
Die Entwicklung und das Vorkommen vieler Schaderreger steht häufig im engen Zusammenhang mit dem phänologischen Entwicklungsstadium von Kulturpflanzen. Beispielsweise begünstigen wiederholte Niederschläge in Kombination mit warmen Temperaturen während der Blüte von Getreide eine Infektion der Ähren durch Fusarium-Arten (Abb. 1). Auch die Wirksamkeit von Pflanzenschutzmaßnahmen sowie gesetzliche Vorgaben zu deren Applikation hängen vielfach vom Wachstumsstadium der Kulturpflanzen ab.
Der phänologische Entwicklungsverlauf der Kulturpflanzen ist dementsprechend ein zentraler Eingangsparameter vieler PM und EHS. Zur Prognose der BBCH-Entwicklungsstadien nutzen ZEPP und ISIP das Ontogenesemodell Simonto. Dieses simuliert das phänologische Entwicklungsstadium auf Basis der Temperatur und Tageslänge, was eine detaillierte Bewertung einzelner Felder stark eingeschränkt. Beispielsweise erfolgt keine Differenzierung in Abhängigkeit von der Sortenwahl (früh-, mittel- und spätreifende Sorten).
Im GeoProg Projekt wird dieses Defizit durch den Einsatz moderner Satelliten- und KI-Technologien adressiert, wodurch ein kontinuierliches Monitoring der phänologischen Stadien möglich wird, das standort- und managementbedingte Entwicklungsunterschiede berücksichtigt. Hierzu wurde ein deep-learning Long-Short-Term-Memory-Modell (LSTM) entwickelt, das Copernicus Sentinel-1 Radarsatellitendaten und agrarmeteorologische Informationen kombiniert. Die SAR-Technologie besitzt gegenüber den optischen Systemen den Vorteil, dass sie unabhängig von Tageslicht und weitestgehend wetterunabhängig eingesetzt werden kann, was die Erstellung kontinuierlicher und dichter Zeitreihen ermöglicht. Zudem sind SAR-Daten sensitiv zu Veränderungen der Vegetationsstruktur, wie beispielsweise der Entwicklung der Ähren (Abb. 2).
Zum Training des LSTM-Modells sowie zur Evaluierung der Ergebnisse werden umfangreiche in-situ Felderhebungen zu den einzelnen BBCH-Mikrostadien benötigt. Hierzu kann in GeoProg insbesondere auf die Monitoringdaten der Pflanzenschutzdienste der Bundesländer zurückgegriffen werden. Die Anzahl an den zur Verfügung stehenden in-situ Messungen schwankt sehr stark zwischen den einzelnen phänologischen Phasen. Durch das LSTM-Modell werden letztendlich diejenigen BBCH-Stadien modelliert, von denen mindestens 50 Trainings- und 10 Referenzmessungen verfügbar sind. Aktuell kann für Getreide (Winterweizen, Wintergerste, Winterroggen und Triticale) eine tägliche Prognose von 48 Mikrostadien erfolgen.
Die Validierung und Bewertung des LSTM-Modells erfolgt auf Grundlage der Zeitdifferenzen zwischen den vom LSTM-Modell ermittelten Zeitpunkten und den aus den Felderhebungen stammenden Beobachtungen. Der Median der absoluten Zeitdifferenzen beträgt weniger als drei Tage und liegt damit in etwa im Bereich von Simonto. Die zu Beginn der Wachstumsperiode im Herbst und Winter auftretenden Wachstumsstadien Blattentwicklung und Bestockung können nur mit unzureichenden Genauigkeiten erfasst werden. Ein direkter Vergleich der aus Fernerkundungsdaten prognostizierten Wachstumsstadien mit dem von ZEPP und ISIP genutzten Ontogenesemodell Simonto zeigt, dass der LSTM-Ansatz für eine Vielzahl an Mikrophasen präzisere Ergebnisse liefert. Die Boxplots in Abbildung 3 verdeutlichen, dass der Median der Zeitdifferenzen (Linie innerhalb der farbigen Boxen) beim LSTM-Modell in vielen Entwicklungsstadien näher an der Nulllinie liegt als bei Simonto. Darüber hinaus ist der Interquartilsabstand, der die mittleren 50 % der Daten umfasst, beim LSTM-Modell geringer. Dies spricht für eine geringere Streuung der Zeitdifferenzen und eine insgesamt engere Verteilung der Werte um die Nulllinie für viele einzelnen Mikrostadien.
Ein direkter Vergleich der Ergebnisse für jeden einzelnen Messwert bestätigt, dass die mit dem LSTM-Modell prognostizierten Wachstumsstadien in vielen Fällen zeitlich näher an dem Datum aus den Referenzdaten liegen als Simonto (Abb. 4). Mit dem LSTM-Modell wurden für diejenigen Phasen bessere Ergebnisse als mit Simonto erzielt, bei denen der blaue Balken länger als der grüne Balken ist. Dabei gibt n die Anzahl an Einzelmessungen an, die zu Validierungszwecken pro BBCH-Stadium zur Verfügung standen.
Abbildung 5 zeigt exemplarisch den mit dem LSTM-Modell und Simonto prognostizierten Entwicklungsverlauf eines Winterweizenfeldes in Niedersachsen. Die im Feld erhobenen Referenzmessungen (rote Punkte) liegen für viele Messpunkte näher an dem Output des LSTM-Modells (grüne Linie). Das Simonto-Modell endet mit Phase 71, wohingegen mit dem LSTM-Modell die BBCH-Stadien für die gesamte Wachstumsperiode bis zur Ernte abgeschätzt werden können.
GeoProg Modellparameter Kartenansicht
Nachfolgend finden Sie eine Demoversion des GeoProg Modellparamter Kartenviewers.
Alle Modellparameter, die im Kontext von GeoProg abgeleitet werden können zukünftig interaktiv über den Kartenviewer angesehen werden und bleiben somit transparent für die Anwender der Entscheidungshilfesysteme aus der Praxis.
EO-Daten und Modelle
Modellpriorisierung
Folgende Entscheidungshilfesysteme werden aktuell im Rahmen von GeoProg bearbeitet:
Agrarumweltdaten aus dem Weltall
Zahlreiche Geodaten- und Satellitendatensätze stehen heute frei zur Verfügung – folgend eine Auswahl:
- Copernicus Land Monitoring Service
https://land.copernicus.eu/en/dataset-catalog - Copernicus Browser
https://browser.dataspace.copernicus.eu/ - GeoPortal Deutschland
https://www.geoportal.de/ - Daten des Bundesamts für Kartographie und Geodäsie (BKG)
https://gdz.bkg.bund.de/index.php/default/open-data.html
In GeoProg untersuchen wir diese Datenquellen hinsichtlich ihrer Verfügbarkeit, Qualität und Eignung für Prognosemodelle. Bei nachgewiesenem Mehrwert entwickeln wir entsprechende Prozessketten zur automatisierten Datenaufbereitung und Integration in bestehende und neue Prognosemodelle.
Das GeoProg Team
Das GeoProg-Team vereint die Expertise von ZEPP, ISIP, Julius Kühn-Institut (JKI), Thünen-Institut, heliopas AI und dem Helmholtz-Zentrum für Geoforschung (GFZ).
Gemeinsam verbinden wir langjährige Erfahrungen aus unterschiedlichen Disziplinen und nutzen diese, um KI-gestützte Geodatenverarbeitungsprozesse zu entwickeln und in landwirtschaftliche Entscheidungshilfesysteme zu integrieren.
kommende Termine
- Teilnahme und Projektpräsentation am Treffen des Arbeitskreis Fernerkundung 2026 der Deutschen Gesellschaft für Geographie (DGfG) vom 07. bis 8. Oktober in Braunschweig
- besuchen Sie unseren interaktiven GeoProg Infostand auf den BLE Innovationstagen vom 3. bis 4. November in Berlin und erleben Sie live die neuesten Entwicklungen des Projekts live. Wir freuen uns auf eine lebhafte Diskussion und neue Ideen.
ausgewählte Veröffentlichungen
2026
- April, Copernicus-Forum, Riedel T. & Fleckenstein K.: „Optimierung von landwirtschaftlichen Entscheidungshilfesystemen durch die Integration von satellitengestützen Informationen und KI“ (Präsentation PDF)
- Januar, ZEPP-Tagung, Fleckenstein K.: „GeoProg – Landnutzungsparameter aus dem All“ (Präsentation PDF)
- Januar, ZEPP-Tagung, Riedel T.: „GeoProg – Erdbeobachtungsdaten zur Prognose der
Ontogenese“ (Präsentation PDF)
2025
- September, KIDA-KON, Riedel T.: „Leveraging Sentinel-1 SAR and AI for High-Resolution Crop Phenology Monitoring“ (Poster PDF)
- Juni, Dreiländertagung DGPF, Fleckenstein K.: „Verbesserte Prognose von Schaderregern in der Landwirtschaft mit Erdbeobachtungsdaten“ (Poster PDF, Artikel PDF)
Förderer
