Wenn Landwirt*innen künftig wissen wollen, wie ergiebig ihre Ernte sein wird, liefert nicht mehr nur Erfahrung die Antwort – sondern eine KI-gestützte Technologieplattform. Am DFKI wurde ein System entwickelt, welches Landwirtschaft planbarer macht, Risiken senkt und den Ressourceneinsatz optimiert. Mithilfe von Satellitendaten und maschinellem Lernen analysiert die Plattform Umwelteinflüsse in Echtzeit – und ermöglicht so präzisere Entscheidungen von der Aussaat bis zur Ernte.
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.
Professor Andreas Dengel, Standortdirektor DFKI Kaiserslautern und Leiter Forschungsbereich Smarte Daten & Wissensdienste: „Dank KI und Satellitendaten lassen sich solche Unsicherheiten heute deutlich reduzieren und belastbare Antworten auf die Ertragsfrage liefern – Monate im Voraus. Sie macht das Erfahrungswissen der Landwirt*innen nicht überflüssig, sondern ergänzt es durch datenbasierte Analysen in Echtzeit. Der Nutzen unserer Technologie geht dabei weit über den Agrarsektor hinaus. Die Potentiale von KI in der Erdbeobachtung reichen von der Katastrophenvorsorge, über die Steuerung der Waldwirtschaft bis hin zur urbanen Entwicklung und Optimierung von Infrastruktur.“
Die Grundlage der Ertragsprognose liefert das europäische Copernicus-Programm mit seinen Sentinel-2-Satelliten. Diese umrunden die Erde systematisch und erstellen dabei hochauflösende multispektrale Aufnahmen der Erdoberfläche mit einer Abdeckung von 290 km Breite. Alle fünf Tage gibt es so von jedem Erdausschnitt neue Aufnahmen.
So funktioniert die Ertragsprognose mit Künstlicher Intelligenz:
Dieser kontinuierliche Datenstrom ist das Fundament und die Schlüsselressource der KI-Analyse. Ein KI-Modell wurde darauf trainiert, die unterschiedlichen Nutzpflanzen zu erkennen, zu klassifizieren und daraus Ableitungen bezüglich des zu erwartenden Ertrags zu treffen.
Um das System – und somit die Vorhersage – robuster zu machen und gegen alle Eventualitäten zu wappnen, werden die Satellitenaufnahmen durch topografische Informationen, Wetterbeobachtungen und weitere Eingabedaten, etwa historische Anbaudaten oder digitale Bodenmodelle, ergänzt. So kann das System sicherstellen, dass genug relevante Informationen verfügbar sind, um eine belastbare Prognose zu ermöglichen.
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.
Über diverse Länder und Feldfrüchte hinweg ergibt sich ein durchschnittlicher R²-Score von 0,76. Dabei gilt allerdings zu bedenken, dass sich die Deckungsgleichheit lediglich mit den von Sensoren gemessenen Erträgen und nicht tatsächlichen Erträgen herstellen lässt.
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.
Was die Technologie für die Landwirtschaft heute schon leistet
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.
Prof. Dr. Prof. h.c. Andreas Dengel
Standortdirektor DFKI Kaiserslautern und Leiter Forschungsbereich Smarte Daten & Wissensdienste, DFKI
Mail: Andreas.Dengel@dfki.de
Tel.: +49 631 20575 1000
https://www.dfki.de/web/news/ernteprognosen-mit-ki
https://www.sciencedirect.com/science/article/pii/S003442572400573X
https://nachrichten.idw-online.de/sciencevideo/234
Auf einem Geländemodell im DFKI-Showroom werden die Ertagsprognosen sichtbar.
Source: Lando Michael Lehmann
Copyright: DFKI
Illustration eines Modells der Multi-Modal Gated Fusion (MMGF) mit vier verwendeten Modalitäten.
Copyright: ©Figure 6 from: Mena et al. (2025), Remote Sensing of Environment, 318:114547
Criteria of this press release:
Journalists
Information technology
transregional, national
Cooperation agreements, Research projects
German
Auf einem Geländemodell im DFKI-Showroom werden die Ertagsprognosen sichtbar.
Source: Lando Michael Lehmann
Copyright: DFKI
Illustration eines Modells der Multi-Modal Gated Fusion (MMGF) mit vier verwendeten Modalitäten.
Copyright: ©Figure 6 from: Mena et al. (2025), Remote Sensing of Environment, 318:114547
You can combine search terms with and, or and/or not, e.g. Philo not logy.
You can use brackets to separate combinations from each other, e.g. (Philo not logy) or (Psycho and logy).
Coherent groups of words will be located as complete phrases if you put them into quotation marks, e.g. “Federal Republic of Germany”.
You can also use the advanced search without entering search terms. It will then follow the criteria you have selected (e.g. country or subject area).
If you have not selected any criteria in a given category, the entire category will be searched (e.g. all subject areas or all countries).