Einleitung:

Moderne Landwirtschaftsbetriebe nutzen vermehrt Vegetationsindizes wie Biomasse-Indizes und den Blattflächenindex (Leaf Area Index, LAI), um den Zustand ihrer Kulturen zu überwachen und fundierte Entscheidungen zu treffen. Solche Kennzahlen ermöglichen es, Pflanzenwachstum, Bestandsdichte und Vitalität objektiv zu quantifizieren. Im Folgenden werden diese Indizes definiert und ihre Erfassung, Interpretation sowie praktischen Anwendungen erläutert – sowohl für hochtechnisierte Precision-Farming-Betriebe als auch für Landwirte ohne digitale High-Tech-Ausstattung. Dadurch wird die Relevanz von Biomasse- und LAI-Daten für die moderne Landwirtschaft deutlich gemacht und aufgezeigt, welche konkreten Vorteile sich in der Praxis ergeben.

1. Definition und Erklärung von Biomasse-Index und Leaf-Area-Index (LAI)

Biomasse-Index: Als Biomasse-Index bezeichnet man einen Vegetationsindex, der Rückschlüsse auf die vorhandene Pflanzen-Biomasse und den Zustand des Bestandes erlaubt. Ein häufig genutzter Biomasse-Index ist der NDVI (Normalized Difference Vegetation Index). Er wird aus Reflexionsmessungen im roten und nah-infraroten Lichtspektrum berechnet und dient als Maß für die „Grünheit“ bzw. Dichte der Vegetation (earthobservatory.nasa.gov). Gesunde, dichte Bestände absorbieren viel sichtbares Licht (rot) und reflektieren stark im nahen Infrarot – je mehr Blattmasse vorhanden ist, desto höher die Reflexion im NIR (earthobservatory.nasa.gov). Das Verhältnis dieser reflektierten Strahlung wird in einen Index überführt; beim NDVI ergibt sich ein Wert zwischen -1 und +1, wobei Werte nahe +1 eine hohe Blattdichte anzeigen (earthobservatory.nasa.gov). Allgemein nutzen Biomasse-Indizes also kombinierte Reflexionsmessungen (typischerweise Rot und NIR), um den Zustand und die Vitalität von Pflanzen messbar zu machen (dlg.org). Solche Vegetationsindizes korrelieren eng mit pflanzlichen Kenngrößen – in wissenschaftlichen Studien wurde gezeigt, dass NDVI-Werte unter anderem mit der oberirdischen Biomasse, dem LAI, dem Wasser- und Chlorophyllgehalt von Beständen zusammenhängen (literatur.thuenen.de). Die Sensoren messen hierfür das vom Pflanzenbestand reflektierte Licht und verrechnen die Signale zu Indikatorwerten, wodurch Eigenschaften wie Biomasse- und N-Versorgungsstatus des Bestandes indirekt geschätzt werden können (dlg.org).

Leaf-Area-Index (Blattflächenindex, LAI): Der LAI ist eine dimensionslose Kennzahl für die Belaubungsdichte einer Pflanzendecke. Per Definition entspricht der LAI der Blattfläche aller Blätter pro Bodenfläche (typischerweise als einseitige Blattfläche in m² pro m² Boden angegeben) (lpvs.gsfc.nasa.gov). Anders formuliert: Ein LAI von 3 bedeutet, dass die Blätter eines Bestandes den Boden mit der dreifachen Fläche der Grundfläche bedecken würden. In der Praxis ist der LAI ein Maß für die grüne Blattmasse und damit die photosynthetisch aktive Oberfläche eines Bestandes. Er spiegelt wider, wie stark ein Pflanzenbestand Licht absorbieren kann, was mit Wachstum und Biomasseproduktion verknüpft ist (agrarraum.info). Ein höherer LAI weist auf einen dichteren, kräftigeren Bestand hin, während ein niedriger LAI auf spärliche Vegetation hindeutet. Der LAI wird von Wissenschaft und Behörden als wichtiger Indikator angesehen – er gilt u.a. als Essential Climate Variable in Klimamodellen und als Schlüsselgröße zur Bewertung von Ökosystemen und Agrarstrukturen (agrarraum.info). Moderne Fernerkundungsverfahren erlauben es, den LAI großflächig aus Satellitendaten abzuleiten, indem spektrale Reflexionswerte in entsprechende LAI-Schätzungen umgerechnet werden (sdi.eea.europa.eu). Insgesamt liefern sowohl Biomasse-Indizes (wie NDVI) als auch der LAI eine quantifizierbare Beschreibung des Pflanzenbestands, die als Basis für weitere Analysen und Entscheidungen dienen kann.

2. Methoden zur Erfassung dieser Indizes (Satelliten, Drohnen, Sensorsysteme)

Die Erfassung von Biomasse- und LAI-Indizes erfolgt heute überwiegend über Fernerkundungstechnologien. Je nach Anwendungsfall kommen dabei Satellitenbilder, Drohnenaufnahmen oder Sensoren an Landmaschinen zum Einsatz. Allen gemeinsam ist, dass sie berührungslos Informationen über den Pflanzenbestand liefern.

• Satellitengestützte Fernerkundung:
  Satelliten (etwa die Copernicus-Satelliten Sentinel-2 der ESA oder Landsat von NASA/USGS) liefern multispektrale Bilder der Erdoberfläche, aus denen Vegetationsindizes berechnet werden können. Vorteil dieser Methode ist die großflächige und regelmäßige Abdeckung: Freie Satellitendaten erlauben eine nahezu tägliche Überwachung des Pflanzenzustands (gdi.bmel.de). So kann z. B. Sentinel-2 alle 5 Tage Aufnahmen mit 10 m Auflösung bereitstellen, aus denen sowohl NDVI-Karten als auch LAI-Schätzungen abgeleitet werden. „Satellitenaufnahmen und Luftbilder via Flugzeug oder Drohne liefern ein präzises und aktuelles Abbild der Erdoberfläche“, beschreibt das BMEL den Nutzen – durch Kombination verschiedener Erdbeobachtungssysteme erhält man ein zeitnahes, detailliertes Bild des Pflanzenbestands (gdi.bmel.de). Ein Beispiel ist die Ernteprognose: Schon heute werden Satellitendaten genutzt, um Ertragserwartungen abzuleiten und die globale Lebensmittelversorgungslage abzuschätzen (gdi.bmel.de). Für landwirtschaftliche Betriebe liefern Satellitenkarten wertvolle Informationen über Biomasseverteilung und Entwicklungsunterschiede innerhalb von Schlägen. Dank der freien Verfügbarkeit von Copernicus-Daten können Landwirte solche Informationen „zeitnah, online und kostenlos“ beziehen (gdi.bmel.de) (siehe Abschnitt 7).
• Drohnen (UAV = Unmanned Aerial Vehicles):
  Drohnen mit multispektralen Kameras ermöglichen Aufnahmen in sehr hoher Auflösung (zentimetergenau) zu flexiblen Zeitpunkten. Sie eignen sich, um Detailinformationen für kleinere Flächen oder spezielle Fragestellungen zu gewinnen – etwa zur Erkennung von Schadstellen oder zur Erstellung orthophotografischer Bestandskarten. Drohnen können unter Wolken fliegen und zeitlich genau dann eingesetzt werden, wenn der Landwirt es benötigt (z. B. kurz vor Ernte oder Düngung). Die Datenqualität ist sehr hoch, da Sensoren nah an den Pflanzen operieren. Allerdings ist der Aufwand größer (Flugplanung, Drohnenführerschein etc.), weshalb Drohnen vor allem ergänzend oder in betrieblichen Eigeninitiativen genutzt werden. In Kombination mit Satellitenbildern können sie zur Validierung dienen oder zur Erfassung von Details, die der Satellit nicht auflöst (z. B. Unkräuter zwischen den Reihen). Im BMEL-Programm zur Fernerkundung wird z. B. beschrieben, dass Satelliten- und Drohnenbilder zusammen eingesetzt werden können, um den Erfolg von Maßnahmen zu überprüfen und die Ausbreitung von Krankheiten im Feld zu verfolgen (gdi.bmel.de).
• Sensoren auf Landmaschinen:
  Eine weitere Methode sind feldinterne Sensorsysteme, die während der Überfahrt durch den Bestand Messungen durchführen. Hierbei werden optische Sensoren (z. B. N-Sensoren wie Yara N-Sensor, Claas Crop Sensor, John Deere etc.) am Traktor oder der Gerätschaft montiert. Sie beleuchten – je nach System – den Bestand aktiv mit eigener Lichtquelle oder nutzen das Sonnenlicht (passive Sensoren) und messen die Reflexion der Pflanzen in bestimmten Wellenlängenbereichen (dlg.org). Während der Überfahrt erfassen sie kontinuierlich Vegetationsindizes (häufig NDVI oder verwandte Indizes) und können in Echtzeit die Applikationstechnik ansteuern. So wird beispielsweise der Stickstoffdüngerstreuer „on-the-go“ geregelt, um je nach gemessenem Pflanzenstatus mehr oder weniger Dünger auszubringen (gdi.bmel.de). Die DLG beschreibt, dass die Datenübertragung der Sensorsysteme kabellos oder via ISOBUS direkt ins Traktorterminal erfolgt, wo die Werte in Steuerbefehle für die Düngermenge umgewandelt werden (dlg.org). Moderne Systeme erlauben sogar, zusätzliche Kartengrundlagen (z. B. Bodenkarten, Ertragskarten vergangener Jahre) einzubeziehen, um die Düngeoptimierung weiter zu verfeinern (Stichwort „Map-Overlay“) (dlg.org). Auf diese Weise fließen Biomasse-Indizes und historische Betriebsdaten zusammen, um teilflächenspezifisch zu bewirtschaften. Neben Düngesensoren gibt es auch pflanzenspezifische Sensoren für Pflanzenschutz (Kamerasysteme zur Unkrauterkennung) und Boden- bzw. Ertragssensoren – all diese liefern Informationen, die in Kombination mit Biomasse- und LAI-Daten ein Gesamtbild des Feldes ergeben.

Zusammenfassend stehen Landwirten heute mehrere Erfassungsmethoden zur Verfügung: Satellitenbilder bieten großflächige und regelmäßige Daten, Drohnen liefern flexible und hochaufgelöste Detailaufnahmen, und Maschinensensoren ermöglichen die unmittelbare Datennutzung während der Feldarbeit. In vielen Fällen werden diese Technologien kombiniert eingesetzt, um die Vorteile jeder Ebene zu nutzen.

3. Interpretation der Indizes und betriebswirtschaftliche Schlussfolgerungen

Die gewonnenen Biomasse- und LAI-Daten müssen korrekt interpretiert werden, um daraus praktische Entscheidungen abzuleiten. Grundsätzlich spiegeln hohe Vegetationsindex- oder LAI-Werte einen üppigen, vitalen Pflanzenbestand wider, während niedrige Werte auf Lücken, Wachstumsprobleme oder geringere Bestandsdichte hindeuten. Diese Informationen lassen sich betriebswirtschaftlich nutzen, indem man Managementzonen identifiziert und Eingriffe optimiert.

• Variabilität im Feld erkennen:
  Eine erste Interpretation besteht darin, innerhalb eines Feldes Bereiche mit unterschiedlichen Indexwerten zu unterscheiden. Biomassekarten (z. B. NDVI-Karten) zeigen räumlich, wo das Wachstum stärker oder schwächer ist (dlg.org). Überlagert man solche Karten mit anderen Informationen – etwa Bodenkarten oder Ertragskarten früherer Jahre – lassen sich Ursachen für Unterschiede ableiten (dlg.org). Beispielsweise könnten Zonen mit niedriger Biomasse mit sandigeren Böden (geringerer Wasserspeicher) oder Nährstoffmangel korrespondieren, während hohe Biomasse auf gute Bodenfruchtbarkeit oder Überversorgung hindeuten kann. Die DLG beschreibt, dass durch ein solches „Map-Overlay“ Bereiche mit höherem Trockenrisiko oder besserer Nährstoffverfügbarkeit identifiziert werden können (dlg.org). Für den Betriebsleiter bedeutet dies, heterogene Ertragszonen zu erkennen und differenziert zu bewirtschaften, anstatt alle Schlagteile gleich zu behandeln.
• Ableitung des Bestandszustands:
  NDVI und LAI geben Aufschluss über den Bestandszustand. Ein hoher NDVI in der Vegetationsphase deutet auf einen dichten, gut mit Chlorophyll versorgten Bestand hin – meist ein Zeichen von ausreichender Stickstoffversorgung und Potenzial für hohen Ertrag. Allerdings kann zu viel Biomasse auch auf eine Überdüngung hinweisen, die Gefahr von Lagergetreide birgt. Ein niedriger NDVI kann hingegen bedeuten: dünner Bestand, möglicher Nährstoff- oder Wassermangel, Schädlings-/Krankheitsbefall oder Entwicklungsverzögerung. LAI-Werte lassen ähnliche Schlüsse zu – z. B. kann ein LAI von 1,0 für Getreide früh im Jahr normal sein, während ein LAI von 5,0 kurz vor Blüte einen sehr dichten Bestand anzeigt. Betriebswirtschaftlich wichtig ist hier die Unterscheidung zwischen ertragsbildender Biomasse (Blätter, Halme, Köpfchen) und unerwünschtem Aufwuchs (Unkraut, Masse, die nicht in Korn umsetzt). Eine geschulte Interpretation der Indizes hilft, den Eingriffsbedarf zu ermitteln: Muss gedüngt werden? Liegt möglicherweise ein Problem vor (z. B. Staunässe in einem Feldbereich, erkennbar an hinterherhinkender Vegetation)? Oder ist der Bestand so dicht, dass ggf. Wachstumsregler sinnvoll sind?
• Quantitative Schätzungen:
  Indizes erlauben es auch, quantitative Aussagen zu treffen. So können aus NDVI/LAI-Werten in bestimmten Entwicklungsstadien grobe Ertragsprognosen abgeleitet werden. Beispielsweise lässt sich mit fortschreitender Vegetation oft abschätzen, ob ein Feld deutlich über oder unter dem Durchschnittsertrag liegt (viele Dienstleister bieten solche Prognosemodelle an). Ebenso kann der LAI in Simulationsmodelle einfließen, um z. B. den Biomassezuwachs oder Wasserverbrauch einer Kultur zu berechnen – was betriebswirtschaftlich für die Planung von Bewässerung oder den Erntezeitpunkt relevant ist. Eine hohe Blattfläche bedeutet mehr Transpiration – in trockenen Regionen könnte ein sehr hoher LAI also auch auf baldigen Trockenstress hindeuten, woraus sich Bewässerungsentscheidungen ableiten lassen.
• Risikobewertung:
  Aus der räumlichen Verteilung von Biomasse- und LAI-Werten lassen sich betriebswirtschaftliche Risiken erkennen. Etwa könnten Flächen mit chronisch niedrigen Indexwerten trotz voller Inputs (Dünger, Saat) auf Minderertragslagen hinweisen. Ein Landwirt könnte daraus die Schlussfolgerung ziehen, solche Bereiche künftig extensiver zu bewirtschaften oder alternative Nutzungen in Betracht zu ziehen, um Verluste zu minimieren. Umgekehrt zeigen sehr hohe Biomasse-Indizes Ertragspotenzial, aber auch das Risiko von Lager oder Krankheitsdruck – in ertragsstarken Zonen lohnt sich eventuell eine intensivere Betreuung (gezielte Düngung/Pflanzenschutz), da hier das Meiste zu holen ist. Letztlich unterstützen diese Kennzahlen ein präziseres Ressourcenmanagement: Inputs (Dünger, Saatgut, Wasser) können gezielter verteilt werden, was Kosten spart und Erträge stabilisiert. Eine Studie fasst zusammen: „Vegetationsindizes stellen letztendlich ein Hilfsmittel zur quantitativen Bestimmung der Pflanzenvitalität dar und haben eine höhere Empfindlichkeit zur Detektion von Biomasse als einzelne Spektralbänder allein.“ – das heißt, sie sind ein verlässlicher Indikator, um vitalitäts- und ertragsrelevante Unterschiede sichtbar zu machen und ökonomisch zu nutzen.

Betriebswirtschaftlich ziehen Landwirte aus der Interpretation folglich konkrete Maßnahmen (siehe Abschnitt 6). Wichtig ist jedoch, Indizes immer im Kontext zu betrachten (Witterung, Entwicklungsstadium, Kulturart) und – gerade bei Abweichungen – Felder in Augenschein zu nehmen und ggf. Probenahmen durchzuführen, um die Ursache zu verifizieren.

4. Anwendungen im Precision Farming – Vorteile für digital ausgestattete Betriebe

Betriebe mit moderner digitaler Ausstattung (Precision Farming) können Biomasse- und LAI-Daten vollautomatisiert in ihre Betriebsabläufe integrieren und daraus erhebliche Vorteile ziehen. Durch die Kopplung von Datenerfassung, Datenverarbeitung und Maschine wird aus den Indizes unmittelbar eine Aktion auf dem Feld abgeleitet, was Arbeitsabläufe optimiert und Ressourcen schont.

• Automatisierte Düngung und Applikation:
  Einer der größten Vorteile zeigt sich in der teilflächenspezifischen Düngung. Precision-Farming-Betriebe verfügen häufig über GPS-gesteuerte Düngerstreuer oder Pflanzenschutzspritzen mit variabler Ausbringungsmengensteuerung. Hier können Biomassekarten oder Sensor-Livedaten direkt als Applikationskarte dienen. Optische N-Sensoren beispielsweise messen den Pflanzenzustand (Biomasse, Chlorophyll) während der Überfahrt und regeln in Echtzeit die Stickstoffdüngermenge pro Teilfläche (gdi.bmel.de). Dies führt zu einer bedarfsgerechteren Verteilung von Dünger: Üppige Bereiche erhalten etwas weniger, schwächere Bereiche etwas mehr – mit dem Ziel, ein gleichmäßiges Ertragsniveau zu erreichen. Die DLG berichtet, dass solche Systeme über ISOBUS oder Bluetooth an das Traktorterminal angebunden sind und neben den Live-Messungen auch frühere Ertrags- oder Biomassekarten im „Map-Overlay“-Verfahren berücksichtigen können (dlg.org). Dadurch wird das Bestandesmanagement stetig verfeinert. In der Praxis zeigt sich, dass N-Düngereinsparungen möglich sind, ohne Ertragseinbußen zu riskieren, indem der Dünger effizienter verteilt wird (dlg.org). Das verbessert nicht nur die Wirtschaftlichkeit (Dünger ist teuer), sondern verringert auch Umweltbelastungen durch N-Überschüsse.
• Pflanzenschutz und Wachstumsregler:
  Digital ausgestattete Betriebe können Fernerkundungsdaten nutzen, um Pflanzenschutzmittel gezielt einzusetzen. So lassen sich z. B. durch Auswertung von Satelliten- und Drohnendaten Befallsnester von Krankheiten oder Schädlingen im Feld identifizieren (gdi.bmel.de). Mit GPS-gesteuerten Spritzen kann man anschließend nur die betroffenen Teilbereiche behandeln, anstatt das gesamte Feld zu spritzen. Ähnlich funktioniert es bei Unkrautmanagement: In Precision-Farming-Setups kommen Kameras zum Einsatz, die Unkraut erkennen, oder es werden hochauflösende NDVI-Karten herangezogen, um Unkrautinseln zu lokalisieren. Mit Section Control können die Herbiziddüsen dann nur dort aktiv sein, wo notwendig. Das BMEL bestätigt, dass optische Satellitenbilder mit hoher Auflösung (≤10 m) zunehmend für die Lokalisierung von Unkrautstandorten eingesetzt werden, um die Bekämpfung auf diese Bereiche zu beschränken (gdi.bmel.de). Für den Betrieb bedeutet das: Einsparung von Pflanzenschutzmitteln und weniger Belastung der restlichen Kulturen – ein ökonomischer und ökologischer Gewinn. Auch Wachstumsregler-Einsätze in Getreide lassen sich anhand von Biomassekarten optimieren: Dichte Bestände (hoher LAI) kann man gezielt behandeln, um Lager zu vermeiden, während in schwächeren Bereichen das Mittel eingespart wird.
• Ertragskartierung und lernende Systeme:
  Precision-Farming-Betriebe sammeln häufig Ertragsdaten bei der Ernte mittels Ertragskartierungssystemen am Mähdrescher. Kombiniert man diese mit den während der Saison erhobenen NDVI/LAI-Daten, können digitale Farm-Management-Systeme Korrelationen lernen. So entsteht über Jahre ein immer klareres Bild, welche Biomasse-Muster zu welchen Erträgen führen. Ein solches System erkennt z. B., „dass durch eine bestimmte Kombination von Bedingungen ein bestimmter Ertrag resultiert“, wodurch jedes Jahr die Vorhersagen genauer werden und Entscheidungen weiter automatisiert werden können (dlg.org). Zukünftig könnten KI-gestützte Entscheidungshelfer dem Landwirt auf Basis von Biomasse- und LAI-Verläufen in Kombination mit Wetterdaten Empfehlungen in Echtzeit geben (etwa: „Auf Teilfläche X droht aufgrund sehr hoher Biomasse und anstehendem Regen Lager – Wachstumsregler ausbringen“).
• Integration ins Farm-Management:
  Viele digitale Betriebe nutzen Farmmanagement-Software, die Fernerkundungsdaten integriert anbietet. Beispielsweise können LAI- oder Biomassekarten aus Satellitendaten automatisch in die Betriebssoftware geladen werden. Betriebe mit eigener Wetterstation und Bodensensorik verknüpfen diese Daten zusätzlich. Ein Smart-Farming-Ansatz nutzt all diese Informationen vernetzt. Das Ziel ist eine vollintegrierte Entscheidungsfindung, bei der der Landwirt optimal unterstützt wird. Das Konzept „Smart Farming“ erweitert Precision Farming genau dahingehend – nämlich „Informationen nicht isoliert, sondern im Zusammenhang zu verknüpfen und automatisiert zu verarbeiten“ (dlg.org). Biomasse- und LAI-Informationen spielen darin eine Schlüsselrolle, weil sie den aktuellen Pflanzenstatus quantifizieren. Im Ergebnis führen digital ausgestattete Betriebe ihre Felder effizienter, nachhaltiger und oft ertragssteigernd: Es wird genau dort investiert, wo es sich lohnt, und eingespart, wo es nicht nötig ist.

Zusammengefasst ermöglichen Precision-Farming-Technologien in Kombination mit Biomasse-/LAI-Daten eine neue Qualität der Bewirtschaftung. Entscheidungen erfolgen datengestützt und oft automatisiert, was Arbeitszeit spart und die Treffsicherheit betrieblicher Maßnahmen erhöht. Insbesondere größere Betriebe mit entsprechender Technik profitieren von diesen Vorteilen, da sie in der Lage sind, die Fülle an Daten auszuwerten und direkt umzusetzen (gdi.bmel.de). Die Investition in digitale Ausstattung amortisiert sich durch effizientere Produktion und höhere Erträge bzw. eingesparte Betriebsmittel.

5. Nutzen für Landwirte ohne Precision-Farming-Technologie

Auch ohne High-Tech-Ausrüstung können Landwirte praktisch von Biomasse- und LAI-Daten profitieren. Nicht jeder Betrieb verfügt über Echtzeitsensorik oder automatische Düngerstreuer – doch dank frei verfügbarer Fernerkundungsdaten und einfach zugänglicher Dienste ist der Einstieg in die datengestützte Bewirtschaftung niedrigschwellig. Hier einige der praktischen Vorteile für traditionell wirtschaftende Betriebe:

• Kostenlose Satelliteninformationen nutzen:
  Wie in Abschnitt 7 beschrieben, stehen über Programme wie Copernicus/ESA viele Daten frei zur Verfügung. Es gibt Online-Plattformen und Smartphone-Apps, auf denen Landwirte mit wenig Aufwand aktuelle NDVI-Karten ihrer Schläge ansehen können. Diese Dienste bereiten die komplexen Fernerkundungsdaten bereits verständlich auf. „Endnutzerinnen und -nutzer ohne fortgeschrittene Fernerkundungskenntnisse erhalten von verschiedenen Anbietern Informationen zu Bestandsparametern (z. B. Biomasse, LAI) automatisch und fast in Echtzeit.“ (gdi.bmel.de) – Das heißt, jedem Landwirt stehen solche Infos zur Verfügung, ohne dass er selbst Satellitenbilder auswerten können muss. Ein konventioneller Betrieb kann z. B. einmal pro Woche einen Blick auf die NDVI-Karte werfen: Wo ist das Feld schön gleichmäßig grün, wo gibt es “Problemzonen”? Dieses Monitoring ist quasi zum Nulltarif möglich und erfordert lediglich Internetzugang.
• Gezieltere Feldbeobachtung („Scouting“):
  Auch ohne digitale Maschinen kann ein Landwirt die Indizes nutzen, um Felder effizienter zu begehen. Früher lief man evtl. systematisch über den Acker, um Unterschiede zu finden. Heute kann man sich anhand der Biomassekarten Schwerpunkte für Feldkontrollen setzen. Wenn die Karte zeigt, dass am nordwestlichen Schlagende der NDVI deutlich niedriger ist als im Rest, wird man gezielt dort nachschauen: Vielleicht liegt dort ein Schädlingsbefall oder Staunässeproblem vor – oder die Saat ist nicht aufgegangen. So spart man Zeit und erkennt Probleme früher, anstatt zufällig darüber zu stolpern.
• Manuelle Teilflächenbewirtschaftung:
  Auch ohne automatische Streuer kann ein Landwirt differenziert düngen. Beispielsweise lassen sich Biomasse-Zonen manuell markieren (etwa mit GPS-Apps oder Fahnen im Feld) und dann beim Düngen unterschiedlich behandeln. Ein Praktiker könnte mithilfe der NDVI-Karte entscheiden: „Den hinteren Teil des Feldes dünge ich etwas stärker, vorne am Hang weniger.“ Zwar geschieht die Verstellung dann manuell (z. B. Streuwagendosierung ändern oder Düngerstreuer kurz abdrehen), aber das Prinzip des Precision Farming wird im Kleinen imitiert. Dadurch können Landwirte Dünger einsparen oder Erträge stabilisieren, ohne in teure Technik zu investieren. Gleiches gilt für Saatgut: Wer erkennt, dass Teile des Feldes eh schwächer sind, könnte dort die Aussaatdichte etwas erhöhen (oder auch reduzieren, um Saatgut zu sparen), falls er über entsprechende Technik zumindest am Schlepper verfügt. Selbst mit einfachen Mitteln (z. B. Saatgutmenge variieren via Getriebestufen) lässt sich eine grobe Teilflächendifferenzierung umsetzen.
• Beratung und Gemeinschaft nutzen:
  Viele Landwirte ohne eigene digitale Infrastruktur profitieren über Beratungsangebote von den Indizes. Landwirtschaftliche Beratungsringe, Genossenschaften oder Offizialberatung nutzen Fernerkundungsdaten, um Hinweise und Warnungen auszugeben. Zum Beispiel kann die Beratung mitteilen: „Auf Basis von Satellitendaten besteht auf Ihren Flächen Anzeichen von Trockenstress – prüfen Sie die Bodenfeuchte.“ Oder es werden Ertragsschätzungen für die Region veröffentlicht, die man für die eigene Ernteplanung heranziehen kann. Durch solche Informationen können auch kleiner strukturierte Betriebe bessere Entscheidungen treffen (z. B. rechtzeitig Futterzukauf planen, wenn die Weide aufgrund geringer Biomasseentwicklung knapp wird).
• Keine Scheu vor Technik:
  Ein weiterer Vorteil für Low-Tech-Betriebe ist, dass der Umgang mit den Daten heute sehr benutzerfreundlich ist. Es braucht keinen eigenen GIS-Spezialisten. Oft genügen schon Apps oder Webportale, die die Felder des Landwirts anzeigen (teils automatisch per Flächenantrag eingelesen) und dann fortlaufend NDVI-Werte liefern. Somit können alle Betriebe – auch ohne High-End-Technik – an der digitalen Entwicklung teilhaben. Das BMEL betont, dass praktisch für jeden Nutzenden ohne Expertenwissen solche Daten nutzbar sind, da sie von Dienstleistern verständlich aufbereitet werden (gdi.bmel.de). Dieser breitere Zugang stellt sicher, dass die Vorteile von Biomasse- und LAI-Daten nicht exklusiv großen High-Tech-Betrieben vorbehalten bleiben.

Kurz gesagt: Landwirte ohne eigene Precision-Farming-Geräte können Biomasse- und LAI-Informationen als zusätzliches Entscheidungshilfsmittel einsetzen. Sie verbessern ihr Feldbeobachtungsvermögen, können Maßnahmen besser timen und anpassen und profitieren indirekt von digitalen Erkenntnissen – und das mit geringem finanziellem Aufwand. So lassen sich bereits erste Schritte Richtung „Smart Farming“ gehen, die oft genug spürbare betriebliche Verbesserungen mit sich bringen.

6. Anwendungsmöglichkeiten in der Landwirtschaft (Düngeoptimierung, Ertragsprognosen, Bestandsmanagement)

Biomasse- und LAI-Daten finden in vielen Bereichen der landwirtschaftlichen Praxis konkrete Anwendung. Einige wichtige Einsatzfelder – mit entsprechendem Nutzen – sind:

• Stickstoffdüngung optimieren:
  Historisch liegt ein Hauptaugenmerk der Fernerkundung im Ackerbau auf der N-Düngungsoptimierung. Optische Sensoren und Vegetationsindizes wurden „bisher vor allem zur Optimierung der Stickstoffdüngung entwickelt“ (dlg.org), weil über Reflexionsdaten enge Zusammenhänge zu Blattgrün (Chlorophyll) und Biomasse bestehen, die auf den N-Status schließen lassen (dlg.org). In der Praxis bedeutet das, mithilfe von NDVI-gestützten Karten oder Sensoren die N-Düngermenge standortangepasst zu steuern. Üppige, dunkelgrüne Bereiche (hoher Index) benötigen eventuell weniger Nachdüngung, während hellere, biomasseschwächere Zonen mehr bekommen, um Ertragsdefizite aufzuholen. Durch solche verteilungsoptimierten Gaben kann der Betrieb entweder Dünger einsparen oder Ertragseinbußen verhindern. Studien zeigen, dass eine bessere Verteilung von Stickstoff oft wichtiger ist als die absolute Reduktion – Ziel ist ein optimal versorgter Bestand ohne Überdüngung (dlg.org). Indizes helfen auch bei der Terminierung: Wenn NDVI/LAI bereits früh stagnieren, könnte eine Düngegabe vorgezogen werden; bei sehr hohem Index und Lagergefahr evtl. etwas reduziert oder mit Stabilisatoren gearbeitet werden. Insgesamt unterstützen Biomasse-Indizes eine präzisere Nährstoffausbringung, was finanziell (Kosten/Nutzen pro kg N) und ökologisch (weniger Verluste) vorteilhaft ist.
• Ertragsprognosen und Erntemanagement:
  Vegetationsindizes ermöglichen es, Erträge abzuschätzen, noch bevor geerntet wird. Schon während der Saison kann anhand der Biomasseentwicklung prognostiziert werden, ob ein guter oder schlechter Ertrag zu erwarten ist. So lassen sich z. B. auf Basis von LAI-Karten und Wachstumsmodellen Ertragsschätzungen für Getreide erstellen (gdi.bmel.de). Die EU-Kommission (JRC) nutzt solche Ansätze seit langem für regionale Prognosen; auf Betriebsebene helfen sie bei der Planung der Erntelogistik (z. B. benötigte Lagerkapazitäten, Absatzmöglichkeiten vorab sondieren). Darüber hinaus erlaubt Fernerkundung die Bestimmung ertragsschwacher Bereiche: Flächen, die konstant niedrige NDVI-Werte aufweisen, liefern wahrscheinlich weniger Ertrag. Ein Landwirt kann diese Gebiete bewusst nachhaltig nutzen, z. B. durch reduzierte Bewirtschaftungsintensität oder Ausgleichsmaßnahmen, um kein Geld in hoffnungslose Zonen zu stecken (gdi.bmel.de). Neben Mengenprognosen spielt auch die Erntezeitpunkt-Optimierung eine Rolle: Ein rapider Absinken des NDVI gegen Saisonende kann auf abreifende Bestände hindeuten, was z. B. den Mähdrusch-Termin beeinflusst. Insbesondere im Grünland werden LAI/Biomasse-Daten bereits genutzt, um den optimalen Schnittzeitpunkt zu ermitteln. Ein BMEL-Pilotprojekt (SattGrün) zeigte, dass mittels Satellitendaten die Aufwuchsmasse auf Wiesen geschätzt werden kann, um Mahdtermine und Düngungszeitpunkte zu optimieren (gdi.bmel.de). Solche Informationen helfen, qualitativ hochwertiges Futter zum richtigen Zeitpunkt zu ernten (Stichwort Energiegehalt im Gras). Summa summarum liefern Biomasse- und LAI-Daten dem Landwirt Frühinformationen über den zu erwartenden Ertrag, was betriebswirtschaftlich für Marktentscheidungen (Vorverkäufe, Einlagerung) und betriebliche Disposition wertvoll ist.
• Bestandsführung und Früherkennung von Stress:
  Durch kontinuierliches Monitoring per Fernerkundung kann der Landwirt seinen Bestand „im Blick behalten“ und frühzeitig auf Unregelmäßigkeiten reagieren. Vegetationsindizes reagieren empfindlich auf Stressfaktoren: Wassermangel, Nährstoffmangel, Krankheitsbefall oder Schädlingsfraß – all das kann zu einem Absinken des NDVI/LAI führen, bevor es mit bloßem Auge flächendeckend sichtbar ist. So wurden spezielle Spektralindizes entwickelt, die z. B. Blattkrankheiten detektieren (etwa der Yellow Rust Index für Gelbrost in Getreide) (gdi.bmel.de). Aber auch der allgemeine Biomasse-Index kann indirekt Hinweise geben: Ein sonst homogener Acker zeigt plötzlich Flecken mit niedrigerem Wert – vielleicht ein Pilzbefall oder Schädlingsnest. Mit solchen Daten lassen sich Pflanzenschutzmaßnahmen gezielt und rechtzeitig einleiten. „Multispektrale Satellitensensoren (Landsat, Sentinel-2, MODIS, Hyperion) haben sich als geeignet erwiesen für die Detektion von biotisch verursachten Ernteverlusten“, wenn charakteristische Spektralindikatoren vorhanden sind (gdi.bmel.de). Praktisch bedeutet das, Indizes helfen, Schadnester einzugrenzen und Befall zu quantifizieren. Ebenso im Trockenjahr: Bleibt der NDVI trotz ausreichender Düngung hinter den Erwartungen zurück, kann das ein Hinweis auf Wassermangel sein. In Bewässerungsbetrieben könnten solche Daten die Beregnungssteuerung beeinflussen (welcher Schlag braucht zuerst Wasser). In den USA etwa werden LAI und Bodenfeuchtedaten kombiniert, um Bewässerungspläne zu optimieren. In Deutschland, wo Beregnung weniger verbreitet ist, hilft es zumindest bei der Schadensabschätzung (z. B. Dürreschäden erkennen für Versicherungen). Insgesamt tragen Indizes zur stetigen Bestandskontrolle bei – man bekommt quasi ein regelmäßiges „Gesundheitszeugnis“ des Feldes und kann Managemententscheidungen darauf abstimmen.
• Unkrautmanagement:
  Ein spezieller Anwendungsfall ist die Erkennung von Unkrautflächen mittels Fernerkundung. Da Unkräuter Konkurrenzpflanzen sind, beeinflussen sie den Vegetationsindex des Bestandes. Dichte Unkrautnester in ansonsten lückigen Kulturen können sogar einen erhöhten NDVI lokal bewirken (viel Grünmasse, aber eben unerwünscht). Umgekehrt weisen sehr niedrige Werte innerhalb einer Kultur bei gleichzeitigem Gutzustand drumherum evtl. auf starke Verunkrautung (z. B. wenn Unkräuter nach Herbizideinsatz absterben und Lücken hinterlassen) hin. Hochauflösende Luftbilder können Unkräuter direkt sichtbar machen. Für den Landwirt bedeutet dies, Unkraut gezielt bekämpfen zu können. Wie schon erwähnt, werden Satellitenbilder mit ≤10 m Auflösung zunehmend dafür genutzt, Unkrautpositionen zu kartieren (gdi.bmel.de). In Kombination mit GPS-Steuerung kann man z. B. beim Spritzen Teilbreiten an- und abschalten (Spot Spraying). Auch mechanische Methoden (Hacke) lassen sich zonal intensiver in Befallsarealen einsetzen. Indizes und Karten helfen somit, Pflanzenschutzmittel und Arbeitszeit nur dort zu investieren, wo es nötig ist, was Kosten reduziert und Umwelt schont.
• Bewirtschaftungsplanung und Dokumentation:
  Darüber hinaus dienen Biomasse- und LAI-Auswertungen als Dokumentations- und Planungsgrundlage. Viele Förderprogramme oder Zertifizierungen verlangen heute Nachweise einer nachhaltigen Bewirtschaftung. Hier können Landwirte z. B. mit LAI-Trends belegen, dass Zwischenfrüchte eine bestimmte Bodenbedeckung erreicht haben (für Erosionsschutzauflagen). Behörden beginnen ebenfalls, Fernerkundungsdaten im Agrarcontrolling zu nutzen (Stichwort Flächenmonitoring in der GAP). Für den Betriebsleiter selbst sind die Daten Gold wert, um Maßnahmen im Rückblick zu bewerten: Wo habe ich vielleicht zu viel gedüngt (erkennbar an sehr hoher Biomasse, aber ggf. Lagergetreide)? Haben meine Spätgaben noch Wirkung gezeigt (bleibt der NDVI länger grün)? Solche Erkenntnisse fließen ins nächste Jahr ein und helfen, den Mitteleinsatz zu optimieren. Nicht zuletzt fördern sie das Verständnis für den eigenen Acker – man lernt die Standortunterschiede besser kennen. In einem BMEL-Projekt wurden z. B. Karten zu Boden-Ertragspotenzialen mit Fernerkundung entwickelt, um Landwirten langfristig eine Grundlage zu geben, Ertragsfähigkeit und Nutzungsintensität ihrer Flächen abzuleiten (gdi.bmel.de).

Wie die obigen Punkte zeigen, sind die Anwendungsmöglichkeiten vielfältig. Ob Düngemanagement, Pflanzenschutz, Bewässerung oder Ernteplanung – nahezu jeder Aspekt des Acker- und Pflanzenbaus kann durch Informationen aus Biomasse- und LAI-Daten verbessert werden. Wichtig ist die Integration in den Entscheidungsprozess des Landwirts: Die Daten allein bringen noch keinen Nutzen, erst deren Umsetzung in konkrete Maßnahmen steigert die Effizienz und Nachhaltigkeit der Bewirtschaftung.

7. Verfügbarkeit der Daten – Plattformen und Quellen (DLG, ESA, BMEL, EU u.a.)

Ein großer Vorteil der heutigen Zeit ist, dass Biomasse- und LAI-Daten immer leichter zugänglich werden. Verschiedene Organisationen und Plattformen stellen solche Daten kostenlos oder kostengünstig bereit, sodass Landwirte und Berater sie unkompliziert nutzen können. Im Folgenden einige wichtige Quellen und Initiativen:

• EU und ESA – Copernicus-Programm:
  Die Europäische Union und die Europäische Weltraumorganisation ESA betreiben gemeinsam Copernicus, ein Erdbeobachtungsprogramm, das freie Satellitendaten liefert. Besonders relevant sind die Sentinel-Satelliten, z. B. Sentinel-2 (optisch, 10 m Auflösung) für Vegetationsindizes. Alle Copernicus-Daten sind open data, d. h. kostenlos, frei verfügbar und von jedem nutzbar (gdi.bmel.de). Die EU stellt z. B. über die Copernicus Land Monitoring Services fertig prozessierte LAI-Produkte zur Verfügung – für Europa gibt es einen täglichen LAI-Datensatz mit 10 m Raster (sdi.eea.europa.eu), der über Webportale abrufbar ist. Die ESA bietet Zugänge wie das Copernicus Open Access Hub oder neue DIAS-Cloud-Plattformen (CREODIAS, Mundi, etc.), wo Nutzer Satellitendaten durchsuchen und herunterladen können. Für Landwirte in Europa besonders interessant: Es gibt spezielle Initiativen, um Copernicus in der Landwirtschaft nutzbar zu machen (z. B. das EU-Projekt NIVA zur Digitalisierung der Agrarförderung). Auch das gemeinsame ESA-NASA-Projekt NISAR (geplant) soll landwirtschaftliche Flächen global vom Pflanzen bis zur Ernte kartieren (jpl.nasa.gov). Die ESA selbst schult zudem in Trainingsprogrammen (z. B. ESA eo4society) den Einsatz von Fernerkundung in der Landwirtschaft, wodurch Wissen und Daten breiter gestreut werden. Kurz gesagt: Europa verfügt über eine Fülle an frei verfügbaren Fernerkundungsdaten, die über entsprechende Portale leicht zugänglich sind und die Berechnung von NDVI, LAI & Co ermöglichen.
• BMEL und nationale Plattformen (Deutschland):
  Das Bundesministerium für Ernährung und Landwirtschaft (BMEL) engagiert sich dafür, dass Fernerkundungsdaten in der Praxis ankommen. „Das BMEL setzt sich dafür ein, dass Satellitendaten dazu beitragen, die Arbeit von Land- und Forstwirtschaft nachhaltiger und effizienter zu gestalten“ (gdi.bmel.de). In Deutschland wurde z. B. das CODE-DE Portal eingerichtet – eine nationale Copernicus-Datenplattform, auf der sämtliche Sentinel-Daten zeitnah, online und kostenlos verfügbar sind (gdi.bmel.de). Über CODE-DE können Landwirte, Berater oder Wissenschaftler die relevanten Satellitenbilder ihrer Region herunterladen. Daneben betreibt das BMEL in Zusammenarbeit mit Forschungseinrichtungen (wie dem Thünen-Institut) Pilotprojekte, um die Daten besser aufzubereiten. Im BMEL-Fernerkundungsprogramm wird etwa der Aufbau von Entscheidungsunterstützungssystemen erwähnt, die praxisnahe Infos aus Satellitendaten liefern (gdi.bmel.de). Außerdem entsteht ein „Zentrales Kompetenzzentrum Flächenmonitoring“ (ZKF) im Zuge der GAP-Umsetzung, das u. a. Landwirte und Verwaltung bei der Nutzung von Satellitendaten unterstützen soll (Stichwort InVeKoS Flächenmonitoring ab 2023). Nationale Forschung wie vom Thünen-Institut sorgt ebenfalls dafür, dass Daten frei zugänglich werden – z. B. wurden im Projekt MonViA Verfahren entwickelt, um die Bodenbedeckung (LAI) aus Sentinel-Daten zu bestimmen und über Webdienste bereitzustellen (agrarmonitoring-monvia.de).
• DLG (Deutsche Landwirtschafts-Gesellschaft):
  Die DLG selbst stellt zwar keine Satellitendaten bereit, aber sie fungiert als Wissensvermittler und Plattform zum Erfahrungsaustausch. In DLG-Merkblättern (wie dem Merkblatt 390 „Optische Sensoren im Pflanzenbau“) werden die Funktionsweisen und Einsatzgebiete von Vegetationsindizes ausführlich beschrieben und der Praxis nahegebracht (dlg.org). Solche Publikationen sind kostenfrei erhältlich und helfen Landwirten, die Daten einzuordnen. Zudem organisiert die DLG Feldtage und Ausstellungen (z. B. DLG-Feldtage, Agritechnica), wo neueste Sensor- und Drohnentechnologien präsentiert werden. Landwirte ohne eigene Datenauswertungskapazität können auf diesen Wegen Dienstleister oder Produkte finden, die zu ihnen passen. Die DLG spielt also eine indirekte Rolle bei der Datenverfügbarkeit, indem sie Brücken zwischen Technik und Praxis baut. Sie arbeitet auch mit in Gremien, die Standards für Datenaustausch setzen (Stichwort ISOBUS, Farm Management Information Systems), was letztlich dazu beiträgt, dass z. B. Biomassekarten problemlos in verschiedene Maschinen importiert werden können.
• Europäische Kommission und EU-Projekte:
  Auf EU-Ebene existieren neben Copernicus weitere Initiativen. Zum einen das MARS-Programm (Monitoring Agricultural ResourceS) des Joint Research Centre, das seit Jahrzehnten Vegetationsindizes für EU-weit Ertragsprognosen auswertet und in Form von regelmäßigen MARS Bulletins veröffentlicht. Diese Informationen sind öffentlich zugänglich und geben einen Überblick über die Vegetationsentwicklung (NDVI-Anomalien) pro Region – für Landwirte als Hintergrundinfo sehr interessant. Zum anderen fördert die EU verschiedene Innovationspartnerschaften (EIP-Agri) und Horizon-2020/Europe-Projekte, die digitale Tools entwickeln. Beispielsweise entstehen Farmmanagement-Plattformen, in denen Fernerkundungsdaten schon integriert sind (etwa das H2020-Projekt EO4Agri). Oft resultieren daraus Open-Source-Software oder öffentlich zugängliche Datendienste. Ein Beispiel: Das EU-Projekt Sen4CAP hat Algorithmen entwickelt, um LAI und Biomasse speziell für die GAP-Anforderungen aufzubereiten; die Ergebnisse (Software, Dokumentation) stehen kostenfrei zur Verfügung und können auch von Beratungsdiensten genutzt werden. Die EU-Kommission stellt zudem über Portale wie EUROSTAT oder data.europa.eu manche aggregierten Fernerkundungsprodukte bereit (z. B. landwirtschaftliche Trockenheitsindizes). Insgesamt kann ein interessierter Nutzer also auf einem reichen Ökosystem an EU-Datenquellen zugreifen – von Rohdaten bis zu veredelten Informationsdiensten.
• NASA und internationale Angebote:
  Auch wenn in der Frage primär EU und deutsche Institutionen genannt sind, sei der Vollständigkeit halber erwähnt, dass internationale Datenquellen ebenfalls verfügbar sind. Die NASA und NOAA (USA) bieten mit Landsat und MODIS jahrzehntelange globale Zeitreihen von NDVI und LAI kostenfrei an. Über die NASA EarthData Plattform können bspw. MODIS-LAI-Datensätze heruntergeladen werden, die alle 8–16 Tage die Blattflächenindex-Entwicklung zeigen. Für Forschung und größere Betriebe mit eigenem GIS sind solche Datensätze interessant, um z. B. das regionale Umfeld oder langjährige Trends zu betrachten. Ebenso gibt es den NASA Earth Observatory mit allgemein verständlichen Beiträgen und Grafiken zum Thema Vegetationsindices (earthobservatory.nasa.gov). Des Weiteren existieren private Dienste (wie Google Earth Engine, PlanetScope, etc.), die teils frei, teils kostenpflichtig ebenfalls Fernerkundungsdaten bereitstellen, oft mit benutzerfreundlichen Oberflächen.

Fazit

Es herrscht heutzutage kein Mangel an Daten – vieles ist öffentlich verfügbar. Die Herausforderung liegt eher darin, die relevanten Infos aus der Datenflut zu filtern und für den eigenen Betrieb nutzbar zu machen. Dank Initiativen von EU, BMEL und anderen werden die Zugangshürden aber kontinuierlich abgebaut. Jeder Landwirt – ob digital aufgerüstet oder konventionell – kann zumindest grundlegende Biomasse- und LAI-Daten seiner Flächen einsehen und davon profitieren. Damit wird deutlich: Biomasse-Indizes und LAI sind in der modernen Landwirtschaft hochrelevante Kenngrößen, und die breite Verfügbarkeit dieser Daten ermöglicht es allen Betrieben, ihre Kulturen genauer zu beobachten und fundierte, praxisnahe Entscheidungen zu treffen – eine Entwicklung, die Effizienz und Nachhaltigkeit der Landwirtschaft weiter voranbringt.