Optimierung der Standortwahl für Bonituren mittels UAV-gestützter Klassifikation von Minderertragsflächen

Kurzfassung

In der modernen Landwirtschaft gewinnt drohnenbasierte Fernerkundung vermehrt an Bedeutung und führt dazu, dass gängige Praktiken überdacht und weiterentwickelt werden. Eine dieser ist die Bonitur im Pflanzenbau, bei der typischerweise mit Stichproben der aktuelle Zustand einer Feldfläche eingeschätzt wird. Diese klassische Durchführung ist zeitintensiv, subjektiv und aufgrund der geringen Stichprobenanzahl oft wenig repräsentativ. Während aktuelle Forschungsansätze eine vollständige Automatisierung der Bonituren anstreben, gehen dabei oft wertvolle Erkenntnisse verloren, die Experten bei der physischen Feldbegehung gewinnen. Darum werden in dieser Arbeit die Vor- und Nachteile beider Methoden kombiniert, indem konventionelle Bonituren mithilfe von Fernerkundungsdaten repräsentativer und effizienter gestaltet werden. Dafür wird anhand einer Sampling-Strategie ermittelt, welche Punkte bei der Feldbegehung besucht werden sollten.

Dafür wird zuerst mithilfe multispektraler Drohnendaten und in-situ-Informationen ein Random Forest trainiert, mit welchem Minderertragsflächen klassifiziert werden. Die Modellergebnisse dienen anschließend als Grundlage für eine Sampling-Strategie für Bonituren. Diese umfasst zwei Ansätze: ein Sampling des gesamten Feldes, welches vor allem bei geringem Vorwissen über die Fläche von Vorteil ist, und ein Sampling innerhalb eines repräsentativen Feldbereiches, bei dem die Zeiteinsparung im Vordergrund steht. Bei beiden Ansätzen wird durch die geringe Stichprobenzahl der Arbeitsaufwand stark reduziert, während die Merkmale im Feld trotzdem bestmöglich repräsentiert sind. Das Modell und die entwickelte Strategie können mit geringen Anpassungen auch auf andere Fachbereiche wie unter anderem die Forstwirtschaft, Bodenkunde oder das Umweltmonitoring übertragen werden.