Weizenertragsvorhersage mittels integrierter optischer und Radarfernerkundung mit maschinellem Lernen über wichtige phänologische Stadien

Warum das für unsere Ernährungssicherheit wichtig ist

Eine wachsende Welt in einem sich erwärmenden, wasserarmen Klima zu ernähren, hängt davon ab, schon lange vor dem Eintreffen der Mähdrescher zu wissen, wie viel Getreide die Landwirte ernten werden. Diese Studie zeigt, wie Forschende Weizenerträge in einer trockenen Region Irans mithilfe von Satelliten und künstlicher Intelligenz schätzen können und verlässliche Vorhersagen etwa 50 Tage vor der Ernte liefern — früh genug, um Wasser‑ und Düngemitteleinsatz, Handelsentscheidungen und Maßnahmen zur Vermeidung von Engpässen zu steuern.

Eine trockene Ebene unter Druck

Die Arbeit konzentriert sich auf die Ebene von Qazvin, ein wichtiges Weizenanbaugebiet im Norden Irans, das zwar hohe Produktivität aufweist, aber chronisch unter Wassermangel leidet. Die Niederschläge sind gering und unregelmäßig, die Temperaturen hoch, und die Landwirte sind stark auf begrenztes Grundwasser und Bergabfluss angewiesen. In solchen ariden Landschaften ist es riskant, Erträge allein aus vergangener Erfahrung oder einfachen Wetterstatistiken abzuleiten. Traditionelle Pflanzenmodelle erfordern detaillierte Daten zu Böden, Bewirtschaftung und Klima, die oft nicht verfügbar sind. Die Autorinnen und Autoren richteten sich stattdessen auf das, was reichlich vorhanden ist: Satellitenbilder, die Woche für Woche dokumentieren, wie hell und grün die Felder erscheinen.

Vegetationszustand aus dem Weltraum erkennen

Das Team kombinierte optische Bilder der europäischen Sentinel‑2‑Satelliten mit Radaraufnahmen von Sentinel‑1. Optische Sensoren funktionieren wie sehr scharfe Digitalkameras und erfassen das reflektierte Sonnenlicht in mehreren Farben, von Blau bis ins nahe Infrarot. Aus diesen Farbinformationen berechneten sie 16 verschiedene Indikatoren für „Grünheit“ und Feuchte, die Aufschluss über Dichte, Blattigkeit und Wasserstress der Weizenbestände geben. Sie konzentrierten sich auf zwei entscheidende Entwicklungszeitpunkte: das Bestockungsstadium Mitte April, wenn Pflanzen Triebe bilden, die das Ertragspotenzial festlegen, und die Blüte (Anthese) Mitte Mai, wenn die Pflanzen ihre maximale Grünheit erreichen und sich auf die Körnerfüllung vorbereiten.

Mit Radar hören, wenn Licht nicht reicht

Radar von Sentinel‑1 ergänzt mit einer anderen Art von Wahrnehmung. Statt vom Sonnenlicht abhängig zu sein, sendet es Mikrowellenimpulse aus und misst das Echo, das durch Pflanzenstruktur und Feuchte in Vegetation und Boden beeinflusst wird. Das ist besonders nützlich in staubigen, wolkenanfälligen oder spärlich bewachsenen Gebieten, wo optische Signale durch nackten Boden und die Atmosphäre verfälscht werden können. Die Forschenden leiteten einfache radarbasierte Indikatoren aus zwei Polarisationskanälen ab und kombinierten diese mit den optischen Indizes und grundlegenden Geländedaten wie Höhe, Hangneigung und Feldausrichtung.

Maschinen das Ertragsmuster beibringen

Ausgestattet mit satellitengestützten Variablen für 189 gut vermessene Weizenfelder trainierten die Autorinnen und Autoren drei Arten von Computermodellen zur Ertragsvorhersage: eine klassische lineare Regression, eine Support‑Vector‑Machine, die gekrümmte Zusammenhänge erfassen kann, und einen Random‑Forest, der viele Entscheidungsbäume kombiniert. Sie teilten die Daten so auf, dass 70 % zum Training der Modelle und 30 % zur Überprüfung ihrer Leistungsfähigkeit dienten. Über alle Modelle hinweg erwiesen sich die Satellitendaten aus dem Anthese‑Stadium als informativer als jene aus der Bestockung. Das Random‑Forest‑Modell, das nur Sentinel‑2‑ und Geländedaten aus der Anthese nutzte, erzielte die besten Ergebnisse: Es erklärte in den Testfeldern etwa 90 % der Ertragsvariation und lag im Mittel nur um etwa ein Drittel Tonne pro Hektar daneben.

Was den größten Unterschied machte

Bei der Untersuchung, auf welche Eingaben der Random Forest am stärksten setzte, zeigte sich, dass Indizes zur Erfassung von Kronendichte, Vitalität und Wasserstatus das größte Gewicht hatten. Kennwerte, die klassischen „Grünheits“-Indizes ähneln, sowie ein wasserempfindlicher Index gehörten zu den wichtigsten Beitragenden, während rohe Spektralbänder und Geländewerte vergleichsweise wenig beisteuerten. Wurden Radardaten hinzugezogen, verbesserte sich die Anpassung an die Trainingsdaten leicht — ein Hinweis darauf, dass Radar zusätzliche, nützliche Details zu Feuchte und Struktur erfasst —, doch stiegen die Testfehler etwas an. Dieses Muster deutet auf eine moderate Tendenz zum Overfitting hin, bei der das Modell Rauschen aus der Trainingsstichprobe lernt statt allgemeiner Regeln. Dennoch erlaubte die Kombination aller Eingaben den Forschenden, eine detaillierte Ertragskarte der gesamten Ebene zu erstellen, die deutliche Kontraste zwischen Ertragsarmen Flecken und ertragsstarken Zonen offenbart.

Was das für Landwirte und Planer bedeutet

Kurz gesagt zeigt die Studie, dass sorgfältig aufbereitete optische Satellitenbilder, interpretiert mit modernen Methoden des maschinellen Lernens, in einer rauen, wasserarmen Umgebung genaue Ertragsprognosen auf Feldmaßstab liefern können. Radar fügt potenziell wertvolle Nuancen hinzu, konnte in diesem Fall die einfachere rein optische Lösung aber noch nicht übertreffen. Die resultierenden Karten aus der frühen Saison können helfen, knappe Bewässerungsressourcen und Dünger dort zu lenken, wo sie am meisten wirken, gefährdete Gebiete zu markieren, bevor Verluste gravierend werden, und die regionale Lebensmittelversorgung besser zu planen. Obwohl die Untersuchung eine iranische Ebene und eine einzelne Saison behandelt, bietet der Ansatz eine Blaupause dafür, wie weltraumgestützte Überwachung und künstliche Intelligenz die Ernährungssicherheit in trockenen Regionen weltweit stärken können.

Zitation: Navidi, M.N., Fazli, E., Kharazmi, R. et al. Wheat yield prediction using integrated optical and radar remote sensing with machine learning across key phenological stages. Sci Rep 16, 10470 (2026). https://doi.org/10.1038/s41598-026-41501-7

Schlüsselwörter: Weizenertragsvorhersage, Fernerkundung, Satellitenlandwirtschaft, maschinelles Lernen, trockene Regionen