Predicting Wheat

Ziel dieses Projekts ist es, den Weizenertrag auf Landkreisebene mithilfe von Deep Learning und Erdbeobachtungsdaten vorherzusagen. Das Projekt stützt sich in erster Linie auf Sentinel-Satellitenbilder, da diese eine hohe zeitliche und räumliche Auflösung aufweisen, was eine kontinuierliche Überwachung landwirtschaftlicher Flächen während der gesamten Vegetationsperiode ermöglicht.

Die Ertragsvorhersage auf Landkreisebene ist besonders schwierig, da detaillierte Ertragsangaben auf Feldebene in der Regel nicht verfügbar sind, während nationale Statistiken zu grob sind, um regionale Schwankungen zu erfassen. Dieses Projekt zielt darauf ab, diese Forschungslücke zu schließen, indem Modelle entwickelt werden, die trotz schwacher räumlicher Supervision Ertragsmuster auf Landkreisebene aus Satellitenbeobachtungen lernen können.

Im Gegensatz zur retrospektiven Ertragsschätzung liegt der Schwerpunkt dieses Projekts auf der prospektiven Vorhersage – der Vorhersage des zukünftigen Weizenertrags vor der Ernte. Solche Vorhersagen könnten die landwirtschaftliche Überwachung, Bewertungen der Ernährungssicherheit und Marktanalysen unterstützen.

Das Projekt zielt darauf ab, mehreren Gruppen einen Mehrwert zu bieten:

• Entscheidungsträger in der Agrarpolitik – verbesserte Überwachung der regionalen Pflanzenproduktion sowie frühzeitige Identifikation potenzieller Risiken für die Ernährungssicherheit.
• Lieferketten- und Marktanalysten – frühere Ertragsschätzungen als Grundlage für Logistik- und Preisentscheidungen.
• Landwirte und Genossenschaften – Vergleich regionaler Ertragstrends und -abweichungen.

Projektlaufzeit

01.12.2025 bis (voraussichtlich) 01.10.2026

Einsatz von CODE-DE-Lab im Projekt

CODE-DE-Lab wird insbesondere für die Vorverarbeitung und Reduktion großer Satellitendatensätze für den Datendownload genutzt. Dabei kommen sowohl Sentinel- als auch Landsat-Daten zum Einsatz.

Der Zugriff auf leistungsfähige virtuelle Maschinen ermöglicht es, neben der eigentlichen Verarbeitung der Satellitendaten auch weitere rechenintensive Arbeitsschritte direkt auf der Infrastruktur von CODE-DE-Lab durchzuführen. Dadurch wird die Abhängigkeit von den Ressourcen der lokalen Hardware deutlich reduziert und die effiziente Verarbeitung großer Datenmengen unterstützt.

Weitere Informationen zum Forschungskontext finden sich auf der Website des Lehrstuhls Embedded Systems and Sensors for Earth Observation (ESSEO) der Julius-Maximilians-Universität Würzburg: https://www.informatik.uni-wuerzburg.de/esseo/research/

Die Abbildungen zeigen die räumliche Datenreduktion vor dem eigentlichen Datendownload. Zunächst wird ein vollständiger County mit Sentinel- und Landsat-Daten betrachtet und in ein regelmäßiges 1-km-Raster unterteilt. Anschließend werden nur die Zellen beibehalten, die Weizenflächen enthalten. Innerhalb dieser Zellen werden wiederum ausschließlich die als Weizen klassifizierten Satellitenpixel verwendet. Dadurch lässt sich ein gesamter County auf eine vergleichsweise kleine Menge relevanter, weizenspezifischer Satellitendaten reduzieren, die anschließend für die Merkmalsextraktion und Ertragsvorhersage genutzt werden.