Präzisionslandwirtschaft: Optimierung von Bewässerung und Düngung

Wasser und Dünger werden auf den meisten Flächen gleichmäßig oder nach Gewohnheit ausgebracht, obwohl Boden, Entwicklungsstadium der Kultur und Wetter innerhalb und zwischen Schlägen schwanken. Präzisionssysteme verbinden Bodensensoren, Wetterprognosen, Satellitenbilder und Pflanzenmodelle und berechnen dann, wann und wie viel bewässert und wo wie viel Stickstoff ausgebracht wird. Typische Ergebnisse sind ein geringerer Betriebsmitteleinsatz bei gleichem Ertrag und eine bessere Dokumentation für das Nährstoff- und Wasserrecht; die Gewinne hängen stark von Kultur, Boden und bisheriger Praxis ab.

Problem & Nutzen

• Heute: Die Bewässerung folgt festen Turnussen oder Erfahrung; Stickstoff wird nach Faustregeln auf Schlagebene oder nach Kalender ausgebracht. Überdüngung führt zu Nitratauswaschung und unnötigen Kosten, Unterdüngung kostet Ertrag und Qualität.
• Nutzen durch KI: (1) den Wasserbedarf der Kultur prognostizieren (Evapotranspiration, Bodenwasserbilanz) und die Bewässerung danach planen, (2) den Stickstoffstatus der Kultur während der Saison aus Satelliten-/Drohnenindizes schätzen und teilflächenspezifische Karten für geteilte Gaben erzeugen, (3) harte Grenzen (Entnahmemengen, Pumpenleistung, Nährstoffobergrenzen) über einen Optimierer einhalten.
• Druck in der EU: Die Nitratrichtlinie und nationale Düngeverordnungen (in Deutschland die Düngeverordnung, einschließlich der roten Gebiete mit abgesenkten N-Grenzen) begrenzen Stickstoff; die GAP verlangt die Dokumentation des Nährstoff- und Wassermanagements; Dürrejahre verteuern das Wasser [1][2].
• Belege: Die FAO-Literatur zu AquaCrop und Bewässerungssteuerung zeigt, dass defizitäre und sensorbasierte Steuerung den Wasserverbrauch bei vielen Kulturen senken kann; die Größenordnungen sind versuchsspezifisch, messen Sie daher Ihre eigene Ausgangslage, statt sich auf Herstellerdurchschnitte zu verlassen [3].

Varianten

• Ackerbau (Getreide, Mais, Zuckerrüben, Kartoffeln): teilflächenspezifischer Stickstoff aus Satellitenindizes, geteilte Gaben sowie Steuerung von Kreisberegnung oder Beregnungsmaschinen.
• Gartenbau und Gemüse: Tropfbewässerung und Fertigation mit Bodenfeuchtesonden und Kopplung an das Gewächshausklima.
• Obstbau und Weinbau: geregelte Defizitbewässerung für die Qualität; zonenbasierte Bewirtschaftung.
• Genossenschaften und Beratungsdienste: Ein Dienstleister betreibt eine Plattform für Hunderte Betriebe und liefert Empfehlungen als Beratungsabonnement.
• Öffentlicher Sektor: Wasserbehörden, die Bewässerungsmengen in wasserknappen Einzugsgebieten zuteilen.
• Private Nutzung: intelligente Gartenbewässerung (wetterabhängige Steuerungen) ist eine vereinfachte Variante.

So funktioniert es

1. sensors (soil moisture, EC, weather) + satellite/drone + soil map + machine logs
2. data harmonisation per field/zone (time series, geodata)
3. state estimation (soil water balance, crop stage, N status via vegetation indices)
4. forecast (ET0, rain, crop demand, N uptake) using weather forecasts
5. optimiser (schedule / dose under water permit, pump, nutrient-cap constraints)
6. recommendation (map or schedule)
7. farmer/advisor review
8. actuation (irrigation controller, ISOXML task for spreader/sprayer)
9. feedback from yield and sensors

• Pflanzen- und Bodenmodelle: Mechanistische Modelle (AquaCrop, DSSAT, APSIM) simulieren die Wasser- und N-Dynamik; ML-Modelle (Gradient Boosting, LSTM/zeitliche Transformer) korrigieren oder ersetzen Teile mithilfe lokaler Daten. Hybride „Physik + ML“-Ansätze sind der pragmatische Standard.
• Fernerkundung: Sentinel-2-Indizes (NDVI, NDRE, Chlorophyll-Näherungen) liefern bei klarem Himmel alle paar Tage die Wüchsigkeit der Kultur; Drohnen füllen Lücken und erhöhen die Auflösung.
• Optimierung: lineare bzw. gemischt-ganzzahlige Programme oder modellprädiktive Regelung für Pläne; Reinforcement Learning ist überwiegend in der Forschung und wird zuerst in Simulatoren validiert.
• LLM-Schicht (optional): Ein Assistent erklärt Empfehlungen, entwirft Dokumentation für Behörden und übersetzt Fragen in natürlicher Sprache in Abfragen (siehe OPT-018).
• Mensch-in-der-Schleife (Human-in-the-Loop): Der Landwirt bzw. die Landwirtin genehmigt Ausbringkarten und Bewässerungspläne; autonomes Ansteuern nur innerhalb harter Grenzen (maximale Menge pro Tag, Obergrenze der Wasserrechte).

Datenaufbereitung

Benötigte Daten: Schlaggrenzen, Bodenkarten und -proben, Ertragskarten, Ausbringungsprotokolle, Wetter, Satellitenbilder und Maschinentelemetrie. Sie liegen typischerweise in der Betriebsmanagement-Software, in Maschinenterminals und Herstellerportalen (oft in proprietären Formaten), in Schlagkarteien auf Papier, in Excel-Tabellen sowie bei Beratern oder der Genossenschaft. Typische Lücken: Schlaggrenzen, die zwischen Systemen nicht übereinstimmen, fehlende oder uneinheitliche Ausbringungsprotokolle, Ertragskarten mit Sensorartefakten, Laborergebnisse auf Papier, je Maschinenmarke andere Dateninhaber und unklare Rechte an Maschinendaten.

Schritte der Aufbereitung: 1. Schlaggrenzen einmal als Stammschicht festlegen und überall wiederverwenden. 2. Papier-Schlagkarteien und Laborberichte digitalisieren (PREP-006, PREP-008). 3. Maschinendaten über agrirouter oder Herstellerexporte sammeln (PREP-005, PREP-007). 4. Ertrags- und Sensordaten bereinigen: Ausreißer und Überlappungen entfernen, Tabellen ordnen (PREP-011). 5. Klären, wem die Daten gehören und wer sie nutzen darf, im Einklang mit dem EU-Datengesetz (Data Act).

Werkzeuge: QGIS, Python (geopandas, rasterio), agrirouter, Exporte der Betriebssoftware. Grober Anteil am Aufwand: 40-60 Prozent, und mehrere Jahre Historie verbessern die Ergebnisse; fangen Sie jetzt mit dem Sammeln an.

Umsetzungswege

Welcher Weg für wen

• KMU (Landwirtschaftsbetriebe): A, weil ausgereifte Betriebsmanagement- und Schlagplattformen (xarvio, 365FarmNet, Portale der Maschinenhersteller) zu Preisen für Betriebe verfügbar sind und über Standardschnittstellen an Maschinen anbinden.
• Großunternehmen (Genossenschaften, Agrarhandel, Großbetriebe): B, weil Modelle mit eigenen Schlag-, Maschinen- und Handelsdaten integriert und je Region kalibriert werden müssen.
• Entwickler: C, weil offene Daten (Copernicus, DWD) und Open-Source-Stacks für Pflanzen und Geodaten auf HW1 laufen und Abhängigkeiten vermeiden.
• Öffentlicher Sektor (Beratungsdienste, Forschungseinrichtungen): C, weil souveräne, reproduzierbare Open-Source-Werkzeuge auf deutscher oder EU-Infrastruktur zu öffentlicher Beratung und Förderregeln passen.

Weg A — Kaufen (Standardsoftware)

• Betriebsmanagement- und Schlagplattformen: xarvio (BASF, DE), 365FarmNet (DE), an agrirouter- angebundene Werkzeuge, Climate FieldView (Bayer), John Deere Operations Center, CLAAS/Fendt/Krone Telematik, Trimble Ag, Raven/CNH.
• Bewässerung und Sensoren: Netafim (Orbia) und Lindsay (FieldNET), Valmont, Pessl Instruments / METOS (AT), Sentek, Arable; Hortimax/Priva für den Gartenbau (NL).
• Satelliten und N-Beratung: Farmers Edge, Cropwise, Agricolus (IT), EOS Data Analytics, Sentinel Hub / Planet, nationale Werkzeuge wie N-Sensor ALS (Yara, NO) und Yara Atfarm.
• A wählen, wenn: Standardkulturen, Maschinen mit ISOBUS-Terminals, kein Data-Science-Team.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Dateneingänge: Copernicus Data Space Ecosystem und Sentinel-Hub-APIs (EU), Copernicus Climate Change Service ERA5, offene Wetterdaten von DWD und ECMWF, openEO für cloudbasierte Verarbeitung [4][5].
• Rechenleistung: EU-Regionen von AWS, Azure, Google Cloud oder EU-Anbietern (STACKIT, OVHcloud, IONOS); verwaltete Zeitreihen- und Geodatenbanken (PostGIS, TimescaleDB).
• Solver: OR-Tools, Gurobi oder HiGHS für die Planung; Pipelines mit Airflow orchestriert.
• LLM: ein europäisches oder Frontier-Modell mit EU-Region (Mistral, Claude, Gemini) für Erklärungen, Berichtsentwürfe und Tool-Aufrufe über Betriebsdaten.
• B wählen, wenn: Sie ein Agrartechnik-Anbieter, eine Genossenschaft oder ein Beratungsunternehmen sind und einen Dienst aufbauen.

Weg C — Selbst betreiben (Open Source)

• Pflanzenmodelle: FAO AquaCrop (und AquaCrop-OSPy), DSSAT, APSIM, WOFOST über PCSE (Wageningen) [3].
• Bewässerungswerkzeuge: FAO CROPWAT und pyfao56 (FAO-56, dualer Kulturkoeffizient) für ET-basierte Steuerung.
• Geo und Erdbeobachtung: GDAL, rasterio, STAC-Clients, openEO, Sentinel-2 über den Copernicus Data Space; Betriebsplattformen wie farmOS für Aufzeichnungen.
• ML: scikit-learn, LightGBM, PyTorch; Zeitreihen-Foundation-Modelle wie Chronos oder TimesFM können als Basislinien für Sensorprognosen dienen.
• Edge: Sensor-Gateways auf Raspberry Pi/Industriesteuerungen (ESP32-Knoten, LoRaWAN, MQTT, ChirpStack) mit lokalen Regelkreisen, damit die Bewässerung auch offline weiterläuft.
• Hardware: HW1 genügt; GPU nur für die Segmentierung von Drohnenbildern (HW2).

Weg D — Eigenes Training

Lohnt sich für Großbetriebe, Saatgut- oder Düngemittelunternehmen und Forschungseinrichtungen mit mehrjährigen Ertragskarten und Versuchen. Erfordert mehrere Jahre gelabelter Daten (Ertrag, Bodenanalysen, Ausbringungsprotokolle) je Kultur und Region; Modelle übertragen sich schlecht zwischen Böden und Klimata, beginnen Sie daher mit Simulatoren und verfeinern Sie mit lokalen Daten (Feintuning).

Stand der Technik (2026)

• Hybride Modelle (Zustand des Pflanzenmodells plus ML-Korrektur) schneiden bei kleinen Schlagdatensätzen besser ab als reines ML; satellitengestützte Indizes mit Wetterprognosen steuern den Großteil der N-Beratung während der Saison.
• Sentinel-2 plus Sentinel-1-Radar ermöglichen regelmäßige Bestandsüberwachung auch durch Wolken; die Copernicus-Daten sind im Rahmen des EU-Programms frei und offen, und Copernicus-Foundation-Modelle der Erdbeobachtung (zum Beispiel IBM/NASA Prithvi-EO und von der ESA unterstützte Modelle) werden für die Kartierung von Kulturarten und Stress genutzt [4].
• Sensorgesteuerte Bewässerung ist im Gartenbau und bei hochwertigen Kulturen Standard; im großflächigen Ackerbau breitet sie sich mit LoRaWAN-Sonden und virtuellen Bodenfeuchte-Produkten aus.
• Foundation- und Zeitreihenmodelle verringern den Bedarf an Training je Schlag für Prognosen.
• Grenzen: Satellitenindizes sättigen in dichten Beständen und erfassen N-Effekte in bewölkten Phasen nicht; Bodensonden repräsentieren nur ein kleines Volumen; die Ertragswirkung von N hängt vom Wetter nach der Ausbringung ab, das kein Modell vorhersieht; Empfehlungen variieren je Schlag und Jahr. Datenqualität (Sensordrift, falsche Schlaggrenzen) ist die Hauptfehlerquelle, und Herstellerangaben zu Einsparungen werden selten unabhängig geprüft.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack: Fernerkundungs- und Zeitreihenfähigkeiten, die mit PRED-013 (Ertragsprognose), VIS-021 (Analyse von Satellitenbildern) und PRED-017 (KI-Wettervorhersage) geteilt werden.
• Vorgelagert: VIS-005 (Erkennung von Pflanzenkrankheiten und Bestandsgesundheit aus Bildern), PRED-027 (Hochwasser/Hydrologie) und PRED-044 (Sensorik in der Tierhaltung) teilen sich auf gemischten Betrieben die Sensorinfrastruktur.
• Solver und Energie: OPT-011 (Speichereinsatz) lässt sich kombinieren, wenn das Pumpen mit PV und Batterie läuft; OPT-018 unterstützt Was-wäre-wenn-Analysen in natürlicher Sprache zum Plan.
• Hardware: eine Edge-Gateway-Stufe (HW1) pro Betrieb, eine Cloud-Geodaten-Pipeline für viele Schläge gemeinsam.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis zur Einführung; Abonnement pro Hektar plus Sensoren und ISOBUS-kompatible Hardware; Streuer mit variabler Ausbringung müssen ggf. nachgerüstet werden.
• Weg B: 3–9 Monate für einen produktiven Dienst inklusive Datenanbindungen und agronomischer Prüfung.
• Weg C: eine Saison zur Kalibrierung der Pflanzenmodelle je Region; geringe Lizenzkosten, hoher agronomischer Aufwand.
• Kostentreiber: Installation und Wartung der Sensoren, Konnektivität im ländlichen Raum, Validierung durch Agronomen, Kompatibilität der Maschinen.
• Kennzahlen: Wasserverbrauch je Tonne Ertrag, Stickstoffeffizienz und N-Überschuss (kg/ha), Ertrag und Qualität im Vergleich zu Kontrollflächen, Energie für das Pumpen, Anteil angenommener Empfehlungen, Einhaltung der Nährstoffbilanz.

Menschen & Veränderung

Die Inhaberin bzw. der Inhaber entscheidet über Umfang und Budget; die Betriebs- oder Bereichsleitung ist Prozessverantwortliche; Maschinenführer und Beschäftigte sind die täglichen Anwender und kennen die Flächen am besten, binden Sie sie daher in die Validierung von Karten und Empfehlungen ein. Die IT oder der Landmaschinenhändler kümmert sich um Schnittstellen; Lieferanten (Maschinenhersteller, Plattformanbieter, Lohnunternehmer) müssen nach Datenzugang und Rechten gefragt werden. Betriebsrat: normalerweise nein, weil kleine Betriebe selten einen haben; wo es einen gibt, kann Maschinentelemetrie, die das Verhalten der Maschinenführer erfasst, unter §87 Abs. 1 Nr. 6 BetrVG fallen, unterrichten Sie ihn daher nach §90 Abs. 1 Nr. 3 und vermeiden Sie eine Auswertung auf Ebene einzelner Maschinenführer. Datenschutz: Schlagdaten einer Person können personenbezogene Daten sein; schließen Sie mit der Plattform einen AVV (Art. 28 DSGVO) und beziehen Sie die Datenschutzbeauftragte bzw. den Datenschutzbeauftragten ein, wo es sie gibt. Eine DSFA ist in der Regel nicht erforderlich.

KI-Kompetenz: Unterstützen Sie die Beschäftigten mit kurzen praktischen Einheiten dazu, wie Empfehlungen entstehen und wo sie versagen (KI-Verordnung (AI Act) Art. 4). Starten Sie einen Pilot auf zwei oder drei Schlägen mit einem Kontrollstreifen und vergleichen Sie mit der üblichen Praxis. Typische Sorge: „Der Algorithmus kennt meinen Boden schlechter als ich.“ Begegnen Sie ihr, indem Sie das Ergebnis als Vorschlag behandeln; der Landwirt bzw. die Landwirtin entscheidet und kann übersteuern, und Karten für variable Ausbringung werden vor der Anwendung geprüft.

Siehe GUIDE-009, GUIDE-008 und GUIDE-012.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): in der Regel minimales Risiko; nicht in Anhang III. Eine geschlossene Regelung sicherheitsrelevanter Infrastruktur (zum Beispiel der öffentlichen Wasserversorgung) würde die Einstufung ändern. KI-Kompetenz (Art. 4) gilt. Verbote nach Art. 5 sind nicht einschlägig.
• DSGVO: überwiegend nicht personenbezogen, aber Betriebsdaten, die mit einem namentlich bekannten Landwirt, mit Flurstücken, Subventionen und Maschinentelemetrie verknüpft sind, sind bei Einzelunternehmen personenbezogene Daten; nutzen Sie Verträge und AVV, bevorzugen Sie EU-Hosting.
• EU-Datengesetz (Data Act; anwendbar seit September 2025): gibt Nutzern vernetzter Maschinen Zugang zu den erzeugten Daten und Kontrolle darüber und erleichtert den Anbieterwechsel; prüfen Sie die Übertragbarkeit von Maschinen- und Sensordaten. Der EU-Verhaltenskodex zum Datenaustausch in der Landwirtschaft dient als Orientierung für Verträge [6].
• Umweltvorschriften: Nitratrichtlinie, Wasserrahmenrichtlinie, nationale Düngeverordnungen und GAP-Konditionalität; Empfehlungen dürfen gesetzliche Obergrenzen nie überschreiten; führen Sie eine prüfbare Aufzeichnung dessen, was das Modell vorgeschlagen und was ausgebracht wurde.
• Risiken und Gegenmaßnahmen: übermäßiges Vertrauen in Modellempfehlungen (agronomische Prüfung, Kontrollen auf dem Feld), Anbieterabhängigkeit (offene Formate ISOXML, agrirouter), Sensorausfälle (Plausibilitätsprüfungen, Rückfall auf ET-basierten Plan), Cybersicherheit der Bewässerungssteuerungen (Netzsegmentierung, Updates).

Erste Schritte

1. Sammeln Sie Schlaggrenzen, Bodendaten, frühere Erträge und Dünge-/Bewässerungsprotokolle; legen Sie Ausgangskennzahlen fest.
2. Wählen Sie eine Kultur und 3–5 Pilotschläge mit passenden Kontrollschlägen.
3. Installieren Sie Bodenfeuchtesonden und eine Wetterstation (oder nutzen Sie ein dichtes öffentliches Netz) und binden Sie Sentinel-2-Indizes über eine Plattform aus Weg A oder über Copernicus-Dienste an.
4. Betreiben Sie die Empfehlungen eine Saison lang im Beratungsmodus; vergleichen Sie mit der Praxis des Betriebs.
5. Aktivieren Sie variable Ausbringung oder automatische Bewässerung erst innerhalb der Grenzen von Wasserrechten und Nährstoffen; dokumentieren Sie dies.

Quellen

1. European Commission — Nitrates Directive — https://environment.ec.europa.eu/topics/water/nitrates_en
2. European Commission — CAP and farm sustainability tools — https://agriculture.ec.europa.eu/common-agricultural-policy_en
3. FAO — AquaCrop crop model — https://www.fao.org/aquacrop/en/
4. Copernicus Data Space Ecosystem — https://dataspace.copernicus.eu/
5. openEO — open API for Earth observation processing — https://openeo.org/
6. EU Code of Conduct on agricultural data sharing by contractual agreement — https://copa-cogeca.eu/
7. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
8. Regulation (EU) 2023/2854 (Data Act) — https://eur-lex.europa.eu/eli/reg/2023/2854/oj