Ertragsprognose (Landwirtschaft & Produktionsprozesse)

Wie viel wird dieses Feld, diese Region oder diese Charge erbringen? Landwirte, Genossenschaften, Lebensmittelverarbeiter, Händler, Versicherer und Agrarbehörden planen mit Erntemengen, die erst am Ende der Saison bekannt sind. Werke planen mit Titern und Linienausbeuten, die erst nach der Charge feststehen. Die Ertragsprognose verbindet Fernerkundung, Wetter-, Boden- und Bewirtschaftungsdaten (oder Prozess-Sensordaten) mit maschinellem Lernen und, wo verfügbar, mechanistischen Pflanzen- oder Prozessmodellen. Das Ergebnis ist eine unterjährige Prognose mit Unsicherheitsband, die sich im Verlauf der Saison oder der Charge verbessert. Der Nutzen entsteht durch frühere, besser informierte Entscheidungen zu Betriebsmitteln, Verträgen, Logistik und Eingriffen, nicht durch das Modell selbst.

Problem & Nutzen

• Heute (Landwirtschaft): Landwirte schätzen aus Erfahrung und bei Feldbegehungen. Genossenschaften und Verarbeiter (Zucker, Kartoffeln, Gemüse) führen Probeernten durch. Behörden kombinieren Erhebungen, Pflanzenmodelle und Expertenurteil. Das EU-eigene MARS Crop Yield Forecasting System (MCYFS) läuft seit 1992 und verbindet Satellitendaten, Wetterbeobachtungen und -vorhersagen, Pflanzenwachstumsmodellierung, Statistik und Expertenwissen. Es veröffentlicht monatliche nationale Ertragsprognosen für die EU und ihre Nachbarschaft im JRC MARS Bulletin [1].
• Heute (Produktion): Werke erfahren die Ausbeute erst am Ende der Charge oder nach der Endprüfung.
• KI-Nutzen: frühere und feiner aufgelöste Prognosen (Feld oder Zone statt Land, Mitte der Saison statt nach der Ernte). Sie unterstützen Terminverkäufe, Vertragsmengen, Ernte- und Transportlogistik, Entscheidungen zu Betriebsmitteln (Stickstoff, Bewässerung) sowie Versicherung und Schadenbewertung. In der Produktion ermöglicht die Prognose des Chargen- oder Losergebnisses, solange die Charge noch läuft, korrigierende Eingriffe oder einen frühen Abbruch.
• Die Belege sind gemischt, keine Zauberei: In einer begutachteten Studie zu Weizen, Gerste, Sonnenblumen, Zuckerrüben und Kartoffeln in NL, DE und FR erreichte eine generische ML-Basislinie zu Saisonbeginn bei vielen Kultur-Land-Paaren das Niveau von MCYFS (z. B. NRMSE 8,21 gegenüber 8,79 bei Zuckerrüben in Deutschland). Bei anderen war sie etwa doppelt so schlecht (z. B. Weichweizen in Deutschland), und zum Saisonende war sie in DE und FR schlechter als MCYFS [2]. Die eigene Arbeit des JRC zu ML mit kleinen Datenmengen kommt zum selben Ergebnis: Der Gewinn hängt von Kultur und Region ab [3]. Planen Sie den hybriden Ansatz (Pflanzenmodell + ML + Experte), nicht „KI ersetzt Agronomie".

Varianten

• Betriebs-/Feldebene (KMU): Zonenkarten und unterjähriges Ertragspotenzial aus Satelliten-Biomasse innerhalb von Farm-Management-Software, genutzt für teilflächenspezifische Aussaat und Düngung (mit OPT-014).
• Vertragsanbau & Verarbeiter: Zucker-, Kartoffel-, Gemüse- und Weinverarbeiter prognostizieren die Liefermenge der unter Vertrag stehenden Flächen, um Fabrikkampagnen und Logistik zu planen.
• Regional / national (öffentlicher Sektor): Ministerien, Statistikämter und das JRC der EU erstellen amtliche Ernteprognosen. Entwicklungsagenturen betreiben Frühwarnsysteme zur Ernährungssicherung (siehe PRED-040).
• Rohstoffhandel & Finanzen: Händler und Banken erstellen Angebotsprognosen auf Länderebene (speist PRED-008). Agrarfinanzierer und parametrische/Index-Versicherer nutzen Ertragsmodelle für Risiko- und Schadenbewertung (PRED-010, PRED-036).
• Grünland & Gewächshaus: Futterertrag (z. B. LINGRA-Modell [5]) für Milchviehbetriebe; Gewächshausertrag aus Klimacomputer- und Kameradaten für Verkaufszusagen.
• Produktionsprozesse: Chargen-Titer-/Ausbeuteprognose in Bioprozessen und Fermentation, Ausbeute chemischer Chargen, Ausbeute von Lebensmittellinien (Verschnitt, Übergewicht) sowie Die-/Wafer-Ausbeute in der Halbleiterfertigung. Die Analyse von Wafer-Map-Mustern gehört zu VIS-056. Die kontinuierliche Qualitätsprognose (Soft-Sensoren) gehört zu PRED-014. Die Optimierung von Sollwerten gehört zu OPT-009.
• Privatnutzung: über kostenlose Apps hinaus nicht sinnvoll.
• Nicht Teil dieses Anwendungsfalls: Die Vorhersage von Zuchtwerten und Sortenleistung ist ein eigener Anwendungsfall (SCI-020).

So funktioniert es

1. Feldgrenzen + Anbaukultur/Kalender (z. B. ESA WorldCereal)
2. Satelliten-Zeitreihen (Sentinel-2/HLS optisch, Sentinel-1 SAR)
3. Wolkenmaskierung
4. Indizes/Embeddings
5. Wetter (beobachtet + Vorhersage/saisonal), Boden, Bewirtschaftungsdaten
6. Merkmale bis zum Prognosedatum (kein Blick in die Zukunft!)
7. Modell: Pflanzensimulation (WOFOST/PCSE) und/oder ML (Gradient Boosting, TabPFN, zeitliche Deep Nets, Embeddings von EO-Foundation-Modellen)
8. kalibrierte Prognose + Vorhersageintervall, aggregiert Feld
9. Betrieb
10. Region
11. Prüfung durch Agronom/Analyst
12. monatliche/wöchentliche Aktualisierung bis zur Ernte
13. Abgleich mit Istwerten, Nachtrainieren

• Die Referenzdaten (Ground Truth) sind der Engpass. Sie benötigen regionale Ertragsstatistiken (Eurostat, nationale Ämter), (bereinigte) Ertragskarten von Mähdreschern oder die Lieferdaten eines Verarbeiters. Ohne mehrere Saisons davon lässt sich kein Modell validieren.
• Mechanistisch vs. ML: Pflanzenmodelle (WOFOST über PCSE [5]) bilden die Physiologie ab und extrapolieren bei ungewöhnlichem Wetter besser. ML-Modelle lernen lokale Muster und korrigieren systematische Verzerrungen. Übliche Hybride speisen Ausgaben von Pflanzenmodellen in ein ML-Modell oder nutzen ML, um Parameter des Pflanzenmodells zu schätzen.
• Produktionsvariante: Sensorverläufe der Charge + Rezeptur + Rohstoffeigenschaften → multivariates Modell (PLS/MSPC) oder Gradient-Boosting-/Zeitreihenmodell → vorhergesagte Ausbeute am Chargenende + Beiträge. Dies läuft in Echtzeit während der Charge, mit Warnmeldungen an das Bedienpersonal (z. B. Sartorius SIMCA-online [11]).
• Mensch-in-der-Schleife (Human-in-the-Loop): Agronomen oder Verfahrensingenieure prüfen Prognosen, bevor sie Verträge, amtliche Statistiken oder Chargenentscheidungen bestimmen. Experten passen Prognosen nach Extremereignissen (Hagel, Überschwemmung) an, die in den Daten noch nicht erfasst sind.

Datenaufbereitung

Hier treffen zwei Datenwelten aufeinander. Der landwirtschaftliche Einsatz benötigt Satelliten-Zeitreihen, Wetter-, Boden- und Kulturkarten, die überwiegend öffentlich sind (Copernicus, AgERA5) und vom KMU selbst nicht bereinigt werden müssen. Schwierig sind die eigenen Referenzdaten: Mähdrescher-Ertragskarten, Feldgrenzen, Aussaatdaten, Sorten und Düngeaufzeichnungen. In einem Betrieb oder einer Genossenschaft liegen diese in Farm-Management-Software, Maschinenterminals (ISOXML-Exporten), Excel-Tabellen, handschriftlichen Feldbüchern und den Unterlagen des Steuerberaters. Für die Produktionsausbeute sind die Quellen Historian, MES, LIMS und ERP-Chargenprotokolle.

Typische Lücken: Ertragskarten mit Sensorfehlern und Ausreißern, geänderte Feldgrenzen, Kulturnamen als Freitext, fehlende Aussaatdaten, Chargendaten ohne gemeinsame Chargen-ID über die Systeme hinweg und eine zu kurze mehrjährige Historie.

Schritte: Aufzeichnungen sammeln und exportieren (PREP-005), handschriftliche Feldbücher erfassen oder digitalisieren (PREP-006), Kultur- und Sortennamen vereinheitlichen (PREP-015), Feld- und Chargen-IDs abgleichen, Ausreißer der Mähdrescher bereinigen und einen Rückvergleichs-Datensatz aus vergangenen Saisons aufbauen (PREP-018). Werkzeuge: QGIS, Python (pandas, rasterio), Excel Power Query oder ein Export aus der Farm-Management-Software. Reifegrad: siehe GUIDE-003 und DATA-007.

Rechnen Sie damit, dass etwa die Hälfte bis zwei Drittel des Gesamtaufwands auf Datenerhebung und Bereinigung entfällt; das Modell selbst ist der kleinere Teil. Der Kauf einer Plattform (Weg A) verlagert einen großen Teil davon auf den Anbieter, aber Feldgrenzen und Historie liefern weiterhin Sie.

Umsetzungswege

Welcher Weg für wen

• smb (Betriebe, Genossenschaften, mittelgroße Verarbeiter): A. Ausgereifte Agrarplattformen mit EU-Hosting verkaufen feldgenaue Prognosen je Hektar, und der Ablauf ist standardisiert.
• enterprise (Händler, Versicherer, große Werke): B. Die Prognose muss in Ihre eigenen Preis-, Risiko- und Planungssysteme einfließen, daher kombinieren Sie EO-Plattformen und Cloud-ML mit Ihrer eigenen Historie.
• developer: C. Offene Daten (Copernicus, ERA5) und offene Benchmarks wie CY-Bench machen eine selbst betriebene Basislinie günstig und nachvollziehbar.
• public (Behörden, Ministerien): C. Souveränität, Vergaberecht und die Nachnutzung öffentlicher EO-Daten sprechen für Open-Source-Modelle in einer souveränen EU- oder deutschen Cloud.

Weg A — Kaufen (Standardsoftware) — empfohlen für Betriebe, Genossenschaften, mittelgroße Verarbeiter

• Farm-Management- & Precision-Ag-Plattformen: xarvio FIELD MANAGER (BASF Digital Farming, DE), CLAAS connect (DE). Beachten Sie, dass 365FarmNet am 30. Nov. 2026 eingestellt wird und die Nutzer zu CLAAS connect migriert werden [9]. Ebenso John Deere Operations Center und Climate FieldView (Bayer) sowie OneSoil (Produktivitätszonen, VRA-Karten, NDVI) [10]. Sie bieten Zonen-/Biomassekarten und die Verarbeitung von Ertragsdaten. Prüfen Sie, ob sie eine echte Ertragsprognose liefern oder nur Vegetationsindizes.
• Daten- & Analyseanbieter: Planet Planetary Variables, z. B. tägliche 10-m-Pflanzenbiomasse und 1-km-Bodenwassergehalt [8]. Regionale und Rohstoff-Prognoseanbieter bedienen Händler und Versicherer. Auf Copernicus basierende Dienstleister aus der EU sind im Copernicus-Ökosystemverzeichnis aufgeführt [7].
• Produktion: Sartorius SIMCA / SIMCA-online zur Chargenüberwachung und Ergebnisprognose in Bioprozessen [11]. PDF Solutions Exensio für die Analytik in der Halbleiterfertigung (ML-basierte Fehlervermeidung, vorausschauende Qualitätsprüfung, Datenweitergabe an Folgeschritte) [12].
• Wählen Sie A, wenn: Sie Entscheidungen auf Feldebene brauchen, aber kein eigenes Prognoseprodukt. Fragen Sie den Anbieter nach Validierungsergebnissen für Ihre Kulturen und Ihre Region.

Weg B — Auf Cloud-KI-Diensten aufbauen / EO-Plattformen

• Datenzugang: Das Copernicus Data Space Ecosystem bietet kostenlose Sentinel-Daten mit STAC, openEO, Sentinel-Hub-APIs und gehostetem JupyterLab (in der EU betrieben) [7]. Kommerzielle Bild- und Biomasse-APIs liefert Planet [8]. Das ESA-WorldCereal-Verarbeitungssystem und seine globalen 10-m-Kulturartenkarten liefern Anbaumasken [6].
• Modellierung: verwaltetes ML in EU-Cloud-Regionen (Azure ML, Vertex AI, SageMaker in Frankfurt; STACKIT, OVHcloud, IONOS für EU-souveränes Hosting) mit Gradient Boosting oder AutoML. Zeitreihen- Foundation-Modelle mit Kovariaten-Unterstützung (Chronos-2, Apache-2.0 [14]) eignen sich für regionale Prognosen im Stil von Zeitreihen.
• LLMs sind nur eine Berichtsschicht (Prognosetext), nicht das Prognosemodell.
• Wählen Sie B, wenn: Sie eine Genossenschaft, Behörde, ein Versicherer oder Händler sind und eine eigene Prognose über viele Felder oder Regionen aufbauen.

Weg C — Selbst betreiben (Open Source)

• Daten & Verarbeitung: openEO (selbst betreibbar), STAC-Werkzeuge, odc-stac/xarray, Sentinel-2 L2A mit Wolkenmasken.
• Modelle: LightGBM/XGBoost und TabPFN v2 (Prior Labs GmbH, Freiburg). Neuere TabPFN-2.5–3.5- Gewichte stehen unter nicht-kommerziellen Lizenzen, prüfen Sie daher die Bedingungen vor dem Produktiveinsatz [13]. Außerdem Chronos-2 für Zeitreihen [14] sowie die Pflanzenmodelle PCSE/WOFOST und LINGRA [5].
• Geodaten-Deep-Learning: TorchGeo (MIT, vortrainierte Multispektral-Gewichte) [15]. Prithvi-EO-2.0 (IBM/NASA/Jülich, Apache-2.0, 300 Mio.–600 Mio. Parameter, multitemporale HLS-Eingabe, mit einem Feintuning-Beispiel zur Kultur-Segmentierung) [4].
• Referenzcode: JRC ml4cast-ml (regionale Ertragsprognose aus ASAP-Satelliten- und meteorologischen Zeitreihen) [3]. CY-Bench mit der Bibliothek cybench und Basislinien [16].
• Hardware: HW1 (CPU-Server) genügt für tabellarische/GBM- und Pflanzenmodell-Pipelines im regionalen Maßstab. HW2 (eine GPU mit 24–32 GB) wird für das Feintuning von EO-Foundation-Modellen oder für Deep Nets auf Pixelebene über große Flächen benötigt. Speicher und Handhabung der EO-Daten kosten meist mehr Aufwand als Rechenleistung.

Weg D — Eigenes Training

Dieser Weg lohnt sich für Behörden, große Verarbeiter, Versicherer und Agritech-Anbieter mit mehrjährigen Referenzdaten. Beispiele: Prithvi-EO-2.0 oder ein zeitliches Netz auf Sentinel-Zeitreihen feintunen, mit Ihren eigenen feldgenauen Erträgen als Labels. Oder hybride Systeme aus Pflanzenmodell + ML je Kultur und Region trainieren. Sie benötigen mindestens 5–10 Saisons regionaler Statistik oder mehrere tausend Feld-Saisons bereinigter Ertragsmonitor-Daten sowie Bewirtschaftungsaufzeichnungen. Für Produktionsausbeuten trainieren Sie je Prozessfamilie auf Hunderten historischer Chargen mit vollständigen Sensorverläufen. Trainieren Sie jede Saison neu, denn Sorten, Klima und Praktiken driften.

Stand der Technik (2026)

• Benchmarks: CY-Bench (AgML/AgMIP, v1.0 2026) standardisiert die subnationale Ertragsprognose für Mais und Weizen in der EU und mehr als 10 weiteren Ländern. Prädiktoren sind AgERA5-Wetter, GLDAS-Bodenfeuchte, FAPAR, NDVI und WISE-Boden, mit Anbaumasken aus ESA WorldCereal. Die Prognosen werden unterjährig erstellt und mit NRMSE, MAPE und R² bewertet [16].
• Foundation-Modelle: EO-Foundation-Modelle (Prithvi-EO-2.0, mit TorchGeo vortrainierte Backbones) liefern starke Embeddings bei wenigen gelabelten Daten [4][15]. Tabellarische Foundation-Modelle (TabPFN) und Zeitreihen-Foundation-Modelle mit Kovariaten (Chronos-2, veröffentlicht im Okt. 2025) sind ernstzunehmende Basislinien für regionale Prognosen mit kleiner Datenbasis [13][14].
• Praxis im Betrieb: Amtliche Systeme wie das JRC MARS MCYFS bleiben hybrid. Statistische und pflanzenmodellbasierte Prognosen werden von Analysten geprüft, und KI/ML wird erprobt und schrittweise eingeführt [1].
• Grenzen & Fehlerbilder: Extremjahre (Dürre, Hagel, Überschwemmung), auf die es am meisten ankommt, sind in den Trainingsdaten selten. Wolkenlücken in optischen Aufnahmen treten genau in den kritischen Wachstumsphasen auf. Ertragsstatistiken sind verrauscht und hinken ein Jahr hinterher. Ertragskarten von Mähdreschern müssen aufwendig bereinigt werden. Räumliche und zeitliche Datenlecks in der Validierung machen viele veröffentlichte Genauigkeiten zu optimistisch, validieren Sie daher immer mit Leave-one-year-out. In einer Region trainierte Modelle lassen sich schlecht auf eine andere übertragen.

Gemeinsame Bausteine & Kombinationen

• Gleicher EO-Stack (Fernerkundung + Sentinel-Pipeline + Anbaumasken): VIS-021 Analyse von Satellitenbildern, VIS-005 Erkennung von Pflanzengesundheit, OPT-014 Optimierung von Bewässerung und Düngung, PRED-036 physische Klimarisiken. Eine Copernicus/openEO-Datenpipeline und eine GPU (HW2) können alle bedienen.
• Gleiche Wettereingaben: PRED-017 KI-Wettervorhersage liefert die Prognose-Kovariaten. PRED-007 (erneuerbare Energien) nutzt dieselbe Wetter-/Zeitreihen-Infrastruktur.
• Gleicher Tabellen-/Zeitreihen-Stack: PRED-001 Bedarfsprognose (Verarbeiter planen Annahme und Verkauf anhand prognostizierter Erträge), PRED-008 Rohstoffpreisprognose, PRED-010 Versicherungspreisbildung, PRED-044 Nutztiere und Futter.
• Produktionsseite: PRED-014 Soft-Sensoren und HLTH-029 GMP-Chargenprüfung teilen sich den Prozess-Historian und die Chargendaten. OPT-009 nutzt den vorhergesagten Ertrag als Zielgröße für die Parameteroptimierung. VIS-056 deckt Fehlermuster in Wafer-Maps ab. PRED-006 vorausschauende Wartung teilt sich die Sensor-Pipeline.
• Angrenzend: ROBO-007 Ernteroboter; SCI-020 genomische Vorhersage (Sorten-Priors).

Aufwand, Kosten & Kennzahlen

• Weg A: Tage bis Wochen für das Onboarding der Felder. Die Kosten fallen typischerweise je Hektar oder als Abonnement je Betrieb an. Der Nutzen hängt von der agronomischen Nachbetreuung ab.
• Weg B/C: 3–9 Monate für ein erstes regionales System. Der meiste Aufwand entfällt auf Erhebung und Bereinigung der Referenzdaten, den Aufbau der EO-Pipeline und den Rückvergleich über mehrere vergangene Saisons. Die laufenden Kosten sind gering: Copernicus-Daten sind kostenlos, und CPU-/GBM-Modelle sind günstig.
• Weg D: 6–18 Monate mit EO-/ML- und Agronomie-Fachleuten.
• Kennzahlen: Prognosefehler (NRMSE, MAPE) gegenüber naivem Trend und gegenüber der bestehenden Expertenprognose, zu jedem Prognosezeitpunkt (früh, mittig und spät in der Saison). Abdeckung des Vorhersageintervalls. Verzerrung in Extremjahren. Entscheidungskennzahlen: Genauigkeit der Vertragsmengen, Logistikkosten, Stickstoffeinsatz je Tonne und bei Produktions- chargen der vermiedene Ausschuss bzw. Nacharbeit sowie die Trefferquote beim frühen Abbruch.

Menschen & Veränderung

Beginnen Sie mit der Geschäftsleitung (Budget, Ziel) und der Abteilungsleitung (Betriebsleiter, Werksleiter) als Prozessverantwortlichen. Beziehen Sie Endnutzer wie Agronomen, Landwirte oder Verfahrensingenieure ab dem ersten Workshop ein, denn ihr Feldwissen bestimmt, welche Prognose nützlich ist. IT und die Dateneigner (Farm-Management-Software, Historian, ERP) klären Exporte und Zugriffe. Lieferanten oder Vertragslandwirte müssen zustimmen, wenn ihre Daten verwendet werden.

Betriebsrat: in der Regel nein, weil das System Kulturen oder Chargen prognostiziert und keine Personen überwacht. §87(1) Nr. 6 BetrVG wird erst relevant, wenn Bediener-IDs oder Schichtdaten im Datensatz enthalten sind oder wenn die Ergebnisse zur Beurteilung von Mitarbeitenden genutzt werden. Auch dann verlangt §90(1) Nr. 3 eine rechtzeitige Unterrichtung, wenn Arbeitsverfahren mit KI geplant werden. Ein Unternehmen mit gewähltem Betriebsrat sollte diesen einfach frühzeitig informieren. Öffentliche Stellen beteiligen den Personalrat.

Datenschutz: Felddaten einzelner Landwirte können personenbezogene Daten sein. Prüfen Sie die Rechtsgrundlage und einen AVV mit jedem Plattformanbieter (GUIDE-005) und beziehen Sie die/den Datenschutzbeauftragte(n) ein. KI-Kompetenz: Unterstützen Sie die Mitarbeitenden mit einer kurzen Schulung zur Prognoseunsicherheit, denn die KI-Verordnung (AI Act) Art. 4 verlangt Maßnahmen zur Förderung der KI-Kompetenz (GUIDE-006).

Starten Sie einen Pilot mit wenigen Feldern oder einer Linie für eine Saison, vergleichen Sie Prognose und Ergebnis offen und lassen Sie Experten übersteuern. Typischer Einwand: „Das Modell kennt mein Feld nicht." Begegnen Sie ihm mit Rückvergleichen und Unsicherheitsbändern und lassen Sie die Entscheidung über Aussaat, Einkauf und Verkauf beim Menschen. Siehe GUIDE-009 und GUIDE-008.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko in der typischen Form. Ertragsprognose ist keine Kategorie nach Anhang III, und eine Prognose des Feld- oder Chargenertrags ist keine Sicherheitskomponente nach Anhang I. Die Pflicht zur KI-Kompetenz (Art. 4) gilt. Hochrisiko wird sie nur durch die nachgelagerte Nutzung: z. B. wenn die Prognose ein Haupt- eingangswert für die Kreditwürdigkeitsprüfung natürlicher Personen ist (ein Landwirt als Einzelunternehmer, Anhang III 5(b)) oder für Risikobewertung und Preisbildung in der Lebens- oder Krankenversicherung. Die Ernteversicherung ist nicht aufgeführt. Öffentliche Stellen, die Prognosen zur Vergabe von Subventionen oder Beihilfen nutzen, sollten Anhang III 5(a) prüfen [17].
• DSGVO: Satellitendaten zu einem Feld und Ertragskarten eines Familienbetriebs können personenbezogene Daten sein, weil das Feld mit einem identifizierbaren Landwirt verknüpft ist (Kataster-/InVeKoS-Parzellen). Sorgen Sie für eine Rechtsgrundlage, Auftragsverarbeitungsverträge mit Plattformen und Zweckbindung, wenn Genossenschaften oder Kreditgeber Daten weiternutzen. Produktionsdaten sind in der Regel nicht personenbezogen, außer Bediener-IDs in Chargenprotokollen.
• Data Act (Verordnung (EU) 2023/2854, anwendbar seit Sept. 2025): Landwirte haben ein Recht auf Zugang zu den Daten, die ihre vernetzten Maschinen (Traktoren, Mähdrescher) erzeugen, und auf deren Weitergabe. Das erleichtert das Sammeln von Ertragskarten über Marken hinweg [18].
• Branchenregeln: GMP (EU-GMP-Annex 11, Datenintegrität) gilt, wenn Ertragsprognosen Chargenentscheidungen in der Pharmaproduktion beeinflussen. Validieren Sie das Modell als computergestütztes System. Amtliche Statistiken folgen statistischen Qualitätskodizes. Lassen Sie niemals ein Modell den gemessenen Ertrag in der Berichterstattung ersetzen.
• Risiken: Übervertrauen in Extremjahren (Unsicherheit veröffentlichen), Marktempfindlichkeit nationaler Prognosen, Anbieterbindung (Lock-in) bei Betriebsdaten.

Erste Schritte

1. Referenzdaten sammeln: mindestens 5 vergangene Saisons mit Erträgen je Feld oder Region (oder mehr als 100 Chargen für einen Prozess), mit Aussaatdaten und Kulturarten.
2. Entscheidung und Prognosezeitpunkte festlegen (z. B. Vertragsmenge zur Blüte, Fabrikkampagnenplan einen Monat vor der Ernte) sowie eine naive Basislinie (Trend oder Durchschnitt der letzten 3 Jahre).
3. Eine Plattform nach Weg A auf einer Teilmenge der Felder erproben oder eine offene Basislinie rückvergleichen: CY-Bench- oder ml4cast-ml-Modelle auf Copernicus-Daten, validiert mit Leave-one-year-out [3][16].
4. Wetterprognosen und, wo relevant, Ausgaben von Pflanzenmodellen (PCSE/WOFOST) ergänzen. Prognosen mit Intervallen berichten.
5. Eine volle Saison parallel zur Expertenprognose betreiben, bevor Sie sich darauf verlassen.

Quellen

1. European Commission JRC — Crop monitoring and yield forecasting (MARS, MCYFS, MARS Bulletin) — https://joint-research-centre.ec.europa.eu/scientific-activities/crop-monitoring-and-yield-forecasting_en
2. Paudel et al. (2021), Machine learning for large-scale crop yield forecasting, Agricultural Systems 187 — https://ideas.repec.org/a/eee/agisys/v187y2021ics0308521x20308775.html
3. EC JRC — ml4cast-ml: ML regional yield forecasting ("Yield forecasting with machine learning and small data: what gains for grains?") — https://github.com/ec-jrc/ml4cast-ml
4. IBM / NASA / Jülich — Prithvi-EO-2.0 model card — https://huggingface.co/ibm-nasa-geospatial/Prithvi-EO-2.0-600M
5. Wageningen — PCSE Python Crop Simulation Environment (WOFOST, LINGRA) — https://github.com/ajwdewit/pcse
6. ESA WorldCereal — global crop type & cropland maps and processing system — https://esa-worldcereal.org/en
7. Copernicus Data Space Ecosystem — https://dataspace.copernicus.eu/
8. Planet — Planetary Variables (Crop Biomass, Soil Water Content) — https://www.planet.com/products/planetary-variables/
9. 365FarmNet — discontinuation notice and migration to CLAAS connect — https://www.365farmnet.com/en/
10. OneSoil — precision-agriculture platform — https://www.onesoil.ai/en
11. Sartorius — SIMCA / SIMCA-online data analytics software — https://www.sartorius.com/en/products/process-analytical-technology/data-analytics-software
12. PDF Solutions — Exensio analytics platform — https://www.pdf.com/exensio/
13. Prior Labs — TabPFN (versions, limits, licences) — https://github.com/PriorLabs/TabPFN
14. Amazon Science — Chronos forecasting (Chronos-2) — https://github.com/amazon-science/chronos-forecasting
15. TorchGeo — https://github.com/torchgeo/torchgeo
16. WUR-AI / AgML — CY-Bench crop yield benchmark — https://github.com/WUR-AI/AgML-CY-Bench
17. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
18. Regulation (EU) 2023/2854 (Data Act) — https://eur-lex.europa.eu/eli/reg/2023/2854/oj