Einsatz von Fernerkundungsdaten und bodengestützten Daten zur regionalen Ertragsvorhersage von Braugerste (<i>Hordeum vulgare </i>L.)

Abstract

Ernteprognosen erlauben die frühzeitige Ableitung von Informationen zur Versorgungslage des Braugerstenmarktes, wodurch die Braugerstenindustrie in der Lage ist, ihre Einkaufspolitik zu optimieren. Braugerste wird u. a. aufgrund ihrer Ansprüche vorwiegend in typischen Anbaugebieten kultiviert, dadurch können über regionale Beobachtungen Informationen über Anbauumfang und Wachstum gewonnen werden. In dieser Arbeit wurden Untersuchungen zur Anbaufläche und zum Flächenertrag von Braugerste (<i>Hordeum vulgare </i>L.), die in Deutschland vorwiegend als Sommergerste angebaut wird, in zwei Regionen in Südwestdeutschland durchgeführt. Es wurden zwei verschiedene Versionen von Ertragsprognosemodellen entwickelt, die auf einem empirisch-statistischen Ansatz beruhen. Als Eingabedaten sind einerseits multitemporale Fernerkundungsdaten, andererseits bodengestützte Daten wie meteorologische, phänologische, pedologische, agrarstatistische und administrative Daten verwendet worden.<br /> Da das Ernteaufkommen sowohl von der Flächenausdehnung als auch vom Flächenertrag abhängig ist, wurde im ersten Schritt Sommergerste mittels überwachter multitemporaler Klassifikation bestimmt. Zum Einsatz kamen hierfür optische Fernerkundungsdaten (LANDSAT TM/ETM+), topographische Daten (Digitales Höhenmodell) und wissensbasierte Regeln für die Klassifikation. Letztere waren im Hinblick auf die spezielle phänologische Entwicklung der Kultur von Interesse und konnten zur Unterscheidung von ähnlichen Kulturen genutzt werden. Die Klassifikation erfolgte auf Basis einer pixelbasierten und objektorientierten Methode. In Flurstücken mit mehr als 2 ha konnten bis zu 73 % der Sommergersteflächen klassifiziert werden. <br /> Die einfache Version des Ertragsprognosemodells basiert auf linearen Korrelationen zwischen Fernerkundungsdaten (NOAA-AVHRR-NDVI-Maximalwertkompositen) und agrarstatistischen Daten. In der Prozessierung der Fernerkundungsdaten wurden zudem Landbedeckungsdaten (CORINE <i>land cover</i>) genutzt. In einer erweiterten Version des Ertragsprognosemodells wurden zusätzlich meteorologische Daten (Temperatur, Evapotranspiration) und pedologische Daten integriert. Die Prognoseergebnisse wurden maßgeblich von der eingesetzten NDVI-Integrationszeitspanne beeinflusst. Der mittlere Prognosefehler (Abweichung von berichtetem zu prognostiziertem Ertrag) lag bei einer NDVI-Integration über die Kornfüllungsdauer hinweg bei 7,0 % für das einfache und bei 6,4 % für das erweiterte Ertragsprognosemodell

<b>Use of Remote Sensing and Soilborne Data for Regional Yield Predictions of Malting Barley (<i>Hordeum vulgare</i> L.)</b><br /> Yield forecasts are of high interest to the malting and brewing industry in order to allow the most convenient organisation of the respective purchasing policy of raw materials. Since malting barley, due to its special requirements, is predominantly cultivated in a limited set of growing regions, yield predictions can be limited to these regions of interest. Within this investigation, malting barley yield forecasts (<i>Hordeum vulgare</i> L<i>.</i>), in Germany mostly grown as spring barley, are performed for typical growing regions in South-Western Germany. Multitemporal remote sensing data on one hand and ancillary data such as meteorological, phenological, pedological, agrostatistical and adminis-trative data on the other hand are used as input data for two versions of prediction models, which were based on an empirical-statistical modelling approach.<br /> Since spring barley production is depending on acreage and on the yield per area, classification is needed, which was performed by a supervised multitemporal classification algorithm, utilizing opti-cal Remote Sensing data (LANDSAT TM/ETM+). The classification algorithm is considering spectral data, topographical data (Digital Elevation Model) and expert knowledge input. The latter is important with regard to the particular phenological development of the observed crop, an expertise which was used to distinguish it from similar crops. A pixel-based and an object-oriented classification algorithm were used for classification. For field plots larger than 2 ha up to 73 % of the spring barley area were classified.<br /> The basic version of the yield estimation model was conducted by means of linear correlation of remote sensing data (NOAA-AVHRR NDVI Maximum Value Composites), CORINE land cover data and agrostatistical data. In an extended version meteorological data (temperature, evapotran-spiration) and soil data were incorporated. Yield predictions were significantly affected by the selected time span for NDVI integration. For NDVI time-integration across the corn-filling period, the mean deviation of reported and simulated yield was 7.0 % and 6.4 % for the basic and extended yield estimation model, respectively.