Universität zu Köln

Geographisches Institut
Wintersemester 2020 / 2021

Nutzen von UAVs in der Agrarwirtschaft

am Beispiel der Zitrusfruchtproduktion

Seminar: UAV-Einsatz in der Geographie

Dozent: Dr. Andreas Bolten

Vorgelegt von:
Leonard Effenberger
Studiengang: B.Sc. Geographie
Fachsemester: 7
Matrikelnummer: 7339767
Inhalt

Abbildungsverzeichnis ......................................................................................................... 1

Tabellenverzeichnis ............................................................................................................. 1

1 Einleitung .......................................................................................................................... 2

2 UAVs in der Landwirtschaft ............................................................................................. 3

2.1 Arten und Aufbau von UAVs ........................................................................................ 3

2.2 Datengenerierung ........................................................................................................... 4

2.3 Datenverarbeitung .......................................................................................................... 6

2.3.1 Photogrammetrie ......................................................................................................... 6

2.3.2 Vegetationsindizes ...................................................................................................... 7

2.3.3 Klassifikation .............................................................................................................. 7

2.4 Anwendung in der Landwirtschaft ............................................................................... 10

3 Einsatz von UAVs bei Zitrusfrüchten ............................................................................. 11

3.1 Detektion von Krankheiten .......................................................................................... 11

3.2 Detektion von Wasserstress ......................................................................................... 15

3.3 Prognose von Ernteerträgen ......................................................................................... 20

4. Diskussion ...................................................................................................................... 23

5. Fazit................................................................................................................................ 25

Literaturverzeichnis ........................................................................................................... 27

Eigenständigkeitserklärung ................................................................................................ 29
Abbildungsverzeichnis
Abbildung 1: Rotary-Wing und Fixed-Wing UAVs ....................................................................... 3
Abbildung 2: Reflexionsverhalten von gesunder und gestresster Vegetation (links) und allgemeines
Reflexionsverhalten von Boden, Vegetation und Wasser (rechts) ................................................... 5
Abbildung 3: Spektralabdeckung von Multispektralkamera und B) Hyperspektralkamera ............ 6
Abbildung 4: Klassifikationsergebnis der infizierten und gesunden Bäume ................................. 13
Abbildung 5: Durchschnittliche spektrale Reflexionswerte der 19 gesunden und 19 HLB-infizierten
Bäume............................................................................................................................................. 15
Abbildung 6: CWSI-Karte aus UAV-basierten Thermaldaten ...................................................... 18
Abbildung 7: Beziehung zwischen Wasserpotenzial (SWP) und CWSI........................................ 18
Abbildung 8: PRI-Karte ................................................................................................................ 20
Abbildung 9: Arbeitsablauf der beidseitigen Erfassung der Testbäume ....................................... 21

Tabellenverzeichnis
Tabelle 1: Beispiel einer Konfusionsmatrix .................................................................................... 9

1
1 Einleitung
Die globale Produktion von Agrargütern steht durch Faktoren wie dem Klimawandel, der Reduzie-
rung landwirtschaftlicher Flächen und einer steigenden Nachfrage an Frischwasser, unter enormen
Druck (RADOGLOU-GRAMMATIKIS et al. 2020: 1). Zusätzlich wird die Weltbevölkerung bis zum
Jahr 2050 voraussichtlich 9 Milliarden Menschen betragen, weshalb parallel zum Populationsan-
stieg eine 70%ige Erhöhung der Agrarproduktion erfolgen muss (FAO 2018: 57). Aufgrund der
limitierten agrarwirtschaftlich nutzbaren Fläche und der wachsenden Nahrungsmittelnachfrage,
wird es höchstwahrscheinlich zu einer Intensivierung der Landwirtschaft kommen. Einhergehend
damit erfolgt ein Mehreintrag an Pestiziden, Düngemitteln und Wasser, was wiederum negative
Umwelteinflüsse hervorrufen wird. Die Precision Agriculture (PA), als ökologisch und ökonomisch
nachhaltigere Alternative, kann dabei helfen diesem Negativtrend entgegenzuwirken (SISHODIA et
al 2020: 2). Die Kernelemente der Precision Agriulture (PA) beruhen auf einem effizienten Einsatz
von chemischen Produkten, dem Schutz der Umwelt gegenüber Schadstoffen und der Energieein-
sparung bei einer gleichzeitigen Ertrags- und Qualitätssteigerung (RADOGLOU-GRAMMATIKIS et al.
2020: 3). Pestizide sollen beispielsweise nur räumlich und zeitlich punktuell in angemessener Quan-
tität eingesetzt werden. Dafür ist ein Verständnis der Pflanzenunterschiede innerhalb einer Agrar-
fläche von großer Bedeutung, denn so kann je nach Anforderung gehandelt werden (MAES & STEPPE
2018: 152). Eines der wichtigsten Instrumente ist dabei das Monitoring von Vegetationsparametern
mithilfe von Fernerkundungstechniken. Die Datengenerierung erfolgt anhand von Satelliten, Flug-
zeugen oder Unmanned Aerial Vehicles (UAVs), um Aussagen über Pflanzenvitalität, Wasserhaus-
halt, Krankheitsbefall oder Nährstoffe zu ermöglichen. Satellitenszenen sind zumeist mit hohen
Kosten verbunden und weisen eine geringe räumliche Auflösung auf, weshalb sie für Landwirt*in-
nen häufig ungeeignet sind. Flugzeugdaten bieten zwar eine höhere räumliche Auflösung, sind aber
dennoch als hochpreisig einzustufen. Unmanned Aerial Vehicles (UAVs), umgangssprachlich auch
Drohnen genannt, könnten hierbei eine ökonomisch günstigere Alternative sein. UAVs sind unbe-
mannte Flugobjekte, die ferngesteuert oder autonom betrieben werden und für die Oberflächener-
fassung mit hochauflösender Sensorik ausgestattet sind (RADOGLOU-GRAMMATIKIS et al. 2020: 1f).
In dieser Arbeit soll am Beispiel der Zitrusfrüchte untersucht werden, welchen Nutzen
UAVs im Bereich der Agrarwirtschaft bieten können. Zu Beginn soll ein Überblick der verschie-
denen UAV-Arten sowie der Methoden zur Datengenerierung und -erfassung gegeben werden. Da-
rauf folgt ein Kapitel über die allgemeinen Anwendungsgebiete in der Landwirtschaft. In einem
weiteren Abschnitt sollen die Einsatzmöglichkeiten von UAVs bezüglich der Zitrusfurchtproduk-
tion beschrieben werden, um diese daraufhin zu diskutieren. Die erarbeiteten Ergebnisse werden in
einem abschließenden Fazit dargestellt und zusammengefasst.

2
2 UAVs in der Landwirtschaft

2.1 Arten und Aufbau von UAVs

Im Bereich der unbemannten Fernerkundung lassen sich UAVs in verschiedene Kategorien mit
jeweils unterschiedlichen Eigenschaften der Aerodynamik, des Gewichts, der Größe und der Auto-
nomie unterteilen (Abbildung 1) (RADOGLOU-GRAMMATIKIS et al. 2020: 4 TSOUROS et al. 2019: 7).
Als erstes sind Fixed-Wing-Systeme zu nennen, die unbemannten Flugzeugen ähneln und entspre-
chend eine Tragfläche aus statischen, festen Flügeln aufweisen. Zum Abheben benötigen sie ent-
weder eine Start- und Landebahn oder eine Art Katapult. Die Fluggeschwindigkeit bestimmt dabei
den Auftrieb und die Steuerung erfolgt über Seiten-, Quer- und Höhenruder, die an die Flügel an-
gebracht sind. Dadurch wird dem UAV ermöglicht sich entlang der Roll-, Nick- und Gierachse zu
drehen. Generell zeichnen sie sich durch eine hohe Flugdauer und -geschwindigkeit aus, wodurch
große Areale in kurzer Zeit abgedeckt werden können. Die Rotary-Wing-UAVs, ein zweiter Typ,
sind durch Rotoren in der Lage abzuheben und innerhalb der Agrarwissenschaften am weitesten
verbreitet. Die erzeugten Luftströmungen sorgen dafür, dass keine Vorwärtsfluggeschwindigkeit

Abbildung 1: Rotary-Wing und Fixed-Wing UAVs (RADOGLOU-GRAMMATIKIS et al. 2020: 5f)

für den Auftrieb benötigt wird. Die Steuerung basiert auf dem Schub- und Drehmoment der Roto-
ren, wobei eine unterschiedliche Drehzahl dieser die Neigung und Richtung des Flugobjekts be-
stimmt. Ferner wird gemäß der Anzahl der Rotoren in Trikopter, Quadkopter, Hexakopter oder
Oktakopter unterschieden. Im Vergleich zu den Fixed-Wings können sie dieselbe Position konstant
halten und sind einfacher zu steuern. Im Gegenzug sind sie nicht besonders schnell und dienen eher
zur Erfassung kleinerer Gebiete. Neben den oben genannten Typen lassen sich noch Parafoil-Wing-
Systeme nennen, die durch Propeller angetrieben werden und mittels eines Fallschirmsegels auf-
treiben. Diese Art findet jedoch im agrarwissenschaftlichen Kontext kaum Verwendung. Die Größe

3
und das Gewicht aller UAVs variieren je nach gewähltem Vehikel. Generell sind Fixed-Wings unter
20 kg als leicht und über 20 kg als schwer zu definieren, unterdessen liegt die Differenzierung bei
den Rotor-UAVs bei 25 kg. Mittlerweile stehen auch so genannte Minidrohnen zur Verfügung, die
nur einige Gramm bis wenige Kilo wiegen. Da es sich bei UAVs um unbemannte Flugzeuge han-
delt, weisen sie unterschiedliche Ausprägungen der Autonomie auf. Diese reicht von komplett vom
Menschen gesteuert, über eine partielle Selbstentscheidung, bis hin zu einer vollständigen Autono-
mie (RADOGLOU-GRAMMATIKIS et al. 2020: 4 TSOUROS et al. 2019: 7).
Neben dem eigentlichen Luftfahrzeug sind noch weitere Technologien, wie die Ground
Control Station (GCS), das UAV Control System (UAV CS) und Messinstrumente, aufzuführen,
die das System erst komplementieren (COLOMINA & MOLINA 2014: 81; TSOUROS et al. 2019: 6).
Das UAV Control System dient, wie der Name erahnen lässt, zu Kontrolle des Fluginstruments.
Dies erfolgt entweder durch eine Fernsteuerung oder einen fest in der Drohne verbauten Computer.
Durch Messinstrumente, wie zum Beispiel inertiale Messeinheit (Inertial Measurement Unit, IMU),
Altimeter und GNSS-Gerät, lassen sich Flugparameter aufzeichnen, wodurch die Operationen des
UAVs kontrollierbar sind und im Notfall ein Fehlverhalten in Echtzeit korrigiert werden kann (CO-
LOMINA & MOLINA 2014: 84; TSOUROS et al. 2019: 6) Bei der Ground Control Station handelt es
sich um einen stationären oder portablen Computer, der in Verbindung mit dem UAV Control Sys-
tem steht. Sie ist ebenso wichtig wie das UAV selbst, da sie mit dem UAV kommuniziert und für
die Steuerung sowie Überwachung zuständig ist. Zusätzlich dient sie als Schnittstelle zum Men-
schen, sodass aufgezeichnete Flugparameter oder andere Daten dem Nutzenden zur Verfügung ge-
stellt werden. Damit UAVs einen Mehrwert im Bereich der Precision Agriculture (PA) erzielen,
werden sie zusätzlich mit Sensoren ausgestattet, die bei der Erfassung von Pflanzeneigenschaften
helfen sollen. Auf die Möglichkeiten durch Fernerkundung Pflanzeninformationen zu extrahieren,
soll im folgenden Kapitel näher eingegangen werden. Andere mögliche technische Erweiterungen
der Drohnen sind beispielsweise Sprühgeräte, die zur gezielten Ausbringung von Pestiziden ver-
wendet werden (COLOMINA & MOLINA 2014: 82; RADOGLOU-GRAMMATIKIS et al. 2020: 6 TSOUROS
et al. 2019: 6).

2.2 Datengenerierung
Die fernerkundliche Erfassung von pflanzenphysiologischen Eigenschaften beruht auf der elektro-
magnetischen Strahlung, also der Energieabgabe eines Körpers. Je nach betrachtetem Objekt unter-
scheidet sich das Strahlungsverhalten im elektromagnetischen Spektrum, sodass sich individuelle
Reflexionskurven ableiten lassen (Abbildung 2). Demzufolge sind Oberflächen wegen variierender
Absorptions- und Reflexionseigenschaften voneinander differenzierbar. Wie in Abbildung 2 er-
kenntlich, zeigt sich, dass trockene Böden besonders stark im roten Bereich reflektieren,

4
wohingegen Pflanze einen steilen Anstieg im Nahinfrarotbereich aufweisen. Das Chlorophyll und
die Carotinpigmente der Blätter sorgen für eine Absorption der sichtbaren roten Strahlung und
gleichzeitig für eine Rückstrahlung im Nahinfrarotbereich. Ebenso bestimmen untersuchter Pflan-
zentyp, Trockenstress oder Gesundheit die solare Reflexion. Beispielsweise ist bei Vegetation, die
unter Krankheitsbefall leidet, eine Minderung der Nahinfrarotstrahlung zu erkennen (Abbildung 2)
(DE LANGE 2020: 438; SISHODIA et al. 2020: 8f).

Abbildung 2: Reflexionsverhalten von gesunder und gestresster Vegetation (links) und allgemeines Reflexions-
verhalten von Boden, Vegetation und Wasser (rechts) (SISHODA et al. 2020: 9)

Um Auskunft über wichtige Charakteristika der Pflanze, wie Biomasse, Vitalität oder Was-
serhaushalt zu genieren, bedarf es Sensoren, die entscheidende Bereiche des elektromagnetischen
Spektrums abdecken. Allgemein erfolgt eine Unterteilung in RGB-, Multispektral-, Hyperspektral-
und Thermalsensoren, wobei dem Anwendungsgebiet entsprechend gewählt wird. RGB-Sensoren,
die nur Strahlung im sichtbaren Bereich erfassen, sind vergleichsweise günstig, haben zwar eine
hohe räumliche, aber eine geringe spektrale Auflösung. Mit ihnen ist die Errechnung einiger Vege-
tationsindizes (vlg. Kapitel 2.3.2) und digitaler Höhenmodelle möglich. Des Weiteren können die
Aufnahmen während verschiedener Wetterlagen erfolgen und die Informationsverarbeitung ist re-
lativ einfach. Die Limitation der spektralen Auflösung führt dazu, dass in manchen Kontexten der
Infrarotfilter durch einen Rotfilter ausgetauscht wird, um entsprechend Informationen für zusätzli-
che Vegetationsindizes zu generieren. Multispektralkameras zeichnen sich zumeist durch fünf bis
zwölf Sensoren aus, die sich vom sichtbaren Bereich bis in den Infrarotbereich oder darüber hinaus
erstrecken (Abbildung 3). Durch die höhere Anzahl an Kanälen lassen sich nützliche Daten über
physikalische und biologische Eigenschaften einer Pflanze erzeugen. Der Hauptunterschied zu den
Hyperspektralkameras liegt in der Anzahl der Kanäle: Hyperspektralkameras können aus einigen
Hundert bis Tausend Kanälen bestehen, die bei Bandweiten von < 10 nm üblicherweise die Wel-
lenlängen von 400 nm bis 1000 nm erfassen (Abbildung 3). Damit kann eine fast kontinuierliche
Gliederung der Reflexionswerte erfolgen, wodurch ein stärker aufgelöster Detailgrad ermöglicht

5
wird. Einhergehend mit der Erhöhung der Spektralauflösung und Datendichte steigt die Komplexi-
tät der Verarbeitung. Zudem ist der Einsatz mit höheren Kosten verbunden. Die Thermalsensoren,
als letzter Typ, werden zur Temperaturerfassung eingesetzt. Es ist bekannt, dass alle Körper über
0° K (-237° C) langwellige Infrarotstrahlung proportional zur Temperatur emittieren. Üblicher-
weise wird unter Verwendung eines Kanals, mit einer niedrigen Bildauflösung, die Strahlung im
Bereich 7µm bis 12 µm aufgezeichnet, um Rückschlüsse über Blatttemperaturen zu erhalten (ADÃO
et al. 2017: 2f; MAES & STEPPE 2018: 152f; RADOGLOU-GRAMMATIKIS et al. 2020: 6; TSOUROS et
al. 2019: 9).

Abbildung 3: Spektralabdeckung von A) Multispektralkamera mit 5 Kanälen und B) Hyperspektralkamera mit

einer Vielzahl engbändiger Kanäle (ADÃO et al. 2017: 2)

2.3 Datenverarbeitung

2.3.1 Photogrammetrie
Um nützliche Informationen aus den Sensordaten zu gewinnen, muss die Durchführung verschie-
dener fernerkundlicher Methoden erfolgen. Zunächst ist bei der Bilderfassung zu beachten, dass
eine Überschneidung der Daten gegeben ist. Diese Überlappung ermöglicht mit Hilfe von photo-
grammetrischen Techniken die Erstellung eines Orthomosaiks oder eines digitalen Höhemodells
(Digital Elevation Model, DEM). Dabei variieren die Schnittmengen je nachdem, ob ein 2D- oder
3D-Modell erstellt werden soll zwischen 25% bis 45%, beziehungsweise zwischen 60% bis 95%.
Da es bei Luftaufnahmen zu Verzerrungen der Darstellung kommt, müssen die Daten geometrisch
korrigiert werden, um orthorektifizierte Abbildungen der Wirklichkeit zu erhalten. Dabei wird in
vielen Fällen mit sogenannten Ground Control Points (GCP) gearbeitet, die über das Forschungsa-
real verteilt und deren Position bereits ermittelt wurde. Diese Referenzpunkte ermöglichen eine
Lokalisation der Koordinaten und Verknüpfung der Bilddaten, sowie die Erstellung eines Maßstabs.
Diese photogrammetrischen Methoden finden in den meisten Publikationen Verwendung, da sie
unter anderem für die Errechnung von Vegetationsindizes benötigt werden (TSOUROS et al. 2019:
10-13).
6
2.3.2 Vegetationsindizes
Vegetationsindizes sind eine weit verbreitete Fernerkundungsmethode im Bereich der Präzisions-
landwirtschaft. Dabei handelt es sich um mathematische Formeln, die aus mindestens zwei Spekt-
ralmerkmalen errechnet werden, um aus der Kombination ungewünschte Effekte durch Beleuch-
tung, Atmosphäre oder Bodeneigenschaften zu minimieren. Häufig finden sie Verwendung, um
Pflanzencharakteristika, wie Biomasse, Wasserstress, Nährstoffhaushalt oder Pflanzengesundheit
abzuleiten (RADOGLOU-GRAMMATIKIS et al. 2020: 4; TSOUROS et al. 2019: 15). Ferner ist bei einer
kontinuierlichen Kartierung durch Vegetationsindizes die Möglichkeit gegeben, die zeitliche und
räumliche Variation innerhalb einer Agrarfläche zu erkennen, wodurch punktuell und zielgerichtet
Maßnahmen eingeleitet werden können. Vorwiegend basieren sie auf den Reflexionswerten im Rot-
und Nahinfrarotbereich, die wie zuvor erwähnt, erstens sensitiv auf Vegetationsparameter reagieren
und zweitens einen Kontrast zur Bodenoberfläche darstellen können. Der Normalized Difference
Vegetation Index (NDVI) (Formel 1) ist wohl als bekanntester Vertreter der Indizes zu nennen. Er
ist als normalisiertes Verhältnis zwischen dem roten Bereich und dem Nahinfrarotband zu verstehen
und bildet Werte von -1 bis 1. Positive Werte deuten auf grüne, gesunde Vegetation und negative
Werte auf unbewachsene Oberflächen, wie Stadtgebiete oder Boden. Teilweise ist dieser Index al-
lerdings anfällig für einige Störfaktoren, die durch Atmosphäre, Boden oder Baumkronenschatten
verursacht werden und zu Fehlinterpretationen der Pflanzeneigenschaften führen können. Zusätz-
lich erreicht er ab einer bestimmten Biomassenmenge einen Schwellenwert, sodass der eigentliche
Vegetationsstatus nicht mehr repräsentiert wird. Um dieser Problematik entgegenzuwirken, wurden
infolgedessen weitere Vegetationsindizes mit unterschiedlichen Eigenschaften und Anwendungs-
gebieten entwickelt (SISHODIA et al. 2020: 8f; TSOUROS et al. 2019: 16f).
𝑁𝑁𝑁𝑁𝑁𝑁−𝑅𝑅
Formel 1: Normalized Difference Vegetation Index 𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁 =
𝑁𝑁𝑁𝑁𝑁𝑁+𝑅𝑅

2.3.3 Klassifikation
In vielen Bereichen der Fernerkundung bedarf es einer Distinktion der Oberflächenelemente, um
eine Interpretation erst zu ermöglichen. Die Unterteilung der Landbedeckung wird auch Klassifi-
kation genannt und beruht auf der unterschiedlichen Rückstrahlung von Objekten. Grob lässt sich
in objektbasierte und pixelbasierte sowie in überwachte und unüberwachte Klassifikation untertei-
len. Entweder werden diese Methoden für sich stehend angewendet oder es wird versucht aus der
Sequenz mehrerer Algorithmen eine exaktere Klassifikation von Objekten zu gewährleisten. Bei
der pixelbasierten Klassifikation lassen sich Objekte optimalerweise anhand ihrer Rückstrahlungs-
eigenschaften im Spektralraum differenzieren, sodass ihre Distanzen zueinander untersucht werden,
um folgend ihre Klassenzugehörigkeit zu bestimmen (DE LANGE 2020: 482f & 491). Bei der un-
überwachten Klassifikation von Pixeln werden keine Informationen über etwaige Klassentypen

7
vorgegeben. Der Algorithmus errechnet ohne Einwirkung des Menschen sogenannte Clusterkerne,
zu denen Bildpunkte mit ähnlichen Reflexionseigenschaften zugeordnet werden (DE LANGE 2020:
485f). Bei der überwachten Klassifikation sind Trainingsdaten erforderlich, die in vordefinierte
Klassen unterteilt sind. Als Grundannahme gilt wieder die variierende Rückstrahlung von unter-
schiedlichen Oberflächen. Die Pixel der Trainingsdaten erzeugen mithilfe statistischer Methoden
eine Art Merkmalsraum, anhand dessen sich die restlichen Bildpunkte klassifizieren lassen. Dabei
sind die Analyseergebnisse stets von der Qualität der ausgewählten Trainingsdaten und somit auch
von den Fähigkeiten des Erstellenden abhängig (DE LANGE 2020: 487f). Unter den statistischen
Methoden lassen sich Quader-Klassifikation, Minimum-Distanz-Klassifikation und Maximum-Li-
kelihood-Klassifikation aufführen. Bei der Quader-Klassifikation werden im Spektralraum Würfel
um die Trainingsklassen gelegt, die als Abgrenzung für die restlichen Bilddaten dienen. Dabei ist
eine Überschneidung mehrerer Klassenquader möglich, die zu einer Fehlinterpretation führen kann.
Bei der Minimum-Distanz-Klassifikation wird für jede Klasse und jeden Spektralkanal der Mittel-
wert gebildet. Folgend wird für die restlichen Bildpunkte die Euklidische Distanz zu allen Mittel-
punkten errechnet, um sie daraufhin den Klassen mit den geringsten Mittelwertabständen zuzuord-
nen. Ähnlich zur vorherigen Methode werden bei der Maximum-Likelihood-Klassifikation die
Schwerpunkte der jeweiligen Klassen berechnet. Die Bestimmung der übrigen Bildpunkte erfolgt
hingegen anhand von Wahrscheinlichkeitsrechnungen. Auf Grundlage von vorrangegangenen vi-
suellen Analysen oder vorherigen Klassifikationen werden den Klassen Gewichtungen zugeteilt.
Falls die Wahrscheinlichkeitsparameter nicht vorher festgelegt wurden, sind alle Klassen als gleich
wahrscheinlich definiert (DE LANGE 2020: 489-91).
Für die Kontrolle der Klassifikationsgenauigkeit bedarf es einer statistischen Überprüfung
der Ergebnisse. Dabei werden die klassifizierten Pixel mit Hilfe von Referenzinformationen vergli-
chen und in eine Konfusionsmatrix überführt. Als Veranschaulichung soll Tabelle 1 einen beispiel-
haften Überblick geben. Aus der Gegenüberstellung von korrekt klassifizierten Elementen zu den
Referenzdaten lässt sich die Gesamtgenauigkeit ermitteln. In der beispielhaften Tabelle ließen sich
bei insgesamt 111 Bildpunkten mit 100 richtigen eine Gesamtgenauigkeit von 90,1% ableiten. Des
Weiteren zeigt die User’s Accuracy die Genauigkeit aus Sicht eines Kartennutzenden und errechnet
sich aus der Gesamtzahl an richtigen Klassifizierungen einer Klasse durch die Zeilensumme. Für
Vegetation wäre dies beispielswiese 50 / 52 = 96,2%, entsprechend sind 2 Einheiten von Wasser
irrtümlich als Vegetation erkannt worden. Die Producer’s Accuracy gibt Auskunft über die Genau-
igkeit aus der Perspektive des Kartenerstellenden und ist als Quotient der korrekt klassifizierten
Bildpunkte einer Klasse durch die Spaltensumme zu verstehen. In der Konfusionstabelle ergäbe
dies für Vegetation 50 / 57 = 87,7%, was bedeutet, dass 7 Vegetationselemente nicht als solche
erfasst wurden (DE LANGE 2020: 492). Probleme bei der Klassifikation entstehen beispielweise bei

8
Mischpixeln, die bei geringen geometrischen Auflösungen Reflexionswerte zweier Oberflächen be-
inhalten, weshalb eine klare Differenzierung erschwert wird. Ferner stellen die vordefinierten Klas-
sen eine Abstraktion der Realität dar, weshalb Bildpunkte, die sich keiner Klasse zuordnen ließen,
fälschlicherweise der ähnlichsten zugeordnet werden. Dies lässt sich mit Schwellenwerten, bei de-
nen Bildpunkte als unklassifiziert definiert werden, umgehen (DE LANGE 2020: 494).

Tabelle 1: Beispiel einer Konfusionsmatrix (Eigene Darstellung nach DE LANGE 2020: 493)

Referenzdaten
User’s
Vegetation Urbane Wasser Gesamt Accuracy
Klassifikationsdaten
Vegetation 50 0 2 52 96,2%
Urban 4 30 0 34 88,2%
Wasser 3 2 20 25 80,0%
Gesamt 57 32 22 111
Gesamt-
Producer’s Accuracy 87,7% 93,8% 90,0% genauigkeit:
90,1 %

Bei der objektbasierten Klassifikation wird nicht jeder Pixel isoliert klassifiziert, sondern es
wird versucht Segmente, also Gruppen aus Pixeln, die in direkter Nachbarschaft stehen, zu erstellen.
Die Grundannahme besagt, dass benachbarte Bildpunkte eine höhere Wahrscheinlichkeit haben
derselben Klasse anzugehören. Des Weiteren lassen sich die Pixel, anhand vordefinierter Schwel-
lenwerte von Reflexionseigenschaften oder Vegetationsindizes, bestimmten Klassen zuordnen.
Diese Klassifikation beruht demzufolge sowohl auf spektralen als auch auf räumlichen Eigenschaf-
ten der Objekte. Bei einem mehrstufigen Verfahren werden die einzelnen Pixel zunächst zu kleine-
ren Einheiten zusammengefasst, um in den Folgeschritten immer größere Segmente mit homogenen
Eigenschaften zu bilden (DE LANGE 2020: 495).
Mittlerweile gibt es eine Reihe an nicht-parametrischen Klassifikationsmethoden (Entschei-
dungsbäume, Künstliche Neuronale Netze, Support Vector Machine), die sich dem Gebiet des ma-
schinellen Lernens zuordnen lassen (DE LANGE 2020: 496). Für die Support-Vector-Machine-Me-
thode (SVM) werden relativ wenig Referenzdaten benötigt und dennoch genaue Klassifikationser-
gebnisse erzielt. Die Trainingspixel werden in der einfachsten Ausführung der SVM zwei Klassen
zugeordnet, die als Vektoren im zweidimensionalen Raum dargestellt sind. Bei dieser binären Klas-
sifikation wird versucht die Bildpunkte beider Klassen mit einer sogenannten Hyperebene zu

9
trennen. Dabei soll ein maximaler Freiraum entstehen, wobei die am engsten zueinander liegenden
Pixel beider Klassen als Stützvektoren (Support Vector) der Gerade fungieren. In der Realität ist
eine solche lineare Trennung meist nicht umsetzbar, weshalb die Vektoren in eine höhere Dimen-
sion überführt werden, die eine Separation ermöglicht. Außerdem werden in der Regel mehr als
zwei Klassen benötigt, sodass zunächst nur eine Klasse den anderen gegenübergestellt wird, um bei
einer Wiederholung des Prozesses die jeweiligen Klassen zu extrahieren (DE LANGE 2020: 500f;
MOUNTRAKIS et al. 2010: 247f).

2.4 Anwendung in der Landwirtschaft

Im agrarwissenschaftlichen Kontext finden UAVs in verschiedenen Teilbereichen Verwendung.
Darunter fällt beispielsweise die Detektion der Pflanzengesundheit und des Wasserhaushalts sowie
die Prognose der Ernteerträge. Die Vitalität der Vegetation ist ein wichtiger Parameter, den es zu
untersuchen gilt, da etwaige Stressfaktoren zu Ernteausfällen oder zur Minderung der Qualität füh-
ren können. Dementsprechend ist eine rechtzeitige Erfassung essenziell, um ökonomischen Schä-
den vorzubeugen (TSOUROS et al. 2019: 5). Hierbei haben sich Vegetationsindizes als wichtiges
Instrument zur Krankheitserkennung herausgestellt (RADOGLOU-GRAMMATIKIS et al. 2020: 2). Wie
in Kapitel 2.3.2 bereits erläuter,t weisen Pflanzen, die von Krankheit betroffen sind, eine vermin-
derte Nahinfrarotstrahlung auf. Entsprechend sind die veränderten biochemischen und biophysika-
lischen Eigenschaften durch UAVs erfassbar, bevor sie visuell ersichtlich wären. Des Weiteren er-
möglicht die räumliche und zeitliche Bestimmung von Krankheiten einen gezielten Einsatz von
Pestiziden. Dies Reduziert einerseits Kosten, anderseits werden negative Einträge auf die Umwelt
minimiert (TSOUROS et al. 2019: 5). Zur Bestimmung des Wasserhaushalts wird vornehmlich mit
dem Crop Water Stress Index (CWSI) und dem Photochemical Reflectance Index (PRI) gearbeitet.
Der CWSI ist ein thermaler Index und beruht auf der Annahme, dass wassergestresste Pflanzen ihre
Spaltöffnungen schließen, was mit einer Reduzierung der Verdunstungskühle respektive einem An-
stieg der Blatttemperatur einhergeht. Der PRI untersucht bestimmte Blattpigmente, deren Verhält-
nisse sich bei Stress ändern, was sich in den Reflexionseigenschaften widerspiegelt (MAES &
STEPPE 2018: 154-156). Eine ausführlichere Erläuterung des CWSI und des PRI ist Kapitel 3.2 zu
entnehmen. Bei der Vorhersage über Ernteerträge ist je nach untersuchter Pflanzenart zu unterschei-
den. Bei Getreidearten wird häufig versucht aus einer Kombination von Spektraleigenschaften und
einem digitalen Höhenmodell das Erntevolumen zu prognostizieren (MAES & STEPPE 2018: 158).
Bei Fruchtarten stehen Höhenmodell nicht in direkter Korrelation zu den erwartenden Ernten, wes-
halb mit der Methoden des maschinellen Lernens versucht wird die Früchte eines Baumes zu er-
kennen, um sie daraufhin zu quantifizieren (APOLO-APOLO et al. 2020: 1f).

10
3 Einsatz von UAVs bei Zitrusfrüchten

3.1 Detektion von Krankheiten

Zitrusfrüchte werden weltweit in mehr als 80 Ländern angebaut und vermarktet, weshalb ein großes
Interesse besteht die Anbautechniken weiterzuentwickeln und die Pflanzen vor möglichen Schäden
zu schützen. Die globale Produktion steht durch sowohl abiotische als auch biotische Faktoren unter
starkem Druck. Unter den abiotischen Bedrohungen fallen vor allem Hitze, Dürre, Versalzung, Flu-
ten und Nährstoffdefizite. Die biotischen Ursachen lassen sich auf Pathogene oder Insekten zurück-
führen (GARZA et al. 2019: 1). Neben der Phytophthora Wurzelfäule ist die Huanglongbing-Krank-
heit (HLB), auch Citrus Greening Disease genannt, eine der verheerendsten Gefahren für Land-
wirt*innen (DADRASJAVAN et al. 2019: 307; GARCIA-RUIZ et al. 2012: 106; GARZA et al. 2019: 1).
Huanglongbing wird durch das Bakterium Candidatus liberibater asiaticus (Clas) verursacht und
durch den Blattfloh Psyllid als Vektor übertragen (GARCIA-RUIZ et al. 2012: 106). Zu den Haupt-
symptomen der infizierten Bäume zählen unter anderem die Entwicklung gelber Triebe, fleckige
Blattstrukturen oder die Verdickung von Blättern und Adern. Bei einem schweren Krankheitsver-
lauf erfolgt ein Blattabwurf, eine Verendung der Zweige bis hin zum Absterben des ganzen Baumes.
Des Weiteren weisen die Früchte der betroffenen Bäume Grünverfärbungen, Deformationen und
einen bitteren, sauren Geschmack auf, was sie für die kommerzielle Nutzung ungeeignet macht
(GARCIA-RUIZ et al. 2012: 106; GARZA et al. 2019: 2). Während für Phytophthora bereits einige
Behandlungsmöglichkeiten zu Verfügung stehen, ist dies bei Huanglongbing nicht der Fall. Des-
halb ist eine frühzeitige Detektion essenziell, um eine Ausbreitung zu verhindern. Die Entfernung
infizierter Äste oder die komplette Abholzung des Baumes sind entsprechend als einzige Hand-
lungsoption zur Eindämmung zu nennen (GARCIA-RUIZ et al. 2012: 107; GARZA et al. 2019: 2). Bei
Betrachtung des amerikanischen Bundesstaat Florida, die global zweit größte Orangensaftproduk-
tionsregion der Welt, mit einer Fläche von 219.000 ha und einem Wirtschaftsvolumen von 1,145
Milliarden $, ist für den Zeitraum von 1996 bis 2011 eine Abnahme der bewirtschaften Fläche von
rund 55.250 ha ersichtlich. Eine der Ursachen für diesen massiven Rückgang ist die Ausbreitung
der Huanglongbing-Krankheit (GARCIA-RUIZ et al. 2012: 106).
Zum Zweck der Prävention entwickelten sich mit der Zeit verschiedene Methoden mit je-
weils unterschiedlichen Genauigkeiten. Eine der weitverbreitetsten Verfahren ist die visuelle Inter-
pretation durch Expert*innen, die jedoch sehr arbeits- und personalintensiv ist. Da die frühen Sta-
dien teilweise nicht sichtbar sind oder einige Bäume asymptomatische Verläufe aufweisen, lässt
sich der Befall durch reine Beobachtung nur mit einer Sicherheit von 47% bis 59% ermitteln,
wodurch eine potenzielle Ausweitung nicht unterbunden werden kann (DADRASJAVAN et al. 2019:
307 GARZA et al. 2019: 2). Das wohl genauste und anerkannteste Verfahren ist die Laboranalyse

11
der Blätter mithilfe der Polymerase-Kettenreaktion, um DNA-Sequenzen des Überträgers nachzu-
weisen. Allerdings ist diese Vorgehensweise ebenfalls sehr kosten- und zeitintensiv, weshalb eine
vollständige Untersuchung einer Region mehrere Monate in Anspruch nehmen kann (DADRASJA-
VAN et al. 2019: 307). Wie im Kapitel 2.2 bereits erwähnt, spiegeln sich stress- oder krankheitsin-
duzierte Veränderungen in der elektromagnetischen Reflexion der Pflanzen wider. Mittlerweile
wurde eine Reihe von bodenbasierten und luftgestützten Methoden entwickelt, die die biophysika-
lischen und biochemischen Eigenschaften mithilfe der Spektroskopie untersuchen können. Beson-
ders die Forschung mit UAVs, die mit RGB-, infrarot- und/oder thermalen Sensoren ausgestattet
sind, erweisen sich als nützliches und kostengünstiges Werkzeug zur schnellstmöglichen Identifi-
kation von Krankheiten, bevor sie visuell ersichtlich wären (DADRASJAVAN et al. 2019: 308; GAR-
CIA-RUIZ et al. 2012: 107).
Auf Grundlage dieser wissenschaftlichen Erkenntnisse versuchten DADRASJAVAN et al.
(2019: 309) in ihrer Forschung mit UAV-generierten Multispektraldaten einen Arbeitsablauf zur
schnellen und präzisen Erfassung der Huanglongbing-Krankheit darzubieten. Als Untersuchungs-
region galt eine 1,2 ha große Plantage in der iranischen Provinz Fars im Verwaltungsbezirks Fasaa,
die von der Krankheit betroffen ist. Als UAV wählten die Wissenschaftler*innen einen Hexakopter
mit einer maximalen Flugzeit von 40 min, einer maximalen Flughöhe von 200 m sowie einem Ma-
ximalgewicht von 6 kg. Dieses System war mit einer Micasense RedEdge Multispektralkamera
ausgestattet, wie sie auch im agrarwirtschaftlichen Kontext häufig Verwendung findet. Die Kamera
zeichnet sich durch fünf Sensoren aus, davon arbeiten drei im sichtbaren Spektrum (Rot 668 nm ±
10 nm, Grün 560 nm ± 20 nm und Blau 475 nm ± 20nm) und zwei im nahen Infrarotbereich (Red
Edge 717 ± und Nahe Infrarot 840 nm ± 40 nm). Darüber hinaus verfügen sie über eine Auflösung
von 1280 x 960 Pixeln, einer radiometrischen Auflösung von 12 Bit und einer Brennweite von 5,5
mm. Bei einer durchgeführten Flughöhe von 25 m über dem Boden konnte so eine hohe räumliche
Auflösung von 1,7 cm pro Pixel sichergestellt werden. Insgesamt erstellten die Autor*innen 557
Bilder, die zusätzlich noch einer geometrischen und radiometrischen Kalibrierung unterlagen. Die
radiometrische Korrektur erfolgte durch Bilder, die vor und nach jedem Flug von einer bereits ka-
librierten, weißen Referenzfläche aufgenommen wurden. Entsprechend wurde aus beiden Zeitpunk-
ten ein Mittelwert gebildet, wodurch ein Referenzwert für die Reflexion einer weißen Oberfläche
ermittelbar war. Georeferenzierte, schachbrettartige Platten, die über das Untersuchungsgebiet ver-
teilt waren, ermöglichten eine geometrische Korrektur, die für eine weitere Analyse von beispiels-
weise Vegetationsindizes fundamental ist. Da die Sensoren zueinander einen gewissen Versatz auf-
weisen, müssen als Erstes die einzelnen Bänder mittels eines Algorithmus aufeinander abgestimmt
werden. Darauffolgend kann durch eine ausreichende Überlappung der Szenen die Erstellung eines
Orthomosaiks gewährleistet werden (DADRASJAVAN et al. 2019: 309-311 & 313). Zusätzlich

12
wurden zehn gesunde und 15 kranke Bäume zuvor erfasst und lokalisiert, die als Trainingssatz für
eine spätere Klassifikation benötigt waren (DADRASJAVAN et al. 2019: 309).
Wie bereits erläutert, erweisen sich die unterschiedlichen spektralen Eigenschaften von
Oberflächen und ferner die Unterschiede von kranken zu gesunden Bäumen als nützliches Instru-
ment zur Klassifikation. Als Erstes erfolgte die Differenzierung von Bäumen zu anderen Oberflä-
chen unter Anwendung eines Support Vector Machine (SVM) Algorithmus auf Grundlage zweier
Vegetationsindizes. Da Vegetation, die besonders unter Stress leidet, beim Normalized Difference
Vegetation Index (NDVI) teilweise als Nicht-Vegetation klassifiziert wird, fand zudem auch der
Green-Red Vegetation Index (GRVI) Verwendung. Dieser Index setzt die Strahlungswerte im roten
und grünen Bereich im Verhältnis, wobei positive Ergebnisse auf Vegetation rückschließen lassen.
In der Begutachtung der Ergebnisse zeigt sich, dass die Detektionsgenauigkeit der Zitrusbäume bei
95,5% liegt (DADRASJAVAN et al. 2019: 311f & 314). Nach der Erfassung der Bäume stellt sich die
Frage nach der räumlichen Verteilung der Infizierung. Ebenfalls mit einem Support Vector Machine
(SVM) Algorithmus, aber unter Hinzunahme von ganzen 16 Vegetationsindizes, erfolgte die Klas-
sifikation der kranken Bäume. Trotz der Möglichkeit aus den fünf spektralen Bändern noch weitere
Vegetationsindizes ableiten zu können, beließen DADRASJAVAN et al. es bei den 16, um mögliche
Redundanzen zu verhindern. Zusätzlich wurden die vorher ermittelten Testbäume als Trainingsda-
ten in den Algorithmus mit einbezogen. Als Endprodukt erfolgte die Generierung einer themati-
schen Karte (Abbildung 4), die mit einer Sicherheit von 81,75% den Infizierungsstatus darstellt,
wobei jedoch 13,37% der infizierten Bäume unentdeckt blieben (DADRASJAVAN et al. 2019: 312 &
314).

Abbildung 4: Klassifikationsergebnis der infizierten und gesunden Bäume (DADRASJAVAN et al. 2019: 316)

Nach Angaben der Autor*innen lässt sich diese Fehlerquote auf die Heterogenität der Baumkronen
mit sowohl gesunden als auch kranken Blättern zurückführen. Im Vorfeld sollte ein genaueres

13
Training des Klassifikators erfolgen, wodurch die Differenzen innerhalb der Baumkrone besser de-
tektierbar sei. Auch eine andere Zusammenstellung der Vegetationsindizes könnte zu exakteren
Ergebnissen führen. Dennoch zeigt die Studie auf, dass der Einsatz von UAVs ein probates Mittel
zur schnellen Erfassung von Krankheiten bei Zitrusfrüchten sein kann (DADRASJAVAN et al. 2019:
316f).
Die Publikation von GARCIA-RUIZ et al. (2012: 107) untersuchte ebenfalls die Detektion
von HLB-infizierten Bäumen durch UAVs. Zusätzlich verglichen sie die gewonnen Daten noch
gegenüber flugzeugbasierten Aufnahmen und analysierten die Präzision verschiedener Algorithmen
mit unterschiedlicher Anzahl von Spektralmerkmalen. Als Forschungsgebiet dient ein Teil der
Orangenplantage der Universität Florida. Aufgrund der begrenzten Flugzeit des gewählten UAVs
von 10 bis 20 min galt nur ein 0,35 ha großes Areal als Untersuchungsregion. Während die Flug-
zeugdaten mit einer Hyperspektralkamera mit 128 Kanälen aus einer Höhe von 640 m erstellt wur-
den, war das UAV mit einer sechsbändigen Multispektralkamera ausgestattet, die Szenen bei einer
Flughöhe von 100 m aufnahm. Dabei hatten die Flugzeugszenen eine räumliche Auflösung von 0,5
m pro Pixel und die UAV-Bilder 5,45 cm pro Pixel. Die sechs Kanäle des UAV-Sensors wurden
mittels Filter auf verschiedene 10 nm weite Spektralbereiche zentriert, um aus 12 Eigenschaften die
geeignetsten zu extrahieren. So wurden für den ersten Flug am 14. Februar 2012 die Kanäle auf 530
nm, 610 nm, 690 nm, 740 nm, 850 nm und 900 nm und beim zweiten Flug am 08. März 2012 die
Bänder auf 440 nm, 480 nm, 560 nm, 660 nm, 710 nm und 810 nm eingestellt. Anhand der Poly-
merase-Kettenreaktion-Methode wurden vorab bereits 19 gesunde und 19 infizierte Bäume erfasst
und mit einem GPS-Gerät lokalisiert, um damit später die Klassifikationsalgorithmen zu trainieren
und die Ergebnisse zu evaluieren. Außerdem dienten acht über das Areal verteilte Platten als Bo-
denkontrollpunkte zur Georeferenzierung (GARCIA-RUIZ et al. 2012: 107f & 110).
Zur Klassifizierung der Baumkronen fand der Normalized Difference Vegetation Index
(NDVI) Verwendung, wobei Pixel, die den Schwellenwert von 0,2 übertrafen, folglich als Baum
klassifiziert wurden. Für die weitere Analyse der Vegetationsgesundheit wurden aus den 12 vorher
festgelegten Spektralmerkmalen sechs Bänder ausgewählt: 530 nm, 560 nm, 660 nm, 690 nm, 710
nm und 900 nm. Fast deckungsgleiche Kanäle konnte für die Flugzeugdaten genutzt werden. Aus
diesen Bändern ließen sich 7 Vegetationsindizes errechnen und somit insgesamt 13 Spektralwerte
ableiten. Mit statistischen Methoden erfolgte eine Selektion bestimmter Merkmale, die in Kombi-
nation vierer Algorithmen die HLB-infizierten Bäume bestimmen sollten. Zu den Klassifikations-
algorithmen zählen die Linear Discriminant Analysis (LDA), Quadratic Discriminant Analysis
(QDA) und die Support Vector Machine (SVM) mit und ohne Kernelfunktion (GARCIA-RUIZ et al.
2012: 108-110). Wie zu erwarten zeigen die erkrankten Bäume vor allem ein erhöhtes

14
Reflexionsvermögen im sichtbaren Bereich des elektromagnetischen Spektrums, während ihre
Rückstrahlung im nahen Infrarotbereich schwächer war als die der gesunden Bäume (Abbildung 5).

Abbildung 5: Durchschnittliche spektrale Reflexionswerte der 19 gesunden und 19 HLB-infizierten Bäume gene-
riert durch Flugzeug- und UAV-Bilddaten (GARCIA-RUIZ et al. 2012: 111)

Ferner ist festzuhalten, dass die UAV-Daten stärker mit den Bodenmessungen überein-
stimmten als die Flugzeugbilder. Es ist davon auszugehen, dass die höhere räumliche Auflösung
der UAVs zu einer geringeren Vermischung der Oberflächenrückstrahlung innerhalb der Bild-
punkte beiträgt (GARCIA-RUIZ et al. 2012: 110f). Des Weiteren ermöglichten die hochauflösenden
Szenen auch bessere Klassifikationsergebnisse als die des Flugzeugs. Die Genauigkeiten variieren
je nach gewählter Anzahl von Spektralmerkmalen und Algorithmus für die Flugzeugszenen zwi-
schen 61% bis 74% und für die UAV-Daten zwischen 67% bis 85%. Das beste und damit genauste
Resultat von 85% mit einer falsch-negativ Detektion von 11% wurde dabei aus 6 Spektralmerkma-
len des UAVs unter Anwendung des SVM-Algorithmus mit Kernelfunktion erzielt (GARCIA-RUIZ
et al. 2012: 112f). Die Ergebnisse sind vielversprechend und verdeutlichen das Potenzial einer
UAV-basierten Erfassung der HLB-Krankheit als kostengünstige und effiziente Alternative zur
Flugzeugfernerkundung. Grundsätzlich ist die minimale Flugzeit als limitierender Faktor zu nen-
nen, weshalb sich die Anwendung auf kleinerer bis mittlere Betriebe beschränkt (GARCIA-RUIZ et
al. 2012: 114).

3.2 Detektion von Wasserstress

Häufig werden Zitrusfrüchte in semiariden Regionen angepflanzt, wo Wasser nur in begrenzter
Quantität vorhanden ist. Auch wenn Zitruspflanzen mit geringen Wassermengen auskommen, ist
ein effizientes Bewässerungsmanagement essenziell, um Ressourcen einzusparen. Ein weit verbrei-
tetes Verfahren in der Landwirtschaft ist die regulated deficit irrigation (RDI) beziehungsweise die
regulierte Defizitbewässerung, bei der versucht wird mit einer Reduzierung des Wassereintrags
während bestimmter Wachstumsphasen dieselben Erträge bei gleicher Fruchtqualität sicherzustel-
len. Für die Gewährleistung einer positiven Ernte bei defizitären Wassergebrauch bedarf es

15
Indikatoren und Instrumenten, die wassergestresste Pflanzen erkennen, damit Verluste vermieden
werden können (GONZALEZ-DUGO et al. 2014: 95; STAGAKIS et al. 2012: 48).
Die Wissenschaft konnte schon seit längerer Zeit eine Korrelation zwischen der Baumkro-
nentemperatur und der Transpirationsrate herleiten. Wassergestresste Pflanzen schließen ihre Sto-
mata, wodurch sie einen Wasserverlust unterbinden wollen. Folglich nimmt der Kühlungseffekt der
Transpiration ab und gleichzeitig steigt die Blatttemperatur. Auf Basis dieses Prinzips entwickelten
Forscher*innen den Crop Water Stress Index (CWSI) als normalisierte Differenz der Baumkronen-
temperatur zur Lufttemperatur in Relation zum Sättigungsdefizit der Umgebung (Formel 2). Die
errechneten Werte befinden sich zwischen 0 und 1, wobei ersteres auf ausreichende Bewässerung
und zweiteres auf starken Wasserstress deutet. Die untere Grenze (Tc-Ta)LL, auch als Non Water
Stress Baseline (NWSB) definiert, steht im linearen Zusammenhang zum Sättigungsdefizit und be-
schreibt Pflanzen unter optimalen Wasserbedingungen, die eine maximale Transpirationsrate auf-
weisen. Einfach gesagt, hängt die Verdunstungsrate der Vegetation vom Wasserdampfgehalt in der
Luft ab, weshalb bei höheren Sättigungswerten entsprechend eine geringere stomatäre Transpira-
tion zu erwarten ist. Die obere Grenze (Tc-Ta)UL wird als horizontale Gerade am Schnittpunkt der
NWSB mit der Y-Achse gezeichnet und korrespondiert mit einer angehaltenen Pflanzenverduns-
tung. Demzufolge ist der CWSI stets abhängig von der untersuchten Pflanzenart und den klimati-
schen regionalen Gegebenheiten (GONZALEZ-DUGO et al. 2014: 94).
(𝑇𝑇𝑐𝑐−𝑇𝑇𝑎𝑎 )−(𝑇𝑇𝑐𝑐 −𝑇𝑇𝑎𝑎 )𝐿𝐿𝐿𝐿
Formel 2: Crop Water Stress Index 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 = (𝑇𝑇𝑐𝑐 −𝑇𝑇𝑎𝑎 )𝑈𝑈𝑈𝑈 −(𝑇𝑇𝑐𝑐 −𝑇𝑇𝑎𝑎 )𝐿𝐿𝐿𝐿

GONZALEZ-DUGO et al. (2014: 95) haben in ihrer Forschung die Anwendungsmöglichkeiten und
Limitationen des CWSI, der als Wasserstressindikator dient, für Orangen- und Mandarinenbäume
bei unterschiedlichem Bewässerungsverfahren untersucht. Dabei verwendeten sie eine Kombina-
tion aus UAV-gestützten und bodenbasierten Thermaldaten und versuchten eine Korrelation zum
Wasserpotenzial der Pflanzen herzustellen. Die Studie erstreckte sich über den Zeitraum von 2009
bis 2011, wobei ein 0,6 ha großes Areal einer kommerziellen Plantage in der Nähe von La Campana,
Sevilla in Spanien Betrachtungsgestand war. In dem Forschungsdesign erfolgte eine Aufteilung der
Zitrusbäume in Parzellen mit vier verschiedenen Bewässerungsarten:
• C: Eine vollständige Bewässerung, die an die Bedürfnisse der Pflanze angepasst ist
• RDI1: Für den Zeitraum von Mitte Juni bis Anfang September wurde die Wasserversorgung
auf 37% von C herabgesetzt
• RDI2: Ähnlich wie RDI1 mit einer 50%igen Reduzierung von C
• F: Entspricht dem kommerziellen Standard.
Der defizitäre Wassereinsatz bezieht sich nur auf einen bestimmten Zeitraum, bei der die Frucht-
entwicklung am wenigsten auf Wasserstress reagiert. Nach der Stressperiode erhielten die Pflanzen

16
wieder ihren vollen Bedarf. Die unterschiedliche Bewässerung sollte sich in den Ergebnissen des
CWSI widerspiegeln und möglicherweise eine optimalere Praxis im Umgang mit Wasserressourcen
aufzeigen. Zur Errechnung des CWSI war es zunächst wichtig kontinuierliche Wetterdaten, wie die
Lufttemperatur und relative Luftfeuchtigkeit zu messen. Ebenso waren acht Kontrollbäume ausge-
wählt, deren Baumkronentemperaturen durch Punktsensoren über den Untersuchungszeitraum auf-
gezeichnet wurden. Pro Pflanzenart waren jeweils zwei der Bewässerungsmethode C und RDI1
gewählt, während die gut bewässerten Pflanzen als Grundlage zur Errechnung der NWSB dienten.
Auf Grund der pflanzenphysiologischen Unterschiede zwischen Mandarinen und Orangen muss
jeweils eine angepasste NWSB bestimmt werden (GONZALEZ-DUGO et al. 2014: 95f).
Als Fernerkundungsinstrument waren zwei verschiedene UAVs in Verwendung. In Nut-
zung war zunächst eine 2 m große Fixed-Wing-Drohne mit einer einstündigen Flugzeit, die nur mit
einer thermalen Kamera ausgestattet war und auf einer Höhe von 250 m Bilder in einer räumlichen
Auflösung von 35 cm pro Pixel aufnahm. Später war ein 5 m breites Fixed-Wing-UAV im Einsatz,
das gleichzeitig eine thermale und eine hyperspektrale Kamera mit 260 Bändern tragen konnte. Bei
einer Höhenlage von 550 m ergab sich ebenfalls eine räumliche Auflösung von 35 cm pro Pixel.
Zusätzlich war durch die zweite Plattform eine deutliche längere Flugzeit von drei Stunden garan-
tiert. Die Thermalbilder aus der Luft wurden in Verbindung mit den Informationen der Kontroll-
bäume verwendet, um eine CWSI-Karte zu erstellen. Zur statistischen Überprüfung der CWSI-
Werte, wurden von jeweils acht Kontrollbäumen pro Bewässerungsmethode das Wasserpotenzial
(Stem Water Potential, SWP) errechnet. Der SWP-Wert ist ein gängiger Indikator zu Bestimmung
des Pflanzenwasserhaushalts und war demzufolge geeignet, um eine Korrelation zwischen CWSI
und Wasserstress zu überprüfen (GONZALEZ-DUGO et al. 2014: 96).
Während der Forschung sind die Autor*innen auf einige Hindernisse gestoßen, die beispielsweise
mit der täglichen Variation der Baumkronentemperatur oder der Ausbildung neuer Blätter zusam-
menhängt. Vor allem mittags kam es teilweise zu Temperaturschwankungen der Pflanzenoberflä-
che von 1°C, weshalb sich die Quantifizierung der NWSB als schwierig herausstellte. Die Bezie-
hung zwischen Sättigungsdefizit und Tc-Ta, die als Grundlage zur Berechnung der NWSB dient,
war signifikant (p < 0,001), allerdings lagen die Determinationskoeffizienten (r²) nur zwischen 0,33
und 0,56 (GONZALEZ-DUGO et al. 2014: 96-98). Weitere Erschwerung erfolgte durch die unter-
durchschnittliche Ernte im Jahr 2010, die mit dem Wachstum neu gebildeter Blätter einherging. Die
Transpirationsmechanismen junger Blätter sind nicht vollends entwickelt, wodurch sie ungefähr
2,8-mal mehr verdunsten. Dies führte zu einer Reduzierung der Temperatur um 1°C, weshalb die
Werte von 2010 für die Ermittlung des CWSI unbrauchbar waren. Allgemein war jedoch eine Be-
ziehung zwischen dem CWSI und dem Wasserstress der Zitruspflanzen zu beobachten. Während
die Kontrollbäume für die Jahre 2009 und 2011 mit optimaler Bewässerung (C) durchgehend Werte

17
um 0 aufwiesen, war für die defizitär bewässerten Bäume (RDI1) ein Anstieg des Indikators bis 0,8
und 0,85 zu sehen. Die aus der Fernerkundung generierten Thermaldaten ermöglichten die Erstel-
lung einer CWSI-Karte (Abbildung 6), um so einen Überblick des gesamten Forschungsareal zu
erlangen. In der Karte konnten für die C-Parzellen und RDI1-Felder durchschnittlich ein CWSI von
0,35 beziehungsweise 0,66 errechnet werden. Insgesamt zeigte die statistische Analyse einen nega-
tiven exponentiellen Zusammenhang für beide Sorten, sodass der CWSI zu 59% (Mandarinen) und
66% (Orangen) die Varianz der gemessenen SWP-Werte erklären konnte (Abbildung 7) (GONZA-
LEZ-DUGO et al. 2014: 96-99). Es zeigt sich, dass Faktoren wie Temperaturschwankungen oder
neues Blattwachstum stärker berücksichtig werden müssen, um stabilere Ergebnisse zu erzielen
(GONZALEZ-DUGO et al. 2014: 101f).

Abbildung 6: CWSI-Karte aus UAV-basierten Thermaldaten mit einer Auflösung von 35cm (GONZALEZ-
DUGO et al. 2014: 102)

Abbildung 7: Beziehung zwischen Wasserpotenzial (SWP) und CWSI für Mandarinen (links) (p < 0,01) und für
Orangen (rechts) (p < 0,001), Determinationskoeffizienten sind aus der Abbildung zu entnehmen (GONZALEZ-
DUGO et al. 2014: 100)

18
 Neben dem zuvor beschriebenen CWSI gibt es in der Wissenschaft noch eine Reihe anderer
Indikatoren, die zur Detektion von Wasserstress verwendet werden. Darunter fällt unter anderem
der Photochemical Reflectance Index (PRI), der ursprünglich als optischer Indikator der photosyn-
thetischen Strahlungsnutzungseffizienz bei Pflanzen genutzt wurde. Der PRI reagiert auf das Ver-
hältnis der Xanthophyll-Pigmente innerhalb der Blätter. Durch die Deepoxidase ändert sich diese
Zusammensetzung bei gestressten Pflanzen. Mithilfe der Spektroskopie kann die Reflexionsverän-
derung dieser Blattpigmente erfasst werden, was Rückschlüsse über den Wasserstatus liefert. Der
Index wurde einst für das Blattniveau mit 570 nm (PRI570) als Referenzband entwickelt. Will der
PRI durch Fernerkundungsmethoden erfasst werden, sollte allerdings der Anteil der Biomasse, die
Beleuchtung und Hintergrundrückstrahlung oder die Variabilität der Blattpigmentkonzentration be-
achtet sein, weshalb eine Anpassung des Referenzbandes erfolgen muss (STAGAKIS et al. 2012: 48).
In der Studie von STAGAKIS et al. (2012: 48f) wurde versucht durch hochauflösende UAV-
Daten den PRI zur Analyse des Wasserstatus und der Fruchtqualität von Orangen- und Mandari-
nenbäumen zu nutzen. Dabei verwendeten sie einen modifizierten PRI mit 515 nm als Referenzband
(Formel 3), um Einflüsse der Baumkronenstruktur auszugleichen. Gleichzeitig sollte überprüft wer-
den, ob der veränderte PRI515 schnellere Schlussfolgerungen über Wasserstress und Qualität ermög-
licht als der herkömmliche PRI570 oder Vegetationsindizes, wie dem Normalized Difference Vege-
tation Indix (NDVI), Renormalized Difference Vegetation Index (RDVI) und Modified Triangular
Vegetation Index (MTVI). Bei dem Untersuchungsgebiet handelt es sich um dasselbe wie bei GON-
ZALEZ-DUGO et al. (2014) in der Region La Campana mit der zuvor erwähnten Bewässerungsme-
thode (F heißt hier Field, C heißt hier ET, RDI1 und RDI2 haben deckungsgleiche Bezeichnungen).
Um die Qualität des Index zu überprüfen, versuchten die Forschenden eine Korrelation zwischen
verschiedenen Messwerten, wie beispielsweise dem Wasserpotenzial, abzuleiten. Ebenso wurden
Säure- und Zuckergehalt als Indikatoren der Fruchtqualität erfasst, auf die allerdings im Rahmen
dieser Arbeit nicht näher eingegangen werden kann (STAGAKIS et al. 2012: 49).
𝑅𝑅515 −𝑅𝑅531
Formel 3: Modified Photochemical Reflectance Index 𝑃𝑃𝑃𝑃𝑃𝑃515 = 𝑅𝑅515 +𝑅𝑅531

Für die Generierung der Luftdaten war ein UAV mit einer sechsbändigen Multispektralka-
mera in Benutzung. Die Sensoren zeichnen sich durch eine radiometrische Auflösung von 10 Bit,
einer Brennweite von 8,5 mm und eine Bildauflösung von 1280 x 1024 Pixel aus, sodass bei einer
Flughöhe von 250 m eine räumliche Auflösung von 30 cm ermöglicht war. Des Weiteren waren die
Kanäle auf 515 nm, 530 nm, 570 nm, 670 nm, 700 nm und 880 nm zentriert, um etwaige Vegeta-
tionsindizes und PRI berechnen zu können. Insgesamt wurden im Jahr 2009 vier Flüge (19. Juni, 5.
August, 4. September und 25. September) durchgeführt, um den Zeitraum der Defizitbewässerung
(11. Juni bis 22. September) abzudecken (STAGAKIS et al. 2012: 50). Da nur die Bäume und nicht
der restliche Untergrund von Relevanz waren, wurden die reinen Spektraldaten der Kronen

19
extrahiert und schließlich in 1. sonnenbeleuchtete Kronendächer, 2. gesamtes Kronendach und 3.
Gesamtreflexion unterteilt. Darauf aufbauend wurden die verschiedenen Vegetationsindizes und
PRI-Varianten angewendet. Ähnlich wie beim CWSI, ließ sich aus den Daten eine thematische
Karte erstellen, aus der sich ein Überblick des Wasserstatus ableiten lässt (Abbildung 8) (STAGAKIS
et al. 2012: 51).

Abbildung 6: PRI-Karte (STAGAKIS et al. 2012: 57)

Bei der Betrachtung der Wasserpotenzialmessungen zeigt sich, dass die Behandlungsweisen
Field, ET, aber auch RDI2 kaum Veränderungen aufweisen und folglich nicht unter Wassermangel
leiden. Nur bei RDI1 spiegelt sich der Wasserstress in den Werten wider. Dies lässt darauf schlie-
ßen, dass eine adäquate defizitäre Bewässerung, während einer bestimmte Wachstumsphase, keine
unmittelbaren negativen Folgen für die Pflanze mit sich bringen muss. Die Vegetationsindizes
konnten bei den ersten drei Messungen keinen signifikanten Beziehungen zum Wasserhaushalt her-
stellen. Erst die Daten vom 25. September, als sich die Baumkronenstruktur bereits veränderte,
zeigten für NDVI, MTVI und RDVI einen signifikanten Zusammenhang (p < 0,01). Im Gegensatz
zu den Vegetationsindizes konnte der modifizierte PRI515 bereits am 4. September eine signifikante
Beziehung (p < 0,01) mit einer moderaten Korrelation (r²=0,49) aufweisen (Abbildung 8), während
der PRI ohne Anpassung für eine fernerkundliche Erfassung von Wasserstress ungeeignet war. Im
Vergleich zu den anderen Vegetationsindizes wird deutlich, dass der angepasste Index durchaus
frühere, wenn auch gemäßigte, Abhängigkeiten aufzeigen kann (STAGAKIS et al. 2012: 52 & 56).

3.3 Prognose von Ernteerträgen

Für Produzent*innen von Agrargütern ist die exakte Vorhersage über zukünftige Ernteerträge von
großer Bedeutung, da diese Daten ihnen bessere Verhandlungsoptionen geben. Zu hohe Unter-
schiede zwischen der tatsächlichen und der prognostizierten Menge führen zu Strafen seitens der

20
Abnehmer*innen. Teilweise müssen bei überschüssigen Erträgen andere Käufer*innen gefunden
werden, die die Ware zu günstigeren Preisen aufkaufen. Im Extremfall kommt es zu einem Verlust
der Ernte (APOLO-APOLO et al. 2020: 8). Häufig werden Prognoseinformationen auf Basis histori-
scher Daten, Erfahrungen oder durch Expert*innen bestimmt. Bei der visuellen Interpretation zei-
gen sich mitunter aber Fehlerquoten von 15-25%, weshalb präzisere Prozesse gefordert sind. Durch
die zunehmende wissenschaftliche Entwicklung mit dem einhergehenden Fortschritt im Bereich der
Computertechnologie ergaben sich einige neuartige Methoden zur Ermittlung der Ernteerträge. Da-
runter fällt beispielsweise die Erfassung der spektralen Strahlung der Pflanzen, die mittels Algo-
rithmen Aussagen über die Ernte ergeben soll. Dieses Instrument ist aufgrund von Lichtverände-
rungen ebenfalls anfällig für Ungenauigkeiten. Mittlerweile erfreuen sich Methoden der Künstli-
chen Intelligenz (KI) beziehungsweise der Künstlichen Neurale Netze (KNN) als Unterklasse des
maschinellen Lernens (ML) immer größerer Beliebtheit im Bereich der Erntedetektion. Dabei han-
delte es sich um eine nicht-lineare Informationsverarbeitung, die auf Grundlage von Musteranalyse
und Merkmalsextraktion probiert das Wissen und die Intuition von Landwirt*innen zu imitieren
oder gar zu übertreffen (APOLO-APOLO et al. 2020: 1f).
Im wissenschaftlichen Kontext wird maschinelles Lernen für Prognosezwecke zumeist mit-
tels bodenbasierter Bilddaten durchgeführt. Dies kann zuweilen sehr arbeits- und zeitintensiv sein,
weshalb APOLO-APOLO et al. (2020: 2) in ihrer Forschung versucht haben, durch die Kombination
von UAV-Daten und einem Neuralen-Netzwerk-Modell, Orangenerträge zu prognostizieren, um
diese mit visuellen Methoden zu vergleichen. Damit zählt sie zu einer der ersten Studien, die unter
Hinzunahme von Fernerkundungsdaten, die Ernte von Zitrusfrüchten bestimmen will. Der Unter-
suchungszeitraum erstreckte sich von 2017 bis 2019, wobei eine 4 ha große kommerzielle Zitrus-
fruchtplantage in der Umgebung von Sevilla, Spanien betrachtet wurde. Als UAV wurde die DJI
Phantom 3 Professional genutzt, an die eine RGB-Kamera mit einer Bildauflösung von 4000 x 3000

Abbildung 7: Arbeitsablauf der beidseitigen Erfassung der Testbäume (APOLO-APOLO et al. 2020: 3)

21
Pixeln angebracht war. Bei einer Flughöhe von ungefähr 5 bis 6 Metern wurden Bilder mit einer
räumlichen Auflösung von 0,26 cm pro Pixel aufgenommen. Diese hohe Auflösung ist notwendig,
um eine erfolgreiche Detektion durch maschinelles Lernen gewährleisten zu können. Von insge-
samt 1654 Orangenbäumen wählte die Forschenden 20 Zufällige aus, die zwei Wochen vor Ernte-
beginn beidseitig fotografiert wurden und deren Erträge anhand des Modells errechenbar sein soll-
ten (Abbildung 9). Zum Vergleich der Ergebnisse wurden die Orangen dieser Testbäume manuell
gezählt und gewogen (APOLO-APOLO et al. 2020: 2).
KNN-Modelle sind darauf ausgelegt die Merkmale von Bildern, in diesem Fall Orangen, zu
erkennen. Dabei sind sie hierarchisch aufgebaut, während die erste Ebene zunächst nur Linien und
einfache Flächen wahrnimmt, können tiefere Ebenen komplexe Formen erkennen (APOLO-APOLO
et al. 2020: 4). Damit das Modell die Charakteristika einer Orange erfassen kann, ist eine beträcht-
liche Menge an Bildern erforderlich (APOLO-APOLO et al. 2020: 3). Bei neu erstellen Modellen
werden mehrere zehntausend Daten benötigt, weshalb das bereits erlernte Wissen eines schon trai-
nierten KNN Verwendung fand. Dessen Datensatz umfasste bereits 330.00 Bilder, die als Orange
definiert waren. Diese Bilder unterschieden sich allerdings von denen der Forschung, weshalb für
das Training vorab 300 Aufnahmen erstellt wurden. Durch Rotation wurden diese vervielfältig,
wodurch insgesamt 900 Bilder zur Verfügung standen. Innerhalb dieser Daten erfolgte eine händi-
sche Lokalisierung und Markierung der Orangen als Übungsgrundlage des KNN (APOLO-APOLO et
al. 2020: 4f). Nachdem die Orangen detektierbar waren, galt es die Größe und Ernte zu quantifizie-
ren. Für die Ertragsabschätzung wurde extra ein Modell entwickelt, dass auf der absoluten Fruchtan-
zahl pro Baum, der Ernte pro Baum und dem Gesamtertrag beruht. Die Berechnungen unterliegen
einigen Schwierigkeiten, da davon auszugehen ist, dass die Bilder nicht die eigentliche Produktion
repräsentieren. Ferner sorgen Faktoren wie Klima, Düngeeintrag oder Krankheit dafür, dass kein
linearer Verlauf zu erkennen ist. Die Fruchtgrößen lassen sich aus dem Verhältnis der Entfernung
von Kamera zum Objekt ermitteln. Als Referenz galt ein Zollstock, dessen Dimension bekannt war,
womit die Bildpunkte in metrische Größenordnungen übertragen werden konnten. Dabei galt es
zunächst die Orangen und den Maßstab anhand ihrer Farbwerte zu maskieren. Folgend wurden
Kästen um die Objekte erzeugt, durch die der Durchmesser ermittelbar war und schließlich die
Flächen errechnet werden konnte. Je nach Größe werden die Früchte in verschiedene Kategorien (0
– 13) unterteilt, die wichtige Hinweise über Fruchtqualität, Marktwert oder Erntezeitpunkt liefern
(APOLO-APOLO et al. 2020: 6 & 10).
Die Verdeckung der Früchte durch Blätter oder Äste sorgte bei der Detektion für einige
Hindernisse, dennoch konnten über 90% der Früchte erkannt werden. Bei der Bestimmung der
Fruchtgrößen kam es zu einigen Abweichungen, sodass diese zumeist als leicht größer als die Rea-
lität eingestuft wurden. Dies lässt sich darauf zurückführen, dass bei der Berechnung die gesamten

22
Orangenbäume erfasst wurden, die mit jeweils nur 20 Früchten pro Baum verglichen wurden. Die
Ertragsabschätzungen lagen durchschnittlich 7,22% von der eigentlichen Ernte entfernt. Bedingt
durch überdurchschnittliche Erträge im Jahr 2016 war hier eine Abweichung von 11,52% zu erken-
nen. 2017 waren mit 4,34% jedoch besonders gute Ergebnisse zu verzeichnen. Die Prognose der
Expert*innen wich mit durchschnittlich 13,74% vergleichsweise stärker von der Realernte ab, als
die Modellrechnung. Nach Angaben der Autor*innen lässt sich unter Anwendung der KNN-Me-
thode für die Plantage eine Ersparnis von 2979 € pro Saison ermöglichen. Generell ist festzuhalten,
dass dieses Modell eine relativ präzise Prognose ermöglicht, die näher an der Wirklich liegt als die
der Fachleute (APOLO-APOLO et al. 2020: 6-10).

4. Diskussion
Vorab ist anzumerken, dass sich der Einsatz von UAVs im Bereich der Landwirtschaft noch in den
Anfängen befindet und dementsprechend bisher keine standardisierten Methoden vorzufinden sind
(TSOUROS et al. 2019: 1). Es zeigt sich jedoch, dass UAVs, als Instrument zwischen der Flugzeug-
und der Bodenerfassung, nützliche Informationen über Vegetationsparameter liefern können. Aus-
gestattet mit hochauflösenden Sensoren können sie dabei helfen, eine agrarwirtschaftliche Produk-
tion zu schützen oder gar zu verbessern.
In dieser Ausarbeitung wurden verschiedene Studien vorgestellt, die sich im Kontext der
Zitrusfruchtproduktion, mit der Detektion von Krankheiten und Wasserstress sowie der Prognose
von Ernteerträgen befassen. Zitrusfrüchte sind besonders durch die Huanglongbing-Krankheit
(HLB) bedroht, die zu einer Minderung der Fruchtqualität oder zum Absterben des ganzen Baumes
führt. Da noch kein Gegenmittel vorhanden ist, ist das Monitoring ein essenzieller Bestandteil, um
dieser Krankheit entgegenzuwirken (GARCIA-RUIZ et al. 2012: 106; GARZA et al. 2019: 1f). Verfah-
ren, wie eine visuelle Interpretation, können nur mit einer 47 bis 59%igen Sicherheit einen Befall
erkennen. Laboranalysen sind zwar die exakteste Methode, aber dennoch mit einem hohen Arbeits-
und Kostenaufwand verbunden (DADRASJAVAN et al. 2019: 307). UAVs sollen hierbei als preis-
wertes Fernerkundungsinstrument eine effizientere Detektion ermöglichen. DADRASJAVAN et al.
(2019: 309) haben in ihrer Forschung versucht mithilfe von UAV-Szenen gesunde und kranke Zit-
rusbäume voneinander zu unterscheiden. Anhand von Multispektraldaten wurden Vegetationsindi-
zes abgeleitet, die als Grundlage für eine weitere Klassifikation dienten. Diese Methode erlaubte
ihnen insgesamt 81,75% der infizierten Bäume zu erkennen, wobei 13,37% unentdeckt blieben
(DADRASJAVAN et al. 2019: 314). Aus einer Kombination von Spektralmerkmalen und unter An-
wendung des Support Vector Machine (SVM) Algorithmus mit Kernelfunktion konnten GARCIA-
RUIZ et al. (2012: 112) sogar mit einer Sicherheit von 85% die Hunaglongbinginfektion einer Oran-
genplantage erfassen. Die falsch-negativ Detektion lag hier bei 11%. Obgleich die Genauigkeiten

23
beider Studien als hohe Werte zu lesen sind, darf nicht ungeachtet bleiben, dass jeweils ungefähr
12% der infizierten Bäume nicht erkannt wurden. Dieser nicht-identifizierte Teil könnte zu einer
Ausweitung der Infektion beitragen, was mit ökonomischen Schäden einhergeht. Generell sorgt die
unterschiedliche Ausprägung von kranken und gesunden Blättern innerhalb einer Baumkrone für
eine erschwerte Distinktion. Es bedarf weiterer Forschung, die sich mit der idealen Zusammenset-
zung von Spektralmerkmalen und Klassifikationsmethoden auseinandersetz, um einheitliche Stra-
tegien zu entwickeln (DADRASJAVAN et al. 2019: 316f). Im Vergleich zu Flugzeugdaten und der
Interpretation durch Expert*innen zeigt sich allerdings jetzt schon, dass hochauflösende UAV-Bil-
der erstens kostengünstigere und zweitens präzisere Ergebnisse erzielen können. Während die
DNA-Sequenzierung mehrere Monate in Anspruch nehmen kann, lassen sich durch UAVs ganze
Agrarflächen innerhalb kürzester Zeit analysieren (DADRASJAVAN et al. 2019: 307f; GARCIA-RUIZ
et al. 2012: 114).
Da Zitrusfrüchte vor allem in semiariden Gebieten angebaut werden, bedarf es einer defizi-
tären Bewässerung, um Ressourcen einzusparen. Dabei soll die Fruchtqualität und der Ernteertrag
keinesfalls beeinträchtigt werden (STAGAKIS et al. 2012: 48). Infolgedessen ist die Bestimmung des
Wasserhaushalts von großer Bedeutung. Ein gängiger Indikator ist die Berechnung des Wasserpo-
tenzials anhand von Blattmessungen, die auf das Baumniveau extrapoliert werden. Diese Methode
ist mitunter sehr zeitintensiv und repräsentiert nur bedingt die Variabilität innerhalb einer Plantage
(GONZALEZ-DUGO et al. 2014: 95). Als Lösungsansatz verwendeten GONZALEZ-DUGO et al. (2014:
95) den CWSI, der aus einer Kombination von Punktmessungen und thermalen UAV-Daten errech-
net wurde. Dabei war eine Korrelation zwischen CWSI-Werten und Wasserpotenzialmessungen
von r² = 0,59 (Mandarinen) und r² = 0,66 (Orangen) feststellbar. Grundsätzlich benötigt es eine
genauere Bestimmung der Temperaturschwankungen, um stärkere Korrelationen herzuleiten. Den-
noch zeigt sich in dieser Studie der CWSI als geeigneter Indikator zur ersten Wasserstresserken-
nung beider Zitrusfruchtarten (GONZALEZ-DUGO et al. 2014: 101f). Der PRI stellt eine weitere
Möglichkeit dar, Trockenstress durch UAVs zu bestimmen. Ursprünglich für das Blattlevel entwi-
ckelt, fand bei STAGAKIS et al. (2012: 48f) eine modifizierte Variante (PRI515) Verwendung, die auf
das Baumkronenniveau angepasst war. Bei der Betrachtung des Zusammenhangs zwischen Was-
serpotential und angepassten PRI515, ist zunächst keine Korrelation erkennbar. Ab dem 25. Septem-
ber konnten jedoch gemäßigte Beziehung von r² = 0,49 errechnet werden. Trotz des eher moderaten
Zusammenhangs zwischen PRI515 und Pflanzenwasserhaushalt, zeigt dieser angepasste Index den-
noch eine frühere Abhängigkeit und ermöglicht demzufolge eine raschere Ermittlung des Wasser-
stress gegenüber den üblichen Vegetationsindizes. Dadurch wären Landwirt*innen in der Lage eine
effektivere Begutachtung des Pflanzenstatus zu erfassen, um entsprechend bei Negativeinflüssen
des Trockenstresses intervenieren zu können (STAGAKIS et al. 2012: 52 & 56).

24
 Ernteprognosen sind ein weiteres wichtiges Element in der Agrarwirtschaft. Sie ermögli-
chen den Landwirt*innen optimalere Verhandlungspositionen und das Einsparen finanzieller Mit-
tel. Die Interpretation durch Expert*innen unterliegt einer 15 bis 25%igen Fehleinschätzung. Dar-
über hinaus sind Spektroskopieverfahren auf Grundlage bodenbasierter Daten sehr zeit- und ar-
beitsintensiv. Deshalb eignen sich UAVs als günstigere und schnellere Alternative. Bei Früchten
können im Vergleich zu Getreidepflanzen nicht über digitale Geländemodelle und Vegetationsin-
dizes Vorhersagen abgeleitet werden, weshalb auf Methoden des maschinellen Lernens zurückge-
griffen werden muss. Dies kann sich als schwierig herausstellen, da von Blättern verdeckte Früchte
nicht durch UAVs erfassbar sind (APOLO-APOLO et al. 2020: 1f). APOLO-APOLO et al. (2020: 2)
haben aus dem Zusammenspiel von UAV-Bilddaten und einem Neuralen-Netzwerk-Modell pro-
biert, die Ernteerträge einer Zitrusfruchtplantage zu prognostizieren. Dabei lagen die errechneten
Vorhersagen durchschnittlich 7,22% von der Realernte entfernt. Im Gegensatz dazu zeigten die
Prognosen der Expert*innen durchschnittliche Abweichungen von 11,52% auf (APOLO-APOLO et
al. 2020: 8). Somit lagen die Modellrechnungen näher an der tatsächlichen Ernte als die Ergebnisse
der visuellen Schätzungen. Es ist davon auszugehen, dass eine Weiterentwicklung der Methode
zukünftig zu noch präziseren Ergebnissen führen wird.
Insgesamt zeigt sich schon heute das Potenzial der UAVs im Bereich der Landwirtschaft. Mit Me-
thoden der Fernerkundung auf Basis von Multispektral-, Hyperspektral- und Thermaldaten lassen
sich Vegetationsparameter bestimmen, die Aufschlüsse über Krankheit, Wasserstress oder zu er-
wartende Ernten liefern. Die Weiterentwicklung und Etablierung einheitlicher Verfahren sind Vo-
raussetzung, damit UAVs einen noch größeren Nutzen erzielen können.

5. Fazit
Probleme wie Krankheitsbefall, Trockenstress, Klimawandel oder eine wachsende Weltpopulation
sind Konflikte der Agrarproduktion, die es zu bewältigen gilt (FAO 2018: 57; RADOGLOU-GRAM-
MATIKIS et al. 2020: 1). Die Methoden der Precision Agriculture (PA) können dabei helfen, diese
Hindernisse zu überwinden (SISHODIA et al 2020: 2). Vor allem der Einsatz von Informationstech-
nologien und Fernerkundungsmethoden sind hierbei von großer Relevanz. Dabei nehmen UAVs
eine besondere Rolle ein, da sie vergleichsweise kostengünstig sind und gleichzeitig hochauflö-
sende Bilddaten generieren können. Sie ermöglichen eine effiziente und schnelle Erfassung von
Vegetationsparametern (RADOGLOU-GRAMMATIKIS et al. 2020: 1f). Die Analyse beruht auf dem
unterschiedlichen Reflexionsverhalten von Oberflächen, weshalb UAVs in der Regel mit entspre-
chenden Sensoren ausgestattet sind. Die gewonnen Daten erlauben beispielsweise die Herleitung
von Vegetationsindizes, die wiederum Rückschlüsse über Biomasse, Wasserstress oder Krankheits-
befall liefern können. Ferner ermöglicht die elektromagnetische Rückstrahlung verschiedener

25
Oberflächen eine Unterscheidung, sodass sich diese klassifizieren lassen (DE LANGE 2020: 482f;
RADOGLOU-GRAMMATIKIS et al. 2020: 4; SISHODIA et al. 2020: 8f; TSOUROS et al. 2019: 15).
Im Bereich der Zitrusfruchtproduktion konnten bereits gute Resultate mit UAV-Daten er-
reicht werden. Der Krankheitsbefall durch Huanglongbing stellt eine große Bedrohung für Land-
wirt*innen dar. Eine Infektion führt zur Qualitätsminderung oder zum Absterben der Bäume, was
mit enormen ökonomischen Verlusten einhergeht. Mit UAVs sind schon heute Genauigkeiten von
81,75 bis 85% realisierbar. Trotz dessen ist eine Weiterentwicklung der Methoden notwendig, um
eine höhere Präzision zu erzielen (DADRASJAVAN et al. 2019: 314; GARCIA-RUIZ et al. 2012: 112f).
Die Untersuchung des Wasserhaushalts durch CWSI oder PRI515 ist ebenso wichtig, da bei einer
regulierten Bewässerung Trockenstress schnellstmöglich identifiziert werden muss. Trotz modera-
ter Korrelationen beider Indizes, können sie als erstes Anzeichen für Veränderungen bezüglich des
Wasserhaushalts genutzt werden (GONZALEZ-DUGO et al. 2014: 99; STAGAKIS et al. 2012: 52). Bei
der Ertragsprognose konnte durch eine Kombination von UAV-Daten und einem Neurale-Netze-
Modell akkurate Vorhersagen getroffen werden. Die durchschnittliche Abweichung zur tatsächli-
chen Ernte lag bei 7,22% und war damit präziser als die der Fachleute. Eine solche Anwendung
könnte die Verhandlungsoptionen der Landwirt*innen stärken (APOLO-APOLO et al. 2020: 6-10).
UAVs erweisen sich als nützliches Instrument in der Agrarwirtschaft, da sie im Vergleich
zu Satelliten, Flugzeugen und Expert*innen zumeist exaktere und kostengünstigere Ergebnisse er-
zielen. Dennoch ist eine Fortentwicklung der Methoden notwendig. In der Zukunft sollten sich stan-
dardisierte Methoden etablieren, die eine Detektion der Vegetationsparameter einheitlich gestaltet.

26
Literaturverzeichnis

Adão, T., Hruška, J., Pádua, L., Bessa, J., Peres, E., Morais, R., Sousa, J.J., 2017. Hyperspektral
Imaging: A Review on UAV-Based Sensors, Data Processing and Applications for Agri-
culture and Forestey. Remote Sensing 9. 1-30.

Apolo-Apolo, O.E., Martínez-Gaunter, Egea, J., Egea, G., Pérez-Ruiz, M., 2020. Deep learning
techniques for estimation of the yield and size of citrus fruits using a UAV. European Jour
nal of Agronomy 115. 1-11.

Colomina, I., Molina, P., 2014. Unmanned aerial systems for photogrammetry and remote sensing:
A review. IPSRS Journal of Photogrammetry and Remote Sensing 92. 79-97.

DadrasJavan, F., Samadzadegan, F. Pourazar, S.H.S., Fazeli, H., 2019. UAV-based multispectral
imagery for fast Citrus Greening detection. Journal of Plant Diseases and Protection 126.
307-318.

De Lange, N., 2020. Geoinformatik in Theorie und Praxis. Grundlagen von Geoinformationssyste-
men, Fernerkundung und digitaler Bildverarbeitung. Springer Spektrum Verlag, Heidel-
berg.

FAO, 2018. E-Agriculture In Action: Drones For Agriculture. FAO, Rom.

Garcia-Ruiz, F., Sankaran, S., Maja, J.M., Lee, W.S., Rasmussen, J., Ehsani, R., 2012. Comparison
of two aerial imaging platforms for identification of Huanglongbing-infected citrus trees.
Computers and Electronics in Agriculture 91. 106-115.

Garza, B.N., Ancona, V., Enciso, J., Perotto-Baldivieso, H.L., Kunta, M., Simpson, C., 2019. Quan-
tifying Citrus Tree Health Using True Color UAV Images. Remote Sensing 12. 1-13.

Gonzalez-Dugo, V., Zarco-Tejada, P.J., Fereres, E., 2014. Applicability and limitations of using the
crop water stress index as an indicator of water deficits in citrus orchards. Agricultural and
Forest Meterology 198-199. 94-104.

27
Maes, W.H., Steppe, K., Perspectives for Remote Sensing with Unmanned Aerial Vehicles in Pre-
cision Agriculture. Trends in Plant Science 24. 152-161.

Mountrakis, G., Im, J., Ogole, C., 2010. Support vector machines in remote sensing: A review.
ISPRS Journal of Photogrammetry and Remote Sensing 66. 247-259.

Radoglou-Grammatikis, P., Sarigiannidis, P., Lagkas, T., Moscholios, I., 2020. A compilation of
UAV application for precision agriculture. 172. 1-18.

Sishodia, R.P., Ray, R.L., Singh, S.K., 2020. Application of Remote Sensing in Precision Agricul-
ture: A Review. Remote Sensing. 12. 1-32.

Stagakis, S., González-Dugo, V., Cid, P., Guillén-Climent, M.L., Zarco.Tejada, P.J., 2012. Moni-
toring water stress and fruit quality in an orange orchard under regulated deficit irrigation
using narow-band structural and physiological remote sensing indices. ISPRS Journal of
Photogrammetry and Remote Sensing 71. 47-61.

Tsouro, D.C., Bibi, S., Sarigiannidis, P.G., 2019. A Review on UAV-Based Applications for Pre-
cision Agriculture. Information 10. 1-26.

28
Eigenständigkeitserklärung

Hiermit versichere ich, dass ich diese Hausarbeit selbstständig verfasst und keine anderen als die
angegebenen Quellen und Hilfsmittel benutzt habe. Die Stellen meiner Arbeit, die dem Wortlaut
oder dem Sinn nach anderen Werken und Quellen, einschließlich der Quellen aus dem Internet,
entnommen sind, habe ich in jedem Fall unter Angabe der Quelle als Entlehnung kenntlich gemacht.
Dasselbe gilt sinngemäß für Tabellen, Karten und Abbildungen.

Köln, den 28.02.2021

_____________________________________________
Datum, Unterschrift

29