Langfristige Ertragsbewertung auf Basis von Fernerkundungsbildern aus Zeitreihen

Dieses Projekt, das auf Satellitenfernerkundungsdaten aus Zeitreihen und in Kombination mit Parzellenabgrenzung, phänologischer Periodenanalyse und historischer Ertragsbewertung basiert, führte eine Langzeitstudie zur Ertragsbewertung von Zielparzellen durch. Durch präzise Datenverarbeitung und -analyse liefert es eine wissenschaftliche Grundlage für die Parzellenertragsbewertung und leistet einen Beitrag zum präzisionsorientierten Agrarmanagement.

1. Abgrenzung von Grundstücksgrenzen 

Ausgehend von der bereitgestellten Referenzfläche (Sanfenchang) wurden weitere Flächen, insgesamt 40, für die nachfolgende Analyse unterteilt.

Die Gesamtverteilung der Grundstücke ist wie folgt, wobei die Zahlen in den Parzellen die Parzellen-IDs darstellen.

Abbildung 1. Schematischer Lageplan

2. Bestimmung der phänologischen Periode 

Mithilfe von Satellitenfernerkundungsbildern aus Zeitreihen wurde der NDVI-Vegetationsindex aller Parzellen von 2023 bis 2024 kartiert. Die periodischen Veränderungen des Vegetationsindex wurden genutzt, um die Pflanzsaison und die spezifische phänologische Phase zu bestimmen und so ein Referenzfenster für die nachfolgende Ertragsprognose zu schaffen.

Abbildung 2. Zeitreihe des NDVI-Vegetationsindex für alle Parzellen von 2023 bis 2024

Die obige Abbildung zeigt die relative Position der Zielparzelle im Vergleich zu allen anderen Parzellen hinsichtlich des Wachstums. Das Gesamtwachstum über das Jahr liegt nahe am Durchschnitt, was darauf hindeutet, dass das Wachstum der Zielparzelle in einem weiten Bereich durchschnittlich ist. Dies spiegelt sich auch in der nachfolgenden Grafik zur langfristigen Ertragsentwicklung und der jährlichen Ertragsverteilung wider.

Abbildung 3. Zielplots und alle Plots in 2023-2024  Zeitreihendiagramm des durchschnittlichen NDVI-Vegetationsindex.

Abbildung 4. Boxplot des durchschnittlichen NDVI-Vegetationsindex für die Zielfläche und alle Flächen im Zeitraum 2023-2024

Abbildungen 3 und 4 zeigen die Vergleichsergebnisse zwischen der Zielparzelle und dem Durchschnittsniveau. Typ 1 repräsentiert die Zielparzelle, Typ 2 den Durchschnitt der Parzellen. Es ist ersichtlich, dass das Wachstum der Zielparzelle im Keimlingsstadium vor dem Winter schlechter als der Durchschnitt war. Obwohl das Wachstum im anschließenden Schossstadium dem Durchschnitt entsprach oder sogar etwas darüber lag, war der effektive Bestockungsgrad vor dem Winter aufgrund der Bestockungseigenschaften von Gräsern niedriger als der Durchschnitt, sodass der Endertrag dem Durchschnittsniveau entsprach.

In diesem Schritt wurden Daten aus allen Parzellen der Vegetationsperiode 2023-2024 verwendet und eine dynamische Zeitverzerrung sowie eine lineare Interpolation durchgeführt, um kontinuierliche Zeitreihenbilder für eine genaue Analyse zu erzeugen.

3. Bewertung der Produktionsleistung über einen langen Zyklus 

Abbildung 5. Diagramm zur Bewertung der Produktionsleistung über einen langen Zyklus

Die obige Grafik zeigt die statistischen Daten zur Ertragsentwicklung der letzten fünf Jahre. Langfristige Ertragsinformationen lassen sich aus den zyklischen Ertragsschwankungen von Nutzpflanzen gewinnen, um die Ertragsentwicklung eines Anbaufeldes umfassender und genauer zu beurteilen, Probleme zu identifizieren und gezielte Verbesserungen vorzunehmen.

Die Zahlen in der Grafik geben die Anzahl der Jahre mit höheren Erträgen für die jeweilige Parzelle in den letzten fünf Jahren an. Der Wertebereich liegt zwischen -5 und 5. Die Berechnung erfolgt wie folgt: Die jährliche Ertragsentwicklung wird statistisch analysiert und mithilfe eines Clustering-Algorithmus gruppiert. Die Ertragsentwicklung jedes Jahres wird als gut oder schlecht kategorisiert. Gut bedeutet, dass der Ertrag in diesem Jahr über dem Durchschnitt aller Parzellen lag, schlecht bedeutet, dass er darunter lag. Die Ertragsentwicklung jedes Jahres der letzten fünf Jahre wird berechnet, und anschließend wird die Anzahl der Jahre mit guter Ertragsentwicklung von der Anzahl der Jahre mit schlechter Ertragsentwicklung subtrahiert. Dies ergibt die Zahlen in den obigen Grafiken. Positive Werte zeigen an, dass die Anzahl der Jahre mit guter Ertragsentwicklung größer ist als die Anzahl der Jahre mit schlechter Ertragsentwicklung, was auf eine generell höhere Ertragsentwicklung hindeutet. Negative Werte hingegen deuten auf das Gegenteil hin.

Abbildung 6. Produktionsverteilung aller Parzellen im Jahr 2024

Abbildung 6 zeigt den Ertrag der einzelnen Parzellen im Jahr 2024, jeweils pro Mu (Flächeneinheit). Zielparzellen sind weiß umrandet. Rote und blaue Legenden kennzeichnen Erträge, die unter bzw. über dem Durchschnitt liegen. Zur Klassifizierung wurde eindimensionales, unüberwachtes Clustering verwendet, das im Vergleich zum einfachen Durchschnittsvergleich Ausreißer und Grenzfälle besser verarbeiten und somit die Zuverlässigkeit der Klassifizierung erhöhen kann. Die Kartendaten entsprechen den Daten der Ertragsstatistiktabelle.

Insgesamt beträgt der Unterschied zwischen den Parzellen mit dem niedrigsten und dem höchsten Ertrag 100–170 Jin/Mu. Der Ertrag jeder Parzelle schwankt von Jahr zu Jahr zwischen 10 und 50 Jin/Mu, und auch die jährlichen Ertragsunterschiede zwischen den einzelnen Parzellen variieren.

Mithilfe der oben genannten Produktionsanalyse können wir ein besseres Verständnis der jährlichen Produktionsverteilung gewinnen, Parzellen mit hohem Produktionspotenzial identifizieren und ein gezieltes Management durchführen.