Grünland. Das Ertragspotential genau kennen
Sensoren, Fernerkundung und Künstliche Intelligenz – je nach Betrieb, Technik und Verfügbarkeit kommen unterschiedliche Verfahren zur Ertragserfassung im Grünland infrage. Unsere Autoren stellen Vorteile und Grenzen vor.
Welche Methode zur Ertragserfassung im Grünland ist für den eigenen Betrieb am besten geeignet? Das hängt vor allem von der eingesetzten Erntetechnik sowie von den regional verfügbaren Verfahren ab. Die Betriebsgröße spielt dabei nur eine untergeordnete Rolle. Neben den digitalen Verfahren ist es auch möglich, Erträge über die Verwiegung der Abfuhrgespanne zu bestimmen. Dies kann beispielsweise über eine Fuhrwerks- oder eine Achslastwaage erfolgen. Moderne Abfuhr- oder Ladewägen verfügen teilweise über integrierte Wiegesysteme, mit denen Gewichte digital erfasst und gespeichert werden können. Um zusätzlich den Trockenmasse (TM)-Ertrag zu bestimmen, ist jedoch eine repräsentative Beprobung des Ernteguts erforderlich. Der TM-Gehalt kann entweder mittels Trockenschrankmethode oder durch Laboranalysen ermittelt werden.
Das ist aber vergleichsweise arbeitsintensiv und weist besonders bei der Probennahme ein hohes Fehlerpotential auf. Zudem lassen sich damit keine teilflächenspezifischen Unterschiede erfassen und es entstehen keine georeferenzierten Daten, die später für die Erstellung von Applikationskarten benötigt werden. Aber dieses Verfahren ist für nahezu jeden Betrieb passend, da die Methode vom Bergeverfahren unabhängig und – bei Verwendung einer geeichten Waage – die einzige für die Abrechnung erlaubte ist.
Sensorgestützte Ertragserfassung
Die derzeit am häufigsten genutzte Methode zur Erfassung von TM-Erträgen ist die sensorgestützte Ertragserfassung am selbstfahrenden Feldhäcksler. Dabei detektieren Sensoren über den Auslenkungsgrad der Vorpresswalzen sowie deren Geschwindigkeit, den aktuellen Volumenstrom den aktuellen Volumenstrom des Ernteguts, der mit dem Frischmasseertrag korreliert. Den TM-Gehalt bestimmt ein am Häckslerturm verbauter Nahinfrarotspektroskopie (NIRS)-Sensor. Die Ermittlung des TM-Gehalts basiert dabei auf einem Schätzverfahren, das auf hinterlegten Kalibrierkurven sowie herstellerspezifischen Modellen beruht. Um eine hohe Genauigkeit zu gewährleisten, sind regelmäßige Aktualisierungen der Kalibrierkurven des NIRS-Sensors sowie eine laufende Kalibrierung der Frischmasseerfassung erforderlich – diese sollte mindestens einmal zu Beginn jeder Ernte erfolgen.
Ein wesentlicher Vorteil der Technik ist der geringe zusätzliche Zeit- und Arbeitsaufwand, da die Datenerfassung automatisch während der Ernte erfolgt. Zudem stehen die georeferenzierten Daten unmittelbar zur Verfügung. Im Experimentierfeld DigiMilch wurde diese Technologie über mehrere Jahre hinweg im Grünland und Feldfutterbau hinsichtlich ihrer Genauigkeit und Praxistauglichkeit untersucht. Die Ergebnisse zeigen, dass sie sehr präzise Grünlanderträge erfassen kann und für die praktische Anwendung gut geeignet ist. Dennoch weisen die erhobenen Daten insbesondere im Grünland gewisse Fehlerpotentiale auf
Schwaderarbeitsbreite und Häckslervoreinstellungen
Da Grünland nun mal im Schwad geerntet wird, ist die korrekte Einstellung der Schwaderarbeitsbreite in den Häckslervoreinstellungen entscheidend. So lassen sich die erfassten Erträge auf die Zielgröße Flächenertrag in t/ha exakt umrechnen. Zusätzlich stellt ein ungleichmäßiger Gutfluss im Feldhäcksler eine Herausforderung dar, der durch ungleichmäßige Verteilung des Ernteguts im Schwad entstehen kann. Besonders in Schwadkurven oder an -enden kann es vorkommen, dass größere Mengen Gras zusammenlaufen und der Erntegutfluss im Häckslereinzug dadurch abrupt zu- oder abnimmt.
Solche plötzlichen Veränderungen können von den Sensorsystemen nur eingeschränkt ausgeglichen werden. Auch häufiges Stoppen und Anfahren der Maschine auf dem Feld kann die Datenqualität beeinträchtigen. Bei vielen Maschinen wird die Datenerfassung beim Stoppen der Maschine oder wenn der Erntedurchfluss gegen null geht, nicht automatisch unterbrochen, solange der Vorsatz nicht vollständig ausgehoben ist. Dadurch können fehlerhafte Datenpunkte entstehen, bei denen kein Ertrag registriert wird, obwohl er auf der Fläche vorhanden ist – oder umgekehrt. Zwar verfügen viele Hersteller inzwischen über integrierte Datenfilter zur automatischen Bereinigung solcher Fehler, dennoch kann eine vollständige Korrektur nicht immer garantiert werden. Weitere Fehlerquellen entstehen z. B. durch eine verschmutzte Scheibe des NIRS-Sensors oder fehlende oder fehlerhafte Kalibrierungen der Volumenstromerfassung.
Grundsätzlich zählt Grünland zu den Kulturen, die sich nur schwer digitalisieren lassen. Eine zentrale Herausforderung ist die hohe Artenvielfalt im Dauergrünland. Je nach Fläche variieren die Anteile von Gräsern, Kräutern und Leguminosen erheblich. Diese Unterschiede können in den Kalibrierkurven der Sensorsysteme nur begrenzt berücksichtigt werden, weshalb die Sensortechnik nicht auf jeder Fläche gleich präzise Ergebnisse liefert. Eine weitere Herausforderung ist das Sicherstellen der Datenerfassung bei jedem Schnitt. Nicht jeder am Betrieb zum Einsatz kommende Feldhäcksler ist mit entsprechender Sensortechnik ausgestattet, sodass für einzelne Schnitte dann keine Ertragsdaten vorliegen. Dies gilt auch, wenn Flächen statt zur Silageproduktion zur Heugewinnung genutzt und deshalb nicht gehäckselt werden. Zusätzlich entstehen Datenlücken häufig beim Transfer zwischen Lohnunternehmen und Betrieb.
In vielen Fällen erfolgt die Datenübermittlung manuell, beispielsweise per USB-Stick, E-Mail oder Ausdruck. Entweder fehlen Schnittstellen oder der Landwirt ist mit keinem geeigneten Farmmanagement-Informationssystem (FMIS) ausgerüstet. Erfolgt die Datenübertragung nicht zeitnah, besteht zudem die Gefahr, dass Daten verloren gehen oder später nicht mehr verfügbar sind. Einige Hersteller von Feldhäckslern haben auf diese Problematik bereits reagiert und eigene FMIS-Plattformen entwickelt. Dadurch können Ertragsdaten automatisiert übertragen und direkt nach der Ernte vom Landwirt eingesehen, verarbeitet und exportiert werden.
Fernerkundungsverfahren gewinnen an Bedeutung
Besonders durch die Entwicklungen im Bereich der Künstlichen Intelligenz (KI) rücken Satellitendaten und Drohnenaufnahmen immer stärker in den Fokus. Während Satellitenbilder mittlerweile vergleichsweise einfach verfügbar sind, erfordern Drohnenbefliegungen einen höheren Aufwand bei der Datenerhebung. Die im Rahmen des Copernicus-Programms der Europäischen Weltraumorganisation (ESA) gestarteten Satelliten Sentinel-1 und Sentinel-2 liefern etwa alle fünf Tage aktuelle Bilder der Erdoberfläche. Diese Daten stehen über den Copernicus-Browser nach einer einmaligen kostenlosen Registrierung frei zur Verfügung. Die Rohdaten allein reichen jedoch nicht aus, um Erträge abzuleiten. Hierfür werden trainierte KI-Modelle benötigt, die verschiedene Eingangsdaten miteinander verknüpfen. Dazu zählen z. B. Sensordaten aus der Ernte, Ergebnisse aus Feldversuchen, Wetter-, Boden- sowie Satellitendaten. Auf Basis dieser Informationen können ausgewählte KI-Algorithmen Erträge schätzen. In den vergangenen Jahren wurden sowohl von wissenschaftlicher Seite als auch von Unternehmen zahlreiche Modelle entwickelt. Viele Softwareanbieter ermöglichen das Erstellen von Applikationskarten auf Grundlage von Satellitendaten. Diese Karten stellen jedoch häufig »nur« Ertragspotentiale dar und keine realen Erträge in t/ha.
Derzeit existieren nur wenige Systeme, die speziell für Grünland ausreichend getestet und validiert wurden. Darüber hinaus konzentrieren sich viele Modelle bislang ausschließlich auf Biomasseerträge und nicht auf TM-Erträge. Als Vorreiter bei der Entwicklung eines Modells zur Schätzung von TM-Erträgen im Grünland gilt die Höhere Bundeslehr- und Forschungsanstalt für Landwirtschaft in Raumberg-Gumpenstein in Österreich. Dort wurde ein Ertragsschätzmodell entwickelt, das im März 2026 erstmals als Anwendung für alle österreichischen Landwirte bereitgestellt wurde. Mithilfe dieser App kann sich jeder Landwirt sowohl geschätzte optimale Schnittzeitpunkte als auch TM-Erträge in Form von Zeitreihen für jede eigene Grünlandfläche anzeigen lassen. Es ist davon auszugehen, dass solche Entwicklungen in den kommenden Jahren deutlich zunehmen werden. Der Fokus liegt dabei auf dem praxisorientierten KI-Einsatz.
Im Teilprojekt »Datenmanagement und -vernetzung«, des neu aufgelegten Experimentierfelds DigiMilchPro werden verschiedene Möglichkeiten zur Erstellung von Ertrags- und Applikationskarten für die teilflächenspezifische Bewirtschaftung untersucht. Die erste Hürde besteht in der Definition der Ertragszonen. Dafür sind in jedem Fall mehrjährige Ertragsdaten aus möglichst vielen Schnitten erforderlich oder alternativ Ertragspotentialkarten bzw. eine Kombination beider Ansätze.
Diese Karten sollen anschließend in Praxisbetrieben für Versuche zur teilflächenspezifischen Düngung und Nachsaat eingesetzt werden. Zum einen ist das Ziel, herauszufinden, wie groß die Unterschiede zwischen einzelnen Ertragszonen sein müssen, damit sich der teilflächenspezifische Ansatz lohnt. Zum anderen sollen sowohl das Datenmanagement als auch die Datenvernetzung im Grünland praxisnah weiterentwickelt und gleichzeitig die ökonomischen sowie ökologischen Effekte einer teilflächenspezifischen Bewirtschaftung wissenschaftlich bewertet werden.
Fazit
Digitale Technologien sind hilfreiche Tools, die die Grundlage für eine effiziente und nachhaltige Grünlandbewirtschaftung bilden. Insbesondere KI-basierte Verfahren eröffnen landwirtschaftlichen Betrieben neue Chancen, um das Betriebsmanagement noch effizienter zu gestalten. Die Sensortechnik am Feldhäcksler ist praxisreif und im nächsten Schritt gilt es herauszufinden, wie gut die am Markt angebotenen Datenverarbeitungsprodukte sind und welches Potential die teilflächenspezifische Bewirtschaftung mit sich bringt. Bereits jetzt empfiehlt sich eine grobe Differenzierung der Grünlandflächen: Ertragsarme (Teil-)Flächen extensiv nutzen oder als Altgrasstreifen belassen, um Betriebskosten zu senken und Förderprämien (z. B. Ökoregelung 1d) zu beanspruchen.
