Verbundprojekt: Einbindung von Fernerkundungs- und Nahbereichsdaten in ein mechanistisches, physiologisches Model zur Bewässerungssteuerung im Obstbau; Teilvorhaben: Referenzdatenerfassung, Kalibrierung und Einbindung von Sensordaten in physiologische Modelle

Abstract

Das IRRIWELL-Projekt ist ein Verbundforschungsprojekt, das darauf abzielt, Fernerkundungs- und proximale (vor Ort erhobene) Sensordaten in ein mechanistisches, physiologisches Modell für das Bewässerungsmanagement in Obstplantagen zu integrieren. Das übergeordnete Ziel ist es, die Effizienz und Nachhaltigkeit der Bewässerung im kommerziellen Obstbau, insbesondere in Deutschland für Apfel- und Kirschanlagen, durch den Einsatz kostengünstiger Sensortechnologien und physiologischer Datenmodellierung zu verbessern. Das Leibniz-Institut für Agrartechnik und Bioökonomie (ATB) leitete das Teilprojekt zur Erprobung kostengünstiger Sensoren, und hierbei die Erhebung von Sensordaten über einen Zeitraum von drei Jahren, die Erhebung von Referenzdaten, die Vorverarbeitung von Sensordaten, Kalibrierung und konzeptionelle Arbeiten zur Datenintegration in (Teil-)Modelle. Die Projektdauer erstreckte sich von Juni 2021 bis November 2024. Versuchsanlagen des ATB-Projekts waren ‘Gala-Brookfield’-Apfelbäume (auf M9-Unterlage) und Süßkirschbäume (‘Regina’ auf Gisela-Unterlagen), darunter sowohl traditionelle als auch innovative Bi-baum©-Architekturen. Die Standorte wiesen sandige Böden mit geringer Wasserhaltekapazität und Fruchtbarkeit auf, typisch für die Obstanbauregion Brandenburg. Wetter- und Bodenparameter wurden kontinuierlich sowohl mit Standard- als auch kostengünstiger Wetterstation überwacht. Ein Schwerpunkt des ATB-Teilprojekts lag auf der Blattflächenbestimmung, einer Schlüsselvariable für die Bewässerungsmodellierung. Es wurden mehrere Methoden eingesetzt, darunter LiDAR-Scans mit dualen 2D-LiDAR-Sensoren, die auf einem Kreisförderer montiert waren. Mit dem Fördersystem wurden mehr als 1200 Scans von Baumkronen in verschiedenen Wachstums- stadien durchgeführt. Die daraus resultierenden 3D Punktwolken ermöglichten eine präzise Bestimmung der Blattfläche pro Baum, die an ausgewählten, vollständig entlaubten Bäumen manuell referenziert wurde. Kommerzielle Satellitenbilder aus den Jahren 2020–2024 wurden verarbeitet, um Vegetationsindizes (NDVI, LAI) abzuleiten. Diese wurden mit korrigierten Satellitendaten, LiDAR- und manuellen Daten verglichen. Zusätzliche Blattflächendaten wurden mithilfe von Smartphone-Apps (z. B. Viticanopy) und einem neuen kostengünstigen RGBD-Sensor erhoben. Weitere physiologische Messungen umfassten Gasaustauschanalysen am Blatt, Saftfluss-, Turgor- und Dendrometersensoren zur Bewertung des Wasserstatus der Pflanzen. Ähnliche Messungen von Satellitendaten, des Blattgaswechsels, Dendrometer und Saftflusses erfolgten bei allen IRRIWELL-Partnern, so dass ein umfangreicher Datensatz aus unter- schiedlichen Klimabedingungen erarbeitet wurde. Die Daten aller Sensoren wurden entweder bereits in wissenschaftlichen Artikeln aus dem Projekt veröffentlicht oder als Open Access für die Wiederverwendung durch andere Arbeitsgruppen und zukünftige eigene Publikationen bereitgestellt. Die Hauptergebnisse am ATB liefern Einblicke in die Blattflächenbestimmung im Obstbau: Die Beziehung zwischen LiDAR-basierten 3D Punktwolken und manuell gemessener Blattfläche wurde mit hoher Genauigkeit modelliert (R² zwischen 0,86–0,96). Das Fehlerquadrat (RMSE) lag je nach Wachstumsstadium zwischen 2,4 % und 6,4 %, was LiDAR-Analysen als zuverlässige Referenz-methode bestätigt. Satellitenbasierte Werte für den Blattflächenindex neigten im Vergleich zu bodengestützten Methoden zu Über- oder Unterschätzungen der Blattfläche, hauptsächlich aufgrund des Ein- flusses der Wegbegrünung zwischen den Baumreihen, die sich im Saisonverlauf aufgrund von Wachstum und Trockenheit stark verändert. Der Frühjahrsaustrieb war in Satellitendaten kaum erkennbar, was die Bedeutung von Bodenreferenzmessungen für die Kalibrierung unterstreicht. Die Kombination aus LiDAR- und App-Daten, die Referenzdaten für jeden Satelliten- überflug liefern, kann eine robustere Interpolation des Baumwachstums ermöglichen. Weitere Sensorevaluierungen umfassten Machbarkeitstests in enger Zusammenarbeit mit den Irriwell-Partnern: Der Prototyp eines kostengünstigen Saftflusssensors wurde getestet, aber aufgrund von Signalinstabilität und Problemen mit der Stromversorgung nicht weiterverfolgt. Dendrometer und Turgorsensoren lieferten wertvolle kontinuierliche Daten zum Wasserstatus der Bäume. Dendrometer-Daten wurden genutzt, um Stammumfangsschwankungen und deren Beziehung zu Umweltvariablen und Ernteereignissen aufzuzeigen. Das IRRIWELL-Teilprojekt am ATB demonstriert die Machbarkeit und den Nutzen der Integration kostengünstiger Sensortechnologien und Fernerkundungsdaten in physiologische Bewässerungsmanagementmodelle für Obstanlagen. Zu den Erfolgen zählen hochauflösende Methoden zur Blattflächenschätzung mittels LiDAR und potenziell RGBD-Sensorik sowie der Aufbau einer robusten Dateninfrastruktur für zukünftige Forschung und praktische Anwendungen. Die Projektergebnisse unterstützen Ansätze der präzisen Obstbaupraxis und ermöglichen effizientere und nachhaltigere Bewässerungsmethoden im kommerziellen Obstbau. Laufende Arbeiten umfassen weitere Datenanalysen, Manuskripterstellung mit allen Partnern und speziell INRAe zur Blattflächenschätzung sowie die Open-Access-Veröffentlichung von Datensätzen und Tools. The IRRIWELL project is a collaborative research project aimed at integrating remote sensing and proximal (on-site) sensor data into a mechanistic, physiological model for irriga- tion management in fruit orchards. The overarching goal is to enhance irrigation efficiency and sustainability in commercial fruit production, in Germany particularly for apple and cherry orchards, by leveraging affordable sensor technologies and advanced data modelling. The Leibniz Institute for Agricultural Engineering and Bioeconomy (ATB) led the sub-project focused on the integration of lowcost sensors, acquisition of reference data, preprocessing of sensor data, calibration, and conceptual work on data integration into physiological models. The project’s duration spans from June 2021 to November 2024. Test Sites of the ATB project were ‘Gala-Brookfield’ apple trees (on M9 rootstock) and sweet cherry trees (‘Regina’), including both traditional and innovative Bi-baum© archi-tectures. The sites featured sandy soils with low water-holding capacity and fertility, typical for the Brandenburg fruit production region. Weather and soil parameters were continuously monitored with both standard and low-cost weather stations, soil moisture sensors, and nutrient sensors. A major focus of the ATB subproject was the accurate estimation of leaf area, a key variable for irrigation modelling. Multiple methods were used, capturing LiDAR Scanning with dual-wavelengths 2D LiDAR sensors mounted on a circular conveyor system. Using the conveyor system, more than 1200 scans of tree canopies were obtained at various growth stages. The resulting point clouds enabled precise estimation of leaf area per tree, which were manually referenced on select trees, fully defoliated for reference leaf area measurements. Commercial satellite imagery (Geodim, Spain) from 2020–2024 was acquired and processed to derive vegetation indices (NDVI, LAI). These were compared against corrected satellite data, LiDAR, and manual data. Additional leaf area data were collected using smartphone apps (e.g., Viticanopy) and new low-cost RGBD sensor. Other physiological measurements captured gas exchange analysis, sap flow, turgor, and dendrometer sensors to assess plant water status. Data from all sensors were stored in ATB’s databases and either published already in research articles from the project or made open-access for reuse by other work groups and own publications planned for 2025-2026. Main results provide insights in leaf area estimation in fruit production: The relationship between LiDAR-derived point counts and manually measured leaf area was modelled with high accuracy (adjusted R² values of 0.86–0.96). The root mean square error (RMSE) ranged from 2.4% to 6.4% across growth stages, confirming LiDAR as a reliable reference method. Satellite-derived values on leaf area index tended to over- or underestimate leaf area compared to ground-based methods, mainly due to the influence of grass cover between tree rows, varying during the season. The spring leaf-expansion was hardly detectable in satellite data, highlighting the importance of ground reference measurements for calibration. The combination of LiDAR and mobile app data, providing reference data for each satellite overpass, may better enable robust interpolation of tree growth. Further sensor evaluation captured feasibility tests in close cooperation with Irriwell partners: A prototype low-cost sap flow sensor was tested but discontinued due to signal instability and power supply issues. Dendrometers and turgor sensors provided valuable continuous data on tree water status. Dendrometer data were used to publish a scientific article on stem diameter variation and its relationship to environmental variables and harvest events. The IRRIWELL subproject at ATB demonstrates the feasibility and value of integrating low-cost sensor technologies and remote sensing data into advanced irrigation management models for fruit orchards. Achievements include high-resolution methods for leaf area estimation using LiDAR and potentially RGBD sensing and development of a robust data infrastructure for future research and practical application. The project’s outcomes support precision horticulture approaches, enabling more efficient and sustainable irrigation practices in commercial fruit production. Ongoing work includes further data analysis, manuscript preparation with all partners and INRAe on the leaf area estimation, and the open-access publication of datasets and tools. So far, the project has contributed to scientific knowledge through publications, presentations, and collaborative work with the international partners.