Agrarsysteme der Zukunft: GreenGrass - Innovative Nutzung des Grünlands für eine nachhaltige Intensivierung der Landwirtschaft im Landschaftsmaßstab; Teilprojekt I

Abstract

Im Rahmen von GreenGrass war es das Ziel, innovative Fernerkundungstechnologien zu entwickeln und zu erproben, um die futterbauliche und biotische Ausstattung der Landschaft in hoher räumlicher und zeitlicher Auflösung zu analysieren. Diese Erkenntnisse sollen als Grundlage für eine effiziente Steuerung der Nutztiere in der Landschaft und eine optimierte Weidenutzung dienen. Die Satelliten des Copernicus Programms ermöglichen mit 10-20 m Auflösung die Abbildung der kleinräumigen Heterogenität des Grünlandes. Während Sentinel-1 witterungs- und wetterunabhängig aufzeichnet (C-Band SAR), bietet die multispektrale Auflösung von Sentinel-2 einen idealen Zugang zu den spektralen Eigenschaften des Grünlandes. Die hohe raum-zeitliche Auflösung resultiert in einem Big-Data-Problem, welches effiziente und automatisierte Prozessierungsketten benötigt. Zu Beginn des Projektes wurden Fernerkundungssysteme zur Bestimmung der Biomasse und Futterqualität im Grünland nur in wenigen Studien angewandt. Wobei die Herausforderung besonders in der Verbesserung der Robustheit der Fernerkundungsverfahren zur Ableitung von Futtermasse und -qualität und der Entwicklung einer Methodik zur Beschreibung von Habitatqualität bestand. Im Rahmen des Arbeitspakets 2 - Landschaft - erfolgte die Bearbeitung von zwei Tasks. In Task 2.2 sollten verfügbare Daten der Copernicus-Satellitenkonstellation für den Untersuchungszeitraum umgesetzt werden. Die Ziele waren: 1) Entwicklung einer integrierten Vorverarbeitungskette für Sentinel-1 und Sentinel-2 Daten zur Ableitung von Phänometriken aus optischen und Radardaten. 2) Die flächendeckende Kartierung von phänologischen Veränderungen und Biomasse für die Living Labs. Und 3) die Beschreibung der Habitatqualität auf regionaler Ebene mit Fokus auf den Living Labs. In Task 2.3 wurde getestet, inwiefern UAV Daten (Task 2.1, Köln) genutzt werden können, um Modelle aus den Copernicus Daten zu verbessern. Alle geplanten Arbeiten der ersten Phase von GreenGrass wurden in angemessenem Rahmen umgesetzt und alle Meilensteine erreicht. Die getesteten und entwickelten Methoden (z.B. automatisierte Vorverarbeitungsketten, Entmischungs- und Biomassemodelle) erlauben es, die Produktivität (Biomasse, Biomassequalität) von Grünland aus Satellitendaten für alle Living-Labs abzuleiten. Die gesteigerten Prozessierungskapazitäten des in GreenGrass finanzierten Servers haben es in Kombination mit Methoden des Machine Learnings (KI) außerdem ermöglicht deutschlandweite intra-annuelle Karten zu erstellen, welche sowohl die Einschätzung der Produktivität (Biomassequalität) als auch der Phänologie und Teilaspekte der Habitatqualität (Trockenstress, Dürre-Sensitivität verschiedener EU-Habitattypen) erlauben. Für das GreenGrass-Konsortium sind diese Karten wichtige Informations-Layer, welche dazu dienen können, flächendeckend Beweidungsempfehlungen auszusprechen und zu entscheiden, wann Tiere auf welche Flächen gelenkt und von welchen Flächen sie ausgegrenzt werden sollen.