HyLAP - Hyperspektrale Produkte für die Landwirtschaft

Abstract

Das Projekt HyLAP ("Hyperspektrale Produkte für die Landwirtschaft") wurde von der OHB System AG von Januar 2025 bis April 2026 im Rahmen des DLR-Ideenaufrufs zur kommerziellen Nutzung von EnMAP-Daten durchgeführt. Ziel war es, aus hyperspektralen Satellitendaten Informationsprodukte für die landwirtschaftliche Praxis zu entwickeln, deren Mehrwert gegenüber multispektralen Daten aufzuzeigen und potenzielle Nutzer auf die künftige Copernicus-Mission CHIME vorzubereiten. Gemeinsam mit Nutzern aus Wirtschaft und Behörden (KWS SAAT; Vereinigte Hagelversicherung; Landwirtschaftliches Zentrum für Rinderhaltung, Grünlandwirtschaft, Milchwirtschaft, Wild und Fischerei Baden-Württemberg; Bayerische Landesanstalt für Landwirtschaft) wurden vier Anwendungsfälle aus Ackerbau und Grünlandwirtschaft definiert und über die gesamte Laufzeit begleitet. Methodisch beruhten die meisten Produkte auf einem hybriden Ansatz aus dem Strahlungstransfermodell PROSAIL-PRO und der Gaußprozess-Regression. Der Bestandswassergehalt wurde über die Invertierung des Lambert-Beer'schen Gesetzes abgeleitet. Sämtliche Algorithmen wurden beschleunigt und parallelisiert; zusätzlich wurden die Modelle falls möglich auf Sentinel-2 übertragen. Die Validierung stützte sich auf In-situ-Kampagnen in Südwestpolen, Norditalien und Süddeutschland. Für Getreide lieferten die EnMAP/PRISMA-Modelle gute Ergebnisse für Chlorophyllgehalt, Blattflächenindex, flächenbasierten Blatt-Stickstoffgehalt und Bestandswassergehalt; die Biomassemodelle hingegen sättigten bei hohen Werten. Die Sentinel-2-Modelle performten für Chlorophyllgehalt und LAI vergleichbar, zeigten aber durchgehend höhere Modellunsicherheiten und versagten bei der Schätzung des Stickstoffgehaltes. Im Grünland waren LAI und Gesamt-Stickstoffgehalt mit EnMAP/PRISMA-Modellen gut schätzbar, während Biomasseschätzungen nicht robust waren. Sentinel-2-Modelle zeigten im Grünland eine schlechtere Performance als Hyperspektralmodelle bzw. waren nicht in der Lage die Zielvariable (Biomasse) zu schätzen. Als weiterführende Produkte wurden Zeitreihen zum Bestandsmonitoring sowie die Kartierung von Zuckerrübenkrankheiten über den Bestandswassergehalt demonstriert. Die Ergebnisse wurden in einem öffentlich zugänglichen Demonstratorpaket aufbereitet. Für eine operationelle Nutzung in der Landwirtschaft bleiben eine höhere zeitliche und räumliche Auflösung hyperspektraler Systeme sowie standardisiert erhobene Referenzdaten die entscheidenden Voraussetzungen. The HyLAP project ("Hyperspectral Products for Agriculture") was carried out by OHB System AG from January 2025 to April 2026 under the DLR call for innovative methods and services for the commercial use of EnMAP data. Its objectives were to develop information products for agricultural practice from hyperspectral satellite data, to demonstrate their added value over multispectral data, and to prepare potential users for the upcoming Copernicus CHIME mission. Together with users from industry and public authorities (KWS SAAT; Vereinigte Hagelversicherung; Landwirtschaftliches Zentrum für Rinderhaltung, Grünlandwirtschaft, Milchwirtschaft, Wild und Fischerei Baden-Württemberg; Bayerische Landesanstalt für Landwirtschaft), four use cases from arable farming and grassland management were defined and followed throughout the project. Methodologically, most of the products were based on a hybrid retrieval approach combining the radiative transfer model PROSAIL-PRO with Gaussian Process Regression. Canopy water content was retrieved by inverting the Beer-Lambert's law. All algorithms were accelerated and parallelized; in addition, the models were transferred to Sentinel-2 wherever possible. Validation drew on in-situ campaigns in south-west Poland, northern Italy and southern Germany. For grains, the EnMAP/PRISMA models yielded good results for chlorophyll content, LAI, area-based leaf nitrogen content and canopy water content, whereas the biomass models saturated at high values. Sentinel-2 performed comparably for chlorophyll and LAI in grain fields but showed consistently higher model uncertainties and failed for nitrogen content estimation. In grassland, LAI and nitrogen content were retrieved well with EnMAP/PRISMA-based models, while biomass estimates were not robust. Sentinel-2 models performed less well than hyperspectral models in grassland or were unable to estimate the target variable (biomass). As secondary products, time series for crop development monitoring and the mapping of sugar beet diseases via canopy water content were demonstrated. The results were compiled into a publicly available demonstrator package. Operational uptake for agriculture applications will require hyperspectral systems with higher temporal and spatial resolution, along with reference data collected via common standards.