Feldschadenbewertung per Drohne: gemessen statt geschätzt

Schäden auf dem Feld werden traditionell durch Begehung und Augenmaß bewertet, etwa nach einem Extremwetterereignis. Das Ergebnis ist eine Schätzung, und Schätzungen sind bei kleinen Anteilen unzuverlässig.

Genau dort hängt aber etwas dran. Von der Schadensbewertung hängen Versicherungsmeldungen, Nachsaatentscheidungen und Ertragsprognosen ab. Wer nicht zwischen einem und fünf Prozent unterscheiden kann, entscheidet auf einer Grundlage, die den Namen nicht verdient – und der Unterschied zwischen einer Schätzung und einer Messung ist in dieser Größenordnung der Unterschied zwischen einer Vermutung und einem Nachweis.

Ein Maisfeld von etwa 9,43 Hektar, erfasst mit einer Drohne. Die Daten lagen in zwei Formen vor: als Rohbilder mit vier Spektralbändern und als LAS-Punktwolke.

Verarbeitet wurde auf einer Grundkarte im Koordinatenbezugssystem WGS 1984 Web Mercator mit vertikalen Einheiten in Metern. Erst dadurch entsteht ein georeferenzierter, integrierter räumlicher Datensatz – die Voraussetzung dafür, dass eine gemessene Fläche auch einer Stelle im Feld zugeordnet werden kann.

Die Korrektur vor der Auswertung. Die Rohbilder wurden zunächst zu einem Orthomosaik zusammengefügt. Davor lag der Schritt, der über die Belastbarkeit aller späteren Zahlen entscheidet: radiometrische Korrektur. Gemessene Helligkeitswerte einzelner Pixel, Band-zu-Band-Fehler sowie geometrische und panoramische Verzerrungen aus dem Erfassungsprozess mussten ausgeglichen werden.

Ohne diesen Schritt klassifiziert ein Modell Beleuchtungsunterschiede und Aufnahmegeometrie als Schaden. Die Prozentwerte sähen dann genauso präzise aus – und wären falsch. Das ist der unspektakuläre Teil solcher Projekte und derjenige, an dem sie stehen oder fallen.

Überwacht und unüberwacht gegeneinander stellen. Auf das Orthomosaik haben wir beide Klassifikationsansätze angewandt. Der unüberwachte Ansatz zeigt, welche Strukturen die Daten von sich aus hergeben, der überwachte prüft die fachlich definierten Kategorien. Erst gemeinsam ergibt sich Sicherheit darüber, ob eine gefundene Fläche tatsächlich eine Schadfläche ist.

Pixelweise Klassifikation nach spektralen Eigenschaften. Der trainierte Algorithmus ordnet jedes Pixel des Orthomosaiks anhand seiner spektralen Signatur einer Klasse zu. So entstehen die abgegrenzten beschädigten und ungenutzten Flächen, aus denen sich Flächenanteile berechnen lassen.

Höhe aus der Punktwolke ableiten. Aus dem LAS-Datensatz haben wir Digital Elevation Model und Digital Surface Model erzeugt. Die Differenz beider Modelle ergibt die Pflanzenhöhe – eine Information, die aus dem Bild allein nicht zu gewinnen ist und die die dritte Dimension in die Bewertung bringt.

Wachstumsstadium über den Vegetationsindex. Über eine NDVI-Schätzung auf den Rasterbildern und eine präzise Photointerpretation ließ sich das Wachstumsstadium des Maises bestimmen. Das ist für die Einordnung des Ergebnisses entscheidend: Derselbe Schadensanteil bedeutet je nach Entwicklungsstand etwas völlig anderes für den Ertrag.

Für das 9,43 Hektar große Feld ergab die Auswertung:

• 5,51 % der Fläche ungenutzt
• 0,69 % der Fläche als beschädigt klassifiziert
• 2,1 m durchschnittliche Pflanzenhöhe
• rund 29.600 Pflanzen je Hektar Bestandsdichte
• Mais zum Aufnahmezeitpunkt in der generativen Wachstumsphase

Bemerkenswert ist das Verhältnis: Die ungenutzte Fläche ist achtmal so groß wie die Schadfläche. Ein Ertragsproblem, das mit dem Wetterereignis nichts zu tun hat und bei einer Begehung als solches gar nicht auffällt – weil niemand ungenutzte Teilflächen zusammenrechnet.

Der Ablauf – Rohdaten radiometrisch korrigieren, zu einem georeferenzierten Datensatz zusammenführen, klassifizieren, aus einer Punktwolke die dritte Dimension ergänzen und das Ergebnis als Flächenanteil ausgeben – trägt über den Feldschaden hinaus: Befallserkennung, Bestandsdichte, Wachstumsmonitoring, Flächenbilanzierung. Überall dort, wo eine Fläche nicht nur beschrieben, sondern beziffert werden muss.

Die Aufnahmeseite hat sich am stärksten verändert: RTK-gestützte Drohnen mit multispektralen Sensoren liefern heute georeferenzierte Daten in einer Genauigkeit, für die früher Bodenkontrollpunkte nötig waren. Bei der Klassifikation treten Deep-Learning-Verfahren an die Stelle rein pixelweiser spektraler Zuordnung – sie bewerten Textur und Umgebung mit und sind dadurch robuster gegen Beleuchtungsunterschiede. Pflanzenzahlen bestimmen wir über Objekterkennung statt über Dichteschätzung. Punktwolken verarbeiten wir mit PDAL in cloud-nativen Formaten, Rasterdaten als Cloud-Optimized GeoTIFF mit STAC-Katalogisierung, was Auswertungen über viele Flächen und Zeitpunkte hinweg erst praktikabel macht. Und für die Skalierung von einem Feld auf eine Region kombinieren wir Drohnenaufnahmen mit Satellitenzeitreihen: die Drohne für Genauigkeit, Sentinel-Daten für Fläche und Verlauf.