Trockenstress-Früherkennung per NDVI und Bodenfeuchtesensoren

Das echte Ausmaß des Problems

In den Dürrejahren 2018 bis 2022 ist etwas passiert, das in der deutschen Forstwirtschaft als die schlimmste Kalamität seit Jahrzehnten gilt: Allein in diesem Zeitraum fielen rund 70 Millionen Kubikmeter Schadholz an, verursacht durch Trockenheit, Sturm und die durch Trockenstress begünstigte Borkenkäfer-Massenvermehrung. Der Einschlag durch Insektenbefall stieg 2019 auf fast das Dreifache des Vorjahreswerts. Der Deutsche Forstwirtschaftsrat (DFWR) schätzte den Gesamtschaden für Waldbesitzer auf mehrere Milliarden Euro, allein Transportkosten wurden auf 2,1 Milliarden Euro beziffert.

Das Kernproblem ist ein biologisches: Eine gesunde Fichte kann sich gegen Borkenkäfer wehren, mit Harzfluss, der die Larven erstickt. Aber eine trockene Fichte produziert kaum Harz. Sie ist wehrlos. Und Trockenstress setzt nicht schlagartig ein, sondern schleichend: Die Wurzeln reagieren Wochen vor der Krone. Das Chlorophyll nimmt ab. Die Vitalität sinkt. Das ist der Moment, in dem das NDVI-Signal abweicht, und der Moment, in dem noch Handlungsspielraum besteht.

Bis der Bestandesleiter das nächste Mal ins Revier geht, ist dieser Spielraum oft verstrichen. Der mittlere Begehungsturnus liegt in deutschen Forstbetrieben bei zwei bis vier Wochen. Satellitenbilder liefern denselben Flächenüberblick alle fünf Tage, automatisch, auf dem ganzen Betrieb, ohne Begehungskosten.

Das Thünen-Institut für Waldökosysteme betreibt seit 2024 das FNEWs-System (Fernerkundungsbasiertes Nationales Erfassungssystem Waldschäden), das auf Basis von Sentinel-2-Daten automatisiert abgestorbene und in ihrer Vitalität geminderte Waldflächen erfasst und kartiert, bundesweit, per Open API abrufbar. Die Bayern-LWF hat mit dem IpsSAT-Projekt (2019–2023) gezielt untersucht, wie weit Satelliten bei der Borkenkäfer-Frühwarnung tragen und wo die Grenzen liegen. Die Ergebnisse sind ernüchternd für die direkte Befallsdetektion, aber ermutigend für die Trockenstress-Detektion als vorgelagertes Signal.

Mit vs. ohne KI, ein ehrlicher Vergleich

¹ Basierend auf Abdullah et al. (2019), Remote Sensing in Ecology and Conservation: NDVI-Abweichungen wurden 56 Tage vor sichtbarer Befallsbestätigung detektiert. Der Sentinel-2-NDVI-Wert reagiert auf Wasserstress im Chlorophyll, bevor die Krone sichtbar vergilbt. Dieser Zeitraum ist die entscheidende Interventionsfenstergröße.

Einschätzung auf einen Blick

Zeitersparnis, begrenzt (2/5)
Das System ist hochgradig autonom, der Satellit überwacht, der Algorithmus berechnet, das Dashboard meldet. Aber: Menschen müssen trotzdem entscheiden. Ein NDVI-Alert löst keinen automatischen Sanitärhieb aus. Ein Förster muss den Befund einordnen, der Betriebsleiter muss reagieren. Die echte Zeitersparnis liegt darin, dass aufwendige Geländebegehungen auf bestätigte Hotspots konzentriert werden können, statt die gesamte Betriebsfläche systematisch abzugehen. Das spart Wege, aber keinen Denkaufwand. Andere Use Cases in diesem Branch, etwa automatisierte Dokumentation oder Kommunikation, entlasten Mitarbeitende direkt und deutlich stärker.

Kosteneinsparung, hoch (4/5)
Der wirtschaftliche Kernhebel liegt in der Preisprämie: Rechtzeitig aufgearbeitetes Holz erzielt 30–50 % höhere Erlöse als Kalamitätsholz aus dem Notverkauf. Zusätzlich entfallen Folgemaßnahmen wie aufwendige Sanitärhiebe unter Zeitdruck, Lagerverluste durch Bläuepilzbefall und Prämienerhöhungen in der Forstversicherung. Bei einer 200-Hektar-Fichtenfläche und einem Trockenjahr wie 2018 kann der Unterschied zwischen rechtzeitiger und verspäteter Erkennung schnell 50.000 bis 150.000 Euro betragen. Die Kosten für das System liegen typischerweise bei 3.000–15.000 Euro Einrichtung plus 100–300 Euro monatlich laufend, ein deutlich positives Verhältnis.

Schnelle Umsetzung, mittel (3/5)
Die reine Sentinel-2-Auswertung lässt sich innerhalb von zwei bis vier Wochen aufsetzen, der erste NDVI-Layer über dem Betrieb ist keine Monatsaufgabe. Die Integration mit Bodenfeuchtesensoren, die Kalibrierung der Anomalie-Schwellenwerte und der Aufbau eines Alert-Workflows dauern realistisch 8–12 Wochen bis zum produktiven Betrieb. Das ist weder besonders schnell noch besonders langsam für diesen Branch, mittelfeld.

ROI-Sicherheit, hoch (4/5)
Die Logik ist klar: In Trockenjahren ist der Nutzen enorm, in Normaljahren kaum vorhanden. Das ist keine Schwäche der Technologie, es ist die Realität der Klimarisiken im deutschen Wald. Seit 2018 sind trockene Sommer in Deutschland so häufig geworden, dass die Frage nicht mehr ist, ob das System gebraucht wird, sondern wann. Die Bundeswaldinventur 2022 zeigt, dass die Dürrefolgeschäden aus 2018–2021 noch 2022 sichtbar den Fichtenvorrat belasteten, das sind keine seltenen Ereignisse mehr.

Skalierbarkeit, maximal (5/5)
Das ist der stärkste Aspekt dieser Lösung. Sentinel-2 deckt Deutschland flächendeckend ab, kostenlos, mit fünftägigem Revisit, in 10 Metern Auflösung. Ein Forstbetrieb, der seine Überwachung von 200 auf 2.000 Hektar ausdehnt, zahlt dafür keine höheren Satellitendatenkosten. Die Plattform-Kosten skalieren schwach mit der Fläche, die Sensorinfrastruktur kann selektiv auf Hochrisikoparzellen konzentriert werden. Kein anderer Use Case in dieser Kategorie bietet dieselbe Flächeneffizienz.

Richtwerte, stark abhängig von Betriebsgröße, Baumartenverteilung und Trockenheits-Exposition. Die Scores beziehen sich auf Forstbetriebe ab 100 Hektar Fichtenanteil.

Was das System konkret macht, und was es nicht kann

Das Herzstück ist die Auswertung des Normalisierten Differenziellen Vegetationsindex (NDVI) aus Sentinel-2-Satellitendaten. Der NDVI misst das Verhältnis von nahem Infrarot zu rotem Licht, das eine Vegetationsfläche reflektiert. Gesundes Chlorophyll absorbiert rotes Licht und reflektiert nahes Infrarot stark, ein hoher NDVI-Wert. Eine wasserstressierte Fichte produziert weniger Chlorophyll, der Wert sinkt, Wochen bevor die Krone sichtbar vergilbt.

Das Machine Learning-Modell lernt, welcher NDVI-Wert für eine bestimmte Parzelle zu einem bestimmten Zeitpunkt des Jahres “normal” ist. Es berücksichtigt saisonale Schwankungen, Bestandesalter und historische Muster. Abweichungen von diesem Erwartungswert, etwa ein ungewöhnlich früher Abfall im Juli, wenn der Bestand eigentlich auf dem Jahreshöhepunkt sein sollte, lösen einen Alert aus.

Was das System kann:

• Trockenstress auf Parzellenebene 6–8 Wochen vor sichtbarem Schadbild erkennen
• Prioritätskarten erzeugen, die zeigen, welche Flächen sofortige Begehung erfordern
• DWD-Dürremonitor-Daten (SPEI-Werte) automatisch als Risikokorridor einblenden
• Bodenfeuchte-Sensorwerte für kritische Parzellen mit dem NDVI-Signal korrelieren

Was das System nicht kann:

• Den frühen Borkenkäferbefall (sogenannter “Grünbefall”) direkt per Satellit erkennen, die Nadeln sind in diesem Stadium noch grün und spektral nicht von gesunden Bäumen zu unterscheiden. Die LWF Bayern hat im IpsSAT-Projekt (2019–2023) genau dies untersucht und festgestellt: Erst wenn die Kronen rötlich-braun verfärbt sind (Rot- oder Graubefall), ist das Schadbild von Satellit aus zuverlässig detektierbar. Dann ist es für Wertrettung meistens zu spät.
• Einzelbäume beurteilen, 10 Meter Auflösung bedeutet: Ein Pixel entspricht 100 m². Einzelbaumbefall ist unsichtbar. Das ist Aufgabe von Drohnen oder der Geländebegehung.
• In stark bewölkten Phasen zuverlässig arbeiten: Sentinel-2 ist ein optisches System. In Mitteleuropa gibt es regelmäßig Phasen mit 3–4 Wochen Wolkenbedeckung, besonders im Winter und im Frühherbst. Lösungsansatz: Sentinel-1 (Radar, wetterunabhängig) kann als Ergänzungskanal eingesetzt werden, ist aber für Vegetations-Vitalitätsmessung schwächer als das optische Signal.

Warum das Timing entscheidend ist

Die Borkenkäferkaskade hat eine brutale Logik: Ein Weibchen des Buchdruckers (Ips typographus) legt in einer befallenen Fichte rund 40–80 Eier. Aus einer Generation werden in einem Sommer zwei bis drei Generationen, exponentielles Wachstum. Der NDVI-Trockenstress-Alert ist kein Befall-Alert. Er ist ein Vulnerabilitäts-Alert: “Diese Fläche wird zur Zielscheibe.” Das ist der richtige Moment für intensive Fallenüberwachung, Bohrmehl-Kontrollen und vorausschauende Hiebsplanung, nicht der Moment, wenn die Bäume schon braun sind.

Was ihr hardware-seitig braucht

Satellite-only-Monitoring funktioniert, kostenlos, ohne jede Hardware. Aber für belastbare Entscheidungsgrundlagen lohnt sich die Ergänzung durch Bodenfeuchtesensoren, insbesondere auf Hochrisikoparzellen mit hohem Fichtenanteil und Südexposition.

Sensor-Empfehlung:
Der METER Group TEROS-12 ist der de-facto-Standard für wissenschaftliche Bodenfeuchtemessungen in der Land- und Forstwirtschaft. Er misst volumetrischen Wassergehalt, Bodentemperatur und elektrische Leitfähigkeit gleichzeitig, mit hoher Genauigkeit auch in steinigen Waldböden. Preis pro Sensor: ca. 200–350 Euro, je nach Bezugsweg.

Funktransfer:
Im Forst ist LoRaWAN die pragmatische Wahl: große Reichweite (5–15 km Freifeld), geringer Stromverbrauch (Batterielaufzeit 2–5 Jahre), keine Mobilfunkabdeckung erforderlich. Ein LoRaWAN-Sensorknoten (z. B. Elsys ELT-2 mit TEROS-12-Anschluss) kostet ca. 150–300 Euro. Gesamtkosten pro Messpunkt inkl. Sensor, Knoten und Installation: ca. 500–700 Euro.

Wie viele Sensoren braucht ihr?
Faustregel: Ein Sensor pro ca. 5–10 Hektar auf Hochrisikoflächen (Fichtenreinbestände, Südhanglage, Sandboden), als repräsentativer Stichprobenpunkt für das jeweilige Parzellensegment. Ein Betrieb mit 200 Hektar Fichtenhochrisikofläche benötigt typischerweise 15–30 Sensorpunkte, Gesamthardwarekosten 7.500–21.000 Euro, einmalig.

Was ihr nicht braucht:
Bodensensoren auf jeder Hektarfläche. Der NDVI liefert die Flächenübersicht, der Sensor liefert die Tiefenkalibrierung für repräsentative Punkte. Die Kombination aus Satellitenüberwachung (flächendeckend, kostenfrei) und punktuellen Bodenfeuchtemessungen (präzise, kostenpflichtig) ist deutlich effizienter als ausschließlich Sensoren.

Konkrete Werkzeuge, was wann passt

Satellit & Daten: Copernicus Data Space Ecosystem
Der offizielle ESA-Zugang zu Sentinel-2-Daten. Basisnutzung mit dem EO Browser ist kostenlos und ohne Setup: Polygon einzeichnen, Zeitraum wählen, NDVI-Darstellung aktivieren. Für automatisierte Pipelines gibt es die Sentinel Hub API ab ca. 25 Euro/Monat. Für einen Forstbetrieb bis 2.000 Hektar reicht das Basispaket fast immer aus. Alle Daten EU-gehostet, DSGVO-konform.

Wetterdaten & Dürremonitor: DWD Open Data
Der Deutsche Wetterdienst stellt kostenlos das SPEI (Standardized Precipitation-Evapotranspiration Index) und den offiziellen DWD-Dürremonitor bereit, die Referenz für bodenhydrologische Dürre in Deutschland. Diese Daten helfen, NDVI-Anomalien zu kontextualisieren: Ist der Rückgang auf Trockenheit zurückzuführen oder auf etwas anderes (Pilz, Sturm)?

GIS-Visualisierung: QGIS
Open-Source, kostenlos. Mit dem Sentinel Hub QGIS-Plugin lassen sich NDVI-Zeitreihen direkt in die Betriebskarte einlesen. Für Betriebe mit eigenem GIS-Workflow ist das der einfachste Einstieg: keine neue Software, sondern eine neue Datenquelle im bestehenden Werkzeug.

Analyse-Pipelines: Python
Wer automatisierte Alerts bauen will, braucht einen Entwickler mit Python-Kenntnissen. Die Bibliothek sentinelhub-py abstrahiert den API-Zugriff auf Copernicus-Daten; xarray und numpy verarbeiten die Satelliten-Zeitreihen; scikit-learn baut den Anomalie-Detektor; pandas aggregiert Sensor- und Wetterdaten. Eine einfache Pipeline mit wöchentlichem Reporting ist an ein bis zwei Arbeitstagen aufgebaut, die Kalibrierung der Schwellenwerte dauert länger.

ML-Modell: scikit-learn
Für die Anomalie-Detektion reichen Random Forest oder Isolation Forest vollständig aus, keine Deep-Learning-Komplexität nötig. Das Modell lernt anhand historischer NDVI-Zeitreihen (Sentinel-2-Archiv reicht zurück bis 2016), welcher Wert auf welcher Parzelle zu welchem Sommer-Datum normal ist. Abweichungen jenseits von 1,5–2 Standardabweichungen lösen einen Alert aus.

Nationales Referenzsystem:
Das Thünen-Institut stellt über fnews-wald.de kostenlos Kartendienste und eine Open API für nationale Waldschadenkartierung bereit. Nützlich als Vergleichsreferenz und für die Einordnung, ob lokale NDVI-Anomalien mit bekannten regionalen Schadflächen korrelieren.

Zusammenfassung: Wann welcher Ansatz

• Erster Einstieg, keine Entwickler: EO Browser manuell, QGIS + Sentinel Hub Plugin
• Halbautomatisch mit Alert-Mail: Python-Skript + Sentinel Hub API + E-Mail-Versand
• Vollautomatisch mit Dashboard: Sentinel Hub + Python + Datenbank + Web-Dashboard + LoRaWAN-Sensordaten
• Staatliche Referenz: FNEWs-Dienste des Thünen-Instituts als Validierungsquelle

Datenschutz und Datenhaltung

Sentinel-2-Satellitendaten sind öffentliche Umweltdaten der Europäischen Weltraumagentur, keine personenbezogenen Daten, keine DSGVO-Relevanz für die Satellitendaten selbst. Das Copernicus Data Space Ecosystem wird ausschließlich in der EU betrieben.

Kritischer aus Datenschutzsicht sind die Betriebsdaten, die ihr in eure Analyse-Pipeline einbringt: Bestandeskarten, Flurstücksgeometrien, betriebliche Planungsdaten. Diese können personenbezogene oder eigentumsrelevante Informationen enthalten (besonders bei Kleinprivatwald mit erkennbarem Eigentümerbezug).

Empfehlungen für den sicheren Betrieb:

• Copernicus / Sentinel Hub: EU-Hosting, kein AVV erforderlich für reine Satellitendatenzugriffe. Für API-Accounts mit automatisierten Abfragen gelten die ESA-Nutzungsbedingungen.
• DWD Open Data: Deutsche Bundesbehörde, Hosting in Deutschland, CC BY 4.0, datenschutzrechtlich unkritisch.
• QGIS: Lokale Desktop-Software, alle Betriebsdaten bleiben auf dem eigenen Rechner.
• Python-Pipeline auf eigenem Server: DSGVO-konform, wenn der Server in Deutschland oder der EU steht. Cloud-Hosting bei deutschen Anbietern (Hetzner, IONOS) ist eine gute Wahl.
• Bodenfeuchtesensoren: LoRaWAN-Daten enthalten keine personenbezogenen Daten, GPS-Koordinaten von Messpunkten können Betriebsgeometrie offenbaren, sind aber in aller Regel nicht personenbezogen im DSGVO-Sinne.

Ein AVV ist nur dann erforderlich, wenn ihr externe Dienstleister mit der Datenverarbeitung beauftragt und dabei personenbezogene Betriebsdaten übergeben werden. Wer die Pipeline intern betreibt, braucht keinen AVV.

Was es kostet, realistisch gerechnet

Einmalige Einrichtungskosten

Laufende Kosten (monatlich)

• Sentinel Hub API (bei <2.000 ha): 25–100 €
• DWD Open Data: kostenlos
• Server/Hosting für Pipeline: 20–50 €
• Gesamt monatlich: ca. 50–150 €

Was du dagegenrechnen kannst

Der Wert liegt im vermiedenen Schaden. Für eine typische Bestandskonstellation:

• 200 ha Fichtenreinbestand mit Trockenstress-Exposition
• Annahme: 10 % der Fläche (20 ha) könnten in einem Dürrejahr befallen werden
• Vorrat: ca. 300 Festmeter/ha, also 6.000 Festmeter betroffenes Holz
• Preisunterschied: 30–50 % zwischen rechtzeitiger Aufarbeitung (70–90 €/fm) und Kalamitätsholz (35–55 €/fm)
• Vermiedener Erlösausfall: ca. 90.000–210.000 € in einem Schadenjahr

Im konservativen Szenario (nur 5 % betroffene Fläche, 30 % Preisunterschied) amortisiert sich das System inklusive Sensorinfrastruktur in zwei Trockensommern. In einem Jahr wie 2018 oder 2022 häufig schon im ersten Jahr.

Wie du den ROI tatsächlich misst:
Führe ein Schadensprotokoll, vor und nach Einführung des Systems. Dokumentiere für jede aufgearbeitete Schadfläche, ob sie durch einen NDVI-Alert vorhergesagt wurde und zu welchem Zeitpunkt. Das macht den Beitrag des Systems nachweisbar und gibt Grundlage für die Entscheidung, ob die Sensorinfrastruktur ausgebaut oder zurückgebaut werden soll.

Drei typische Einstiegsfehler

1. Das System soll den Borkenkäfer direkt erkennen, und wird enttäuscht.
Das ist der häufigste Irrtum. NDVI erkennt Trockenstress, keine Insekten. Die LWF Bayern hat im IpsSAT-Projekt (2019–2023) systematisch untersucht, ob der frühe Borkenkäferbefall (Grünbefall, Bäume erscheinen noch gesund) per Satellit erkannt werden kann, und das Fazit ist klar: Nein, nicht zuverlässig. Sichtbarer Befall (rötlich-braune Kronen) hingegen ist gut erkennbar, aber dann ist es meist zu spät für wirtschaftlich sinnvolle Wertrettung. Der NDVI-Alert ist ein Vulnerabilitäts-Signal: “Diese Parzelle ist besonders anfällig.” Das ist wertvoller als ein Befalls-Alert, aber nur, wenn ihr auch auf dieses Signal reagieren könnt.

2. Im Winter und Frühherbst fehlen wochenlang Satellitendaten, und niemand hat das geplant.
Optische Satelliten wie Sentinel-2 brauchen wolkenfreie Aufnahmen. In Mitteleuropa gibt es regelmäßig drei bis vier Wochen ohne brauchbare Bilder, besonders Oktober bis März. Wer das System nur auf optischen NDVI ausrichtet, hat im kritischen Frühjahrsmonitoring (wenn Borkenkäfer mit dem ersten Flug beginnen) potenzielle Datenlücken. Lösung: Sentinel-1-Radardaten als Ergänzungskanal einplanen (wetterunabhängig, aber für Vitalitätsmessung schwächer), und für die wichtige Frühsommerdetektion sicherstellen, dass ein ausreichend dichtes Zeitfenster mit guten Aufnahmen vorliegt.

3. Das System läuft, aber der Prozess dahinter nicht.
Das ist der gefährlichste Fehler: Ein NDVI-Alert landet in einem Dashboard, das niemand täglich öffnet. Oder er landet beim Falschen, beim Systementwickler statt beim Forstbetriebsleiter. Oder er löst eine Begehung aus, aber kein klares Protokoll danach: Wer entscheidet, wann Sanitärhieb eingeplant wird? Wann wird die Fichte beregnet, wann wird sie abgewartet? Diese Entscheidungslogik muss vor dem Rollout festgelegt werden, technische Systeme können Signale senden, aber keine forstlichen Entscheidungen treffen.

Was mit der Einführung wirklich passiert, und was nicht

Ein NDVI-Frühwarnsystem ist kein Plug-and-play-Produkt, das man kauft, einschaltet und das dann selbstständig läuft. Es ist ein Monitoring-Infrastrukturprojekt, das drei Phasen hat:

Phase 1, Die technische Illusion: Sentinel-2-Daten sind frei. QGIS ist kostenlos. Alles klingt machbar ohne viel Aufwand. Die ersten Tests zeigen NDVI-Karten, die nach etwas aussehen. Die Gefahr: Man hält die Visualisierung für das Ergebnis. Eine NDVI-Karte ohne Schwellenwert-Kalibrierung und historischen Vergleich ist wie ein Thermometer ohne Fieberwert, man sieht eine Zahl, aber weiß nicht, ob sie kritisch ist.

Phase 2, Die Kalibrierungsarbeit: Der eigentliche Aufwand liegt darin, für jede Parzellenkategorie (Alter, Baumart, Exposition) zu verstehen, was ein normaler NDVI-Wertebereich ist. Das erfordert historische Sentinel-2-Daten aus nicht-trockenen Jahren als Referenz. Daten gibt es seit 2016, ausreichend. Aber die Kalibrierung kostet Zeit und forstliches Fachwissen. Ein Datenwissenschaftler allein reicht nicht: Jemand muss sagen, ob eine Abweichung forstlich relevant ist.

Phase 3, Die Prozessverankerung: Das System muss in den Betriebsalltag integriert werden. Wer schaut wann auf das Dashboard? Bei welchem NDVI-Wert wird eine Geländebegehung ausgelöst? Bei welchem Befund wird der Sanitärhieb beantragt? Diese Fragen sind nicht technisch, sie sind organisatorisch. Ohne klare Antworten verfällt das System nach der ersten Saison.

Was nicht passiert:
Das System schreibt keine forstlichen Empfehlungen. Es entscheidet nicht, ob eine Fläche beregnet oder eingeschlagen wird. Es macht keine Holzmengenschätzungen und keine Vermarktungsplanung. Es ist ein Frühwarnsystem, nicht mehr, nicht weniger.

Realistischer Zeitplan mit Risikohinweisen

Wichtig: Die erste vollständige Vegetationsperiode unter Systembetrieb ist eine Lernperiode, nicht die Produktionsphase. Alle Alerts manuell prüfen, forstlich einordnen und für das Modell rückmelden. Das System wird besser, je mehr Saisons Feedback eingeflossen sind.

Häufige Einwände, und was dahintersteckt

„Wir machen Geländebegehungen, das reicht.”
Für 50 Hektar: Ja, realistisch. Für 500 Hektar: Nein. Der mediane Forstbetrieb in Deutschland kann physisch nicht jede Parzelle alle fünf Tage begehen. Satellitenmonitoring ersetzt die Begehung nicht, sondern priorisiert sie. Statt jeden Hang systematisch abzugehen, wird gezielt auf die drei Parzellen mit NDVI-Anomalie konzentriert, der Rest wird per Satellit als unauffällig eingestuft. Das spart Zeit und erhöht gleichzeitig die Treffsicherheit.

„Das bringt doch nichts in schlechten Jahren, wenn überall Stress herrscht.”
Das ist ein valider Einwand. In einem Extremsommer wie 2018 zeigten weite Teile Deutschlands NDVI-Anomalien, ein System, das den ganzen Betrieb als kritisch markiert, ist wenig nützlich. Deswegen ist die Prioritätensetzung die eigentliche Leistung des Systems: Welche Parzelle hat den stärksten Stressrückgang? Welche zeigt früh, welche spät? Welche ist besonders trocken laut Bodensensor? Diese Rangfolge ist auch unter Flächenstress wertvoll, weil sie die begrenzte forstliche Reaktionskapazität (Harvester-Stunden, Aufarbeitungskapazität) auf die dringendsten Flächen lenkt.

„Kostet zu viel für das, was es bringt.”
Für Betriebe unter 50 Hektar: vermutlich richtig. Für Betriebe über 200 Hektar Nadelholzanteil mit Trockenstress-Exposition: In einem einzigen Dürresommer amortisiert sich eine vollständig ausgebaute Infrastruktur. Die kritische Gegenrechnung ist nicht “Systemkosten vs. Null-Kosten”, sondern “Systemkosten vs. einer Kalamitätsaufarbeitung, die man zu spät erkannt hat.” Hartmann (aus unserem Eingangsszenario) hätte mit dem System eine Investition von ca. 12.000 Euro gehabt, und den 38.000-Euro-Schaden vermieden oder deutlich reduziert.

Woran du merkst, dass das zu dir passt

Checkliste: Das sind gute Voraussetzungen

• Dein Betrieb hat mehr als 100 Hektar Nadelholzanteil (Fichte, Kiefer, Douglasie) mit relevanter Trockenheits-Exposition
• Du hattest in den letzten fünf Jahren mindestens einmal einen Borkenkäfer- oder Trockenstress-Schaden, bei dem du nachträglich festgestellt hast: “Ich hätte früher handeln sollen”
• Du hast, oder kannst beschaffen, eine digitale Karte deiner Parzellen (GIS-Datei oder zumindest Shapefile)
• In deinem Betrieb gibt es eine Person, die forstliche Alerts einordnen und in Maßnahmen übersetzen kann
• Dein Betrieb hat eine klare Entscheidungsstruktur: Wer darf einen Sanitärhieb beauftragen? Wer steuert Bewässerungsmaßnahmen?

Drei harte Ausschlusskriterien:

1. Unter 50 Hektar Gesamtbetriebsfläche. Das System lohnt sich ab einer Betriebsgröße, bei der manuelle Vollflächenbegehungen in 5-Tage-Intervallen unrealistisch sind. Kleinflächige Betriebe (auch Forstbetriebsgemeinschaften mit deutlich unter 50 ha je Mitglied) fahren besser mit konsequent dokumentierten manuellen Begehungen und DWD-Dürrewarnungen, die Sensorinfrastruktur amortisiert sich nicht.

2. Kein etablierter Reaktionsprozess für Waldschutzereignisse. Ein NDVI-Alert ist wertlos, wenn danach keine klare Handlungskette folgt. Wer heute bei einem Befallsbefund schon nicht weiß, wie der Weg von “Begehungsbefund” zu “Sanitärhieb beauftragt” funktioniert, wird mit einem Frühwarnsystem nicht weiter kommen, sondern früher scheitern. Erst den Prozess, dann das Signal.

3. Fichtenreinbestände bereits verbindlich für Waldumbau eingeplant. Wenn eine Fläche ohnehin im nächsten Forstbetriebsplan für den Umbau zu Mischwald vorgesehen ist und kein Ernteholz mehr entnommen wird, bringt NDVI-Monitoring keinen wirtschaftlichen Nutzen. Borkenkäferbefall auf Abriebsflächen ist kein Schaden mehr, er beschleunigt allenfalls den Umbau. Die Ressourcen für das Monitoring liegen dann falsch.

Das kannst du heute noch tun

Öffne den Copernicus EO Browser, kostenlos, kein Setup, Registrierung optional. Zeichne die Umrisse einer deiner Hochrisiko-Fichtenparzellen als Polygon ein. Wähle Sentinel-2 L2A als Datenquelle, stelle als Zeitraum die letzten drei Monate ein und aktiviere den NDVI-Darstellungsmodus.

Vergleiche dann dieselbe Parzelle im August 2018 oder August 2022 mit einem “normalen” August aus 2019 oder 2020. Du wirst sehen, wie stark der NDVI in trockenen Jahren abgefallen ist, und ob es auf deiner Betriebsfläche Parzellen gibt, die schon jetzt auffällige Werte zeigen.

Das dauert 20 Minuten und kostet nichts. Was du danach weißt: ob deine Betriebsfläche überhaupt NDVI-Dynamik zeigt, die ein Monitoring sinnvoll macht, und welche Parzellen historisch am stärksten exponiert waren.

Für die Analyse eines spezifischen Bestands kannst du auch direkt mit einem Sprachmodell arbeiten:

Quellen & Methodik

• Thünen-Institut für Waldökosysteme, FNEWs: Fernerkundungsbasiertes Nationales Erfassungssystem Waldschäden, seit 2024 im bundesweiten Produktivbetrieb auf Basis von Sentinel-1 und Sentinel-2. Open API und Kartendienste frei zugänglich unter fnews-wald.de. (Quelle: thuenen.de/de/projekte/fnews; Stand Mai 2026)
• LWF Bayern, IpsSAT-Projekt: Detektion von Borkenkäferschäden mit optischen Satellitendaten, Projektlaufzeit 01.09.2019–30.09.2023, finanziert durch das Bayerische Staatsministerium für Ernährung, Landwirtschaft und Forsten. Ergebnis u.a.: Grünbefalls-Detektion per Satellit nicht praxistauglich; Rot-/Graubefall mit Sentinel-2 gut kartierbar. (Quelle: lwf.bayern.de/informationstechnologie/fernerkundung/270077)
• Abdullah et al. (2019): Sentinel-2 accurately maps green-attack stage of European spruce bark beetle: Remote Sensing in Ecology and Conservation, Wiley. Zentrale Befunde: 67 % Erkennungsrate für Grünbefall (vs. 36 % bei Landsat-8); NDVI-Abweichung wurde 56 Tage (8 Wochen) vor Befallsbestätigung detektiert. (Quelle: zslpublications.onlinelibrary.wiley.com/doi/10.1002/rse2.93)
• DFWR-Schadensschätzung 2018–2019: Deutscher Forstwirtschaftsrat schätzte Gesamtschaden durch Dürre und Borkenkäfer auf mehrere Milliarden Euro; AGDW bezifferte Transportkosten allein auf 2,1 Mrd. Euro. Destatis bestätigte 2020: Insektenschadholz-Einschlag 2019 rund dreifach gegenüber 2018. (Quelle: destatis.de, Pressemitteilung PD20_N041_412; dfwr.de/blog/301)
• Sensor-Preise: METER Group TEROS-12 Bodenfeuchtemessung via m2m Germany und IME (Stand Mai 2026); ELSYS ELT-2 LoRaWAN-Knoten (Stand Mai 2026).
• Copernicus Data Space Sentinel Hub: ESA/EUMETSAT, API ab ca. 25 €/Monat (Stand Mai 2026); dataspace.copernicus.eu.
• DWD Dürremonitor: Standardized Precipitation-Evapotranspiration Index (SPEI), operationell verfügbar bei opendata.dwd.de, Lizenz CC BY 4.0.
• Hinweis zur Methodik: Erlös-Schätzungen (30–50 % Preisunterschied Kalamitäts-/Normalholz) basieren auf berichteten Marktpreisen aus Branchenberichten 2018–2022; regionale und jahreszeitliche Schwankungen erheblich. Sensorinfrastruktur-Kosten basieren auf öffentlichen Listenpreisen; tatsächliche Projektkosten können abweichen.