KI-Erntemengenprognose

Das echte Ausmaß des Problems

Ein Getreidebetrieb mit 400 Hektar Weizen und Raps muss spätestens im April entscheiden: Wie viel Lagerkapazität wird im Sommer gebraucht? Reicht das eigene Silo, oder muss Kapazität zugemietet werden? Lohnt es sich, schon im Mai Terminkontrakte zu verkaufen — oder wartet man auf einen besseren Preis im August? Diese Entscheidungen fallen regelmäßig auf Basis von Daumenregeln, Wetterberichten aus der Zeitung und Bauchgefühl. Das ist kein Vorwurf — es war schlicht keine bessere Datengrundlage verfügbar.

Die Konsequenzen sind real: Zu viel Lagerkapazität gemietet, die nicht gebraucht wird — 8.000 bis 20.000 Euro Leerkosten. Zu früh verkauft bei schwacher Ernte — Nachlieferungsprämien oder Vertragsstrafen. Zu spät verkauft bei gutem Preis im Mai, weil man nicht wusste, dass die Ernte üppig wird. In der deutschen Landwirtschaft schätzen Fachverbände den Schaden durch suboptimale Vermarktungsentscheidungen auf 150 bis 300 Euro je Hektar und Jahr — für einen 400-Hektar-Betrieb ergibt das 60.000 bis 120.000 Euro jährlich verpasstes Potenzial.

Das Problem verstärkt sich durch den Klimawandel: Extremwetterereignisse wie Spätfrost, Trockenperioden und Starkregenereignisse werden häufiger und unregelmäßiger. Historische Erfahrungswerte verlieren an Zuverlässigkeit. Wer noch mit den Prognosemustern seines Vaters arbeitet, arbeitet mit zunehmend veralteten Daten.

So funktioniert es in der Praxis

Der Kern einer KI-Erntemengenprognose sind drei Datenquellen, die miteinander kombiniert werden:

1. Satellitendaten (NDVI): Der Normalized Difference Vegetation Index misst die Vitalität der Pflanzen auf Pixelebene. Satelliten wie Sentinel-2 (kostenlos über die ESA verfügbar) überfliegen jeden Standort alle fünf bis zehn Tage. Der NDVI zeigt bereits im Mai, ob ein Feld gut entwickelt oder unter Stress steht — Wochen bevor das mit dem bloßen Auge erkennbar ist.

2. Wetterdaten: Historische Wetterdaten der letzten 10–20 Jahre pro Standort sowie aktuelle Vorhersagen (Niederschlag, Temperatursummen, Verdunstung). Dienste wie DWD (Deutscher Wetterdienst) liefern diese kostenlos oder günstig über API.

3. Historische Ertragsdaten: Die eigenen Erntedaten der letzten Jahre — idealerweise mit Feldblock-Bezug (wo auf der Fläche welcher Ertrag). Wer einen Erntedokumentations-Tracker oder Telematik-Daten vom Mähdrescher hat, ist direkt startklar.

Ein ML-Regressionsmodell (häufig Gradient Boosting oder Random Forest) lernt aus diesen kombinierten Daten, welche Kombination von NDVI-Entwicklung, Temperatursummen und Niederschlagsmengen zu welchem Endertrag geführt hat. Ab Mitte Mai können damit Prognosen ausgegeben werden, die typischerweise auf ±8 bis 12 Prozent genau sind — deutlich besser als pauschale Schätzungen.

Der operative Ablauf: Du gibst einmalig deine Feldgrenzen (Shapefiles oder Polygon-Koordinaten) ins System ein, verbindest historische Ertragsdaten und erhältst dann ab Mai wöchentlich aktualisierte Prognosen je Feldblock. Die Prognosen verbessern sich kontinuierlich, je näher der Erntezeitpunkt rückt.

Welche Tools passen hierzu

aWhere / The Weather Company Agriculture — spezialisierter Agrardaten-Dienst, der Wetter- und NDVI-Daten kombiniert. API-basiert, Preise auf Anfrage (typisch ab 300–800 Euro/Monat für mittelgroße Betriebe). Gut geeignet für Betriebe, die eine fertige Lösung ohne eigene Dateninfrastruktur wollen.

Trimble Ag Software / John Deere Operations Center — wenn du bereits Precision-Farming-Maschinen mit Telematik hast, liefert das Operations Center historische Ertragsdaten aus der Maschinendokumentation. Erntemengenprognose als Zusatzmodul verfügbar.

Planet Labs — kommerzieller Satellitendienst mit täglicher Bildwiederholung und höherer Auflösung als Sentinel-2. Für Betriebe, die präzisere Sub-Feldblock-Analysen wollen. Ab ca. 500 Euro/Monat für Agrarpakete.

Eigene Lösung mit Claude oder ChatGPT als Auswertungsschicht — für Betriebe, die Daten bereits haben (z. B. DWD-Wetter-CSV, eigene Ertragstabellen), kann ein LLM die Datenanalyse und Trendinterpretation übernehmen. Kein Ersatz für ein echtes ML-Modell, aber ein kosteneffizienter Einstieg für explorative Analysen.

Was es kostet — realistisch gerechnet

Einstieg mit SaaS-Lösung (z. B. aWhere oder vergleichbar):

• Einrichtungsaufwand: 4–8 Stunden für Feldgrenzen-Upload, Datenvorbereitung, Kalibrierung
• Laufende Kosten: 300–800 Euro/Monat je nach Flächengröße und Funktionsumfang
• Erste nutzbare Prognose: nach 2–3 Wochen

Eigene Lösung (ML-Modell auf Basis offener Daten):

• Entwicklungsaufwand: 8.000–20.000 Euro einmalig (Datenaufbereitung, Modellentwicklung, Dashboard)
• Laufende Kosten: 100–300 Euro/Monat für Datenquellen und Hosting
• Realistisch ab 200 Hektar und mehreren Jahren Ertragsdokumentation

ROI-Rechnung am Beispiel: Betrieb mit 350 Hektar Weizen. Durchschnittlich 150 Euro/ha verpasstes Potenzial durch suboptimale Vermarktung (Lagermiete, falsche Terminkontrakte). Potenzial: 52.500 Euro/Jahr. Bei SaaS-Kosten von 6.000 Euro/Jahr und realistischer Verbesserung um 40% der Fehlentscheidungen: ~21.000 Euro Mehrwert gegenüber 6.000 Euro Kosten. Amortisation in der ersten Saison.

Realistischer Zeitplan

Phase	Dauer	Was passiert	Typisches Risiko
Datensichtung & Vorbereitung	Woche 1–2	Historische Ertragsdaten sichten, Feldgrenzen aufbereiten, DWD-Wetterdaten beschaffen	Ertragsdaten liegen als Papieraufzeichnungen vor — Digitalisierung unterschätzt
Tool-Auswahl & Einrichtung	Woche 2–4	SaaS-Lösung testen oder Entwickler beauftragen, Daten einspielen, erste Probeprognosen	Tool passt nicht zum eigenen Maschinenpark oder Datenformat — Kompatibilitätsprobleme
Erste Prognose-Saison	Woche 5 bis Ernte	Wöchentliche Prognosen lesen, mit eigener Einschätzung vergleichen, Vermarkungsentscheidungen vorbereiten	Prognose wird nicht in Entscheidungsprozess integriert — Werkzeug läuft, aber niemand nutzt die Daten
Kalibrierung nach Ernte	Woche nach Ernte	Prognosen mit tatsächlichen Erträgen abgleichen, Modell kalibrieren	Rückmeldung an das System wird vergessen — Genauigkeit verbessert sich nicht

Häufige Einwände

„Wir haben keine Ertragsdaten digital erfasst — das läuft noch alles auf Papier.” Das ist der häufigste Einstiegsblock und er ist lösbar. Die meisten modernen Mähdrescher ab Baujahr 2015 haben Telematik-Systeme, die Ertragsdaten automatisch aufzeichnen — oft ohne dass der Betrieb das bisher genutzt hat. Der erste Schritt ist, diese Daten zu aktivieren und die letzten Saisons aus dem Bordcomputer zu exportieren. Für ältere Maschinen oder Betriebe ohne Telematik reicht auch eine strukturierte Tabelle mit Ertrag je Schlag und Jahr — selbst drei bis vier Jahre Historik ermöglichen brauchbare erste Modelle.

„Satellitendaten sind doch zu ungenau für einzelne Felder.” Das stimmt für kostenpflichtige Niedrigauflösungs-Dienste aus den frühen 2010er-Jahren. Sentinel-2 hat eine Auflösung von 10 Metern — das bedeutet, du bekommst pro Hektar 100 Messpunkte. Für Felder ab 5 Hektar ist die Auflösung ausreichend, um Heterogenitäten (Trockenstress-Flecken, Staunässe-Bereiche) zuverlässig zu erkennen. Kleinere Schläge unter 2–3 Hektar sind tatsächlich ein Randproblem — hier lohnt sich die Satelliten-Analyse nur begrenzt.

„Das Wetter entscheidet am Ende — was bringt mir die KI, wenn ein Hagelsturm alles zunichtemacht?” Extremereignisse wie Hagelschäden kann keine Prognose vorhersagen — das ist richtig. Aber der Anwendungsfall ist nicht die Hagelversicherung, sondern die normale Planungsunsicherheit bei normalem Wetter. 80–90 Prozent der Saisons verlaufen ohne katastrophale Ereignisse. Für diese Mehrheit der Jahre verbessert die Prognose die Planungsgrundlage erheblich. Für die Extremjahre bleibt die Versicherung.

---

Wenn du verstehen willst, welche Daten du auf deinem Betrieb bereits hast und wie du damit starten kannst, meld dich. Wir schauen uns gemeinsam an, was mit deinem vorhandenen Maschinenpark und deinen Aufzeichnungen realistisch möglich ist — ohne Investitionen in Infrastruktur, die du nicht brauchst.