KI-Erntemengenprognose

Das echte Ausmaß des Problems

Erntemengen-Unsicherheit ist kein Randproblem — sie ist das zentrale betriebswirtschaftliche Risiko in der Pflanzenproduktion. Die Entscheidungskette beginnt früh: Wie viel Lagerkapazität wird im Sommer gebraucht? Lohnen sich Terminkontrakte schon im April? Reicht das eigene Silo, oder muss Kapazität zugemietet werden?

Diese Entscheidungen fallen auf Basis von Daumenregeln, allgemeinen Wetterberichten und dem Erfahrungsschatz des Betriebsleiters. Das war lange die einzige Möglichkeit. Heute ist sie die teuerste.

Fachverbände schätzen den Schaden durch suboptimale Vermarktungsentscheidungen auf 150 bis 300 Euro je Hektar und Jahr. Für einen Betrieb mit 400 Hektar sind das 60.000 bis 120.000 Euro jährlich verpasstes Potenzial — nicht durch falsche Arbeit, sondern durch fehlende Informationsgrundlage.

Das Problem verschärft sich durch den Klimawandel: Spätfröste im April, Trockenphasen im Juni, Starkregen vor der Ernte — Extremwetterereignisse werden häufiger und unregelmäßiger. Wer noch mit den Prognosemustern seines Vaters arbeitet, arbeitet mit einem Klimamodell aus den 1990ern. Historische Erfahrungswerte verlieren an Zuverlässigkeit, genau dann, wenn der Preisspielraum auf den globalen Märkten größer wird.

Der strukturelle Informationsvorsprung der Handelsunternehmen wächst: Sie nutzen Satellitenbilder, Wetterdaten aus aller Welt, Exportstatistiken und Machine-Learning-Modelle. Landwirte bekommen als Rückkopplung die Preisausschläge zu spüren — ohne zu verstehen, warum sie kommen.

Mit vs. ohne KI — ein ehrlicher Vergleich

Prognosegenauigkeit: Eigene Erfahrungswerte aus Pilotprojekten mit deutschen Ackerbaubetrieben (2023–2024); ±8–12 % für Weizen/Raps auf gut dokumentierten Beständen. Bei spärlicher Historik realistisch ±15–20 %. Vermarktungsvorteil: DLG-Studie „Vermarktungsmanagement im Getreide”, 2022.

Einschätzung auf einen Blick

Zeitersparnis — niedrig (2/5) Eine Erntemengenprognose spart keine direkte Arbeitszeit — sie verbessert Entscheidungsqualität. Der Betriebsleiter arbeitet nicht weniger, er entscheidet besser. Das ist wertvoll, aber eine andere Kategorie als das direkte Zeitsparen bei Routineaufgaben. Im Branchenvergleich liegt dieser Anwendungsfall damit am unteren Ende der Zeitersparnis-Skala.

Kosteneinsparung — mittel (3/5) Der Mehrwert entsteht primär über bessere Vermarktungserlöse, nicht über direkte Kostensenkung. 150–300 Euro/ha Mehrwert ist real, aber volatil: In Jahren mit stabilen Preisen ist der Hebel kleiner, in Volatilitätsjahren größer. Die Einsparung ist nicht so verlässlich vorhersehbar wie bei direkten Kostenblöcken (Dünger, Pflanzenschutz).

Schnelle Umsetzung — mittel (3/5) Mit einer SaaS-Lösung und vorhandenen Ertragsdaten ist man in 2–4 Wochen mit ersten Prognosen startklar. Wer Ertragsdaten als Papieraufzeichnungen hat, braucht länger — Digitalisierung ist der eigentliche Zeitfresser. Nicht der schnellste Einstieg im Vergleich, aber kein Mammutprojekt.

ROI-Sicherheit — hoch (4/5) Wenn der Betrieb mehr als 150 Hektar Ackerbau bewirtschaftet und Prognosen in Vermarktungsentscheidungen einfließen, ist der ROI über eine Saison klar messbar. Terminkontrakte, Lagerkosten, Verkaufspreise — alle drei Effekte sind dokumentierbar. Das macht diesen Anwendungsfall zu einem der ROI-sichersten in der Branche.

Skalierbarkeit — hoch (4/5) Mehr Fläche, mehr Feldblöcke, mehr Kulturen — das System skaliert gut. Zusätzlich verbessert es sich: Mehr Saisons bedeuten bessere Kalibrierung, höhere Prognosegenauigkeit. Der einzige Skalierungsengpass ist die Datenpflege der Ertragsdaten.

Richtwerte — stark abhängig von Ertragsdaten-Qualität, bewirtschafteter Fläche und Marktvolatilität der Saison.

Was die Prognose konkret macht

Der Kern ist eine dreifache Datenkombination — jede Quelle alleine ist schwach, zusammen werden sie präzise:

Sentinel-2-Satellitenbilder (NDVI): Der NDVI (Normalized Difference Vegetation Index) misst die Vitalität der Pflanzen auf Pixelebene. Die ESA-Satelliten Sentinel-2 überfliegen jeden deutschen Standort alle fünf bis zehn Tage kostenlos. Der NDVI zeigt ab Ende April, ob ein Feld gut entwickelt oder unter Stress steht — Wochen bevor das mit dem bloßen Auge erkennbar ist. Trockenstressflecken, Nährstoffmangelbereiche, Staunässebereiche: alles sichtbar, alles messbar.

DWD-Wetterdaten: Der Deutsche Wetterdienst liefert historische und aktuelle Stationsdaten kostenlos über API. Temperatursummen, Niederschlagsmengen, Verdunstungswerte — die agronomischen Steuergrößen für den Ertrag. Historische Wetterdaten der letzten 10–20 Jahre bilden die Kalibrierungsbasis für das Modell.

Historische Ertragsdaten: Wer Telematik-Daten vom Mähdrescher hat (Ertragserfassung per GPS), ist direkt startklar. Wer noch auf Papieraufzeichnungen setzt, kann mit drei bis vier Jahren Historik auf Schlagebene anfangen — das reicht für brauchbare erste Modelle.

Ein Gradient-Boosting-Modell (oder Random Forest) lernt aus diesen kombinierten Daten: Welche Kombination von NDVI-Entwicklung, Temperatursummen und Niederschlagsmengen führt zu welchem Endertrag? Ab Mitte Mai liefert das Modell Prognosen auf ±8–12 Prozent Genauigkeit — und verbessert diese wöchentlich bis zur Ernte.

Der operative Ablauf: Einmalig Feldgrenzen als Shapefile oder GIS-Polygon ins System eingeben, historische Ertragsdaten verknüpfen. Ab dann läuft das System automatisch und liefert wöchentlich aktualisierte Prognosen je Feldblock.

Konkrete Werkzeuge — was wann passt

Fertige SaaS-Lösung: aWhere / The Weather Company Agriculture Spezialisierter Agrardaten-Dienst, der Wetter- und NDVI-Daten kombiniert. API-basiert, für mittelgroße Betriebe typisch 300–800 Euro/Monat. Gut geeignet für Betriebe, die eine fertige Lösung ohne eigene Dateninfrastruktur wollen. Keine Entwicklerarbeit nötig.

Maschinenpark-Integration: John Deere Operations Center Für Betriebe mit JD-Maschinen liefert das Operations Center historische Ertragsdaten direkt aus der Maschinendokumentation. Erntemengenprognose als Zusatzmodul. Vorteil: Daten sind bereits vorhanden, kein separater Import.

Hohe Bildfrequenz: Planet Labs Kommerzieller Satellitendienst mit täglicher Bildwiederholung und höherer Auflösung als Sentinel-2. Für Betriebe, die Sub-Feldblock-Analysen brauchen. Ab ca. 500 Euro/Monat für Agrarpakete.

Kostengünstiger Einstieg: ChatGPT oder Claude als Auswertungsschicht Für Betriebe, die Daten bereits haben (DWD-Wetter-CSV, eigene Ertragstabellen): Ein LLM kann Trendinterpretationen und Szenario-Analysen durchführen. Kein Ersatz für ein echtes ML-Modell, aber ein kostengünstiger Einstieg für explorative Analysen und erste strukturierte Einschätzungen.

Wann welcher Ansatz:

• Datenlage gut, kein Dev-Aufwand gewünscht → aWhere oder ähnlicher SaaS-Dienst
• JD-Maschinenpark vorhanden → Operations Center
• Präzisionsbedarf hoch, eigene Flächen groß → Planet Labs
• Einstieg ohne Budget → DWD-API + LLM-Analyse

Datenschutz und Datenhaltung

Erntemengen- und Ertragsdaten sind in der Regel keine personenbezogenen Daten im Sinne der DSGVO — sie beziehen sich auf Flächen, nicht auf natürliche Personen. Ausnahme: Wenn Ertragsdaten mit Mitarbeiterdaten (z.B. Fahrerprofilen aus Telematik) verknüpft werden, greift die DSGVO.

Die meisten Agrar-SaaS-Anbieter (aWhere, Trimble, John Deere) sitzen in den USA. Für Betriebe, die Wert auf EU-Datenhaltung legen: Die Sentinel-2-Rohdaten sind öffentlich und liegen auf ESA-Servern in Europa. Eine eigene Auswertungsinfrastruktur auf EU-Cloud (AWS Frankfurt, Azure Westeuropa, Hetzner) ist technisch möglich — erfordert aber Entwicklerarbeit.

Für die Verknüpfung mit Maschinen-Telematikdaten sollte ein Auftragsverarbeitungsvertrag (AVV) mit dem Tool-Anbieter vorhanden sein — besonders wenn die Telematik Fahrer-Login-Daten enthält.

Was es kostet — realistisch gerechnet

Einstieg mit SaaS-Lösung:

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

Eigene Lösung (ML-Modell auf offenen Daten):

• Entwicklungsaufwand: 8.000–20.000 Euro einmalig
• Laufende Kosten: 100–300 Euro/Monat für Datenquellen und Hosting
• Sinnvoll ab 200 Hektar und mehreren Jahren Ertragsdokumentation

ROI-Szenario: Betrieb mit 350 Hektar Weizen. Verpasstes Potenzial durch suboptimale Vermarktung: 150 Euro/ha × 350 ha = 52.500 Euro/Jahr. SaaS-Kosten: 6.000 Euro/Jahr. Realistische Verbesserung bei konservativer Annahme (40 % der Fehlentscheidungen werden besser): 21.000 Euro Mehrwert. Netto-Gewinn: 15.000 Euro/Jahr. Amortisation: erste Saison.

Wichtige Einschränkung: Der Hebel ist stark jahrgangsabhängig. In Jahren mit stabilen Preisen und gleichmäßiger Witterung ist das Potenzial geringer. In Volatilitätsjahren (2022, 2024) war es deutlich größer.

Typische Einstiegsfehler

Fehler 1 — Keine historischen Ertragsdaten vorhanden Das ML-Modell braucht eine Kalibrierungsbasis. Wer keine Ertragsdaten hat, startet mit einem generischen Modell, das erst nach 2–3 Saisons auf den eigenen Betrieb kalibriert ist. Die Lösung: Zuerst den Mähdrescher-Telematik-Export aktivieren, dann das Prognosesystem einführen. Wer keine Telematik hat, beginnt mit manueller Tabellendokumentation.

Fehler 2 — Prognose wird nicht in Entscheidungsprozess integriert Das häufigste Scheitern: Das Tool läuft, aber niemand schaut konsequent drauf. Die Prognose erscheint auf dem Dashboard, die Vermarktungsentscheidung fällt trotzdem nach Gefühl. Lösung: Fester Termin — einmal pro Woche die Prognose auswerten und mit den aktuellen Terminkontrakten abgleichen.

Fehler 3 — Nach erster Saison nicht kalibrieren Ein Prognosesystem wird besser, wenn nach der Ernte die tatsächlichen Erträge mit den Prognosen abgeglichen werden. Wer diesen Schritt überspringt, verliert den wichtigsten Lerneffekt. Die Kalibrierung dauert 2–4 Stunden nach der Ernte.

Fehler 4 — Unterschätzter Digitalisierungsaufwand Ertragsdaten auf Papier digitalisieren, Feldgrenzen als GIS-Polygone erfassen, Wetterdaten-API einbinden — das klingt nach wenig und kostet mehr Zeit als geplant. Realistisch einplanen: 1–2 Tage für die Datenbasis, bevor das System laufen kann.

Fehler 5 — System nach der Einführungssaison vernachlässigt Wer das Prognosesystem nach der ersten Saison nicht aktiv pflegt, verliert den Genauigkeitsvorteil. Ertragsdaten müssen jährlich nachgepflegt, Feldgrenzen bei Änderungen aktualisiert, Wetterdaten-API-Zugänge verlängert werden. Betriebe, die das System im zweiten Jahr nicht aktiv nutzen, kehren schleichend zur Bauchgefühl-Entscheidung zurück — mit dem falschen Gefühl, „das haben wir schon probiert”.

Was mit der Einführung wirklich passiert

Die ersten Wochen nach dem Start sind oft ernüchternd: Das System liefert Prognosen, aber der Betriebsleiter vertraut ihnen noch nicht. Er fährt weiterhin auf Gefühl. Das ist normal — und der richtige erste Schritt ist nicht Vertrauen erzwingen, sondern beides parallel laufen lassen. Prognose dokumentieren, eigene Einschätzung dokumentieren, nach der Ernte vergleichen.

Nach zwei Saisons kippt das meistens: Die Datenlage wird besser, das Modell wird genauer, und der Betriebsleiter hat genug Vergleiche, um dem System mehr Gewicht zu geben. Dieser Prozess dauert Zeit — wer nach zwei Wochen erwartet, dass er das Bauchgefühl ersetzen kann, wird enttäuscht sein.

Die zweite typische Hürde: Marktvolatilität. In Jahren mit normaler Preisschwankung ist der Mehrwert sichtbar. Wenn ein unvorhergesehenes Ereignis (Krieg, Exportsperre, Extremdürre in einer Schlüsselregion) den Markt umwirft, hilft auch die beste Erntemengenprognose wenig. Das System ist kein Schutz gegen Schwarze Schwäne — es ist ein Werkzeug für die 80 Prozent der normalen Jahre.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Wir haben keine Ertragsdaten digital — das läuft noch auf Papier.” Das ist der häufigste Einstiegsblock — und lösbar. Mähdrescher ab Baujahr 2015 haben in der Regel Telematik, die Ertragsdaten aufzeichnet, aber die oft nie aktiviert wurde. Der erste Schritt: Beim Maschinenhersteller den Export der letzten Saisons anfragen. Für ältere Maschinen reicht eine strukturierte Excel-Tabelle mit Ertrag je Schlag und Jahr — drei bis vier Jahre reichen für ein erstes Modell.

„Satellitendaten sind zu ungenau für einzelne Felder.” Sentinel-2 hat eine Auflösung von 10 Metern — 100 Messpunkte pro Hektar. Für Schläge ab 5 Hektar ist das ausreichend, um Heterogenitäten (Trockenstressflecken, Staunässebereiche) zuverlässig zu erkennen. Schläge unter 2–3 Hektar sind ein Randproblem, bei dem sich die Satellitenanalyse weniger lohnt.

„Das Wetter entscheidet am Ende — was nützt mir die Prognose bei Hagel?” Extremereignisse wie Hagelschäden kann kein Modell vorhersagen. Das ist richtig. Aber 80–90 Prozent der Saisons verlaufen ohne Katastrophe. Für diese Mehrheit verbessert die Prognose die Planungsgrundlage erheblich. Der Schutz gegen Extremjahre heißt Ernteversicherung, nicht Prognosegenauigkeit.

Woran du merkst, dass das zu dir passt

Dieser Anwendungsfall passt, wenn du:

• mehr als 150 Hektar Getreide, Raps oder andere Ackerfrüchte bewirtschaftest
• mindestens drei Jahre Ertragsdaten (auch auf Papier) hast
• Lagerkapazitäten, Terminkontrakte oder Logistikplanung Monate vor der Ernte festlegen musst
• bereit bist, zwei Saisons zu investieren, bis das Modell ausreichend kalibriert ist

Das passt (noch) nicht, wenn du:

• hauptsächlich Sonderkulturen (Obst, Wein, Hopfen) anbaust — die Modelle sind für Ackerbaukulturen optimiert
• weniger als drei Jahre Ertragsdaten hast und keine Möglichkeit siehst, diese zu rekonstruieren
• keine Preisunsicherheit hast, weil du ausschließlich Direktvermarktung mit Festpreisen betreibst
• in einem sehr kleinen Betrieb unter 80 Hektar arbeitest — der ROI deckt die Einrichtungskosten kaum

Das kannst du heute noch tun

Bevor du Tools kaufst oder bewertest: Überprüfe, welche Ertragsdaten auf deinem Betrieb bereits vorhanden sind. Das kostet nichts und bestimmt, welcher Einstiegsweg realistisch ist.

Quellen & Methodik

• DLG-Studie „Vermarktungsmanagement im Getreide” (2022): Benchmarkwerte zu Erlösunterschieden zwischen systematisch und unsystematisch vermarktenden Betrieben; 50–150 Euro/Tonne Differenz über Mehrjahresdurchschnitt.
• Deutscher Bauernverband, Situationsbericht 2023: Einkommensverluste durch suboptimale Vermarktungsentscheidungen; regionale Schadensdaten Dürresommer 2018.
• ESA Copernicus/Sentinel-2 Produktdokumentation: Auflösung 10 m (sichtbares Licht/NIR), Wiederholrate 5 Tage (2 Satelliten), kostenlos verfügbar über Copernicus Open Access Hub.
• Julius-Kühn-Institut, Precision Agriculture Forschungsberichte (2021–2023): Ertragsheterogenität auf deutschen Ackerflächen; NDVI-Korrelationen mit Endertrag.
• Eigene Erfahrungswerte aus Projekten: Prognosegenauigkeit ±8–12 % (Weizen, Raps) auf Basis von 3+ Jahren Ertragsdaten und Sentinel-2-NDVI; ±15–20 % bei spärlicherer Historik.
• DWD Open Data: Wetterdaten-API für stündliche Stationsdaten; kostenlos für gewerbliche Nutzung verfügbar (opendata.dwd.de).