ML-Korrektur von Erntemengen-Kartierungsdaten am Mähdrescher

Das echte Ausmaß des Problems

Ertragskartierung ist in deutschen Ackerbaubetrieben inzwischen weit verbreitet. Laut einer Erhebung des Deutschen Fachverbands für Agrartechnik verfügen die meisten modernen Mähdrescher ab Baujahr 2015 über einen Ertragsmonitor. Das Problem: Die Rohdaten sind fast immer unbrauchbar — nicht für agronomische Entscheidungen.

Studien der Kansas State University (2023) und der Cornell University (2018/2019) zeigen konsistent: 10 bis 50 % der aufgezeichneten Datenpunkte müssen aus einer typischen Ertragskarte entfernt oder korrigiert werden, bevor die Karte agronomisch verwertbar ist. In einem konkreten Feldversuch wurden aus 13.044 Datenpunkten 1.600 fehlerhafte Punkte entfernt — die Standardabweichung der Ertragswerte sank dabei von 67 Bushel/Acre auf 22 Bushel/Acre. Mit anderen Worten: Fast 70 % der scheinbaren Ertragsschwankungen in der Rohdatenkarte sind Messrauschen, kein echtes Signal.

Die Folgen für die Praxis sind erheblich:

• Fehlgeleitete Düngungsempfehlungen: Die University of Nebraska-Lincoln zeigte, dass Stickstoffprescriptions auf Basis unbereinigter Ertragsdaten um bis zu 75 Pound pro Acre (ca. 84 kg/ha) von der optimalen Rate abweichen können — systematisch zu niedrig in Bereichen, wo Randfahrten die Ertragswerte verfälscht haben.
• Falsche Zonenbildung: Wer aus einer unbereinigten Karte Managementzonen für variable Düngung ableitet, kartiert im besten Fall Sensorartefakte — und düngt danach.
• Entscheidungsparalyse: Viele Betriebsleiter haben die manuelle Bereinigung einmal versucht, sind daran gescheitert und nutzen ihre Ertragskarten seitdem nicht mehr für agronomische Entscheidungen.

xarvio Field Manager (BASF) berichtet, dass Betriebe, die Ertragskarten korrekt für variable Applikation nutzen, bei Winterweizen durchschnittlich 58 € Mehrumsatz pro Hektar erzielen — durch Kombination aus Ertragssteigerung in unterversorgten Zonen und Einsparung in überversorgten Bereichen (laut top agrar, 2022). Ohne belastbare Ertragskarte ist dieser Hebel nicht aktivierbar.

Fehlertypen in Ertragskarten — eine Taxonomie

Wer ML-Korrektur verstehen oder bewerten will, muss wissen, welche Fehler es gibt. Nicht alle Artefakte entstehen gleich — und nicht alle lassen sich mit demselben Verfahren beheben.

1. Zeitverzögerung (Lag Error) Der Kornfluss startet am Schneidwerk, durchläuft Schrägförderer, Dreschwerk, Reinigungsanlage und Körnerelevator, bevor er den Masseflusssensor erreicht. Diese Wegstrecke kostet Zeit — typischerweise 5 bis 15 Sekunden, je nach Maschinentyp und Dreschguteigenschaften. Weil Position und Ertragswert zeitgleich aufgezeichnet werden, wird ein Ertragswert systematisch der falschen GPS-Position zugeordnet: Der Mähdrescher hat schon das nächste Feld befahren, wenn der Sensor noch den Ertrag des vorigen Bereichs misst. Ohne Lag-Korrektur entstehen an Feldgrenzen charakteristische Verschiebungs-Artefakte.

2. Anfahrt- und Abfahrtartefakte (Head-End Contamination) Am Anfang und Ende jeder Erntebahn stabilisiert sich der Kornfluss mit Verzögerung. In den ersten 10–20 Metern nach dem Einfahren ins Bestand misst der Sensor noch keinen stabilen Fluss — der Erntegutpfropfen ist noch nicht vollständig aufgebaut. Am Ende der Fahrt läuft der Sensor nach, während der Mähdrescher bereits ins Wendemanöver fährt. Diese Bereiche zeigen systematisch zu niedrige oder zu hohe Ertragswerte.

3. Wendemanöver und Überfahrten (Turning & Overlap) Bei Wendemanövern am Feldrand dreht der Mähdrescher mit noch geöffnetem Schneidwerk oder fährt über bereits gedroschene Bereiche. Der Sensor zeichnet dabei Nullwerte oder chaotische Flussraten auf — diese Artefakte sind oft leicht durch Positionsfilterung erkennbar, aber ohne automatische Erkennung bleiben sie im Datensatz.

4. Sensorabweichung und Maschinendrift (Sensor Bias) Masseflusssensoren driften über Zeit — durch Temperaturveränderungen, Ablagerungen auf dem Sensor, Abnutzung der Messzelle. Ein Sensor, der bei der letzten Kalibrierung gut war, kann nach 200 Betriebsstunden um 5–8 % abweichen. Bei Mehrmaschinen-Betrieben entsteht ein zusätzliches Problem: Zwei Mähdrescher mit unterschiedlicher Kalibrierung messen systematisch unterschiedliche Werte auf demselben Feld — das erzeugt die charakteristischen Streifenmuster (Striping), die entlang der Erntebahnen verlaufen.

5. GPS-Positionsfehler und Drift Standard-GPS arbeitet mit 3–5 Meter Genauigkeit. Ohne RTK-Korrektursignal akkumuliert sich die Positionsabweichung über eine Erntebahn. Schlechter Satellitenempfang (Bäume, Hangschatten, Wetterlagen) erzeugt sprunghafte Positionswechsel — Datenpunkte, die auf der Ertragskarte in völlig falschen Bereichen landen.

6. Feuchtigkeitsmessverzögerung Der Feuchtesensor reagiert langsamer als der Masseflusssensor. Wenn der Feuchtegehalt des Ernteguts während einer Fahrt variiert — wie morgens bei taufeuchtem Erntegut — hinkt die Feuchtekorrektur der Ertragsmessung nach. Das erzeugt systematische Ertragsfehler entlang der Fahrtrichtung.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Vergleichswerte für Standardabweichung stammen aus dem KSU-Versuch (Kansas State University, 2023). Die N-Prescriptionsfehler aus der UNL-Studie (University of Nebraska-Lincoln, extensionpublications.unl.edu, 2023).

Einschätzung auf einen Blick

Zeitersparnis — gering (2/5) Die Automatisierung der Nachernteauswertung ist real — aus bis zu acht Stunden manueller GIS-Arbeit werden 20 Minuten. Aber: Das ist ein einmaliger saisonaler Aufwand, kein täglich wiederkehrender. Verglichen mit Anwendungsfällen wie der KI-Dreschoptimierung und automatischen Erntemaschinen-Steuerung oder automatischen Schlagdokumentation, die täglich Arbeitszeit einsparen, ist dieser Hebel klein. Niedrigste Bewertung auf dieser Achse in der Kategorie ist gerechtfertigt.

Kosteneinsparung — stark (4/5) Der eigentliche Wert liegt nicht in der eingesparten Bereinigungszeit, sondern in der Qualität der agronomischen Entscheidungen. Belastbare Ertragskarten ermöglichen variable Düngung, die erfahrungsgemäß 8–15 % Düngerkosten einspart — bei 100 ha Weizen (Stickstoffkosten ca. 200 €/ha) sind das 1.600–3.000 € jährlich. Dazu kommt der Ertragszuwachs in unterversorgten Zonen. Dieser Hebel ist stark und direkt messbar — daher Platz 3–4 in der Kategorie hinter reinen Ressourceneinsparungsanwendungen.

Schnelle Umsetzung — mittel (3/5) Wer bereits ein kompatibles FMIS-System (John Deere Operations Center, CLAAS TELEMATICS/365FarmNet) nutzt und Ertragsdaten aus mindestens einer Saison hat, kann mit GeoPard Agriculture innerhalb von 3–6 Wochen eine erste bereinigte Karte erstellen. Das ist handhabbar, aber nicht trivial: Die Plattformkompatibilität muss geprüft werden, Datenexporte müssen konfiguriert werden. Bei Betrieben ohne digitale FMIS-Grundlage verdoppelt sich die Anlaufzeit.

ROI-Sicherheit — mittel (3/5) Der ROI hängt direkt von der Heterogenität der eigenen Felder ab. Auf einem Schlag, der von Natur aus homogene Böden hat, lässt sich aus der bereinigten Ertragskarte keine sinnvolle Differenzierung ableiten — der Aufwand lohnt sich schlicht nicht. Auf einem heterogenen Feld mit ausgeprägten Bodenübergängen oder Drainageunterschieden ist der ROI dagegen deutlich und nach einer Saison messbar. Diese Abhängigkeit von der Bodenqualität macht den ROI weniger sicher als bei Anwendungsfällen mit betriebsunabhängiger Einsparung.

Skalierbarkeit — stark (4/5) Einmal konfiguriert, läuft die Pipeline jede Saison automatisch — für jeden weiteren Schlag, jeden weiteren Erntejahr. Die Korrekturmodelle verbessern sich mit jeder Saison, weil mehr Referenzdaten vorliegen. Der einzige Skalierungsengpass: neue Maschinentypen oder neue FMIS-Plattformen erfordern erneute Konfiguration.

Richtwerte — stark abhängig von Schlaggröße, Bodentyp, vorhandener FMIS-Infrastruktur und Sensoralter.

Was die ML-Korrektur konkret macht

Das System arbeitet in zwei Phasen:

Phase 1 — Datenbereinigung (Filtering) Ein Regelsatz, teils statistisch, teils maschinengetrieben, entfernt offensichtlich fehlerhafte Datenpunkte. Das umfasst: Punkte während Wendemanövern (erkannt über GPS-Kurvenrate und Schneidwerksposition), Punkte unter einer Mindestgeschwindigkeit, Punkte am Anfang und Ende jeder Erntebahn (Anfahrtartefakte), und statistische Ausreißer jenseits des feld­spezifischen Normbereichs. In diesem Schritt fallen typischerweise 10–25 % der Rohdatenpunkte heraus.

Phase 2 — Kalibrierung (Calibration) Hier setzt das Machine Learning an. Das Modell analysiert systematische Muster: Weichen bestimmte Erntebahnen konsistent nach oben oder unten ab? Gibt es einen Trend entlang der Fahrtrichtung (Hinweis auf Lag-Fehler)? Unterscheiden sich Maschinen A und B systematisch (Hinweis auf Sensor-Bias)? Das Modell berechnet für jeden Datenpunkt einen Korrekturfaktor, der diese systematischen Abweichungen ausgleicht.

Für die pathweise Kalibrierung bei Mehrmaschinen-Betrieben oder mehrtägiger Ernte — dem häufigsten Fall für Streifenmuster — braucht das ML-Modell genug Variation: Die Maschinen oder Tage müssen erkennbar unterschiedliche Systemmuster zeigen, damit das Modell lernen kann. Bei homogener Maschinenflotte mit gleicher Kalibrierung ist der Mehrwert dieser Stufe geringer.

Der Output ist ein bereinigter Punktdatensatz, der als GeoTIFF oder ISOXML in jede gängige FMIS-Software importiert werden kann. Die Ertragskarte zeigt danach nur noch echte Ertragsschwankungen — Artefakte sind verschwunden.

Was du brauchst: Mindestdatendichte und Feldbedingungen

ML-Korrektur ist kein Allheilmittel. Es gibt harte technische Voraussetzungen, die über Erfolg oder Misserfolg entscheiden.

GPS-Aufzeichnungsrate: Standard-FMIS-Systeme zeichnen alle 1–5 Sekunden einen Datenpunkt auf. Für eine sinnvolle Lag-Korrektur sind mindestens 1 Hz (ein Punkt pro Sekunde) nötig — damit reicht die räumliche Auflösung, um die Zeitverschiebung auf wenige Meter genau zu korrigieren. Ältere Systeme mit 5-Sekunden-Intervallen produzieren zu grobes Raster für eine präzise Lagkorrektur.

Mindestfeldgröße: Felder unter 5 Hektar produzieren so wenige Datenpunkte pro Erntebahn, dass statistische Ausreißererkennung kaum funktioniert. Auch die Zonenbildung für variable Düngung macht unter 5–10 ha selten Sinn — die Applikationstechnik kann eine sinnvolle Differenzierung ohnehin nicht mehr physisch umsetzen.

Mindestheterogenität: Wenn die Standardabweichung der Rohdaten unter 10 % des mittleren Ertrags liegt, gibt es kaum echte Feldvariabilität — nach der Bereinigung bleibt eine homogene Karte, aus der sich keine sinnvollen Managementzonen ableiten lassen. Homogene Felder brauchen keine ML-Korrektur, weil sie danach immer noch homogen sind.

Erforderliche Eingabedaten: Für vollständige Korrektur werden benötigt: (1) GPS-Track mit mindestens 1-Sekunden-Auflösung, (2) Masseflusssensor-Rohwerte (nicht nur berechneter Ertrag), (3) Schneidwerksbreitensignal und Schneidwerkshebeposition, (4) Maschinengeschwindigkeit, (5) Feuchtemessung des Ernteguts. Fehlen Daten aus Punkt (3) oder (4), ist die Anfahrtartefakterkennung stark eingeschränkt.

Datenverfügbarkeit: Für eine aussagekräftige ML-Kalibrierung, die Sensortrends über Saisons erkennt, sind idealerweise 3+ Erntejahre im gleichen FMIS-System vorhanden. Bei erster Nutzung ist die Korrektur auf regelbasierte Filterung beschränkt — das ist nützlich, aber weniger präzise als ein mehrjährig trainiertes Modell.

Konkrete Werkzeuge — was wann passt

Für die meisten deutschen Ackerbaubetriebe gibt es drei realistische Wege.

GeoPard Agriculture — wenn du herstellerunabhängige ML-Kalibrierung brauchst GeoPard ist die einzige öffentlich zugängliche Plattform mit expliziter ML-basierter pathweiser Kalibrierung. Besonders geeignet bei Mehrmaschinen-Betrieben mit Striping-Artefakten oder bei Betrieben, die Daten aus verschiedenen FMIS-Systemen zusammenführen wollen. Jahresplan ab €200/Jahr für 100 ha, nutzungsbasierter Plan ab €20/Monat. Kostenlose Testphase bis 100 ha. Nachteil: Benutzeroberfläche nur auf Englisch, keine native CLAAS-Direktanbindung.

John Deere Operations Center — wenn du vollständig im JD-Ökosystem arbeitest Das Operations Center bietet integrierte Ertragsdatenverarbeitung mit Lag-Korrektur und Ausreißerfilterung — ohne separate Software. Für JD-Betriebe der naheliegendste Einstieg. Der Export kalibrierter Ertragsdaten in GeoPard Agriculture ist seit Januar 2025 möglich, was beide Wege kombinierbar macht. Kosten: JDLink-Telematik ca. 25–50 USD/Maschine/Monat, Basis-Account kostenlos.

CLAAS TELEMATICS + 365FarmNet — wenn du im CLAAS-Ökosystem arbeitest CLAAS TELEMATICS übermittelt Ertragsdaten automatisch in 365FarmNet. Eine ML-gestützte pathweise Kalibrierung ist dort nicht nativ vorhanden — 365FarmNet bietet Grundfilterung. Für tiefere Korrektur: ISOXML-Export aus 365FarmNet, Import in GeoPard Agriculture, bereinigten Datensatz zurückspielen. Dieser Workflow funktioniert, braucht aber einen manuellen Zwischenschritt.

Climate FieldView — wenn du herstellergemischte Flotte hast FieldView unterstützt Maschinen von John Deere, Case IH, New Holland und AGCO. Für Betriebe mit gemischter Maschinenflotte ist es die einzige Plattform, die alle Quellen in einer Oberfläche zusammenführt. FieldView Plus (ca. 600 €/Jahr) enthält Ertragsdatenvisualisierung, aber keine explizite ML-Kalibrierung — GeoPard Agriculture ist als Ergänzung sinnvoll.

Python-Pipeline (Open Source) — wenn du Entwickler-Ressourcen hast Für Lohnunternehmer, die für viele Betriebe Ertragsdaten verarbeiten, lohnt sich eine eigene Pipeline: scikit-learn für Ausreißererkennung, geopandas für räumliche Operationen, GDAL für GeoTIFF-Ausgabe. Die Einrichtungskosten liegen bei 2–4 Wochen Entwicklerzeit. Das USDA hat ein öffentliches Reinigungsprotokoll veröffentlicht (verfügbar über GeoPard Agriculture und über nmsp.cals.cornell.edu), das als Implementierungsgrundlage genutzt werden kann.

Zusammenfassung: Wann welcher Weg

• JD-Maschinen, JD-Ökosystem → John Deere Operations Center + optionaler GeoPard Agriculture-Export
• CLAAS-Maschinen → CLAAS TELEMATICS/365FarmNet + GeoPard Agriculture für ML-Kalibrierung
• Mehrere Hersteller, gemischte Flotte → Climate FieldView als Aggregator + GeoPard Agriculture
• Berater/Lohnunternehmer mit vielen Betrieben → eigene Python-Pipeline oder GeoPard Agriculture Enterprise

Integration in bestehende FMIS-Plattformen

Die technische Integration ist in der Praxis häufig der aufwendigste Teil — nicht die KI selbst.

Alle modernen FMIS-Systeme unterstützen den ISOBUS-Standard (ISO 11783) für Datenexport. Das klingt nach universeller Kompatibilität, ist aber in der Realität mühsam: Jeder Hersteller implementiert den Standard leicht unterschiedlich, und Felder wie Schneidwerksbreite oder Feuchtekorrektur werden nicht einheitlich exportiert.

Eine praktische Kompatibilitätsübersicht:

Für Betriebe mit gemischter Flotte (ein CLAAS-Mähdrescher, ein John Deere Traktor) ist agrirouter als herstellerunabhängige Datendrehscheibe einen Blick wert — der Dienst leitet Maschinendaten zwischen Plattformen weiter, ohne dass manuelle Konvertierung nötig ist.

Worauf du beim Export achten musst: Vor dem Export aus dem FMIS prüfen, ob der Datensatz folgende Felder enthält: moisture (Feuchtemessung je Datenpunkt), swath_width (tatsächliche Schneidwerksbreite, nicht nur nominale), header_status (Schneidwerkshebeposition), und speed (Fahrgeschwindigkeit). Fehlt einer dieser Parameter, müssen Ersatzwerte aus dem Zeitstempel und der Maschinenspezifikation geschätzt werden — was die Kalibrierungsqualität einschränkt.

Datenschutz und Datenhaltung

Ertragsdaten aus dem Mähdrescher sind mehr als technische Messwerte — sie sind Betriebsgeheimnisse. GPS-genaue Ertragskarten zeigen, welche Felder ein Betrieb besitzt oder bewirtschaftet, welche Erträge er erzielt, und indirekt seine Produktionseffizienz. Diese Information ist für Landhandelsunternehmen, Wettbewerber und Bodenpreisspekulanten wertvoll.

Die DSGVO greift bei Ertragsdaten nicht direkt, weil sie keine personenbezogenen Daten im klassischen Sinne sind — aber sie sind schützenswerte Unternehmensdaten. Für Betriebe, die in Agrargenossenschaften oder Maschinenringen zusammenarbeiten, kann die Weitergabe von Ertragsdaten an externe Plattformen vertraglich relevant sein.

Datenhaltung je Plattform:

• GeoPard Agriculture: Europäische Server — AVV auf Anfrage erhältlich
• John Deere Operations Center: US-Server — AVV vorhanden, aber Datensouveränität bleibt beschränkt; John Deere ist dem EU-US Data Privacy Framework beigetreten
• CLAAS TELEMATICS + 365FarmNet: Europäische Server — DSGVO-konform, deutsches System
• Climate FieldView: US-Server (Bayer/US-Rechenzentren) — AVV erhältlich, keine echte EU-Datenresidenz
• Eigene Python-Pipeline mit lokaler Datenhaltung: vollständige Kontrolle, kein Drittanbieter

Empfehlung für datensensible Betriebe: Wer Ertragsdaten in externe Plattformen überträgt, sollte mindestens: (1) AVV abschließen, (2) prüfen, ob aggregierte Ertragsdaten für Plattformanbieter-interne Zwecke genutzt werden dürfen, (3) lokale Datenkopien vor jedem Upload sichern. Für Betriebe mit rechtlichen Beratungsverträgen zu Bodenthemen sollte ein Datenschutzexperte hinzugezogen werden, bevor Ertragsdaten in US-Clouds überführt werden.

Was es kostet — realistisch gerechnet

Einmalige Einrichtung

• Datenexport aus bestehender FMIS konfigurieren: 1–3 Tage Aufwand (intern oder mit Händlerunterstützung)
• Initialer Import und erste Bereinigung in GeoPard Agriculture: 2–4 Stunden je nach Datenmenge
• Konfiguration der Ertragszonen und Zielwerte für variable Düngung: 1–2 Arbeitstage (idealerweise mit Agrarberater)
• Externe Beratungskosten für initiales Setup: 500–1.500 € (einmalig, optional)

Laufende Kosten

• GeoPard Agriculture: €200/Jahr für 100 ha (Jahresplan) oder €20/Monat + verbrauchsabhängige Extras
• John Deere Operations Center: in JDLink-Abo enthalten (ca. 25–50 USD/Maschine/Monat)
• CLAAS TELEMATICS: maschinengebunden, Basistelematik in Neumaschinen inklusive
• 365FarmNet Basic: kostenlos; Premium-Module auf Anfrage (grob: 0,83–31,25 €/Monat je 100 ha je Modul)

Was du dagegenrechnen kannst Bei 100 ha Winterweizen mit einem mittleren Stickstoffeinsatz von ca. 200 €/ha bedeuten 10 % Einsparung durch präzisere Düngung: 2.000 € jährlich. Dazu kommt der potenzielle Ertragsgewinn in chronisch unterversorgten Zonen. Im konservativen Szenario (5 % Einsparung, kein Mehrertrag) ergibt sich 1.000 € Einsparung — das übertrifft die Plattformkosten von 200 €/Jahr bei weitem.

Wann sich die Rechnung nicht aufgeht: Auf homogenen Schlägen mit unter 5–8 % Ertragsvariabilität lassen sich keine sinnvollen Managementzonen ableiten. Dort amortisiert sich die ML-Korrektur nicht — der Betrieb spart Plattformkosten, wenn er auf die Analyse für diese Schläge verzichtet.

Drei typische Einstiegsfehler

1. Mit der Rohdatenkarte in die Zonenplanung starten Der häufigste Fehler: Direkt nach der Ernte die Ertragskarte aufrufen und mit der Managementzonen-Aufteilung beginnen — ohne Bereinigung. Die Karte sieht bunt aus, die Heterogenität wirkt bedeutsam. In Wirklichkeit sind weite Teile der sichtbaren Muster Sensorartefakte. Wer Zonen aus unbereinigten Karten ableitet, variiert seine Düngung nach dem Rauschen — nicht nach dem echten Bodenunterschied. Richtig: Bereinigung als Pflichtschritt vor jeder Auswertung. Keine Zone ohne validierten Datensatz.

2. Einen einzigen Ausreißerfilter als vollständige Korrektur betrachten Viele FMIS-Systeme bieten einen einfachen Ausreißerfilter an (Punkte über X% des Mittelwerts werden entfernt). Das ist besser als nichts — aber es entfernt nur die offensichtlichsten Fehler. Lag-Fehler, systematische Sensorabweichung und Anfahrtartefakte überlebt ein einfacher Ausreißerfilter. Wer glaubt, nach dem Standard-Filter eine saubere Karte zu haben, liegt oft falsch. Richtig: Lag-Korrektur, Anfahrtartefakterkennung und pathweise Kalibrierung sind separate Schritte, die alle nötig sind.

3. Die ML-Kalibrierung einmalig einrichten und nie wieder prüfen Das ist der gefährlichste Fehler — weil er still passiert.

Ein Kalibrierungsmodell, das auf drei Erntejahrsdaten trainiert wurde, passt gut für den Zeitraum, in dem diese Daten gesammelt wurden. Wenn die Mähdrescher-Hardware gewechselt wird (neuer Sensor, neue Maschine), das Erntegut sich stark ändert (neue Sorte, neue Ertragsniveaus) oder der Betrieb seine Feldgrenzen erheblich verändert, wird das alte Modell systematisch schlechter, ohne dass ein offensichtlicher Fehler sichtbar ist.

Woran merkst du das? Die Streifenmuster kehren zurück — erst schwach, dann deutlicher. Oder die Kalibrierung “sieht gut aus”, aber die Düngeempfehlungen aus der Karte stimmen nicht mehr mit dem Pflanzenbild überein. Richtig: Die Modellqualität sollte jede Erntesaison gegen eine Kontrollmessung geprüft werden — Waagenprotokoll des Kornhändlers vs. Ertragssumme aus der bereinigten Karte (Toleranz: unter ±3 %).

Was mit der Einführung wirklich passiert — und was nicht

Precision Farming hat in der deutschen Landwirtschaft einen besonderen Widerstand entwickelt: Die Technologie wurde in vielen Betrieben enthusiastisch eingeführt, hat enttäuscht und wurde dann wieder aufgegeben. Das Vertrauen ist bei vielen Betriebsleitern dauerhaft beschädigt.

Die “das hat bei uns nie funktioniert”-Gruppe: Sie haben die Ertragskartierung vor 5–8 Jahren eingeschaltet, Rohdaten gesehen und wieder abgeschaltet. Die Karten sahen unbrauchbar aus — weil sie es waren, ohne Bereinigung. Diese Gruppe braucht keine Überzeugungsarbeit über den Nutzen von Ertragsdaten, sondern einen konkreten Nachweis, dass die Datenqualität mit Bereinigung fundamental anders ist. Das funktioniert am besten mit einem direkten Vergleich: ein Schlag, vorher/nachher Karte, in 20 Minuten.

Die FMIS-Parallelwelten: In größeren Betrieben gibt es oft mehrere Plattformen gleichzeitig — der Mähdrescherfahrer nutzt das Herstellersystem, der Betriebsleiter will 365FarmNet, der Agrarberater arbeitet mit xarvio. Keiner der drei Wege ist falsch, aber die Integration ist mühsam. Vor dem ML-Korrektureinsatz muss geklärt sein: Welches System ist die Datenquelle der Wahrheit? Wer exportiert wohin? Ohne diese Entscheidung enden Betriebe mit drei bereinigten Ertragskarten für denselben Schlag — in drei verschiedenen Systemen, leicht unterschiedlich.

Was konkret hilft:

• Einen einzigen Pilotschlag wählen — den heterogensten, den du hast (am meisten sichtbarer Bodenunterschied)
• Vor und nach der Bereinigung nebeneinander zeigen — 15-Minuten-Demo ist überzeugender als jede Erklärung
• Den Agrarberater früh einbeziehen, nicht erst nach dem Technologiesetup — er muss die bereinigten Daten interpretieren und in Düngeempfehlungen übersetzen

Realistischer Zeitplan mit Risikohinweisen

Wichtig: Die erste vollständige bereinigte Ertragskarte ist noch nicht die beste. Mit jeder Erntesaison im System verbessert sich das Kalibrierungsmodell — nach 3 Saisons liefert es deutlich zuverlässigere Ergebnisse als nach dem ersten Jahr.

Häufige Einwände — und was dahintersteckt

„Die Ertragskarte vom Mähdrescher ist doch schon kalibriert.” Die Werks- oder Feldkalibrierung, die der Fahrer am Saisonbeginn durchführt (Waagenkalibrierung), korrigiert den absoluten Ertragsmittelwert. Sie korrigiert keine räumlichen Artefakte: keine Lag-Fehler, keine Anfahrtartefakte, kein Striping bei Mehrmaschinen-Betrieb. Eine kalibrierte Ertragskarte ist besser als eine unkalibrierte — aber für agronomische Zonenbildung immer noch zu fehlerhaft.

„Wir haben das schon mal probiert und es hat nichts gebracht.” Fast immer ist der Grund: Die Bereinigung war unvollständig (nur Ausreißerfilter, kein Lag-Korrektur), oder die Karte wurde für einen Schlag genutzt, der zu homogen war, um Zonen sinnvoll zu bilden. Die Frage ist nicht “Hat die Technik funktioniert?”, sondern “War der Schlag heterogen genug, und war die Bereinigung vollständig genug?” Die erste Frage lässt sich aus historischen Bodenproben beantworten.

„Dafür muss ich doch in neue Software investieren.” Für JD-Betriebe ist die Grundfunktionalität im bestehenden Operations-Center-Abo enthalten. GeoPard Agriculture kostet €200/Jahr für 100 ha — weniger als ein Abend Beratungskosten. Die wirkliche Investition ist Zeit: Daten korrekt exportieren, einmalig konfigurieren, Kalibrierung verstehen. Das sind realistische 2–3 Arbeitstage im ersten Jahr, die sich danach stark reduzieren.

„Bei uns ist das Feld nicht heterogen genug.” Das ist der einzige Einwand, der standhält. Für wirklich homogene Schläge (konstanter Bodentyp, keine Drainagevariabilität, keine Leitfähigkeitsunterschiede) lohnt sich ML-Korrektur nicht — weil die bereinigte Karte genau das zeigt: ein homogenes Feld. Der Test: Liegt die Ertragsstandardabweichung in Rohdaten unter 10 % des Mittelertrags? Dann ist die Bereinigung akademisch interessant, aber agronomisch ohne Konsequenz.

Woran du merkst, dass das zu dir passt

• Du hast Ertragsdaten aus mindestens einer Saison in einem FMIS-System — und hast die Karte nie für konkrete Düngungsplanung genutzt, weil sie “komisch aussah”
• Deine Schläge haben erkennbare Bodenunterschiede — verschiedene Bodenarten, Drainageunterschiede, Leitfähigkeitsvariabilität aus Bodenproben
• Du erntst mit mehr als einem Mähdrescher oder über mehrere Tage auf demselben Schlag — Mehrmaschinen-Betriebe profitieren besonders stark von ML-Kalibrierung
• Deine Düngestrategie ist aktuell Pauschaldüngung über den ganzen Schlag — hier ist der Hebel am größten
• Du arbeitest mit einem Agrarberater, der Ertragskarten in seine Empfehlungen einbeziehen kann

Wann es sich noch nicht lohnt — drei harte Ausschlusskriterien:

1. Fehlende Datengrundlage: Noch keine digitale Ertragsdatenerfassung oder nur ein einziges Erntejahr. ML-Kalibrierung braucht Daten, um Muster zu erkennen. Wer im ersten Jahr der digitalen Ertragskartierung ist, bekommt einfache regelbasierte Filterung — kein ML. Das ist ein vernünftiger Anfang, aber nicht der volle Nutzen. Zwei bis drei Erntejahre im System sollten vorhanden sein, bevor ML-Methoden sinnvoll eingesetzt werden.

2. Zu kleine Betriebe oder zu kleine Schläge: Unter 50 Hektar Gesamtbetriebsgröße oder Einzelschläge unter 5 Hektar. Die Investition in Plattformkonfiguration und Agrarberatungszeit lohnt sich erst ab einer Mindestfläche. Bei 30 ha Weizen macht selbst eine 10%ige Düngemitteleinsparung unter 600 € aus — das rechtfertigt weder den Setup-Aufwand noch die Plattformkosten.

3. Nachweislich homogene Bodenstruktur auf allen Schlägen. Wenn Bodenproben oder Leitfähigkeitsmessungen zeigen, dass keine nennenswerte Variabilität im Betrieb vorhanden ist, gibt es nichts zu optimieren. Bereinigte Ertragskarten wären für Dokumentationszwecke nützlich — aber nicht für agronomische Entscheidungen.

Das kannst du heute noch tun

Der kostengünstigste erste Schritt: Exportiere die Ertragsdaten deines heterogensten Schlags aus der letzten Erntesaison aus deinem FMIS-System (ISOXML oder CSV). Erstelle einen kostenlosen Account bei GeoPard Agriculture (kostenlose Testphase bis 100 ha, kein Setup-Aufwand) und lade die Daten hoch. Führe die automatische Bereinigung durch und vergleiche die Vorher-/Nachher-Karte.

Das dauert etwa 30 Minuten und kostet nichts. Was du danach weißt: Wie stark deine Rohdaten verzerrt sind — und ob die bereinigten Daten Zonen zeigen, die agronomisch sinnvoll sind.

Für die Interpretation der bereinigten Karte und die Ableitung von Managementzonen hilft dieser Prompt:

Quellen & Methodik

• KSU-Versuch zu Ausreißerentfernung (12 % fehlerhafte Datenpunkte, Std.-Abw. von 67 auf 22 bu/ac): Lollato, R.P. et al., „Cleaning Yield Monitor Data Matters for Better Farm Decisions”, Kansas State University Department of Agronomy Extension Article 674-1 (2023), eupdate.agronomy.ksu.edu

• UNL-Studie zu N-Prescription-Fehler (75 lbs/acre bei unbereinigten Daten): University of Nebraska-Lincoln, „Improving Yield Map Quality by Reducing Errors through Yield Monitor Data Processing”, Extension Circular EC2005 (aktualisiert 2023), extensionpublications.unl.edu

• Lagtime-Parameter und typische Korrekturbereiche: Cornell University, „Processing/Cleaning Corn Silage and Grain Yield Monitor Data for Standardized Yield Maps”, Fact Sheet #107 und Blog-Artikel 2018/2019, nmsp.cals.cornell.edu

• GeoPard Agriculture Pathwise Calibration: GeoPard Dokumentation und Release-Notes Januar 2025 (kostenlose Testphase, nutzungsbasierter Plan ab €20/Monat, Jahresplan ab €200/100 ha), docs.geopard.tech

• xarvio Field Manager ROI (€58/ha Mehrerlös Winterweizen): top agrar, „xarvio Field Manager hilft dem Landwirt beim Pflanzenbau mit 7.000 variablen Applikationskarten” (2022), topagrar.com

• Variable Rate Application Profitability Range (−$410/ha bis +$350/ha): Sharma et al., „ROI of Variable Rate Fertilizer (VRT)”, Cropaia Blog 2023. Eigene Kalkulation für deutsche Betriebe angelehnt an Destatis-Verdienstdaten und DLG-Richtwerte Düngemittelkosten 2024.

• USDA Yield Cleaning Protocol: US Department of Agriculture, LTAR Common Experiment: Collection of grain yield data using a yield monitor, protocols.io

Du willst wissen, ob deine bestehenden Ertragsdaten sauber genug für eine Zonenplanung sind — oder du steckst bei der FMIS-Integration fest? Meld dich für ein kurzes Gespräch.