Ertragsvarianzen-Ursachenanalyse

Das echte Ausmaß des Problems

Ertragsunterschiede wie im Beispiel oben, fast 40 Prozent zwischen der besten und der schwächsten Zone eines Schlags, sind auf heterogenen Standorten nichts Ungewöhnliches. Eine bundesweite Zahl dazu haben wir nicht gefunden; wie groß die Spanne bei dir ist, zeigt deine eigene Ertragskarte. Bodenkundliche Variabilität, unterschiedliche Wasserverfügbarkeit, Bearbeitungshistorie und Kleinstrukturen im Gelände erzeugen Ertragsmuster, die sich von Jahr zu Jahr mit leicht unterschiedlichem Wetter verschieben, und deshalb mit bloßem Auge kaum interpretierbar sind.

Das grundsätzliche Problem: Menschen sind gut darin, einzelne Jahre zu erinnern, aber schlecht darin, Muster über viele Jahre hinweg zu vergleichen. Wenn die Dürre 2018 eine Zone ausgetrocknet hat, und 2019 genau dieselbe Zone wegen Staunässe gelitten hat, sieht das nach zwei verschiedenen Problemen aus, dabei ist es ein einziger schlechtdränender Bodenbereich. Ohne mehrjährige Datenanalyse wird das nie klar.

Wissenschaftlich ist das Ausmaß gut dokumentiert: Studien zeigen, dass zwischen 60 und 74 Prozent der jahreszeitlichen Ertragsschwankung durch Witterung erklärt werden kann (Corn und Soybean: 74 % wettererklärbar, 16 % Management, Studie Nature Scientific Reports 2017). Das klingt nach “Wetter ist das Hauptthema”, aber die verbleibenden 26 bis 40 Prozent, die Management und Boden erklären, sind genau das, was ein Betrieb selbst beeinflussen kann. Innerhalb eines Schlags, also räumliche, nicht zeitliche Varianz, ist der Bodenanteil meist dominant. Eine australische Studie mit Baumwoll-Ertragskarten (Johnston et al., Computers and Electronics in Agriculture, 2022) zeigte, dass XGBoost-Modelle mit SHAP-Analyse einen großen Teil der räumlichen Ertragsvariabilität erklären konnten, und dass Bodeneigenschaften wie Natriumgehalt, pH-Wert und Leitfähigkeit die dominierenden Faktoren waren.

Die praxisrelevante Schlussfolgerung: KI-Ursachenanalyse ist am stärksten für räumliche Muster innerhalb eines Schlags, also die Frage “Warum hier nicht?”, und weniger stark für jährliche Schwankungen, die hauptsächlich wettergeprägt sind.

Mit vs. ohne KI, ein ehrlicher Vergleich

Die Grenze: Wenn ein Betrieb keine mehrjährigen Ertragskarten hat oder der Ertragssensor nie kalibriert war, kehrt sich der Vorteil um. Dazu mehr im Abschnitt “Datenqualität als Voraussetzung”.

Einschätzung auf einen Blick

Zeitersparnis, niedrig (2/5) Die Analyse selbst läuft saisonweise, nicht täglich. Die typische Nutzungszeit liegt bei einem bis zwei Wochen pro Jahr für Datenaufbereitung, Modellierung und Interpretation. Das ist eine deutliche Reduktion gegenüber manueller Ertragsdaten-Auswertung, aber keine permanente Entlastung wie bei einem täglichen Monitoring-Tool. Im Vergleich zu anderen Anwendungsfällen im Ackerbau (z.B. automatische Erntemaschinen-Steuerung oder Bewässerungsoptimierung) ist der direkte Zeitvorteil gering.

Kosteneinsparung, niedrig (2/5) Wenn die Analyse zeigt, dass eine 8-Hektar-Zone dauerhaft 30 Prozent unter dem Feldmittel bleibt, weil der Boden dort zu flachgründig für die gewählte Sorte ist, lässt sich gezielt gegensteuern: Sortenwahl anpassen, Kalkdüngung differenzieren oder die Zone extensiver bewirtschaften und dort Betriebsmittel sparen. In Euro bleibt davon auf einem 300-Hektar-Betrieb im Rechenbeispiel unten wenig, 300 bis 1.100 Euro im Jahr, und auch das erst, wenn ein Teilflächenversuch die Wirkung bestätigt. Eine belastbare Einsparung je Hektar für solche Analysen haben wir nicht gefunden.

Schnelle Umsetzung, sehr niedrig (1/5) Das ist die niedrigste Bewertung, die in dieser Kategorie vergeben wird, geteilt mit der autonomen Feldrobotik und der Getreidequalitäts-Klassifizierung, und sie ist gerechtfertigt. Du brauchst mindestens drei, besser fünf Jahre kalibrierte Ertragskartierungsdaten, einen GPS-fähigen Mähdrescher mit kalibriertem Ertragssensor, Bodendaten mit ausreichender räumlicher Auflösung und jemanden, der diese Daten zusammenführt und das Modell auswertet. Von null auf erste verwertbare Erkenntnisse: 12 bis 24 Monate, wenn der Betrieb heute mit dem systematischen Datensammeln anfängt.

ROI-Sicherheit, niedrig (2/5) Das grundlegende Problem: Wetter ist der dominante Einflussfaktor auf Erträge. Wenn du im Jahr nach der Analyse mehr Ertrag auf einer vorher schwachen Zone bekommst, war das deine Bodenverbesserungsmaßnahme, oder das bessere Erntewetter? Diese Attribution ist ohne Kontrollparzellen wissenschaftlich nicht trennbar. In der Praxis ist die ROI-Sicherheit deshalb ähnlich schwach wie bei KI-gestützter Satellitendaten-Schlagkartierung, der Nutzen ist real, aber der direkte Beweis bleibt schwierig.

Skalierbarkeit, hoch (4/5) Einmal aufgebaut, skaliert das Analyse-Framework gut: Jeder neue Schlag liefert weitere Trainingsdaten und schärft die Modelle. Betriebe, die im Maschinenring organisiert sind oder mit dem gleichen Agrarberatungsunternehmen arbeiten, können über ein geteiltes Modell auf viel mehr Daten zugreifen als ein Einzelbetrieb. Das ist ein struktureller Vorteil, den andere Precision-Farming-Werkzeuge nicht haben.

Richtwerte, stark abhängig von vorhandener Datenhistorie, Sensorqualität und Bodenvariation im Betrieb.

Was das System konkret macht

Technisch basiert KI-gestützte Ertragsvarianz-Analyse auf einem Prinzip namens Machine Learning mit erklärbarer KI: Ein Modell (typischerweise XGBoost, ein gradientenverstärkter Entscheidungsbaum-Algorithmus) lernt, für jeden Punkt auf einem Feld den Ertrag vorherzusagen, auf Basis von Boden-, Wetter- und Bewirtschaftungsvariablen. Das Besondere ist dann der zweite Schritt: SHAP-Analyse (SHapley Additive exPlanations, ein spieltheoretisches Verfahren) berechnet für jeden Datenpunkt, welche Variable wie viel zum vorhergesagten Ertrag beigetragen hat.

Das Ergebnis ist keine schwarze Box. Du siehst zum Beispiel: “Auf den 6 Hektar in der Nordostecke des Schlags erklärt die erhöhte Natriumkonzentration im Boden 42 Prozent der Ertragsminderung, wichtiger als Niederschlag, wichtiger als Bearbeitungsvariante.” Das ist eine direkt handlungsfähige Information.

Welche Daten eingehen

Ein vollständiges Analyse-Setup benötigt:

• Ertragskarten aus dem Mähdrescher, idealerweise 3–5 Saisons, kalibriert und bereinigt (mehr dazu im Abschnitt zur Datenqualität)
• Bodendaten: Bodenproben in ausreichender Dichte (min. 1 Probe/4–8 ha), oder besser: EMI-Scan (elektromagnetische Bodenkartierung) für lückenlose räumliche Information
• Wetterdaten: Tagesgenaue Niederschlags- und Temperaturdaten pro Schlag, aus öffentlichen Stationen oder privaten Wetterstationen
• Bewirtschaftungsparameter: Sorte, Saatdatum, Düngungsmenge, Pflanzenschutz-Timing, jeweils als Schlagkartei-Daten
• Optional: Satelliten-NDVI-Zeitreihen (kostenlos über Sentinel-2), Gelände-DEM für Abfluss-Modellierung, Drohnen-Multispektraldaten

Was das System nicht kann

Das Modell erklärt Korrelationen, keine Kausalitäten. Wenn auf einer Zone hohe Bodenfeuchte und hoher Ertrag zusammen auftreten, kann das Modell nicht entscheiden, ob die Feuchte ursächlich ist, oder ob ein dritter Faktor (z.B. Lage in einer Senke mit besserem Nährstoffeintrag) beides gleichzeitig erhöht. Für die Handlungsableitung braucht man agronomisches Urteilsvermögen, das System liefert Hinweise, keine Handlungsanweisungen.

Datenqualität als Voraussetzung

Das ist der kritischste Abschnitt dieser Seite, lies ihn, bevor du Kosten und Nutzen abwägst.

Ertragssensoren driften stärker als die meisten Landwirte wissen.

Eine Auswertung von Mähdreschern in der Erntesaison 2023–2024 (Mississippi State University Extension) fand, dass Kalibrierungsfehler bei Ertragssensoren zwischen 6 und 58 Prozent lagen. Das ist kein Randproblem. Wenn ein Sensor, der den Korndurchfluss misst, um 20 Prozent zu hoch kalibriert ist, verzerrt er jede Karte, die je aus diesem Mähdrescher kommt, und ein ML-Modell, das darauf trainiert wird, lernt die Verzerrung, nicht den echten Ertrag. Studien zeigen zudem, dass 13 bis 27 Prozent der Rohdaten aus Ertragssensoren Fehler aufweisen, die vor einer Analyse herausgefiltert werden müssen (Daten aus USDA-Forschung zu Yield Monitor-Nachbearbeitung).

Was das praktisch bedeutet:

Bevor du irgendein ML-Modell auf Ertragsdaten trainierst, müssen drei Dinge stimmen:

1. Sensor-Kalibrierung dokumentieren: Hat der Mähdrescher vor jeder Ernte eine Referenzkalibrierung (Wiegung) bekommen? Oder hat der Sensor einfach jahrelang Daten produziert, ohne Check? Ohne Kalibrierungsprotokoll ist ein Jahresgang von Ertragsdaten potenziell wertlos für quantitative Analysen.

2. Rohdaten bereinigen: Randbereiche beim Ein- und Ausfahren des Drüschers, Teilbeladevorgänge, GPS-Sprünge und Extremwerte müssen gefiltert werden. Das ist Handarbeit oder erfordert spezialisierte Filter-Algorithmen. Tools wie John Deere Operations Center und Climate FieldView bieten teilautomatische Filterung, aber die Eingangsqualität muss trotzdem plausibilisiert werden.

3. Normalisierung über Jahre: Ertragsniveaus zwischen Jahren sind nicht direkt vergleichbar (Wetterjahr 2018 vs. 2021). Ein sinnvolles Modell normalisiert die Jahreserträge auf z-Scores oder arbeitet mit Abweichungen vom Jahresmittel, nicht mit absoluten Tonnen-Werten.

Mindestanforderung für eine belastbare Analyse:

• 3 Ertragskarten aus verschiedenen Wetterjahren (darunter mindestens ein Trockenjahr und ein Durchschnittsjahr)
• Kalibrierungsprotokoll oder Wiegedaten für mindestens 2 dieser Jahre
• Bodendaten mit Stichprobendichte ≥1 Probe je 8 Hektar

Wer diese Voraussetzungen nicht erfüllt, bekommt aus dem ML-System keine verlässlichen Erkenntnisse, sondern selbstsicher klingende, aber nicht vertrauenswürdige Aussagen.

Modellinterpretierbarkeit: Wann SHAP-Ergebnisse trügen

Erklärbares Machine Learning, also Techniken wie SHAP, hat ein wenig bekanntes Problem, das speziell für Ertragsvarianz-Analysen relevant ist: Ein Modell kann überzeugend interpretierbare Ergebnisse liefern, obwohl es zu schwach ist, um echte Muster zu erkennen.

Eine Studie von Roland Baatz (arXiv 2512.15140, Dezember 2025) untersuchte ML-Modelle (XGBoost, Random Forest, LSTM, TCN) für Erträge und Ertragsanomalien in deutschen NUTS-3-Regionen. Ergebnis laut Zusammenfassung: Alle Modelle schnitten auf den üblichen, räumlich geteilten Testdaten gut ab, in zeitlich unabhängigen Validierungsjahren brach die Leistung aber deutlich ein. Und Modelle mit starker Testleistung, aber schwacher zeitlicher Validierung lieferten trotzdem glaubwürdig wirkende SHAP-Werte. Mit anderen Worten: Das Modell zeigt dir überzeugend, dass Temperatur im Juni wichtig ist, aber wenn du es auf neue Jahre testest, bricht die Vorhersagekraft ein. Die SHAP-Erkenntnisse sehen valide aus, ohne es zu sein.

Für die Praxis heißt das:

Jede Ertragsvarianz-Analyse muss eine explizite Kreuzvalidierung durchlaufen, das Modell wird auf einigen Jahren trainiert und auf anderen getestet. Wenn die Testleistung auf neuen Jahren stark einbricht (was in der deutschen Studie bei allen Modelltypen passierte), sind die SHAP-Erkenntnisse aus dem Trainingsmodell nicht zuverlässig.

Wie du das als Nicht-Modellierer prüfst:

Frage deinen Analysedienstleister oder das verwendete Tool konkret: “Wie gut erklärt das Modell Ertragsdaten aus Jahren, die es beim Training nicht gesehen hat?” Eine solide Antwort enthält eine Kreuzvalidierungs-Kennzahl (R² oder RMSE auf Testdaten). Wenn diese Information fehlt oder ausweichend beantwortet wird, ist Skepsis angebracht.

Konkrete Werkzeuge, was wann passt

Du brauchst für eine vollständige Ertragsvarianz-Analyse typischerweise zwei Schichten: eine Datenerfassungs-/Visualisierungsplattform und eine Analyseschicht.

Climate FieldView , Ertragsdaten-Hub mit eingebautem Analyse-Dashboard Climate FieldView (Bayer) ist laut unserer Toolseite im DACH-Raum die am häufigsten anzutreffende herstellerunabhängige Precision-Farming-Plattform. Sie verbindet Mähdreschertelemetrie, Satelliten-NDVI und Wetterdaten automatisch. Der Plus-Tarif von FieldView kostet in Deutschland 499 € im Jahr und enthält Split-View-Vergleiche, Aussaat- und Applikationskarten; für die reine Ertragskarten-Auswertung reicht Prime (120 € im Jahr). Das ist eine vereinfachte Form der Ertragsvarianz-Auswertung, ohne explizites ML. Stärke: breite Maschinenkompatibilität. Schwäche: Datenhaltung in den USA, weniger flexibel als eine eigene Modellierungsumgebung.

John Deere Operations Center , wenn John Deere die Hauptmaschine ist Das Operations Center liefert Ertragskarten direkt aus JDLink-Telemetrie und hat eine integrierte Ertragskarten-Filterung und Normalisierungsfunktion. Für die tiefere Ursachenanalyse ist eine Drittanbieter-Integration (z.B. Climate FieldView oder spezialisierte Agrar-Analytics-Dienstleister über die JD-API) nötig. Vorteil: automatische Datenübertragung ohne USB-Sticks. Nachteil: US-Datenhaltung.

CLAAS TELEMATICS mit eigener Analyse-Schicht, für CLAAS-Betriebe CLAAS TELEMATICS liefert Ertragskartierungsdaten aus CLAAS-Mähdreschern, EU-Datenhaltung, automatische Übertragung, Integration in die 365FarmNet-Plattform, die zum 30. November 2026 eingestellt und in CLAAS connect überführt wird. Für die Ursachenanalyse empfiehlt sich eine Kopplung mit einem Agrarberatungsdienstleister, der die Rohdaten in ein ML-Framework überführt.

Spezialisierte ML-Analyse über Agrarberatungsdienstleister Die meisten Betriebe werden die eigentliche Modellierung nicht selbst durchführen, und das ist richtig so. Precision-Farming-Berater und Beratungsringe bieten dafür Paketlösungen an: Datenzusammenführung, Modelltraining, SHAP-Interpretation und Handlungsempfehlung. Frag konkret, ob Kreuzvalidierung über Jahre dazugehört. Wir rechnen mit 150–400 € je Schlag für eine vollständige Mehrjahres-Analyse, als Annahme; lass dir Angebote geben. Weniger flexibel als ein eigenes Setup, aber für die meisten Betriebe der realistischere Weg.

Pix4Dfields , wenn Drohnendaten die Ertragskarte ergänzen sollen Drohnen-NDVI und Pix4Dfields -Vegetationskarten sind sinnvolle Ergänzungsdaten für das ML-Modell: Sie zeigen den Pflanzenbestand zur Wachstumszeit, nicht nur den Endertrag. Besonders nützlich für Zonen, wo der Ertragssensor unsichere Daten liefert, die Drohne liefert eine qualitative Bestätigung, ob die Schwächezone im Vegetationsbild sichtbar ist.

Zusammenfassung: Wann welcher Ansatz

• JD-Maschinenpark + einfache Visualisierung → John Deere Operations Center + FieldView
• CLAAS-Maschinenpark + Ursachenanalyse → CLAAS TELEMATICS + Precision-Farming-Berater
• Gemischte Flotte, voller Analyse-Anspruch → Climate FieldView als Datenhub + Berater mit ML-Framework
• Drohnendaten als Ergänzung → Pix4Dfields für NDVI-Zeitreihen als Kovariable

Datenschutz und Datenhaltung

Ertragsdaten, Bodenkartierungen und GPS-Schlagdaten sind betriebswirtschaftlich sensible Informationen, sie zeigen nicht nur Ertragsniveaus, sondern indirekt auch Betriebsgeheimnisse, Bodenqualität und Flächenpotenziale. Die DSGVO greift, sobald die Daten mit einem Betrieb oder Betriebsinhaber in Verbindung gebracht werden können (was bei GPS-lokalisierten Ertragsdaten immer der Fall ist).

Für die gängigen Plattformen:

• Climate FieldView : US-Datenhaltung (Bayer/Amazon AWS). AVV nach DSGVO verfügbar, aber Daten verlassen die EU. Für Betriebe in Beratungskooperativen: Datenfreigabe-Einstellungen bewusst steuern.
• John Deere Operations Center : US-Datenhaltung. EU-US Data Privacy Framework unterzeichnet, AVV verfügbar. Aggregierte Nutzung von Maschinendaten für JD-eigene Zwecke möglich (laut Datenschutzerklärung).
• CLAAS TELEMATICS : EU-Datenhaltung. Derzeit die DSGVO-sicherste Option unter den großen Plattformen.
• Eigene Analyse auf eigenen Servern: Volle Datensouveränität möglich, erfordert aber technisches Setup (Geodatenbank, Python-Umgebung).

Besonderer Hinweis für kooperative Analyse: Wenn Betriebe im Maschinenring Ertragsdaten teilen, um gemeinsam bessere ML-Modelle zu erhalten, ist eine explizite Vereinbarung über Datenhoheit und Nutzungsrechte nötig, wer darf die Erkenntnisse aus dem gemeinsamen Modell verwenden, und in welcher Form?

Was es kostet, realistisch gerechnet

Einmalige Vorbereitungskosten

• Sensor-Kalibrierung und Rohdaten-Bereinigung: 2–6 Stunden Aufwand intern (oder 100–200 € externer Dienstleister je Saison)
• Bodendaten, wenn noch nicht vorhanden: 10–20 €/ha für Bodenproben-Grid (4–8 ha Raster), einmalig
• EMI-Scan als Alternative zu Bodenproben: 8–15 €/ha, einmalig, deutlich höhere räumliche Auflösung

Plattformkosten (jährlich)

• Climate FieldView Plus: 499 €/Jahr in Deutschland, Prime 120 €/Jahr
• John Deere Operations Center : kostenlos; JDLink-Telematik ca. 25–50 USD/Maschine/Monat extra
• CLAAS TELEMATICS : ab Werk in Neumaschinen, erweiterte Analyse auf Anfrage (keine Listenpreise)

Analysekosten

• Eigenanalyse mit Open-Source-Tools (Python, R): kostenlos, aber Kenntnisse in ML und Geodatenverarbeitung erforderlich
• Precision-Farming-Berater: 150–400 €/Schlag für vollständige Mehrjahres-Ursachenanalyse
• Agrarberatungspaket (5–10 Schläge, inkl. Handlungsempfehlungen): 1.500–4.000 € einmalig

Rechenbeispiel Betrieb mit 300 ha, Weizen und Raps. Die Analyse findet zwei Schläge mit dauerhaften Schwächezonen von je 8 ha, zusammen 16 ha. Angenommen, Sortenanpassung und teilflächenspezifische Düngung heben dort den Ertrag um 0,5 t/ha: 16 ha × 0,5 t/ha = 8 t, bei 200 €/t also 1.600 € Erlös im Jahr. Davon gehen die Mehrkosten der Maßnahme ab (Saatgut, Dünger, Überfahrten), die wir nicht kennen. Dagegen stehen 2.000 € für die Analyse einmalig und, falls du die Plattform dafür brauchst, 499 € im Jahr für FieldView Plus. Kostet die Maßnahme nichts extra, bleiben gut 1.100 € im Jahr, und die Analyse ist nach knapp zwei Jahren bezahlt. Frisst die Maßnahme die Hälfte des Mehrerlöses, bleiben rund 300 € im Jahr, und es dauert fast sieben Jahre. Die 0,5 t/ha sind eine Annahme; ob sie kommen, weißt du erst nach zwei bis drei Saisons mit Kontrollparzelle.

Wichtig: Diese Rechnung setzt voraus, dass die Handlungsempfehlungen tatsächlich umgesetzt werden und die identifizierten Faktoren sich durch Betriebsmaßnahmen verbessern lassen. Wenn die Ursache ein nicht veränderbarer Bodenfaktor ist (z.B. unveränderliche geologische Substrateigenschaften), liegt der Wert in der Entscheidung, diese Zone dauerhaft extensiver zu bewirtschaften, was den Betriebsmitteleinsatz senkt statt den Ertrag zu steigern.

Typische Einstiegsfehler

1. Ertragsdaten einfach hochladen ohne Kalibrierungscheck. Das häufigste Problem: Jahrelange Rohdaten aus dem Ertragssensor werden direkt in eine Analyseplattform geladen, ohne zu prüfen, ob der Sensor kalibriert war. Ein Sensor mit 25 Prozent Kalibrierungsfehler produziert über 5 Jahre eine konsistente, aber fundamental falsche Ertragskarte. Das ML-Modell lernt diese Verzerrung als reales Muster. Ergebnis: Das System empfiehlt gezielte Bodenverbesserung in einer Zone, die in Wirklichkeit gar kein Problem hat, oder umgekehrt. Lösungsansatz: Mindestens zwei Saisons Kalibrierungsprotokolle (Wiegebelege der Lieferanten) heraussuchen und gegen Sensordaten plausibilisieren, bevor die Analyse startet.

2. Das erste Modell mit allen verfügbaren Variablen befüttern. Der Reflex: Je mehr Daten, desto besser das Modell. Das führt zu Overfitting, das Modell lernt zufällige Korrelationen in den Trainingsdaten, die sich nicht auf neue Saisons übertragen. In der deutschen Studie zu Ertragsmodellen (arXiv 2512.15140) lieferten Modelle mit guter Testleistung glaubwürdig wirkende SHAP-Werte, obwohl ihre Vorhersage in unabhängigen Jahren deutlich einbrach. Lösungsansatz: Mit wenigen, gut verstandenen Variablen anfangen (Bodentyp, pH, Ertrag 3 Jahre, Niederschlag) und schrittweise erweitern. Immer Kreuzvalidierung durchführen.

3. Das Modell einmal aufbauen und dann nicht aktualisieren. Die kritische Wartungsfrage für Ertragsvarianz-Modelle: Neue Saisons kommen hinzu, Bodenbearbeitungsgeschichte ändert sich, neue Sorten werden eingeführt. Ein Modell aus dem Jahr 2022 mit Daten bis 2021 liefert nach drei weiteren Erntejahren möglicherweise nicht mehr die relevantesten Erkenntnisse. Besonders bei sich verändernden Klimamustern ist Retraining wichtig: Ein Modell, das in einem normaleren Wetterjahrzehnt trainiert wurde, unterschätzt möglicherweise trockenheitsbedingte Effekte in neueren Jahren. Lösungsansatz: Jedes Jahr neue Ertragsdaten einpflegen und das Modell mindestens alle zwei bis drei Jahre neu kalibrieren.

4. Kausalität aus Korrelation ableiten, ohne Feldtest. Das ist der gefährlichste Fehler, und er klingt nach einem akademischen Problem, ist aber sehr praxisrelevant. Das Modell zeigt: “In der Nordostzone des Schlags erklärt erhöhte Bodenverdichtung 35 Prozent der Ertragsminderung.” Der Betriebsleiter lässt tief lockern, Tiefenlockerung auf 8 ha kostet typisch 400–700 €. Nächste Saison: Ertrag unverändert. Warum? Weil die Verdichtung eine Folge eines anderen Problems war (z.B. schlechte Poren-Wasserkapazität aus geologischen Gründen), nicht die Ursache. 400–700 € Maßnahmenkosten ohne Effekt, vermeidbar durch einen Kontrollparzellen-Test vorab. Lösungsansatz: Hypothesen aus der ML-Analyse als Startpunkt für gezielte Teilflächen-Versuche mit Kontrollparzellen nutzen, nicht als direkte Handlungsanweisung behandeln.

Was mit der Einführung wirklich passiert, und was nicht

Die technische Einführung der Datenplattform ist in der Regel der kleinste Teil der Arbeit. Was wirklich Zeit und Energie kostet, ist die Datenarchäologie.

Typisches Szenario Jahr 1: Der Betrieb hat theoretisch 6 Jahre Ertragsdaten im Mähdrescher. Praktisch: 2 Jahre auf alten CF-Karten (nicht mehr lesbar), 1 Jahr mit offensichtlichem Sensorfehler (Werte um 40 % überhöht, aufgefallen erst beim Vergleich), 3 Jahre verwertbar. Die Bodenproben liegen als Papierausdruck beim Landmaschinenhändler und müssen digitalisiert werden. Die Schlagkartei ist in einer eingestellten Software, Export unklar.

Das ist kein Ausnahmefall, das ist der Regelfall in Betrieben, die nicht von Anfang an auf eine digitale Dateninfrastruktur gesetzt haben. Wer damit anfängt, sollte das erste Jahr als “Datenpflege-Jahr” einplanen, nicht als “Analyse-Jahr”.

Typischer Widerstand: “Wir haben das immer mit dem Berater besprochen und das hat gereicht.” Das stimmt für Betriebe, die mit einem erfahrenen Berater arbeiten, der über langjährige Schlagkenntnis verfügt. Aber dieser Berater ist nicht ewig verfügbar, und sein Wissen ist nicht übertragbar. ML-Analyse ist kein Ersatz für gute Beratung, sie ist eine Dokumentation und Systematisierung von Mustern, die auch über Betriebsübergänge oder Beraterwechsel hinweg erhalten bleiben.

Was konkret hilft:

• Vor dem ersten Analyse-Auftrag: vollständige Datenlage inventarisieren (was haben wir, in welchem Format, mit welcher Qualität?)
• Entscheidung treffen: Datenlücken auffüllen (nächste 2 Saisons systematisch Daten sammeln) oder mit eingeschränkter Datenbasis starten und Grenzen der Ergebnisse kommunizieren
• Ergebnisse als Gesprächsgrundlage mit dem Berater nutzen, nicht als Entscheidungsautomatismus

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

“Das macht mein Berater schon.” Für viele Betriebe stimmt das, und wenn der Berater gute Schlagkenntnis hat und seine Ergebnisse nachvollziehbar dokumentiert, ist das oft ausreichend. Der relevante Unterschied: Eine ML-Analyse bringt mehrjährige Daten systematisch zusammen und kann Muster sichtbar machen, die einem Menschen schlicht nicht auffallen, weil sie über zu viele Variablen und Zeiträume verteilt sind. Sie ist kein Ersatz für Beratung, aber ein Werkzeug, das gute Beratung schärfer macht.

“Meine Daten sind nicht gut genug.” Das ist oft ein valider Einwand, aber kein Grund, gar nichts zu tun. Der sinnvolle Schritt: Eine Plattform wie Climate FieldView oder John Deere Operations Center einrichten und ab sofort systematisch Daten sammeln. In drei bis vier Jahren hat der Betrieb eine solide Basis. Der Fehler wäre, noch weitere Jahre ohne Systemerfassung zu wirtschaften.

“Die Kosten lohnen sich nicht für meinen Betrieb.” Ab etwa 100 Hektar mit erkennbarer innerbetrieblicher Ertragsvarianz lohnt sich das Nachrechnen. Unter dieser Größe ist die räumliche Variabilität typischerweise zu gering, als dass ein ML-Modell statistisch belastbare Muster erkennen könnte. Für kleinere Betriebe ist eine konventionelle Bodenprobenraster-Auswertung mit einem guten Berater die ehrlichere Empfehlung.

“Was, wenn das System zu anderen Ergebnissen kommt als mein Berater?” Das passiert, und es ist ein Wert-Signal, kein Problem. Wenn das Modell einen Faktor identifiziert, den der Berater nicht auf dem Radar hatte, ist das Anlass für eine vertiefte Diskussion: Warum hat das Modell dieses Muster gefunden? Welche Erklärung ergibt agronomisch mehr Sinn? Modell und menschliche Expertise sollten sich gegenseitig herausfordern, nicht blind bestätigen.

Woran du merkst, dass das zu dir passt

• Dein Betrieb hat mindestens 3 Saisons GPS-genaue Ertragskartierung mit einem kalibrierten Sensor, das ist das absolute Minimum für belastbare Aussagen
• Du hast erkennbare, stabile Ertragszonen, die sich von Jahr zu Jahr an ähnlichen Stellen wiederholen, das deutet auf bodenbedingte Ursachen hin, die analysierbar sind
• Du bewirtschaftest mindestens 100 ha mit Schlägen unter 30 ha, das gibt ausreichend räumliche Datenpunkte pro Analyse
• Du hast Bodendaten vorhanden, auch wenn nur im Grid von 8 ha, ohne Bodendaten ist die Analyse nur halb so aussagekräftig
• Du willst gezielter in Bodenverbesserung investieren, und brauchst Evidenz, nicht Meinungen, um zu entscheiden, wo

Wann es sich (noch) nicht lohnt, drei harte Ausschlusskriterien:

1. Weniger als 3 Saisons kalibrierter Ertragskartierungsdaten. Ohne ausreichende historische Daten hat ein ML-Modell keine Grundlage für robuste Erkenntnisse. Das Ergebnis wäre im besten Fall unzuverlässig, im schlechtesten Fall systematisch falsch. Starte zuerst mit dem konsequenten Aufbau einer Dateninfrastruktur.

2. Betrieb unter ca. 100 ha oder Ertragsvariabilität unter 15 Prozent innerhalb von Schlägen. Auf homogeneren Flächen ist die räumliche Varianz zu gering für statistische Muster. Der Aufwand der ML-Analyse ist dann in keinem Verhältnis zum möglichen Erkenntnisgewinn, Standardbodenanalyse ist die bessere Investition.

3. Keine Person im Betrieb oder in der Beratung, die die Ergebnisse agronomisch einordnen kann. ML-Output ohne agronomisches Urteilsvermögen ist gefährlich: Das System findet Muster, aber ob diese kausal bedeutsam oder statistische Zufälle sind, entscheidet immer ein Mensch mit Fachkenntnis. Ohne diese Instanz werden Modellkorrelationen direkt in Maßnahmen umgesetzt, mit unvorhersehbaren Ergebnissen.

Das kannst du heute noch tun

Beginne damit zu verstehen, was du schon hast, bevor du irgendetwas kaufst oder beauftragst.

Öffne die Ertragsdaten aus dem letzten Erntejahr in einer Visualisierungsplattform. Climate FieldView lässt sich ein Jahr kostenlos testen, Ertragsdaten kannst du dort manuell importieren. Lege einen Schlag an, bei dem du die Ertragsschwankung gut kennst, und vergleiche die Karte aus mindestens zwei verschiedenen Jahren. Sehen die Schwächezonen gleich aus? Dann hast du ein strukturelles Problem, das sich für eine Ursachenanalyse eignet.

Das dauert eine Stunde und kostet nichts, aber es sagt dir, ob du die richtige Ausgangslage für die nächsten Schritte hast.

Für eine erste KI-gestützte Einschätzung deiner Ertragsvarianz-Muster kannst du diesen Prompt verwenden:

Quellen & Methodik

• Johnston et al. 2022, Kernpublikation zur ML-Ursachenanalyse: “Identifying causes of crop yield variability with interpretive machine learning”, Computers and Electronics in Agriculture, Bd. 192 (2022), ScienceDirect. Baumwoll-Ertragskartierung in Australien, XGBoost + SHAP.
• Deutschlandstudie zu Generalisierung und SHAP: Roland Baatz, “Generalization and Feature Attribution in Machine Learning Models for Crop Yield and Anomaly Prediction in Germany”, arXiv 2512.15140 (eingereicht am 17.12.2025, abgerufen am 19.09.2026). NUTS-3-Regionen, XGBoost, Random Forest, LSTM und TCN; glaubwürdig wirkende SHAP-Werte trotz schwacher zeitlicher Validierung.
• Anteil Wetter vs. Management an Ertragsvarianz: Gaudin et al. 2017, “Increased Climatic Variance in Corn-Soybean Rotations”, Scientific Reports (Nature). Corn: 74 % wettererklärbar, 16 % Management; Soybean: ähnliche Größenordnung.
• Sensor-Kalibrierungsfehler: Mississippi State University Extension, “Improving Accuracy of Yield Maps Through Calibration and Post-Harvest Data Processing” (2024); South Dakota State University Extension, “Improving Yield Data Accuracy: Challenges and Solutions” (2024). Kalibrierungsfehler-Range: 6–58 %; 13–27 % der Rohdaten fehlerhaft.
• Climate FieldView Preise: laut unserer Toolseite in Deutschland Prime 120 €/Jahr, Plus 499 €/Jahr, Trial ein Jahr kostenlos.
• Beraterkosten, Ertragsgewinn und Rechenbeispiel: Annahmen dieser Seite, keine Erhebung. Nachprüfen lassen sie sich über Angebote von Beratern und einen Teilflächenversuch mit Kontrollparzelle.

Du willst wissen, welche Ertragsdaten in deinem Betrieb die Grundlage für eine erste Ursachenanalyse bieten, und ob du die Voraussetzungen schon erfüllst? Meld dich, das lässt sich in einem kurzen Gespräch klären.