Übersichtsstudie: Drohnenmodelle im Weinberg verlieren über die Saison an Zuverlässigkeit

Eine neue Übersichtsarbeit in der Fachzeitschrift Computers and Electronics in Agriculture sagt, dass die Fernerkundung mit unbemannten Luftfahrzeugen immer näher daran rückt, ein praktikables Werkzeug für Weinberge zu werden, doch Forschende sagen, dass weiterhin erhebliche technische und betriebliche Probleme einer breiteren Nutzung auf den Betrieben im Wege stehen.

Die Arbeit mit dem Titel „Von der Wachstumsüberwachung bis zur Vorhersage der Beerenqualität: Fortschritte und Herausforderungen der UAV-Fernerkundung für den Präzisionsweinbau“ wurde von Jinyu Yang, Mengyuan Wei und Kollegen verfasst. Sie untersucht, wie Drohnen, Sensorsysteme an Bord und Methoden der künstlichen Intelligenz in den vergangenen rund zehn Jahren in Weinbergen eingesetzt wurden und wo das Feld noch hinter den Anforderungen zurückbleibt, wenn Erzeuger verlässliche Entscheidungen über Saisons, Standorte und Rebsorten hinweg brauchen.

Die Übersichtsarbeit erscheint zu einem Zeitpunkt, an dem Weinproduzenten zunehmend unter Druck stehen, ihre Flächen genauer zu überwachen. Nach in der Arbeit zitierten Zahlen der Internationalen Organisation für Rebe und Wein erreichte die weltweite Rebfläche 2024 7,1 Millionen Hektar, und die Weinproduktion lag bei 225,8 Millionen Hektolitern. Reben reagieren sehr empfindlich auf Klima, Wasserversorgung, Schädlinge, Krankheiten und Bewirtschaftungsmaßnahmen, was zeitnahe Felddaten sowohl für den Ertrag als auch für die Fruchtqualität wichtig macht.

Die Autoren argumentieren, dass Drohnen attraktiv geworden sind, weil sie die Lücke zwischen Feldkontrolle und Satellitenbildgebung schließen. Herkömmliche Feldkontrollen können zwar genau sein, sind aber arbeitsintensiv und decken nur begrenzte Flächen ab. Satellitensysteme können großräumige Daten erfassen, ihnen fehlen jedoch oft die Auflösung und Flexibilität, die für Weinbergsparzellen nötig sind, vor allem wenn Erzeuger Bilder zu einem bestimmten Zeitpunkt oder unter wechselnden Wetterbedingungen benötigen. Drohnen, die in geringer Höhe fliegen, können hochauflösende Daten schneller und aus Blickwinkeln erfassen, die besser zu den Rebzeilen und der Laubwandstruktur passen.

Die Übersichtsarbeit beschreibt, wie Weinberge inzwischen mit Drohnen untersucht werden, die RGB-, multispektrale, hyperspektrale, thermische Infrarot- und LiDAR-Sensoren tragen. Diese Systeme können Orthomosaikbilder, Temperaturkarten, Vegetationsindizes und 3D-Punktwolken erzeugen. Forschende haben diese Ergebnisse für die Bewertung der Nährstoffversorgung, die Kartierung von Wachstum und Wuchskraft, die Erkennung von Krankheiten und Schädlingen, die Überwachung von Wasserstress, Ertragsschätzungen und Versuche genutzt, die Beerenqualität vor der Lese vorherzusagen.

Die Arbeit hebt die Vorhersage der Beerenqualität als einen der am wenigsten ausgereiften Bereiche des Feldes hervor. Die Autoren beschreiben Beerenqualität als ein hochdimensionales Ergebnis, das von Physiologie, Biochemie, Rebsorte, Entwicklungsstadium, Mikroklima, Boden und Weinbergsmanagement beeinflusst wird. Wegen dieser Komplexität halten Modelle, die in einem Weinberg oder einer Saison gut funktionieren, anderswo oft nicht stand. Die Übersichtsarbeit sagt, dass diese geringe Übertragbarkeit weiterhin eines der größten Hindernisse für den operativen Einsatz bleibt.

Die Studie verweist zudem auf Krankheitsdetektion und Beerenmonitoring mit Deep Learning als aktuellen Forschungsschwerpunkt. Fortschritte bei Rechenleistung und Open-Source-Software haben die Weinbauanalyse von einfachen statistischen Regressionen hin zu Machine-Learning- und Deep-Learning-Systemen verschoben, die mehr Merkmale aus Bildern und Sensordaten extrahieren können. In manchen Fällen hat das die Vorhersagegenauigkeit verbessert. Die Autoren sagen jedoch, Genauigkeit allein reiche nicht aus, wenn die Modelle schwer zu interpretieren, teuer im Betrieb oder zu fragil seien, um unter unterschiedlichen Feldbedingungen zu funktionieren.

Für die Zusammenstellung der Übersichtsarbeit durchsuchten die Forschenden die Datenbank Web of Science mit Begriffen wie UAV, Drohne, Rebe, Weinberg und Weinbau. Anschließend werteten sie Studien zu Hardware, Vorverarbeitung, Laubwandsegmentierung, Merkmalsentwicklung und Modellierungsmethoden aus. Die Arbeit zitiert 105 Quellen und ordnet die bisherige Forschung sechs zentralen Anwendungsbereichen zu: Überwachung des Nährstoffstatus, Wachstums- und Wuchskraftüberwachung, Schädlings- und Krankheitsdetektion, Überwachung von Wasserstress, Ertragsprognose und Bewertung der Beerenqualität.

Eines der zentralen Ergebnisse ist, dass die Bedingungen im Weinberg der Bildanalyse besondere Probleme bereiten. Anders als bei manchen Reihenkulturen mit gleichmäßigerem Bestand weisen Weinberge oft unterbrochene Laubwände, freiliegenden Boden, Unkraut zwischen den Reihen, unebenes Gelände und starke Schatten auf. Diese Faktoren können spektrale und thermische Signale verfälschen, wenn die Software die Rebenlaubwand nicht zuverlässig vom Hintergrund trennen kann. Die Übersichtsarbeit sagt, dass sich dieses Problem auf fast jeden späteren Analyseschritt auswirken kann, von Vegetationsindizes bis hin zu Vorhersagen des maschinellen Lernens.

Die Autoren weisen auch darauf hin, dass das Weinbergsmanagement selbst Modelle destabilisieren kann. Maßnahmen wie Rebschnitt, Triebregulierung, Entblätterung und Laubwanderziehung können Struktur und Reflexion der Reben schnell verändern. Ein Modell, das auf Bildern aus einer bestimmten Bewirtschaftungsphase trainiert wurde, kann nach einer anderen Maßnahme an Genauigkeit verlieren, selbst im selben Schlag. Das macht reproduzierbare Flugplanung und laubwandgerechte Datenerfassung besonders wichtig für das zeitübergreifende Monitoring.

Kosten und Logistik bleiben ein weiteres Hindernis. Hochauflösende Bilder, Thermaldaten und 3D-Produkte erfordern erhebliche Speicher- und Rechenressourcen. Fortgeschrittenere Sensoren, darunter hyperspektrale Systeme und LiDAR, können Detailgrad und Art der erfassten Informationen verbessern, erhöhen aber auch die Systemkosten und den Verarbeitungsaufwand. Die Übersichtsarbeit sagt, dass dies die Einführung begrenzen könnte, vor allem wenn Erzeuger komplexe Arbeitsabläufe bewältigen oder für Systeme bezahlen sollen, die noch keine stabilen wirtschaftlichen Erträge liefern.

Die Arbeit äußert auch Bedenken darüber, wie Studien bewertet werden. Nach Angaben der Autoren konzentrieren sich viele veröffentlichte Ergebnisse stark auf hohe Leistungen an einem einzelnen Standort, berichten aber weniger darüber, wie ein Modell über Jahre, Regionen oder Rebsorten hinweg abschneidet. Das kann ein zu optimistisches Bild der Einsatzreife im kommerziellen Bereich erzeugen. Die Übersichtsarbeit fordert eine transparentere Darstellung von Datenerhebung, Vorverarbeitung, Laubwandhandhabung und Validierungsdesign, damit sich Ergebnisse über Studien hinweg vergleichen lassen.

Bei der Bewertung von Sensoren und Plattformen sagen die Autoren, dass Multirotor-Drohnen in der Weinbau-Forschung eine dominante Rolle spielen, weil sie flexibel sind, sich in geringer Höhe leichter bedienen lassen und für wiederholte Flüge über bestimmte Parzellen geeignet sind. Spektralsensoren bleiben besonders wichtig, doch die Übersichtsarbeit legt nahe, dass der nächste Schritt nicht einfach darin besteht, mehr Daten hinzuzufügen. Der Bereich würde vielmehr am meisten von einer besseren Integration mehrerer über die Zeit erfasster Datentypen profitieren, etwa von der Kombination spektraler, thermischer und struktureller Informationen, um die Robustheit zu verbessern.

Die Übersichtsarbeit sagt außerdem, dass die Interpretierbarkeit mehr Aufmerksamkeit braucht. Datengetriebene Systeme können nützliche Muster erkennen, doch Winzer und Agronomen müssen oft wissen, warum ein Modell zu einem Ergebnis gekommen ist, bevor sie Bewässerungs-, Spritz- oder Erntepläne ändern. Die Autoren verweisen auf Strahlungstransfermodelle und Pflanzenmodelle als eine Möglichkeit, Vorhersagen leichter erklärbar zu machen, insbesondere wenn sie mit Machine-Learning-Methoden kombiniert und nicht als konkurrierende Ansätze behandelt werden.

Ein weiteres Thema des Artikels ist die Standardisierung. Die Autoren sagen, dass Unterschiede in Flughöhe, Sensorkalibrierung, Lichtverhältnissen, Zeitpunkt, Bildkorrektur und Modellprüfung selbst dann zu widersprüchlichen Ergebnissen führen können, wenn Forschende scheinbar dasselbe Problem untersuchen. Sie argumentieren, dass das Feld konsistentere Erfassungs- und Bewertungsprotokolle braucht, wenn die Drohnenfernerkundung von Forschungsparzellen in die routinemäßige Weinbergsbewirtschaftung übergehen soll.

Die Übersichtsarbeit nennt mehrere Prioritäten für künftige Arbeiten. Dazu gehören die Fusion von mehrzeitigen und multimodalen Daten, Transfer Learning und Domain Adaptation zur Verbesserung der Generalisierbarkeit über Standorte hinweg, gezielte Datenaugmentation oder die Erzeugung synthetischer Stichproben für kleine Datensätze sowie die Entwicklung leichter Modelle in Kombination mit kostengünstigeren Sensoren. Diese Schritte könnten die drohnenbasierte Weinbergüberwachung nach Ansicht der Autoren praxistauglicher für den großflächigen Einsatz machen, statt nur ein Werkzeug für Experimente oder spezialisierte Betriebe zu bleiben.

Die Arbeit stellt die Drohnenfernerkundung nicht als Ersatz für alle anderen Überwachungsformen dar, sondern als ein System mit wachsendem Wert, wenn es dazu genutzt wird, Variation innerhalb von Weinbergen schnell und zerstörungsfrei zu kartieren. Ihre Botschaft ist, dass sich die Technologie von der frühen Bilderfassung hin zu einer detaillierteren Kulturüberwachung weiterentwickelt hat, doch zentrale Teile des Workflows müssen noch stabiler, günstiger und leichter von einem Weinbergsstandort auf einen anderen übertragbar werden, bevor Erzeuger sich bei routinemäßigen Entscheidungen zu Bewässerung, Krankheitskontrolle, Erntezeitpunkt und Fruchtqualitätsmanagement darauf verlassen können.