Drohnenmodelle sagten den Rebenstress an bislang unbekannten Messterminen nicht zuverlässig voraus

Eine in Scientific Reports veröffentlichte Studie ergab, dass Drohnen mit multispektralen Kameras mehrere wichtige physiologische Merkmale von Weinreben vielversprechend genau schätzen können. Bei Tests an Messterminen im Weinberg, die den Modellen zuvor nicht vorgelegen hatten, zeigten sich jedoch weiterhin deutliche Grenzen.

Die Forschung befasste sich mit einer zentralen Frage des Präzisionsweinbaus: Lässt sich eine auf hyperspektralen Blattmessungen beruhende Methode des maschinellen Lernens auf Aufnahmen unbemannter Luftfahrzeuge (UAVs) übertragen? Die Antwort der Autoren lautet: teilweise. Innerhalb derselben Messkampagne funktionierte das System recht gut, ließ sich aber nicht zuverlässig auf neue Messtermine übertragen. Das könnte einer unmittelbaren Nutzung für routinemäßige Entscheidungen im Weinberg entgegenstehen.

Das ist relevant, weil Winzer zunehmend unter Druck stehen, den Stress der Reben schneller und auf größeren Flächen zu erfassen. Der Klimawandel, höhere Temperaturen, veränderte Niederschlagsmuster und häufigere Dürren machen das Wassermanagement in vielen Weinregionen wichtiger. Direkte Messungen der Rebenphysiologie liefern detaillierte Informationen über die Funktionsweise der Reben, sind jedoch zeitaufwendig und arbeitsintensiv und werden meist Blatt für Blatt vorgenommen. Mit UAV-Aufnahmen lassen sich ganze Weinberge deutlich schneller erfassen.

Die Studie wurde in einem Versuchsweinberg im deutschen Himmelstadt durchgeführt, der vom Bayerischen Landesanstalt für Weinbau und Gartenbau betrieben wird. Dort wachsen Müller-Thurgau-Reben. Die Forschenden beobachteten 36 Pflanzen unter verschiedenen Bewässerungsbedingungen – ohne Bewässerung sowie mit mäßiger und intensiver Bewässerung –, um ein breiteres Spektrum an Wasser- und Stressbedingungen abzudecken.

Das Team kombinierte Bodenmessungen aus den Vegetationsperioden 2024 und 2025 mit multispektralen Luftaufnahmen aus dem Jahr 2025. Jede jährliche Feldkampagne lieferte 180 zusammengehörige physiologische Messungen und hyperspektrale Blattmessungen, insgesamt also 360 Bodenmessungen. 2025 erhoben die Forschenden außerdem 180 zusammengehörige multispektrale UAV-Messungen bei fünf Flügen im Juli und August.

Die Flüge fanden um die Mittagszeit mit einer Drohne des Typs DJI Matrice 300 RTK statt, ausgestattet mit einem multispektralen Kamerasystem Agrowing Quad V1. Der Sensor erfasste zehn Spektralbänder im sichtbaren und nahinfraroten Bereich von 430 bis 850 Nanometern. Die Bodenmessungen erfolgten unmittelbar nach den Flügen. Untersucht wurden die Nettoassimilationsrate (A), die Elektronentransportrate (ETR) und die effektive Quantenausbeute von Photosystem II (ΦPSII). Diese Variablen werden häufig zur Beurteilung der Photosynthese und des Pflanzenstresses herangezogen.

Ein Grund für das Interesse an der Studie ist, dass sie ein praxisnäheres Messsystem prüfte als viele frühere Experimente. Hyperspektrale Sensoren erfassen sehr feine spektrale Unterschiede, sind jedoch meist komplexer und teurer und lassen sich schwerer wiederholt auf großen Flächen einsetzen. Multispektralkameras auf Drohnen sind bei der kommerziellen Überwachung von Weinbergen weiter verbreitet, weil sie einfacher zu bedienen sind und geringere Datenmengen erzeugen. Dafür erfassen sie weniger und breitere Spektralbänder.

Zunächst prüften die Forschenden, ob die in hyperspektralen Blattdaten erkennbaren Schlüsselinformationen auch dann verfügbar bleiben, wenn die Spektren auf den sichtbaren und nahinfraroten Bereich beschränkt werden, der für UAV-Systeme typischer ist. Sie stellten fest, dass eine Vorverarbeitung der Daten anhand der ersten Ableitung der Reflektanz die Ergebnisse verbesserte. Bei den in situ durchgeführten Blattmessungen erreichten die besten Modelle R²-Werte von 0,811 für A, 0,792 für ETR und 0,890 für ΦPSII.

Zudem stellten die Forschenden fest, dass eine moderate spektrale Resampling-Verarbeitung die Vorhersageleistung für A und ETR nur geringfügig verschlechterte. Das deutet darauf hin, dass ein Teil der wichtigsten physiologischen Informationen nicht ausschließlich in extrem schmalen Spektralmerkmalen steckt. Dies stützt die Annahme, dass Multispektralsysteme einen Teil der Aufgabe übernehmen können.

Auch bei den Drohnenaufnahmen schnitten die Modelle in mehreren Fällen gut ab. Die besten UAV-Modelle erreichten R²-Werte von 0,765 für A, 0,768 für ETR und 0,901 für ΦPSII. In der Praxis zeigen die Ergebnisse, dass multispektrale Luftaufnahmen Signale erfassen können, die mit der photosynthetischen Aktivität und dem Stress der Reben zusammenhängen.

Die Studie ergab außerdem, dass die Auswahl der Pixel aus dem Kronendach eine Rolle spielte. Modelle, die auf Messungen im Schatten oder auf einer Kombination aus beschatteten und besonnten Bereichen beruhten, sagten A und ETR besser voraus als Modelle, die nur besonnte Teile des Kronendachs verwendeten. ΦPSII blieb dagegen bei den verschiedenen Auswertungsstrategien relativ stabil. Diese Erkenntnis könnte bei der Entwicklung künftiger Drohnen-Workflows helfen, da Aufnahmen aus Weinbergen häufig große Unterschiede zwischen besonntem und beschattetem Laub zeigen.

Die wichtigste Einschränkung zeigte sich jedoch bei der Validierung. Wurden die Modelle nach Pflanzen gruppiert, ließen sie sich auf Reben übertragen, die nicht in den Trainingsdaten enthalten waren. Bei einer Leave-one-date-out-Validierung, mit der geprüft wird, ob ein Modell Messwerte von einem vollständig unbekannten Messtermin vorhersagen kann, blieb die Leistung jedoch nicht erhalten. Die Autoren bezeichneten die zeitliche Übertragbarkeit als größte Schwäche des UAV-Ansatzes.

Dieser Aspekt dürfte für die Weinbranche besonders relevant sein. Weinberge, Weingüter und andere Getränkeunternehmen setzen zunehmend auf Präzisionslandwirtschaft, um die Bewässerung zu steuern, den Gesundheitszustand der Reben zu beurteilen und die Traubenqualität zu sichern. Die Ergebnisse legen nahe, dass multispektrale Drohnenüberwachung zu einem nützlichen Instrument in der Praxis werden könnte. Zugleich warnen sie davor, anzunehmen, ein anhand bestimmter Messtermine trainiertes Modell bleibe später in der Saison oder in einem anderen Jahr zuverlässig. Für Unternehmen, die Investitionen in Sensoren, Datenanalyse oder die Automatisierung im Weinberg erwägen, zeigt die Studie sowohl das Potenzial als auch die derzeitigen Grenzen des Einsatzes von Modellen des maschinellen Lernens, die über die Zeit möglicherweise noch nicht robust genug sind.

Die Wetterbedingungen der Saison 2025 sorgten für die nötige Variabilität, um das System zu testen. Laut der Studie lag die Jahresmitteltemperatur bei 10,6 °C und die Jahresniederschlagsmenge bei 433,5 Millimetern. Zwischen April und September fielen rund 241 Millimeter Niederschlag. Auf vergleichsweise trockene Bedingungen im Juni folgten später in der Saison niederschlagsreichere Perioden. Im Sommer lagen die Temperaturen häufig über 20 °C. Nach Angaben der Forschenden führten diese Bedingungen zu erheblichen Schwankungen beim Wasserbedarf und der Bodenfeuchte. 2025 wurde entsprechend den Versuchsbedingungen aktiv bewässert. Dadurch variierte der Wasserstatus der Reben stärker als 2024, als die Bewässerungsschwellen nicht erreicht wurden und keine Bewässerung stattfand.

Nach Angaben der Autoren baut die Arbeit auf früheren Untersuchungen auf Blattebene auf, indem sie multitemporale Daten aus zwei Jahren prüft und Drohnenaufnahmen unter realen Bedingungen im Weinberg bewertet. Die Modelle für die bodengestützten und die luftgestützten Datensätze wurden getrennt trainiert, statt ein angepasstes Modell direkt von einer Maßstabsebene auf die andere zu übertragen. So konnten die Forschenden die Auswirkungen der spektralen Auflösung, des Messmaßstabs und der Auswahl von Bereichen des Kronendachs getrennt untersuchen.

Die Ergebnisse lassen Spielraum für weitere Entwicklungen, insbesondere wenn künftige Datensätze mehr Messtermine, mehr Vegetationsperioden oder weitere Standorte mit unterschiedlichen Rebsorten und Bewirtschaftungssystemen umfassen. Derzeit legt die Studie nahe, dass multispektrale UAV-Aufnahmen wichtige physiologische Merkmale von Weinreben im Feldmaßstab schätzen können. Bevor die Technologie als verlässliches eigenständiges Instrument für die routinemäßige Bewirtschaftung von Weinbergen gelten kann, muss sie jedoch noch umfassender über verschiedene Zeiträume hinweg validiert werden.