Forschungs- und Innovationsprojekt
Satellitengestütztes Grünlandmonitoring "BaySeg": Bayerns Wiesen aus dem All im Blick

Geschnittenes Grünland auf Schwaden, im Hintergrund Bäume und Felder

Die Verstetigung des satellitengestützten Grünlandmonitorings

Grünland ist flächenmäßig eine der bedeutendsten Nutzungsformen in Bayern. Was dort jedoch im Detail auf der Einzelfläche passiert, bleibt häufig im Verborgenen. Die Variabilität des Grünlandes ist durch sein bayernweites Vorkommen und die damit verbundenen klimatischen und bodenbedingten Eigenschaften der unterschiedlichen Regionen enorm hoch. Eine pauschale Betrachtung anhand weniger Datenpunkte genügt daher bei Weitem nicht für ganz Bayern, um verlässliche Aussagen und Einschätzungen hinsichtlich regionaler Eigenheiten treffen zu können.

Vorgängerprojekte wie "MasterGras“, "SatGrünschnitt“ und "GeoCare“ haben bereits gezeigt, dass mit Hilfe von Satellitendaten ein Monitoring während der Vegetationsphase möglich ist und verschiedene Managementformen auf der Fläche identifiziert werden können. Mit dem Projekt BaySeg erfolgt nun der nächste Schritt, um das Grünland-Monitoring aus dem Forschungslabor in den Dauerbetrieb zu überführen und flächendeckend präzise Aussagen über den aktuellen Zustand zu ermöglichen.

Ausgangssituation: Vom Prototyp zum Standard

Das bayerische Grünland umfasst über 1 Million Hektar und ist das Rückgrat der heimischen Milch- und Viehwirtschaft. Während im Ackerbau Ertragsdaten oft direkt bei bzw. nach der Ernte erfasst werden, fehlten beim Grünland bisher insbesondere flächendeckende Schnitt- und Ertragsdaten. Mit "MasterGras“ wurde gezeigt, dass mit Hilfe Künstlicher Intelligenz und verschiedener Satellitenkonstellationen des europäischen Copernicus-Programmes Schnittzeitpunkte und Ertragspotenziale wetterunabhängig und bayernweit identifizierbar sind. BaySeg setzt genau hier an, um diese präzisen Informationen nicht mehr nur projektbasiert, sondern als dauerhaften, verlässlichen Service bayernweit zu etablieren.

Zielsetzung von BaySeg

Das Hauptziel von BaySeg ist die Segmentierung und automatisierte Klassifizierung der bayerischen Grünlandflächen im Dauerbetrieb. Dadurch sollen jederzeit verlässliche Informationen zur fundierten Bewertung und Einschätzung der aktuellen Lage der Grünlandflächen vorliegen.

Im Detail verfolgt das Projekt folgende Kernziele:

Digitale Souveränität: Schaffung einer unabhängigen, landeseigenen Datengrundlage. Dies ermöglicht es, politische und fachliche Entscheidungen auf Basis objektiver, selbst erhobener und flächendeckender Informationen zu treffen
Operationelle Kontinuität: Überführung der Algorithmen in eine feste IT-Infrastruktur und eine stabile Datenpipeline. Diese ermöglicht ein kontinuierliches Monitoring während der gesamten Vegetationsperiode.
Höchste Präzision: Stetige Verfeinerung der KI-Modelle zur exakten Unterscheidung zwischen tatsächlichen Schnitten, Beweidung und rein witterungsbedingten Veränderungen des Aufwuchses.
Dienstleistung für die Landwirtschaft: Aufbereitung der Satellitendaten zu praxisnahen Informationsdiensten, um Berater und Landwirte bei der Optimierung ihres Grünlandmanagements und der Anpassung an klimatische Veränderungen zu unterstützen.
Ökologische Parameter: Ableitungen auf Basis der Fernerkundungsdaten (wie Nutzungshäufigkeit und späte Schnittzeitpunkte) ermöglichen wichtige Rückschlüsse auf Artenvorkommen und ökologische Vielfalt.
Flächendeckendes Monitoring: Bereitstellung detaillierter Daten für ganz Bayern zur Unterstützung der Politikberatung und zur zielgenauen Optimierung der landwirtschaftlichen Förderung.

Projektablauf und Methodik

Um das flächendeckende Monitoring im Dauerbetrieb zu gewährleisten, etabliert BaySeg eine hochautomatisierte Prozesskette. Die immense Datenflut der europäischen Copernicus-Satelliten wird dabei mit modernsten Methoden der Künstlichen Intelligenz (KI) gekoppelt, um eine effiziente und zeitnahe Auswertung zu garantieren.

Automatisierte Datenpipeline: Die Radar- (Sentinel-1) und optischen Daten (Sentinel-2) werden direkt nach dem Satellitenüberflug in das System eingespeist. Gerade die Radardaten sichern dabei einen witterungsunabhängigen und lückenlosen Informationsfluss.
KI-gestützte Auswertung: Das in den Vorgängerprojekten erfolgreich trainierte neuronale Netzwerk wird kontinuierlich weiterentwickelt. Es analysiert die Zeitreihen der Satellitendaten, um spezifische Veränderungen der Feldstücke zu erkennen.
Berücksichtigung regionaler Vielfalt: Die KI-Modelle wurden speziell auf die kleinstrukturierte bayerische Topographie und Geomorphologie adjustiert, sodass Maßnahmen in alpinen Lagen wie auch in fränkischen Trockengebieten erfasst werden.
Integration in die Landes-IT: Die final aufbereiteten Ergebnisse und Kartenwerke werden als permanenter digitaler Service in die IT-Infrastruktur der LfL eingebunden, damit alle Fachanwender des Bayerischen Staatsministeriums für Ernährung, Landwirtschaft und Forsten und der Arbeit direkt von Daten profitiert.

Nutzen für die Praxis

Der Schritt vom Forschungsprojekt zum operationellen Monitoring-System bietet weitreichende und konkrete Mehrwerte für unterschiedlichste Akteure im bayerischen Agrar- und Umweltsektor:

Für die landwirtschaftliche Praxis und Beratung: Landwirte und Berater erhalten eine verlässliche Datengrundlage zur Ertragsabschätzung. Diese Informationen helfen dabei, das Grünlandmanagement zu optimieren, Futterqualitäten besser zu kalkulieren und die „gute fachliche Praxis“ stetig zu verbessern.
Für Verwaltung und Agrarpolitik: Das flächendeckende Monitoring schafft eine objektive, datenbasierte Grundlage für politische Entscheidungen. Es kann perspektivisch eine effizientere, zielgenauere Ausgestaltung und Evaluierung von Förderprogrammen ermöglichen.

Ergebnisse

Erste belastbare Ergebnisse aus dem bayernweiten Monitoring werden im zweiten Quartal 2025 erwartet. Die technische Implementierung und visuelle Aufbereitung der Daten erfolgte im weiteren Verlauf des Jahres 2025 beziehungsweise zu Beginn des Jahres 2026. Ziel ist es, die dauerhafte, automatisierte Aktualisierung der Datensätze zur Vegetationsperiode 2026 in einer vollumfänglichen Testversion zur Verfügung zu stellen.