Drohnenanalyse von Sturmschäden auf landwirtschaftlichen Flächen

Extreme Wetterereignisse verursachen weltweit erhebliche Schäden an landwirtschaftlichen Flächen. Allein in den USA beliefen sich diese im Jahr 2024 auf über 20 Milliarden US-Dollar. Herkömmliche Methoden zur Schadensbewertung – meist manuelle Begehungen – sind zeitaufwendig, ungenau und subjektiv. Drohnen (UAVs) bieten eine innovative Lösung für eine schnelle, objektive und hochauflösende Erfassung solcher Schäden.

Drohnen erfassen Schäden auf landwirtschaftlichen Flächen präzise und hochauflösend (KI-generiert).

Drohnen ermöglichen die detaillierte Kartierung selbst unzugänglicher Flächen. Durch die Kombination von RGB-, multispektralen und Thermalsensoren mit Analyseverfahren wie Structure from Motion (SfM), Vegetationsindizes (NDVI, NDRE) und maschinellem Lernen (ML) entstehen präzise Informationen über den Zustand von Pflanzen und Böden. UAVs ergänzen Satellitenbilder durch höhere Auflösung und zeitliche Flexibilität, insbesondere bei Wolkenbedeckung.

Diese Arbeit entwickelt einen methodischen Rahmen, der UAV-Technologie, sensorgestützte Datenerfassung und automatisierte Auswertung verbindet. Ziel ist ein standardisierter Workflow zur Schadensanalyse als Grundlage für Versicherungen und Katastrophenmanagement.

Anwendungsszenarien

- Windschäden (Lagerfrucht): RGB-Bilder und SfM liefern 3D-Modelle zur Analyse von Neigungsänderungen.

- Hagelschäden (Defoliation): Multispektrale Indizes wie NDVI oder NDRE korrelieren mit Blattverlust und Ertragsminderung.

- Überschwemmungsschäden: UAVs kartieren überflutete Flächen präzise und bewerten mit Höhenmodellen und Vegetationsindizes den Zustand nach Wasserrückgang.

- ML-basierte Klassifikation: Verfahren wie Random Forests oder CNNs (z. B. U-Net) klassifizieren automatisch Schadensstufen anhand kombinierter Sensordaten.

Methodischer Rahmen

1. Datenerfassung: Auswahl geeigneter Drohnen (Multirotor oder VTOL) und Sensoren je nach Schadensart.

2. Datenverarbeitung: Erstellung von Orthomosaiken, Höhen- und Geländemodellen mit SfM als Grundlage für quantitative Bewertungen.

3. Analyse & Klassifikation: Einsatz von ML-Modellen zur Kartierung und Quantifizierung des Schadensausmaßes.

Ein zentrales Ergebnis sind präzise Schadenskarten, die Versicherungen und Behörden belastbare Entscheidungsgrundlagen bieten. Damit wird eine Forschungslücke geschlossen, da bislang oft fragmentierte Ansätze nun in einem integrierten System zusammengeführt werden.

Fazit

Drohnen sind eine leistungsfähige Alternative zu traditionellen Bewertungsmethoden. Die Verbindung von UAVs mit KI-gestützten Analyseverfahren ermöglicht eine skalierbare, objektive und kosteneffiziente Schadensbewertung. Langfristig stärkt dieser Ansatz die Resilienz der Landwirtschaft und unterstützt faire, datenbasierte Entscheidungen im Agrarsektor.