Bachelorarbeit. Vergleich der Vegetationsindices bestimmt mit dem Yara-N-Sensor und dem AO-GreenSeeker AGRAR- UND UMWELTWISSENSCHAFTLICHE FAKULTÄT

Transkript

1 AGRAR- UND UMWELTWISSENSCHAFTLICHE FAKULTÄT Bachelorarbeit Vergleich der Vegetationsindices bestimmt mit dem Yara-N-Sensor und dem AO-GreenSeeker vorgelegt von: Florian Andres geb. am: in Schwedt/Oder Studiengang: Agrarwissenschaften 1. Gutachter u. Betreuer: Dr.-Ing. Görres Grenzdörffer 2. Gutachter u. Betreuer: Prof. Dr. Rolf Kuchenbuch Agrar- und Umweltwissenschaftliche Fakultät der Universität Rostock Rostock, 2014

2 Inhaltsverzeichnis 1 Einleitung Grundlagen Elektromagnetische Strahlung Wechselwirkung der Strahlung im Laubblatt Reflexion im Laubblatt Grundlagen der Fernerkundung Vegetationsindices Normalized Differenzed Vegetation Index Yara Biomasse Index AO GreenSeeker Yara N-Sensor ALS Messfeld und Messgeometrie Durchführung Hard- und Software Messungen Standort Datenaufbereitung und Auswertung Ergebnisse und Diskussion Korrelation der Systeme Regressionskoeffizent Vergleichbarkeit der Systeme Umrechnung über die Regressionsfunktion Agronomische Betrachtung Wiederholbarkeit der Messungen Schlussfolgerung Literaturverzeichnis... 28

3 Abbildungsverzeichnis Abbildung 1: Spektrum elektromagnetischer Strahlung... 3 Abbildung 2: Spektrale Signatur eines Laubblattes... 4 Abbildung 3: Matrix des Bestimmtheitsmaßes (r²) der Wellenlängenkombinationen (Wavelength 1& Wavelength 2) und N-Aufnahmen... 7 Abbildung 4: GreenSeeker mit Gestänge und Sensoren... 8 Abbildung 5: GreenSeeker Sensoreinheit... 8 Abbildung 6: Jobcontroller, N-Sensor ALS, Messkopf Abbildung 7: Schematischer Messfeldvergleich zwischen GreenSeeker und N-Sensor Abbildung 8: Messstrecke Schlag Abbildung 9: Deutschlandkarte / Landkreis Uckermark; Lage der gescannten Schläge Abbildung 10: Datenaufbereitung Schlag Abbildung 11: Regressionsfunktion für die Abhängigkeit des NDVI's vom BI Abbildung 12: Schlag 318 / : Vergleich beider Systeme durch Umrechnung des BI-Wertes über die termin- und schlagspezifische Regressionsfunktion Abbildung 13: Schlag 334 / : Vergleich beider Systeme durch Umrechnung des BI-Wertes über die termin- und schlagspezifische Regressionsfunktion Abbildung 14: Schlag 318 / : Ausschnitt Agronomische Betrachtung (Spur 1) Abbildung 15: Schlag 334/ : Ausschnitt Agronomische Betrachtung (Spur 1)... 23

4 Abbildung 16: Darstellung der drei Überfahrten des N-Sensors auf Schlag

5 Tabellenverzeichnis Tabelle 1: Messtermine und Zeitpunkte Tabelle 2: Entwicklungsstadium (BBCH) Tabelle 3: Korrelationskoeffizienten (r) der Systeme Tabelle 4: Modell 1 - Zweifaktorielle Varianzanalyse; abhängiger Faktor: Korrelationskoeffizent; feste Faktoren: Fruchtart, Termin; Interaktion: Fruchtart*Termin Tabelle 5: Modell 2 - geschätzte Randmittel der einfaktoriellen Varianzanalyse; abhängiger Faktor: Korrelationskoeffizent; feste Faktoren: Fruchtart Tabelle 6: Modell 3 - einfaktorielle Varianzanalyse; abhängiger Faktor: Regressionskoeffizent; fester Faktor: Termin Tabelle 7: Mittelwertvergleich der Regressionskoeffizenten zu dem jeweiligen Messtermin 20 Tabelle 8: Korrelationkoeffizenten der drei Wiederholungsmessungen untereinander... 25

6 Abkürzungsverzeichnis ALS BBCH BI CEP CSV GIS GPS IR LAI N NDVI USB UV VIS Active Light Sensor Biologische Bundesanstalt, Bundessortenamt, chemische Industrie Biomasse - Index Circular Error Probable Comma - Separated Values Geoinformationssystem Global Positioning System Infrarot Leaf Area Index Stickstoff Normalized Differenced Vegetation Index Universal Serial Bus Ultraviolett Sichtbare Strahlung

7 1 Einleitung In den letzen Jahrzehnten ist das Interesse an teilflächenspezifischer Stickstoffdüngung immer größer geworden. Vor dem Hintergrund steigender Rohstoffpreise, zunehmender ökologischer Interessen und dem Verlangen nach einer bedarfsgerechten Düngung wurden viele Ansätze und Systeme entwickelt. Grundlegend unterteilt man diese in drei Bereiche. Beim Mapping-Ansatz benutzt man GIS-Daten, wie zum Beispiel Bodenarten-, Ertrags- oder Zugkraftkarten, um eine Karte mit Ertragsregionen festzulegen. Mit Hilfe von GPS kann auf diese Weise eine Düngerapplikation nach Karte erfolgen. Der Offline-Ansatz nimmt Luftbilder oder Sattelitenaufnahmen als Ausgangspunkt zur Erstellung von Applikationskarten. Dabei erfolgt zuerst die Aufnahme der Bilder, dann die Bearbeitung und Erstellung von Applikationskarten und zeitversetzt dazu die Düngung. Beim Online-Ansatz erfolgen diese drei Schritte unmittelbar aufeinander und in Echtzeit. Die gewünschten Parameter des Pflanzenbestandes werden gemessen, die Daten verrechnet und Dünger appliziert (GANGDORFER, 2006). Die Bestandesunterschiede können mechanisch, über den Druckwiderstand oder über optische Verfahren ermittelt werden. Am weitesten verbreitet ist die Spektralmessung mit Hilfe optischer Sensoren, bei der die Lichtreflexion verschiedener Wellenlängen erfasst wird. Aus diesen Reflexionseigenschaften werden Vegetationsindices errechnet, die eine Aussage über den Zustand der Pflanzen geben (PETTORELLI, 2013). Die am Markt erhältlichen Sensorsysteme messen nicht alle die gleichen Wellenlängen und bilden somit teilweise unterschiedliche Vegetationsindices. Auch die Anzahl der Sensoren, Größe und Form des Messfeldes sowie die Messgeometrie ist verschieden. Trotzdem verfolgen sie alle den selben Zweck. Über eine optische Reflexionsmessung und Bildung von Vegetationsindices wird die räumliche Variabilität des Pflanzenbestandes detektiert. Hierbei stehen für die praktische Anwendung die zwei Hauptgrößen Biomasse und Stickstoffgehalt der Pflanze im Vordergrund. Dass unterschiedlich Vegetationsindices auch verschieden sensibel auf diese Größen reagieren, konnte u.a. LILIENTHAL (2012) belegen. Was diese variable Sensibilität auf Pflanzeneigenschaften und die Abweichungen bezüglich Messfeld und Geometrie für einen Einfluss auf die Korrelation verschiedener Sensorsysteme ausübt, gilt es in dieser Arbeit zu klären. Eine Untersuchung von NAGEL (2012) konnte die Korrelation diverser Sensorsysteme nicht bestätigen. Da jedoch alle untersuchten Geräte eine gute Praxistauglichkeit aufweisen, gilt es, diese Korrelation am Bespiel des AO GreenSeekers und Yara N-Sensors nochmals zu überprüfen. Für die These, dass eine Korrelation der Indices besteht, 1

8 sprechen auch Untersuchungen von LILIENTHAL et al. (2012). Diese zeigen, dass die Detektion der räumlichen Unterschiede unabhängig von verwendeten Vegetationsindices funktioniert. Der Versuchsansatz beinhaltet die Auswertung der räumlichen und zeitlichen Variabilität der Messdaten des AO Greenseekers und des Yara N-Sensors. Dafür erfolgten zeitgleiche Überfahrten in verschiedenen Fruchtarten und Entwicklungsstadien. Beim GreenSeeker wird die Vegetationsmessung über den Normalized Differenced Vegetation Index (NDVI) erreicht (NTECH INDUSTRIES INC., 2008). Durch die Messung und Verrechnung von zwei Wellenlängen im roten und nahinfraroten Bereich kommt man zu einem Wert zwischen null und eins, der die Biomasse widerspiegelt (ROUSE et al, 1973). Der Yara N-Sensor nutzt einen eigenen Biomasse-Index (BI), der mithilfe von zwei Wellenlängen im nahinfraroten Spektralbereich die Stickstoffaufnahme der Pflanze misst und somit nicht ausschließlich von der Biomasse abhängt, sondern auch den Stickstoffbedarf der Pflanzen berücksichtigt (REUSCH, 2005). Neben den Unterschieden bezüglich der Vegetationsindices gibt es noch eine Reihe weiterer Unterscheidungsmerkmale, wie Messwinkel, -frequenz, -höhe sowie Sensorenanzahl. Der GreenSeeker misst senkrecht mit vier Sensoren einen balkenförmigen Bereich 100 mal in der Sekunde und errechnet aus diesem Input jede Sekunde einen Messwert (NTECH INDUSTRIES INC., 2008). Der N-Sensor hingegen setzt auf ein ellipsenförmiges Messfeld, das schräg zehn Mal je Sekunde abgetastet wird und daraus einen Mittelwert pro Sekunde generiert (YARA, 2012). Auf die unterschiedlichen Wege, die zur Ausgabe der Düngermenge führen, wird in dieser Arbeit nicht weiter eingegangen, sondern eher hinterfragt, wie sich die Indices beider Systeme zueinander verhalten und inwiefern sie vergleichbar sind. Dafür erfolgte eine zeitgleiche Überfahrt mit beiden Systemen über verschiedene Fruchtarten. Für die vier Fruchtarten standen zwei bis drei Schläge zur Verfügung, die zu unterschiedlichen Terminen überfahren wurden. Alle Messungen fanden im Vegetationsstadium des Schossens statt. Am letzen Termin erfolgte auf zwei Schlägen eine Mehrfachüberfahrt, um die Wiederholbarkeit der Messungen zu testen. 2

9 2 Grundlagen Im Folgenden werden die physikalischen, biologischen und mathematischen Grundlagen der Messungen optischer Sensoren beschrieben. 2.1 Elektromagnetische Strahlung "Die elektromagnetische Strahlung ist eine Energieabgabe von Materiekörpern" (HILDEB- RAND, 1996). Ihre Eigenschaften werden von Wellenlänge und Frequenz bestimmt. Nach der Planck'schen Strahlungstheorie wird die Energie der Strahlung stoßweise als Energiequant (Photon) abgegeben. Je kurzwelliger, umso energiereicher die Strahlung. Die auf der Erde wirkende Strahlung setzt sich aus der solaren Strahlung, die von der Sonne emittiert wird und aus der terrestrischen Strahlung, die aus der Atmosphäre oder von der Erde selbst stammt, zusammen. Für die Messverfahren der Stickstoffsensorik ist nur ein kleiner Ausschnitt der Strahlung von Bedeutung: die sichtbare Strahlung von 380nm bis 780nm (HAFERKORN, 2003) und die reflektierende nahinfrarote Strahlung von 780nm bis 1200nm (HILDEB- RAND,1996). Abbildung 1: Spektrum elektromagnetischer Strahlung (LUBW, 2011 geändert); UV = Ultraviolett, VIS= Sichtbares Licht, IR= Infrarot Wechselwirkung der Strahlung im Laubblatt Materiekörper sind nicht nur in der Lage Strahlung zu emittieren, sondern können diese auch absorbieren, reflektieren oder durchdringen lassen. Diese Vorgänge sind nicht statisch zu betrachten, sondern bedingen sich gegenseitig. Wenn ein Photon einer bestimmten Wellenlänge auf ein Blatt trifft, überträgt es seine Energie auf die oberen Moleküle der Epidermis. Dort versetzen sie Elektronen entweder in einen höheren Energiezustand oder in höhere Schwingungen. Von da an erfolgt eine weitere Übertragung der Energie in Form von spontaner Abgabe gleicher Energiequanten mit Richtungsänderung (Streuung), spontaner Abgabe mehrerer kleiner Energiequanten (Raman-Streuung), eine zeitverzögerte Abgabe (Fluoreszenz) oder eine Umwandlung in Bewegungsenergie (Absorption). Für die Zusammensetzung der reflektierten Strahlung ist fast ausschließlich die Streuung verantwortlich. Gestreute Energiequanten 3

10 können direkt von der Epidermis in Richtung der Blattoberseite reflektiert oder weiter in das Blattinnere gestreut werden. Dort durchlaufen sie von Molekül zu Molekül einen der vier oben genannten Prozesse. Letztendlich verlassen die Photonen das Blatt an der Oberseite als indirekte Reflexion, an der Unterseite als Transmission oder werden im Blatt absorbiert (HILDEBRAND,1996). Die indirekte Reflexion verstärkt so die direkte Reflexion an der Blattvorderseite Reflexion im Laubblatt Die Reflexionseigenschaften von Pflanzen werden mit dem Reflexionsgrad beschrieben. Er setzt die Menge des reflektierten mit der Menge des ausgesendeten Lichts ins Verhältnis (PEDROTTI et. al, 2008). Als Ergebnis erhält man eine spektrale Kurve, die beschreibt, wie viel Prozent der abgegebenen Strahlung letztendlich reflektiert werden. Für ein Laubblatt ergibt sich so eine typische spektrale Signatur (Abbildung 2). Abbildung 2: Spektrale Signatur eines Laubblattes (CSAPLOVICS, 2008 geändert); ρ = Reflexionsgrad, λ = Wellenlänge In der Abbildung 2 erkennt man, dass das Licht im sichtbaren Bereich weniger reflektiert wird. Hier kommt es zu einer erhöhten Absorption der Blattpigmente, um Energie für die Photosynthese zu gewinnen. Die bedeutendsten Pigmente der Photosynthese sind die Chlorophylle. Für sie typisch sind Absorptionsmaxima im roten und blauen Spektralbereich und eine fehlende Absorption im grünen Bereich zwischen 480nm und 620nm (HELDT & PIECHUL- LA, 2008). Das ist der Grund dafür, dass die grüne Strahlung reflektiert wird und wir die Pflanzen als grün wahrnehmen. Neben dem Chlorophyll gibt es aber noch andere Pigmente, die in Komplexen mit Proteinen Strahlung absorbieren. Sie sorgen dafür, dass auch die vom 4

11 Chlorophyll nicht ausgenutzten Wellenlängenbereiche teilweise zur Energiegewinnung verwertet werden. Besonders auffällig ist jedoch der starke Anstieg der Reflexion im Übergang von roter sichtbarer Strahlung zur nahinfraroten Strahlung. In diesem als "Red Edge" bezeichneten Bereich sinkt die Absorptionsfähigkeit der Photopigmente ab und der Einfluss der Zellstrukturen auf die Reflexion steigt. Diese scharfe Kante wird als Alleinstellungsmerkmal des Reflexionsgrades von Vegetation gesehen (MONTZKA, 2007). 2.2 Grundlagen der Fernerkundung Die vorhergehend beschriebenen Reflexionseigenschaften von Pflanzen hat sich die Wissenschaft zu Nutze gemacht, um mit Hilfe der Fernerkundung Aussagen über Vegetationen zu treffen. Dabei kommt es durch optische Sensoren zu einer Detektion von reflektierter Strahlung. Diese reflektierte Strahlung ist abhängig von vielen verschiedenen Faktoren. Den größten Einfluss hat die qualitative und quantitative biochemische Zusammensetzung der Pflanzen. Laubblätter mit unterschiedlichen molekularen Zusammensetzungen weisen andere Reflexionseigenschaften auf und folglich andere spektrale Signaturen. Aber nicht nur der chemische Aufbau der Pflanze spielt eine Rolle, sondern auch die Anatomie. Zum Beispiel haben Blattstellung, Blattoberfläche und Wuchsform Auswirkungen auf Streuung und Reflexion (JONES & VAUGHAN, 2010). Wenn man von der Einzelpflanze auf die Ebene einer Vegetationsdecke wechselt, wächst die Bedeutung eines weiteren wichtigen Parameters, dem Blattflächenindex (LAI). Der LAI spiegelt das Verhältnis von Blattoberfläche zu Bodenoberfläche wieder (Campbell & Norman, 1998). Beträgt der LAI eins, handelt es sich um eine geschlossene Vegetationsdecke. Blattüberlappungen oder das Vorhandensein mehrerer Blattetagen lassen den LAI über eins steigen. Er steht somit in einem engen Zusammenhang mit der Biomasse (LILIENTHAL, 2012). Unabhängig zu den oben genannten Einflussfaktoren der Vegetation spielen die Umweltbedingungen eine wichtige Rolle für die Erfassung reflektierter Strahlung. Dabei ist die Sonne als Strahlungsquelle eine wichtige Grundlage. Einstrahlwinkel und -intensität sind abhängig von Jahres- und Tagesgang der Sonne und somit nicht als konstant zu betrachten. Auch Bewölkung beeinflusst die auf der Erde eintreffende Strahlung und somit zwangsläufig auch die Reflexion. Die Erfassung von Pflanzeneigenschaften über Verfahren der Fernerkundung ist somit nicht als statisches Gebilde anzusehen, sondern als ein Zusammenspiel vieler Faktoren. 5

12 2.3 Vegetationsindices Unter Vegetationsindices werden Maßzahlen definiert, die eine Unterscheidung von Qualität und Quantität verschiedener Vegetationen ermöglicht. Photosynthese betreibende Pflanzenbestände weisen eine charakteristische multispektrale Reflexion auf. Diese Reflexion kann gemessen und zu Vegetationsindices verrechnet werden. Dabei werden bestimmten Wellenlängen Aussagekraft über bestimmte Eigenschaften zugesprochen. Es wird so die Analyse von Beständen und das Detektieren von Veränderungen ermöglicht. Die Vegetationsindices errechnen sich aus der Kombination der Reflexion aus zwei oder mehreren Wellenlängen (PETTORELLI, 2013) Normalized Differenzed Vegetation Index Der NDVI ist ein in der Wissenschaft häufig genutzter Breitbandindex. Es kommt hierbei zu einer Verrechnung von Reflexionseigenschaften im roten und nahinfraroten Wellenlängenbereich. Er basiert dabei auf die Tatsache, dass Vegetation mit zunehmender oder abnehmender Biomasse ihr Verhältnis von reflektiertem nahinfraroten und roten Licht ändert. Sinkt zum Beispiel die Biomasse, sinkt auch die Reflexion im nahinfraroten Bereich. Entgegengesetzt dazu steigt aber die Chlorophyllreflexion, weil weniger Pigmente für die Absorption zur Verfügung stehen. Berechnet wird er aus dem Quotienten von NIR-R und R-NIR. Da nur grüne Vegetation diese spezielle Reflexionssignatur besitzt, ist der Einsatz des NDVI's auch bei nicht geschlossener Pflanzendecke möglich (ROUSE et al., 1973; PETTORELLI, 2013). Übersteigt jedoch der Blattflächenindex einen Wert von sieben, kommt es zu einer Sättigung und somit zu falschen Werten (LESER, 1994) Yara Biomasse Index Der yara-eigene Biomasse Index ist ein optimierter Vegetationsindex, der durch die Messung von zwei Wellenlängen im oberen Bereich des Red Edge Aussagen zur N-Aufnahme des Bestandes trifft. REUSCH (2005) konnte herausstellen, dass dieser Index von allen möglichen Zweibandindices mit Wellenlängenkombinationen zwischen 400nm und 1000nm die größtmögliche Korrelation zur N-Aufnahme der Pflanzen aufweist (Abbildung 3). 6

13 Abbildung 3: Matrix des Bestimmtheitsmaßes (r²) der Wellenlängenkombinationen (Wavelength 1& Wavelength 2) und N-Aufnahmen (REUSCH, 2005) 7

14 3 AO GreenSeeker Der AO GreenSeeker ist ein aktiver online Sensor. Er wurde 2002 in den USA eingeführt und ist seit 2009 durch Landdata Eurosoft GmbH & Co. KG in Deutschland im Vertrieb. Das System besteht in der Basisversion aus vier optischen Sensoren, die an einem höhenverstellbaren hydraulischen Frontgestänge montiert sind (NTECH INDUSTRIES INC., 2008). Abbildung 4: GreenSeeker mit Gestänge und Sensoren Die verbauten optischen Sensoren wurden 2002 von NTech Industries Inc. in den USA vorgestellt und werden seit 2009 von der Trimble Ltd. vertrieben. Der Sensor besteht aus einer aktiven LED-Lichtquelle, die Strahlung in zwei Wellenlängen (656nm und 774nm) aussendet. Die Strahlung trifft auf das Blatt und wird dort teilweise absorbiert und reflektiert. Die reflektierte Strahlung wird durch eine Fotodiode von jedem Sensor 100 mal pro Sekunde gemessen (NTECH INDUSTRIES INC., 2008). Abbildung 5: GreenSeeker Sensoreinheit (NTECH INDUSTRIES INC., 2008, geändert) Die daraus resultierenden 400 Messwerte aller Sensoren werden in der RT200 IM Interfacebox zum NDVI Index verrechnet und an den Jobrechner übermittelt. Vor jeder Düngung muss eine Kalibrierfahrt über eine repräsentative Fahrgasse erfolgen, die die Heterogenität des Schlages möglichst gut wiederspiegelt. Die daraus resultierenden ma- 8

15 ximalen, minimalen und durchschnittlichen NDVI-Werte bilden nun die Grundlage für die Streugrafik, die durch Angabe der jeweiligen Düngermengen selbst zu erstellen ist. Die dem NDVI entsprechenden Düngermengen werden bei der Düngung - je nach Einstellung - schrittweise oder interpoliert ausgebracht (BOSCH, 2011). In der Praxis kann das System ab der 1. N-Gabe eingesetzt werden, weil der NDVI mögliche Bodenreflexionen ausschließt. Es ist jedoch bekannt, dass es im Getreide ab dem Vegetationsstadium des Ährenschiebens zu Sättigungseffekten kommt und somit eine ausreichende Auflösung der Bestandesunterschiede nicht möglich ist (LILIENTHAL, 2012). 9

16 4 Yara N-Sensor ALS Wie der GreenSeeker ist auch der Yara N-Sensor ALS (activ light source) ein aktiver online Sensor. Der von der norwegischen Yara AG entwickelte Sensor wird seit 2006 von der Agri Con GmbH in Deutschland vertrieben. Das System wird auf dem Schlepperdach montiert und misst von ca. drei Metern Höhe schräg in den Bestand. An dem Sensorsystem befinden sich auf jeder Seite eine Xenon-Blitzlampe und eine Fotodiode mit Interferenzfilter zur Aufnahme der Reflexion. Eine weitere Fotodiode misst das Umgebungslicht und lässt dieses in die Indexberechnungen einfließen. Aus der Reflexionsmessung und dem Umgebungslicht wird der yara-eigene Biomasseindex errechnet, der die N-Aufnahme wiederspiegelt (AGRI CON, 2012; REUSCH 2005). Die Steuerung der Blitzlichtlampe und die Verarbeitung der Daten erfolgt über ein Jobcontroller im Inneren des Sensorsystems. Von dort aus erfolgt die Datenübertragung an den Jobrechner. Abbildung 6: Jobcontroller, N-Sensor ALS, Messkopf (LANDTECHNIKMAGAZIN, 2013; PRECISION FARMIN NEWS, 2009 geändert) Wie auch beim GreenSeeker ist vor der Düngemaßnahme auf dem entsprechenden Schlag eine Kalibrierfahrt durchzuführen. Danach stellt der N-Sensor fertige Regelkurven zur Verfügung, die fruchtart- und entwicklungsspezifisch sind. Die aufgrund zahlreicher N- Steigerungsversuche von YARA erstellten Regelkurven sind jedoch nicht fix und können durch den Anwender modifiziert werden. In der Praxis wird der N-Sensor im Getreide ab dem Vegetationsstadium des Schossens eingesetzt, weil vorher mögliche Bodenreflexion zu einer Verzerrung der BI-Werte führen könnte. Im Raps ist ein Einsatz schon zur 1. N-Gabe möglich. Es werden weiterhin eine Vielzahl von Regelfunktionen für Mais und Kartoffeln in verschiedenen Entwicklungsstadien zur Verfügung gestellt (AGRICON, 2012). 10

17 5 Messfeld und Messgeometrie Beide Systeme weisen im Messfeld und in der Messgeometrie deutliche Unterschiede auf. Eine Gemeinsamkeit ist jedoch, dass beide Sensoren den Bestand neben der Fahrgasse messen, um eventuelle Fahrgasseneffekte zu vermeiden. Der im Frontanbau montierte GreenSeeker misst aus einer Höhe von 71cm - 112cm 100 mal pro Sekunde senkrecht auf den Bestand. Die Größe des balkenförmigen Messfeldes ist hierbei abhängig vom Abstand zum Bestand und beträgt je Sensor zwischen 51,61cm² bis zu 144,52cm² (NTECH INDUSTRIES INC, 2008). Beim N-Sensor hingegen erfolgen jede Sekunde zehn schräge ellipsenförmige Messungen, deren Größe ebenfalls je nach Aufbauhöhe schwankt. Aus diesen 10 Messungen wird jede Sekunde ein Mittelwert generiert und geloggt. Die ellipsenförmigen Messfelder der beiden Sensorköpfe liegen etwa fünf bis sechs Meter neben dem Schlepper und haben laut AGRI- CON (2012) im Stand eine Fläche von 35m². Die Abstände der Messungen in der Fahrt sind asynchron und hierbei von der Geschwindigkeit abhängig. Abbildung 7: Schematischer Messfeldvergleich zwischen GreenSeeker und N-Sensor 11

18 6 Durchführung Im Folgenden wird die Durchführung des Versuchs beschrieben. Es wird dabei genauer auf die verwendete Hard- und Sofware sowie den Standort eingegangen. Es erfolgt eine Charakterisierung der Messtermine, -schläge und -strecke. 6.1 Hard- und Software Beide Systeme wurden auf einem Deutz Fahr Agrotron 135 MK3 installiert. Der GreenSeeker wurde nicht wie üblich an der Fronthydraulik, sondern am hydraulischen Heck-Dreipunkt montiert. Über ein Serial-USB-Adapter wurde das Gerät mit einem Dell Inspiron 15z verbunden und die Daten via Farm Works Mobile Version aufgezeichnet. Die GPS-Ortung erfolgte über einen Navilock NL602U USB GPS-Empfänger (CEP 2,5m). Der N-Sensor war bereits auf dem Schlepperdach installiert und wurde über ein Panasonic Toughbook CF-19 betrieben. Das Loggen der Daten erfolgte über die N-Sensor Software Version Die GPS-Ortung wurde über einen Navilock NL402N GPS-Empfänger (CEP 2,5m) durchgeführt. 6.2 Messungen Die Messungen wurden zu verschiedenen Terminen, an verschiedenen Fruchtarten und auf verschiedenen Schlägen durchgeführt (Tabelle 1). Alle Pflanzen befanden sich, mit Ausnahme der 2. Messung im Raps, im BBCH-Stadium Schossen (Tabelle 2), um den Einsatzzeitpunkt der Systeme in der Praxis zu simulieren. Tabelle 1: Messtermine und Zeitpunkte Schlag Fruchtart Sorte 20. April 28. April 04. Mai 18. Mai 18.Mai(2) 18.Mai(3) 202 WW Chevalier 12:53 10:33 09:30 09:56 10:05 11: WW Brillant 12:30 10:49 09:44 10: WW Julius 09:54 11:39 11:04 11:20 12: WG Leibnitz 12:18 11:10 10: WG Antonella 13:09 12: WR Guttino 13:22 09:47 09: WR Brasetto 11:31 11:23 10: WR Brasetto 10:59 13:41 11: WRaps Visby 13:34 09: WRaps Adriana 12:38 10: WRaps ES Astrid 11:55 11:56 WW= Winterweizen, WG = Wintergerste, WR= Winterroggen, WRaps = Winterraps; (2) & (3) = Wiederholun 12

19 Tabelle 2: Entwicklungsstadium (BBCH) Schlag Fruchtart Sorte 20. April 28. April 04. Mai 18. Mai 202 WW Chevalier WW Brillant WW Julius WG Leibnitz WG Antonella WR Guttino WR Brasetto WR Brasetto Raps Visby Raps Adriana Raps ES Astrid WW= Winterweizen, WG = Wintergerste, WR= Winterroggen, WRaps = Winterraps Bei allen Messungen fand das gleiche Messschema Verwendung (Abbildung 10). Dabei wurden die Schläge zum selben Zeitpunkt mit beiden auf einem Schlepper installierten Geräten gescannt. Die Messung der zwei Fahrspuren begann nach dem Vorgewende und endete in der benachbarten rechten Fahrgasse vor Erreichen des Vorgewendes. Abbildung 8: Messstrecke Schlag 318 (GOOGLE MAPS, 2013, geändert) Zusätzlich erfolgte am letzten Termin auf zwei Schlägen eine Dreifachmessung der selben Messstrecken in verschiedenen Zeitabständen. 6.3 Standort Die Versuche wurden auf den Schlägen der Agrar- und Handelsgesellschaft mbh Passow durchgeführt. Der Betrieb bewirtschaftet ca ha Ackerland und ca ha Grünland in der Uckermark im Nordosten Brandenburgs. 13

20 Abbildung 9: Deutschlandkarte / Landkreis Uckermark; Lage der gescannten Schläge (P&P AG 2013; GOOGLE MAPS, 2013, geändert) Die elf Versuchsschläge weisen Ackerzahlen zwischen 22 und 45 auf. Die aus glazialem Sediment (einschließlich periglazialer Prägung) entstandenen feinsandigen Sande und schwachlehmigen Sande weisen zum Großteil Humusgehalte von 1-2% auf (LBGR, 2013). Das jährliche Niederschlagsmittel liegt bei 550 l/m², dennoch hat die Region mit einer ausgeprägten Frühjahrstrockenheit zu kämpfen. 14

21 7 Datenaufbereitung und Auswertung Die Daten des GreenSeekers wurden im ESRI-shapefiles-Format zur Verfügung gestellt. Die Logfiles des N-Sensors wurden durch die AgriCon GmbH in das CSV-Format konvertiert. Beide Formate wurden in das Open Source Paket R importiert. Es erfolgte eine Umwandlung der x-y-koordinaten in die Meterskala sowie eine Drehung im Koordinatensystem (Translation und Rotation), um eine möglichst waagerechte Lage der Fahrspuren zu gewährleisten. Danach folgte eine Trennung beider Fahrspuren voneinander und zur Vermeidung eines möglichen Vorgewendeeffekts wurden mindestens die ersten und letzen 50 m der Messdaten jeder Fahrspur entfernt. Dies wird in Abbildung 9 beispielhaft für die N-Sensor Daten des Schlages 334 dargestellt. Abbildung 10: Datenaufbereitung Schlag 334; 1. Translation und Rotation, sowie Umrechnung in Meterskala, 2. Trennung der Fahrspuren, 3. Entfernen des Vorgewendes Da beide Sensorsysteme aufgrund ihrer unterschiedlichen Messgeometrie und Montage am Schlepper nicht exakt die gleichen Pflanzen messen, erfolgte eine Überführung der Daten in ein einheitliches Raster. Um eine Vergleichbarkeit der gemessenen Indices im Raum herzustellen, wurden dafür die Messungen von jeweils 10m Fahrstrecke zu einem Mittelwert zusammengefasst. Danach erfolgte eine lineare Regressionsanalyse mit Hilfe der Mittelwerte 15

22 des 10m Rasters, um die Korrelation der Indices zu den jeweiligen Terminen und Schlägen zu errechnen. Für die weitere Auswertung wurde mit Hilfe von IBM SPSS Statistics 20 eine zweifaktorielle Varianzanalyse bezüglich des Einflusses von Termin und Kultur sowie Termin*Kultur Interaktion auf den Korrelationskoeffizenten durchgeführt. Danach kam es zu einer Selektion der nicht signifikanten Parameter. Das entstandene lineare Modell beschreibt den Einfluss der Kultur auf die Höhe der Korrelationskoeffizenten. Für den Regressionskoeffizenten erfolgte ebenfalls eine einfaktorielle Varianzanalyse, um die Signifikanz des Termineinflusses herauszustellen. 16

23 8 Ergebnisse und Diskussion 8.1 Korrelation der Systeme Zur Veranschaulichung des linearen Zusammenhangs der Vegetationsindeces wurden, wie oben beschrieben, Regressionsanalysen durchgeführt. Die Korrelationen der Systeme sind Tabelle 3 zu entnehmen. Tabelle 3: Korrelationskoeffizienten (r) der Systeme Schlag Fruchtart Sorte 20. April 28. April 04. Mai 18. Mai 18.Mai(2) 18.Mai(3) 202 WW Chevalier 0,70 0,82 0,79 0,70 0,81 0, WW Brillant 0,83 0,89 0,86 0, WW Julius 0,62 0,54 0,72 0,60 0, WG Leibnitz 0,86 0,81 0, WG Antonella 0,95 0,96 0, WR Guttino 0,87 0,86 0, WR Brasetto 0,83 0,80 0, WR Brasetto 0,96 0,95 0, WRaps Visby 0,81 0, WRaps Adriana 0,62 0, WRaps ES Astrid 0,75 0,56 WW= Winterweizen, WG = Wintergerste, WR= Winterroggen, WRaps = Winterraps Es wird deutlich, dass die Korrelationen der Sensoren nicht zu jedem Termin und auf jedem Schlag identisch sind. Die 36 Korrelationskoeffizenten nehmen Werte von 0,53 bis 0,96 an. Der Mittelwert liegt bei 0,79 (± 0,12). Das zeigt, dass die Systeme nicht in jedem Fall gleiche Zusammenhänge aufweisen, sondern die Vergleichbarkeit der Messdaten abhängig von anderen Faktoren ist. Dass beide Systeme nicht die gleichen Ergebnisse liefern, war zu erwarten. Aufgrund der Unterschiede in Messgeometrie und Indexberechnung konnte ein identischer linearer Zusammenhang ausgeschlossen werden. Der Fakt, dass Reflexionseigenschaften unterschiedlicher Pflanzen und Mengen an Pflanzen gemessen werden, sorgt ebenso für Unterschiede wie die gemessenen Wellenlängen der Indices. Während der NDVI nur Bezug auf die Biomasse nimmt und damit sehr gut mit Frischmasse und Blattflächenindex korreliert, misst der BI die N-Aufnahme, die zusätzlich auch mit der Chlorophyllkonzentration und dem N-Gehalt der Pflanze korreliert (LILIENTHAL, 2012). Es werden dadurch teilweise verschiedene Eigenschaften von Pflanzenbeständen detektiert. Korrelationskoeffizenten von über 0,90, wie auf 17

24 Schlag 218 und Schlag 334, zeigen jedoch, dass man trotz der grundlegenden Unterschiede unter bestimmten Bedingungen sehr ähnliche Ergebnisse erzielen kann. Das wiederlegt die Aussage von NAGEL (2012), welcher kein Zusammenhang zwischen den Messungen beider Systeme herausstellen konnte. Welche Faktoren einen möglichen Einfluss auf die Vergleichbarkeit der Sensorsysteme haben, soll im Folgenden geklärt werden. Zur Prüfung des Fruchtart- und Termineinflusses auf die Korrelation wurde eine zweifaktorielle Varianzanalyse durchgeführt. Die Ergebnisse sind in Tabelle 4 aufgeführt. Tabelle 4: Modell 1 - Zweifaktorielle Varianzanalyse; abhängiger Faktor: Korrelationskoeffizent; feste Faktoren: Fruchtart, Termin; Interaktion: Fruchtart*Termin Quadratsumme Mittel der df vom Typ III Quadrate F-Wert Sig. Konstanter Term 20, , ,224 0,000*** Fruchtart 0, ,058 5,166 0,007** Termin 0, ,003 0,277 0,840 Fruchtart * Termin 0, ,006 0,545 0,740 Fehler 0, ,011 Gesamt 23, Fruchtarten: Weizen, Gerste, Roggen, Raps; Termine: , , , ; df = Freiheitsgrade, Sig. = Signifikanz Es wird deutlich, dass der Termin und die Termin-Fruchtart-Interaktion in diesem Modell keinen signifikanten Einfluss auf die Korrelationskoeffizenten haben. Das heißt, dass die Ähnlichkeit der Systeme in diesem Fall nicht abhängig vom Entwicklungsstadium allgemein oder vom Entwicklungsstadium der jeweiligen Fruchtarten ist, sondern nur von der Fruchtart selbst. Aufgrund der fehlenden Signifikanz des Termins und der Interaktion erfolgte eine Rückwärtsselektion des Modells. Das vereinfachte 2. Modell beinhaltet nur noch den Fruchtarteinfluss, welcher hochsignifikant ist (Anhang Tabelle). Zur Verdeutlichung des Fruchtarteinflusses werden in Tabelle 5 die geschätzten Randmittel des 2. Modells angegeben. Tabelle 5: Modell 2 - geschätzte Randmittel der einfaktoriellen Varianzanalyse; abhängiger Faktor: Korrelationskoeffizent; feste Faktoren: Fruchtart 95%-Konfidenzintervall Fruchtart Mittelwert Standardfehler Untergrenze Obergrenze Wintergerste 0,897 0,040 0,816 0,978 Winterroggen 0,876 0,032 0,809 0,942 Winterraps 0,698 0,040 0,617 0,779 Winterweizen 0,741 0,025 0,689 0,792 18

25 Bei Roggen und Gerste zeigt sich eine bessere Beziehung der Systeme als bei Weizen und Raps. Die breiten Vertrauensintervalle verdeutlichen jedoch, dass es auch innerhalb der Kulturen Unterschiede gibt. Diese Unterschiede sind auf eine hohe Schlagvarianz zurückzuführen. Für alle Kulturen bestehen somit Faktoren, die schlagspezifisch Einfluss auf die Vergleichbarkeit nehmen. Aufgrund einer zu geringen Datengrundlage können Einflüsse, wie Sorten-, Standort- oder weitere Umwelteffekte nicht für eine Erklärung herangezogen werden. Eine Erklärung bezüglich der unterschiedlichen Korrelationen der Systeme bleibt also über den Fruchtarteffekt hinweg offen. 8.2 Regressionskoeffizent Der Regressionskoeffizent zeigt die Steigung der Regressionsfunktion an, die den Zusammenhang beider Sensoren beschreibt (Tabelle Anhang). Er ist im Folgenden als ein Maß für die Auflösung der beiden Systeme zu verstehen. Es ist herauszustellen, inwiefern sich der Wert eines Sensors verändert, wenn sich der Wert des anderen Sensors um eine Einheit ändert. Zur Veranschaulichung kann man in Abbildung 11 zwei Regressionsfunktionen des Schlages 334 sehen. Aufgrund ansonsten fehlender Aussagekraft wurde auf die gleiche Achsenskalierung beider Systeme verzichtet. Zwischen den Terminen bleibt sie jedoch gleich. Abbildung 11: Regressionsfunktion für die Abhängigkeit des NDVI's vom BI; links :Schlag 334 / ; rechts :Schlag 334 / Es ist ersichtlich, dass am zweiten Termin der Anstieg deutlich geringer ist und somit eine Änderung des NDVI's eine größere Änderung des BI's nach sich zieht. Dieser Termineffekt auf den Regressionskoeffizenten wurde durch eine einfaktorielle Varianzanalyse geprüft und ist Tabelle 5 zu entnehmen. 19

26 Tabelle 6: Modell 3 - einfaktorielle Varianzanalyse; abhängiger Faktor: Regressionskoeffizent; fester Faktoren: Termin Quadratsumme Mittel der df F-Wert Sig. vom Typ III Quadrate Konstanter Term 0, ,128 78,981 0,000*** Termin 0, ,018 10,913 0,000*** Fehler 0, ,002 Gesamt 0, Termine: , , , ; df = Freiheitsgrade, Sig. = Signifikanz Das Modell 3 zeigt einen hochsignifikanten Termineffekt, der unabhängig von Schlag und Fruchtart vorliegt. Wie sich der Regressionskoeffizent zu den vier geprüften Terminen verhält, ist in Tabelle 5 aufgezeigt. Tabelle 7: Mittelwertvergleich der Regressionskoeffizenten zu dem jeweiligen Messtermin Termin Mittelwert RK Standardabweichung n , , , , , , , , n= Anzahl; RK = Regressionskoeffizent Der Mittelwertvergleich der Termine zeigt, dass bis zum der Regressionskoeffizent sinkt und am letzten Termin wieder steigt. Es kommt im vorliegenden Versuch mit steigendem Entwicklungsstadium bis zum zu einer abnehmenden Auflösung des GreenSeekers im Vergleich zum N-Sensor, welche am letzten Termin wieder steigt. Eine Wertung dieser Erkenntnis ist nur unter Vorbehalt zu treffen. Möglich wäre, dass bei sehr homogenen Beständen der N-Sensor aufgrund seiner größeren Spreizung der absoluten BI-Werte den Bestand besser differenziert. Die Vorteile einer besseren Differenzierung homogener Bestände vor dem Hintergrund einer bestandesgerechten Düngung sind jedoch für die Praxis nicht relevant. 8.3 Vergleichbarkeit der Systeme Zusätzlich zur Korrelation der Systeme sollen nun zwei Möglichkeiten vorgestellt werden, die die gesamte Messstrecke auf einem bestimmten Schlag und zu bestimmten Termin vergleich- 20

27 bar machen. Hierbei geht es nicht wie bei der Korrelation um einen absoluten Wert, sondern eher um eine Veranschaulichung beider Systeme über die Messstrecke Umrechnung über die Regressionsfunktion Die Regressionsfunktion beschreibt die termin- und schlagspezifische Beziehung beider Systeme und stellt somit einen möglichen Umrechnungsfaktor dar (Anhang Tabelle ). Zur optischen Vergleichbarkeit kommt es zu einer Anpassung der BI-Werte an die NDVI-Werte durch folgende Formel: Der angepasste BI entspricht dem Produkt aus Anstieg der Regressionsfunktion und dem normalen BI plus den Achsenabschnitt der Regressionsfunktion (BI_neu = Anstieg*BI+Achsenabschnitt). Aufgrund der Fülle an Daten werden im Folgenden exemplarisch zwei Messungen mit geringem und hohem Korrelationskoeffizienten dargestellt (Abbildung 12 & 13). Abbildung 12: Schlag 318 / : Vergleich beider Systeme durch Umrechnung des BI-Wertes über die termin- und schlagspezifische Regressionsfunktion ( y = 0,09375x + 0,26618); r = 0,62 21

28 Abbildung 13: Schlag 334 / : Vergleich beider Systeme durch Umrechnung des BI-Wertes über die termin- und schlagspezifische Regressionsfunktion (y = 0,172338x + 0,155421); r = 0,96 Die Abbildungen 12 und 13 zeigen, dass sich beide Systeme ähnlich verhalten, wenn es um die Detektion der Bestandsänderung geht. Die Zunahme und das Abfallen der Biomasse/N- Aufnahme in Fahrtrichtung ist in beiden Abbildungen in Grundzügen zu erkennen. Es ist ersichtlich, dass Unterschiede zwischen dem Schlag 318 (r = 0,62) und dem Schlag 334 (r = 0,96) vorhanden sind. Die Kurvenverläufe beider Indices in Abbildung 13 zeigen mehr Gemeinsamkeiten. Dies war zu erwarten, weil die Regressionsgleichung im Fall von Schlag 334 (r =0,96) die Beziehung beider Indices deutlich besser beschreibt als bei Schlag 318 (r = 0,62) und somit auch die Umrechnung besser funktioniert. In Abbildung 12 wird besonders in der Spur 1 deutlich, dass beide Systeme teilweise die Bestände anders bewerten. In dem Bereich zwischen 340m und 370m detektiert der GreenSeeker abnehmende Biomasse, während der N- Sensor einen Biomasseanstieg verzeichnet. Auch im Bereich zwischen 400m und 500m sind keine gleichen Tendenzen erkennbar. Bei beiden Abbildungen wird aber ebenfalls deutlich, dass der NDVI im Bezug auf den transformierten BI eine größere Amplitude aufweist und somit mehr schwankt sowie sensitiver auf 22

29 Änderungen reagiert. Welches der beiden Systeme in diesem Fall den Düngerbedarf des Bestandes am besten wiederspiegelt, kann nicht geschlussfolgert werden Agronomische Betrachtung Eine weitere Möglichkeit des optischen Vergleichs bieten die bedingten Formatierungen durch MS Excel. Es werden hierbei für jedes System Relativwerte aus den Mittelwerten des 10m Raster gebildet, die sich zwischen null und eins befinden. Der termin- und schlagspezifische Maximalwert des jeweiligen Systems beträgt hierbei eins. Danach erfolgt die Einfärbung des 10m Rasters in einer dreifarbig graduellen Farbskala (Rot-Gelb-Grün-Skala). Daraus resultiert eine Abstufung der Relativwerte von hohen (grün), über mittleren, zu kleinen Werten (rot). Wie auch im Fall der Umrechnung der Regressionsfunktion werden hier exemplarisch zwei Beispiele angegeben. Abbildung 14: Schlag 318 / : Ausschnitt agronomische Betrachtung (Spur 1); ein Raster entspricht 10m; Fahrtrichtung von links nach rechts; dreifarbig graduelle Farbskala zur Abstufung von relativen Mittelwerten Abbildung 15: Schlag 334/ : Ausschnitt agronomische Betrachtung (Spur 1); ein Raster entspricht 10 m; Fahrtrichtung von links nach rechts; dreifarbig graduelle Farbskala zur Abstufung von relativen Mittelwerten Wie auch schon im Vergleich durch die Umrechnung mittels der Regressionsgleichung wird die Ähnlichkeit der Ergebnisse beider Systeme gut sichtbar. Beim Schlag 318 (Abbildung 14) kommt es, wie der Korrelationkoeffizent von 0,62 vorhergehend vermuten ließ, zu einer mi- 23

30 nimal variierenden Abstufung der Farbskala. Teilweise werden Bereiche der Fahrgasse nicht gleich bewertet. Grundlegend ist der Zusammenhang zwischen Bestand und gemittelten Rastern jedoch erkennbar. Ein deutlicherer Zusammenhang liefert Abbildung 15. Die teilweisen identischen Abstufungen der Farbskala zeigen, was der Korrelationskoeffizent von 0,96 und die Umrechnung über die Regressionsfunktion schon vorher bewiesen haben: Die Detektion der Bestandesunterschiede funktioniert auf dem mit Wintergerste bestellten Schlag 334 durch beide Sensoren fast identisch. 24

31 9 Wiederholbarkeit der Messungen Um die Wiederholbarkeit der Messungen beider Systeme zu untersuchen, wurden am letzen Messtermin drei Überfahrten auf den Schlägen 202 und 318 durchgeführt. Nach der ersten regulären Messung folgte ca. 15 min später die zweite Messung. Die dritte Überfahrt wurde ca. 40 min später durchgeführt. Daraufhin erfolgte ein Vergleich der Messungen jeweils eines Systems untereinander. Die Auswertung folgte dem in Punkt Sieben geschilderten Ablauf wie beim Vergleich der beiden Systeme untereinander. Die Korrelation der Sensoren zu sich selbst sind in Tabelle 6 aufgeführt. Tabelle 8: Korrelationkoeffizenten der drei Wiederholungsmessungen untereinander Schläge NDVI = Normalized Differenzed Vegetation Index, BI = Biomasseindex Klar erkennbar ist, dass bei wiederholten Überfahrten systemunabhängig unterschiedliche Korrelationen vorliegen. Dies kann einerseits darauf zurückzuführen sein, dass die Frequenz der Messungen abhängig von der Geschwindigkeit ist und somit nicht in jedem Fall die gleichen Pflanzen erfasst wurden. Weiterhin kann das ungenaue GPS Signal dafür sorgen, dass die Messpunkte nicht exakt gleich im 10m Raster verteilt sind und somit eine Verschiebung im Raster möglich ist. Weiterhin sind die Umweltbedingen trotz der zeitlichen Nähe der Messungen nicht exakt die Gleichen. Wechselnde Bewölkung und die Änderung des solaren Zenitwinkels der Sonne können Gründe für die Schwankungen der Korrelationen zwischen den Überfahrten sein. GreenSeeker NDVI zu NDVI Zur Veranschaulichung der Wiederholungsmessungen sind in Abbildung 16 alle drei Überfahrten auf dem Schlag 318 dargestellt. N-Sensor BI zu BI Messungen 1 zu 2 1 zu 3 2 zu 3 1 zu 2 1 zu 3 2 zu ,80 0,80 0,83 0,64 0,76 0, ,85 0,89 0,92 0,98 0,96 0,98 25

32 Abbildung 16: Darstellung der drei Überfahrten des N-Sensors auf Schlag 318 ( Wdh: Wiederholungen) Aus der Abbildung 16 wird erkenntlich, dass die Tendenz aller drei Messungen identisch ist. Die Maxima und Minima der Kurvenausschläge sind jedoch unterschiedlich. Eine Wiederholbarkeit der Messungen ist somit gegeben, die Qualität jedoch von einer Vielzahl verschiedener Einzelfaktoren abhängig. 26

33 10 Schlussfolgerung Zusammenfassend betrachtet bestätigen die Untersuchungen dieser Arbeit die Hypothese, dass die Vegetationsindices gemessen mit dem Yara N-Sensor und dem AO GreenSeeker einen linearen Zusammenhang aufweisen. Der durchschnittliche Korrelationskoeffizent von 0,79 (± 0,12) zeigt, dass beide Sensorsysteme in unterschiedlichen Fruchtarten und zu unterschiedlichen Zeitpunkten vergleichbare Ergebnisse liefern. Einen signifikanten Einfluss auf die Korrelationskoeffizenten stellt hierbei die Fruchtart dar. Messungen in Roggen und Gerste weisen einen engeren linearer Zusammenhang auf, als in Weizen und Raps. Bezüglich der Auflösung (Spreizung) der Vegetationsindices konnte ein signifikanter Termineinfluss herausgestellt werden. Beide Sensoren reagieren somit in unterschiedlichen Entwicklungsstadien der Pflanzen mehr oder weniger sensitiv auf Bestandesveränderungen. Die Prüfung der Wiederholbarkeit der Messung zeigt, dass diese grundlegend gegeben ist, jedoch von viele Faktoren abhängig ist und somit sensorunspezifisch variiert. Für den Einsatz beider Geräte unter den gegebenen Versuchsbedingungen gilt: Während des Schossens werden Pflanzenbestände ähnlich differenziert und somit eine vergleichbare Datengrundlage für die Düngung geschaffen. Dies konnte durch die Umrechnung der Vegetationsindices über die Regressionsfunktion sowie durch die agronomische Betrachtung bestätigt werden. Für zukünftige Betrachtungen bezüglich der Stickstoffsensorik wären somit praxisrelevantere Fragestellungen von größerer Bedeutung. Die Umsetzung der sensorbasierten Düngewerte durch den Düngerstreuer oder die Auswirkungen von Mikroheterogenitäten in Pflanzenbeständen auf die Düngerausgabe sind Ansatzpunkte, die von großem Interesse für die Praxisanwendung der Stickstoffsensoren sind. 27

34 11 Literaturverzeichnis Agri Con GmbH (2014). ( small_image/300x/9df78eab33525d08d6e5fb8d27136e95/y/a/yara_n_sensor_als_freigestellt_ 2.jpg, Zugriff: ) Bosch, J. (2011). Leitfaden Greenseeker "Düngung" (Anwenderinformation, Pfarrkirchen) Campbell, G. S., Norman, J. M. (1998). An Introduction to Environmental Biophysics (Springer, Berlin), 286 Csaplovics, E. (2008). Fernerkundung 1 (Arbeitsblätter zur Vorlesung, Vorlesung 7, Technische Universität Dresden ( fakultaet_forst_geo_und_hydrowissenschaften/fachrichtung_geowissenschaften/ipf/fern/studium/s kript-datein/scripte%20fe-1/fe-1_7.pdf, Zugriff: )), 6 Gandorfer, M. (2006). Bewertung von Precision Farming dargestellt am Beispiel der teilflächenspezifischen Stickstoffdüngung (Ph. D. Dissertation, Technische Universität München), 9 Google Mapsv (2014) ( Zugriff ) Haferkorn, H. (2003). Optik (Wiley-VCH, Weinheim), 13 Heldt, H.-W., Piechulla, B. (2008). Pflanzenbiochemie (Spektrum Akademischer Verlag, Heidelberg) Hildebrandt, G. (1996). Fernerkundung und Luftbildmessung: Für Forstwirtschaft, Vegetationskartierung und Landschaftsökologie (Wichmann, Heidelberg), 5-7 Jones, H. G., Vaughan, R. A. (2010). Remote sensing of vegetation (Oxford University Press, Ney York),12-35, LBGR- Landesamt für Bergbau, Geologie und Rohstoffe Brandenburg (2013). ( 2013, Zugriff ) Leser, H. (1994). Biomasse und Tragfähigkeit in Afrika - ein methodisches Problem der Landschaftsökologie (Veröffentlichungen des 19. Basler Geomethodischen Colloquium), 163 Lilienthal, H., Richter, N., Jarmer T., Siegmann, B., Selige, T., Höfle, B. (2012). Simulation landwirtschaftlicher Online-Sensorik mit Hilfe abbildender Hyperspektraldaten (Berichte, B. 28

35 A. 17. und 18. Workshop Computer-Bildanalyse in der Landwirtschaft Computerised Image Analysis In Agriculture), 71 Lilienthal, H. (2012). Optische Sensoren in der Landwirtschaft: Grundlagen und Konzepte (Folienserie, 1.Julius-Kühn-Symposium, Julius Kühn-Institut Quedlinburg) LUBW - Landesanstalt für Umwelt, Messungen und Naturschutz Baden-Württemberg (2011). ( Zugriff: ) Montzka, C. (2007). Einsatz von multispektralen Satellitenbilddaten in der Wasserhaushaltsund Stoffstrommodellierung - dargestellt am Beispiel des Ruhreinzugsgebietes (Forschungszentrum Jülich, Bonn), 57 Nagel, J. H. (2012). Sensorsysteme zur Bestandesführung im Vergleich ( Bachelorthesis, Hochschule für Angewandte Wissenschaft Kiel) NTech Industries Inc. (2008). Data Sheet Model 500 GS Sensor (Herstellerinformation, Ukiah CA) Pedrotti, F., Pedrotti, L., Bausch, W., Schmidt, H. (2008). Optik für Ingenieure: Grundlagen (Springer, Berlin), Pettorelli, N. (2013). The Normalized Difference Vegetation Index ( Oxford University Press, Oxford), Reusch, S. (1997). Entwicklung eines reflexionsoptischen Sensors zur Erfassung der Stickstoffversorgung landwirtschaftlicher Kulturpflanzen (Dissertation, Christian Albrechts Universität Kiel), Reusch, S. (2005). Optimum waveband selection for determining the nitrogen uptake in winter wheat by active remote sensing (5th European Conference on Precision Agriculture, Uppsala) Rouse, J.W., Haas, R.H., Schell, J.A., Deering, D.W. (1973). Monitoring Vegetation Systems in the Great Plains with ERTS (Third ERTS Symposium, NASA SP-351), Yara GmbH & Co. KG. (2012). Yara N-Sensor Teilfächenspezifische Stickstoffdüngung (Herstellerinformation,Dülmen) 29

36 Anhang Modell 2 - Einfaktorielle Varianzanalyse; abhängiger Faktor: Korrelationskoeffizent; fester Faktor: Fruchtart Quadratsumme Mittel der df F-Wert Sig. vom Typ III Quadrate Konstanter Term 20, , ,224 0,000*** Fruchtart 0, ,074 7,755 0,000*** Fehler 0, ,009 Gesamt 23, Fruchtarten: Weizen, Gerste, Roggen, Raps; df = Freiheitsgrade, Sig. = Signifikanz Steigungen der Regressionsfunktion (Regressionskoeffizenten: R²) Schlag Fruchtart Sorte Aussaat 20.Apr 28.Apr 04.Mai 18.Mai 1. Wdh 2. Wdh 318 WW Julius 21. Sep 0,79 0,73 0,85 0,77 0, WW Chevalier 02. Okt 0,84 0,91 0,89 0,84 0,90 0, WW Brilliant 15. Okt 0,91 0,94 0,93 0, WG Leibnitz 18. Sep 0,93 0,90 0, WG Antonella 14. Sep 0,97 0,98 0, WR Guttino 12. Okt 0,93 0,93 0, WR Brasetto 26. Sep 0,91 0,89 0, WR Brasetto 05. Okt 0,98 0,97 0, WRaps Visby 24. Aug 0,90 0, WRaps Adriana 20. Aug 0,79 0, WRaps ES Astrid 17. Aug 0,87 0,75 WW= Winterweizen, WG = Wintergerste, WR= Winterroggen, WRaps = Winterraps

37 Selbstständigkeitserklärung Hiermit erkläre ich, dass ich die vorliegende Bachelorarbeit selbständig verfasst und gelieferte Datensätze, Zeichnungen, Skizzen und graphische Darstellungen selbstständig erstellt habe. Ich habe keine anderen Quellen als die angegebenen benutzt und habe die Stellen der Arbeit, die anderen Werken entnommen sind - einschl. verwendeter Tabellen und Abbildungen - in jedem einzelnen Fall unter Angabe der Quelle als Entlehnung kenntlich gemacht. Rostock, Florian Andres