1.7 Sensorik

Die Augen moderner Agrardrohnen

Sensoren als Grundlage der Präzisionslandwirtschaft

Einleitung

Der eigentliche Wert einer Agrardrohne liegt nicht in ihrer Flugplattform, sondern in der Qualität der erfassten Daten. Während Flugsteuerung und Navigation dafür sorgen, dass eine Mission präzise durchgeführt wird, liefern die Sensorsysteme die Informationen, auf deren Grundlage landwirtschaftliche Entscheidungen getroffen werden.

Erst moderne Sensorik macht aus einer Drohne ein Messsystem.

Je nach Fragestellung kommen unterschiedliche Sensortechnologien zum Einsatz:

RGB-Kameras
Thermalkameras
Multispektralkameras
Hyperspektralsensoren
LiDAR-Systeme
RTK-GNSS

Diese Sensoren ergänzen sich gegenseitig und ermöglichen eine umfassende Bewertung landwirtschaftlicher Flächen.

Grundlagen der elektromagnetischen Strahlung

Alle optischen Sensoren arbeiten mit elektromagnetischer Strahlung.

Das elektromagnetische Spektrum umfasst unter anderem:

Bereich	Wellenlänge
Ultraviolett	100–400 nm
Sichtbares Licht	400–700 nm
Nahes Infrarot (NIR)	700–1300 nm
Kurzwelliges Infrarot	1300–2500 nm
Thermalinfrarot	8–14 µm

Während das menschliche Auge lediglich den sichtbaren Bereich wahrnimmt, erfassen moderne Sensorsysteme deutlich größere Spektralbereiche.

Dadurch werden Informationen sichtbar, die dem Menschen verborgen bleiben.

RGB-Kameras

Der Standard für Luftbildaufnahmen

RGB-Kameras gehören zur Grundausstattung nahezu jeder Drohne.

Sie erfassen Licht in den drei Farbkanälen:

Rot
Grün
Blau

Dadurch entstehen Bilder, wie sie auch das menschliche Auge wahrnimmt.

Einsatzgebiete

RGB-Aufnahmen eignen sich besonders für:

Dokumentation
Feldübersichten
Schadenskartierung
Orthofotos
Photogrammetrie
3D-Rekonstruktion

Vorteile

hohe Auflösung
kostengünstig
einfache Auswertung
natürliche Farbdarstellung
ideal für OpenDroneMap

Grenzen

Viele Pflanzenkrankheiten verändern zunächst die Photosynthese, bevor sichtbare Farbänderungen auftreten.

RGB-Kameras erkennen diese frühen Veränderungen häufig nicht.

Thermalkameras

Temperatur sichtbar machen

Thermalkameras messen nicht reflektiertes Licht, sondern die von Objekten abgegebene Wärmestrahlung.

Dadurch entstehen Temperaturkarten.

Anwendungen

In der Landwirtschaft:

Trockenstress
Bewässerung
Wildrettung
Stallüberwachung
Defekte Beregnungsanlagen

Beispiel

Eine Pflanze mit Wassermangel schließt ihre Spaltöffnungen.

Die Verdunstung nimmt ab.

Dadurch steigt:

die Blattoberflächentemperatur.

Eine Thermalkamera erkennt diesen Unterschied häufig mehrere Tage bevor sichtbare Schäden auftreten.

Vorteile

unabhängig vom sichtbaren Licht
arbeitet auch bei Dämmerung
erkennt Temperaturunterschiede
ideal für Rehkitzrettung

Nachteile

geringere Auflösung
aufwendige Kalibrierung
Umwelteinflüsse berücksichtigen

LiDAR

Laserbasierte Entfernungsmessung

LiDAR steht für:

Light Detection And Ranging

Ein Laser sendet mehrere hunderttausend Lichtimpulse pro Sekunde aus.

Aus der Laufzeit des reflektierten Lichtes wird die Entfernung berechnet.

Ergebnis

Es entstehen:

Punktwolken
Geländemodelle
Oberflächenmodelle
Vegetationsmodelle

Anwendungen

LiDAR eignet sich besonders für:

Waldinventur
Biomasse
Baumhöhen
Geländevermessung
Erosionsanalysen
Drainagen

Vorteile

extrem präzise
unabhängig von Texturen
auch unter Vegetation nutzbar
hohe Genauigkeit

Nachteile

hohe Anschaffungskosten
große Datenmengen
leistungsfähige Rechner erforderlich

RTK-GNSS

Zentimetergenaue Navigation

RTK bedeutet:

Real Time Kinematic

Im Gegensatz zum normalen GPS werden Korrekturdaten einer Referenzstation genutzt.

Dadurch verbessert sich die Positionsgenauigkeit erheblich.

Typische Genauigkeiten

Verfahren	Genauigkeit
GPS	3–10 Meter
DGPS	0,5–2 Meter
RTK	1–3 Zentimeter

Bedeutung

RTK ist entscheidend für:

wiederholbare Missionen
Orthofotos
Photogrammetrie
Applikationskarten
Vermessung

Komponenten

GNSS-Empfänger
Basisstation
Rover
Korrekturdaten
Mehrfrequenzempfänger

Multispektralsensoren

Mehr sehen als das menschliche Auge

Multispektralkameras messen mehrere ausgewählte Wellenlängenbereiche.

Typische Kanäle:

Blau
Grün
Rot
Red Edge
Nahes Infrarot

Vegetationsindizes

Bekannte Beispiele:

NDVI
GNDVI
NDRE
SAVI
EVI

Diese liefern Informationen über:

Chlorophyll
Photosynthese
Stickstoffversorgung
Pflanzenstress
Biomasse

Vorteile

etablierte Technik
relativ kompakt
schnelle Auswertung
ideal für Precision Farming

Hyperspektralsensoren

Spektrale Fingerabdrücke

Hyperspektralkameras messen nicht fünf oder sechs Kanäle,

sondern häufig:

100

200

300

oder sogar über 400 Spektralbänder.

Dadurch besitzt jedes Objekt einen nahezu eindeutigen spektralen Fingerabdruck.

Anwendungen

Hyperspektralsensoren ermöglichen unter anderem:

Pflanzenarten unterscheiden
Krankheiten erkennen
Nährstoffanalysen
Bodenuntersuchungen
Forschung
Qualitätskontrolle

Vorteile

höchste Informationsdichte
wissenschaftliche Anwendungen
sehr präzise Analysen

Nachteile

sehr teuer
enorme Datenmengen
komplexe Auswertung
KI-Verfahren häufig erforderlich

Vergleich der Sensoren

Sensor	Hauptaufgabe
RGB	Dokumentation und Photogrammetrie
Thermal	Temperaturmessung
LiDAR	3D-Geometrie
RTK	Positionierung
Multispektral	Vegetationsanalyse
Hyperspektral	Wissenschaftliche Analysen

Sensorfusion

Die größte Stärke moderner Agrardrohnen liegt in der Kombination mehrerer Sensoren.

Ein Beispiel:

RGB
↓
Orthofoto
Multispektral
↓
NDVI
Thermal
↓
Trockenstress
RTK
↓
Georeferenzierung
LiDAR
↓
3D-Höhenmodell

Erst die Zusammenführung dieser Informationen ermöglicht eine präzise Bewertung des Pflanzenbestands und unterstützt fundierte Entscheidungen im Precision Farming.

Zukunft der Sensorik

Die Entwicklung geht in Richtung integrierter Sensorsysteme, die mehrere Messverfahren in einer Plattform vereinen. Künstliche Intelligenz unterstützt zunehmend die automatische Auswertung großer Datenmengen und erkennt Muster, die mit klassischen Verfahren kaum zu identifizieren wären.

Zukünftige Agrardrohnen werden voraussichtlich standardmäßig mehrere Sensoren gleichzeitig tragen und deren Daten in Echtzeit fusionieren. Dies eröffnet neue Möglichkeiten für die Erkennung von Pflanzenkrankheiten, die Optimierung der Bewässerung und die Erstellung präziser Ertragsprognosen.