Fernerkundung, Drohnen und variable Applikation¶
Inhalt durch künstliche Intelligenz generiert — vor der Anwendung prüfen
Dieser Artikel wurde automatisch aus einer Sammlung von Literatur über Haselnuss unter Einsatz künstlicher Intelligenz zusammengestellt und kann Fehler oder veraltete Daten enthalten. Er dient als Ausgangspunkt für weitere Recherchen und nicht als fachlicher Rat. Dosierungen, Mittel und Zeitpunkte sind informativ und hängen von Sorte, Standort und geltenden Vorschriften ab — prüfen Sie diese unbedingt bei der Beratungsstelle und auf offiziellen Quellen, bevor Sie sie anwenden.
Die Fernerkundung (engl. remote sensing) und die Präzisionslandwirtschaft haben in den letzten zehn Jahren den Weg von akademischen Arbeiten in die tägliche Praxis fortschrittlicher Obstbaubetriebe gefunden. Für Haselnusszüchter bedeutet dies die Möglichkeit, eine Anlage von einigen Dutzend Hektar „von oben“ zu sehen — per Satellit oder Drohne — und darauf basierend nicht die gesamte Fläche gleichmäßig zu behandeln, sondern genau so viele Inputs, wie jeder Teil der Anlage tatsächlich benötigt. Dieser Artikel erklärt, wie Satelliten- und Drohnenaufnahmen funktionieren, was Vegetationsindizes wie der NDVI sind, wie Pflanzenstress früh erkannt wird und wie GPS-gesteuerte Fahrwege sowie die variable Applikation von Inputs (VRT) Einsparungen bei gleichzeitiger Entlastung der Umwelt ermöglichen.
Warum Fernerkundung in der Haselnussanlage¶
Die klassische Bestandsaufnahme einer Anlage stützt sich auf Begehungen und visuelle Schätzungen, was langsam, subjektiv und — mit wachsender Anlage — immer schwieriger durchzuführen ist. Die Überprüfung jedes einzelnen Baumes in großen Anlagen wird aufgrund der Kosten und des Zeitaufwands unpraktisch, und Laboranalysen liefern Antworten mit Verzögerung. Die Fernerkundung bietet drei entscheidende Vorteile:
- Abdeckung — die gesamte Anlage wird bei einem Überflug oder einem Satellitendurchgang erfasst.
- Objektivität — es wird reflektiertes Licht gemessen, nicht der subjektive Eindruck, sodass die Ergebnisse von Jahr zu Jahr vergleichbar sind.
- Termingerechtigkeit — Pflanzen unter Stress verändern die Lichtreflexion, bevor die Symptome mit bloßem Auge sichtbar sind, was die Reaktionszeit verkürzt.
Kroatische Quellen bestätigen dies direkt: Durch den Einsatz multispektraler Systeme „wird die Zeit zur Erkennung von stressausgesetzten Pflanzen verringert, sodass landwirtschaftliche Erzeuger rechtzeitig reagieren und möglichen größeren Schäden vorbeugen können“ (Glasilo biljne zaštite 3/2023).
Wie die Pflanze mit dem Sensor „spricht“: Spektrale Reflexion¶
Die Grundlage bildet die Physik des Blattes. Chlorophyll in einer gesunden Pflanze absorbiert einen großen Teil (über 90 %) des roten sichtbaren Lichts, das für die Photosynthese genutzt wird, während es aufgrund der Struktur des Blattgewebes nahes Infrarotlicht (NIR) stark reflektiert (ca. 50 %). Eine geschwächte Pflanze — aufgrund von Trockenheit, Mehltau, Schädlingsbefall oder Nährstoffmangel — absorbiert weniger rotes und reflektiert weniger Infrarotlicht als eine gesunde Pflanze. Genau diese Differenz wandeln Sensoren in Zahlen und Karten um.
Daher ist eine Standard-RGB-Kamera nicht ausreichend: Für eine fundierte Gesundheitsanalyse wird eine multispektrale (oder thermische/ hyperspektrale) Kamera benötigt, die auch unsichtbare Bereiche des Spektrums erfasst.
Satellitenaufnahmen: Günstige, regelmäßige Grundlage¶
Die in der Haselnussliteratur am häufigsten genannte Satellitenplattform ist der europäische Sentinel-2 (Copernicus-Programm, ESA). Seine Vorteile sind die Kostenfreiheit der Daten und die regelmäßige Wiederholung der Aufnahmen.
| Merkmal | Sentinel-2 | Drohne (UAV) |
|---|---|---|
| Räumliche Auflösung | ~10 m pro Pixel (sichtbar/NIR) | wenige cm pro Pixel |
| Frequenz | alle paar Tage (abhängig von Bewölkung) | nach Wunsch, auf Anfrage |
| Datentransfer | kostenlos | Kosten für Ausrüstung/Service |
| Analyseebene | Anlage / Zonen | einzelner Baum |
| Einschränkung | Wolken, grobe Auflösung | Batterie, Flugzeit, Genehmigungen |
In der Praxis ergänzen sich Satellit und Drohne: Der Satellit liefert eine günstige, regelmäßige Übersicht der gesamten Anlage und warnt, wo „etwas nicht stimmt“, und die Drohne wird anschließend gezielt in diese Zone geschickt, um detaillierte Aufnahmen einzelner Bäume anzufertigen. Studien weisen ausdrücklich darauf hin, dass kostengünstige und bodennahe Sensoren zur Entwicklung zuverlässigerer Kalibrierungen für Drohnen- und Satellitenmodelle dienen (Sensors, 2024).
Erwähnenswert ist auch, dass Fernerkundung zur Inventarisierung und Flächenkontrolle genutzt wird: In der türkischen Provinz Sakarya wurde durch NDVI-Klassifizierung von Satellitenaufnahmen eine Fläche von ca. 87.374 ha mit Haselnuss festgestellt, wovon nur 47.263 ha gesetzlich erlaubt waren (Planning and Controlling of Hazelnut Production Areas, 2013).
Vegetationsindizes: NDVI und seine „Verwandten“¶
Rohe spektrale Daten werden in Vegetationsindizes umgewandelt — einfache Verhältnisse der reflektierten Lichtmenge, die eine Karte der „Grünheit“ bzw. der photosynthetischen Aktivität erstellen.
NDVI — Normalized Difference Vegetation Index¶
Der bekannteste und am häufigsten verwendete Index. Er berechnet sich wie folgt:
NDVI = (NIR − Rot) / (NIR + Rot)
Beim Sentinel-2 sind dies die Bänder B08 (NIR, ~842 nm) und B04 (Rot, ~665 nm). Der Wert bewegt sich zwischen −1 und +1:
| NDVI-Wert | Typische Bedeutung |
|---|---|
| < 0 | Wasser, nackte/tote Oberfläche |
| 0 – 0,2 | nackter Boden, sehr spärliche Vegetation |
| 0,2 – 0,5 | moderate Vegetation / Stress |
| 0,5 – 0,8+ | dichte, vitale Vegetation |
Auf einer NDVI-Karte kennzeichnen grüne Bereiche ein vitales Wachstum, während gelb-rote Zonen Stress oder schwaches Wachstum anzeigen. Die Werte sind indikativ — sie hängen stark von der Kultur, der Phänophase und der Jahreszeit ab und sollten im Kontext der eigenen Anlage und nicht als absolute Schwellenwerte interpretiert werden.
Zusätzliche Indizes für mehr Präzision¶
Aufgrund der Grenzen des NDVI (Sättigung bei dichtem Kronendach, Bodeneinfluss) werden auch andere Indizes verwendet:
- SAVI (Soil-Adjusted VI) — führt einen Korrekturfaktor für die Helligkeit des Bodens ein; sehr nützlich in jungen Haselnussanlagen, wo die Pflanzenbedeckung gering ist und viel nackter Boden zwischen den Reihen sichtbar ist.
- NDRE (Red-Edge) — empfindlicher gegenüber Stickstoff- und Chlorophyllgehalt im entwickelten Kronendach; erfolgreich zur Erkennung ungleichmäßiger Bewässerung in Olivenhainen eingesetzt und kann vor Problemen warnen, bevor der NDVI dies tut.
- GNDVI, NDWI, EVI — Alternativen, die kroatische Quellen als Ergänzung zum NDVI für mehr Zuverlässigkeit nennen.
Praktischer Rat: In einer Anlage mit viel nackter Oberfläche zwischen den Reihen geben Sie SAVI den Vorzug, und für eine feinere Einschätzung der Ernährung des entwickelten Kronendachs sollten Sie NDRE in Betracht ziehen.
Stresserkennung: Wasser, Nährstoffe, Krankheiten und Schädlinge¶
Multispektrale und thermische Aufnahmen ermöglichen die frühzeitige Erkennung verschiedener Arten von Stress gleichzeitig:
- Wasserstress — Thermalkameras messen die Temperatur des Kronendachs; eine Pflanze, die ihre Spaltöffnungen aufgrund von Trockenheit schließt, wird wärmer. Daraus wird der Index für Wasserstress der Kultur (CWSI) berechnet. In Studien werden als Referenzwerte ein Stängelwasserpotential von ca. −6 bar, eine Blattleitfähigkeit von ~0,2 mol m⁻² s⁻¹ und ein CWSI von ~0,2 genannt (Sensors, 2024) — allesamt informativ und abhängig von Sorte, Standort und Kalibrierung.
- Nährstoffmangel — Durch hyperspektrale und multispektrale Aufnahmen können mikroskopische Bereiche mit Nährstoffmangel entdeckt werden, was eine punktgenaue Dosierung und geringere Verluste ermöglicht (Compendio di Vivaistica Forestale, 2023).
- Krankheiten und Schädlinge — Kameras können Rostflecken auf den Blättern und Pilzkrankheiten vor der Ausbreitung erkennen; Drohnen haben erfolgreich Stress infolge von Insektenbefall festgestellt. Der NDVI wird in der kroatischen Literatur mit der Überwachung der Vitalität der Anlage bei langanhaltender Trockenheit, Mehltau und anderen Faktoren in Verbindung gebracht.
Die Kernaussage: Der Index nennt nicht die Ursache, sondern zeigt wo das Problem liegt. Die Karte lenkt den gezielten Begehungsplan vor Ort (engl. ground-truthing), und erst die Diagnose am Ort des Geschehens oder die Laboranalyse bestätigt, worum es sich handelt.
GPS-Führung und präzise Navigation¶
Die zweite Säule der Präzisionslandwirtschaft ist GPS (Global Positioning System). Kroatische Quellen nennen drei miteinander verbundene Systeme: GPS zur Navigation, GIS zur Speicherung und Analyse räumlicher Daten sowie VRT (Variable Rate Technology) für die variable Applikation (Glasilo biljne zaštite 3/2023).
Was GPS in der Anlage bringt:
- Präzise Maschinenführung durch Autopilot reduziert Überlappungen bei den Durchgängen. GPS-gesteuerte Traktoren reduzieren die Düngerüberlappung um ca. 10–15 %, was direkt Inputs und Kraftstoff spart.
- Kartierung von Problemen — Bereiche mit Krankheits-, Schädlings- oder Unkrautbefall können genau lokalisiert und wieder aufgefunden werden.
- Rückverfolgbarkeit — durch GPS-Lokalisierung ist eine vollständige Rückverfolgbarkeit der Produktion für jeden Teil der Anlage möglich.
GIS dient dabei als „Gedächtnis“ des Betriebs: Darin werden Bodenkarten, NDVI-Aufnahmen über die Jahreszeiten hinweg und Aufzeichnungen der Maßnahmen zusammengeführt, was eine Raumeinteilung und wirtschaftliche Bewertungen ermöglicht (Beispiele für die Nutzung von ArcGIS und Geostatistik-Kriging bei der Analyse der Bodenfruchtbarkeit in Ostkroatien).
Variable Input Application (VRT): Von der Karte zur präzisen Dosis¶
Der Höhepunkt des gesamten Prozesses ist die variable Anwendung — der Input wird nicht gleichmäßig verteilt, sondern „so viel, wann und wo“ es nötig ist. Die italienischen nationalen Leitlinien für die Präzisionslandwirtschaft definieren dies genau als variable Input-Anwendung im Sinne der Präzision: wann, wie viel und wo, mit dem Ziel, den chemischen und Wassereinsatz zu reduzieren (SRA24, 2023).
Der Arbeitsablauf sieht wie folgt aus:
- Erfassung — Satellit/Drohne sammelt multispektrale (und thermische) Daten.
- Indizes und Zonierung — Anhand von NDVI/SAVI/NDRE-Karten wird die Anlage in Zonen unterschiedlicher Vitalität unterteilt.
- Vorschriftenkarte (Prescription Map) — Jeder Zone wird eine Zielmenge an Dünger, Wasser oder Pflanzenschutzmittel zugeordnet.
- Anwendung — GPS-gesteuerte Maschinen (Streuwagen, Sprühgerät, Bewässerungssystem oder Drohne-Sprühgerät) ändern die Dosis automatisch basierend auf der Karte und der Position.
Düngungszonierung — wo VRT am meisten hilft¶
Die Düngung von Haselnüssen basiert ohnehin auf Bodenanalysen, Bodentyp, Anbaumethode, Alter und phenologischem Stadium der Anlage (Leitfaden für den Haselnussanbau, savjetodavna.gov.hr). VRT erweitert dies um die räumliche Dimension: Anstatt einer einzigen „durchschnittlichen“ Dosis für die gesamte Anlage erhalten schwächere Zonen mehr, vitale Zonen weniger. Richtwerte aus der Literatur, die als Ausgangspunkt für die Zonierung dienen können (alle informativ, abhängig von Sorte, Boden und Vorschriften/Label):
| Maßnahme / Phase | Richtwert aus der Literatur | Anmerkung |
|---|---|---|
| Meliorative Düngung (vor der Pflanzung) | 1.200–3.000 kg/ha NPK + 25–50 t/ha organisch | z. B. NPK 7-20-30 / 8-26-26 |
| Kalkung saurer Böden | 4–12 t/ha CaCO₃ | gemäß pH-Wert aus der Bodenanalyse |
| Stickstoff, junge Anlage (pro Baum) | 0,5 → 1,0 kg/Baum (1.–4. Jahr) | KAN 27 %, frühes Frühjahr |
| Volle Fruchtbarkeit (oberflächlich) | ~150 kg/ha K, ~20 kg/ha P, ~100 kg/ha N | gemäß Bodenanalyse |
| Blattzink (Zn-EDTA) | 1,0–1,5 kg/ha (Mikrogranulate) oder 2,0–3,0 L/ha (flüssig) | Sommer-Nachdüngung |
Gerade bei solchen Maßnahmen macht die variable Anwendung am meisten Sinn: Teure meliorative Düngung und Kalkung können basierend auf pH- und Fruchtbarkeitskarten zoniert werden, während Blatt- und Stickstoffnachdüngungen basierend auf NDVI/NDRE-Zonen der Vitalität erfolgen.
Drohnensprühung¶
Drohnen werden zunehmend auch für die Anwendung selbst genutzt, insbesondere dort, wo es schwierig ist, mit dem Traktor zu fahren. Eine Untersuchung der Sprühparameter von Drohnen in Haselnussanlagen untersuchte Arbeitsnormen in der Größenordnung von 1–3 L/da (Liter pro Dekare) in Flughöhen von etwa 1,5–2,0 m über der Krone (Determination of the Application Parameters of Spraying Drones, 2022) — diese Werte sind versuchsbasiert und hängen vom Mittel, den Düsen und den Bedingungen ab.
Wie viel gespart werden kann¶
Zahlen aus öffentlichen Quellen (orientierend, abhängig von Kultur, Ausrüstung und Ausgangsstatus):
- Präzisionslandwirtschaft kann zu bis zu ~25 % Einsparung bei den Kosten für Dünger und Pflanzenschutzmittel führen.
- Die variable Anwendung reduziert den Verbrauch von Dünger und Pestiziden typischerweise um 15–30 % bei einer Steigerung des Nettogewinns in der Größenordnung von 8–12 % pro Hektar.
- GPS-Leittechnik reduziert die Überlappung der Düngung um 10–15 %.
Neben der finanziellen Einsparung gibt es auch ökologische Vorteile: Weniger Chemikalien und Wasser bedeuten eine geringere Belastung von Boden und Grundwasser, was im Einklang mit den Zielen der EU-Politik und den nationalen Leitlinien für die Präzisionslandwirtschaft steht.
Praktische Empfehlungen und häufige Fehler¶
Empfehlungen
- Beginnen Sie kostengünstig: Kostenlose Sentinel-2 NDVI-Karten (z. B. über offene Plattformen) reichen für die erste Zonierung der Anlage ohne jegliche Investition aus.
- Erfassen Sie mehrmals während der Saison und verfolgen Sie Veränderungen, nicht nur ein einzelnes Bild — der Trend ist informativer als ein einzelner Wert.
- Führen Sie immer eine Prüfung vor Ort durch: Der Index zeigt wo, der Besuch vor Ort offenbart warum.
- Verwenden Sie in jungen Anlagen SAVI, um den Einfluss des nackten Bodens zu verringern.
- Speichern Sie alle Karten und Aufzeichnungen der Maßnahmen in einem GIS — der Wert der Daten steigt von Jahr zu Jahr.
Häufige Fehler
- Interpretation absoluter NDVI-Schwellenwerte „nach Regel“ ohne Berücksichtigung von Sorte, phenologischem Stadium und Standort.
- Erfassung bei schlechter Sonnengeometrie oder durch Wolken (Satellit) — die Daten werden unzuverlässig.
- Verlass nur auf eine RGB-Kamera zur Gesundheitsbeurteilung statt auf multispektrale Daten.
- Nicht kalibrierte Vorschriftenkarten → falsche Dosis; Werte aus der Literatur sind Ausgangspunkt, kein Rezept.
- Vernachlässigung der Vorschriften: Drohnensprühung und Anwendung von Mitteln unterliegen gesetzlichen Regelungen und der Mittelkennzeichnung — prüfen Sie die Zulassungen vor der Anwendung.
Galerie¶
Copernicus und kostenlose Satellitendienste für kroatische Obstbauern¶
Ein großer Teil der oben beschriebenen Analyse kann der kroatische Erzeuger ohne eine einzige Cent Investition durchführen. Das Programm Copernicus (EU/ESA) bietet das gesamte Archiv und neue Aufnahmen der Sentinel-Satelliten nach dem Prinzip der vollständigen, kostenlosen und offenen Datenverfügbarkeit an. Für den Obstbauert bedeutet dies, dass er eine Sentinel-2 NDVI-Aufnahme seines Grundstücks aus dem Browser im Webbrowser abrufen kann, ohne Installation und ohne Zahlung.
Welche kostenlosen Plattformen existieren¶
| Dienst | Angebot | Für wen geeignet |
|---|---|---|
| Copernicus Browser (dataspace.copernicus.eu) | Offizieller Browser des Copernicus Data Space Ecosystems; Sentinel-1/2/3/5P, fertige Layer (True/False Color, NDVI, NDWI…), Download von Aufnahmen | Für Anfänger — alles „auf Klick“ |
| EO Browser (Sentinel Hub) | Ähnlicher Browser mit Zeitverschieberegler, Datumsvergleich und benutzerdefinierten Skripten für Indizes | Für diejenigen, die Animationen und Zeitreihen wünschen |
| Google Earth Engine (GEE) | Programmierte Verarbeitung von Petabytes an Aufnahmen in der Cloud; monatliche Median-Kompositionen ohne Wolken | Für fortgeschrittene Benutzer und Agronomen |
| EDO — European Drought Observatory (JRC) | Karten und Zeitreihen der Dürre (kombinierter Dürreindex ~5 km, alle 10 Tage) | Verfolgung des Dürrerisikos für die Bewässerung |
| EFFIS | Frühwarnung und Verfolgung von Waldbränden | Anlagen in der Nähe von Wäldern/Risikogebieten |
| Copernicus Land Monitoring Service | Layer für Bodenbedeckung/Nutzung und Vegetationszustand | Planung und Rajonierung |
In wissenschaftlichen Arbeiten über Haselnüsse wird genau diese kostenlose Kette routinemäßig verwendet: Sentinel-2 liefert Aufnahmen mit einer Auflösung von 10 m alle ca. 5 Tage, und die Verarbeitung (Wolkenfilterung, monatliche Median-Kompositionen, Berechnung von NDVI/SAVI/EVI) läuft am häufigsten über Google Earth Engine (Lodato et al., 2024; Hunt AgTech, 2024). Slowenische und kroatische Autoren haben Sentinel-2 L2A-Aufnahmen von 10 m zur Verfolgung der Vitalität von Anlagen bei langanhaltender Dürre, Mehltau und Schädlingsbefall verwendet (Zbornik 64./67. seminara biljne zaštite).
Schritt für Schritt: NDVI für das eigene ARKOD-Grundstück¶
Ziel ist es, eine NDVI-Aufnahme genau des eigenen Grundstücks zu erhalten. Die Position des Grundstücks lässt sich am einfachsten über den ARKOD-Browser (arkod.apprrr.hr) bestimmen, wo die Grenzen und Koordinaten des eigenen ARKOD-Grundstücks sichtbar sind; diese Grenzen (oder die Katastergemeinde) werden dann in den Satellitenbrowser übertragen.
- Öffnen Sie den Copernicus Browser unter
dataspace.copernicus.euund erstellen Sie ein kostenloses Konto (die Registrierung ist für das Anzeigen und Herunterladen erforderlich). - Finden Sie das Grundstück — geben Sie den Ort oder die Koordinaten aus ARKOD in die Kartensuchleiste ein oder navigieren Sie manuell zu Ihrer Anlage. Laden Sie optional die Grundstücksgrenze als Polygon hoch (z. B. KML/GeoJSON, exportiert aus einem GIS).
- Wählen Sie Satellit und Datum — wählen Sie im Menü Sentinel-2 L2A (atmosphärisch korrigierte Ebene) und ein Datum mit niedriger Bewölkung; stellen Sie den Wolkenfilter auf z. B. < 10–30 %.
- Wählen Sie den NDVI-Layer — wählen Sie aus der Liste der fertigen Visualisierungen NDVI. Der Browser berechnet ihn aus den Bändern B08 (NIR) und B04 (rot) gemäß der Formel NDVI = (B08 − B04) / (B08 + B04). Grüne Zonen sind vital, gelb-rote warnen vor Stress.
- Verfolgen Sie die Zeitreihe — ändern Sie das Datum während der Saison und vergleichen Sie die Aufnahmen; Trend über mehrere Aufnahmen ist informativer als ein einzelnes Bild. Der EO Browser hat dafür auch einen Schieberegler und einen „Vorher/Nachher“-Vergleich.
- Laden Sie herunter oder exportieren Sie — speichern Sie die Aufnahme als Bild oder georeferenzierten GeoTIFF für die weitere Verarbeitung in einem GIS (QGIS ist kostenlos) und zur Erstellung von Vorschriftenkarten für VRT.
Praktischer Hinweis: Sentinel-2 sieht sehr junge Anlagen (jünger als ca. 4 Jahre) nicht zuverlässig, da die Krone im Verhältnis zum 10-m-Pixel klein ist (Lodato et al., 2024) — in solchen Fällen dient der kostenlose Satellit nur für eine grobe Orientierung, und für Details pro Baum ist weiterhin eine Drohne erforderlich. Darüber hinaus lohnt es sich, während der Saison den kombinierten Dürreindex von EDO für die eigene Region gelegentlich zu überprüfen und die Bewässerung abzustimmen.
Zusammenfassend bietet die Kombination aus ARKOD (wo ist das Grundstück) + Copernicus Browser/EO Browser (NDVI-Aufnahme) + EDO (Dürrerisiko) dem kroatischen Obstbauern ein vollständig kostenloses, wiederholbares Werkzeug für die erste Zonierung der Anlage — ohne Ausrüstung, Abonnement und spezielle Software.
Quellen¶
Dieser Artikel ist ein KI-zusammengefasster Text, der aus einem internen Literaturkorpus zur Haselnuss (RAG-Korpus) erstellt und durch öffentliche Internetquellen ergänzt wurde. Die wichtigsten verwendeten Quellen:
- Mitteilungsblatt Pflanzenschutz 3/2023 — HDBZ (multispektrale Aufnahme, NDVI, GPS/GIS/VRT, frühe Stresserkennung)
- Sammelband der Abstracts des 67. Seminars für Pflanzenschutz, 2025 (NDVI, Sentinel-2-Monitoring der Vitalität)
- Anbauführer für Haselnuss — Ministerium für Landwirtschaft / savjetodavna.gov.hr (Kriterien und Dosierungen der Düngung)
- Coupling Satellite-Derived Vegetation Indices… — https://doi.org/10.1080/15481603.2025.2578778 (NDVI aus Sentinel-2, Formel und Bereich)
- Hunt AgTech / Remote Sensing in Hazelnut Orchards — https://doi.org/10.3390/s25010288 (SAVI, Monitoring von Obstplantagen vs. Wäldern)
- Detection of Irrigation Inhomogeneities… (NDRE, UAV) — https://doi.org/10.3390/horticulturae10050516 (Wasserstress, thermische Indizes, CWSI)
- Low-cost crop stress monitoring (LOCOS/IRT) — https://doi.org/10.3390/s24237764 (Kalibrierung von Drohnen- und Satellitenmodellen, CWSI)
- Determination of the Application Parameters of Spraying Drones for Crop Protection in Hazelnut Orchards, 2022 (Parameter des Drohnen-Spritzens)
- Planning and Controlling of Hazelnut Production Areas with Remote Sensing, 2013 (NDVI-Klassifizierung von Flächen, Sakarya)
- Compendio di Vivaistica Forestale, 2023 (hyperspektrale Erkennung von Nährstoffmängeln, GPS-Nachverfolgbarkeit)
- SRA24 — Agricoltura di precisione, 2023 (Definition der variablen Applikation von Inputs; italienische/EU-Richtlinien)
- Blatt-Düngung der Haselnuss (Dosierungen Zn-EDTA) und Anbauführer für Haselnuss (meliorative Düngung, Kalkung)
- DroneDeploy — Identifying Crop Variability with Drones — https://www.dronedeploy.com/blog/identifying-crop-variability-with-drones
- Advexure — Aerial Multispectral Data: The Foundation of VRT — https://advexure.com/blogs/news/aerial-multispectral-data-the-foundation-of-variable-rate-technology-in-precision-agriculture
- K-State Agronomy eUpdate — Basics of remote sensing in precision agriculture — https://eupdate.agronomy.ksu.edu/article/the-basics-of-remote-sensing-in-precision-agriculture-664-7
- Farmonaut — GPS for Precision Farming — https://farmonaut.com/precision-farming/gps-for-precision-farming-7-powerful-ways-to-boost-yields
- AllyNav — Precision Agriculture GPS, Complete Guide — https://www.allynav.com/blog/precision-agriculture-gps/
- USDA ARS — Benefits and Evolution of Precision Agriculture — https://www.ars.usda.gov/oc/utm/benefits-and-evolution-of-precision-agriculture/
- Lodato et al. — In-Depth Analysis of a Hazelnut Agro-Industrial Context (Viterbo) — https://doi.org/10.3390/rs16071227 (Sentinel-2-Bearbeitung in Google Earth Engine, monatliche Median-Kompositen, Einschränkung bei jungen Anlagen <4 Jahre)
- Hunt AgTech / Hazelnut mapping detection system (optical + radar) — https://doi.org/10.1016/j.aiia.2024.05.001 (Sentinel-1/2-Bearbeitung in GEE, Wolken-Schwellenwert)
- Detection of Hazelnut Orchards with Sentinel-2 — https://doi.org/10.5194/isprs-archives-xlviii-4-w18-2025-301-2026 (Auflösung 10/20/60 m, Frequenz ~5 Tage, Indizes NDVI/SAVI/EVI)
- Sammelband der Abstracts des 64. und 67. Seminars für Pflanzenschutz (Sentinel-2 L2A 10 m, NDVI, Monitoring der Vitalität der Anlage)
- Copernicus Data Space Ecosystem / Copernicus Browser — https://dataspace.copernicus.eu/ und Dokumentation https://documentation.dataspace.copernicus.eu/Applications/Browser.html (kostenloser Zugang, NDVI aus Bändern B4/B8, Registrierung erforderlich)
- Sentinel Hub — EO Browser — https://www.sentinel-hub.com/explore/eobrowser/
- Copernicus Sentinel-2 — Data Space Ecosystem — https://dataspace.copernicus.eu/data-collections/copernicus-sentinel-missions/sentinel-2
- European Drought Observatory (EDO) / JRC — https://www.copernicus.eu/en/european-drought-observatory und https://joint-research-centre.ec.europa.eu/european-and-global-drought-observatories_en (kombinierter Dürreindex ~5 km / 10 Tage)
- EFFIS — European Forest Fire Information System (Copernicus EMS) — https://effis.jrc.ec.europa.eu/
- ARKOD-Browser — Agentur für Zahlungen in der Landwirtschaft, Fischerei und ländlichen Entwicklung — https://arkod.apprrr.hr/ und https://www.apprrr.hr/arkod/ (Identifizierung der Grenzen und Koordinaten der ARKOD-Parzelle)