Drohnen, Sensoren, Algorithmen: Wie KI den Weinberg neu erfindet

Es ist kurz nach sechs Uhr morgens, als die Drohne über die Reben des Weinguts Sander in Rheinhessen aufsteigt. Kein Pilot hält die Fernbedienung in der Hand — das Fluggerät folgt einem vorprogrammierten Kurs, millimetergenau abgesteckt per GPS. Unten schlafen die Mitarbeiter noch. Oben entstehen bereits Daten, die den Herbst entscheiden werden.

Was Präzisionsviticulture wirklich bedeutet

Präzisionsviticulture — auf Deutsch manchmal holprig als „teilflächenspezifischer Weinbau“ bezeichnet — ist kein Modebegriff, sondern eine grundlegende Verschiebung in der Art und Weise, wie Winzer ihre Flächen bewirtschaften. Der Kern der Idee ist simpel: Ein Weinberg ist kein homogenes Feld. Selbst auf einer einzigen Parzelle von zwei Hektar variieren Bodentyp, Wasserhaltekapazität, Nährstoffverfügbarkeit und Sonneneinstrahlung erheblich. Wer all diese Zonen gleich behandelt, verschenkt Potenzial — und erzeugt im schlimmsten Fall ungleichmäßige Qualität.

Früher glich man diese Unterschiede durch Erfahrung aus. Der Winzer kannte seinen Weinberg, wusste welche Ecke zuerst reif wird, welche Reihe zur Überhitzung neigt. Dieses implizite Wissen ist wertvoll — aber begrenzt. Es lässt sich nicht skalieren, nicht dokumentieren, nicht übertragen. Genau hier setzt die Technologie an.

Drohnen als fliegende Laboratorien

Die Drohnen, die heute über Weinberge fliegen, sind keine Spielzeuge. Ausgestattet mit Multispektral- oder Hyperspektralkameras erfassen sie Wellenlängenbereiche jenseits des sichtbaren Lichts. Das Ergebnis sind NDVI-Karten — der Normalized Difference Vegetation Index misst die Vitalität der Pflanzen, indem er das Verhältnis von reflektiertem Nah-Infrarot zu rotem Licht auswertet. Gesunde, chlorophyllreiche Blätter reflektieren Infrarot stark; gestresste oder erkrankte Pflanzen deutlich weniger.

Beim Weingut Sander in Bechtheim fliegen solche Drohnen seit 2022 systematisch über alle Parzellen. „Wir haben damit Zonen identifiziert, die wir vorher nicht kannten“, sagt Philipp Sander. Eine Ecke im Gewann Geyersberg zeigte über drei Jahrgänge konstant niedrigere NDVI-Werte. Bodenproben ergaben erhöhten Tonanteil mit schlechter Drainage — eine Information, die nun die Erntestrategie für diese Zone prägt: früherer Schnitt, gezieltere Begrünung, separate Lese.

Sensornetzwerke im Boden

Parallel zur Luft wird der Boden vermessen. Kapazitive Bodensensoren messen stündlich Feuchtigkeitsgehalt und Temperatur in verschiedenen Tiefen. Mikrowetterstationen erfassen Temperatur, Luftfeuchte, Windgeschwindigkeit und Blattnässe — letzteres ein entscheidender Parameter für die Ausbreitung von Pilzkrankheiten wie Peronospora oder Oidium. Verbunden über LoRaWAN-Funknetze, die auch ohne Mobilfunkabdeckung über mehrere Kilometer funktionieren, senden diese Sensoren ihre Daten in Echtzeit an eine zentrale Plattform.

Das Château Pichon Baron im Bordelais Pauillac betreibt seit 2019 ein solches Netzwerk mit über 200 Sensorpunkten. Die Daten werden in ein Dashboard integriert, das dem Kellermeister morgens einen Überblick über den Pflanzengesundheitszustand jeder einzelnen Parzelle gibt. Bewässerungsentscheidungen — im Bordelais für Jungpflanzen erlaubt — werden nicht mehr nach Kalender, sondern nach gemessener Bodentrockenheit getroffen.

Satelliten und der Blick von oben

Noch eine Ebene höher operieren Satelliten. ESAs Sentinel-2-Mission liefert alle fünf Tage kostenlose Multispektralbilder mit zehn Meter Bodenauflösung — ausreichend für erste Orientierung, aber zu grob für parzellengenaue Entscheidungen. Kommerzielle Anbieter wie Planet Labs oder Maxar bieten tagesaktuelle Aufnahmen mit unter einem Meter Auflösung an. Dienste wie TerraClear oder Scouting-Plattformen aggregieren diese Daten und übersetzen sie in praxistaugliche Empfehlungen.

Besonders wertvoll ist die zeitliche Dimension: Wer drei oder vier Jahrgänge Satellitenbilder übereinanderlegt, erkennt strukturelle Muster, die einzelne Beobachtungen verdecken. Wo leidet die Vegetation regelmäßig im August? Welche Parzellen sind konsistent früher reif? Solche Analysen erlauben eine Neubewertung ganzer Bewirtschaftungskonzepte.

KI-gestützte Ernteprognosen

Der nächste Schritt ist die Vorhersage. Mehrere Start-ups — darunter Fruition Sciences aus Montpellier und Tule Technologies aus Kalifornien — haben Modelle entwickelt, die aus Sensordaten, Wetterdaten und historischen Erntezahlen den optimalen Lesezeitpunkt vorhersagen. Eingabe sind Faktoren wie akkumulierte Wärmeeinheiten seit Austrieb, aktueller Zuckergehalt (per Refraktometermessungen im Feld), Säurewerte und Witterungsvorhersage für die kommenden 14 Tage. Das Modell errechnet ein Erntedatum mit einer Genauigkeitstoleranz von zwei bis drei Tagen.

In großen Betrieben, wo die Logistik des Lesens Wochen im Voraus geplant werden muss, ist das ein erheblicher Vorteil. Beim deutschen Großbetrieb Weinmanufaktur Untertürkheim, der über 200 Hektar bewirtschaftet, reduzierte die algorithmisch gestützte Leseplanung laut eigenem Bericht die Anzahl kostspieliger Nachlesen erheblich.

Kritische Einordnung

So bestechend die Technologie ist — sie löst keine Grundsatzfragen. Präzisionsviticulture optimiert, was vorhanden ist. Sie kann keine schlechten Lagen verbessern, keine falschen Rebsorten ersetzen, keinen schlechten Jahrgang in einen guten verwandeln. Und sie bringt neue Abhängigkeiten: Wer sein Betriebswissen in proprietären Softwareplattformen speichert, gibt Kontrolle ab.

Hinzu kommt die Frage der Verhältnismäßigkeit. Für ein Weingut mit fünf Hektar und persönlichem Bezug zu jeder Rebe ist der Aufwand eines vollständigen Sensornetzwerks kaum zu rechtfertigen. Für Betriebe ab etwa 20 Hektar, die konsequent Qualitätswein anstreben, rechnet sich die Investition nach Herstellerangaben innerhalb von drei bis fünf Jahren — durch Einsparungen bei Pflanzenschutzmitteln, Wasser und Arbeitszeit.

Was bleibt, ist die Erkenntnis: Der Weinberg war immer ein Informationssystem. Neu ist, dass wir anfangen, seine Sprache vollständiger zu verstehen.