KI vs. Prognosemodell: Wer schätzt die Maisabreife besser?

Moin liebe Spatenwühler,

Ein bekannter YouTuber stellte kürzlich fest, dass der Silomais vielerorts weiter in der Abreife ist als erwartet. Diese Beobachtung weckte bei mir Erinnerungen an die zahlreichen Prognosemodelle, die Züchterhäuser und Beratungsorganisationen für die Abschätzung des Erntezeitpunktes anbieten. Als Berater bin ich täglich mit der Frage konfrontiert, wie ich Landwirt*innen so unterstütze, dass ihre tägliche Arbeit leichter wird. Dabei hilft auch die Abschätzung des optimalen TS‑Gehalts für die Maisernte. Da ich viel mit Künstlicher Intelligenz (KI) arbeite, lag es nahe, sie als Hilfsmittel dafür zu testen. Also war die Idee geboren: KI vs. Modell? Bevor ich jedoch die KI ins Spiel bringe, lohnt sich ein Blick auf  ein gängiges Prognosemodell. In diesem Beitrag zeige ich dir, wie du KI heute schon sinnvoll im Alltag nutzen kannst.

Prognosemodelle: MaisProg des Deutschen Maiskomitees (DMK)

In den vergangenen Jahren sind digitale Werkzeuge entstanden, die den optimalen Erntezeitpunkt abschätzen. Einige Züchter bieten solche Tools kostenlos an. Achte dabei auf Daten und Rechte: Was „kostenlos“ ist, wird oft mit Daten bezahlt – das kann Vorteile (Komfort, Vergleichbarkeit) und Risiken (Datenhoheit) haben.

Wie funktioniert MaisProg? Die „Regionale Erntezeitprognose für Silomais“ liefert in der Basisversion regionale Durchschnittswerte. In der (kostenlosen) Premium‑Variante lassen sich Sorte, Aussaattermin, Bodenart, nutzbares Wasser und regionale Klimadaten hinterlegen. Das Modell berücksichtigt das Abreifeverhalten aktueller Sorten und berechnet daraus den aktuellen TS sowie den voraussichtlichen Erntetermin. Für standort‑ und sortenspezifische Läufe ist das ein solides Werkzeug.

Wichtige Eckwerte zur Maisabreife

Bevor es um Modelle und KI geht, lohnt sich ein kurzer Blick auf die Zielwerte der Silomaisernte. Fachartikel betonen, dass der optimale Erntezeitpunkt vom TS‑Gehalt der Gesamtpflanze abhängt. Praxistaugliche Orientierungswerte:

• Kolbenreicher Mais: 37–38 % TS (Gesamtpflanze)
• Ausgeglichenes Kolben–Restpflanzen‑Verhältnis: 33–34 % TS
• Restpflanzenbetonter Mais: 31–32 % TS

Unter „normalen“ Witterungsbedingungen steigt die TS häufig um ≈ 3 % pro Woche, in Hitzephasen teils schneller. In der Beratung ist das Wärmesummenmodell verbreitet, das Sorte, Aussaatdatum, Bodenart, nutzbares Wasser und Klimadaten (Temperatur, Niederschlag, Globalstrahlung) einbezieht. Ergänzend helfen Feldschätzungen: Milchlinie/„schwarzer Punkt“ am Korn für den Kolben‑TS, Auswringen der Restpflanze für Stängel/Blätter. Als Zielkorridor für die Maissilage werden häufig 28–35 % TS (Gesamtpflanze) und 56–60 % TS (Korn) genannt – Werte, die sich in vielen Prognosesystemen widerspiegeln.

Mein Test mit ChatGPT

Da ich in meiner Arbeit regelmäßig KI nutze, lag die Frage nahe: Wie gut schätzt eine KI den TS‑Gehalt? Ich habe ChatGPT 5 im Thinking und Agentenmodus (Bezahlabo nötig) eingesetzt und einen präzisen Prompt formuliert. Berücksichtigt wurden:

• Sorte und FAO
• Ort/PLZ und Höhenlage
• Aussaatdatum
• Bodenart/Wasserversorgung
• Wetterdaten der letzten Wochen
• Ziel‑TS (z. B. 33 %)

Der Auftrag (sinngemäß):

„Berechne auf Grundlage der oben genannten Parameter den aktuellen TS‑Gehalt meines Silomaisbestandes. Nutze dazu ein Temperatursummen‑Modell und berücksichtige Temperatur, Niederschlag und Globalstrahlung für die Region. Gib zusätzlich den voraussichtlichen Erntetermin an und erläutere deine Vorgehensweise.“

Was passierte? Die KI griff auf Wetter‑ und Wachstumsdaten zurück, berechnete die Wärmesumme ab Aussaat und leitete daraus den wahrscheinlichen TS‑Gehalt ab.

Auszug aus der Berechnung (vereinfacht):

Angenommen: 32 % TS bei 1.450 °C·d  →  0,022 % TS je °C·d
Bisher erreicht: 1.243 °C·d
→ Modellierter TS ≈ (1.243 / 1.450) × 32 % ≈ 27,4 %

Berücksichtigt man die hohen Niederschlagsmengen im Juli und die unterdurchschnittliche Sonnenscheindauer, verzögert sich die Abreife für Norddeutschland (z. B. Raum Eutin). Es ergibt sich ein voraussichtliches Erntedatum am 28. August. Ähnliches hat auch das MaisProg‑Modell berechnet. In verschiedenen Varianten habe ich KI und Modell gegeneinander getestet und war positiv überrascht: Die Abweichung lag meist bei ± 1 %. In der Praxis müssen wir jedoch davon ausgehen, dass Prognosemodelle/KI-Modell eine Abweichung von 2 bis 3 % haben.

Und ja: Vielleicht klingt das zunächst nicht spektakulär. Aber ich zitiere gern eine Aussage, die ich von vielen KI‑Expert*innen höre: „KI wird nie wieder so schlecht sein wie heute.“ Mit jedem Jahr, jeder Datengrundlage, jedem besseren Prompt werden die Ergebnisse robuster.

Daten sind das Futter der KI

Ich erinnere an meine Kolumne „Warum Daten das neue Futter sind“: KI ist nur so gut wie die Datenbasis. Wir reden viel über Digitalisierung, aber zu selten über das Futter: strukturierte, zugängliche, saubere Daten. Für die Landwirtschaft heißt das: Bodenproben, Wetterdaten, Erträge, Sortenwahl, Düngung, Hackzeitpunkte – idealerweise in offenen Formaten, über Schnittstellen vernetzbar und mit Datenhoheit beim Betrieb. Mein Bild dazu: Denkt Landwirtschaft wie Android – offen, kompatibel, erweiterbar.

Wofür ich heute schon KI bei meinen Kund*innen nutze

Aus meiner Praxis: von Logoerstellung über einen Wirtschaftlichkeitsrechner für regenerative (No‑Till‑)Landwirtschaft bis hin zu Milchviehauswertungen und einem ÖER2‑Prüfungsrechner mit vordefinierten Flächen, der lokal auf dem Rechner läuft. Diese Anwendungen sparen Zeit und heben die Qualität der Entscheidungen. Beim Thema Maisabreife ergänzt die KI die vorhandenen Prognosemodelle: individuell, transparent, schnell.

Fazit und Einladung zum Ausprobieren

Die Bestimmung des optimalen Erntezeitpunktes bleibt komplex. Wetter, Sorte, Boden und Wasserangebot wirken zusammen – kein Modell erfasst alles perfekt. Die Kombination aus Feldbegehung, Erfahrung, digitalen Modellen und KI‑Unterstützung liefert die besten Ergebnisse. Wer ein Bezahlmodell nutzt und den Agentenmodus aktiviert, erhält in der Regel zuverlässige Ergebnisse. Bitte beachte, dass Modelle immer eine Varianz von ± 2–3 % zu echten Messungen aufweisen. Sie sind und bleiben Hilfsmittel. Für dich habe ich meinen Prompt beigefügt, den du gern nutzen kannst, indem du die Lücken für deinen Betrieb individuell ausfüllst. Wie oben beschrieben musst du natürlich Sorte, Ort, Bodenart und Aussaatdatum anpassen.

Beispiel‑Prompt für ChatGPT (anpassen und im Agentenmodus ausführen)

Ich möchte den Trockensubstanzgehalt (TS %) meines Silomaisbestandes schätzen
und ein Erntefenster erhalten. Erkläre deine Schritte.

Sorte/FAO: Herculio (FAO 230)
Standort (PLZ, Höhe ü. NN): 31535 Neustadt am Rübenberge, 45 m
Aussaatdatum: 22.04.2025
Bodenart/Wasserversorgung: sandiger Lehm, normale Versorgung
Ziel‑TS (Gesamtpflanze): 33 %

Nutze eine Temperatursumme ab Aussaat und regionale Wetterdaten (Temperatur,
Niederschlag, Globalstrahlung). Beziehe Stressfaktoren (Hitze/Trockenheit)
mit ein. Antworte mit:
1) TS‑Schätzung heute (%)
2) Erntefenster (Spanne in Tagen)
3) Unsicherheit (± %-Punkte)
4) Begründung (Schritte/Annahmen)

Hinweis: Für reproduzierbar gute Ergebnisse empfehle ich ein Bezahlmodell* und den aktivierten ****Thinking‑/Agentenmodus****.*

Ich wünsche dir große Kolben und eine matschfreie Maisernte

Dein René Rempt