KI kann jetzt helfen, Cannabisanbau aus dem Weltraum zu erkennen

Der Cannabisanbau wurde traditionell vom Boden aus überwacht. Regulierungsbehörden inspizieren lizenzierte Anlagen, Strafverfolgungsbehörden suchen nach illegalen Anbauflächen, und Produzenten verlassen sich auf Arbeiter und Sensoren, um die Pflanzenbedingungen zu beurteilen. Fortschritte in der Satellitenbildgebung und künstlichen Intelligenz fügen nun eine weitere Ebene hinzu: die Möglichkeit, den Cannabisanbau von oben zu analysieren.

Eine neue systematische Übersicht¹, die 105 Fernerkundungsstudien aus den Jahren 2020 bis 2025 untersucht, zeigt, wie weit die landwirtschaftliche KI bereits fortgeschritten ist. Forschende kombinieren Maschinelles Lernen mit Satelliten, Drohnen, Radar, hyperspektralen Kameras, Wärmebildgebung und LiDAR, um Pflanzen zu identifizieren, Erträge vorherzusagen, Stress zu erkennen und zu beobachten, wie sich die Vegetation im Laufe der Zeit verändert.

Unter diesen Studien befand sich ein besonders relevantes Beispiel für die Cannabisindustrie. Forschende in Indonesien zeigten, dass Maschinelles Lernen illegale Cannabisanbauflächen identifizieren konnte aus multitemporalen Satellitenbildern mit etwa 95 % Genauigkeit.

Die Bedeutung reicht über die Identifizierung illegaler Anbauflächen hinaus. Dieselben technologischen Fortschritte könnten künftig den lizenzierten Cannabisanbau, die Überwachung der Pflanzen­gesundheit, die Einhaltung von Vorschriften, das Wassermanagement und die Produktionsprognose unterstützen. Da KI zunehmend in den Cannabisanbau integriert wird, könnte die Fernerkundung eine weitere Datenquelle werden, die diese Systeme speist.

Wie Satelliten Cannabisanbau erkennen können

Ein Satellit muss nicht die charakteristische Form eines Cannabiskrauts fotografieren, um ein Cannabelfeld zu erkennen. Stattdessen können Fernerkundungssysteme Eigenschaften der Vegetation messen, die für das menschliche Auge unsichtbar oder schwer zu unterscheiden sind.

Multispektrale Satelliten erfassen reflektierte Energie über mehrere Wellenlängen. Diese Messungen liefern Informationen über die Dichte der Vegetation, die Chlorophyllaktivität, Feuchtigkeit, die Pflanzenstruktur und weitere biologische Merkmale.

Die in der Übersicht zusammengefasste indonesische Cannabistudie nutzte Sentinel‑2‑Satellitenbilder, die zu mehreren Zeitpunkten aufgenommen wurden. Anstatt sich auf ein einzelnes Bild zu verlassen, analysierten die Forschenden, wie sich die Vegetation im Verlauf der Wachstumsperiode veränderte.

Diese zeitliche Dimension ist wichtig, weil Pflanzen erkennbare Wachstumszyklen durchlaufen. Cannabis durchläuft die Phasen Keimling, vegetativ, Blüte und Ernte. Diese Übergänge verändern die Menge und Art des vom Pflanzenkronendach reflektierten Lichts.

Die Forschenden extrahierten statistische Merkmale aus Rot-, Grün-, Blau-, Nahinfrarot- und Vegetationsindex‑Messungen, die über mehrere Beobachtungen hinweg genommen wurden. Ein Backpropagation‑Neuronales Netz klassifizierte anschließend Flächen als Cannabisanbau, Wald oder Strauchvegetation.

Die Übersicht berichtet von einer Genauigkeit von etwa 94,9 % und einem Kappa‑Wert von 0,92 für das Cannabiserkennungssystem.

In praktischer Hinsicht lernte die KI etwas, das dem saisonalen Fingerabdruck der Pflanze näher kommt, anstatt lediglich ihr Aussehen zu erkennen.

Landwirtschaftliche KI geht über Einzelbilder hinaus

Das Cannabisanwendungsbeispiel ist Teil eines viel umfassenderen Wandels in der Fernerkundung. Die Übersicht ergab, dass satellitengestützte optische Bildgebung in etwa 63 % der untersuchten Studien vorkam, synthetische Apertur‑Radar in etwa 25 % und UAV‑basierte Sensorik in rund 18 %. Studien können mehrere Sensoren einsetzen, sodass sich diese Kategorien überschneiden.

Verschiedene KI‑Architekturen erwiesen sich zudem als nützlich für unterschiedliche landwirtschaftliche Problemstellungen.

• CNNs wurden häufig für Kartierung, Segmentierung, Krankheitsdetektion und Bildanalyse eingesetzt.
• LSTM‑Netzwerke und Transformer wurden zunehmend auf landwirtschaftliche Zeitreihendaten angewendet.
• Random Forest und Gradient Boosting blieben wettbewerbsfähig, wenn nützliche Merkmale aus kleineren Datensätzen abgeleitet werden konnten.
• Multimodale Systeme kombinierten optische Bildgebung mit Radar, Klima, Boden, thermischen oder strukturellen Informationen.

Dies ist wichtig, weil reale landwirtschaftliche Umgebungen unübersichtlich sind. Wolken verdecken Satelliten. Pflanzen können der umgebenden Vegetation ähneln. Felder variieren in Größe und Pflanzendichte. Wetter verändert das Wachstumsmuster. Ein für eine Region entwickeltes System kann an einem anderen Ort anders funktionieren.

Der Einsatz mehrerer Beobachtungen und Datenquellen liefert der KI mehr Kontext, um eine Klassifizierung vorzunehmen.

Was die Übersicht über Fernerkundung und KI ergab

Die Vielfalt dieser Ansätze deutet darauf hin, dass landwirtschaftliche KI immer weniger von einem einzelnen Sensor oder Algorithmus abhängt. Stattdessen können Entwickler je nach zu lösendem Problem unterschiedliche Kombinationen wählen.

Diese Unterscheidung könnte insbesondere für Cannabis relevant werden, da Innen‑, Gewächshaus‑ und Freilandanbau sehr unterschiedliche Überwachungsherausforderungen mit sich bringen.

Satellitendetektion bedeutet nicht, dass jede Cannabispflanze sichtbar ist

Die etwa 95 %‑ige Genauigkeit, die für die Cannabis‑Erkennung gemeldet wird, sollte nicht so interpretiert werden, dass Satelliten jede Cannabis‑Anlage überall mit 95 %iger Zuverlässigkeit identifizieren können.

Das System bewertete ein bestimmtes geografisches Umfeld anhand spezifischer Trainingsdaten, Satellitenbeobachtungen und bekannter Cannabis‑Anbauflächen. Die umfassendere Übersicht warnt wiederholt davor, dass landwirtschaftliche KI‑Modelle Schwierigkeiten haben können, wenn sie zwischen Regionen, Jahreszeiten, Klimaten und Bewirtschaftungspraktiken übertragen werden.

Forscher bezeichnen dies als ein Generalisierungsproblem.

Ein auf Cannabis‑Plantagen, die von indonesischem Wald umgeben sind, trainiertes Modell kann in Kalifornien, British Columbia, Marokko oder in einem landwirtschaftlichen Gebiet, in dem zahlreiche optisch ähnliche Kulturen in der Nähe angebaut werden, sehr unterschiedliche Bedingungen vorfinden.

Wolkenbedeckung stellt ebenfalls eine praktische Einschränkung für optische Satelliten dar. Radar kann dieses Problem mildern, da Synthetic‑Aperture‑Radar nicht von sichtbarem Licht abhängt und Informationen durch Wolken hindurch erfassen kann. Die Übersicht stellte ein wachsendes Interesse an der Kombination von optischen und Radar‑Beobachtungen fest, gerade weil die beiden Sensoren komplementäre Informationen liefern.

Damit ergibt sich ein wahrscheinlicher Weg für zukünftige Cannabis‑Detektionssysteme: nicht ein perfektes Foto, sondern mehrere über die Zeit akkumulierte Messungen.

Was Fernerkundung für legales Cannabis bedeuten könnte

Die Überwachung illegaler Anbauflächen ist die offensichtlichste im Review diskutierte Anwendung von Cannabis, doch die zugrunde liegende Technologie ist nicht grundsätzlich auf Durchsetzung beschränkt.

KI‑basierte Fernerkundung kann zudem Wasserstress, Nährstoffbedingungen, Pflanzen­gesundheit, Biomasse und Ertrag in der konventionellen Landwirtschaft abschätzen. Die Übersicht enthält Systeme, die zur Krankheitsdetektion, Ermittlung von Bewässerungsbedarf, Überwachung von Chlorophyll‑ und Stickstoffgehalten sowie zur Vorhersage der Produktion vor der Ernte entwickelt wurden.

Ähnliche Konzepte könnten schließlich bestehende Anbautechnologien in legalen Freiland‑ oder Gewächshaus‑Cannabis‑Betrieben ergänzen.

Von der Überwachung zum Ertragsmanagement

Für lizenzierte Produzenten könnte Fernerkundung potenziell die Überwachung größerer Anbauflächen unterstützen, wo die manuelle Inspektion jeder Pflanze oder jedes Feldabschnitts schwierig ist.

Veränderungen der Kronentemperatur, von Vegetationsindizes oder der Pflanzenentwicklung könnten Bereiche identifizieren, die einer genaueren Untersuchung bedürfen. Anstatt die Anbauer zu ersetzen, könnte KI dabei helfen, zu priorisieren, wo die Anbauer hinschauen sollten.

Dies spiegelt Entwicklungen wider, die bereits in Cannabis‑Anbaueinrichtungen stattfinden, wo Technologien wie Präzisionsbewässerungssysteme zunehmend Ertragsmessungen in Managemententscheidungen umwandeln.

Fernerkundung fügt diesem Daten‑Stack eine weitere potenzielle Ebene hinzu.

KI‑Cannabis‑Überwachung wirft regulatorische Fragen auf

Die Technologie wird komplexer, wenn Fernerkundung vom landwirtschaftlichen Management in die Durchsetzung übergeht.

Die Übersicht identifiziert speziell Governance‑Bedenken im Zusammenhang mit Überwachungsanwendungen wie der Erkennung illegaler Kulturen. Die Autoren stellen fest, dass verantwortungsvolle Nutzungsrahmen und unabhängige Validierung in den untersuchten Studien noch unausgereift sind.

Diese Unterscheidung ist wichtig, weil Klassifikationsfehler je nach Einsatz des Systems unterschiedliche Konsequenzen haben.

Identifiziert ein landwirtschaftliches Modell fälschlich ein gestresstes Feldgebiet, kann ein Anbauer den Ort prüfen und den Fehler korrigieren. Klassifiziert ein automatisiertes Überwachungssystem jedoch legales Pflanzenmaterial fälschlich als illegale Cannabis‑Kultivierung, können die Folgen Ermittlungen oder Durchsetzungsmaßnahmen sein.

Genauigkeit kann daher nicht das einzige Kriterium sein.

Betriebssysteme benötigen zudem verlässliche Unsicherheitsabschätzungen, externe Validierung, transparente Verfahren und einen Mechanismus, um KI‑generierte Detektionen vor Entscheidungen zu bestätigen.

Die Übersicht zieht einen weiter gefassten Schluss, der besonders gut auf die Cannabis‑Regulierung zutrifft: Der Übergang von einer Forschungsdemonstration zu einem vertrauenswürdigen Betriebssystem erfordert deutlich mehr als nur eine hohe Genauigkeitsbewertung.

Die Zukunft könnte eine kontinuierliche Cannabis‑Überwachung sein

Die nächste Generation der Fernerkundungs‑KI könnte deutlich leistungsfähiger werden.

Die Übersicht hebt aufkommende Technologien hervor, darunter Transformer, selbstüberwachtes Lernen, multimodale Sensorfusion, 3D‑Neuronale Netze, digitale Zwillinge und erdbeobachtungsbasierte Grundmodelle. Diese Ansätze könnten die Menge an manuell gelabelten Daten reduzieren, die zum Aufbau spezialisierter Agrarsysteme erforderlich ist.

Das könnte die Erfassung von Nutzpflanzen schließlich deutlich skalierbarer machen.

Anstatt für jeden Standort ein völlig neues Modell zu entwickeln, könnten zukünftige Systeme mit einem vortrainierten Verständnis von Vegetation, Terrain, saisonalen Mustern und Landnutzung beginnen und dieses Wissen dann an bestimmte Pflanzen oder Regionen anpassen.

Für Cannabis ergeben sich daraus zwei parallele Möglichkeiten.

Regulierungsbehörden und Strafverfolgungsbehörden könnten bessere Werkzeuge erhalten, um nicht lizenzierte Freilandkulturen zu identifizieren. Gleichzeitig könnten lizenzierte Anbauer Zugang zu immer ausgefeilteren Überwachungssystemen erhalten, die Stress erkennen, die Produktion schätzen oder die Entwicklung der Kultur aus der Ferne verfolgen können.

Die wesentliche technologische Veränderung besteht daher nicht einfach darin, dass KI Cannabis aus dem Weltraum erkennen kann. Vielmehr werden Satelliten, Sensoren und KI zunehmend fähig, landwirtschaftliche Flächen als ein kontinuierlich messbares System zu behandeln.

Cannabis wird nun Teil dieser Transformation.

Referenzen:

¹ Gracia Rojas, D. A., Gómez Díaz, H. J., & Gil Herrera, R. de J. (2026). Fernerkundungsbasierte maschinelle Lernverfahren und Deep Learning für Landwirtschaft und Forstwirtschaft: Ertragsabschätzung, Landbedeckungszuordnung und Pflanzstress: Eine systematische Übersicht (2020–2025). Remote Sensing Applications: Society and Environment, 102279. https://doi.org/10.1016/j.rsase.2026.102279