> For the complete documentation index, see [llms.txt](https://docs.geopard.tech/geopard-tutorials/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.geopard.tech/geopard-tutorials/de/produkt-tour-web-app/zones-maps-and-analytics/multi-layer-analytics.md).

# Mehrschicht-Analytik

Mit GeoPard können Sie mehrere Datenebenen integrieren, um Managementzonen zu erstellen. Sie steuern Gewichte, Indizes, die Anzahl der Zonen, den Clustertyp und die minimale Polygonfläche.

{% @arcade/embed url="<https://app.arcade.software/share/em63luvNTYI6CFKUC3m6>" flowId="em63luvNTYI6CFKUC3m6" %}

*Interaktive Demo – Erstellung von Zonen aus mehreren Datenebenen*

In der Präzisionslandwirtschaft fallen große Datenmengen an, darunter Ertragsdaten, Satellitenbilder und Bodennährstoffkarten. Viele Teams haben nach wie vor Schwierigkeiten, aus diesen Datenebenen aussagekräftige Erkenntnisse und konkrete Maßnahmen abzuleiten. In der Präzisionslandwirtschaft sind Bewirtschaftungszonen Teilflächen eines Feldes mit ähnlichem Ertragspotenzial. Dieses hängt beispielsweise von der Bodenart, der Hangposition, der Bodenchemie, dem Mikroklima oder anderen ertragsbestimmenden Faktoren ab. Auch die lokale Kenntnis des Feldes ist ein wichtiger Bestandteil des Prozesses. Bewirtschaftungszonen helfen, den Betriebsmitteleinsatz und das Ertragspotenzial zu optimieren.

Die größte Herausforderung besteht darin, Bewirtschaftungszonen zu erstellen, die die tatsächliche Variabilität innerhalb eines Feldes abbilden. Die Kombination von Datenebenen wie Satellitenbildern, Bodennährstoffkarten, topografischen Ableitungen und Ertragskartierungsdaten ist der nächste logische Schritt hin zu einer standortangepassteren Bewirtschaftung.

Die Analyse mehrerer Datenebenen (auch integrierte Analyse genannt) wird zunehmend Bestandteil der Geodatenanalyse-Engine von GeoPard.

Klassische Kombinationen für die integrierte Analyse umfassen einen oder mehrere Ertragsdatensätze, eine NDVI-Karte, Höhenangaben und bodenphysikalisch-chemische Eigenschaften aus Sensoren. GeoPard unterstützt diese Parameter und ermöglicht es außerdem, weitere im System verfügbare oder direkt vom Nutzer hochgeladene Feld-Datenebenen einzubeziehen, etwa Bodenproben- und Ertragsdatensätze. So können Sie für die integrierte Analyse einen vollständigen Parametersatz verwenden:

Ertragsdaten\
Fernerkundungsdaten:

* Karte des Produktivitätspotenzials (einjährig und mehrjährig)
* Stabilitäts-/Variabilitätskarte
* Vegetationsindizes NDVI, EVI2, WDRVI, LAI, SAVI, OSAVI, GCI, GNDVI

Topografie:

* Höhe
* Hangneigung
* Krümmung
* Feuchteindex
* Exposition
* Schummerungen
* Geländerauigkeit
* Oberflächenrauigkeit

Bodendaten:

* pH-Wert
* CEC (Kationenaustauschkapazität)
* SOM (organische Bodensubstanz)
* K (Kalium)
* Geringe Oberbodenmächtigkeit und niedriges pflanzenverfügbares Wasserspeichervermögen (dürregefährdeter Boden)
* EC (elektrische Leitfähigkeit)
* sowie weitere chemische Eigenschaften aus dem hochgeladenen Datensatz

Beachten Sie, dass Sie für jede Datenebene individuelle Faktoren festlegen können, um ihnen die gewünschte Gewichtung zuzuweisen. In GeoPard können Sie auf Grundlage Ihrer Feldkenntnis Bewirtschaftungszonenkarten erstellen und dabei die Datenquellen sowie deren Gewichtung auswählen.

## So werden die Gewichtungen der Datenebenen angewendet

Die Gewichtung legt fest, wie stark jede Datenebene die einzelnen Pixel der resultierenden Zonenkarte beeinflusst.

### Zuerst wird normalisiert

Die Eingabedatenebenen haben unterschiedliche Einheiten und Wertebereiche: NDVI reicht von 0 bis 1, der Ertrag von 4 bis 12 t/ha, der pH-Wert von 5,5 bis 7,5 und die EC von 5 bis 60 mS/m. Würde man die Rohwerte kombinieren, würde die Datenebene mit dem größten Zahlenbereich das Ergebnis dominieren – unabhängig von ihrer agronomischen Bedeutung.

GeoPard wendet zunächst auf jede Datenebene eine Min-Max-Normalisierung an und skaliert sie anhand ihres eigenen Minimums und Maximums innerhalb des Feldes auf einen gemeinsamen Wertebereich. Danach bestimmt allein die Gewichtung den Einfluss.

### Anschließend werden die Gewichtungen angewendet

Jede normalisierte Datenebene wird mit ihrer Gewichtung multipliziert; anschließend werden die Ebenen zu einer einzigen Fläche kombiniert.

### Negative Gewichtungen kehren die Datenebene um

Eine negative Gewichtung kehrt die Skala um: Hohe Werte der Datenebene werden als niedrig und niedrige Werte als hoch behandelt. Nutzen Sie diese Einstellung, wenn hohe Messwerte auf ungünstigere Bedingungen hinweisen, zum Beispiel:

* Tongehalt auf einem schlecht drainierten Feld
* Höhenlage, wenn Senken von Frost oder Staunässe betroffen sind
* EC, wenn hohe Messwerte auf Versalzung statt auf Wasserspeichervermögen hinweisen

### Datenlücken werden interpoliert

Fehlen in einer Datenebene Pixel (etwa wegen Bewölkung in einer Satellitenaufnahme, einer ausgelassenen Überfahrt bei der Ertragserfassung oder einer geringen Zahl von Bodenprobenpunkten), interpoliert GeoPard die Lücken anhand umliegender Werte, statt die Pixel zu verwerfen. So bleibt die kombinierte Karte über das gesamte Feld hinweg durchgängig.

### Das Ergebnis wird erneut normalisiert

Nach der Gewichtung und Kombination wird die Ergebniskarte erneut normalisiert, sodass sie den gesamten Wertebereich abdeckt. Anschließend wird sie in die von Ihnen ausgewählte Anzahl von Zonen unterteilt.

{% hint style="info" %}
**Gewichtungen festlegen:** Beginnen Sie damit, Ihrer zuverlässigsten Datenebene die höchste Gewichtung zu geben. Mehrjährige Ertragsdaten und langfristige Satellitendaten zur Produktivität sind in der Regel die verlässlichsten Indikatoren. Satellitenbilder eines einzelnen Aufnahmetages sind am stärksten von den jeweiligen Umständen abhängig, da eine Aufnahme nur einen Moment der Saison abbildet.
{% endhint %}

Die folgenden Abbildungen zeigen ein Beispielfeld mit verschiedenen Datenebenen, darunter eine Produktivitätskarte über 18 Jahre, ein digitales Höhenmodell, Hangneigung, Schummerung und Ertragsdaten aus dem Jahr 2019, sowie verschiedene Ergebnisse integrierter Analysen. Sie können nachvollziehen, wie sich die Bewirtschaftungszonen mit dem Hinzufügen weiterer Datenebenen verändern.

<figure><img src="https://i0.wp.com/help.geopard.tech/wp-content/uploads/2021/12/image-8.png?resize=1024%2C501&#x26;ssl=1" alt=""><figcaption></figcaption></figure>

<figure><img src="https://i0.wp.com/help.geopard.tech/wp-content/uploads/2021/12/image-9.png?resize=1024%2C504&#x26;ssl=1" alt=""><figcaption></figcaption></figure>

<figure><img src="https://i0.wp.com/help.geopard.tech/wp-content/uploads/2021/12/image-10.png?resize=1024%2C505&#x26;ssl=1" alt=""><figcaption></figcaption></figure>

<figure><img src="https://i0.wp.com/help.geopard.tech/wp-content/uploads/2021/12/image-11.png?resize=1024%2C505&#x26;ssl=1" alt=""><figcaption></figcaption></figure>


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation by asking a question.

Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters:

```
GET https://docs.geopard.tech/geopard-tutorials/de/produkt-tour-web-app/zones-maps-and-analytics/multi-layer-analytics.md?ask=<question>&goal=<user_goal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.
