Grünlandflächen stellen mit einem Anteil von 70 % an der globalen landwirtschaftlichen Fläche die wichtigste Nutzungsform dar. Sie dienen der Futterproduktion und erbringen gleichzeitig eine Viel-zahl an Ökosystemdienstleistungen. Die Prognose des Biomasseertrags hilft bei der Optimierung des Grünlandmanagements und tragt dadurch zum langfristigen Erhalt der Ökosysteme bei. Vor diesem Hintergrund befasst sich die vorliegende Dissertation mit Sensorsystemen und Modellie-rungsansätzen zur Prognose des Biomasseertrags von Grünlandbeständen unter Berücksichtigung der Herausforderungen der kleinstrukturierten Landwirtschaft. Das übergeordnete Ziel besteht in der Entwicklung und Evaluierung von Modellen, die den Biomasseertrag von Grünlandbeständen teilflächenspezifisch prognostizieren. Drei Forschungshypothesen leiten und strukturieren die Untersuchung: (1) Bodennah angewendete Sensorsysteme sind für die Erfassung von Bestandsdaten bei Er-tragsprognosen von Grünlandbeständen besser geeignet als Fernerkundungssysteme. Unter den erhobenen Daten weisen Höhenmessgrößen eine bessere Aussagekraft für die Prognose auf als multispektrale Reflexionsdaten. (2) Die Anpassung von Prognosemodellen durch die Berücksichtigung der Bestandszusammen-setzung sowie die Integration lokaler meteorologischer Daten erhöht die Prognosegenauigkeit. (3) Selbst bei moderaten erwarteten Produktivitätssteigerungen ist der Einsatz von Prognosetech-nologien für kleinstrukturierte Grünlandbetriebe ökonomisch sinnvoll. Zur Überprüfung dieser Hypothesen wurde im Rahmen einer systematischen Literaturrecherche die Leistungsfähigkeit von Prognosemodellen basierend auf verschiedenen Sensorkategorien unter-sucht. Zusätzlich wurden ausgewählte Sensorsysteme in Feldstudien in Südwestdeutschland ein-gesetzt, um deren Leistungsfähigkeit und verschiedene Modellierungsstrategien zu entwickeln und zu evaluieren. Damit wurde eine empirische Grundlage für eine vergleichende Kosten-Nutzen-Analyse der untersuchten Prognosetechnologien geschaffen. Die Ergebnisse bestätigen die erste Hypothese: Bodennah angewendete Sensoren weisen im Ver-gleich zu Fernerkundungsmethoden eine höhere Eignung für die Prognose auf, insbesondere bei Verwendung von Höhenmessgrößen. Auch die zweite Hypothese wird durch die Ergebnisse bestä-tigt. Die Berücksichtigung der Bestandszusammensetzung reduziert den mittleren Prognosefehler um bis zu 13 %, während die Einbindung lokaler Wetterdaten das Bestimmtheitsmaß R² bei ver-schiedenen Modellen im Mittel um 0,09 verbessert. Die dritte Hypothese wird nur teilweise durch die Ergebnisse unterstützt: Die Anwendung des Rising Plate Meters erweist sich unter aktuellen Rahmenbedingungen und einer angenommenen erzielten Verbesserung der Grünlandnutzung um 5 % als wirtschaftlich tragfähig. Methoden wie die Structure-from-Motion Technologie zur Erfassung von Höhenmessgrößen, die Multispektralanalyse sowie LiDAR-basierte Messungen sind unter ge-genwärtigen Bedingungen für Betriebe der kleinstrukturierten Grünlandwirtschaft nicht rentabel. Zusammenfassend liefert die vorliegende Dissertation eine empirische Grundlage für die Entwick-lung von Modellen zur Prognose des Biomasseertrags von Grünlandbeständen. Die Ergebnisse tragen zur Weiterentwicklung der teilflächenspezifischen Grünlandbewirtschaftung bei, wodurch ökonomische und ökologische Optimierungspotentiale genutzt werden können.

Grasslands account for approximately 70% of the global agricultural area, making them the pre-dominant form of agricultural land use worldwide. They are used to produce forage and provide a wide range of ecosystem services. Predicting biomass yields optimizes grassland management and thereby contributes to the long-term preservation of these ecosystems. In this context, this dissertation addresses sensor systems and modeling approaches for predicting grassland bio-mass yields, considering the challenges of small-scale agriculture. The dissertation’s main objec-tive is to develop and evaluate models that can predict the biomass yield of grassland swards on a site-specific basis. The investigation is guided and structured by the following three research hypotheses: (1) Terrestrial-operated sensing systems are better suited for capturing sward data for grassland yield prediction models than remote systems. Among these, height metrics offer higher predictive value than multispectral reflectance data. (2) Adapting prediction models to account for sward composition and include local meteorological data improves the accuracy of grassland yield prediction. (3) Even with modest expected productivity gains, the use of prediction technologies is economi-cally viable for small-scale grassland farms. To test these hypotheses, a systematic literature review was conducted to assess the performance of yield prediction models based on various sensor categories. In addition, selected sensor sys-tems were applied in field studies in southwestern Germany to evaluate their performance and to develop and test different modeling approaches. This provided an empirical basis for a compara-tive cost-benefit analysis of the investigated prediction technologies. The findings confirm the first hypothesis: Terrestrial-operated sensors demonstrate superior suita-bility for yield prediction compared to remote sensing methods, particularly when using height-based metrics. The second hypothesis is also confirmed. Considering sward composition reduces the mean prediction error by up to 13%, while integrating local weather data increases the coeffi-cient of determination (R²) across different models by an average of 0.09. The third hypothesis is only partially supported: The use of the Rising Plate Meter proves economically viable under cur-rent conditions and assuming a 5% increase in grassland utilization. However, methods such as Structure-from-Motion, multispectral analysis, and LiDAR-based height measurements are not eco-nomically feasible for small-scaled grassland farms under present conditions. In conclusion, this dissertation provides an empirical foundation for the development of models to predict biomass yield in grassland systems. The results contribute to the advancement of site-specific grassland management, enabling the exploitation of economic and ecological optimiza-tion potentials.