Der Einsatz von Informationstechnik in der modernen Agrarwirtschaft ist bereits weit entwickelt. Autonome und intelligente Landmaschinen sind Teil der aktuellen Forschung und fahren räumlich und zeitlich hoch präzise Anwendungsszenarien. Nachhaltigkeit in der Bodennutzung ist ein wichtiges Ziel der Agrarwirtschaft, um die Agrarproduktion langfristig ökonomisch und ökologisch zu optimieren. Um diese Optimierung mit Informationstechnik zu unterstützen („Smart Farming“), bedarf es einer zeitlichen und räumlichen Modellierung des Pflanzenbestands und des Bodens. Hyperspektraldaten leisten schon jetzt einen entscheidenden Beitrag zur Ableitung von Pflanzen- und Bodenparametern in der Landwirtschaft. Der drohnengestützte und terrestrische Einsatz aktueller Hyperspektraltechnik ermöglicht eine noch genauere Erfassung spektral hoch aufgelöster Daten zur Ableitung relevanter Parameter. 3D Laser Scanner werden verwendet, um räumliche Modelle der Agrarumgebung in 3D zu erstellen; diese Modelle repräsentieren räumliche Strukturen präzise im Großen (Kuppen, Senken, Feldgrenzen) wie im Kleinen (Fahr-, Drillspuren). Unter der Zielsetzung, für Agraranwendungen ein umfassendes, aussagekräftiges räumliches und zeitliches Modell einer landwirtschaftlichen Fläche zu schaffen, müssen terrestrische Hyperspektral- und 3D-Daten miteinander kombiniert werden. Zusätzlich erfordert das Sammeln von zeitlich und räumlich hoch aufgelösten Daten eine mobile Einheit am Boden in kurzer Entfernung zum Pflanzenbestand und zum Boden. Unter Verwendung einer mobilen Roboterplattform, ausgerüstet mit einem hochauflösenden Riegl VZ400i 3D Laser Scanner zur Aufnahme geometrischer Daten und der Resonon Pika-L Hyperspektralkamera, kann ein umfassendes Modell einer Fläche erstellt werden. Durch Kalibrierung werden die Daten beider Sensoren vom selben Aufnahmepunkt zueinander registriert; Daten von unterschiedlichen Aufnahmepunkten werden auf Basis der Georeferenzierung ihrer Aufnahmeposen mit vorhandenen Verfahren der 3D-Scanregistrierung automatisch registriert. Das Resultat ist eine 3D-Hyperspektralpunktwolke der kompletten Fläche. Diese ist Grundlage für eine Semantische Karte, die semantische Kategorien an korrespondierende geometrische und hyperspektrale Daten bindet und räumliche und semantische Abfragen erlaubt. Die Daten werden von der Roboter-Plattform automatisch räumlich und georeferenziert aufgenommen und in der Semantischen Karte mit Hilfe einer GIS Datenbank persistent hinterlegt