🌾 crop-mcp

Smithery Python 3.10+ License: MIT GitHub stars

EU Crop Intelligence MCP Server — Ertragsprognosen, Marktwerte & Risikoanalysen für 25 EU-Länder.

Lassen Sie KI-Agenten antworten: „Wie wird sich Weizen dieses Jahr in Baden-Württemberg entwickeln? Was ist er zu aktuellen Marktpreisen wert?“

pip install git+https://github.com/DasClown/CropProphEU.git
# or try it on Smithery: https://smithery.ai/servers/crop-mcp/CropProphEU

Funktionen (10 MCP-Tools)

Tool	Was es tut
`yield_and_value`	NEU — Kombinierter Ertrag + Marktwert (€/ha) mit Zusammenfassung in natürlicher Sprache auf Deutsch oder Englisch (automatische Erkennung über den `language`-Parameter)
`europe_yield_forecast`	Paneuropäische Ertragsprognose (3 Kulturen, 25 Länder) mit Yield-at-Risk
`crop_forecast`	Status der aktuellen Saison: Temperatur, Regen, Bodenfeuchtigkeit, Dürreindex
`season_comparison`	Vergleich der aktuellen Saison mit historischen Jahren
`region_health`	Alle Kulturen für eine Region in einem einzigen Aufruf
`weather_outlook`	16-Tage-Wettervorhersage
`climate_scenario`	Was-wäre-wenn: +2°C, -20% Regen?
`yield_forecast`	Ertragsprognose durch Analogjahre (DE-fokussiert)
`list_regions`	120 NUTS2-Regionen
`list_crops`	Kulturparameter (GDD-Basis, Saison, etc.)

Schnellstart

1. Installation

pip install git+https://github.com/DasClown/CropProphEU.git

2. Verwendung als MCP-Server

via CLI (stdio):

crop-mcp

oder via Python:

from crop_mcp import predict_europe_yield

result = predict_europe_yield("DE11", "DE", crop="wheat", gdd=3050, precip_mm=650)
print(f"Yield: {result['predicted_yield_t_ha']} t/ha")
print(f"Revenue: ~{result['predicted_yield_t_ha'] * 235:.0f} €/ha")

3. Claude Desktop / Cursor / Beliebiger MCP-Client

Fügen Sie dies zu Ihrer MCP-Konfiguration hinzu:

{
  "mcpServers": {
    "crop": {
      "command": "python3",
      "args": ["-m", "crop_mcp.server"]
    }
  }
}

4. HTTP-Server (für Fernzugriff / Smithery)

pip install crop-mcp[http]
crop-mcp --http --port 8080

Verbindung via SSE: http://your-server:8080/sse

5. Docker

docker build -t crop-mcp .
docker run -p 8080:8080 crop-mcp crop-mcp --http --port 8080

Verifizierte Kulturen

Kultur	Eurostat-Code	Stichproben	Länder	MAE (LOYO)
🌾 Weizen	C1100	1.483	25	11,2%
🌽 Mais	C1500	1.648	20	11,6%
🌿 Gerste	C1300	1.841	25	11,3%

Raps & Sonnenblumen: Nicht unterstützt — keine Eurostat-Ertragsdaten verfügbar. Tools lehnen diese mit einer klaren Fehlermeldung ab (keine stillen Halluzinationen).

Beispielausgabe

Deutsch (Standard):

Weizen – Region DE11 (DE)
Ertrag: 7.68 t/ha (Spanne 6.67–8.63)
...

Englisch (mit language="en"):

Wheat – Region DE11 (DE)
Yield: 7.68 t/ha (range 6.67–8.63)
Temperature: warm (3050°C GDD)
...

Alle Ausgaben sind auf Deutsch (Standard) oder Englisch verfügbar. Setzen Sie language="en" beim Aufruf von yield_and_value für eine englische Ausgabe. Die JSON-Daten werden immer mit englischen Feldnamen zurückgegeben; das Feld summary passt sich der angeforderten Sprache an.

Datenquellen

Quelle	Daten	Zugriff
Eurostat	Ernteerträge (`apro_cpshr`)	Kostenlos, kein Schlüssel
NASA POWER	GDD, Niederschlag, Solar, Bodenfeuchte	Kostenlos, keine Ratenbegrenzung
Open-Meteo	16-Tage-Vorhersage	Kostenlos, kein Schlüssel
SoilGrids v2	SOC, pH, N, CEC, Textur	Kostenlose REST-API
Yahoo Finance	Live CBOT Weizen/Mais-Futures + EUR/USD	Kostenlos, kein Schlüssel

Modellgenauigkeit

Metrik	Wert
LOYO MAE (Weizen)	0,598 t/ha (11,2%)
Forward Validation (Training ≤2022, Test 2023-24)	0,794 t/ha (15,0%)
R² (LOYO)	0,877
R² (Forward)	0,628

Was das bedeutet: Die LOYO-Metrik ist optimistisch, da sie auf Daten aus allen Jahren einschließlich zukünftiger trainiert. Die Forward Validation (Training 2000-2022, Vorhersage 2023-2024) ist der reale Benchmark: ±15%.

Das Modell ist am genauesten für Kern-EU-Länder (DE, FR, BE, NL, AT, CZ), wo die Trainingsdaten dicht sind, und weniger genau für Ausreißer wie NL/BE 2024, wo ungewöhnliches Wetter zu einer systematischen Überschätzung führte.

Architektur

crop-mcp/
├── crop_mcp/
│   ├── server.py              # 10 MCP tools
│   ├── europe_model_api.py    # Random Forest (200 trees) + Yield-at-Risk
│   ├── market_prices.py       # Live prices via Yahoo Finance + reference
│   ├── core/regions.py        # 120 NUTS2 regions
│   └── sources/               # Weather, soil, NDVI data fetchers
├── models/                    # .pkl files (download from Releases)
├── data/                      # Training data (generated by build)
├── pyproject.toml
└── README.md

Grundlegende Designprinzipien:

Keine Halluzinationen — jede Ertragsprognose lässt sich auf verifizierte Eurostat-Daten zurückführen
Live-Preise — CBOT Weizen/Mais via Yahoo Finance, stündlich aktualisiert
Selbstaktualisierend — monatlicher Cron-Job baut Modelle mit den neuesten Eurostat-Daten neu auf
Keine externen API-Schlüssel — alle Datenquellen sind kostenlos und öffentlich

Kommerzialisierung

Das Tool ist heute produktionsreif für:

Agrarhandelsabteilungen — „Was ist Weizen in der Picardie zu aktuellen MATIF-Preisen wert?“
Landwirtschaftliche Beratung — „Wie schneidet diese Saison im Vergleich zu den letzten 5 Jahren ab?“
Versicherung / Risiko — Yield-at-Risk (P10/P50/P90) pro Region
EU-Politikanalyse — Auswirkungen von Klimaszenarien auf nationale Erträge

Nächste kommerzielle Funktionen: Marktpreise pro Land, historische Preiskorrelation, automatisierte PDF-Berichte, mehrjährige Fruchtfolgeplanung.

Erstellung & Training

# Build training data for a specific crop (25 min)
python3 build_europe.py --crop corn

# Train the model (2 min)
python3 train_europe_fast.py --crop corn

# Automatic monthly update (cron)
# Runs every 1st of the month at 06:00

Lizenz

MIT — frei zu verwenden, zu ändern und zu verbreiten.

Mit ❤️ für KI-Agenten entwickelt, die echte, verifizierbare Ernteintelligenz benötigen.

CropProphEU