Verbesserung von großflächigen mechanistischen Ertragssimulationen durch Entflechtung von Genotyp × Umwelt × Managementfaktoren

• Antragsteller: Professor Claas Nendel, Ph.D.
• Fachliche Zuordnung: Pflanzenbau, Pflanzenernährung, Agrartechnik
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 512314528

Eine zuverlässige Vorhersage von landwirtschaftlichen Erträgen ist für Landwirte, Behörden und Entscheidungsträger in einer Vielzahl von thematischen Institutionen von großem Interesse. Mechanistische Simulationsmodelle wurden entwickelt, um das komplexe System der Wechselwirkung zwischen Pflanzen, Boden und Atmosphäre zu beschreiben, das auch die Entwicklung von Ernteerträgen umfasst. Theoretisch sollten solche Modelle in der Lage sein, den Ertrag jeder einzelnen Kulturpflanze in jedem Winkel der Welt zu simulieren, da die zugrunde liegende Physik überall auf diesem Planeten gilt. Modellvergleichsstudien haben jedoch gezeigt, dass keines der vielen Modelle dieser Erwartung gerecht wird. Zwei Hauptgründe werden für diese Beobachtung verantwortlich gemacht: (i) die Beschreibung der Prozesse, die für das Verhalten des Systems in den Modellen verantwortlich sind, ist unvollständig oder fehlerhaft, und (ii) die Informationen, die die Modelle verwenden, um zu einer Vorhersage zu gelangen, sind unzureichend oder nicht genau genug. Die Zahl der Anwendungen von Simulationsmodellen in einem Raster-Design für Ertragsvorhersagen über große zusammenhängende Gebiete nimmt zu, aber eine angemessene Validierung fehlt derzeit. Bei der Kalibrierung zur bestmöglichen Reproduktion dieser beobachteten Ertragsmuster bleibt unklar, ob die zugrunde liegenden Prozesse und ihre repräsentativen Zustandsvariablen ebenso gut simuliert werden. Die Tatsache, dass für die überwiegende Mehrheit der landwirtschaftlichen Felder in Deutschland keine Informationen über Sorten, Düngepläne und feinräumige Bodeninformationen verfügbar sind, schränkt das Potenzial der Verwendung von Simulationsmodellen für Ertragsvorhersagen ein. In diesem Projekt wird vorgeschlagen, Simulationsmodelle zur inversen Schätzung einiger der Eingangsparameter und treibenden Variablen zu verwenden, indem beobachtete Ernteerträge auf einer feinen Skala und zusätzliche Informationen verwendet werden, die die inverse Parameterschätzung einschränken. Unter Verwendung eines mehrjährigen und multilokalen Datensatzes von Winterweizenerträgen für 100 Kacheln mit einer Größe von 10 × 10 m², die von Multisensor-Satellitenbildern auf einer Skala von 10 m begleitet werden, schlägt dieses Projekt vor, (i) die derzeitigen Grenzen von AEMs für die genaue Reproduktion von beobachteten Winterweizenerträgen in Deutschland zu untersuchen, (ii) die interne Validität von drei AEMs bei der Reproduktion dieser Erträge zu verbessern und (iii) Prioritäten für die weitere Forschung zur Verbesserung zukünftiger Ertragsvorhersagen unter Verwendung von AEM zu identifizieren. Die übergreifende Hypothese ist, dass die Genauigkeit aktueller mechanistischer Agrarökosystemmodelle bei der blinden Simulation von Winterweizenerträgen über den Boden-Klima-Raum in Deutschland hauptsächlich durch unzureichende Informationen über Genotyp × Umwelt × Bewirtschaftung und nicht durch die Modellstruktur begrenzt ist.

• DFG-Verfahren: Sachbeihilfen