1 Allgemeine Einleitung

↓1

Aufgrund verschiedener Einflüsse findet die Präzisionslandwirtschaft (Precision Agriculture) immer mehr Eingang in die landwirtschaftliche Praxis. Die Herausforderungen an die Landnutzung durch den globalen Klimawandel und die Verknappung der natürlichen Ressourcen sowie eine weltweit steigende Nachfrage nach Lebensmitteln sind nur einige dieser Einflussfaktoren (Werner, Dreger, Schwarz 2008 ). Seit Mitte der 80er Jahre des letzten Jahrhunderts zieht Precision Agriculture (PA) weltweit Aufmerksamkeit auf sich und ließ das Forschungsinteresse schnell wachsen (Lamp 1987 ; Robert, Anderson 1987 ; Srinivasan 2006 ). PA nutzt den Fortschritt in der Informationstechnologie (wie z. B. Datenerhebung, Datenverarbeitung und Datenaufbereitung), mit deren Potenzial die landwirtschaftliche Produktion ökonomisch wie auch ökologisch effizienter gestaltet werden kann (National Research Council 1997 ). PA kann daher als Konzept angesehen werden, das Bestrebungen in Richtung ganzheitlicher Produktion und Umweltmanagement realisiert (Florin 2007 ). Unter dem Begriff Precision Agriculture werden üblicherweise alle präzisionslandwirtschaftlich betriebenen Teilbereiche der Landwirtschaft, wie beispielsweise Precision Farming (PF), Precision Livestock Farming, Precision Viticulture, Precision Horticulture oder Precision Irrigation, zusammengefasst. PF steht dabei als Sammelbegriff für Produktionstechniken im Pflanzenbau, die intensiv und umfassend spezifische Standort- und Bestandesdaten nutzen, für die durch Sensoren, Ortungstechniken und spezielle Erhebungen zeitlich und räumlich hoch aufgelöste Informationen über Boden und Pflanzenbestand geliefert werden müssen (Werner, Dreger, Schwarz 2008 ). Die „informationsgeleitete Pflanzenproduktion mit Precision Farming als zentrale inhaltliche und technische Voraussetzung für eine nachhaltige Entwicklung der landwirtschaftlichen Landnutzung“ ist Forschungsgegenstand des von 2005 bis 2008 laufenden Verbundforschungsprojektes preagro II gewesen. Ziel dieses Projektes war unter anderem, spezielle Lösungen zu wichtigen Problemen der Standort- und Bestandesanalyse für den Einsatz von PF in der landwirtschaftlichen Produktion zu liefern. Die vorliegende Arbeit entstand im Rahmen des Teilprojektes 16, das sich mit der Methodenentwicklung zur flächenhaften Analyse und Modellierung von Wurzelwachstum unter Berücksichtigung des Boden- und Pflanzenwasserhaushalts befasste.

Durch die Anpassung des Managements an die hohe räumliche und zeitliche Variabilität von Boden und Pflanzenbeständen, deren Verwirklichung besonders durch den Einsatz von PA- bzw. PF-Techniken möglich ist, werden nicht nur ökonomische und ökologische Kosten der Produktion gesenkt sondern auch die Produktivität gesteigert. Für die Optimierung von Produktivität und Wirtschaftlichkeit müssen nach (Srinivasan 2006 ) drei Basiskriterien erfüllt werden:

  1. die Möglichkeit, jeden Punkt auf einem Schlag (über Geokoordinaten) zu identifizieren
  2. die Möglichkeit, Daten auf angemessener Skala und in entsprechender Häufigkeit zu erfassen, zu interpretieren und zu analysieren
  3. die Möglichkeit, Aufwandmengen und Bewirtschaftungspraktiken anzupassen, um die Leistung jedes Standortes zu maximieren.

↓2

Zur Erfüllung dieser Anforderungen werden verschiedene Hilfsmittel wie z. B. globale Positionierungssysteme (GPS), geografische Informationssysteme (GIS) und relationale Datenbanken in Verbindung mit räumlich-attributiven Vorinformationen als Grundlage für Entscheidungsfindungssysteme (DSS; Decision Support System) genutzt (Herbst 2002 ) (Abb. 1.1). Die Qualität der Anpassung an die Variabilität von Boden und Pflanzenbeständen hängt dabei in hohem Maße von Qualität und Quantität der bereitgestellten Daten ab: je hoch auflösender hochqualitative Daten vorliegen, desto genauer kann die existierende Heterogenität von Boden und Pflanzenbeständen erfasst werden, so dass die Anpassung des Managements umso besser erfolgen kann. Für die Erfassung der erforderlichen Standort- und Bestandesdaten in der nötigen räumlichen und zeitlichen Auflösung sowie für eine Extrapolation der Daten in unbeprobte Flächen bzw. die Interpolation zwischen beprobten Arealen sind Probenahmedistanzen erforderlich, die in der Regel mit einem extrem hohen zeitlichen, finanziellen und auch personellen Aufwand verbunden sind (vgl. Frogbroock u. a. 1999 ; Herbst, Lamp 2004 ;McBratney 2003 ; McBratney, Pringle 1997 ;Viera 1999 ). Daher sind sowohl Methoden für eine möglichst einfache und schnelle Erfassung von räumlich hochauflösenden Daten als auch effiziente entscheidungs-unterstützende Tools zur Datenanalyse notwendig, für die häufig die Fusion von erhobenen Daten erforderlich wird. Zur Multidatenfusion und Datenauswertung existieren neben zahlreichen anderen Verfahren so genannte Klassifizierungsmethoden (vgl. Behrens u. a. 2005 ;Behrens, Scholten 2005 ; Gordon, Shortcliffe 1985 ; Sommer u. a. 2003 ; Srinivasan, Richards 1990 ; van Meirvenne, Cockx, Vitharana 2005 ), die insbesondere zur Unterscheidung nicht-metrischer komplexer Strukturen und Muster, wie sie z. B. häufig im Zusammenhang mit Boden und seinen Eigenschaften auftreten, nützlich sind. Die so genannten weichen Klassifizierungsmethoden, zu denen auch die Dempster-Shafer-Theorie - eine Erweiterung der Bayesschen Wahrscheinlichkeitstheorie - zählt, verzichten darauf, definitive Aussagen über das Zutreffen einer Hypothese zu treffen. Stattdessen wird ein

Abb. 1.1: Hilfsmittel zur Umsetzung von Precision Agriculture (nach Srinivasan 2006 )

Vertrauensintervall für das Zutreffen einer Hypothese angegeben (vgl. Lein 2003 ). Der Vorteil der Dempster-Shafer-Theorie im Vergleich zu anderen weichen Klassifizierungen, wie z. B. der Fuzzy Logic, besteht zum einen darin, dass bei Zunahmen der Evidenzen die Hypothesenmenge auf eine kleinere Anzahl eingegrenzt werden kann (Shafer 1976 ). Ein weiterer Vorteil liegt in der Möglichkeit, menschliche Beurteilung in Form von Experten-wissen in den Klassifizierungsprozess einfließen lassen zu können (Foody 1999 ). Durch diese Kombination von subjektiven und technischen Beurteilungen, das heißt durch Anwendung semiquantitativer Methoden, wird es möglich, die Unsicherheit bei der Klassifizierung besser auszudrücken und die Qualität der Ergebnisse zu erhöhen (vgl. Lein 2003 ).

↓3

Eines der Ziele dieser Arbeit bestand darin, auf Basis der Dempster-Shafer-Theorie ein GIS basiertes Modell zu entwickeln, das in der Lage ist, hochauflösende Informationen über das Auftreten von (physikalischen) Bodeninformationen für eine Anpassung des Managements und für die Modellierung zur Verfügung zu stellen.

Die Wasserverfügbarkeit beeinflusst zahlreiche pflanzenphysiologische Prozesse und ist daher der entscheidende Faktor bezüglich des Wachstums und der Ertragsbildung von Weizen (Atwell, Kriedemann, Turnbull 1999 ; Hay 1999 ) bzw. von Nutzpflanzen im Allgemeinen. Sie wird sich zukünftig aufgrund des Klimawandels weltweit ändern. Bezogen auf Deutschland werden diesbezüglich laut zweier Studien des Potsdam-Institutes für Klimafolgenforschung (PIK) (Zebisch u. a. 2005 ; Wechsung u. a. 2008 ) insbesondere in großen Teilen Ostdeutschlands negative Änderungen auftreten. Da Pflanzenbestände hoch adaptive Systeme sind, ist die Anpassung der Bestandesführung an die Variabilität der Bodenwasser-verfügbarkeit und des Klimas schwierig. Aufgrund ihres Potenzials, die komplexen Reaktionen der Pflanzen auf Änderungen in ihrer physikalischen, chemischen und biologischen Umwelt widerzuspiegeln (Wallach, Makowski, Jones 2006 ), können Pflanzenwachstums- und Ertragssimulationsmodelle als Vorhersage- und Entscheidungsinstrumente genutzt werden, um das Bestandesmanagement zu optimieren und an diese schwankenden Bedingungen anzupassen. Sie können daher - wie aus Abb. 1.1 ersichtlich ist - geeignete Hilfsmittel zur Umsetzung von PA bzw. PF darstellen. Weiterhin können sie dazu verwendet werden, z. B. die Ertragsvariabilität zu charakterisieren und so die Produktion zu optimieren (Florin 2007 ) und bieten die Möglichkeiten, den Grad der Nachhaltigkeit von Bewirt-schaftungssystemen zu messen, Zukunftstrends aufzuzeigen oder brauchbare Maßnahmen zur Minimierung der Umweltbelastung zu bestimmen (Srinivasan 2006 ). Da das Verständnis von raum-zeitlichen Boden- und Pflanzeninformationen Voraussetzung für die Effektivität von PA ist, ist eine Definition der Erwartungen an die Ergebnisse von Decision Suppport Systemen sehr wichtig (Florin 2007 ).

Ebenso wie die Qualität der Anpassung von Bewirtschaftungsmaßnahmen an die Variabilität von Boden und Pflanzenbeständen hängt die Qualität der Ergebnisse von Pflanzenwachstums- und Ertragssimulationsmodellen - neben der Modellqualität - von Qualität und Quantität der bereitgestellten Daten ab (vgl. Hunt, Boote 1998 ): mit steigender Auflösung und Qualität der Inputdaten steigt auch die Genauigkeit der Erfassung existierender Heterogenitäten von Boden und Pflanzenbeständen, so dass die Simulationsergebnisse eines Modells - in Abhängigkeit von dessen Fehlerkomponenten bis zu einem gewissen Grad - umso besser an die Realität angenähert werden können.

↓4

Das Pflanzenwachstumsmodell CERES-Wheat ist eine Modellkomponente des Decision Support System for Agricultural Technologie Transfer (DSSAT), das entwickelt wurde, um Managemententscheidungen in der landwirtschaftlichen Praxis zu unterstützen (Tsuji, Hoogenboom, Thornton 1998 ; Jones u. a. 2003 ). CERES zählt zu den prozessorientierten Modellen, die die Effekte von temporalen und multiplen Stressinteraktionen auf das Pflanzenwachstum unter verschiedenen Umwelt- und Managementbedingungen berechnen (Basso u. a. 2001 ). Dauer des Wachstums, Biomasseakkumulation, Sink-Source-Verteilung und Ertrag werden in CERES-Wheat basierend auf einem empirischen Konzept simuliert (Ritchie, Godwin, Otter-Nacke 1988 ). In unterschiedlichen Studien (z.B. Heinemann, Hoogenboom, Chojnicki 2002 ; Langensiepen u. a. 2008 ; Sarkar, Kar 2008 ) wurde gezeigt, dass die Niederschlagsvariabilität großen Einfluss auf die Vorhersagequalität des Modells hat. Die Variabilität der Niederschläge wirkt auf die Berechnung der Bodenwasserverteilung, der Wurzellängendichte und der Reaktion der Pflanze auf Wasserstress (Ritchie u. a. 1998 ). Das Ausmaß dieser Stressreaktion ist wiederum abhängig von Änderungen in den berechneten Wurzellängendichten, die in dem CERES Modell mit der simulierten Bodenwasserverteilung korreliert wurden (Ritchie, Godwin, Otter-Nacke 1988 ). Da die Variabilität der physikalischen und chemischen Bodeneigenschaften innerhalb eines Schlages maßgeblichen Einfluss auf die Vorhersage des Modells von Biomasse und Ertrag hat, sind eine hohe Vorhersagequalität und genaue, hoch qualitative Eingangsdaten wichtige Voraussetzungen für eine erfolgreiche Anwendung des Modells. Um vor allem im Zusammenhang mit Präzisionslandwirtschaft das nützliche Potenzial von Modellen als Entscheidungsunterstützungssysteme vollständig ausschöpfen zu können, müssen diese beiden Voraussetzungen erfüllt sein.

Da Wurzelwachstum in starkem Maße die Rate bestimmt, mit der Pflanzen Bodenressourcen für Wachstum und Ertrag nutzen (Lambers, Chapin, Pons 2008 ), ist eine Validation der Berechnung der Bodenwasserverteilung sowie der Effekte der Wasserverteilung auf die Simulation der Wurzellängendichten erforderlich, um die Vorhersagequalität von CERES-Wheat zu prüfen.

Ein weiteres Ziel dieser Arbeit bestand aus diesem Grunde darin, die Wurzel- und Bodenwasserroutine des Modells CERES-Wheat durch die Analyse von Effekten standort-spezifischer und zeitlicher Änderungen des Bodenwassergehaltes auf die Simulation des Wurzelwachstums zu validieren.

↓5

Die Charakteristika von Wurzelsystemen hängen von der Heredität ab, können aber durch Umweltfaktoren wie beispielsweise Textur, Tiefe, Wassergehalt, Mineralogie, Chemie und Belüftung des Bodens sowie Konzentration an gelösten Stoffen verändert werden (Kramer, Boyer 1995 ). Die Rate des Bodenaufschlusses durch Wurzeln wird in erster Linie vom physiologischen Zustand der Pflanze und von Bodenbedingungen, insbesondere von Durchdringungswiderstand sowie Bodentemperatur und -feuchte, gesteuert (Klepper 1992 ). Die Reaktion von Pflanzen auf Wasserstress ist dabei unterschiedlich und abhängig vom Zeitpunkt seines Auftretens, seiner Dauer und seines Ausmaßes (Hsiao, Bradford 1983 ). Zusammenhänge zwischen dem Effekt von Wassermangel bzw. von Änderungen des Bodenwasserstatusses auf das Wurzelwachstum von Pflanzen und deren Wasseraufnahme können immer noch nicht hinreichend genau quantifiziert werden und sind daher weiterhin Gegenstand umfangreicher Untersuchungen (z. B. Asseng u. a. 1998 ; Chaudhary, Bhatnagar 1980 ; Meyer u. a. 1990 ; Sharma, Ghildyal 1977 ; Weir, Barraclough 1986 ). So stellte z. B. (Klimanek 1987 ) fest, dass kurzzeitiges Wasserdefizit zu einer Stagnation des Wurzelwachstums mit direkten Konsequenzen für Sprosswachstum und Ertrag führen kann, und (Schroetter, Rogasik, Schnug 2006 ) berichten von einer Förderung des Wurzelwachstums in tieferen Bodenschichten bei anhaltend niedriger Wasserversorgung. Hieraus ergibt sich die Frage nach der Menge an pflanzenverfügbarem Bodenwasser, die in Abhängigkeit von Boden- und Pflanzencharakteristika variiert. Humusgehalt, Bodentextur, -struktur, -schichtung und -chemie bzw. Pflanzenart, Wurzelcharakteristika, -verteilung oder -tiefe sowie Entwicklungsstadium sind nur einige der Einflussfaktoren (Tolk 2003 ), die räumlich (und zeitlich) hoch variabel sind.

Die Aufnahme von Wasser und Nährstoffen wird neben deren Verfügbarkeit durch das Aufnahmevermögen der Pflanzen bestimmt (Reuter 2006 ), das von morphologischen, anatomischen und physiologischen Eigenschaften und Charakteristika der Wurzeln abhängt (Buljovcic, Engels 2001 ). Zu den morphologischen Eigenschaften zählt auch die Wurzellängendichte, die die Größe der Austauschfläche zwischen Wurzeln und Boden beeinflusst (Reuter 2006 ). Wurzelwachstum bestimmt in starkem Maße, wie Wasser und Nährstoffe für das Pflanzenwachstum und die Ertragsbildung genutzt werden (Lambers, Chapin, Pons 2008 ) und kann daher weit reichende Konsequenzen für die landwirtschaftliche Praxis haben.

Aufgrund dessen bestand ein Ziel dieser Arbeit darin, das Wurzelwachstum von Winterweizen an zwei unterschiedlichen Standorten in Deutschland unter Berücksichtigung der Einflüsse unterschiedlicher Bodenwasserstati und Bodeneigenschaften zu untersuchen. Die in diesem Rahmen erhobenen Wurzel- und Bodenwasserdaten dienten gleichzeitig zur Validation der Wurzel- und Bodenwasserroutine des Modells CERES-Wheat.

↓6

Zur Bestimmung der Wurzellänge bzw. der Wurzellängendichte existieren zahlreiche unterschiedliche Messmethoden. Zum einen besteht die Möglichkeit der Bestimmung durch vorwiegend früher eingesetzte manuelle und daher sehr zeitintensive linearen Messungen (Böhm 1979 ) oder Linien-Intersektions-Techniken (Newman 1966 ; Tennant 1975 ), zum anderen durch heutzutage überwiegend angewandte unterschiedliche Bildanalysesysteme, mit deren Hilfe die Wurzellänge aus Wurzelbildern abgeleitet wird (z. B. Bauhus, Messier 1999 ; Dowdy, Nater, Dolan 1995 ; Himmelbauer, Loiskandl, Kastanek 2004 ; Kaspar, Ewing 1997 ; Richner u. a. 2000 ; Smit u. a. 2000 ; Smucker u. a. 1987 ; Vamerali u. a. 2003 ). Aus Kostengründen wurde im Rahmen dieser Arbeit für die Bestimmung der Wurzellängendichte keines der bereits auf dem Markt erhältlichen Softwarepakete - die meistens die Bestimmung zusätzlicher Wurzelparameter wie beispielsweise Durchmesser, Volumen oder Architektur beinhalten - angeschafft und verwendet. Stattdessen wurde ein eigenes halbautomatisches Verfahren unter Verwendung der schon vorhandenen und in vielen Bereichen der Wissen-schaft und des Ingenieurwesens angewandten Software MATLAB entwickelt, mit der das in diesem Falle ausschlaggebende Merkmal Wurzellängendichte bestimmt wurde.

Die vorliegende Arbeit besteht neben der Beschreibung der Untersuchungsgebiete im Wesent-lichen aus vier Teilen. Im ersten Teil (Kapitel 3) wird die Entwicklung und Anwendung einer Methode zur Bestimmung der Wurzellängendichte vorgestellt.

Da Wurzellängendichte bzw. Wurzelwachstum, Bodenwasser und Bodeneigenschaften sowohl zueinander als auch zum gesamten Pflanzenwachstum in engem Wechselspiel stehen und räumlich wie zeitlich hoch variabel sind, werden in Kapitel 4, dem zweiten Abschnitt der Arbeit, die Ergebnisse der Untersuchung des Wurzelwachstums von Winterweizen an zwei unterschiedlichen Standorten unter Berücksichtigung der Einflüsse unterschiedlicher Bodenwasserstati und Bodeneigenschaften dargestellt und diskutiert.

↓7

Der dritte Teil der Arbeit (Kapitel 5) befasst sich mit der Validation der Wurzel- und Bodenwasserroutine des Modells CERES-Wheat, die aufgrund der beschriebenen Zusammen-hänge zwischen Wurzelwachstum, Bodenwasser und Gesamtpflanzenwachstum erforderlich schien. Bei Anwendung der punktbasierten Modelle der DSSAT-Familie ist eine hohe Anzahl an Punktsimulationen Voraussetzung für eine adäquate Abbildung der standörtlichen Variabilität. Um den zeitlichen und personellen Aufwand, der mit einer großen Zahl an Monitoringpunkten einhergeht, möglichst gering zu halten, müssen Verfahren genutzt werden, die in der Lage sind, die nötigen Informationen hoch auflösend zur Verfügung zu stellen.

Daher befasst sich Kapitel 6, der vierte Abschnitt der Arbeit, mit einem methodischen Vorschlag für ein GIS-basiertes Modell, das unter Nutzung von Bodenleitfähigkeitsdaten sowie Informationen zu Textur, Bodentyp und Wasserstatus in der Lage ist, hochauflösende Bodeninformationen zur Verfügung zu stellen.

Zu den einzelnen Teilen ergaben sich spezifischen Fragen, aus denen Hypothesen für die vorliegende Arbeit abgeleitet wurden:

↓8

1. Wie wirken sich die unterschiedlichen Standortbedingungen (z. B. Bodeneigen-schaften oder Witterungsverhältnisse) und damit auch unterschiedlichen Wachstums-bedingungen auf die Durchwurzelung an den beiden Versuchsstandorten aus?

Hypothese: Die in der Literatur zu findenden Angaben bezüglich der Einflüsse verschiedener Standortbedingungen auf das Wurzelsystem von Nutzpflanzen (z. B. Bodenwasserstatus und Bodendichte) lassen sich für die Versuchsstandorte Groß Twülpstedt und Wulfen generalisieren.

Wurzelwachstum und Bodenwasser sind räumlich wie zeitlich hoch variabel und stehen sowohl zueinander als auch zum gesamten Pflanzenwachstum in engem Wechselspiel. Die Reaktion von Pflanzen auf diese Variabilität kann potenziell mit Hilfe von Pflanzen-wachstumsmodellen berechnet werden.

↓9

2. Wie gut ist die Berechnungsgenauigkeit des Modells CERES-Wheat unter den klimatischen Bedingungen der beiden Versuchsstandorte bezüglich Wurzelwachstum und Bodenwasser? Werden standörtliche Unterschiede und zeitliche Veränderungen von Wurzelwachstum und Bodenwasser durch das Modell ausreichend abgebildet?

Hypothese: Standörtliche und zeitliche Variabilität von Wurzelwachstum und Bodenwasser können mit dem Modell CERES-Wheat im Rahmen von Präzisionslandwirtschaft ausreichend abgebildet werden.

Da die im vorliegenden Fall verwendeten, regionalisierten Klimadaten auf interpolierten Werten verschiedener Wetterstationen der entsprechenden Region basieren, stellen sie zwangsläufig eine Unsicherheit bezüglich der Simulationen dar und müssen kritisch betrachtet werden.

↓10

3. Wie wirken sich Fehler bzw. Unsicherheiten der generell kleinräumig stark schwankenden und in diesem Falle regionalisierten Klimadaten auf die Modellsimulationen aus?

Hypothese: Änderungen in den Niederschlagsmengen haben einen deutlichen Effekt auf die Modellsimulationen bezüglich Bodenwassergehalt und Wurzellängendichte, der sich in erkennbaren Änderungen der simulierten Variablen und deren Fehler zeigt.

Die Anpassung von Bewirtschaftungsmaßnahmen an die Variabilität von Boden und Pflanzenbeständen sowie die Ergebnisse von Pflanzenwachstums- und Ertragssimulations-modellen hängen von Qualität und Quantität der bereitgestellten Daten ab.

↓11

4. Wie und auf Grundlage welcher Daten können die für eine Anpassung des Manage-ments und für die Modellierung notwendigen räumlich hoch aufgelösten Bodeninfor-mationen mit möglichst geringem zeitlichen, personellen und finanziellen Aufwand zur Verfügung gestellt werden?

Hypothese: Mit einem Klassifikationsmodell auf Basis der Dempster-Shafer-Theorie können nicht-metrische und komplexe Bodeninformationen unter relativ geringem zeitlichen, personellen und finanziellen Aufwand hoch aufgelöst dargestellt werden.


© Die inhaltliche Zusammenstellung und Aufmachung dieser Publikation sowie die elektronische Verarbeitung sind urheberrechtlich geschützt. Jede Verwertung, die nicht ausdrücklich vom Urheberrechtsgesetz zugelassen ist, bedarf der vorherigen Zustimmung. Das gilt insbesondere für die Vervielfältigung, die Bearbeitung und Einspeicherung und Verarbeitung in elektronische Systeme.
DiML DTD Version 4.0Zertifizierter Dokumentenserver
der Humboldt-Universität zu Berlin
HTML-Version erstellt am:
17.08.2010