5 Modellierung der Effekte von standortspezifischen und zeitlichen Variationen des Bodenwassergehaltes auf das Wurzelwachstum von Winterweizen mit dem Modell CERESWheat

5.1 Einleitung

↓49

Ungefähr ein Viertel der landwirtschaftlich genutzten Fläche in Deutschland wird für den Weizenanbau genutzt (Statistisches Bundesamt 27.05.2005 ). Die Anbaufläche und den Ertrag von Winterweizen betreffend, gehören Sachsen-Anhalt und Niedersachsen zu den führenden Bundesländern in Deutschland. Besonders in Sachsen-Anhalt tritt häufig eine negative Wasserbilanz während der Vegetationsperiode auf (Zebisch u. a. 2005 ). Die Wasserverfügbarkeit beeinflusst zahlreiche physiologische Prozesse und ist daher der entscheidende Faktor, der das Wachstum und die Ertragsbildung von Weizen beeinflusst (Atwell, Kriedemann, Turnbull 1999 ; Hay 1999 ). Da Pflanzenbestände hoch adaptive Systeme sind, ist die Anpassung der Bestandesführung an Schwankungen der Bodenwasserverfügbarkeit und des Klimas oft schwierig zu bewerkstelligen. Pflanzenmodelle sind potenziell dazu in der Lage, die komplexen Reaktionen der Pflanzen auf Änderungen in ihrer physikalischen, chemischen und biologischen Umwelt widerzuspiegeln (Wallach, Makowski, Jones 2006 ). Sie können potenziell als Vorhersage- und Entscheidungsinstrumente genutzt werden, um das Bestandes-management zu optimieren und an diese schwankenden Bedingungen anzupassen. Das Decision Support System for Agricultural Technologie Transfer (DSSAT) gehört zu dieser Gruppe von Modellen und wurde entwickelt, um Managemententscheidungen in der landwirtschaftlichen Praxis zu unterstützen und Zeit, Unsicherheiten und menschliche Ressourcen einzusparen, die für die Analyse dieser komplexen, wechselnden Entscheidungen nötig sind (Tsuji, Hoogenboom, Thornton 1998 ; Jones u. a. 2003 ). CERES-Wheat ist Bestandteil von DSSAT und hat eine lange Entwicklungsgeschichte und wurde erfolgreich in unterschiedlichen Teilen der Welt und unter einer großen Bandbreite von Umwelt-bedingungen angewandt (Otter-Nacke 1986 ;  Ritchie, Godwin, Otter-Nacke 1988 ; Porter, Jamieson, Wilson 1993 ; Jamieson u. a. 1998 ; Savin, Hall, Satorre 1994 ; Tsuji, Hoogenboom, Thornton 1998 ; Ghaffari, Cook, Lee 2001 ; Jones u. a. 2003 ; Timsina, Humphreys 2006 ). Die Dauer des Wachstums, Biomasseakkumulation, Sink-Source-Verteilung und Ertrag werden in dem Modell basierend auf einem empirischen Konzept simuliert (Ritchie, Godwin, Otter-Nacke 1988 ). Unterschiedliche Studien zeigten, dass die Vorhersagequalität von CERES-Wheat durch Schwankungen des Niederschlags stark beeinflusst wird (z. B. Heinemann, Hoogenboom, Chojnicki 2002 ; Langensiepen u. a. 2008 ; Sarkar, Kar 2008 ). Diese wirken sich auf die Berechnung der Bodenwasserverteilung, der Wurzellängendichte und der Reaktion der Pflanzen auf Wasserstress aus (Ritchie 1998 ), deren Ausmaß mathematisch abhängig von Änderungen in den berechneten Wurzellängendichten ist. Die simulierten Wurzellängendichten korrelieren wiederum mit der simulierten Bodenwasserverteilung (Ritchie, Godwin, Otter-Nacke 1988 ). Wurzelwachstum bestimmt in starkem Maße, mit welcher Rate Pflanzen Nährstoffe und Wasser für das Wachstum und die Ertragsbildung nutzen (Lambers, Chapin, Pons 2008 ). Um die Vorhersagequalität von CERES-Wheat zu prüfen, ist daher eine Validation der Berechnung der Bodenwasserverteilung sowie der Effekte der Wasserverteilung auf die Simulation der Wurzellängendichten erforderlich. Die Variabilität der physikalischen und chemischen Bodeneigenschaften innerhalb eines Schlages hat maßgeblichen Einfluss auf die Berechnungen von Biomasse und Ertrag, weshalb eine hohe Vorhersagequalität und genaue, hoch qualitative Eingangsdaten wichtige Voraussetzungen für eine erfolgreiche Anwendung des Modells sind - vor allem im Zusammenhang mit Präzisionslandwirtschaft. Das nützliche Potenzial von Modellen als Entscheidungsunterstützungssystem kann nur vollständig ausgeschöpft werden, wenn diese beiden Voraussetzungen gegeben sind.

↓50

Ziel war es, durch die Analyse der Effekte von standortspezifischen und zeitlichen Änderungen des Bodenwassergehaltes auf die Simulation des Wurzelwachstums die Wurzel- und Bodenwasserroutine des Modells CERES-Wheat zu überprüfen.

5.2 Material und Methoden

5.2.1 Eingangsdaten für die Modellierung

Für diese Arbeit wurde die Version 4.5 des Modells CERES-Wheat genutzt. Die meteorologischen Daten stammen aus der MARS-Datenbasis des Joint Research Centre der Europäischen Kommission (JRC). MARS (Monitoring Agriculture with Remote Sensing) liefert regionalisierte Wetterdaten, die auf interpolierten Daten verschiedener Wetterstationen der entsprechenden Region basieren. Da Klimadaten grundsätzlich starken kleinräumigen Schwankungen unterliegen, können die MARS-Daten nur einen Überblick über die tatsächlich vorherrschenden Verhältnisse auf den Betrieben geben. Da Schwankungen der Niederschläge die Vorhersagequalität des Modells stark beeinflussen, stellen die verwendeten MARS-Daten zwangsläufig eine Unsicherheit bezüglich der Simulationen dar und müssen kritisch betrachtet werden. Aus diesem Grund wurde eine Unsicherheitsanalyse durchgeführt, indem die Niederschlagsmenge stufenweise (jeweils immer um 10%) von -70 bis +130 % verändert wurde.

Die Bodendaten stammen aus Feld- und Laboruntersuchungen, die im Rahmen des Forschungsverbundprojektes preagro II durchgeführt wurden. Die Textur wurde mit einer Kombination aus Schlämmanalyse (Sandfraktionen) und Pipettmethode nach Köhn (Schlufffraktionen und Ton), die Bodendichte mit 100cm3-Stechzylindern bestimmt (siehe auch Kap. 4.2.4).

↓51

Die Ableitung der Kennwerte des Bodenwasserhaushaltes (LL – permanenter Welkepunkt, DUL - Feldkapazität, SAT - Sättigung, SKS – gesättigte Wasserleitfähigkeit) für die einzelnen Bodenschichten erfolgte nach KA5 (Bodenkundliche Kartieranleitung, 5. Auflage).

Die genetischen Koeffizienten für die Winterweizensorten Cubus, Tommi und Ritmo wurden mit der Software GENCALC (Hunt u. a. 1993 ) ermittelt.

Die Simulationen für die beiden Versuchsschläge Finkenherd und Rabenberg erfolgten jeweils für die Jahre 2005 und 2006.

5.2.2 Das DSSAT-Modell

↓52

In der verwendeten DSSAT-Version basiert das CSM (Cropping System Model) auf einer modularen Modellstruktur (Abb. 5.1). Bodenwasser-, Stickstoff- und Kohlenstoffdynamik werden im CSM simuliert, während Pflanzenwachstum und -entwicklung je nach Feldfrucht mit den Modulen CROPGRO, CERES oder SUBSTOR simuliert werden. Die Modelle der CERES-Familie wurden für die Simulation des Wachstums verschiedener Getreidearten entwickelt. Neben dem Modell CERES-Wheat, das im Rahmen dieser Arbeit genutzt wurde und mit dem das Wachstum von Weizen simuliert wird, existieren innerhalb von DSSAT in der CERES-Familie weitere Modelle zur Simulation von Mais, Gerste und Hirse.

Da CERES-Wheat und seine Struktur in diversen Veröffentlichungen beschrieben wurden (z. B. Godwin u. a. 1989 ; Hoogenboom u. a. 2003 ; Jones u. a. 2003 ; Ritchie, Otter 1985 ) wird hier nur eine Übersicht gegeben. Eine Ausnahme bilden das Bodenwassermodell und die Wurzelwachstumsroutine, die für diese Arbeit eine besondere Rolle spielen und daher ausführlicher beschrieben werden.

Für die Simulation müssen verschiedene Inputfiles zusammengestellt werden, die Informationen über Experiment, Standort, Boden, Klima und Genotyp enthalten.

↓53

Der Experimentaldatenfile enthält Informationen, die für die Simulationen verschiedener Behandlungen nötig sind. Dies sind z. B. Lage des Experiments, Saatzeitpunkt oder Beregnung sowie Informationen über die vorherrschenden Bedingungen, wie u. a. Ergebnisse von Bodenanalysen, Pflanzenzahlen, Beregnungs-, Dünge- und Erntemanagement oder Anfangsbedingungen bezüglich des Bodens.

Der Wetterfile enthält Wetterdaten wie Maximum- und Minimumtemperatur, Niederschlag, Sonneneinstrahlung oder auch Windgeschwindigkeit und photosynthetisch aktive Strahlung.

Abb. 5.1: Übersicht über die Komponenten und die modulare Struktur des DSSAT-CSM (Jones u. a. 2003 )

↓54

Im Bodenfile werden für jede Bodenschicht deren jeweilige Mächtigkeit sowie chemische und physikalische Eigenschaften und sonstige Bodeninformationen hinterlegt.

Der Genotypdatenfile beinhaltet sortenspezifische genetische Parameter bezüglich Vernalisation, Photoperiode, Kornfüllungsdauer sowie Kornzahl und -größe, Trockengewicht eines Stängels und Blattentwicklungsdauer. Die Anpassung dieser Koeffizienten an die jeweiligen spezifischen Bedingungen erfolgt über eine rekursive Parameteranpassung mit der im Modell enthaltenen Software GENCALC.

Das Modell simuliert phänologische Entwicklung, Biomasseakkumulation und -partitionierung, Blattflächenindex, Wurzel-, Halm- und Blattwachstum sowie die Bodenwasser- und Stickstoffbilanz auf täglicher Basis. Im Outputfile ist eine Übersicht aller eingegebenen Informationen (s. o) sowie ausgewählter Simulationsergebnisse enthalten, wie z. B. Pflanzen- und Bodenstatus zu den Hauptentwicklungsstadien, zeitliche Verteilung der Bestandesvariablen oder Bodenwasser.

↓55

Das eindimensionale Bodenwassermodell (Ritchie 1998 ) berechnet auf täglicher Basis alle Prozesse, die den Wassergehalt im Bodenprofil direkt beeinflussen (Abb. 5.2). Die täglichen Wassergehaltsänderungen in jeder Bodenschicht werden unter Berücksichtigung von Niederschlag und Beregnung, vertikalem Wasserfluss, Wasserbewegung im ungesättigten Bereich,

Abb. 5.2: Im Bodenwasser- und Soil-Plant-Atmosphere interface Modul modellierte Prozesse (verändert nach Jones u. a. 2003 )

Evaporation und Wasseraufnahme durch die Pflanzenwurzeln berechnet. Für die Berechnung der Abwärtsbewegung von Bodenwasser nutzt das Modell den sogenannten wassergehalts-getriebenen „tipping bucket“-Ansatz. Das heißt, abwärtsgerichteter Wasserfluss aus einer Bodenschicht findet dann statt, wenn der Bodenwassergehalt in der Schicht zwischen Sättigung und nutzbarer Feldkapazität liegt. Die Aufwärtsbewegung von Wasser im ungesättigten Bereich wird durch eine konservative Schätzung des Diffusionsvermögens von Bodenwasser und über Unterschiede im volumetrischen Wassergehalt aneinandergrenzender Schichten berechnet (Ritchie 1998 ). Die Infiltration je Tag wird berechnet, indem der Oberflächenabfluss vom Niederschlag, der an diesem Tag auftritt, subtrahiert wird. Die Partitionierung von Niederschlag in Oberflächenabfluss und Infiltration basiert auf dem „curve number“-Ansatz des United States Department of Agriculture für geschichtete Böden, der die Feuchteverhältnisse der oberflächennahen Bodenschichten sowie Textur, Neigung, Saatmethode und den Bodenwassergehalt zu dem Zeitpunkt, an dem Niederschlag auftritt, berücksichtigt (Williams, Jones, Dyke 1984 ). Die Versickerung des Wassers im Boden wird zunächst basierend auf einem allgemeinen Dränparameter kalkuliert, der über die Tiefe als konstant angenommen wird. Die Menge an Wasser, die jede Schicht durchfließt, wird dann mit der gesättigten Leitfähigkeit der jeweiligen Schicht verglichen. Wenn die gesättigte Leitfähigkeit einer Schicht geringer ist als die für die Schicht kalkulierte vertikale Versickerung, wird die aktuelle Versickerung auf den Leitfähigkeitswert limitiert und Wasser sammelt sich oberhalb der Schicht an. Evaporation und Wasseraufnahme durch Pflanzenwurzeln aus den verschiedenen Bodenschichten werden in einem anderen Modul (Soil-plant-atmosphere interface module) berechnet und sind mit dem Bodenwassermodul verknüpft. Der Bodenwassergehalt in jeder Schicht wird täglich aktualisiert, indem der tägliche Wasserfluss in oder von einer Bodenschicht in Abhängigkeit von den beschriebenen Prozessen addiert oder subtrahiert wird.

↓56

Das Stickstoff- und Kohlenstoffmodell (Godwin, Singh 1998 ), simuliert die Prozesse, die bei der Umsetzung der organischen Substanz im Boden ablaufen: Mineralisation und Immobilisation, Nitrifikation und Denitrifikation, Nitrat- und Harnstoffflüsse, Verflüchtigung von Ammonium, Stickstoffaufnahme durch Pflanzenwurzeln und Verlagerung in die verschiedenen Pflanzenorgane. Die meisten der für dieses Modul benötigten Eingangsdaten werden im Bodenwasser- und Bodentemperaturmodul berechnet. Der Transport von mobilem Stickstoff über die verschiedenen Bodenschichten ist dabei abhängig vom Wasserfluss, der über das oben beschriebene Bodenwassermodell berechnet wird. Die einzige Eingangsvariable, die im Pflanzenmodul berechnet wird, ist die tägliche Menge an abgestorbener Pflanzenbiomasse (oberirdische und unterirdische), die der Bodenoberfläche bzw. den jeweiligen Bodenschichten zugerechnet wird.

Das Wasser- und auch das Stickstoffmodell schätzen über Stressfaktoren (SWDF1 und SWDF2 sowie NDEF1, NDEF2 und NDEF3) Vorwärtskopplungseffekte auf das Pflanzen-wachstum und die Entwicklung ab. Die Faktoren und deren Einflüsse werden im Folgenden aufgelistet.

↓57

Die Beziehungen zwischen diesen Stressfaktoren und der Pflanzenreaktion sind dabei für die Faktoren SWDF1 und SWDF2 sowie NDEF1 und NDEF3 linear, für den Faktor NDEF2 nicht linear (Ritchie 1998 ).

Das Pflanzenwachstumsmodell simuliert von der Aussaat bis zur Ernte eine phasenweise Entwicklung mit neun Wachstumsstadien. Die Dauer der einzelnen Phasen ist abhängig von der Temperatur und sortenspezifischen Ansprüchen an die Temperatursumme (growing-degree days).

Die Growing-degree days (GDD) werden berechnet, indem minimale und maximale Tagesmitteltemperaturen (T min ; T max ) mit einer Basistemperatur (T base ; üblicherweise 10°C) verglichen werden:

↓58

Das Modell nutzt für die Biomasseakkumulation das Konzept der Strahlungsnutzungs-effizienz, das eine lineare Beziehung zwischen der kumulativen absorbierten Solarstrahlung und der Kohlenstoffassimilation herstellt (Ritchie u. a. 1998 ). Die tägliche absorbierte photosynthetisch aktive Strahlung (PAR) wird hierbei über einen feldfruchtspezifischen Parameter für die Strahlungsnutzungseffizienz in Trockenmasse umgerechnet. Für Weizen wird im CERES-Modell eine Strahlungsnutzungseffizienz von 2.6 - 4.0 g MJ-1 angenommen. Die im Modell angenommenen RUE-Werte sind im Vergleich zu gemessenen Werten, die sich für Weizen normalerweise in Bereichen um 1.5 g MJ-1 bewegen, sehr hoch. Laut (Ritchie u. a. 1998 ) wurden die Werte höher angesetzt, um Biomasseverluste im Wurzelsystem zu kompensieren, die durch Wurzelrespiration, -exsudation und -tod entstehen, so dass ein angemessenes Wurzelsystem für die Wasser- und Nährstoffaufnahme simuliert werden kann.

Die Lichtabsorption wird als Funktion von Blattflächenindex, Pflanzenpopulation und Reihenabstand berechnet. Das Wachstum der einzelnen Pflanzenorgane ist abhängig vom potenziellen Organwachstum, wobei das effektive Wachstum durch Temperatur sowie Wasser- und Stickstoffverfügbarkeit limitiert wird. Anzahl der entstehenden Blätter, Dauer der Kornfüllung und der Ertrag als Produkt aus Korn- und Pflanzenzahl sowie Korngewicht sind Funktionen der im Genotypfile festgelegten genetischen Parameter.

↓59

Die Entwicklung des Wurzelsystems wird in CERES-Wheat folgendermaßen berechnet: Während der gesamten Pflanzenentwicklung wird unter Berücksichtigung von Wurzelexsudation und Ablösung sowie Respiration ein bestimmter Teil der Assimilate dem Wurzelwachstum zugeteilt. Da die oberirdische Biomasseentwicklung im Modell Priorität hat, wird am Ende jedes Tages der Kohlenstoff, der nicht für die oberirdische Biomasseentwicklung benötigt wurde, dem Wurzelwachstum zugeteilt (abhängig vom Pflanzenwachstumsstadium mind. 10 - 35 %, jedoch maximal 60 %). Die so erhaltene Wurzelmasse wird unter der Annahme, dass die Wurzeln im Boden gleichmäßig verteilt sind, über einen Umrechnungsfaktor (Gregory u. a. 1978 ) in Wurzellänge umgewandelt. Die Wurzeltiefe wird berechnet, indem die Abwärtsbewegung der Wurzeln unter optimalen Bedingungen als proportional zum täglichen Temperatursummenanspruch (GDD) angenommen wird. Nicht optimale Bedingungen sind beispielsweise trockener Boden in dem Bereich, in den die Wurzeln hineinwachsen, oder Wasserstress für die Pflanze. Die entsprechenden Wasserstressfaktoren sind in der Bodenwasserroutine festgelegt und werden relevant, wenn das pflanzenverfügbare Bodenwasser unter einen Wert von 25 % fällt. Unter stresslosen Bedingungen wird die Rate für das Abwärtswachstum mit 0.22 cm/degree-day angenommen. Die Verteilung der Wurzeln innerhalb einer Bodenschicht wird über einen relativen Wurzellängendichtefaktor für jede Schicht, in der die Wurzeln wachsen, geschätzt. Dieser Faktor repräsentiert die relative Präferenz für Wurzelwachstum in verschiedenen Bodentiefen, solange Bodenwasser- und Nährstoffgehalt nicht unter bestimmte Grenzwerte fallen. Er ist abhängig von den Eigenschaften des Bodens und wird im Bodenfile entweder vom Modell automatisch berechnet oder kann vom Nutzer entsprechend modifiziert werden, wie es für die im Rahmen dieser Arbeit durchgeführten Simulationen der Fall war. Um die Verteilung neuer Wurzeln in der Tiefe zu erhalten, wird bis zur unteren Grenze der Wurzelzone unter Berücksichtigung von Stickstoff- und Wasserstressfaktoren für jede Schicht der effektive Wurzellängendichtefaktor berechnet. Die Summe dieser Faktoren aller Bodenschichten ergibt einen totalen Wurzellängendichtefaktor. Die Fraktion neuer Wurzeln in jeder Bodenschicht wird über den Quotienten aus dem tatsächlichen Wurzellängen-dichtefaktor jeder Schicht und dem totalen Faktor berechnet. Die Wurzellängendichte für jede Bodenschicht wird unter Berücksichtigung von absterbenden Wurzeln sowie Ablösungs- und anderen Prozessen aktualisiert und in cm Wurzellänge je cm3 Boden angegeben.

Im Soil-Plant-Atmosphere interface Modul werden auf täglicher Basis Lichtabsorption durch den Bestand, potentielle Evapotranspiration, aktuelle Bodenevaporation und Pflanzen-transpiration sowie die Wasseraufnahme durch Pflanzenwurzeln in jeder Bodenschicht berechnet (Abb. 5.2). Zur Berechnung der potenziellen Evapotranspiration können verschiedene Ansätze gewählt werden. Für die durchgeführten Simulationen wurde die Penman-Monteith-Referenzmethode (FAO56) verwendet. Die Berechnung der aktuellen Evaporation basiert auf einem zweistufigen Prozess nach (Ritchie 1972 ). Wenn die aktuelle Evaporation geringer ist als die potenzielle, wird die bestehende Differenz zur potenziellen Transpiration hinzuaddiert, um die steigende Wärmebelastung für den Bestand bei trockenem Boden zu berücksichtigen. Um festzustellen, ob Boden oder Atmosphäre die Transpiration der Pflanzen limitieren, wird die tägliche Wasseraufnahme durch die Pflanzenwurzeln berechnet, indem der maximale Wasserfluss zu den Wurzeln in jeder Bodenschicht kalkuliert wird. Dabei werden die Wurzellängendichte und der Wassergehalt in der jeweiligen Bodenschicht berücksichtigt. Die aktuelle Transpiration wird dann aus dem Minimum der potenziellen Transpiration und der potenziellen Wasseraufnahme durch Pflanzenwurzeln berechnet. Sie kann also sowohl durch die Atmosphäre (niedrige Sonneneinstrahlung oder kühle Temperaturen), den Bestand (niedriger LAI) und den Boden (niedriger Bodenwassergehalt und niedrige WLD) limitiert werden.

5.2.3 Kalibrierung des Modells

Durch die Kalibrierung eines Modells werden die Differenzen zwischen gemessenen und den korrespondierenden simulierten Daten minimiert, indem die Parameter des Modells an diese spezifischen Bedingungen angepasst werden Im CERES-Modell erfolgt die Kalibrierung in erster Linie über die Anpassung der sogenannten genetischen Koeffizienten. Diese können entweder manuell nach dem „visual eye fit“-Ansatz (Hunt, Boote 1998 ) oder mit einer entsprechenden Software (Hunt u. a. 1993 ) automatisch angepasst werden, indem die Koeffizienten über die Anpassung der kleinsten Quadrate schrittweise solange verändert werden, bis eine möglichst große Übereinstimmung zwischen gemessenen und simulierten Werten besteht. Im Fall der automatischen Anpassung wird mit der Methode der kleinsten Quadrate eine möglichst genau passende Modellkurve durch eine gegebene Punktwolke gelegt, die aus den simulierten (y) und den dazugehörigen beobachteten Werten (x) resultiert. Die Parameter der Kurve werden bestimmt, indem die Summe der quadratischen Abweichungen der Kurve von den simulierten Werten minimiert wird.

↓60

Zur Anpassung der genetischen Koeffizienten wird in DSSAT die gesamte Modellstruktur verwendet. Diese selbst wird während des Kalibrierungsprozesses nicht verändert, das heißt, alle weiteren im Modell enthaltenen Parameter, wie z. B. Stress- oder Partitionierungsfaktoren, bleiben gleich und nur die sieben genetischen Parameter werden verändert. Im Rahmen dieser Arbeit wurde für die Kalibrierung die Software GENCALC (Hunt u. a. 1993 ) verwendet, die in DSSAT 4.5 enthalten ist. Für die Kalibrierung der drei Winterweizensorten Cubus, Ritmo und Tommi wurden die Daten von jeweils einem Monitoringpunkt der beiden Versuchsschläge verwendet, der bezüglich Wasser und Nährstoffen als optimal versorgt angesehen werden konnte (Finkenherd: Monitoringpunkt 1; Rabenberg: Monitoringpunkt 3). Die Daten dieser Untersuchungspunkte wurden bei der Validation der Simulationsergebnisse ausgeschlossen.

Der relative Wurzelpräferenzfaktor für die unterschiedlichen Bodenschichten wurde auf Mittelwerte geändert, die aus unabhängigen Felddaten kalkuliert wurden (Abb. 5.3).

Abb. 5.3: Wurzelpräferenzfaktor nach CERES-Wheat sowie für die Versuchsschläge Finkenherd und Rabenberg

5.2.4 Validierung des Modells

↓61

Um die Vorhersagequalität von CERES-Wheat zu überprüfen, wurden die auf den Versuchs-schlägen erhobenen Daten zu Wurzellängendichte und Bodenwassergehalt genutzt (ausgenommen der zur Kalibrierung verwendeten Daten). Neben deskriptiven Statistiken, wie z. B. Mittel- und Extremwerte, wurden Regressionsanalysen durchgeführt. Um die Voraus-setzungen für die Regressionsanalysen zu gewährleisten, wurden die Daten gegebenenfalls logarithmisch transformiert. Des Weiteren wurde als Maß für die Streuung die Varianz (Var) der gemessenen und simulierten Werte und als Maß für die Abweichung der simulierten Werte vom erwarteten beobachteten Mittelwert der Bias der simulierten Werte berechnet:

und

wobei x i  die beobachteten bzw. simulierten Werte, der Mittelwert der beobachteten bzw. simulierten Werte und n die Stichprobenanzahl sowie und die Mittelwerte der simulierten bzw. der gemessenen Werte sind.

↓62

Als Gesamtmaß für die Abweichung der simulierten von den tatsächlichen Werten wurde außerdem der ‚root mean square error’ (RMSE) berechnet:

wobei n die Stichprobengröße und x sim und x gem simulierte und gemessene Werte sind.

↓63

Der RMSE stellt eine gängige Größe zur Bewertung der Simulationsgenauigkeit von Modellen dar (vgl. Diekkrüger u. a. 1995 ; Wegehenkel 2000 ).

Klima, Geogenese und Relief sowie Pedogenese und Bodenverbreitung an den Versuchsstandorten sind in Kapitel 2 dieser Arbeit beschrieben worden, weshalb an dieser Stelle nicht mehr auf die Standortbedingungen und Lage der Versuchsschläge eingegangen wird. Das Gleiche gilt sowohl für die Methodik der Wurzeluntersuchungen als auch für die Bestimmung des Bodenwassergehaltes. Diese sind ausführlich in den Kapiteln 3.2 bzw. 4.2 beschrieben.

5.3 Ergebnisse und Diskussion

Gemessene und simulierte Wurzellängendichten sind auf beiden Versuchsschlägen sehr gut korreliert (Abb. 5.4 und Abb. 5.6). Bezüglich des Schlages Rabenberg sind die Bestimmtheitsmaße (r2) sehr hoch und liegen bei 0.90 (Abb. 5.4). Bezüglich des Finkenherdes ist das Bestimmtheitsmaß mit Werten zwischen 0.65 und 0.72 niedriger, aber noch akzeptabel (Abb. 5.6). Insgesamt werden die Wurzellängendichten jedoch für den Schlag Rabenberg um 35 % und für den Schlag Finkenherd um ca. 25 bis 35 % unterschätzt. Ähnliche Ergebnisse erhielten (Robertson u. a. 1993 ) mit einem Modell zur Simulation des Wurzelwachstums von Sorghumhirse, das auf dem CERES-Ansatz basiert. Die Bestimmtheitsmaße für den Zusammenhang zwischen beobachteten und simulierten Wurzellängendichten lagen für verschiedene unabhängige Datensets zwischen 0.71 und 0.85, wobei die Wurzellängendichte in vielen Fällen um mehr als 20 % unterschätzt wurde. Im Gegensatz zu diesen Ergebnissen konnten (Savin, Hall, Satorre 1994 ) unter Verwendung des von CERES-Wheat kalkulierten Wurzelwachstumsfaktors eine nur sehr schwache Korrelation zwischen gemessenen und simulierten Wurzellängendichten für verschiedene Entwicklungsstadien bei Weizen feststellen (r2 = 0.11). Sie führten dies unter anderem auf eine erhebliche Unterschätzung der

↓64

Abb. 5.4: Beziehung zwischen gemessenen und simulierten Wurzellängendichten (logarithmisch transformiert) für den Versuchsschlag Rabenberg

Abb. 5.5: Beziehung zwischen gemessenen und simulierten Wurzellängendichten (logarithmisch transformiert) in unterschiedlichen Bodentiefen für den Versuchsschlag Rabenberg

Wurzellängendichte in den oberen 10 cm des Bodens und deren Überschätzung in den unteren Bodenschichten zurück. Unter Vernachlässigung der Simulationsergebnisse für die oberen 5 cm des Bodens konnten sie die Berechnungen deutlich verbessern, so dass das Bestimmtheitsmaß 0.66 betrug. Von einer Tendenz zur Unterschätzung der oberflächennahen Wurzellängendichte und einer Überschätzung derselben in tieferen Bodenschichten berichten auch (Robertson u. a. 1993 ) einen Teil ihrer Simulationsergebnisse betreffend. Ähnliche Ergebnisse wurden unter Verwendung des von CERES-Wheat kalkulierten Wurzelwachs-tumsfaktors für die Versuchsschläge Rabenberg und Finkenherd ermittelt.

↓65

Tab. 5.1: Deskriptive Statistik für die Wurzellängendichte (bis 1.2 m Profiltiefe) auf dem Versuchsschlag Rabenberg und Ergebnisse des Vergleichs von gemessenen und simulierten Werten in den beiden Versuchsjahren 2005 und 2006 sowie für beide Jahre zusammen

Statistischer Parameter

2005

2006

2005 + 2006

gem

sim

gem

sim

gem

sim

Mittel (cm cm-3)

1.3

0.6

1.4

0.7

1.4

0.6

Median (cm cm-3)

0.2

0.2

0.3

0.2

0.3

0.2

Variationskoeff. (cm cm-3)

154.7

159.0

169.7

148.7

163.9

152.7

Varianz (cm cm-3)

3.8

0.9

6.0

1.0

5.0

0.9

Minimum (cm cm-3)

0.0

0.0

0.0

0.0

0.0

0.0

Maximum (cm cm-3)

7.3

3.1

10.8

3.8

10.8

3.8

FG

54

54

65

65

120

120

RMSE

-

1.1

-

1.3

-

1.2

Unter Verwendung des Modellfaktors wurde die Wurzellängendichte im Oberboden ebenfalls erheblich unterschätzt und im Unterboden insbesondere für den Schlag Rabenberg deutlich überschätzt (Daten hier nicht gezeigt). Des Weiteren lagen die Bestimmtheitsmaße vor der Anpassung des Wurzelwachstumsfaktors für beide Versuchsschläge deutlich niedriger (Rabenberg: 0.72 - 0.75; Finkenherd: 0.55 - 0.64). Nach Anpassung des Wurzelwachstums-faktors konnte bei Betrachtung der Zusammenhänge in unterschiedlichen Bodentiefen im Gegensatz zu den Ergebnissen der Studie von (Savin, Hall, Satorre 1994 ) festgestellt werden, dass sich die engen Korrelationen für die Versuchsschläge Rabenberg und Finkenherd auf den Oberboden beschränken und für die unteren Bodenschichten nur geringe Zusammenhänge bestehen (Abb. 5.5 und Abb. 5.7). Den Schlag Rabenberg betreffend, liegt das Bestimmtheitsmaß für die oberen 30 cm bei 0.72, die Wurzellängendichten werden jedoch deutlich um ca. 45 % unterschätzt (Abb. 5.5 a). In den unteren Bodenschichten, das heißt in Bereichen von 30 - 60 und 60 - 120 cm Tiefe, besteht nur noch ein sehr geringer bzw. so gut wie kein Zusammenhang zwischen gemessenen und simulierten Wurzellängendichten, die auch in diesen Tiefen unterschätzt werden (Abb. 5.5 b und c). Für den Schlag Finkenherd ist der Zusammenhang in den oberen 30 cm des Bodens mit einem r2 von 0.69 etwas niedriger als für den Schlag Rabenberg und auch in diesem Fall werden die Wurzellängendichten um ca. 50 % unterschätzt (Abb. 5.7 a). In den Tiefen von 30 - 60 und 60 - 120 cm sind die Zusammenhänge zwar besser als im Vergleich zum Schlag Rabenberg, die Bestimmtheitsmaße von 0.25 und 0.30 zeigen jedoch nur eine schwache Korrelation zwischen gemessenen und simulierten Wurzellängendichten an (Abb. 5.7 b und c). Beim Vergleich der kumulativen Wurzellängendichten bis 1.2 m Bodentiefe sowie verschiedener deskriptiver statistischer Parameter wird deutlich, das CERES-Wheat den Einfluss der Standortunterschiede auf das Wurzelwachstum zwischen den Untersuchungspunkten der

Abb. 5.6: Beziehung zwischen gemessenen und simulierten Wurzellängendichten (logarithmisch transformiert) für den Versuchsschlag Finkenherd

↓66

Abb. 5.7: Beziehung zwischen gemessenen und simulierten Wurzellängendichten (logarithmisch transformiert) in unterschiedlichen Bodentiefen für den Versuchsschlag Finkenherd

Versuchsschläge nur marginal abbildet (Tab. 5.1 und Tab. 5.2 sowie Abb. 5.10 und Abb. 5.11). Im Gegensatz zu den im Feld erhobenen Daten, die sich bezüglich der kumulativen Wurzellängendichten und der deskriptiven Statistikparameter deutlich unterscheiden, ändern sich die kumulativen Wurzellängendichten, Mittelwerte, Mediane, Variationskoeffizienten, Varianzen und Maximalwerte der simulierten Daten für die beiden Schläge in den Versuchsjahren kaum und sind fast immer deutlich geringer als die der gemessenen Werte.

Tab. 5.2: Deskriptive Statistik für die Wurzellängendichte (bis 1.2 m Profiltiefe) auf dem Versuchsschlag Finkenherd und Ergebnisse des Vergleichs von gemessenen und simulierten Werten in den beiden Versuchsjahren 2005 und 2006 sowie für beide Jahre zusammen

Statistischer Parameter

2005

2006

2005 + 2006

gem.

sim.

gem.

sim.

gem.

sim.

Mittel (cm cm-3)

1.7

0.8

1.3

0.8

1.5

0.8

Median (cm cm-3)

1.3

0.6

0.8

0.6

1.1

0.6

Variationskoeff. (cm cm-3)

83.5

97.7

105.9

99.1

95.5

98.3

Varianz (cm cm-3)

2.0

0.6

1.9

0.6

2.0

0.6

Minimum (cm cm-3)

0.0

0.0

0.0

0.0

0.0

0.0

Maximum (cm cm-3)

7.2

3.1

6.4

3.0

7.2

3.1

FG

93

93

123

123

217

217

RMSE

-

1.2

-

0.9

-

1.0

↓67

Dies ist neben den Ergebnissen der Regressionsanalysen ein weiterer Beweis für die Unterschätzung der Wurzellängendichte durch das Modell. Die Werte für den RMSE der Simulationen bewegen sich zwischen 0.9 und 1.3 cm Wurzeln je cm3 Boden.

In dem Modell CERES-Wheat ist Bodenwasser einer der Hauptfaktoren, die das Wurzelwachstum unter gegebenen oberirdischen Wachstumsbedingungen beeinflussen. Das simu-lierte Wurzelwachstum wird direkt und indirekt (z. B. durch die Simulation von Stickstoff) durch Stresskoeffizienten beeinflusst (siehe auch Kap. 5.2.2, Entwicklung des Wurzelsystems), die empirisch definiert sind und auf Informationen über das Bodenwasser basieren (Ritchie, Godwin, Otter-Nacke 1988 ). Aufgrund dieses Zusammenhangs wurde die Validität der Bodenwassersimulation mit gemessenen Daten überprüft. Gemessene und simulierte Bodenwassergehalte korrelieren für den Versuchsschlag Rabenberg mit Bestimmtheitsmaßen zwischen 0.43 und 0.60 nur relativ gut, für den Schlag Finkenherd mit einem r2 von 0.33 bis 0.35 nur schwach (Abb. 5.8 und Abb. 5.9). In der schon erwähnten Studie von (Savin, Hall, Satorre 1994 ) konnte dagegen eine gute Übereinstimmung von gemessenen und simulierten Bodenwassergehalten festgestellt werden (r2 = 0.86). Die Autoren merken jedoch an, dass unter den Bedingungen ihres Experimentes kein starker Wasserstress auftrat und dass eine Übertragung der Ergebnisse auf Bedingungen unter größerem Wasserstress - wie sie beispielsweise auf dem Versuchsschlag Finkenherd durchaus vorkommen - nur unter Vorsicht gemacht werden sollten. Den Versuchsschlag Rabenberg betreffend, tendiert CERES dazu, Bodenwassergehalte unterhalb von 15 Vol% zu überschätzen und oberhalb von 15 Vol% zu unterschätzen (Abb. 5.8). Für den Schlag Finkenherd zeigt sich ein ähnliches Bild, wobei der Grenzwert zwischen Unter- und Überschätzung bei 30 Vol% liegt (Abb. 5.9). Interessanterweise umfassen diese Bereiche jeweils Wassergehalte, die für die auf den Schlägen in den oberen 50 cm vorwiegend auftretenden Texturen im Bereich der

Abb. 5.8: Beziehung zwischen gemessenem und simuliertem Bodenwassergehalt (Vol%) für den Versuchsschlag Rabenberg

↓68

Abb. 5.9: Beziehung zwischen gemessenem und simuliertem Bodenwassergehalt (Vol%) für den Versuchsschlag Finkenherd

Feldkapazität liegen. Eine Erklärung hierfür liefert das dem abwärtsgerichteten Wasserfluss zugrunde liegende Prinzip im Bodenwassermodul von DSSAT: für die Berechnung der Abwärtsbewegung von Bodenwasser nutzt das Modell den sogenannten wassergehaltsgetriebenen „tipping bucket“-Ansatz. Das heißt, abwärts gerichteter Wasserfluss aus einer Bodenschicht findet dann statt, wenn der Bodenwassergehalt in der Schicht zwischen Sättigung und Feldkapazität liegt. Liegt der Wassergehalt unterhalb der Feldkapazität, findet kein Wasserfluss statt. Das Modell simuliert also bei Wassergehalten unterhalb der Feldkapazität eine geringere Dynamik, die zu einer deutlichen Minderung bzw. Stagnierung der Wassergehaltsänderung und so vermutlich zu einer Überschätzung der Gehalte führt. (de Faria, Bowen 2003 ) haben in einer Studie zur Evaluierung des

Tab. 5.3: Deskriptive Statistik für den Bodenwassergehalt (bis 1.2 m Profiltiefe) auf dem Versuchsschlag Rabenberg und Ergebnisse des Vergleichs von gemessenen und simulierten Werten in den beiden Ver-suchsjahren 2005 und 2006 sowie für beide Jahre zusammen

Statistischer Parameter

2005

2006

2005 + 2006

gem.

sim.

gem.

sim.

gem.

sim.

Mittel (Vol%)

22.8

20.4

22.1

19.4

22.4

19.8

Median (Vol%)

20.8

21.3

21.5

21.1

21.3

21.2

Variationskoeff. (Vol%)

43.0

37.5

37.4

44.0

39.7

41.3

Varianz (Vol%)

96.2

58.4

68.4

72.6

78.8

66.8

Minimum (Vol%)

4.8

4.7

6.9

3.9

4.8

3.9

Maximum (Vol%)

41.0

40.8

47.6

40.1

47.6

40.8

FG

53

53

82

82

136

136

RMSE

-

8.0

-

9.0

-

8.6

↓69

Tab. 5.4: Deskriptive Statistik für den Bodenwassergehalt (bis 1.2 m Profiltiefe) auf dem Versuchsschlag Finkenherd und Ergebnisse des Vergleichs von gemessenen und simulierten Werten in den beiden Ver-suchsjahren 2005 und 2006 sowie für beide Jahre zusammen

Statistischer Parameter

2005

2006

2005 + 2006

gem.

sim.

gem.

sim.

gem.

sim.

Mittel (Vol%)

20.6

25.1

22.1

25.5

21.6

25.4

Median (Vol%)

22.4

26.0

23.3

25.4

23.1

25.8

Variationskoeff. (Vol%)

45.0

32.7

35.7

35.6

38.5

34.7

Varianz (Vol%)

86.4

67.4

62.2

82.5

69.6

77.6

Minimum (Vol%)

3.8

5.8

4.3

4.5

3.8

4.5

Maximum (Vol%)

42.1

38.6

37.4

40.4

42.1

40.4

FG

59

59

136

136

196

196

RMSE

-

9.4

-

9.7

-

9.6

Bodenwassermoduls von DSSAT herausgefunden, dass das Modell unter unbepflanzten Bedingungen den Wasserabfluss in unteren Bodenschichten (unterhalb 40 cm Tiefe) unterschätzte, wenn der Bodenwassergehalt unterhalb der Feldkapazität lag. Als Konsequenz daraus war der simulierte Bodenwassergehalt nahe Gehalten bei Feldkapazität konstant, im Gegensatz zu den beobachteten Wassergehalten, die während Trockenperioden aufgrund von ungesättigtem Abwärtsfluss abnahmen. Eine Erklärung für die tendenzielle Unterschätzung der Bodenwassergehalte oberhalb der Feldkapazität kann die in unterschiedlichen Studien z. B. schon von (Jamieson u. a. 1998 ), (Eitzinger u. a. 2004 ) oder (Sau u. a. 2004 ) festgestellte Überschätzung der Wasserentleerung des Bodens sein. Beim Vergleich der deskriptiven Statistiken für den Bodenwassergehalt wird die Überschätzung der Gehalte auf dem Schlag Finkenherd sowie die Unterschätzung der Gehalte auf dem Versuchsschlag Rabenberg unterstützt. Bezüglich des Schlages Finkenherd sind Mittelwerte und Mediane der gemessenen Bodenwassergehalte niedriger als die aus den simulierten Werten kalkulierten Parameter (Tab. 5.3). Für den Versuchsschlag Rabenberg sind diese Parameter der gemessenen Werte meist höher als die der simulierten (Tab. 5.4), was die tendenzielle Unterschätzung der Bodenwassergehalte für diesen Schlag durch das Modell bekräftigt. Von einer Unterschätzung der Bodenwassergehalte durch CERES-Wheat in den oberen 90 cm des Bodens berichten auch (Eitzinger u. a. 2004 ) in ihrer Studie über den Vergleich verschiedener Pflanzenwachstumsmodelle.

Auch bezüglich der räumlichen Variabilität treten Unterschiede zwischen gemessenen und simulierten Wassergehalten auf: Abb. 5.10 und Abb. 5.11 zeigen die gemessenen und simulierten kumulativen Wassergehalte und Wurzellängendichten bis 1.2 m Bodentiefe. Aus den Abbildungen ist ersichtlich, dass die Bodenwassergehalte im Gegensatz zu den Wurzellängendichten von CERES-Wheat mit einer höheren räumlichen Variabilität simuliert werden, dass die tatsächliche Variabilität - insbesondere für den Schlag Finkenherd - jedoch nicht widergespiegelt wird. Dies wird z. B. beim Vergleich der gemessenen und simulierten Bodenwassergehalte der Monitoringpunkte 7 bis 10 auf dem Versuchsschlag Finkenherd deutlich (Abb. 5.11). Die Abbildungen bestätigen ebenfalls die tendenzielle Unterschätzung der Gehalte auf dem Versuchsschlag Rabenberg. Die simulierten kumulativen Bodenwassergehalte sind für den Versuchsschlag Rabenberg bis auf wenige Ausnahmen niedriger, für den Schlag Finkenherd meist höher als die gemessenen Werte. Die Werte für den RMSE der Wassergehaltssimulationen bewegen sich für den Rabenberg zwischen 8.0 und 9.0 Vol%, für den Schlag Finkenherd zwischen 9.4 und 9.7 Vol% (Tab. 5.3 und Tab. 5.4). In anderen Studien mit CERES-Wheat wurden je nach Bodentiefe RMSE-Werte zwischen 9.8 und 16.6 Vol% (Xevi, Gilley, Feyen 1996 ) bzw. auf lehmigen Böden zwischen 3.0 und 5.4 Vol% (Garrison u. a. 1999 ) ermittelt. (Eitzinger u. a. 2004 ) berichten je nach Bodentyp von RMSE-Werten zwischen 3.8 und 7.0 Vol% bzw. je nach Bodentiefe von Werten zwischen 0.6 und 8.6 Vol%. Zur Überprüfung der Vorhersagequalität bezüglich der räumlichen Variabilität wurden zusätzlich die zeitlichen Änderungen simulierter und gemessener Bodenwassergehalte verglichen. Hierzu wurde der auf den beiden Versuchsschlägen mit TDR-Sonden zeitlich hoch aufgelöst gemessene volumetrische Bodenwassergehalt genutzt. Die Messpunkte unterscheiden sich hinsichtlich ihrer bodenphysikalischen Eigenschaften deutlich. Der grundwasserferne Intensivmesspunkt 1 auf dem Schlag Rabenberg ist durch glaziale Lehmsande über Sanden und einer pflanzenverfügbaren Bodenwassermenge im oberen Meter von ca. 130 mm charakterisiert. Die Pflanzen sind an diesem Standort im Verlauf der Vegetationsperiode Wasserstress ausgesetzt. Dies wird durch die von Partnern des preagro II-Projektes an den Monitoringpunkten des Versuchsschlages durchgeführten Stressbonituren bestätigt (Daten nicht gezeigt). Intensivmesspunkt 2 auf dem Rabenberg ist durch glaziale

↓70

Abb. 5.10: Kumulative gemessene und simulierte Bodenwassergehalte (BWG) und Wurzellängendichten (WLD) zu unterschiedlichen Entwicklungsstadien (a: Beginn Vegetationsperiode, b: Schossen, c: Blüte) an den unterschiedlichen Messpunkten auf dem Versuchsschlag Rabenberg in den Jahren 2005 und 2006

Abb. 5.11: Kumulative gemessene und simulierte Bodenwassergehalte (BWG) und Wurzellängendichten (WLD) zu unterschiedlichen Entwicklungsstadien (a: Beginn Vegetationsperiode, b: Schossen, c: Blüte) an den unterschiedlichen Messpunkten auf dem Versuchsschlag Finkenherd in den Jahren 2005 und 2006

Abb. 5.12: Bodenwassergehalt in unterschiedlichen Bodentiefen und Niederschlag in den Versuchsjahren 2005 und 2006 am Intensivmesspunkt 1 des Versuchsschlages Rabenberg

↓71

Lehmsande über Schluffton, einem Grundwasserstand von ca. 1.2 m und einer pflanzen-verfügbaren Bodenwassermenge im oberen Meter von ca. 190 mm charakterisiert. Die Pflanzen sind unter diesen Bedingungen im Vergleich zum Intensivmesspunkt 1 zwar besser mit Wasser versorgt, aber dennoch im späteren Verlauf der Vegetationsperiode Wasserstress ausgesetzt (entspricht Ergebnissen der Stressbonituren). Die Daten von Intensivmesspunkt 1 auf dem Schlag Finkenherd wurden nicht zum Vergleich herangezogen, da dieser Messpunkt zur Kalibrierung des Modells diente. Intensivmesspunkt 2 ist durch Sandlöss über Sand und Kies und eine pflanzenverfügbare Bodenwassermenge im oberen Meter von ca. 60 mm charakterisiert. Die Pflanzen sind unter diesen Bedingungen aufgrund der niedrigen Wasserhaltekapazität des Bodens im Verlauf der Vegetationsperiode starkem Wasserstress ausgesetzt (entspricht Ergebnissen der Stressbonituren). Die zeitlichen Änderungen des

Abb. 5.13: Bodenwassergehalt in unterschiedlichen Bodentiefen und Niederschlag in den Versuchsjahren 2005 und 2006 am Intensivmesspunkt 2 des Versuchsschlages Rabenberg

Wassergehaltes in unterschiedlichen Bodentiefen an den Messpunkten sowie die entsprechenden Simulationsergebnisse sind in Abb. 5.12 bis Abb. 5.14 dargestellt. Die Abbildungen zeigen, dass das Modell das Ausmaß der Wassergehaltsänderungen über die Zeit vor allem in den oberen 50 cm des Bodens häufig überschätzt. Der Vergleich deskriptiver Statistiken simulierter und gemessener Werte ergibt, dass die simulierten Bodenwassergehalte in dieser Bodentiefe meist eine höhere Variabilität besitzen, als die gemessenen (Tab. 5.5). Dieses Ergebnis ist vergleichbar mit den Ergebnissen der Studie von (Eitzinger u. a. 2004 ), die feststellten, dass die Variabilität der von CERES-Wheat simulierten Bodenwassergehalte höher war als die der im Feld gemessenen Daten. Des Weiteren berichten (Sadler u. a. 2000 ), dass CERES die auf dem sogenannten „curve number“-Konzept basierende Bodeninfiltration überschätzt. Dies könnte eine Erklärung für die Diskrepanzen zwischen den gemessenen und simulierten Zeittrends der Änderungen im Bodenwassergehalt sein. Aus den

↓72

Abb. 5.14: Bodenwassergehalt in unterschiedlichen Bodentiefen und Niederschlag in den Versuchsjahren 2005 und 2006 am Intensivmesspunkt 2 des Versuchsschlages Finkenherd

Abbildungen ist weiterhin ersichtlich, dass - wie zu erwarten - ein enger Zusammenhang zwischen auftretenden Niederschlagsmengen und der Änderung von gemessenen und simulierten Bodenwassergehalten besteht. Basierend auf einer Validationsstudie, die in über neun aufeinander folgenden Vegetationsperioden unter norddeutschen Klimabedingungen bei Kiel durchgeführt wurde, konnten (Langensiepen u. a. 2008 ) zeigen, dass die Niederschlagsvariabilität großen Einfluss auf die Vorhersagequalität von CERES-Wheat bezüglich des Ertrages hat. Zu demselben Ergebnis kamen auch (Sarkar, Kar 2008 ), die bei einer Sequenzanalyse mit DSSAT ebenfalls einen deutlichen Zusammenhang zwischen Niederschlagsdaten und simuliertem Ertrag ermittelten. (Heinemann, Hoogenboom, Chojnicki 2002 ) konnten bei ihren Untersuchungen zum Einfluss potenzieller Fehler von Niederschlagsdaten auf die Simulationsergebnisse von DSSAT sowohl einen starken Einfluss auf den simulierten Ertrag als auch auf die simulierte Biomasse und weitere Outputvariablen von DSSAT belegen.

Tab. 5.5: Varianz (Var), Variationskoeffizient (VK) und Standardabweichung (StAb) der zeitlich hoch aufgelöst gemessenen und simulierten Bodenwassergehalte an ausgewählten Messpunkten der Versuchs-schläge Rabenberg und Finkenherd

Rabenberg

2005

Punkt 1

Punkt 2

20 cm

53 cm

90 cm

18 cm

48 cm

80 cm

gem

sim

gem

sim

gem

sim

gem

sim

gem

sim

gem

sim

Var

17.1

23.8

0.2

13.2

0.2

0.1

23.9

26.8

1.3

1.8

0.3

0.2

VK

31.1

28.1

2.8

20.9

2.1

2.3

31.5

38.1

5.2

17.8

2.2

2.1

StAb

4.1

4.9

0.4

3.6

0.4

0.3

4.9

5.2

1.1

1.3

0.6

0.5

2006

Var

36.5

24.2

0.5

18.7

0.2

0.0

51.2

30.8

2.9

2.8

0.9

0.1

VK

38.6

32.3

4.1

26.9

2.1

1.4

33.6

43.2

7.3

24.6

3.8

1.5

StAb

6.0

4.9

0.7

4.3

0.5

0.2

7.2

5.5

1.7

1.7

1.0

0.3

Finkenherd

2005

Punkt 1

Punkt 2

20 cm

53 cm

70 cm

28 cm

78 cm

113 cm

gem

sim

gem

sim

gem

sim

gem

sim

gem

sim

gem

sim

Var

-

-

-

-

-

-

3.0

24.4

1.0

1.0

0.1

0.0

VK

-

-

-

-

-

-

16.5

37.0

19.4

15.9

5.5

0.5

StAb

-

-

-

-

-

-

1.7

4.9

1.0

1.0

0.3

0.1

2006

Var

-

-

-

-

-

-

8.9

32.1

1.2

0.9

0.1

0.0

VK

-

-

-

-

-

-

18.9

36.2

13.7

13.8

6.3

1.0

StAb

-

-

-

-

-

-

3.0

5.7

1.1

0.9

0.3

0.2

↓73

Die verwendeten Klimadaten für die beiden Untersuchungsgebiete stammen aus der MARS-Datenbasis des Joint Research Centre der Europäischen Kommission (JRC), die regionalisierte Wetterdaten liefert. Da diese Daten auf interpolierten Werten verschiedener Wetterstationen der entsprechenden Region basieren und da Klimadaten generell starken kleinräumigen Schwankungen unterliegen, stellen diese Eingangsdaten zwangsläufig eine Unsicherheit bezüglich der Simulationen dar. Aus diesem Grund wurde eine Unsicherheitsanalyse durchgeführt, indem die Niederschlagsmenge stufenweise immer um 10 % von -70 bis +130 % verändert wurde. Durch eine Unsicherheits- oder auch Fehlerfortpflanzungsanalyse kann bestimmt werden, wie groß der Fehler im Ergebnis des Modells ist, wenn die Eingangsdaten fehlerhaft sind (Bronstein u. a. 1995 ).

Die Ergebnisse der Unsicherheitsanalyse bezüglich der Wurzellängendichten und Bodenwassergehalte sind in Tab. 5.6 und Tab. 5.7 dargestellt. Die Ergebnisse zeigen, dass sich die Änderung der Niederschläge kaum auf die Simulationen des Bodenwassergehaltes und der Wurzellängendichten auswirkt.

Tab. 5.6: Sensitivität der Bodenwassergehaltssimulation in Bezug auf Änderungen in den Niederschlags-mengen (a) RMSE der Bodenwassergehaltssimulation und Aufteilung des MSE in Bias und Varianz (b) Korrelation (r2) zwischen gemessenen und simulierten Werten (Ra05: n = 54; Ra06: n = 83; Fi05: n = 60; Fi06 = 138)

BWG

Referenz

- 10% NS

- 20% NS

- 30% NS

+ 10% NS

+ 20% NS

+ 30% NS

Rabenberg 2005

(a)

RMSE

8.0

8.1

8.3

8.6

7.9

7.7

7.8

MSE

64.2

66.4

69.6

74.2

63.0

62.3

60.4

Bias

5.8

7.5

10.3

13.5

4.1

2.7

1.7

Varianz

58.4

58.9

59.2

55.8

58.9

59.6

58.7

(b)

r2

0.43

0.44

0.43

0.42

0.44

0.42

0.40

Steigung

0.51

0.52

0.52

0.52

0.51

0.51

0.49

Achsenabschnitt

8.69

8.29

7.81

7.33

9.02

9.61

10.32

Rabenberg 2006

(a)

RMSE

9.0

9.1

9.3

9.5

8.8

8.6

8.5

MSE

80.1

83.0

86.3

90.1

77.1

74.8

72.0

Bias

7.5

8.7

10.4

14.4

5.9

4.9

3.2

Varianz

72.6

74.2

75.9

75.7

71.3

69.9

68.7

(b)

r2

0.60

0.60

0.59

0.60

0.61

0.60

0.57

Steigung

0.80

0.81

0.81

0.82

0.79

0.78

0.76

Achsenabschnitt

1.69

1.25

0.92

0.28

2.11

2.58

3.52

Finkenherd 2005

(a)

RMSE

9.3

9.5

9.2

9.1

10.2

10.6

11.0

MSE

87.4

89.9

84.3

82.0

103.2

111.9

120.3

Bias

19.9

19.8

14.7

11.7

30.4

36.6

42.3

Varianz

67.4

70.1

69.7

70.3

72.8

75.3

78.0

(b)

r2

0.35

0.37

0.37

0.39

0.33

0.31

0.30

Steigung

0.53

0.54

0.55

0.56

0.53

0.52

0.52

Achsenabschnitt

14.3

13.1

13.2

12.5

15.3

16.0

16.5

Finkenherd 2006

(a)

RMSE

9.7

9.7

9.7

9.7

9.9

10.4

10.6

MSE

94.9

94.6

93.3

94.1

98.7

108.0

113.0

Bias

12.8

11.1

5.9

0.84

15.2

18.5

22.1

Varianz

82.0

83.5

87.4

93.2

83.5

89.6

90.5

(b)

r2

0.33

0.35

0.34

0.34

0.29

0.28

0.26

Steigung

0.65

0.68

0.69

0.71

0.62

0.63

0.61

Achsenabschnitt

11.0

10.4

9.3

7.3

12.2

12.4

13.3

↓74

Tab. 5.7: Sensitivität der Wurzellängendichtesimulation in Bezug auf Änderungen in den Niederschlags-mengen (a) RMSE der Wurzellängendichtesimulation und Aufteilung des MSE in Bias und Varianz (b) Korrelation (r2) zwischen gemessenen und simulierten Werten (Ra05: n = 56; Ra06: n = 80; Fi05: n = 94; Fi06 = 124)

WLD

Referenz

- 10% NS

- 20% NS

- 30% NS

+ 10% NS

+ 20% NS

+ 30% NS

Rabenberg 2005

(a)

RMSE

1.15

1.15

1.15

1.13

1.14

1.14

1.14

MSE

1.31

1.32

1.32

1.29

1.30

1.30

1.29

Bias

0.47

0.44

0.42

0.41

0.48

0.50

0.50

Varianz

0.85

0.88

0.90

0.88

0.82

0.80

0.79

(b)

r2

0.90

0.91

0.91

0.90

0.91

0.90

0.90

Steigung

0.66

0.67

0.67

0.67

0.65

0.65

0.64

Achsenabschnitt

0.32

0.32

0.32

0.32

0.33

0.34

0.34

Rabenberg 2006

(a)

RMSE

1.23

1.21

1.18

1.15

1.23

1.26

1.24

MSE

1.50

1.46

1.38

1.31

1.51

1.59

1.54

Bias

0.52

0.55

0.59

0.64

0.50

0.51

0.47

Varianz

0.98

0.91

0.79

0.68

1.01

1.08

1.08

(b)

r2

0.90

0.90

0.89

0.88

0.91

0.91

0.91

Steigung

0.65

0.63

0.61

0.58

0.66

0.67

0.68

Achsenabschnitt

0.36

0.37

0.40

0.43

0.34

0.33

0.32

Finkenherd 2005

(a)

RMSE

1.17

1.16

1.16

1.15

1.17

1.17

1.18

MSE

1.37

1.35

1.34

1.32

1.37

1.38

1.39

Bias

0.77

0.73

0.70

0.67

0.78

0.81

0.84

Varianz

0.60

0.62

0.64

0.65

0.59

0.57

0.55

(b)

r2

0.72

0.72

0.72

0.72

0.73

0.73

0.74

Steigung

0.75

0.76

0.76

0.76

0.75

0.74

0.73

Achsenabschnitt

0.17

0.17

0.17

0.18

0.18

0.19

0.19

Finkenherd 2006

(a)

RMSE

0.94

0.94

0.94

0.95

0.95

0.96

0.96

MSE

0.89

0.89

0.89

0.91

0.91

0.91

0.92

Bias

0.28

0.28

0.28

0.28

0.28

0.28

0.28

Varianz

0.61

0.60

0.61

0.63

0.63

0.63

0.64

(b)

r2

0.65

0.65

0.65

0.64

0.65

0.65

0.65

Steigung

0.63

0.63

0.64

0.65

0.64

0.64

0.64

Achsenabschnitt

0.39

0.39

0.39

0.38

0.39

0.38

0.38

↓75

Der RMSE der simulierten Bodenwassergehalte und Wurzellängendichten variiert in beiden Versuchsjahren und für beide Versuchsschläge nur äußerst gering. Die Spannweiten für den RMSE der simulierten Bodenwassergehalte bewegen sich zwischen 0.9 und 1.9 Vol%, für die Wurzellängendichten zwischen 0.01 und 0.11 cm cm-3. Bei Änderungen der Niederschlagsmengen von bis zu -30 bzw. +30 % wären deutlichere Auswirkungen auf die beiden Variablen zu erwarten gewesen. Bei Betrachtung der Werte für Bias und Varianz ist festzustellen, dass sich tendenziell eher eine Verringerung der Niederschläge um 20 und 30 % auf die Simulationsergebnisse auswirkt. Zu einem ähnlichen Ergebnis kamen (Heinemann, Hoogenboom, Chojnicki 2002 ), die in ihrer Studie feststellen konnten, dass die Unterschätzung von Niederschlagsdaten einen größeren Einfluss auf Mittelwerte und Variabilität der simulierten Variablen wie Ertrag, Biomasse, Evaporation und Drainage hatten als eine Überschätzung des Niederschlages.

Das im CERES-Modell enthaltene, eindimensionale Bodenwassermodell sowie die Wurzelwachstumsroutine sind unter den getesteten Bedingungen offensichtlich nicht in der Lage, angemessen auf variable Standortbedingungen - insbesondere auf variable Bodenbedingungen und Niederschläge - zu reagieren. Dies macht das Modell besonders für eine Anwendung im Zusammenhang mit Präzisionslandwirtschaft unter den vorliegenden Bedingungen ungeeignet.


© 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