7 Allgemeine Diskussion

↓98

Die Effizienz der Nutzung von variabel verfügbaren Bodenressourcen durch das Wurzelsystem spielt eine große Rolle bei der Festlegung des Ertrages von Nutzpflanzen (Andren, Hansson, Vegh 1993 ). Die Rate, mit der Wasser und Nährstoffe für Wachstum und Ertragsbildung genutzt werden, wird erheblich durch das Wurzelwachstum bedingt (Lambers, Chapin, Pons 2008 ). Kulturpflanzen unterscheiden sich in ihren Wurzeleigenschaften, die von der Heredität abhängen, aber maßgeblich durch äußere Umweltfaktoren verändert werden (Kramer, Boyer 1995 ). Hierzu gehören neben Managementmaßnahmen, wie Fruchtfolge, Bodenbearbeitung und Düngung, auch natürliche Faktoren, die in erster Linie durch hoch variable standörtliche Eigenschaften bedingt sind. Zu diesen Standorteigenschaften zählen z. B. Textur, Tiefe, Wassergehalt, Mineralogie, Chemie und Belüftung des Bodens und auch die Konzentration an gelösten Stoffen (vgl. Kramer, Boyer 1995 ). Die Aufnahme von gelösten Stoffen und Wasser wird durch das Aufnahmevermögen der Pflanzen bestimmt, das wesentlich von den morphologischen, anatomischen und physiologischen Eigenschaften der Wurzeln beeinflusst wird (Buljovcic, Engels 2001 ). Eine morphologische Eigenschaft von herausragender Bedeutung ist die Wurzellängendichte, die Rückschlüsse über die Leistungs-fähigkeit des Wurzelsystems hinsichtlich seiner Versorgungsfunktion für die Gesamtpflanze geben kann (Dannowski, Werner 1997 ). So können Pflanzen mit einer hohen Wurzellängendichte Wasser und Nährstoffe im Boden besser erschließen als Pflanzen mit niedriger Wurzellängendichte (Claassen, Steingrobe 1999 ). Die Aufnahmerate wird unter anderem von Wasser- und Nährstoffverfügbarkeiten festgelegt, die durch verschiedene bodenphysikalische Bedingungen beeinflusst werden (vgl. Klepper 1992 ). Da die Feuchte des Bodens großen Einfluss auf dessen Temperatur und Durchdringungswiderstand hat, spielt der Bodenwasserstatus für das ober- und unterirdische Pflanzenwachstum sowie für die Ertragsbildung eine entscheidende Rolle.

Die beiden Versuchsschläge Rabenberg in Groß Twülpstedt und Finkenherd in Wulfen unterscheiden sich deutlich hinsichtlich ihrer Geogenese und Pedogenese. Aufgrund dieser unterschiedlichen Bodenbedingungen bestehen auf den beiden Schlägen unter anderem gravierende Unterschiede bezüglich der Bodendichte und der Wasserverhältnisse. Die Bodendichten sind am Standort Rabenberg generell höher (Tab. 4.1).Weiterhin sind die dort vorkommenden Böden im Gegensatz zu denjenigen des Finkenherds durch Staunässe beeinflusst. Dichte und Wassergehalt des Bodens haben starken Einfluss auf dessen Durch-dringungswiderstand, der wiederum sowohl das Wurzel- als auch das Sprosswachstum sehr stark beeinflusst (Passioura 2002 ) und ein wichtiger Stressfaktor bezüglich der pflanzlichen Produktivität ist (Whalley u. a. 2008 ). Dies führte zu der Frage, wie sich diese unterschiedlichen Standort- und damit auch unterschiedlichen Wachstumsbedingungen in der Durchwurzelung der beiden Versuchsschläge bemerkbar machen. Hieraus wurde die Hypothese abgeleitet, dass die in der Literatur berichteten Ergebnisse über die Einflüsse verschiedener Standortbedingungen auf die Durchwurzelung unter Weizen auf die beiden Versuchsstandorte zutreffen. In der Literatur wird berichtet, dass sich neben Textur, Tiefe, Mineralogie, Chemie und Belüftung des Bodens sowie Konzentration an gelösten Stoffen (Kramer, Boyer 1995 ) besonders der Wasserstatus und die Bodendichte bzw. der Durchdringungswiderstand auf die Durchwurzelung auswirken (vgl. Klepper 1992 , Passioura 2002 ). So kann beispielsweise Wasserstress in Form von kurzzeitigem Wasserdefizit zu einer Stagnation des Wurzelwachstums mit direkten Konsequenzen für Sprosswachstum und Ertrag führen (Klimanek 1987 ) und anhaltend niedrige Wasserversorgung das Wurzelwachstum in tiefere Bodenschichten fördern (Schroetter, Rogasik, Schnug 2006 ). In Bezug auf den Bodenwasserstatus spielt Staunässe eine große Rolle für das Wurzel- und auch Pflanzenwachstum, da diese sowohl das Wurzelwachstum und dessen Wachstumsrate als auch die Wurzelpenetration deutlich mindert, die Durchwurzelung der oberflächennahen Schichten aber verstärken kann (Cannell u. a. 1980 ; Cannell u. a. 1985 ; Malik u. a. 2002 ; Watson, Lapins, Barron 1976 ). Die unterschiedlichen Bedingungen an den beiden Versuchsstandorten müssten sich demnach insofern in einer unterschiedlichen Durchwurzelung widerspiegeln, als dass am Standort Rabenberg eine geringere Durchwurzelung des Unterbodens und evtl. eine höhere Durchwurzelung des Oberbodens auftreten müsste. Da die Monitoringpunkte der Versuchsschläge beispielhaft für typische Böden sowie Standortbedingungen und deren Variabilität auf den Schlägen bzw. in den jeweiligen Regionen sind, müsste diese Annahme auch auf die Unterschiede in der Durchwurzelung zwischen den Monitoringpunkten zutreffen. Tatsächlich wurde beim Vergleich der Wurzelanteile in Ober- (0 - 30 cm) und Unterboden (30 - 120 cm) und der Wurzellängendichten in unterschiedlichen Bodentiefen auf den beiden Schlägen festgestellt, dass die Durchwurzelung im Unterboden in beiden Untersuchungsjahren am Standort Rabenberg im Vergleich zum Standort Finkenherd wesentlich geringer war. Dort lagen 65 - 96 % der gemessenen Wurzellängendichten im Oberboden und 4 - 35 % im Unterboden vor. Am Standort Wulfen traten dagegen nur 47 - 71 % der Wurzellängendichten im Oberboden und immerhin 29 - 57 % im Unterboden auf (Tab. 4.5). Diese Verhältnisse werden auch in unterschiedlich stark ausgeprägten Tiefengradienten der Durchwurzelung deutlich, die für den Rabenberg wesentlich höher sind als für den Finkenherd (Abb. 4.15 und Abb. 4.16). Auch die Unterschiede zwischen den einzelnen Monitoringpunkten der Versuchsschläge bezüglich der Ober- und Unterbodendurchwurzelung bzw. der mittleren Wurzellängendichte an den Messpunkten lassen sich mit den in der Literatur gefundenen Aussagen über den Einfluss des Wasserstatus’ und der Bodendichte bzw. des Durchdringungswiderstandes erklären.

In Bezug auf die Anwendung des CERES-Modells zur Optimierung des Bestandes-managements und dessen Anpassung an die standörtlich und zeitlich variablen Bedingungen, stellte sich die Frage, ob die Berechnungsgenauigkeit der Modelle für eine ausreichende Abbildung dieser Variabilität hoch genug ist, so dass die Voraussetzung einer hohen Vorher-sagequalität erfüllt wird und das Potenzial des Modells als Vorhersage- und Entscheidungs-stützungsinstrument adäquat ausgeschöpft werden kann. Daraus wurde in dieser Arbeit die Hypothese abgeleitet, dass die standörtliche und zeitliche Variabilität von Wurzelwachstum und Bodenwasser mit dem im Rahmen dieser Arbeit genutzten Modell CERES-Wheat aus präzisionslandwirtschaftlicher Sicht ausreichend abgebildet werden kann. Nach Validation der Wurzellängendichten- und Bodenwassergehaltsberechnungen des Modells für die beiden Versuchsschläge musste diese Hypothese jedoch abgelehnt werden. Neben einer gravierenden Unterschätzung der Wurzellängendichten um insgesamt 25 - 35 %, in den oberen 30 cm des Bodens sogar um 45 - 50 % (Abb. 5.1 - Abb. 5.7), wurde kaum Variabilität zwischen den verschiedenen Monitoringpunkten simuliert (Tab. 5.1 und Tab. 5.2, Abb. 5.10 und Abb. 5.11). Zwar wurde der Bodenwassergehalt mit einer höheren standörtlichen Schwankung abgebildet als die Wurzellängendichte, die tatsächliche Variabilität wurde, insbesondere für den Schlag Finkenherd, jedoch nicht widergespiegelt (Abb. 5.10 und Abb. 5.11). Unterhalb von Wasser-gehalten im Bereich der Feldkapazität wurde der Bodenwassergehalt von CERES-Wheat tendenziell überschätzt und oberhalb dieses Bereiches tendenziell unterschätzt (Abb. 5.8 und Abb. 5.9). Auch die zeitliche Variabilität von Wurzellängendichte und Bodenwassergehalt konnte nach Auswertung der Modellergebnisse nicht als ausreichend eingestuft werden (Tab. 5.1 - Tab. 5.5, Abb. 5.10 - Abb. 5.14). Die beschriebenen Ergebnisse entsprechen bzw. sind vergleichbar mit unterschiedlichen Ergebnissen, die in der Literatur bezüglich der Wurzellängendichten- und Bodenwassergehaltskalkulation von CERES zu finden sind. So stellten z. B. (Savin, Hall, Satorre 1994 )eine deutliche Unterschätzung der Wurzellängendichte durch CERES in den oberen 10 cm des Bodens fest und (Robertson u. a. 1993 ) berichten für manche ihrer Datensets von einer Unterschätzung der oberflächennahen Wurzellängendichten, die teilweise mehr als 20 % betrug. (de Faria, Bowen 2003 ) fanden, dass das Bodenwassermodul von DSSAT bei Wassergehalten unterhalb der Feldkapazität die Wasserversickerungsrate in den unteren Bodenschichten unterschätzte, was dazu führte, dass der simulierte Bodenwassergehalt nahe Gehalten bei Feldkapazität konstant war.

↓99

Auch für oberirdische Variablen wie Biomasse und Ertrag scheint das Modell unter den getesteten Umweltbedingungen für teilflächenspezifische bzw. präzisionslandwirtschaftliche Belange nicht geeignet zu sein (pers. Mitteilg. J. Bobert, 2009). Da diese Diskrepanzen nicht über die Kalibrierung behoben werden konnten, sind also offenbar Änderungen in der Modellstruktur bzw. die Einbindung von anderen Routinen oder Modellen in die Struktur nötig, damit das CERES-Modell in diesem Zusammenhang unter den getesteten Bedingungen genutzt werden kann. Von einer unzureichenden Qualität der Bodenwassergehaltsberechnung aufgrund von Unzulänglichkeiten der Methoden, mit denen beispielsweise der Bodenwasser-fluss und die Wurzelwasseraufnahme im Modell berechnet werden, wird in diversen Studien berichtet. Das Bodenwassermodul in DSSAT (Ritchie 1998 ) beinhaltet ein auf der Richardsgleichung basierendes, eindimensionales Modell. Wassergehaltsänderungen in den Bodenschichten werden unter Berücksichtigung von Niederschlag, vertikaler Drainage, Wasserbewegung im ungesättigten Bereich, Evaporation und Wasseraufnahme durch die Pflanzenwurzeln berechnet. Die Abwärtsbewegung von Bodenwasser wird über einen wassergehaltsgetriebenen Ansatz berechnet („tipping bucket“). Das bedeutet, dass abwärtsgerichteter Wasserfluss aus einer Bodenschicht nur dann stattfindet, wenn der Bodenwassergehalt in einer Schicht zwischen Sättigung und nutzbarer Feldkapazität liegt. (Eitzinger u. a. 2004 ) und (Jamieson u. a. 1998 ) berichten beispielsweise von einer Überschätzung der Wasseraufnahme durch Wurzeln sowie der Durchwurzelungstiefe (vgl. Savin, Hall, Satorre 1994 ), die zu einer Überschätzung der Bodenwasserentleerung beiträgt. Des Weiteren konnten (Gabrielle, Menasseri, Houot 1995 ) nach einer Implementierung der Darcy-Gleichung in die Abschnitte des Modells, in denen Versickerung und kapillarer Aufstieg berechnet werden, bessere Ergebnisse erzielen, als mit dem ursprünglichen Bodenwassermodul (vgl. auch de Faria, Bowen 2003 ).

Eine weitere Möglichkeit der Modelloptimierung besteht in der rekursiven Modellierung. Bei diesem Verfahren werden die Parameter im Modell - im Falle von CERES die genetischen Koeffizienten - über den wiederholten Vergleich von Ergebnissen der a priori- und a   posteriori-Modellierung angepasst. Des Weiteren ist der Quellcode zwar für Nutzer der DSSAT-Modelle zugänglich, aber nicht ausreichend dokumentiert, um relativ einfach Änderungen in der Modellstruktur vornehmen zu können. Das macht Änderungen sowohl äußerst zeitaufwendig als auch schwierig, so dass sie nur von Spezialisten, wie z. B. den Modellentwicklern, durchgeführt werden können. Für eine praktische Anwendung sollte ein

Abb. 7.1: Theoretische Komponenten des Vorhersagefehlers in Modellen mit steigender Komplexität bei bekannter Struktur des zu modellierenden Systems (Passioura 1996 )

↓100

Modell so gestaltet sein, dass Nutzer diese aufwendigen Änderungen nicht durchführen müssen. Dafür muss es allerdings möglichst robust hinsichtlich der Fehleranfälligkeit sein, die von Komplexität und Parameteranzahl des Modells abhängt.

Generell muss unterschieden werden, ob ein Modell im wissenschaftlichen oder im praxisbezogenen Kontext angewandt werden soll, da sich dementsprechend zwei unterschiedliche Herausforderungen ergeben: im wissenschaftlichen Kontext nämlich, Abläufe, Zusammen-hänge und Funktionen von natürlichen Prozessen zu entschlüsseln (mechanistische Modelle), im praxisbezogenen Kontext, das bestehende Wissen zu nutzen, um z. B. das Management von landwirtschaftlichen Betrieben zu verbessern (funktionale Modelle) (vgl. Passioura 1996 ). Eine hohe Komplexität bezüglich ihrer Struktur und der enthaltenen Parameter ist bei wissenschaftlich angewandten Modellen daher durchaus sinnvoll und gerechtfertigt, wobei berücksichtigt werden muss, dass sich die Komplexität eines Modells auf dessen Fehler bzw. Berechnungsgenauigkeit auswirkt. Dieser Fehler kann in zwei Komponenten geteilt werden, wobei die eine Fehlerkomponente aus der Parameterschätzung und die andere aus einem systematischen Fehler bzw. einer fehlerhaften Struktur aufgrund einer Übervereinfachung resultiert (Reynolds, Acock 1985 ). Dabei steigt der kumulative Fehler der Parameter mit deren Anzahl, die mit der steigenden Komplexität des Modells zusammenhängt, während der systematische Fehler mit steigender Modellkomplexität sinkt (Abb. 7.1).

Nach (Passioura 1996 ) sollten landwirtschaftliche Simulationsmodelle, also praktisch angewandte Modelle, so einfach wie möglich sein, einen geringen Datenbedarf haben und auf einfachen und robusten empirischen Beziehungen zwischen den Hauptvariablen bestehen, wenn die zu quantifizierenden Mechanismen nicht eindeutig verstanden werden. Vor allem die Voraussetzung des geringen Datenbedarfs kann im Rahmen der für die vorliegende Arbeit durchgeführten Modellrechnungen - besonders unter Berücksichtigung von deren Qualität - nicht als gegeben angesehen werden. Eine mögliche Ursache für die nicht zufrieden stellende Qualität der Modellergebnisse können fehlerhafte Eingangsdaten sein. Im vorliegenden Fall müssen die aus der MARS-Datenbasis des Joint Research Centre der Europäischen Kommission (JRC) stammenden regionalisierten Wetterdaten kritisch betrachtet werden. Da diese Daten auf interpolierten Werten verschiedener Wetterstationen der entsprechenden Region basieren und da Klimadaten generell starken kleinräumigen Schwankungen unterliegen, stellen sie zwangsläufig eine Unsicherheit bezüglich der Simulationen dar. Es stellte sich daher die Frage, wie sich Fehler bzw. Unsicherheiten in den Klimadaten auf die Modellsimulationen auswirken. Daraus wurde die Hypothese abgeleitet, dass Änderungen in den Niederschlagsmengen einen deutlichen Effekt auf die Simulationen von Boden-wassergehalt und Wurzellängendichte sowie deren Fehler haben. Aus diesem Grund wurde eine Unsicherheitsanalyse durchgeführt, indem die Niederschlagsmenge stufenweise (jeweils immer um 10 %) von -70 bis +130 % herauf- bzw. heruntergesetzt wurde. Da nach Auswertung der Ergebnisse jedoch nur ein marginaler Einfluss einer Änderung der Niederschlagsmenge auf die beiden Variablen und deren Fehler zu erkennen war, musste die Hypothese abgelehnt werden. RMSE, Bias und Varianz der kalkulierten Wurzellängendichten änderten sich in den meisten Fällen kaum oder nur äußerst geringfügig (Tab. 5.7). Im Vergleich dazu war die Sensitivität der Bodenwassergehaltssimulationen auf eine Änderung der Niederschlagsmengen zwar höher aber nicht so hoch wie erwartet. RMSE, Varianz und Bias schwankten auch für diese Variable in relativ geringfügigen Bereichen (Tab. 5.6). Die Spannweiten für den RMSE der simulierten Bodenwassergehalte bewegten sich zwischen 0.9 und 1.9 Vol%, für die Wurzellängendichten zwischen 0.01 und 0.11 cm cm3. Bei einer Änderung der Niederschlagsmengen um bis zu -30 bzw. +30 % wäre jedoch eine wesentlich größere Sensitivität der Simulationsergebnisse zu erwarten gewesen.

↓101

Neben der Qualität der Anpassung von Bewirtschaftungsmaßnahmen an die Variabilität von Boden und Pflanzenbeständen hängt auch die Qualität der Ergebnisse von Pflanzen-wachstums- und Ertragssimulationsmodellen von den bereitgestellten Daten ab (vgl. Hunt, Boote 1998 ). Mit steigender Auflösung und Qualität der Inputdaten besteht die Möglichkeit, die Genauigkeit der Erfassung existierender Heterogenitäten von Boden und Pflanzenbeständen zu erhöhen. Bewirtschaftungsmaßnahmen können so potenziell besser an diese Variabilität angepasst bzw. Simulationsergebnisse eines Modells potenziell besser an die Realität angenähert werden. Für die Erfassung dieser Daten in der nötigen räumlichen und zeitlichen Auflösung sind jedoch Probenahmedistanzen erforderlich, die in der Regel mit einem hohen zeitlichen, finanziellen und auch personellen Aufwand einhergehen (vgl. Frogbroock u. a. 1999 ; Herbst, Lamp 2004 ; McBratney, Pringle 1997 ; Viera 1999 ). Es stellte sich die Frage, wie diese nicht-metrischen und komplexen Bodeninformationen unter relativ geringem Aufwand hoch aufgelöst verfügbar gemacht werden können. Daraus wurde die Hypothese abgeleitet, dass dies mit einem Klassifi-zierungsmodell auf Basis der Dempster-Shafer-Theorie möglich ist. Ein großer Vorteil dieser Theorie im Vergleich zu anderen Methoden liegt in der Möglichkeit, a priori-Wissen in den Klassifizierungsprozess einfließen lassen zu können. Durch solche semiquantitativen Methoden wird es möglich, die Unsicherheit bei der Klassifizierung besser auszudrücken und damit die Berechnungsgenauigkeiten von Modellen zu erhöhen (Lein 2003 ).

Da Messungen der scheinbaren elektrischen Leitfähigkeiten eine Möglichkeit zur Identifizierung von bodenphysikalischen und -chemischen Eigenschaften und somit zur Identifizierung der räumlichen Bodenheterogenität bieten (Corwin, Lesch 2005 ; Corwin, Lesch 2005 ), wurde das Modell unter Nutzung von multitemporal und multimodal erfassten Leitfähigkeitsdaten sowie Informationen zu Textur, Bodentyp und Wasserstatus ausgewählter Monitoringpunkte des Versuchsschlages Rabenberg entwickelt. Nach Auswertung der Modellergebnisse kann aufgrund der vorliegenden Feldstudien bestätigt werden, dass das vorgeschlagene Modell für den Versuchsschlag Rabenberg gute Ergebnisse bezüglich Bodentyp und Wasserstatus sowie der Bodenartengruppen und deren Abfolge liefert (Tab. 6.4).

Die Leitfähigkeit hängt unter gemäßigten humiden Bedingungen hauptsächlich von der Bodenfeuchte und dem Tongehalt ab. Hauptleiter für Strom im Boden sind die negativ geladenen Tonkolloidoberflächen und die Sternschichten (Herbst, Lamp 2006 ). Die Komplexität von Leitfähigkeitsmustern ist abhängig von der Variabilität der Textur, des Verlaufs der Texturänderungen im Feld (weich und sukzessive oder deutlich und plötzlich) und der Korrelation zwischen Textur und Wassergehalt (Corwin, Lesch 2005 ). Aufgrund der Zusammenhänge zwischen Leitfähigkeit und Ton- sowie Bodenwassergehalt sind die Daten der scheinbaren elektrischen Leitfähigkeit bezüglich der Bodenregion Groß Twülpstedt gut als Eingangsdaten für das vorgeschlagene Modell zu nutzen. Die Region weist aufgrund ihrer Prägung durch die von Tonen unterlagerten glazialen, meist sandigen Deckschichten eine klare Strukturierung bezüglich der auftretenden Texturen auf, da die Unterschiede in der vertikalen Abfolge der Textur und deren Übergänge meist sehr deutlich sind. Dies trifft nicht auf alle Landschaften bzw. Bodenregionen zu. Für den zweiten Versuchsschlag bei Wulfen erbrachte das Modell unter Verwendung von Leitfähigkeitsdaten keine guten Ergebnisse. Vor einer Anwendung des vorgestellten Modells muss daher geprüft werden, welche Eingangsdaten - z. B. Luftbilder, digitale Höhenmodelle oder Leitfähig-keitsdaten in Ergänzung mit weiteren Daten - sich für die entsprechende Region am besten eignen.

↓102

Für das Modell mussten zunächst Trainingsareale definiert werden, die manuell digitalisiert wurden (Abb. 6.2). Der Vorteil dieser manuellen Bestimmung liegt in der Möglichkeit, a priori-Wissen über die Versuchsfläche einfließen lassen zu können. Da für eine Schätzung von beprobten auf unbeprobte Areale eine hohe Anzahl von Beprobungen mit entsprechenden Probenahmedistanzen nötig ist (vgl. Frogbroock u. a. 1999 ; Herbst, Lamp 2004 ; McBratney, Pringle 1997 ; Viera 1999 ), ist dies von enormer Bedeutung, wenn nur wenige beprobte Areale im Feld vorliegen. Die Implementierung von Expertenwissen ist ansonsten nur über die Festlegung der a priori-Wahrscheinlichkeiten möglich, über die eine inhaltliche Gewichtung der Trainingsareale vorgenommen wird (Tab. 6.3). Im vorliegenden Falle geschah dies, indem die Häufigkeit des Auftretens der Areale in der Fläche berücksichtigt wurde.

Das Modell ermittelte neben den Monosignaturen, die durch die Trainingsareale definiert wurden, auch Mischsignaturen, die aufgrund ihrer Leitfähigkeitsmuster keinem der vorgegebenen Trainingsareale eindeutig zugewiesen werden konnten. Gerade im Zusammen-hang mit Böden, deren Eigenschaften durch ein hohes Maß an Heterogenität und Kontinuität sowie durch unscharfe Grenzen und fließende Übergänge geprägt sind, könnte durch die Abbildung solcher Übergangs- oder Mischsignaturen die Qualität von Modellergebnissen verbessert werden. Die Mischsignaturen, deren Flächenanteil mit 5 % unerwartet gering ist, traten daher wie erwartet in den Übergangsbereichen der Monosignaturen auf (Abb. 6.7). Der geringe Anteil an Monosignaturen ist auf die klare Strukturierung der Region Groß Twülpstedt hinsichtlich der auftretenden Texturen zurückzuführen. Aufgrund dieser deutlichen Strukturierung ist die Wahrscheinlichkeit sehr gering, dass nicht definierte Areale Kombinationen von Leitfähigkeitssignalen enthalten, die nicht den Trainingsarealen zugeordnet werden können. Unter der Bedingung, dass entsprechendes und ausreichendes Expertenwissen vorliegt, liefert das vorgeschlagene Modell auf Basis der Dempster-Shafer-Theorie hinreichend genaue Ergebnisse und kann dazu beitragen, den Aufwand zu verringern, der mit der Erfassung von Daten in hoher räumlicher und zeitlicher Auflösung einhergeht.

In Bezug auf die für diese Arbeit aufgestellten vier Hypothesen wurden zusammenfassend folgende Ergebnisse erzielt:

↓103

Die in der Literatur zu findenden Angaben über die Einflüsse verschiedener Standort-bedingungen auf das Wurzelwachstum von Nutzpflanzen - insbesondere über die Effekte von Bodenwasserstatus, Bodendichte und Durchdringungswiderstand - lassen sich für die Versuchsstandorte Groß Twülpstedt und Wulfen generalisieren.

Mithilfe von Pflanzenwachstumsmodellen kann die Reaktion von Pflanzen auf die Variabilität von Standortbedingungen potenziell berechnet werden.

Das für diese Arbeit verwendete Modell CERES-Wheat bildete unter den getesteten Bedingungen weder die standörtliche und zeitliche Variabilität von Wurzelwachstum und Bodenwasser hinreichend genau ab, noch zeigte es eine angemessene Sensitivität dieser beiden Variablen auf Änderungen in den Niederschlagsmengen.

↓104

Die Ergebnisse von Pflanzenwachstums- und Bodenmodellen, aber auch die Anpassung von Bewirtschaftungsmaßnahmen an die Variabilität von Boden und Pflanzenbeständen, hängen von Qualität und Quantität der bereitgestellten Daten ab, deren Erhebung mit hohem Aufwand verbunden ist.

Mit einem Klassifizierungsmodell auf Basis der Dempster-Shafer-Theorie können nicht-metrische und komplexe Bodeninformationen unter relativ geringem zeitlichem, personellem und finanziellem 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