8 Schlussfolgerungen und Ausblick

↓104

Informationen über das Wurzelwachstum im Allgemeinen und über die Wurzellängendichte im Speziellen ermöglichen Aussagen über die Leistungsfähigkeit des Wurzelsystems hinsichtlich seiner Versorgungsfunktion für die Gesamtpflanze. Die Ausprägung des Wurzelsystems ist abhängig von zeitlich und räumlich hoch variablen Standorteigenschaften wie beispiels-weise dem Wasserstatus und der Bodendichte bzw. dem Durchdringungswiderstand. Eine adäquate Abbildung dieser Variabilität ist Voraussetzung für eine hohe Vorhersagequalität von Pflanzenwachstumsmodellen, die potenziell als Vorhersage- und Entscheidungsstützungsinstrumente genutzt werden können. Eine Anwendung des im Rahmen dieser Arbeit genutzten Modells CERES-Wheat als ein solches Instrument kann unter den getesteten Bedingungen nicht empfohlen werden, da die Abbildung der räumlichen und zeitlichen Variabilität von Wurzellängendichten und Bodenwassergehalten sowie die Sensitivität dieser Variablen auf eine Änderungen der Niederschlagsmengen nicht ausreichend war. Diese Unstimmigkeiten ließen sich nicht durch die Kalibrierung des Modells beheben, so dass entweder Änderungen in der Modellstruktur oder aber die Einbindung von anderen Routinen oder Modellen bezüglich des Wurzelwachstums und des Bodenwasserflusses bzw. der -verteilung empfohlen werden. Änderungen in der Struktur des CERES-Modells sind jedoch sehr zeitaufwendig und können nur von Spezialisten vorgenommen werden, da der Quellcode zwar für den Nutzer zugänglich, aber nicht ausreichend dokumentiert ist. Diese aufwendigen Änderungen sollten nicht nötig sein, da es sich bei CERES-Wheat um ein Modell für die praktische Anwendung handelt, was letztlich eine gewisse Robustheit des Modells erwarten lässt. Praktisch angewandte Modelle sollten nicht nur bezüglich der Anwendung sondern ebenso bezüglich der enthaltenen empirischen Beziehungen zwischen den Hauptvariablen möglichst einfach und robust, also nicht zu komplex sein. Es muss jedoch berücksichtigt werden, dass sich die Komplexität eines Modells auf dessen Berechnungsgenauigkeit auswirkt, die sowohl durch eine Übervereinfachung als auch eine Überkomplizierung beeinträchtigt werden kann.

↓105

Die Erfassung von Daten in hoher räumlicher und zeitlicher Auflösung, wie sie häufig für eine Managementanpassung aber auch für die Modellierung benötigt werden, ist nicht nur mit hohem zeitlichem sondern meist auch mit hohem personellem und finanziellem Aufwand verbunden. Der in dieser Arbeit vorgestellte methodische Vorschlag für ein Klassifizierungsmodell auf Basis der Dempster-Shafer-Theorie soll dazu beitragen, diesen Aufwand zu verringern. In das Modell wird a priori-Wissen in Form von deduktivem Expertenwissen einbezogen, was für eine Schätzung von beprobten auf unbeprobte Areale von enormer Bedeutung ist, wenn nur wenige beprobte Areale existieren. Die diesem Modellvorschlag zugrunde liegende Methode zur Klassifizierung von räumlichen Eingangsdaten ist eine in Anlehnung an die Dempster-Shafer-Theorie angepasste Maximum-Likelihood-Methode, die das volle Potential der Theorie nur teilweise ausschöpft. Als Grundlage für weitergehende Untersuchungen wären umfangreiche Daten- und Wissensdatenbanken von großem Nutzen. Die Einrichtung bzw. Nutzung solcher Datenbanken wäre nicht nur für Praxisbetriebe, die präzisionslandwirtschaftlich arbeiten, von Nutzen, sondern generell bezüglich der Modellierung von Boden, Pflanzen oder Klima, sei es im wissenschaftlichen oder praktischen, anwendungsorientierten Bereich.


© 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