Improving crop models with respect to yield variability and climate extremes as a precondition for food security assessments

Abstract

Die Ernährungssicherheit ist bedroht, unter anderem durch den Klimawandel. Eine Zunahme der Wetterextreme kann zu deutlichen Ertragseinbußen führen. Deshalb ist eine Quantifizierung des Klimaeinflußes auf die Landwirtschaft nötig um eine rechtzeitige Anpassung zu ermöglichen. Die vorliegende Dissertation schlägt daher Verbesserungen für Ertragsmodelle in Bezug auf Klimaextreme vor.

Der erste Teil ist eine Metastudie zur Strukturierung von Wissen. Eine neue Methode wird zum Aufbau eines enzyklopädischen Netzwerks verwendet. Dieses erlaubt Vorschläge zur Modellverbesserung abzuleiten. Zwei davon, Ozonschäden und extreme Temperaturen, werden folgend behandelt.

Der zweite Teil behandelt Ertragseinbußen durch Ozon. Das Ertragsmodell LPJmL wird um Ozonstress erweitert und damit globale Ertragseinbußen bei Weizen und Soja abgeschätzt. Wasserdargebot, Temperatur und CO2-Konzentration werden berücksichtigt, im Gegensatz zu früheren Abschätzungen. Laut Analyse kann Ozon zu Ernteeinbußen von bis zu 50% führen.

Der dritte Teil behandelt Schäden durch hohe Temperaturen. Es wird untersucht, inwieweit neun Modelle die Effekte von Hitze auf Mais, Soja und Weizen in den USA abbilden. Das Modellkollektiv kann beobachtete Verluste quantitativ reproduzieren und legt Wasserstress als Ursache dafür nahe. Erhöhte CO2-Konzentrationen können laut Modellen die Ernteeinbußen nicht verringern, im Gegensatz zu gegenwärtigen Überzeugungen.

Der vierte Teil enthält ein statistisches Modell, mit dem der Anteil des Wetters an globalen Ertragsschwankungen berechnet wird – unter Berücksichtigung von Hitze- und Froststress. Dieser Anteil wird bei Mais, Soja und Weizen global auf 15-42% beziffert. Weitere Ergebnisse zeigen über 50% Vorhersagekraft des Modells bereits zwei Monate vor der Ernte.

Die vorliegende Arbeit stellt die negativen Einflüsse von Ozon und Hitze für die Landwirtschaft und damit die Ernährungssicherheit heraus. Die Vorteile der Anwendung mehrerer Modelltypen werden hervorgehoben.

Agricultural production and thus food security are under pressure, in particular by climate change. Climate extremes are likely to increase and may diminish harvests. Hence it is decisive to quantify such impacts. Consequently, this thesis aims at improving crop models with respect to climate extremes.

The first part is a meta-study for structuring knowledge on crop physiology. A novel method is used to build a network-based encyclopedia. This allows for deducing improvement suggestions for crop models. Two of these suggestions (ozone and extreme temperatures) are treated in the following.

The second part analyses crop losses from ozone damage. The crop model LPJmL is enhanced by ozone stress and used to simulate global historical wheat and soybean yield losses. Crop water status, temperature and CO2 are considered as modulators of ozone damage – an improvement over previous global assessments. The analysis indicates that ozone can cause yield losses up to occasional 50%.

The third part treats effects of high temperatures on yields. It is assessed to what extent nine crop models can reproduce effects of heat on maize, soybean and wheat yields in the US. The model ensemble simulates observed yield losses in the correct quantities and suggests that they stem from water stress. It is hypothesized that future US yields could suffer from heat losses even under elevated CO2, contrary to current convictions.

The fourth part describes a statistical model to assess the global share of weather-driven yield variability, considering heat and frost stress. The influence of weather on yield variability of maize, wheat and soybeans is quantified as 15-42% globally. Results also suggest a yield forecasting capacity of more than 50% two months before harvest in several countries.

This thesis underlines the negative influence of ozone and high temperature stress on agricultural production and, consequently, food security. The benefits of using diverse types of models are highlighted.