Befehle des Menübands überspringen
Zum Hauptinhalt wechseln
Suche
Breadcrumb Navigation

Projektdetails

Hauptinhalt der Seite
idTitel_deuTitel_engProjekt_StartProjekt_EndeProjektstatusProjektstatus_enZALF_InstituteZALF_Institute_enIdxiZALF_PersonenIdxpLabelDetailsHomepageStartjahrSuchfeldZielsetzung_deuZielsetzung_engZALF_Institute_htmlZALF_Istitute_ENG_htmlZALF_Personen_htmlProjektleiterProjekt_Leiter_htmlProgrammbereich_htmlProgrammbereich_eng_htmlIdx_ProgrambereichProjektpartner_htmlIdx_ProjektpartnerFoerderer_htmlSchlagworteProjekttraegerProjekttraeger_htmlProjektmitarbeiter_extern_htmlProjektstatus_SortProjektstatus_en_SortAnlagenBereiche_ZALF_deBereiche_ZALF_en
2365YieldGEM – Verbesserung von großflächigen mechanistischen Ertragssimulationen durch Entflechtung von Genotyp × Umwelt × ManagementfaktorenYieldGEM – Improving large-area mechanistic yield simulations through disentangling genotype × environment × management factors 01.03.2023 00:00:0031.08.2026 00:00:00laufendcurrentLeibniz-Zentrum für Agrarlandschaftsforschung (ZALF) e. V.Leibniz Centre for Agricultural Landscape Research (ZALF)x0x32xNendel, Claasx826x<div class='ntm_ZAL'>ZAL</div>  2023 YieldGEM – Verbesserung von großflächigen mechanistischen Ertragssimulationen durch Entflechtung von Genotyp × Umwelt × Managementfaktoren YieldGEM – Improving large-area mechanistic yield simulations through disentangling genotype × environment × management factors Leibniz-Zentrum für Agrarlandschaftsforschung (ZALF) e. V. Nendel, Claas Drittmittel Leibniz Centre for Agricultural Landscape Research (ZALF) current laufend <div class="ExternalClass04EC3CF7701C493EBAEB922B4DB5127A"> <p class="MsoNormal" style="text-align&#58;justify;">Eine zuverlässige Vorhersage von landwirtschaftlichen Erträgen ist für Landwirte, Behörden und Entscheidungsträger in einer Vielzahl von thematischen Institutionen von großem Interesse. Mechanistische Simulationsmodelle wurden entwickelt, um das komplexe System der Wechselwirkung zwischen Pflanzen, Boden und Atmosphäre zu beschreiben, dass auch die Entwicklung von Ernteerträgen umfasst. Theoretisch sollten solche Modelle in der Lage sein, den Ertrag jeder einzelnen Kulturpflanze in jedem Winkel der Welt zu simulieren, da die zugrunde liegende Physik überall auf diesem Planeten gilt. Modellvergleichsstudien haben jedoch gezeigt, dass keines der vielen Modelle dieser Erwartung gerecht wird. Zwei Hauptgründe werden für diese Beobachtung verantwortlich gemacht&#58; (i) die Beschreibung der Prozesse, die für das Verhalten des Systems in den Modellen verantwortlich sind, ist unvollständig oder fehlerhaft, und (ii) die Informationen, die die Modelle verwenden, um zu einer Vorhersage zu gelangen, sind unzureichend oder nicht genau genug. </p><p class="MsoNormal" style="text-align&#58;justify;">Die Zahl der Anwendungen von Simulationsmodellen in einem Raster-Design für Ertragsvorhersagen über große zusammenhängende Gebiete nimmt zu, aber eine angemessene Validierung fehlt derzeit. Bei der Kalibrierung zur bestmöglichen Reproduktion dieser beobachteten Ertragsmuster bleibt unklar, ob die zugrunde liegenden Prozesse und ihre repräsentativen Zustandsvariablen ebenso gut simuliert werden. Die Tatsache, dass für die überwiegende Mehrheit der landwirtschaftlichen Felder in Deutschland keine Informationen über Sorten, Düngepläne und feinräumige Bodeninformationen verfügbar sind, schränkt das Potenzial der Verwendung von Simulationsmodellen für Ertragsvorhersagen ein. In diesem Projekt wird vorgeschlagen, Simulationsmodelle zur inversen Schätzung einiger der Eingangsparameter und treibenden Variablen zu verwenden, indem beobachtete Ernteerträge auf einer feinen Skala und zusätzliche Informationen verwendet werden, die die inverse Parameterschätzung einschränken. </p><p class="MsoNormal" style="text-align&#58;justify;">Unter Verwendung eines mehrjährigen und multilokalen Datensatzes von Winterweizenerträgen für 100 Kacheln mit einer Größe von 10 × 10 m², die von Multisensor-Satellitenbildern auf einer Skala von 10 m begleitet werden, schlägt dieses Projekt vor, (i) die derzeitigen Grenzen von AEMs für die genaue Reproduktion von beobachteten Winterweizenerträgen in Deutschland zu untersuchen, (ii) die interne Validität von drei AEMs bei der Reproduktion dieser Erträge zu verbessern und (iii) Prioritäten für die weitere Forschung zur Verbesserung zukünftiger Ertragsvorhersagen unter Verwendung von AEM zu identifizieren. Die übergreifende Hypothese ist, dass die Genauigkeit aktueller mechanistischer Agrarökosystemmodelle bei der blinden Simulation von Winterweizenerträgen über den Boden-Klima-Raum in Deutschland hauptsächlich durch unzureichende Informationen über Genotyp × Umwelt × Bewirtschaftung und nicht durch die Modellstruktur begrenzt ist.</p><p class="MsoNormal" style="text-align&#58;justify;">&#160;</p></div> <div class="ExternalClass3036F5F06E4C45A0903339C8D951F0F0"> <p class="MsoNormal" style="text-align&#58;justify;"><span lang="EN-GB">A reliable prediction of agricultural yields is of great interest for farmers, authorities and decision-makers across a large body of thematic institutions. Mechanistic agroecosystem simulation models (AEM) have been developed to describe the complex system of crop–soil–atmosphere interaction, also including the formation of crop yields. In theory, such models should be able to simulate the yield of each and every crop in each and every corner of the world, since the underlying physics applies everywhere on this planet. However, model intercomparison studies have produced evidence that none of the many AEM is living up to this expectation. Two main reasons are held responsible for this observation&#58; (i) the description of the processes responsible for the behaviour of the system in the models is incomplete or erroneous, and (ii) the information that the models use to arrive at a prediction is insufficient or insufficiently accurate. </span></p><p class="MsoNormal" style="text-align&#58;justify;"><span lang="EN-GB">Applications of AEM in a gridded design for yield predictions over large continuous areas increase in number, but proper validation is currently missing. When calibrated for best performance in reproducing these observed yield patterns, it remains unclear if the underlying processes and their representative state variables are similarly well simulated. The fact that for the vast majority of agricultural fields across Germany no information on variety, fertiliser schemes and fine-scale soil information is available, limits the potential of using AEM for yield predictions. This project proposes using AEMs to inversely estimate some of the input parameters and driving variables by using observed crop yields at a fine scale and additional information that constrains the inverse parameter estimation. </span></p><p class="MsoNormal" style="text-align&#58;justify;"><span lang="EN-GB">Utilising a multi-annual and multi-local data set of on-farm winter wheat yields for 100 tiles of 10 </span><span lang="EN-GB">×</span><span lang="EN-GB"> 10 m² size, which is accompanied by multi-sensor satellite imagery at 10m scale, this project proposes to (i) explore current limitations of AEMs for accurate reproduction of observed winter wheat yields across Germany, to (ii) improve the internal validity of three AEMs in reproducing these yields and to (iii) identify priorities for further research towards the improvement of future yield predictions using AEM. The overarching hypothesis is that the accuracy of current mechanistic agro-ecosystem models in blindly simulating winter wheat yields across the soil-climate space of Germany is mainly limited by insufficient information on genotype × environment × management, not by the model structure.</span></p></div> YieldGEM <div class="ExternalClass2C82C12F-E884-4515-B73C-488A149E2266"></div> <div class="ExternalClass280D2CCA-52CC-4C6E-91FF-F2E8323E09BF"></div> <div class="ExternalClassC72AC6B9-AB26-4B52-A934-483D7F0C6C64"></div> <div class="ExternalClass00EEDF88-9CFB-4D5B-B900-05C36A94EAF1"><ul><li>DFG Deutsche Forschungsgemeinschaft</li></ul></div> <div class="ExternalClassBAC089D4-8859-4DE8-A52C-C03A14E6FA89"></div><div class="ExternalClass04EC3CF7701C493EBAEB922B4DB5127A"> <p class="MsoNormal" style="text-align&#58;justify;">Eine zuverlässige Vorhersage von landwirtschaftlichen Erträgen ist für Landwirte, Behörden und Entscheidungsträger in einer Vielzahl von thematischen Institutionen von großem Interesse. Mechanistische Simulationsmodelle wurden entwickelt, um das komplexe System der Wechselwirkung zwischen Pflanzen, Boden und Atmosphäre zu beschreiben, dass auch die Entwicklung von Ernteerträgen umfasst. Theoretisch sollten solche Modelle in der Lage sein, den Ertrag jeder einzelnen Kulturpflanze in jedem Winkel der Welt zu simulieren, da die zugrunde liegende Physik überall auf diesem Planeten gilt. Modellvergleichsstudien haben jedoch gezeigt, dass keines der vielen Modelle dieser Erwartung gerecht wird. Zwei Hauptgründe werden für diese Beobachtung verantwortlich gemacht&#58; (i) die Beschreibung der Prozesse, die für das Verhalten des Systems in den Modellen verantwortlich sind, ist unvollständig oder fehlerhaft, und (ii) die Informationen, die die Modelle verwenden, um zu einer Vorhersage zu gelangen, sind unzureichend oder nicht genau genug. </p><p class="MsoNormal" style="text-align&#58;justify;">Die Zahl der Anwendungen von Simulationsmodellen in einem Raster-Design für Ertragsvorhersagen über große zusammenhängende Gebiete nimmt zu, aber eine angemessene Validierung fehlt derzeit. Bei der Kalibrierung zur bestmöglichen Reproduktion dieser beobachteten Ertragsmuster bleibt unklar, ob die zugrunde liegenden Prozesse und ihre repräsentativen Zustandsvariablen ebenso gut simuliert werden. Die Tatsache, dass für die überwiegende Mehrheit der landwirtschaftlichen Felder in Deutschland keine Informationen über Sorten, Düngepläne und feinräumige Bodeninformationen verfügbar sind, schränkt das Potenzial der Verwendung von Simulationsmodellen für Ertragsvorhersagen ein. In diesem Projekt wird vorgeschlagen, Simulationsmodelle zur inversen Schätzung einiger der Eingangsparameter und treibenden Variablen zu verwenden, indem beobachtete Ernteerträge auf einer feinen Skala und zusätzliche Informationen verwendet werden, die die inverse Parameterschätzung einschränken. </p><p class="MsoNormal" style="text-align&#58;justify;">Unter Verwendung eines mehrjährigen und multilokalen Datensatzes von Winterweizenerträgen für 100 Kacheln mit einer Größe von 10 × 10 m², die von Multisensor-Satellitenbildern auf einer Skala von 10 m begleitet werden, schlägt dieses Projekt vor, (i) die derzeitigen Grenzen von AEMs für die genaue Reproduktion von beobachteten Winterweizenerträgen in Deutschland zu untersuchen, (ii) die interne Validität von drei AEMs bei der Reproduktion dieser Erträge zu verbessern und (iii) Prioritäten für die weitere Forschung zur Verbesserung zukünftiger Ertragsvorhersagen unter Verwendung von AEM zu identifizieren. Die übergreifende Hypothese ist, dass die Genauigkeit aktueller mechanistischer Agrarökosystemmodelle bei der blinden Simulation von Winterweizenerträgen über den Boden-Klima-Raum in Deutschland hauptsächlich durch unzureichende Informationen über Genotyp × Umwelt × Bewirtschaftung und nicht durch die Modellstruktur begrenzt ist.</p><p class="MsoNormal" style="text-align&#58;justify;">&#160;</p></div><div class="ExternalClass3036F5F06E4C45A0903339C8D951F0F0"> <p class="MsoNormal" style="text-align&#58;justify;"><span lang="EN-GB">A reliable prediction of agricultural yields is of great interest for farmers, authorities and decision-makers across a large body of thematic institutions. Mechanistic agroecosystem simulation models (AEM) have been developed to describe the complex system of crop–soil–atmosphere interaction, also including the formation of crop yields. In theory, such models should be able to simulate the yield of each and every crop in each and every corner of the world, since the underlying physics applies everywhere on this planet. However, model intercomparison studies have produced evidence that none of the many AEM is living up to this expectation. Two main reasons are held responsible for this observation&#58; (i) the description of the processes responsible for the behaviour of the system in the models is incomplete or erroneous, and (ii) the information that the models use to arrive at a prediction is insufficient or insufficiently accurate. </span></p><p class="MsoNormal" style="text-align&#58;justify;"><span lang="EN-GB">Applications of AEM in a gridded design for yield predictions over large continuous areas increase in number, but proper validation is currently missing. When calibrated for best performance in reproducing these observed yield patterns, it remains unclear if the underlying processes and their representative state variables are similarly well simulated. The fact that for the vast majority of agricultural fields across Germany no information on variety, fertiliser schemes and fine-scale soil information is available, limits the potential of using AEM for yield predictions. This project proposes using AEMs to inversely estimate some of the input parameters and driving variables by using observed crop yields at a fine scale and additional information that constrains the inverse parameter estimation. </span></p><p class="MsoNormal" style="text-align&#58;justify;"><span lang="EN-GB">Utilising a multi-annual and multi-local data set of on-farm winter wheat yields for 100 tiles of 10 </span><span lang="EN-GB">×</span><span lang="EN-GB"> 10 m² size, which is accompanied by multi-sensor satellite imagery at 10m scale, this project proposes to (i) explore current limitations of AEMs for accurate reproduction of observed winter wheat yields across Germany, to (ii) improve the internal validity of three AEMs in reproducing these yields and to (iii) identify priorities for further research towards the improvement of future yield predictions using AEM. The overarching hypothesis is that the accuracy of current mechanistic agro-ecosystem models in blindly simulating winter wheat yields across the soil-climate space of Germany is mainly limited by insufficient information on genotype × environment × management, not by the model structure.</span></p></div>  <div class="ExternalClassDF2A1E13-100D-4CC4-94A8-A8DC962D8F1C">Prof. Dr. Claas Nendel</div>Nendel, Claas<div class="ExternalClassBD92CE7F-FA12-4224-B8C0-EDA532CF5C30">Prof. Dr. Claas Nendel</a></div>       DFG - Deutsche Forschungsgemeinschaft<div class="ExternalClass00EEDF88-9CFB-4D5B-B900-05C36A94EAF1"><ul><li>DFG Deutsche Forschungsgemeinschaft</li></ul></div> 22 <div class="ExternalClassC5DA952D-A439-4F1A-9376-9B2C28008EBB"><ul><li>Landschaftsmodellierung</li></ul></div><div class="ExternalClass5DE02239-012D-40C4-AAC9-7DB7595722F5"><ul><li>Landscape Modelling</li></ul></div>
Fusszeile der Seite
Wordpress
YouTube
Twitter
© Leibniz-Zentrum für Agrarlandschaftsforschung (ZALF) e. V. Müncheberg