2365 | 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 | 01/03/2023 00:00:00 | 31/08/2026 00:00:00 | laufend | current | Leibniz-Zentrum für Agrarlandschaftsforschung (ZALF) e. V. | Leibniz Centre for Agricultural Landscape Research (ZALF) | x0x32x | Nendel, Claas | x826x | <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: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: (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: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: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:justify;"> </p></div> <div class="ExternalClass3036F5F06E4C45A0903339C8D951F0F0">
<p class="MsoNormal" style="text-align: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: (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: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: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="ExternalClass43B53FE9-2D26-49A7-B585-C5C28F0B528B"></div> <div class="ExternalClass21FE84C7-165F-4A63-AE0D-9FB5B5D49511"></div> <div class="ExternalClassBB7D9EC2-6FCE-4B44-B425-B96CB9D16DDE"></div> <div class="ExternalClass1FBEFCD6-CB19-499B-A64B-26F26723E372"><ul><li>DFG Deutsche Forschungsgemeinschaft</li></ul></div> <div class="ExternalClass6BB6C9BF-8C6D-40F0-9892-A72E4C376611"></div> | <div class="ExternalClass04EC3CF7701C493EBAEB922B4DB5127A">
<p class="MsoNormal" style="text-align: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: (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: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: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:justify;"> </p></div> | <div class="ExternalClass3036F5F06E4C45A0903339C8D951F0F0">
<p class="MsoNormal" style="text-align: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: (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: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: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="ExternalClass7E779E59-0770-4823-BA21-8CECE86E5246">Prof. Dr. Claas Nendel</div> | Nendel, Claas | <div class="ExternalClassA3A210EE-429B-4670-8782-7F5765BF2909">Prof. Dr. Claas Nendel</a></div> | | | | | | | | DFG - Deutsche Forschungsgemeinschaft | <div class="ExternalClass1FBEFCD6-CB19-499B-A64B-26F26723E372"><ul><li>DFG Deutsche Forschungsgemeinschaft</li></ul></div> | | 2 | 2 | | <div class="ExternalClassD04E9C8A-2CAC-4F37-98ED-A894115A9D64"><ul><li>Landschaftsmodellierung</li></ul></div> | <div class="ExternalClass24B47AE0-651E-424A-B19B-43628144B806"><ul><li>Landscape Modelling</li></ul></div> |