Simulations of grassland yields across Germany using satellite data - Leibniz-Zentrum für Agrarlandschaftsforschung (ZALF) e. V. Bahareh Kamali ...

Leibniz-Zentrum für Agrarlandschaftsforschung (ZALF) e. V.

Simulations of grassland yields
across Germany using satellite
data
Bahareh Kamali
Claas Nendel
Jürgen Pickert

 Datum: 25.02.2021
 1

Gliederung

1. Grünland-Simulationen mit Agrarökosystem-Modell MONICA set-up

2. MONICA Kalibrierung und Test  Modell-Performanz

3. Deutschlandweite Simulationen  Simulation über Raum und Zeit

4. Assimilation der Mahd-Ereignisse  Forcing-Methode
 Modell-Daten
 Schnittstelle
5. Assimilation der Blattfläche  Partikelfilter

 2

MONICA – Ein Agrarökosystem-Modell

 3

MONICA: Simulation von Erträgen und Stoffflüssen im Acker

 Zeitlich: Fruchtfolgen-Simulation

 Relative Änderung des SOC
 im Klimawandel und unter
 Nachhaltiger Intensivierung
 (Stella et al., 2019, Environ
 Res. Lett.)

 Räumlich: Raster-Simulation Nordrhein-Westfalen 4

MONICA – Anpassungen für Grünland

Ausgangspunkt: MONICA für Wein (Vitis vinifera)
Speicherorgan (Rhizom)
 Ein neues Speicherorgan wird definiert  Rhizom
 Verfügbare Kohlenhydrate im Speicherorgan werden täglich berechnet
 Respiration (Grundbedarf + Stress) werden von der gesamten Assimilationsleistung abgezogen. Die verbleibende
 Rest an Kohlenhydraten steht für das Wachstum verfügbar.
 Der Beitrag des Speicherorgans zum Pflanzenwachstum hängt ab von: 1) Entwicklungsstadium, 2) Tageslänge, 3)
 Tagestemperatur

Wurzelbiomasse
 Um unnatürliches Wachstum der Wurzel zu vermeiden, stirbt jeden Tag ein Teil der Wurzel (2-5%).
 Die abgestorbene Wurzel wird der organischen Substanz im Boden hinzugerechnet
 Ihre gespeicherten Nährstoffe werden über die Mineralisierung der organischen Bodensubstanz freigesetzt
 5

Testen der Modelle: Blattfläche
vor der Kalibrierung

 Der Vergleich des simulierten
 und beobachteten LAI
 (Blattflächen-Index) vor der
 Kalibrierung des Modells

 www.zalf.de
 6

Daten für die Kalibrierung und das Testen der Modelle

 Bewirtschaftu Verfügbare Gemessene Niederschlag Temperatur
 Standort Bodentyp
 ng Variablen
 Daten mm a−1 mm a−1
 LAI, Biomasse, Stagnic
 Rollesbroich Intensiv 2015-2018 1150 8

 Kalibrierung
 Bodenfeuchte Cambisol
 LAI, Biomasse, Fluvic
 Gießen [1] Extensiv 1998-2018 570 9.7
 Bodenfeuchte Gleysol

 LAI, Biomasse, Fluvic
 Gießen [2-3] Extensiv 1998-2018 570 9.7
 Bodenfeuchte Gleysol

 Braunschweig Extensiv 2013-2018 LAI, Bodenfeuchte Albeluvisol 612 10.5

 Test
 Bad Lauchstädt
 Intensiv
 [1-5]
 Haplic
 2015-2017 LAI, Biomasse 407 10.1
 Chernozem
 Bad Lauchstädt
 Extensiv
 [6-10]
 LAI, Biomasse, Cutanic
 Selhausen Intensiv 2015-2018 730 10
 Bodenfeuchte Luvisol

 www.zalf.de
 7

Methodik für die Simulationen auf Deutschlandebene

 3-steps procedure

 8

Methodik für die Simulationen auf Deutschlandebene

 9

Mono-kriterielle Kalibrierung

 Mono-kriterielle Multi-kriterielle Multi-kriterielle
 Unsicherheitsanalyse Unsicherheitsanalyse Unsicherheitsanalyse

 10

Sequential Uncertainty Fitting-Algorithmus - SUFI-2

Model-Kalibrierung  Unsicherheitsanalyse Methode

  Alle Unsicherheitsquellen werden durch Berechnung
 einer Vorhersageunsicherheit von 95% erfasst
  5% der sehr schlechten Simulationen sind nicht zulässig

 Hoher r-factor
 Hoher p-factor
 p-factor: Der Prozentsatz der Beobachtungen, die von der 95PPU
 abgedeckt werden Hohe
 Vorhersageunsicherheit
 r-factor: Relative Breite des 95% Wahrscheinlichkeitsbandes

 Geringer r-factor
 Geringer p-factor

 Geringere
 Genauigkeit

 11

Mono-kriterielle Kalibrierung

 12

Multi-kriterielle Unsicherheitsanalyse - MO-Pareto

 min = ( 1 , 2 , … . , )
 F2: Min(AGB)

 2  1 vs 2: 1 dominiert 2
 1
 4  3 vs 5: 3 dominiert 5
 3
 5  1 vs 3: gleiche werte

 F1: Min(LAI)

 13

Multi-kriterielle Kalibrierung (Pareto-Optimum)

 14

Multi-kriterielle Kalibrierung (MO-SUFI2)

 15

Deutschlandweite Grünland-Simulation

 16

Grünlanderträge in Naturräumen

 17

Assimilation von Mahd-Ereignissen in MONICA (Forcing)

 18

Assimilation der Blattfläche in MONICA (Partikelfilter)

19

Assimilation der Blattfläche in MONICA (Partikelfilter)

 Model parameters

 20

Assimilation der Blattfläche in MONICA (Partikelfilter)

Scale issue
MONICA resolution  1000 m
 Uncertainty in spatial scale
RS resolution  10 m

 Coarser resolution results in high uncertainty in
 • Model species parameters
 • Model soil parameters
 Fine resolution is computationally very expensive

 21

Partikelfilter-Anwendung in Riswick

 22

Partikelfilter-Anwendung in Riswick

 23

Ausblick

• Multi-variable Daten-Assimilation (gemeinsame Verteilungsfunktion von LAI und AGB)
• Modellvergleich (MONICA vs. SIMPLACE - Uni Bonn)
• Daten-Assimilation über ganz Deutschland

 24

Vielen Dank für Ihre Aufmerksamkeit.

Kontakt: apl. Prof. Dr. Claas Nendel (nendel@zalf.de)
 25

26

Testen der Modelle: Bodenfeuchte

 27

3) Final ranges of parameters for German-wide grassland
simulations

 28