Pflanzenmodelle zur effizienten Klimafolgenabschätzung

Computergestützte Modelle haben sich in den vergangenen Jahren zu einem wichtigen Werkzeug in der Abschätzung von Klimafolgen für landwirtschaftliche Ernteerträge entwickelt. Solche Modelle sind häufig prozess-basiert, d.h. zahlreiche Umwelt- und Pflanzenwachstumsprozesse werden im Verbund simuliert. Diese detaillierte Simulation ist wichtig, um Dynamiken in allen Bereichen des Wachstumsprozesses (bspw. neben der Pflanze auch Änderungen in Bodenparameter oder Hydrologie) integrativ zu evaluieren. Sie sind jedoch auch ausgesprochen rechenintensiv und aufwändig in der technischen Umsetzung. Um nur bestimmte Ergebnisse solch einer Simulation zu erhalten, bspw. Ernteerträge, sind schlanke Emulatoren eine vielversprechende Alternative. Diese ahmen das eigentliche Modell nach, benötigen jedoch weniger Daten und laufen um ein Vielfaches schneller. Dies ermöglicht neben der Zeitersparnis auch komplexere Szenario-Analysen. Einfache Emulatoren wurden bereits in der Vergangenheit entwickelt, hatten jedoch substanzielle Einschränkungen, wie eine grobe räumliche Auflösung und geringe Flexibilität hinsichtlich Anpassungsmaßnahmen. Dieses Projekt fußt auf der Hypothese, dass Methoden des maschinellen Lernens, also Algorithmen, die aus großen Datenmengen lernen, um Vorhersagen zu treffen, eine neue Generation von Emulatoren ermöglichen, die die oben genannten Einschränkungen minimieren und komplexe Szenario-Analysen in kurzer Zeit ermöglichen. In einem ersten Schritt wird das Projektteam mittels Simulationen durch ein prozess-basiertes Pflanzenwachstumsmodell ein umfangreiches, multifaktorielles Set von Trainingsdaten erstellen. Im nächsten Schritt werden diese Daten verwendet, um mehrere strukturell unterschiedliche Algorithmen zu trainieren und so ein Ensemble von Emulatoren zu erhalten. Diese werden hinsichtlich ihrer individuellen sowie kombinierten Fähigkeiten, das ursprüngliche Modell widerzugeben, evaluiert. Im Anschluss werden die Algorithmen verwendet, um komplexe SzenarioAnalysen durchzuführen. Diese beinhalten Ertragsvorhersagen für eine Vielzahl von Klimaprojektionen, um die Relevanz dieser zu bewerten, die Evaluation der Rolle räumlicher Auflösungen für die Genauigkeit von Ertragsabschätzungen, sowie die Untersuchung von Potentialen und Grenzen der Anpassung an den Klimawandel durch Sortenwahl und Verschiebung der Wachstumsperiode. Die Szenarien werden neue Einblicke in die Komplexität und Potentiale dynamischer Anpassung an ein sich änderndes Klima in der Landwirtschaft ermöglichen. Dies hat bislang wenig Berücksichtigung in der Klimafolgenabschätzung gefunden. Dabei wird ein besonderes Augenmerk auch auf die Untersuchung von Robustheit und Unsicherheiten in den Klimaprojektionen gelegt. Die im Rahmen des Projektes generierten Modelle selbst werden neben der Anwendung hierin voraussichtlich für eine Vielzahl weiterer Anwendungen geeignet sein, bspw. um in nahezu Echtzeit Szenarien mit Interessengruppen der Landwirtschaft zu evaluieren

Das Projekt Pflanzenmodelle zur effizienten Klimafolgenabschätzung (MACROS) hatte das Ziel, die Modellierung der Auswirkungen des Klimawandels auf die globale Landwirtschaft weiterzuentwickeln, indem moderne, prozessbasierte Pflanzenertragsmodelle mit maschinellem Lernen kombiniert wurden. Dies ermöglichte die Entwicklung schneller und hochpräziser Emulatoren, die Ernteerträge unter einer Vielzahl zukünftiger Klima- und Managementbedingungen simulieren können, einschließlich umfangreicher Szenarioanalysen. Ein bedeutender technischer Erfolg des Projekts war die Entwicklung der CROp Model Emulator Suite (CROMES), eines neuen Machine-Learning-Frameworks, das komplexe globale Pflanzenmodelle mit sehr hoher Genauigkeit emuliert und gleichzeitig die Rechenanforderungen um mehr als eine Größenordnung senkt. Dies ermöglicht es, deutlich mehr Klima- und Anpassungsszenarien zu analysieren, als zuvor möglich war. Der Code sowie Trainingsdatensätze wurden der Forschungsgemeinschaft offen zugänglich gemacht, um breitere Verwendung zu ermöglichen. Eine wichtige Anwendung von CROMES war die Bewertung von Unsicherheiten in Klimaprognosen und deren Auswirkungen auf den Ernteertrag. Üblicherweise basieren diese auf Simulationen von bis zu fünf Klimamodellen und zwei Emissionspfaden, die aus einem Pool von mehr als 30 Klimamodellen, die jeweils vier Emissionspfade für die jüngsten IPCC-Bewertungen simulieren. Durch die Berechnung der Auswirkungen nahezu all dieser Klimaprojektionen auf die Ernteerträge hat das Projektteam gezeigt, dass Standardbewertungen mögliche zukünftige Klimabedingungen, insbesondere verursacht durch Veränderungen im Niederschlag, übersehen können. Darüber hinaus entwickelt sich die Auswirkung von Klimamodellen und Szenarien unterschiedlich, je nachdem, ob Anbauperioden im Sommer oder Winter untersucht werden. Die Ergebnisse unterstreichen, dass bei der Planung von Anpassungs- und Resilienzstrategien für die Landwirtschaft ein breiteres Spektrum an Klimaprojektionen berücksichtigt werden muss. Das Projekt hat zudem neue Erkenntnisse zur landwirtschaftlichen Anpassung von Mehrkultursystemen geliefert. Simulationen des brasilianischen Mais-Sojabohnen-Systems zeigen, dass sich einzelne Kulturen zwar durch veränderte Pflanzpläne und Sortenauswahl erfolgreich anpassen können, der Anpassungsspielraum jedoch stark eingeschränkt wird, wenn Ackerkulturen im selben Jahr in enger zeitlicher Folge angebaut werden. Das Framework dieser Studie wurde anschließend auf globale Anwendungen für Monokulturen ausgeweitet, um zu bewerten, wo sich zukünftige optimale Wachstumsperioden am stärksten verschieben, was die Treiber sind und wie stabil Veränderungen in den Wachstumsperioden sind. Über seine wissenschaftlichen Ergebnisse und das Projektteam hinaus hat MACROS bereits eine breitere Wirkung. Die im Rahmen des Projekts entwickelten Werkzeuge wurden von internationalen Forschern für Studien zur Klimaauswirkungszuweisung oder für umfassendere Bewertungen von Klimarisiken mit großen Klima-Ensembles übernommen.