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