Nutzung hochwertiger Daten für verbesserte Erntesimulationen

Mit zunehmendem Klimawandel wächst der Bedarf an innovativen landwirtschaftlichen Lösungen. Pflanzensimulationsmodelle bieten eine vielversprechende Möglichkeit, die Züchtung von Pflanzen zu beschleunigen, die widerstandsfähiger gegen widrige Bedingungen sind. Eine Forschergruppe sammelt derzeit umfangreiche experimentelle Daten zu Gerste, um die Zuverlässigkeit dieser Modelle zu verbessern und so den Weg für effektivere Anpassungsstrategien in der Landwirtschaft zu ebnen.

Gerste ist nach Mais, Reis und Weizen das weltweit am vierthäufigsten produzierte Getreide und wird weltweit angebaut und verwendet. Sie spielt eine wichtige Rolle in verschiedenen Industriezweigen, darunter Tierfutter, Mälzerei, Brauerei und Destillerie, und dient gleichzeitig als nahrhafte Nahrungsquelle für den Menschen.

Laut der Forscherin Dr. Mercy Appiah von der Universität Göttingen „können Erntemodelle verwendet werden, um die Produktivität an bestimmten Standorten vorherzusagen. Dabei wird ein minimaler Datensatz verwendet, der an diesen Standorten gesammelt wird und der auch durch Werte aus der vorhandenen Literatur ergänzt werden kann. Um diese Modelle jedoch auf neue Szenarien wie unterschiedliche Umgebungen oder Genotypen anwenden zu können, sind qualitativ hochwertige Daten von entscheidender Bedeutung. Diese hochwertigen Daten sollten standortspezifische Beobachtungen zu Wetter, Böden, Bewirtschaftungspraktiken und ober- und unterirdischem Wachstum von Nutzpflanzensorten umfassen.“

Gemeinsam mit einem Forscherteam arbeitete sie gezielt daran, Sammeln hochwertiger Feldversuchsdaten, die für die Bewertung und Verbesserung von Modellen zur Simulation der Gerstenproduktion unter nordischen Bedingungen geeignet sind. Bislang waren solche Daten noch nicht in ausreichendem Maße verfügbar. Sie beurteilten die Auswirkungen qualitativ hochwertiger Daten, indem sie deren Auswirkungen auf die Genauigkeit der Vorhersagen von Erntesimulationsmodellen mit Datensätzen geringerer Qualität verglichen. Die Simulationen wurden mit dem Agricultural Production Systems Simulator (APSIM) durchgeführt, einem der am weitesten verbreiteten Erntemodelle, mit dem das Wachstum und die Entwicklung von über 40 Arten, darunter auch Gerste, simuliert werden kann.

Die Feldversuche umfassten Anpflanzungen an drei Standorten in Dänemark, wo regionale Versuchsdaten nur begrenzt verfügbar sind. An diesen Standorten wurden unterschiedliche Bewirtschaftungsmethoden angewandt, darunter unterschiedliche Aussaatdaten, Sorten, Pflanzdichte und Düngeverfahren.

Die Autoren verwendeten diese Daten zusammen mit Werten aus der vorhandenen Literatur, um das Modell auf drei Datenqualitätsebenen zu kalibrieren, was zu drei unterschiedlichen Modellvarianten führte (siehe Tabelle mit den zur Kalibrierung unter den drei Datenebenen bereitgestellten Daten). Datensätze von geringer Qualität stellen die häufigste Situation dar, mit der Modellierer bei der Kalibrierung von Erntesimulationsmodellen konfrontiert werden.

Als sie die Vorhersagegenauigkeit der verschiedenen Modellvarianten verglichen, stellten sie fest, dass die qualitativ hochwertige Modellvariante sowohl die qualitativ minderwertige als auch die qualitativ mittelwertige Variante bei der Vorhersage der gesamten oberirdischen Biomasse und des endgültigen Getreideertrags übertraf. Diese Arbeit zeigt, dass qualitativ hochwertigere Daten die Genauigkeit von Erntesimulationsmodellen erheblich verbessern können.

Appiah kommt zu dem Schluss: „Durch die Verwendung von Erntesimulationsmodellen, die qualitativ hochwertige Daten enthalten, können Forscher ihre Fähigkeit verbessern, vorherzusagen, wie neue Genotypen auf unterschiedliche Klimaszenarien reagieren werden. Dies wird die Auswahl von Genotypen erleichtern, die besser für zukünftige Bedingungen geeignet sind, und letztlich Zuchtprogramme unterstützen, die sich auf die Verbesserung der Anpassungsfähigkeit von Nutzpflanzen an den Klimawandel konzentrieren. Mit unserer Forschung tragen wir wesentlich zur Erstellung der erforderlichen qualitativ hochwertigen Daten bei und indem wir die Auswirkungen auf die Genauigkeit der Modellvorhersagen veranschaulichen, hoffen wir, die Forschungsgemeinschaft zu ermutigen, ihre Bemühungen zu verstärken, mehr solcher Experimente durchzuführen, die sich auf die Datenerfassung speziell für die Erntemodellierung konzentrieren.“

DER ARTIKEL::

Mercy Appiah, Gennady Bracho-Mujica, Simon Svane, Merete Styczen, Kurt-Christian Kersebaum, Reimund P Rötter, Erkenntnisse aus der Nutzung von Daten unterschiedlicher Qualitätsstufen zur Simulation der Gerstenleistung unter nordischen Bedingungen: Die Modellbewertung des Agricultural Production Systems SIMulator, in silico Plants, Band 6, Ausgabe 2, 2024, diae010, https://doi.org/10.1093/insilicoplants/diae010