Durch modellgestützte Entscheidungsfindung kann die Anfälligkeit von Landwirten gegenüber dem Klimawandel minimiert werden, indem der Ernteertrag und die ihn beeinflussenden Variablen vorhergesagt werden. Mit diesen Informationen können Landwirte Veränderungen bei den Ernteerträgen vorhersehen, ihre landwirtschaftlichen Praktiken anpassen, Möglichkeiten zur Diversifizierung der Nutzpflanzen erkunden und Anpassungsstrategien planen, um die Anfälligkeit für klimabedingte Risiken zu verringern.
Achraf Mamasi, ein ehemaliger Doktorand an der Universität Lüttich in Belgien und der Polytechnischen Universität Mohammed VI in Marokko (jetzt Postdoktorand am INRAE in Frankreich), leitete eine Studie, in der die Fähigkeit prozessbasierter mechanistischer Modelle und empirischer Modelle zur Vorhersage des Weizenertrags verglichen wurde in den regenreichen Gebieten Marokkos.
In Marokko kam es in den letzten Jahrzehnten zu einer erheblichen Erwärmung, zunehmend unregelmäßigen Niederschlägen und einem allgemeinen Rückgang der Niederschläge, was zu stark schwankenden Ernteerträgen und großen Ertragslücken führte. Ein Erhöhung der Frequenz und Intensität Aufgrund des Klimawandels ist mit einer Zunahme extremer Ereignisse zu rechnen, die das Ernährungs- und Wirtschaftsgleichgewicht des Landes gefährden.
Die regenreichen Teile Marokkos sind für 80 % der gesamten Getreideproduktion des Landes verantwortlich. Diese Gebiete sind besonders anfällig für den Klimawandel.
Die Forschung konzentrierte sich auf zwei verschiedene Arten von Modellen: mechanistische und empirische Modelle. Diese Modelle unterscheiden sich in ihren Grundprinzipien und Komplexitätsgraden.
Mechanistische (oder prozessbasierte) Modelle basieren auf einem tiefen Verständnis der biologischen und physiologischen Prozesse, die dem Pflanzenwachstum zugrunde liegen. Sie werden unter Verwendung wissenschaftlicher Prinzipien und mathematischer Gleichungen entwickelt, die die physikalischen, chemischen und biologischen Prozesse darstellen, die in Nutzpflanzen ablaufen. Mechanistische Modelle simulieren die Wechselwirkungen zwischen Umweltfaktoren (wie Temperatur, Niederschlag und Strahlung), Bodenbedingungen und Pflanzeneigenschaften, um Reaktionen und Erträge der Pflanzen vorherzusagen. Der APSIM-Weizen Modell wurde ausgewählt, um diesen Modelltyp darzustellen.
Empirische (oder statistische) Modelle hingegen basieren auf beobachteten Beziehungen zwischen Eingangsvariablen (wie Wetterbedingungen, Bodeneigenschaften und Bewirtschaftungspraktiken) und Ernteerträgen. Diese Modelle berücksichtigen nicht explizit die zugrunde liegenden biologischen Mechanismen des Pflanzenwachstums. Stattdessen stützen sie sich auf statistische Methoden und historische Daten, um Muster und Korrelationen zwischen Inputs und Outputs festzustellen. In dieser Studie wurden zwei empirische Modelle berücksichtigt, die multiple Regression (MR) und das Random Forest (RF)-Modell. MR basieren auf einfachen linearen Beziehungen zwischen Prädiktoren und Antwortvariablen, während RF auf komplexen statistischen Algorithmen basiert.
Die Studie umfasste einen Datensatz über drei Jahre, der Daten von 125 Weizenfeldern in den regenreichen Regionen Marokkos umfasste. Der Datensatz umfasste verschiedene Parameter wie Phänologie, Temperatur, Niederschlag, Bodenchemie und Anbaupraktiken. Die Felder wurden auf der Grundlage der jährlichen Niederschlagsmenge Regionen zugeordnet (d. h. günstig, mittelmäßig und ungünstig).
Die Leistung der drei Modelle wurde bewertet, indem die Präzision und Genauigkeit der simulierten Erträge im Vergleich zum gemessenen Ertrag bewertet wurde.
Die Ergebnisse zeigten, dass die Vorhersagekapazität von APSIM-Weizen höher war als die der empirischen Modelle. Beide empirischen Modelle waren in der Lage, genaue, aber nicht unbedingt präzise Vorhersagen zu treffen. Allerdings war der Random-Forest-Ansatz nicht in der Lage, ein Modell zu erstellen und Ertragsprädiktoren in ungünstigen Regionen zu identifizieren. Das APSIM-Modell war durchweg präziser als die empirischen Modelle, obwohl es für mittlere und ungünstige Regionen weniger genau war.
Dennoch sind mechanistische Modelle nützlich, da sie die kritischen Variablen identifizieren können, die zur Vorhersage des Weizenertrags beitragen. Dies liegt daran, dass sie auf den biologischen und physiologischen Prozessen basieren, die das Pflanzenwachstum vorantreiben. Diese Modelle ergaben mehrere wichtige Variablen, die den Ertrag beeinflussen, darunter die Blattdichte und -verteilung während der Erntephase, Klimafaktoren wie maximale Temperaturen beim Auflaufen und Bestocken sowie die Menge des während der Erntephase ausgebrachten Düngers.
Anstatt eindeutig die Überlegenheit eines Modelltyps gegenüber einem anderen zu befürworten, plädierten die Autoren für eine komplementäre Nutzung aller Ansätze in Abhängigkeit von der Datenverfügbarkeit und dem angestrebten Zeithorizont für Ertragssimulationen (ein Jahr vs. Jahrzehnte) und den Modellierungszielen.
Empirische Modelle werden aufgrund ihrer Präzision und Fähigkeit, die Auswirkungen von Klimaschwankungen zu erfassen, für langfristige Vorhersagen bevorzugt. Im Gegensatz dazu eignen sich mechanistische Modelle wie APSIM besser für agronomische Empfehlungen, die Zeit und Ressourcen sparen, indem sie sich auf diejenigen mit den größten Auswirkungen konzentrieren. Sie haben den Vorteil, dass sie den Ertrag vorhersagen können, sobald wesentliche Parameterwerte verfügbar sind.
Mamasi erläuterte die Auswirkungen dieser Arbeit auf marokkanische Landwirte.
„Die Einführung einer Grundsäule der Präzisionslandwirtschaft, dargestellt durch mechanistische und empirische Modellierung, in der marokkanischen Landwirtschaft könnte Landwirte in regenreichen Regionen stärken. Erstens trägt es dazu bei, das Ertragspotenzial dieser Regionen zu bewerten und Faktoren für Ernteertragslücken aufzuzeigen. Zweitens bietet es präzise Langzeitvorhersagen und effiziente Empfehlungen, die jeweils auf spezifische agro-pedo-klimatische Bedingungen zugeschnitten sind. Dies könnte zu einer besseren Widerstandsfähigkeit gegenüber Klimaschwankungen, einer optimierten Ressourcenallokation und höheren Erträgen führen und letztendlich die Nachhaltigkeit und Produktivität der marokkanischen Landwirtschaftspraktiken verbessern.“
DER ARTIKEL::
Achraf Mamassi, Marie Lang, Bernard Tychon, Mouanis Lahlou, Joost Wellens, Mohamed El Gharous, Hélène Marrou, Ein Vergleich empirischer und mechanistischer Modelle zur Vorhersage des Weizenertrags auf Feldebene in marokkanischen Regenfeldgebieten, in silico Plants, Band 6, Ausgabe 1, 2024, diad020, https://doi.org/10.1093/insilicoplants/diad020
