Simulation of daily field management and crop performance in Southwest Germany under climate and technological change

Abstract

The work performed in the course of this dissertation has been to define a systematic agricultural management response to environmental and economic conditions that is functional under hypothetical scenarios, especially involving climatic forecasts into the future. This was done through the use of the FARMACTOR/Expert-N coupled modelling framework that links agent-based management parameters with crop growth simulation, as the two are strongly interconnected. Starting with the completed FARMACTOR framework that had yet to be thoroughly tested, this work involved the verification of the modelling procedure, population of appropriate data resources for calibration and application, and the presentation of simulation experiments in peer-reviewed publication. The innovative linkage of agent-based management with biophysical simulation has led to FARMACTOR becoming a reference for international research on integrated economic/ecological study, impacting the scientific community through its unique contribution to analysis of anthropogenic landscape systems.FARMACTOR, as adapted in the course of this dissertation, has presented concepts that add to the robustness with which agroecosystem simulation is conducted on field and regional scale. Breaking away from the convention of static management input into crop models is an important step in this regard. Especially under scenarios of future climate change, dynamic field management lends to the plausibility of projected crop performance. If simulation modelling is to be an important tool in efforts to mitigate and/or adapt to climate change, elements such as dynamic management may be indispensable components of modelling frameworks. The impact of management has too great of an influence on agroecosystem functioning to be ignored.The effort in the course of this dissertation to systematically account for the likewise crucial factor of subspecies genetic variation is also an early example of improving agroecosystem simulation. As of the commencement of this work, agricultural species were, for the most part, simulated as just that, a species, when the variance of growth process within a species is a fundamental component of agronomy. Cultivar choice is one of the most important tools available to agricultural practitioners in terms of regional/localized agriculture. At least the simulation of multiple cultivars, or agricultural subspecies, is necessary to capture the heterogeneous responses to identical environmental conditions. This work has presented a sound methodology to account for breeding progress, based on observed trends in crop phenotypes, while also demonstrating a methodology for comparing results of the regional simulation of multiple cultivars.Spatial or temporal adaptation to climate is mandatory in terms of agricultural-sector profitability and food security, from local to global scales. Simulation modelling could eventually prove to be a useful tool in predicting the suitability of different crops or cultivars for unique biomes, whether in terms of agricultural intensification, producing more on a fixed land area, or expanding production into new areas. Simulation will most likely prove be an effective alternative to resource-intensive field trials, at the very least the two are complementary. This dissertation has, in part, demonstrated the potential for utilizing field experiments, to varying degrees of specificity, through model parameter optimization procedures, to produce local and regional projections of crop performance and adaptive measures likely to be undertaken by farmers.A statistical model developed alongside, and sharing the principals of environmental planting triggers incorporated in the agent-based model, was used to define a predictive model for maize planting dates throughout Germany. The two models achieved comparable accuracy, while differing in their advantages and drawbacks. The statistical model is not associated with a complete set of economic and biophysical attributes that can both be drivers of the bioeconomic model and informative outputs. Its advantage lies in its simplicity in regional applicability, able to predict (or project, if using future simulated weather), planting dates throughout the whole of Germany. The yield component of the statistical model demonstrates that the date of planting is a stronger driver of yields than the weather during the weeks that influence planting dates. Because maize is planted in spring, on bare fields, as opposed to wheat and other fall crops planted following the harvest of a previous crop, the statistical model is not as effective in predicting fall planting dates as FARMACTOR which can accurately simulate the harvest date of a crop preceding fall sowing. Der Klimawandel stellt ein dauerhaftes Herausforderung für die Agrarwirtschaft dar. Das steigende wissenschaftliche Interesse an landwirtschaftlicher Produktivität unter veränderten Umweltbedingungen ist zielführend für diese Arbeit. Die Modellierung umwelt- und ökonomiebedingter Anpassungen landwirtschaftlicher Feldarbeiten ist eine Methode um dieser Fragestellung zu begegnen. Diese Modellierung kann unter hypothetischen Szenarien und insbesondere für Prognosen zukünftiger Klimaauswirkungen genutzt werden. Hierzu wurde das gekoppelte Modellsystem Farmactor/Expert-N verwendet, das die beiden interagierenden Bereiche des agentebasierten Managements und das Pflanzenwachstum miteinander verbindet. Beginnend mit dem FARMACTOR Modell, beinhaltet diese Dissertation eine Überprüfung der Modellfunktion, die Diskussion geeigneter Datenressourcen für die Kalibrierung und Anwendung, sowie die Präsentation der Ergebnisse von Simulationsexperimenten. Letztere wurden in peer-review Publikationen veröffentlicht. Durch die innovative Verbindung von agentenbasierten Management-Parametern und biophysikalischer Simulation ist FARMACTOR zu einer internationalen Referenz in der Forschung von integrierten ökonomischen / ökologischen Studien geworden und findet Berücksichtigung im wissenschaftlichen Diskurs zur Analyse anthropogener Landschaftssysteme.Die Anwendung von FARMACTOR im Rahmen dieser Arbeit trägt wesentlich zur Erhöhung der Plausibilität von Agroökosystemsimulationen auf dem Feld und auf regionaler Ebene bei. Die Abwendung von der Annahme des statischen Managements in Modellierungssystemen ist dabei ein wichtiger Schritt. Gerade unter Szenarien zukünftiger Klimaänderungen steigt die Plausibilität der projizierten Erntemengen und anderer simulierter Leistungen durch die Annahme dynamischer Managementmethoden. Bei dem Einsatz der Simulationsmodellierung zur Anpassung an den Klimawandel sind Elemente wie das dynamische Feldmanagement daher unverzichtbare Komponenten von Modellierungssystemen.Räumliche und zeitliche Anpassung an das Klima sind notwendig in Bezug auf die Rentabilität des landwirtschaftlichen Sektors und für den Erhalt der Ernährungssicherheit auf lokaler sowie globaler Ebene. Simulationen können in der Vorhersage der Eignung verschiedener Managementverfahren, Kulturen und Sorten ein nützliches Werkzeug sein, ob im Hinblick auf die Intensivierung der Landwirtschaft - mehr auf bestehender Fläche zu produzieren - oder im Hinblick auf die Erschließung neuer Anbaugebiete. Der Einsatz von Simulationen kann eine wirksame Alternative zu ressourcenintensiven Feldversuchen darstellen oder zumindest komplementär zu diesen eingesetzt zu werden. Diese Dissertation hat das Potenzial der Verwendung von Feldversuchsdaten in Modellparameteroptimierungsverfahren aufgezeigt, um lokale und regionale Projektionen der Ernteleistung und Anpassungsmaßnahmen zu erstellen.Zeitgleich wurde ein statistisches Modell entwickelt, um eine Vorhersage für Maisaussattermine in Deutschland zu erstellen. Die beiden in der Arbeit verwendeten Modelle erreichen eine vergleichbare Genauigkeit, während sie sich in ihren Vor- und Nachteilen unterscheiden. Das statistische Modell ist nicht mit einem kompletten Satz von wirtschaftlichen und biophysikalischen Eigenschaften ausgestattet, die sowohl Input als auch Output des bioökonomischen Modells sein können. Der Vorteil des statistischen Modells liegt in seiner Einfachheit und in der regionalen Anwendbarkeit, Aussaattermine vorherzusagen (oder zu projizieren). Die Ertragskomponente des statistischen Modells zeigt unter anderem, dass der Aussaattermin ein stärkerer Treiber für Erträge ist, als das Wetter während der Wochen, die die Aussaattermine beeinflussen. Mais und andere Sommerkulturen werden hauptsächlich auf kahlem Boden ausgesät, im Vergleich zu Winterkulturen wie Weizen, dessen Aussaat stark von der Vorkultur abhängig ist. Daher ist das statistische Modell hier nicht vergleichbar effektiv. Das bioökonomische Modell hingegen hat den Vorteil, mit Einbeziehung von Fruchtfolge und zuverlässiger Simulation von Ernteterminen, die Herbstaussaat zuverlässiger zu treffen.