27
Auswirkungen landwirtschaftlicher Anbauszenarien in Brandenburg 1 Auswirkungen landwirtschaftlicher Anbauszenarien auf Ertrag und Zusatzwasserbedarf im Land Brandenburg im Jahr 2025 Wilfried Mirschel 1 , Ralf Wieland 1 , Carsten Gutzler 2 , Katharina Helming 2 , Karin Luzi 1 Zusammenfassung Der sich gegenwärtig schon deutlich offenbarende Klimawandel wird sich weiter verschärfen und hat auf die Landwirtschaft direkten Einfluss. Die landwirtschaftlichen Betriebe sind gezwungen, sich den veränderten Bedingungen anzupassen. Die Anpassung wird nicht nur durch einzelne Maßnahmen Erfolg bringen, sondern durch eine standortangepasste Kombination verschiedener Maßnahmen, die sehr wahrscheinlich in der Veränderung von ganzen Anbausystemen mündet. Welche Auswirkungen verschiedene landwirtschaftliche Anbausysteme in der Zukunft haben werden, ist nur unter Nutzung von regional anwendbaren Modellen und Klimaszenarien möglich abzuschätzen. Für das Land Brandenburg werden für die Zukunft drei mögliche landwirtschaftliche Anbau- szenarien definiert: Business-As-Usual-Szenario, Energiemais-Szenario und Beregnungs-Szenario. Modellgestützt werden deren Auswirkungen auf den Ertrag, den Zusatzwasserbedarf und den dadurch erzielbaren Mehrertrag unter Nutzung des Spatial Analysis and Modeling Tool (SAMT) flächendeckend für Brandenburg für das Klimaniveau um 2025 abgeschätzt. Die Erträge werden dabei mit dem regionalen Ertragsmodell YIELDSTAT und die fruchtartspezifischen Zusatzwasserbedarfe mit dem Modell ZUWABE unter Verwendung der STAR2-Klimadaten für Brandenburg berechnet. Die verwendeten Modelle werden kurz vorgestellt. Die Ergebnisse der einzelnen Szenarien werden kreisaggregiert für Brandenburg für die Hauptfruchtarten Winterweizen, Wintergerste, Winterroggen, Winterraps, Zuckerrüben und Silomais dargestellt. Standortbedingt zeigen sich bei Ertrag, Zusatzwasserbedarf und beregnungsbedingtem Mehrertrag zwischen den einzelnen Landkreisen Unterschiede. Unterschiede treten aber auch zwischen den einzelnen Anbauszenarien auf. Während sie im Vergleich zum Business-As-Usual-Szenario beim Energiemais-Szenario nicht so ausgeprägt sind, sind sie beim Beregnungs-Szenario sehr deutlich ausgeprägt. Im betrachteten Klimazeitraum (2021-2030) treten bei allen Fruchtarten zwischen den Jahren deutliche Schwankungen auf. Während beim Ertrag im Business-As-Usual-Szenario die Standardabweichung bei den Sommerungen 10-15 % beträgt, beträgt sie bei den Winterungen 5-10 %. Alle Ergebnisse werden räumlich dargestellt und ausführlich diskutiert. 1 Leibniz-Zentrum für Agrarlandschaftsforschung (ZALF), Institut für Landschaftssystemanalyse, Eberswalder Str. 84, 15374 Müncheberg, Germany, [email protected], [email protected] 2 Leibniz-Zentrum für Agrarlandschaftsforschung (ZALF), Institut für Landnutzungssysteme, Eberswalder Str. 84, 15374 Müncheberg, Germany, [email protected]

Auswirkungen landwirtschaftlicher Anbauszenarien auf ... · tionsmodell ECHAM5/MOI-OM des Max-Planck-Institutes für Meteorologie Hamburg (Roeckner et al. 2004) ausgegangen. Für

  • Upload
    others

  • View
    3

  • Download
    0

Embed Size (px)

Citation preview

Page 1: Auswirkungen landwirtschaftlicher Anbauszenarien auf ... · tionsmodell ECHAM5/MOI-OM des Max-Planck-Institutes für Meteorologie Hamburg (Roeckner et al. 2004) ausgegangen. Für

Auswirkungen landwirtschaftlicher Anbauszenarien in Brandenburg 1

Auswirkungen landwirtschaftlicher

Anbauszenarien auf Ertrag und

Zusatzwasserbedarf im Land Brandenburg

im Jahr 2025

Wilfried Mirschel1, Ralf Wieland1, Carsten Gutzler2, Katharina Helming2,Karin Luzi1

Zusammenfassung

Der sich gegenwärtig schon deutlich offenbarende Klimawandel wird sich weiter verschärfen und hat auf die Landwirtschaft direkten Einfluss. Die landwirtschaftlichen Betriebe sind gezwungen, sich den veränderten Bedingungen anzupassen. Die Anpassung wird nicht nur durch einzelne Maßnahmen Erfolg bringen, sondern durch eine standortangepasste Kombination verschiedener Maßnahmen, die sehr wahrscheinlich in der Veränderung von ganzen Anbausystemen mündet. Welche Auswirkungen verschiedene landwirtschaftliche Anbausysteme in der Zukunft haben werden, ist nur unter Nutzung von regional anwendbaren Modellen und Klimaszenarien möglich abzuschätzen.

Für das Land Brandenburg werden für die Zukunft drei mögliche landwirtschaftliche Anbau-szenarien definiert: Business-As-Usual-Szenario, Energiemais-Szenario und Beregnungs-Szenario. Modellgestützt werden deren Auswirkungen auf den Ertrag, den Zusatzwasserbedarf und den dadurch erzielbaren Mehrertrag unter Nutzung des Spatial Analysis and Modeling Tool (SAMT) flächendeckend für Brandenburg für das Klimaniveau um 2025 abgeschätzt. Die Erträge werden dabei mit dem regionalen Ertragsmodell YIELDSTAT und die fruchtartspezifischen Zusatzwasserbedarfe mit dem Modell ZUWABE unter Verwendung der STAR2-Klimadaten für Brandenburg berechnet. Die verwendeten Modelle werden kurz vorgestellt.

Die Ergebnisse der einzelnen Szenarien werden kreisaggregiert für Brandenburg für die Hauptfruchtarten Winterweizen, Wintergerste, Winterroggen, Winterraps, Zuckerrüben und Silomais dargestellt. Standortbedingt zeigen sich bei Ertrag, Zusatzwasserbedarf und beregnungsbedingtem Mehrertrag zwischen den einzelnen Landkreisen Unterschiede. Unterschiede treten aber auch zwischen den einzelnen Anbauszenarien auf. Während sie im Vergleich zum Business-As-Usual-Szenario beim Energiemais-Szenario nicht so ausgeprägt sind, sind sie beim Beregnungs-Szenario sehr deutlich ausgeprägt. Im betrachteten Klimazeitraum (2021-2030) treten bei allen Fruchtarten zwischen den Jahren deutliche Schwankungen auf. Während beim Ertrag im Business-As-Usual-Szenario die Standardabweichung bei den Sommerungen 10-15 % beträgt, beträgt sie bei den Winterungen 5-10 %. Alle Ergebnisse werden räumlich dargestellt und ausführlich diskutiert.

1 Leibniz-Zentrum für Agrarlandschaftsforschung (ZALF), Institut für Landschaftssystemanalyse, Eberswalder Str. 84, 15374 Müncheberg, Germany, [email protected], [email protected]

2 Leibniz-Zentrum für Agrarlandschaftsforschung (ZALF), Institut für Landnutzungssysteme, Eberswalder Str. 84, 15374 Müncheberg, Germany, [email protected]

Page 2: Auswirkungen landwirtschaftlicher Anbauszenarien auf ... · tionsmodell ECHAM5/MOI-OM des Max-Planck-Institutes für Meteorologie Hamburg (Roeckner et al. 2004) ausgegangen. Für

2 Wilfried Mirschel, Ralf Wieland, Carsten Gutzler, Katharina Helming, Karin Luzi

1 Einleitung und Zielstellung Im Land Brandenburg wird gegenwärtig auf ca. 1,03 Mio. ha Ackerbau betrieben, was

34,6 % der Landesfläche entspricht (STATISTIK BB 2014). Geprägt sind die Ackerflächen durch überwiegend pleistozän geprägte sandige Böden mit einem nur geringen Ertragspotenzial, wo wegen des erhöhten Anbaurisikos hauptsächlich nur anspruchslose Fruchtarten zum Anbau kommen. Der Anbauanteil in 2013 betrug bei Getreide 51,9 %, bei Grünfutter (Silomais, Ackergras, Grünroggen…) 24,2 %, bei Ölfrüchten (Raps, Sonnen-blume) 14,0 %, bei Hülsenfrüchten 1,5 %, bei Kartoffeln 0,9 % und bei Zuckerrüben 0,8 % sowie 6,7 % für sonstige Fruchtarten incl. der Bracheflächen (STATISTIK BB 2014). Die am meisten angebaute Fruchtart ist dabei der Roggen (23,1 %), der am besten mit den Wassermangelbedingungen in Brandenburg zurechtkommt.

Trotz der nicht optimalen Anbaubedingungen wird es mit hoher Wahrscheinlichkeit in Zukunft auch im Land Brandenburg zu einer weiteren Intensivierung der Landwirtschaft kommen. Dies ist schon dadurch begründet, dass es in Zukunft neben der Produktion von Nahrungsmitteln für die Bevölkerung und Futter für die Tiere auf der Ackerfläche auch zum vermehrten Anbau von Fruchtarten zur Rohstoff- und Energiegewinnung kommen wird. Da sich die Ackerfläche nicht vergrößern wird, besteht der einzige Lösungsausweg in der intensiveren Nutzung des Ackerlandes.

Für mögliche Nutzungs- und Intensivierungsänderungen sind aber in jedem Falle Folgenabschätzungen notwendig als Entscheidungsgrundlage für einzuleitende Fördermaß-nahmen oder die Formulierung von notwendigen gesetzlichen Regelungen im Sinne einer nachhaltigen Landwirtschaft. Grundvoraussetzung dafür sind robuste Modelle, die auf der Grundlage teilweise nur begrenzt zur Verfügung stehender regionaler Daten diese Folgen hinreichend genau abschätzen können.

Ein möglicher Entwicklungspfad in der Landwirtschaft Brandenburgs wäre in Anpassung an den Klimawandel eine erweiterte Feldberegnung unter Beachtung eines ausgewogenen Gebietswasserhaushaltes. Damit kann den durch die niedrigen Niederschläge während der Vegetationszeit bedingten Ertragslimitierungen entgegengewirkt werden. Neben der Erhöhung des Ertragsniveaus kommt es dadurch auch zu einer verminderten zwischenjähr-lichen Ertragsschwankung und damit zu einer Ertragssicherung bei Senkung des Anbaurisikos.

Ein weiterer möglicher Entwicklungspfad ist im verstärkten Anbau von Energiepflanzen zu sehen, befördert durch gesetzlich verankerte Förderprogramme (hier: Erneuerbare-Energien-Gesetz (EEG)) zur Erschließung alternativer Energiequellen. In der LandwirtschaftBrandenburgs ist damit der Anbau von Energiepflanzen mit möglichst einer hohen Biomasseproduktion ein weiterer Anspruch auf die jetzt schon begrenzt zur Verfügung stehende Ackerfläche. Hier wird es hauptsächlich um den Anbau von Energiemais, der momentan die höchste Methanausbeute erbringt, gehen.

In dieser Studie sollen die möglichen Folgen verschiedener Entwicklungspfade hinsichtlich Ertrag und Zusatzwasserbedarf für die Landwirtschaft in Brandenburg im Jahr 2025 abgeschätzt werden.

Page 3: Auswirkungen landwirtschaftlicher Anbauszenarien auf ... · tionsmodell ECHAM5/MOI-OM des Max-Planck-Institutes für Meteorologie Hamburg (Roeckner et al. 2004) ausgegangen. Für

Auswirkungen landwirtschaftlicher Anbauszenarien in Brandenburg 3

2 Mögliche Klima- und LandnutzungsänderungenDie Änderung des Klimas schreitet voran, der Trend zu steigenden Temperaturen ist

ungebrochen. Die weltweite Durchschnittstemperatur wird bis zum Ende des Jahrhunderts um 2,6 bis 4,8 K ansteigen. Die Wettermuster ändern sich und Wetterextreme wie Dürren und Hitzewellen auf der einen Seite und Unwetter und Starkniederschläge auf der anderen Seite werden häufiger (IPCC 2015). Der Klimawandel dürfte starke Auswirkungen auf die Wasserverfügbarkeit und damit auf die Landwirtschaft haben. Die Agrarproduktion war und ist sehr stark abhängig vom Wetter und wird es auch in Zukunft bleiben. In Deutschland werden besonders die östlichen Bundesländer ob ihres kontinentalen Einflusses vom Klimawandel betroffen sein und dabei am stärksten auch Brandenburg.

Schon jetzt ist Brandenburg die Region in Deutschland mit den niedrigsten Niederschlagssummen. Bis zum Ende des Jahrhunderts wird der durchschnittliche Jahresniederschlag unter 450 mm absinken und die durchschnittliche klimatische Wasserbilanz wird aufgrund der zu erwartenden Temperaturerhöhungen unter -400 mm liegen. Basierend auf den Ergebnissen globaler Klimamodelle werden laut regionaler Klimaprojektionen im Durchschnitt die Temperaturanstiege im Zeitraum bis 2025 noch nicht so deutlich ausgeprägt sein. Auch bei den Niederschlägen wird es im Zeitraum bis 2025 nur moderate Veränderungen geben.

Mögliche Landnutzungsänderungen in 2025 und ihre Folgen können über Szenarien abgebildet und untersucht werden. Dabei handelt es sich nicht um Vorhersagen von wahrscheinlichen Entwicklungen, sondern um gedankliche Modelle möglicher Zukünfte. Bei der Szenarienentwicklung wurde in der Studie von ökonomisch handelnden Landwirten ausgegangen, die nach guter fachlicher Praxis wirtschaften. Dabei werden in 2025 die Auswirkungen von drei Szenarien, dem Business-As-Usual-Szenario, dem Beregnungs-Szenario und dem Energiemais-Szenario untersucht.

Das Business-As-Usual-Szenario dient für 2025 als Vergleichsszenario, repräsentiert aber nicht den heutigen Stand, sondern schreibt die heutigen Trends, die durch Züchtung, Klima und Agrarmarkt definiert werden, bis 2025 fort. Dabei wird zwischen Futtermais und Energiemais unterschieden. Angenommen wird weiterhin, dass der Flächenbedarf für die Futterproduktion für die Tierhaltung konstant bleibt, dass die phytosanitär bedingten Maxima der einzelnen Fruchtartenanteile nicht überschritten werden, dass die typische Fruchtfolgegestaltung beibehalten wird, dass sich in Fortführung des jetzigen Trends die Brachflächenanteile halbieren und dass die Reinerlöse der Agrarprodukte um 10% steigen.

Im Beregnungs-Szenario wird die Trendentwicklung wie im Business-As-Usual-Szenario beibehalten und es erfolgt eine flächige Beregnung aller Winterweizen-, Winterraps-, Mais- und Zuckerrübenschläge in Brandenburg. Alle anderen Fruchtarten werden ohne Beregnung angebaut.

Im Energiemais-Szenario wird ebenfalls die Trendentwicklung wie im Business-As-Usual-Szenario beibehalten. Im Vergleich zu heute erfolgt eine signifikante Steigerung des Anbauumfanges von Mais zur energetischen Verwendung. Für 2025 wird von einer Steigerung des Reinerlöses bei Energiemais als Folge der staatlichen Förderung im Rahmen des Erneuerbaren-Energien-Gesetzes um 20 % ausgegangen.

Abbildung 2.1 gibt eine Übersicht über die jeweils szenariobezogenen Anbauanteile der am häufigsten angebauten Fruchtarten in Brandenburg in 2025. Dabei wird deutlich, dass im Energiemais-Szenario der Anbauanteil für Mais (Futter und Energie) 49 % beträgt. Dies geht

Page 4: Auswirkungen landwirtschaftlicher Anbauszenarien auf ... · tionsmodell ECHAM5/MOI-OM des Max-Planck-Institutes für Meteorologie Hamburg (Roeckner et al. 2004) ausgegangen. Für

4 Wilfried Mirschel, Ralf Wieland, Carsten Gutzler, Katharina Helming, Karin Luzi

zulasten des Anbaus von Wintergetreide und vor allem auch von Winterraps, dessen Anbauanteil sich dadurch halbiert.

Abbildung 2.1: Szenariobezogene Anbauanteile der am häufigsten angebauten Fruchtarten im Land Brandenburg in 2025 (Gutzler et al. 2013)

3 Material und Methoden

3.1 Regionale Datengrundlage

Die regionale Datengrundlage für die Studie wird gebildet aus den Daten zum Klima und aus GIS-Daten zum Land Brandenburg. Bei den Klimadaten wird vom globalen Zirkula-tionsmodell ECHAM5/MOI-OM des Max-Planck-Institutes für Meteorologie Hamburg (Roeckner et al. 2004) ausgegangen. Für das Klimaszenario einer Temperaturerhöhung um 2 K werden die Klimadaten entsprechend des Stationsnetzes des Deutschen Wetterdienstes für Brandenburg mit der Methode STARS 2K (Orlowsky 2007; Orlowsky et al. 2008) regionalisiert.

Bei den GIS-Daten für Brandenburg wird hier neben den Karten zur Ackerzahl, zur Klimazonierung und zur Höhenlage auch auf die Karten der Mittelmaßstäbigen Landwirt-schaftlichen Standortkartierung (MMK) (Schmidt und Diemann 1991) zurückgegriffen:

Standorttyp (MMK, 99 Standorttypen zu Aluvial-, Deluvial-, Löss-, Moor- undVerwitterungsböden),Altitude (digitales Geländemodell (m über NN)),Ackerzahl (Standortbonität zwischen 1 (sehr schlecht) und 100 (sehr gut)),

Page 5: Auswirkungen landwirtschaftlicher Anbauszenarien auf ... · tionsmodell ECHAM5/MOI-OM des Max-Planck-Institutes für Meteorologie Hamburg (Roeckner et al. 2004) ausgegangen. Für

Auswirkungen landwirtschaftlicher Anbauszenarien in Brandenburg 5

Hydromorphieflächentyp (MMK, grundwasserbestimmt, grundwasserbeeinflusst,sickerwasserbestimmt, staunässebestimmt, staunässebeeinflusst, ständigeStaunässe)Neigungsflächentyp (MMK, eben, flach, flach mit mäßig geneigten Anteilen,flach mit stark geneigten Anteilen, mäßig geneigt mit stark geneigten Anteilen,stark geneigt, sehr stark geneigt),Steinigkeit (MMK, steinarm (<0,5 Vol%), mäßig steinig (0,5 - 2 Vol%), steinig (2- 5 Vol%), stark steinig (5 - 10 Vol%), sehr stark steinig (> 10 Vol%))Mesoskalige Klimazonierung nach Adler (1987).

3.2 Regionales Ertragsmodell YIELDSTAT

Das statistisch basierte regionale Ertragsmodell YIELDSTAT (YIELD estimation based on STATistics) dient der Schätzung von Erträgen von unter Praxisbedingungen angebauten landwirtschaftlichen Fruchtarten (Winterweizen, Wintergerste, Winterroggen, Sommer-gerste, Triticale, Hafer, Kartoffeln, Zuckerrüben, Winterraps, Silomais, Klee, Kleegras, Luzerne, Luzernegras, Ackergras). YIELDSTAT schätzt die Erträge nicht als Trockenmasse, sondern in der Form des Erntegutes, d.h. bei Getreide bei einem Trockenmassegehalt von 86%, bei Winterraps von 91% und bei Silomais von 28 %. Das Modell YIELDSTAT besteht aus verschiedenen Moduln, die sich in folgende Gruppen unterteilen:

Standort [Modul „Basisnaturalertrag“ (EMatrix); Modul „Standortertragszu- undStandortertragsabschläge“ (EKorr)]Züchtung/Fortschritt [Modul „Wissenschaftlich-technischer Fortschritt“ (ETrend)]Agromanagement [Modul „Bodenbearbeitung“ (EBoBe); Modul „Fruchtfolge/Vorfrucht“ (EVorFr); Modul „Bewässerung“ (EBereg)]Wetter/Klima [Modul „CO2-Düngungseffekt“ (ECO2); Modul „witterungsbedingteErnteverluste“ (EErVer)]

Die Einzelmodule sind additiv bzw. multiplikativ miteinander wie folgt verbunden: = ( + ) + +Den Input des Modells YIELDSTAT bilden tägliche Wetter- bzw. Klimawerte

(Temperatur, Niederschlag, Sonnenscheindauer bzw. Globalstrahlung), Fruchtart-und Standortparameter, Angaben zum Agromanagement sowie rasteraufbereitete Kartendaten. Eine detaillierte Beschreibung des regionalen Ertragsmodells YIELDSTAT mit allen Moduln und Algorithmen ist bei Mirschel et al. (2014 a, b) zu finden. Im Rahmen von Klimafolgen-abschätzungen hinsichtlich des Ertrags landwirtschaftlicher Fruchtarten wurde YIELDSTAT in mehreren Studien erfolgreich angewendet, so für den Freistaat Thüringen (Mirschel et al. 2012a) und den Freistaat Sachsen (Mirschel et al. 2009). YIELDSTAT ist auch integrativer Bestandteil von LandCaRe-DSS, einem Entscheidungsunterstützungssystem zur Klimafolgenabschätzung und Ableitung von Adaptationsstrategien der Landwirtschaft an veränderte Klimabedingungen (Wenkel et al. 2013)

Page 6: Auswirkungen landwirtschaftlicher Anbauszenarien auf ... · tionsmodell ECHAM5/MOI-OM des Max-Planck-Institutes für Meteorologie Hamburg (Roeckner et al. 2004) ausgegangen. Für

6 Wilfried Mirschel, Ralf Wieland, Carsten Gutzler, Katharina Helming, Karin Luzi

3.3 Regionale Zusatzwasserbedarfsermittlung mit dem Modell ZUWABE

Das Modell ZUWABE (ZUsatzWAsserBEdarf) ist eine Erweiterung der in der Thüringer Landesanstalt für Landwirtschaft entwickelten Methodik zur Ermittlung der fruchtart(FA)- und standortspezifischen Zusatzwasserbedarfsrichtwerte (WBR(FA)) (Roth 1991; Roth1993; TGL 46200/03 1990). Berücksichtigung finden dabei die fruchtartspezifische Beregnungszeitspanne, die fruchtartabhängige Durchwurzelungstiefe, die standorttyp-abhängige Bodenwasserbereitstellung und Durchwurzelbarkeit sowie die standörtlichen langjährigen und aktuellen Niederschläge. Die durchschnittlichen Beregnungszeitspannen (BZ) wurden fruchtartspezifisch auf der Grundlage von Modell- und Feldversuchen durch Roth (1993) ermittelt. Die Standorttypen werden hinsichtlich des Bodenwasserbereit-stellungsvermögens (BWBV) in vier Gruppen unterteilt: „niedrig“, „mittel“, „hoch“, „sehr hoch“ (TGL46200/03 1990). Die WBR(FA) werden im ersten Schritt bezogen auf das 30jährige Mittel der Niederschlagsverteilung im Beregnungszeitraum der jeweiligen FA im mitteldeutschen Tiefland (NBZ1961-1990 (TL)) mit dem 30jährigen Mittel der Niederschlags-verteilung des konkreten Standortes (NBZ1961-1990 (ST)) korrigiert. Von diesem Wert werden dann zum einen die Differenz der Klimatischen Wasserbilanz (KWB) zwischen dem vergangenen Zeitraum 1961-1990 (KWB1961-1990) und dem jeweils betrachteten Klimazeit-raum (KWB30jZ), berechnet jeweils als 30jähriges Mittel, subtrahiert. Aus FACE (Free Air Carbon Enrichment) - Experimenten ist bekannt, dass mit steigenden atmosphärischen CO2-Gehalten die pflanzliche Transpiration reduziert wird (Manderscheid und Weigel 2012), d.h. der Zusatzwasserbedarf wird vermindert. Zur Berücksichtigung dieses Effekts wird ausgehend von 380 ppm (Niveau um 2010) der zusatzwassersparende Einfluss des jährlich zwischen 1,5 - 2,0 ppm zunehmenden CO2-Gehaltes in seiner transpirationssenkenden Wirkung mit einem Wirkungsfaktor (FCO2 = f(CO2)) abgeschätzt. Der Zusatzwasserbedarf (ZWB (FA)) ergibt sich somit aus:( ) = ( ) , ( ), ( ) ( 380)

= Das Modell ZUWABE wurde im Rahmen von INKA BB (INovationsnetzwerk

KlimaAnpassung Brandenburg Berlin, http://www.inka-bb.de) bei der Beantragung von Wasserrechten für die Rekonstruktion bzw. für die Neubeantragung von Bewässerungs-anlagen mehrfach erfolgreich angewendet. Dabei wurden auch Klimadaten bis 2100 verwendet. Eingesetzt wurde ZUWABE auch im Rahmen verschiedener Studien, so für den Freistaat Thüringen (Mirschel et al. 2012b) und für das Land Brandenburg (Mirschel et al. 2015). Eine ausführliche Modellbeschreibung von ZUWABE ist bei Mirschel et al. (2012b,2015) zu finden.

3.4 LANUVER-Algorithmus zur kleinräumigen Anbauverteilung

Ziel des Modells zur kleinräumigen Anbauverteilung ist es, ein für eine Region insgesamt vorgegebenes Anbauverhältnis landwirtschaftlicher Fruchtarten so in die Region abzubilden, dass zum einen landwirtschaftliche Anbaurestriktionen eingehalten und zum anderen betriebsökonomische Ziele, die der Erhaltung existierender landwirtschaftlicher Betriebe dienen, erfüllt werden. Es wird angenommen, dass die Landwirte an jedem Standort

Page 7: Auswirkungen landwirtschaftlicher Anbauszenarien auf ... · tionsmodell ECHAM5/MOI-OM des Max-Planck-Institutes für Meteorologie Hamburg (Roeckner et al. 2004) ausgegangen. Für

Auswirkungen landwirtschaftlicher Anbauszenarien in Brandenburg 7

vorrangig diejenige Kultur anbauen, mit denen sie ihren zu erwarteten Gewinn maximieren. Hier werden sowohl Preise und Kosten als auch Anbaueignung und Ertragserwartung einzelner Fruchtarten in den verschiedenen Landbaugebieten Brandenburgs mit einbezogen. Das Land Brandenburg wird dabei durch Raster der Größe 100 x 100 m abgebildet. Der Modellalgorithmus berücksichtigt neben dem Anbauverhältnis auch Standort- und betriebsökonomische Informationen. Die für Brandenburg szenariobezogenen Anbauanteile (siehe Abbildung 2.1) liegen als Tabelle bestehend aus den angebauten Fruchtarten (FAi)und ihren prozentualen Anteilen (P(FAi)) vor. Als Standortinformation wird die Standorttyp(stt)-Karte der MMK und als betriebsökonomischer Input wird die prozesskostenfreie Leistung (E(FAi, stt)) einer FAi auf einem bestimmten stt verwendet, um die Anbaueignung einer FAi für einen bestimmten stt zu ermitteln.

Die Berechnung der einzelnen Rasterzellenanzahlen (RA(FAi)) für jede Fruchtart erfolgt iterativ solange, bis alle Rasterzellen belegt sind. Die Iteration ergibt sich aus der „Ganzzahligkeitsbedingung“, d.h. es ist sicherzustellen, dass alle Rasterzellen ohne Rest belegt sind (die 5 restlichen Rasterzellen werden dann einfach sequentiell den RA(FAi)zugeschlagen). Der damit verbundene Fehler ist bei der gewählten vergleichsmäßig kleinen Rastergröße und den großräumigen Betrachtungen vernachlässigbar.

Die Wahrscheinlichkeit p(FAi, stt) des Anbaus einer Fruchtart auf einem stt ist abhängig von dessen prozesskostenfreien Leistungen, d.h. p(FAi, stt) ergibt sich aus der prozess-kostenfreien Leistung der jeweiligen FAi dividiert durch die Summe der prozesskostenfreien Leistungen aller FAi bezogen auf den jeweiligen stt:

sttFAp i , =i

jj

i

sttFAE

sttFAE

1

),(

,

Die räumliche Zuordnung zwischen den Rasterzellen und den anzubauenden Fruchtarten erfolgt mit Hilfe der Monte-Carlo-Simulation. Die Monte-Carlo-Simulation weist einer zufällig gewählten Rasterzelle entsprechend ihres stt unter Nutzung von p(FAi, stt) eine Ackerfrucht zu. Entscheidend in der Monte-Carlo-Simulation ist, dass bei jeder Zuweisung die RA(FAi) inkrementiert wird. Falls eine RA(FAi) = 0, dann wird die zugehörige p(FAi,stt) ebenfalls 0 gesetzt und damit wird die Ackerfrucht von der weiteren Simulation ausgeschlossen, was der folgende Algorithmus zeigt:

Für alle Rasterzellen wähle eine noch nicht belegte Rasterzelle i zufällig{

s:=rand(0..1); // wähle s zufällig aus dem Intervall 0..1sum:=0; FAi=1;while(sum<s){

sum+=p(FAi | stt); // über alle FAiFAi++;

} RA(FAi) --; if (RA(FAi)==0) für alle stt setze p(FAi | stt)=0;

Page 8: Auswirkungen landwirtschaftlicher Anbauszenarien auf ... · tionsmodell ECHAM5/MOI-OM des Max-Planck-Institutes für Meteorologie Hamburg (Roeckner et al. 2004) ausgegangen. Für

8 Wilfried Mirschel, Ralf Wieland, Carsten Gutzler, Katharina Helming, Karin Luzi

Dieses Vorgehen sichert die angestrebte restfreie Verteilung der Ackerfrüchte auf den Ackerflächen im Land Brandenburg entsprechend des vorgegebenen Anbauverhältnisses, mündet aber in einer starken Fragmentierung der erzeugten Landnutzungsverteilung. Die so erzeugten Verteilungen stellen fiktive Anbauverteilungen dar, wobei die Einzelpunkte nicht als Vorhersage für die jeweilige Ackerfläche interpretiert werden können. Der räumliche Modell-Output von LANUVER ist immer nur als eine stochastische Realisierung zu betrachten und spiegelt kein konkretes Anbaujahr wieder. Aggregiert auf die Landkreisebene, wie es bei den Berechnungen der Szenarioauswirkungen in der Studie der Fall ist, sind die Aussagen dagegen verlässlich

3.5 Simulationsumgebung

Die für die Szenariosimulationen notwendigen Klimadaten werden, genau wie die Parameter für die Modelle YIELDSTAT und ZUWABE und den Verteilalgorithmus LANUVER, in einer MySQL-Datenbank gehalten, die mit dem Simulationstool gekoppelt ist. Die Brandenburg-Karten, die den notwendigen regionalen Input für die Modelle und den Verteilalgorithmus liefern, werden im Rasterformat (100m x 100m) bereitgestellt und für ein schnelles Arbeiten im hdf-Format vorgehalten. Die Modelle zur regionalen Ertragsschätzung und zur regionalen Zusatzwasserbedarfsermittlung sowie der Algorithmus zur kleinregio-nalen Anbauverteilung sind integraler Bestandteil des Spatial Analysis and Modeling Tool (SAMT) (Wieland et al. 2006), einem Open-Source-Tool, das speziell für Regionalsimu-lationen im Institut für Landschaftssystemanalyse des ZALF Müncheberg entwickelt wurde. Die Steuerung der gesamten Modellrechnungen und Szenariosimulationen für Brandenburg erfolgte über SAMT. Für alle drei Szenarien, das Business-As-Usual-Szenario, das Beregnungs-Szenario und das Energiemais-Szenario wurden die Ergebnisse für die Gebietskulisse „Landkreise“ aggregiert und für eine Aussage auf dem Klimaniveau von 2025 über den Zeitraum von 2021 bis 2030 gemittelt.

4 Szenariobezogene Simulationsergebnisse

4.1 Kleinregionale Anbauverteilung

Mit dem oben beschriebenen Algorithmus wurden für die Agrarflächen Brandenburgs Karten der Anbauverteilungen für alle drei Szenarien erstellt. Abbildung 4.1 zeigt exemplarisch die Verteilung für das Beregnungs-Szenario. Die weißen Flächen sind dabei die nicht ackerbaulich genutzten Bereiche wie Siedlungen, Wälder oder Gewässer. Die Verteilung bezieht die Anbaueignung und die auf unterschiedlichen Böden zu erwartenden Deckungsbeiträge mit ein, darüber hinaus aber auch die Unsicherheit von zufallsbedingten Variationen. Die Verteilungsmuster liefern aggregiert auf Landkreisebene verlässliche Aussagen, dürfen jedoch nicht auf Ebene der Einzelpixel interpretiert werden (Gutzler et al.2013).

Page 9: Auswirkungen landwirtschaftlicher Anbauszenarien auf ... · tionsmodell ECHAM5/MOI-OM des Max-Planck-Institutes für Meteorologie Hamburg (Roeckner et al. 2004) ausgegangen. Für

Auswirkungen landwirtschaftlicher Anbauszenarien in Brandenburg 9

Abbildung 4.1: Simulierte Anbauverteilung landwirtschaftlicher Fruchtarten im Land Brandenburg in 2025

(Beregnungs-Szenario)

Der Anbauanteil von Silomais (Futter- und Energiemais) liegt beim Energiemais-Szenario in allen Landkreisen mit 46% … 49% in etwa gleicher Größenordnung. Der Silomaisanteil ist aber in der Uckermark mit 38% (Beregnungs-Szenario) und 30% im Landkreis Märkisch-Oderland (Business-As-Usual-Szenario) ebenfalls noch hoch. Am niedrigsten sind die Silomaisanteile in den Landkreisen Ostprignitz-Ruppin, Spree-Neiße und Dahme-Spreewald mit jeweils nur 25% im Business-As-Usual-Szenario. Die auf den sandigen Standorten am häufigsten angebaute Fruchtart ist der Winterroggen. Die größten Anbauanteile weist er im Business-As-Usual-zenario in den Landkreisen Ostprignitz-Ruppin mit 27% und Spree-Neiße mit 26% auf. Im Beregnungs-Szenario beträgt der Anbauanteil von Winterroggen im Landkreis Ostprignitz-Ruppin immerhin auch noch 18%. Die niedrigsten Anbauanteile von Winterroggen sind in den Landkreisen Märkisch-Oderland und Uckermark mit jeweils nur 10% im Beregnungs-Szenario und in den gleichen Landkreisen mit jeweils 11% im Energiemais-Szenario zu finden.

Page 10: Auswirkungen landwirtschaftlicher Anbauszenarien auf ... · tionsmodell ECHAM5/MOI-OM des Max-Planck-Institutes für Meteorologie Hamburg (Roeckner et al. 2004) ausgegangen. Für

10 Wilfried Mirschel, Ralf Wieland, Carsten Gutzler, Katharina Helming, Karin Luzi

4.2 Regionale Ertragsleistung

Aggregiert auf die Landkreisebene zeigt Tabelle 4.1 stellvertretend für alle Szenarien für das Business-As-Usual-Szenario für die einzelnen Landkreise Brandenburgs als auch für Brandenburg insgesamt die Durchschnittserträge für die Fruchtarten Silomais, Wintergerste, Winterroggen, Winterweizen, Winterraps und Zuckerrüben. Für die beiden anderen Szenarien werden in Tabelle 4.1 zum Vergleich nur die Durchschnittserträge für das Land Brandenburg angegeben.

Im Business-As-Usual-Szenario und im Energiemais-Szenario werden landesweit bis auf Silomais annähernd die gleichen Ertragsleistungen pro Hektar erzielt. Da im Energiemais-Szenario der Anbauanteil für Mais mit 49% sehr viel höher ist, kommt Mais auch auf Standorten zum Anbau, die dafür nicht immer am besten geeignet und damit auch ertragsschwächer sind. Die Folge ist, dass dadurch im Vergleich zum Business-As-Usual-Szenario im Energiemais-Szenario die Hektarerträge für die Landkreise und damit auch für das Land Brandenburg niedriger sind, im Landesdurchschnitt um 7,5 dt ha-1, was einem Rückgang im Hektarertrag bei Silomais von 2% entspricht.

Die Analyse des Beregnungs-Szenarios zeigt, dass die Beregnung als eine der möglichen Anpassungsmaßnahmen der Landwirtschaft an den Klimawandel wesentlich zur Ertragssteigerung sowie zur Ertragsstabilität und damit zur Senkung des Anbaurisikos beitragen kann. Der Beregnungseffekt wird besonders in den einzelnen Trockenjahren deutlich. Beim Anbau von Mais zur Gewinnung von Bioenergie ist dies bei Landwirt-schaftsbetrieben, die Lieferverträge erfüllen müssen, besonders wichtig. Im Landesdurch-schnitt ist hier bei Silomais ein Mehrertrag von 145 dt ha-1 zu erzielen, was einem Ertragszuwachs von 43% entspricht. Bei Winterraps sind das 2 dt ha-1 bzw. 7%, bei Winterweizen 12 dt ha-1 bzw. 18% und bei Zuckerrüben 107 dt ha-1 bzw. 18%.

Im Zeitraum 2021-2030 treten bedingt durch die unterschiedlichen jährlichen Wetterbedingungen in den Einzeljahren bei allen betrachteten Fruchtarten und Szenarien deutliche Ertragsschwankungen auf. Bei den Sommerungen liegt dabei die Standardabweichung im Bereich von 10 bis 15% und bei den Winterungen im Bereich zwischen 5 und 10%. Typisch für alle drei Szenarien sind teilweise deutliche standort- und damit bodenbedingte Ertragsunterschiede zwischen den einzelnen Landkreisen. In Abbildung 4.2 wird das bei allen drei Szenarien für alle sechs Fruchtarten deutlich. Szenarienun-abhängig werden die hohen Erträge vornehmlich in den Landkreisen Prignitz (im Nordwesten von Brandenburg), Uckermark (im Nordosten von Brandenburg) und Elbe-Elster (Südwesten von Brandenburg) erzielt. Dies deckt sich auch mit der Verteilung der besten Böden und mit der Lage der besten Landbaugebiete in Brandenburg.

Page 11: Auswirkungen landwirtschaftlicher Anbauszenarien auf ... · tionsmodell ECHAM5/MOI-OM des Max-Planck-Institutes für Meteorologie Hamburg (Roeckner et al. 2004) ausgegangen. Für

Auswirkungen landwirtschaftlicher Anbauszenarien in Brandenburg 11

Landkreis* Silo-mais

Winter-gerste

Winter-raps

Winter-roggen

Winter-weizen

Zucker-rüben

Business-As-Usual-Szenario [dt ha-1]

BAR 347 56 37 46 64 581

EE 370 57 38 48 66 609

HVL 351 57 37 46 66 592

LDS 319 51 35 43 60 600

LOS 315 51 36 42 65 601

MOL 350 58 35 43 68 580

OHV 336 53 36 45 60 602

OPR 332 53 36 42 62 614

OSL 367 57 37 46 65 599

PM 316 52 33 41 62 582

PR 375 59 40 50 68 616

SPN 366 58 36 44 66 604

TF 331 55 34 45 65 584

UM 354 62 38 48 72 580

Brandenburg 343 56 36 45 66 588

Energiemais - Szenario

Brandenburg 336 56 37 45 66 588

Beregnungs - Szenario

Brandenburg 486 56 39 45 78 696*BAR - Barnim, EE - Elbe-Elster, HVL - Havelland, LDS - Dahme-Spreewald, LOS - Oder-Spree, MOL -

Märkisch-Oderland, OHV - Oberhavel, OPR - Ostprignitz-Ruppin, OSL - Oberspreewald-Lausitz, PM - Potsdam-Mittelmark, PR - Prignitz, SPN - Spree-Neiße, TF - Teltow-Fläming, UM - Uckermark

Tabelle 4.1: Szenariobezogene durchschnittliche Hektarerträge der landwirtschaftlichen Hauptfruchtarten in 2025 für die einzelnen Landkreise und für das Land Brandenburg insgesamt

Page 12: Auswirkungen landwirtschaftlicher Anbauszenarien auf ... · tionsmodell ECHAM5/MOI-OM des Max-Planck-Institutes für Meteorologie Hamburg (Roeckner et al. 2004) ausgegangen. Für

12 Wilfried Mirschel, Ralf Wieland, Carsten Gutzler, Katharina Helming, Karin Luzi

Page 13: Auswirkungen landwirtschaftlicher Anbauszenarien auf ... · tionsmodell ECHAM5/MOI-OM des Max-Planck-Institutes für Meteorologie Hamburg (Roeckner et al. 2004) ausgegangen. Für

Auswirkungen landwirtschaftlicher Anbauszenarien in Brandenburg 13

Abbildung 4.2:Ertragsleistung für Wintergerste (A), Winterroggen (B), Winterweizen (C), Winterraps (D), Silomais (E) und Zuckerrüben (F) auf Landkreisebene im Land Brandenburg für das Business-As-Usual-Szenario, das Energiemais-Szenario und das Beregnungs-Szenario

Im Business-As-Usual-Szenario schwanken die Hektarerträge im Vergleich der Landkreise für Silomais zwischen 315 dt ha-1 und 375 dt ha-1, für Wintergerste zwischen 51 dt ha-1 und 62 dt ha-1, für Winterraps zwischen 34 dt ha-1 und 40 dt ha-1, für Winterroggen zwischen 41 dt ha-1 und 50 dt ha-1, für Winterweizen zwischen 60 dt ha-1 und 72 dt ha-1 und für Zuckerrüben zwischen 580 dt ha-1 und 616 dt ha-1. Die Schwankungsbreite der Hektarerträge zwischen den Landkreisen ist beim Energiemais-Szenario bis auf Silomais bei den restlichen Fruchtarten die gleiche. Aufgrund des flächenmäßig größeren Anbauumfanges und damit des Anbaus von Silomais auch auf schlechteren Standorten nimmt hier die Schwankungsbreite zwischen den Kreisen zu. Sie liegt zwischen 291 dt ha-1 und 368 dt ha-1. Im Beregnungs-Szenario sind die Schwankungsbreiten zwischen den Landkreisen bei den Hektarerträgen der beregneten Fruchtarten (Silomais, Winterraps, Winterweizen, Zuckerrüben) deutlich geringer, können doch die bodenbedingten Unterschiede bei der Wasserversorgung der Bestände über den Bodenwasservorrat durch die Bewässerung teilweise kompensiert werden.

4.3 Regionaler Zusatzwasserbedarf

Der im Rahmen des Beregnungs-Szenarios ausgewiesene Zusatzwasserbedarf für die Bewässerung von Winterweizen, Silomais, Winterraps und Zuckerrüben als Anpassungs-maßnahme der Landwirtschaft an den Klimawandel dient der Absicherung eines hohen Ertragsniveaus und damit der Ertragsstabilität weitgehend unabhängig von den jährlichen klimabedingten Niederschlagsschwankungen. Aggregiert auf die Landkreisebene zeigt Tabelle 4.2 beregnungsfruchtartbezogen für die einzelnen Landkreise Brandenburgs als auch

Page 14: Auswirkungen landwirtschaftlicher Anbauszenarien auf ... · tionsmodell ECHAM5/MOI-OM des Max-Planck-Institutes für Meteorologie Hamburg (Roeckner et al. 2004) ausgegangen. Für

14 Wilfried Mirschel, Ralf Wieland, Carsten Gutzler, Katharina Helming, Karin Luzi

für Brandenburg insgesamt sowohl die mittleren Zusatzwasserbedarfe als auch die im Mittel durch die Bewässerung erzielbaren Mehrerträge.

Um bei der Bewässerung, die in der Praxis hauptsächlich durch die Beregnung und in sehr viel geringerem Umfang durch Tropfbewässerung realisiert wird, Oberflächenabfluss und Bodenerosion durch Beregnung zu vermeiden, übersteigen in der Regel die Regengaben 20 mm nicht.

Silomais Winterweizen Winterraps Zuckerrüben

Land- kreis

ZWB[mm]

ME[dt ha-1]

ZWB[mm]

ME[dt ha-1]

ZWB[mm]

ME[dt ha-1]

ZWB[mm]

ME[dt ha-1]

BAR 124 149 72 11 19 2 115 109

EE 109 130 81 12 27 3 98 93

HVL 119 142 78 12 26 3 113 107

LDS 123 148 89 13 28 3 108 103

LOS 122 146 80 12 25 2 99 94

MOL 125 150 74 11 21 2 119 113

OHV 126 151 84 13 25 3 116 111

OPR 134 161 87 13 26 3 108 102

OSL 118 142 81 12 26 3 105 100

PM 124 149 83 12 27 3 113 107

PR 115 138 78 12 19 2 100 95

SPN 118 141 85 13 27 3 104 99

TF 119 143 79 12 27 3 109 103

UM 119 143 75 11 18 2 117 111

Branden- burg

121 145 80 12 24 2 113 107

Tabelle 4.2: Mittlere Zusatzwasserbedarfe (ZWB) und mögliche bewässerungsbedingte Mehrerträge (ME) der Fruchtarten Silomais, Winterweizen, Winterraps und Zuckerrüben im Beregnungs-Szenario in 2025 für die einzelnen Landkreise und das Land Brandenburg insgesamt

Im Vergleich der Landkreise schwanken die Zusatzwasserbedarfsmengen pro Bewässerungssaison auf dem Klimaniveau von 2025 bei Silomais zwischen 109 mm und 134 mm (eine reichliche Regengabe) und die dadurch erzielbaren Mehrerträge zwischen 130 dt ha-1 und 161 dt ha-1, bei Winterweizen zwischen 72 mm und 89 mm (eine knappe Regengabe) und die Mehrerträge zwischen 11 dt ha-1 und 13 dt ha-1, bei Winterraps zwischen 18 mm und 28 mm (eine halbe Regengabe) und die Mehrerträge zwischen 2 dt ha-1 und 3 dt

Page 15: Auswirkungen landwirtschaftlicher Anbauszenarien auf ... · tionsmodell ECHAM5/MOI-OM des Max-Planck-Institutes für Meteorologie Hamburg (Roeckner et al. 2004) ausgegangen. Für

Auswirkungen landwirtschaftlicher Anbauszenarien in Brandenburg 15

ha-1 sowie bei Zuckerrüben zwischen 98 mm und 119 mm (eine Regengabe) und die Mehrerträge zwischen 93 dt ha-1 und 113 dt ha-1.

Abbildung 4.3 zeigt auf Landkreisebene für die im Beregnungs-Szenario bewässerten vier Fruchtarten die Verteilung des Zusatzwasserbedarfs im Land Brandenburg. Dabei wird deutlich, dass die Landkreise mit den besten Boden- und Standortbedingungen, wie z. B. die Landkreise Prignitz und Elbe-Elster einen geringeren Zusatzwasserbedarf aufweisen. Der Zusatzwasserbedarf liegt im Landkreis Ostprignitz-Ruppin dagegen höher, mit Ausnahme der Zuckerrüben, für die er in Märkisch-Oderland und in der Uckermark am höchsten ist. Entsprechend verteilen sich räumlich auch die mit der Bewässerung in 2025 erzielbaren Mehrerträge, die in Abbildung 4.3 zwecks eines besseren Vergleichs der vier Fruchtarten untereinander in Getreideeinheiten [GE] umgerechnet wurden.

.

Abbildung 4.3: Zusatzwasserbedarf (in mm, oben) und bewässerungsbedingter Mehrertrag (in GE, unten) für Silomais, Winterraps, Winterweizen und Zuckerrüben auf Landkreisebene im Land Brandenburg für das Beregnungs-Szenario

5 Zusammenfassung und Schlussfolgerungen Für das Land Brandenburg werden am Beispiel von Ertrag und Zusatzwasserbedarf für

2025 die Auswirkungen einer landwirtschaftlichen Entwicklung zum einen hin zu einem verstärkten Einsatz der Feldbewässerung (Beregnungs-Szenario) und zum anderen hin zu einem verstärkten Energiemaisanbau (Energiemais-Szenario) abgeschätzt. Die Änderungen werden verglichen mit einem Business-As-Usual-Szenario, was lediglich die gegenwärtigen Trends fortschreibt

Beim Ertrag sind unabhängig von den Szenarien die zwischenjährlichen Schwankungen bei den Sommerungen (Zuckerrüben, Silomais) mit 10 … 15 % deutlich größer als bei den Winterungen (Wintergetreide, Winterraps) mit nur 5 … 10 %. In Abhängigkeit von den Boden- und Standortverhältnissen kommt es im Land Brandenburg bei allen betrachteten

Page 16: Auswirkungen landwirtschaftlicher Anbauszenarien auf ... · tionsmodell ECHAM5/MOI-OM des Max-Planck-Institutes für Meteorologie Hamburg (Roeckner et al. 2004) ausgegangen. Für

16 Wilfried Mirschel, Ralf Wieland, Carsten Gutzler, Katharina Helming, Karin Luzi

Fruchtarten zu einer räumlich differenzierten Ertragsverteilung. Dabei werden in allen drei Szenarien in den Regionen Prignitz, Uckermark, Oderbruch und Fläming die höchsten Erträge erzielt. In den Landkreisen Dahme-Spreewald, Oder-Spree, Potsdam-Mittelmark und teilweise auch Oberspreewald-Lausitz dagegen liegen die erzielbaren Erträge deutlich niedriger. Ein auf 49% vergrößerter Anbauanteil bei Energiemais führt bei den Hektarerträgen der einzelnen Fruchtarten kaum zu Veränderungen, nur beim Silomais selbst sinken die Hektarerträge. Der Grund dafür ist darin zu sehen, dass Silomais damit auch auf Agrarflächen angebaut werden muss, die boden- und standortseitig deutlich schlechter sind. Die Ertragsleistung wird bei allen beregneten Fruchtarten deutlich gesteigert, bei Zucker-rüben und Winterweizen um 18 %, bei Winterraps um 7 % und bei Silomais um 43 %. Damit zeigt sich deutlich, dass die Bewässerung für einige Fruchtarten wirtschaftlich sinnvoll ist und ein hohes Potenzial besitzt, die Erträge deutlich zu steigern und gegenüber klimaänderungsbedingten Schwankungen unempfindlicher zu machen, d.h. zu stabilisieren.

Die für die Bewässerung notwendigen Zusatzwassermengen sind abhängig von Fruchtart, Boden/Standort sowie den in den für eine Bewässerung relevanten Zeiträumen gefallenen Niederschlägen. Sie schwanken im Beregnungs-Szenario als Mittel für Brandenburg in 2025 zwischen 24 mm bei Winterraps und 121 mm bei Silomais. In sehr sommertrockenen Jahren können die notwendig werdenden Zusatzwassermengen zur Ertragssicherung bei Silomais auf leichten Standorten auch schon einmal Größenordnungen von 220…240 mm erreichen. Der Einsatz der Beregnung muss aber immer in enger Abstimmung mit dem gesamten Gebietswasserhaushalt betrachtet werden. Nach Dannowski und Baumeister (2013) beträgt die Grundwasserneubildung im Jahr 2025 im Mittel für die Landesfläche Brandenburgs 113 mm a-1. Die für die Bewässerung notwendige Wassermenge würde 22,5 mm a-1 betragen, was 20 % des potenziellen Dargebots entspricht. Bei einer landesweiten Betrachtung sollte in 2025 die Bereitstellung des notwendigen Zusatzwassers für die Bewässerung somit kein Problem darstellen. Eine räumlich differenzierte Ausweitung der bewässerten Agrarflächen in Brandenburg ist möglich. In Teilgebieten bestehen aber keine naturräumlichen Voraussetzungen für die Förderung des benötigten Grundwassers, oder der Gebietswasserhaushalt ist infolge des Braunkohlebergbaus gestört. Jeder Antrag auf eine Entnahme aus dem Grundwasser für die Bewässerung wird auch in 2025 sorgfältig geprüft und standortabhängig genehmigt, kontingentiert oder auch abgelehnt. Aber selbst unter den extremen Annahmen der Studie war in 2025 in den meisten Regionen Brandenburgs eine ausreichende Menge an Grundwasser für die Bewässerung verfügbar. Dannowski und Baumeister (2013) führen dazu aus: „Größere Gebiete mit hohem Anteil an grundwassernahen Standorten bieten aus sich heraus keine ausreichende Wasserverfüg-barkeit für die volle Erschließung der errechneten Beregnungsfläche. Das betrifft insbesondere das Rhin-Havelland, aber auch das Oderbruch, den Spreewald und weite Teile der Uckermark. Bemerkbar wird insgesamt auch der bekannte landesweite Niederschlags-gradient mit Abnahme der mittleren Jahresniederschläge von der Prignitz im Nordwesten nach Osten und Südosten.“

Durch die Ausdehnung der Silomaisanbaufläche auf 49 % im Energiemais-Szenario zur vermehrten energetischen Nutzung im Rahmen der Biogasproduktion könnte im Jahr 2025 bis zu 46 % des Netto-Strombedarfs von Brandenburg gedeckt werden (Gutzler 2013a). Damit verbunden ist eine Einsparung von bis zu 3,5 Millionen Tonnen CO2-Äquivalente im Vergleich zum Verbrauch fossiler Energieträger (Gutzler 2013b). Der Anbau von Silomais auf knapp der Hälfte der Ackerfläche hätte aber auch eine Reihe von Nachteilen. Neben der

Page 17: Auswirkungen landwirtschaftlicher Anbauszenarien auf ... · tionsmodell ECHAM5/MOI-OM des Max-Planck-Institutes für Meteorologie Hamburg (Roeckner et al. 2004) ausgegangen. Für

Auswirkungen landwirtschaftlicher Anbauszenarien in Brandenburg 17

signifikanten Verringerung der Biodiversität in der Agrarlandschaft kommt es zur Veränderung des gesamten Landschaftsbildes / Landschaftscharakters. Da auch in Branden-burg viele Ackerflächen geneigt sind und eine Erosionsgefährdungsstufe haben, kommt es durch den vermehrten Anbau von Silomais als Reihenkultur zur weiteren Erhöhung des Erosionsrisikos. Große und vor allem dicht beieinander liegende Silomaisschläge begüns-tigen die Ausbreitung des Maiszünslers und des Maiswurzelbohrers, was bei starkem Befall auch bis zum totalen Ernteausfall führen kann. Bei einem anwachsenden Anteil von Silomais auf den Ackerflächen, wie im Energiemais-Szenario angenommen, ist damit zu rechnen, dass sich im Land Brandenburg mit seinen vielen Söllen und Kleingewässern der Anteil der Silomaisschläge in direkter Gewässernachbarschaft erhöhen wird. Der Anbau von Mais weist im Vergleich zu anderen Kulturen hinsichtlich Nährstoffauswaschung, Erosion und Pestizidbelastung ein höheres Umweltrisiko auf. Um hier einen vorsorgenden, effektiven Schutz der Gewässer zu gewährleisten, wird die Einrichtung von 10 - 20 m breiten Pufferzonen um die Gewässer empfohlen (Balla et al. 2013). Damit verbunden wäre im Energiemais-Szenario aber eine Verringerung der effektiv nutzbaren Ackerfläche.

Literatur Adler, G. (1987): Zur mesoskaligen Kennzeichnung landwirtschaftlich genutzter Standorte

von Pflanzenbaubetrieben.- Z. In: Meteorologie 37, 1987, S. 291-298.

Balla, D.; Baumeister, T.; Dannowski, R. (2013): Gewässerschutz-Pufferzonen. In: Gutzler, C.; Helming, K. (Hrsg.): Folgenabschätzung von Szenarien der landwirtschaftlichen Produktion in Brandenburg 2025: Feldberegnung und Energiemaisanbau. Leibniz-Zentrum für Agrarlandschaftsforschung (ZALF) e.V., Selbstverlag, S.66-70.

Dannowski, R.; Baumeister, T. (2013): Wasserverfügbarkeit für Beregnung. In: Gutzler, C.; Helming, K. (Hrsg.): Folgenabschätzung von Szenarien der landwirtschaftlichen Produktion in Brandenburg 2025: Feldberegnung und Energiemaisanbau. Leibniz-Zentrum für Agrarlandschaftsforschung (ZALF) e.V., Selbstverlag, S.44-47.

Gutzler, C. (2013a): Stromproduktion durch Biogas. In: Gutzler, C.; Helming, K. (Hrsg.):Folgenabschätzung von Szenarien der landwirtschaftlichen Produktion in Brandenburg 2025: Feldberegnung und Energiemaisanbau. Leibniz-Zentrum für Agrarlandschaftsforschung (ZALF) e.V., Selbstverlag, S.48-50.

Gutzler, C. (2013b): Einsparung Treibhausgas-Emissionen. In: Gutzler, C.; Helming, K. (Hrsg.): Folgenabschätzung von Szenarien der landwirtschaftlichen Produktion in Brandenburg 2025: Feldberegnung und Energiemaisanbau. Leibniz-Zentrum für Agrarlandschaftsforschung (ZALF) e.V., Selbstverlag, S.54-56.

Gutzler, C.; Helming, K.; Balla, D.; Barkusky D.; Baumeister, T.; Dannowski, R.; Deumlich, D.; Glemnitz, M;.; Hecker, M.; Hufnagel, J.; Knierim, A.; Mirschel, W.; Pasedag, F.; Paul, C.; Roth, R.; Stachow, U.; Starick, A.; Verch, G.; Wieland, R.; Wille, R.; Wurbs, A.; Zander, P. (2013): Folgenabschätzung von Szenarien der landwirtschaftlichen Produktion in Brandenburg 2025: Feldberegnung und Energiemaisanbau. Leibniz-Zentrum für Agrarlandschaftsforschung (ZALF) e.V., Selbstverlag, 80 S.

Page 18: Auswirkungen landwirtschaftlicher Anbauszenarien auf ... · tionsmodell ECHAM5/MOI-OM des Max-Planck-Institutes für Meteorologie Hamburg (Roeckner et al. 2004) ausgegangen. Für

18 Wilfried Mirschel, Ralf Wieland, Carsten Gutzler, Katharina Helming, Karin Luzi

IPCC (2015): Synthesebericht des Fünften IPCC Sachstandsberichts. Im Internet: URL:http://www.de-ipcc.de/de/200.php [Stand 25.11.2015].

Manderscheid, R.; Weigel, H.-J.(2012): Das Braunschweiger FACE-Experiment. In: promet 38 (2012)1/2, S. 20-31.

Mirschel, W.; Wenkel, K.-O.; Wieland, R.; Luzi, K.; Albert, E.; Köstner, B. (2009): Klimawandel und Ertragsleistung: Auswirkungen des Klimawandels auf die Ertragsleistung ausgewählter landwirtschaftlicher Fruchtarten im Freistaat Sachsen -eine landesweite regionaldifferenzierte Abschätzung- . In: SÄCHSISCHES LANDESAMT FÜR LANDWIRTSCHAFT, UMWELT UND GEOLOGIE (Hrsg.): Schriftenreihe des Landesamtes für Umwelt, Landwirtschaft und Geologie (LfULG Sachsen), Heft 28/2009, 61 S., Dresden, ISSN: 1867-2868.

Mirschel, W.; Wieland, R.; Groth, K. (2014 a): Regionales Ertragsmodell YIELDSTAT als interaktive Software für Modellanalysen und Simulationen. In: Nguyen, X. T. (Hrsg.): Modellierung und Simulation von Ökosystemen: Workshop Kölpinsee 2013, Rhombos-Verlag, Berlin 2014, S. 1-17.

Mirschel, W.; Wieland, R.; Luzi, K. (2015): Klimabedingte Zunahme des Zusatzwasserbedarfs in der Landwirtschaft des Landes Brandenburg bis 2100. In: Wittmann, J.; Wieland, R. (Hrsg.): Simulation in Umwelt- und Geowissenschaften -Workshop Müncheberg 2015 (Berichte aus der Umweltinformatik). Shaker Verlag,Aachen 2015, S. 97-108.

Mirschel, W.; Wieland, R.; Wenkel, K.-O.; Guddat, C.; Michel, H.; Luzi, K.; Groth, K. (2012a): Regionaldifferenzierte Abschätzung der Auswirkungen des Klimawandels auf die Erträge von wichtigen Fruchtarten im Freistaat Thüringen mittels Ertragssimulation mit YIELDSTAT. FuE-Bericht, ZALF Müncheberg/Thüringer Landesanstalt für Landwirtschaft (TLL), 86 S. Im Internet: URL: http://www.tll.de/ainfo/pdf/yieldstat.pdf [ Stand 30.12.2015]

Mirschel, W.; Wieland, R.; Wenkel, K.-O.; Luzi, K.; Groth, K. (2012b): Regionaldifferenzierte Ausweisung fruchtartspezifischer Zusatzwasserbedarfe sowie der daraus resultierenden Mehrerträge von wichtigen Fruchtarten im Freistaat Thüringen vor dem Hintergrund der Auswirkungen des Klimawandels auf den Pflanzenbau. FuE-Bericht , ZALF Müncheberg, 2012, 59 S.

Mirschel, W.; Wieland, R.; Wenkel, K.-O.; Nendel, C.; Guddat, C. (2014 b): YIELDSTAT - a spatial yield model for agricultural crops. In: European Journal of Agronomy 52 (2014), S. 33-46.

Orlowsky, B. (2007): Setzkasten Vergangenheit - ein kombinatorischer Ansatz für regionale Klimasimulationen. PhD thesis, University of Hamburg, Hamburg, Germany. Im Internet: URL: http://www.sub.uni-hamburg.de/opus/volltexte/2007/3316/.

Orlowsky, B.; Gerstengarbe, F.-W.; Werner, P.C. (2008): A resampling scheme for regional climate simulations and its performance compared to a dynamical RCM. In:Theoretical and Applied Climatology 92, S.209-223.

Roeckner, E.; Brokopf, R.; Esch, M.; Giorgetta, M.; Hagemann, S.; Kornblueh, L.; Manzini,E.; Schlese, U.; Schulzweida, U. (2004): The Atmosphere General Circulation Model ECHAM5. Part 2: Sensitivity of Simulated Climate to Horizontal and Vertical Resolution. MPI-Report 354. Max-Planck-Institute for Meteorology, Hamburg.

Page 19: Auswirkungen landwirtschaftlicher Anbauszenarien auf ... · tionsmodell ECHAM5/MOI-OM des Max-Planck-Institutes für Meteorologie Hamburg (Roeckner et al. 2004) ausgegangen. Für

Auswirkungen landwirtschaftlicher Anbauszenarien in Brandenburg 19

Roth, D. (1991): Grundlagen und Methodik zur Ermittlung des Wasserbedarfs für die Beregnung. In: Zeitschrift für Bewässerungswirtschaft Frankfurt /M., 26, H.2, S. 40-54.

Roth, D. (1993): Richtwerte für den Zusatzwasserbedarf in der Feldberegnung. In: Schr.-Reihe der Thür. Landesanstalt f. Landwirtschaft, Jena, H.6, S.53-86.

Schmidt, R.; Diemann, R. (Hrsg.) (1991): Erläuterungen zur Mittelmaßstäbigen Landwirtschaftlichen Standortkartierung (MMK). FZB Müncheberg, Müncheberg.

STATISTIK BB (2014): Statistisches Jahrbuch 2014 Brandenburg. Im Internet: URL:https://www.statistik-berlin-brandenburg.de/produkte/Jahrbuch/BB_Kap_2014.asp [ Stand 26.11.2015].

TGL 46200/03, (1990): Verfahren der Pflanzenproduktion, Beregnung - Ermittlung des Zusatzwasserbedarfs, TGL (Technische Normen, Gütevorschriften und

Lieferbedingungen, DDR), TGL 46200/03, 1990, 30 S.

Wenkel, K.-O.; Berg, M.; Mirschel, W.; Wieland, R.; Nendel, C. ; Köstner, B. (2013): LandCaRe DSS - an interactive decision support system for climate change impact assessment and the analysis of potential agricultural land use adaptation strategies. In: Journal of Environmental Management 127(Supplement): S. 168-183.

Wieland, R., Voss, M., Holtmann, X., Mirschel, W., Ajibefun, I (2006): Spatial Analysis and Modeling Tool (SAMT): 1. Structure and possibilities. In: Ecological Informatics, 1, S. 67-76.

Page 20: Auswirkungen landwirtschaftlicher Anbauszenarien auf ... · tionsmodell ECHAM5/MOI-OM des Max-Planck-Institutes für Meteorologie Hamburg (Roeckner et al. 2004) ausgegangen. Für

20

Page 21: Auswirkungen landwirtschaftlicher Anbauszenarien auf ... · tionsmodell ECHAM5/MOI-OM des Max-Planck-Institutes für Meteorologie Hamburg (Roeckner et al. 2004) ausgegangen. Für

Aufbereitung, Auswertung und Visualisierung von Wasserhaushaltssimulationen 21

Aufbereitung, Auswertung und Visualisierung

der Ergebnisse von Wasserhaushalts-

simulationen für Sachsen mit ArcEGMO auf

Basis von 10 alternativen Klimaprojektionen

Axel Sauer

Zusammenfassung

Zur Abschätzung der Folgen des Klimawandels werden häufig dynamische und räumlich differenzierte Simulationsmodelle eingesetzt, die von verschiedenen Projektionen eines zukünftig möglichen Klimas angetrieben werden. Diese Simulationsmodelle liefern in großem Umfang Ergebnisdaten, welche in ihrem primären Ausgabeformat als ASCII-Textdateien nur umständlich bzw. sehr zeitaufwändig ausgewertet werden können, da eine Vielzahl von Dateien eingelesen werden muss und eine Selektion bestimmter Daten nach räumlichen, zeitlichen oder inhaltlichen (Parameter/Größe) Kriterien stets das Durchlaufen der ganzen bzw. aller Dateien erfordert. Der Beitrag stellt eine datenbankbasierte Lösung vor und beschreibt die einzelnen Arbeitsschritte von der Analyse der Ergebnisdaten und der darauf basierenden Strukturierung der Datenbank über den Import der Daten, deren Indexierung in der Datenbank sowie den Zugriff auf die Daten und deren Auswertung und Visualisierung. Als Datenbank wird PostgreSQL verwendet, der Zugriff auf die Datenbank und die Auswertung und Visualisierung erfolgen mit R. Als Beispieldatensatz werden die Ergebnisse von Wasserhaushaltssimulationen für den Freistaat Sachsen mit dem Modell ArcEGMO auf Basis von 10 alternativen Klimaprojektionen verwendet.

1 Hintergrund und Fragestellung Im Rahmen einer Studie im Auftrag des Freistaates Sachsen wurde eine Klimawandel-

Folgenabschätzung für den Landschaftswasserhaushalt durchgeführt. Als Ergebnis des von 2008 bis 2013 durchgeführten Projektes „Abschätzung der Auswirkung der für Sachsen prognostizierten Klimaveränderungen auf den Wasser- und Stoffhaushalt in den Einzugsgebieten der sächsischen Gewässer – Teil Wasserhaushalt“ (KliWES) wurde von der Arbeitsgruppe Dr. Schwarze, Technische Universität Dresden, Institut für Hydrologie und Meteorologie, Professur für Hydrologie, ein Wasserhaushaltsmodell auf Basis von ArcEGMO in Verbindung mit SLOWCOMP aufgebaut und kalibriert. Angetrieben durch 10 im Zuge des Projektes „Vulnerabilitätsstudie Sachsen“ selektierte Klimaprojektionen erfolgte eine Transformation des Klimasignals zu verschiedenen Wasserhaushaltsgrößen als Ergebnisse des Modells. Von der Arbeitsgruppe Schwarze wurden zur weiteren Bearbeitung die „rohen“ Ergebnisse in der vom Modell vorgegebenen Struktur und Form übergeben.

Eine zentrale Herausforderung bei der Auswertung und Visualisierung der Ergebnisse in Form von Karten und Diagrammen stellt die große Datenmenge sowohl gemessen an der Zahl der Ausgabedateien als auch hinsichtlich des Speicherplatzbedarfs dar. Hieraus ergibt

Page 22: Auswirkungen landwirtschaftlicher Anbauszenarien auf ... · tionsmodell ECHAM5/MOI-OM des Max-Planck-Institutes für Meteorologie Hamburg (Roeckner et al. 2004) ausgegangen. Für

22 Axel Sauer

sich die folgende Forschungsfrage: Wie können die Simulationsergebnisse von ArcEGMO so gespeichert werden, dass eine performante Auswertung und Visualisierung möglich ist?

Die nachfolgenden Abschnitte stellen die aufzubereitenden Daten und die gewählten Verfahren zum Datenmanagement mit Import und Speicherung, zur Datenauswertung sowie zur Datenvisualisierung vor. Einleitend erfolgt noch eine Übersicht zur die Daten generierenden Methode, deren dynamischen Eingangsdaten sowie den Ergebnisgrößen.

2 Daten und Methoden Als Eingangsdaten für das Wasserhaushaltsmodell werden 10 repräsentativ ausgewählte

Klima-Projektionen verwendet. Klimaprojektionen sind mögliche Realisierungen eines zukünftigen Klimas basierend auf bestimmten Annahmen und Randbedingungen. Die Projektionen entstammen einem Ensemble von 120, die sich hinsichtlich der ParameterSRES-Emissionsszenario, Global Circulation Model (GCM), Local Circulation Model(LCM) und WEREX V-Realisierung (=statistischer Downscaling-Ansatz) unterscheiden. Als meteorologische Größen stehen in Form von Tageswerten auf Stationsbasis Minimum-,Mittel- und Maximumtemperatur, Globalstrahlung bzw. Sonnenscheindauer, Niederschlag, relative Feuchte sowie Windgeschwindigkeit zur Verfügung. Diese Parameter liegen an 53 Klimastationen vor bzw. für die Größe Niederschlag an weiteren 477 Niederschlags-stationen. Der Zeitraum umfasst 140 Jahre von 1961–2100, wobei ab dem Jahr 2000 die Annahmen der SRES-Szenarien mit entsprechenden CO2-Emissionen wirksam werden.

Nr. SRES GCM LCM/Statistisches Downscaling

1 A1B ECHAM5 WEREX V

2 A1B ECHAM5 CLM und WEREX V

3 A1B ECHAM5 CLM und WEREX V

4 A1B ECHAM5 CLM und WEREX V

5 A1B ECHAM5 REMO und WEREX V

6 A1B HadCM3 WEREX V

7 A1B HadCM3 WEREX V

8 E1 HadCM3 WEREX V

Tabelle 2.1: Eigenschaften der selektierten Klimaprojektionen

Für die Wasserhaushaltssimulation wurde von Schwarze et al. (2014) das Modell ArcEGMO verwendet. Dessen generelles Prozesskonzept zeigt Abbildung 2.1. Als Ergebnisgrößen werden vom Modell die folgenden 10 Größen im Sinne vonWasserhaushaltskomponenten sowie die Größe Durchfluss ausgegeben:

Page 23: Auswirkungen landwirtschaftlicher Anbauszenarien auf ... · tionsmodell ECHAM5/MOI-OM des Max-Planck-Institutes für Meteorologie Hamburg (Roeckner et al. 2004) ausgegangen. Für

Aufbereitung, Auswertung und Visualisierung von Wasserhaushaltssimulationen 23

drain Abfluss über Drainagener Reale Verdunstung/Evapotranspirationgwn Langsamer Grundwasserabflussmkr Abfluss über Mischkanalisationpi Niederschlagrg1 Schneller Grundwasserabflussrh Hypodermischer Abfluss/Interflowro Oberflächenabfluss/schnelle Abflusskomponentesicker Abfluss über Sickerwassertkr Abfluss über Trennkanalisationq Durchfluss an (Teil-)Einzugsgebietsauslässen

Die räumliche Diskretisierung der Basis-Berechnungseinheiten von ArcEGMO basiert auf dem Konzept der Hydrological Response Units bzw. Hydrotope, d.h. kleinsten gemeinsamen Geometrien mit ähnlichem Verhalten hinsichtlich des Wasserhaushaltes. Die Bildung der HRUs erfolgte durch Verschneidung von Geodatensätzen zu Landnutzung sowie Boden- und Reliefeigenschaften (Schwarze et al. 2014). Für die vorliegende Fragestellung erfolgt die Ausgabe der Modellergebnisse allerdings nicht für diese Basis-Berechnungseinheiten, sondern für zwei Ebenen von Teileinzugsgebieten, wobei die gröbste Ebene aus 242 hier alsRechengebiete bezeichneten Raumeinheiten besteht, welche sich weiter in 5033 sogenannte Teileinzugsgebiete untergliedern. Das Untersuchungsgebiet selbst umfasst den Freistaat Sachsen und angrenzende Gebiete, da die Gebietsgrenzen nicht administrativ, sondern durch Wasserscheiden/Einzugsgebietsgrenzen definiert sind.

Die zeitliche Diskretisierung der Berechnungen sind Tage, die Ergebnisausgabe der Wasserhaushaltgrößen erfolgt allerdings monatsweise für die 140 Jahre von 1961–2100, da dies auch die zeitliche Skala der Kalibrierung des Modells ist (vgl. Schwarze et al. 2014: 35ff). Abweichend hiervon erfolgt die Ausgabe der Größe „Durchfluss“ auf Tagesbasis. Die spätere Auswertung soll für 30jährige Klimanormalperioden der Intervalle 1961–1990,2021–2050 und 2071–2100 erfolgen, die Berechnungen selbst müssen aber transient laufen.

Page 24: Auswirkungen landwirtschaftlicher Anbauszenarien auf ... · tionsmodell ECHAM5/MOI-OM des Max-Planck-Institutes für Meteorologie Hamburg (Roeckner et al. 2004) ausgegangen. Für

24 Axel Sauer

Abbildung 2.1: Prozesskonzept des Wasserhaushaltsmodells ArcEGMO (Quelle: Pfützner 2016, verändert)

Auf Basis der gesamten 10 Projektionen ergibt sich für die Ergebnisdaten von ArcEGMOein Umfang von 53.000 Dateien im ASCII-Format (siehe Abbildung 2.2, rechter Teil) mit einem unkomprimierten Speicherbedarf von rund 25 GB. Für die 10 Ausgabegrößen des Gebietswasserhaushaltes in monatlicher Auflösung entstehen 850 Mio. Datensätze, wobei als Datensatz hier die Kombination aus einer Klimaprojektion, einem Parameter, einem Einzugsgebiet, einem Zeitpunkt und einem Wert verstanden wird. Bei den Daten zu den täglichen Durchflüssen gibt es 124 Mio. Datensätze, die definiert sind durch eine Projektion, eine Pegel-ID, einen Zeitpunkt und einen Wert. Die Definition der Datensätze entspricht einer Strukturierung der Daten in Normalform.

Die drei linken Spalten von Abbildung 2.2 zeigen die Ausgabestruktur im Dateisystem. Die Ergebnisse eines Rechengebietes werden jeweils in einem Ordner mit der ID des Gebietes abgelegt. Innerhalb des Ordners befinden sich 10 Unterordner mit den Bezeichnungen „Ergebnisse_[0…9]i“, welche die Ausgaben für die einzelnenKlimaprojektionen enthalten. Hierin befinden sich dann die Ergebnisdateien für einen Modelllauf, deren Benamung nach folgender Konvention erfolgt: Für die monatlichen Wasserhaushaltsgrößen „tg_sum.[Kürzel der Größe]“ und für die tagesbasiertenDurchflüsse an Fließgewässerpegeln „fgw_mit.qt“.

Die Struktur innerhalb einer Ausgabedatei zeigt der rechte Teil von Abbildung 2.2. Die Ausgabedateien der Wasserhaushaltsgrößen bestehen aus einer Spalte mit der Bezeichnung „time“ für den Zeitbezug mit dem Format „mm.yyyy“ für den Monat und das Jahr,gefolgt von Spalten mit der ID der Teileinzugsgebiete innerhalb eines Rechengebietes als Bezeichnung und den Berechnungswerten als Gleitkommazahlen mit einer dezimalen Genauigkeit von sechs Nachkommastellen. Die Ausgabedateien der Durchflüsse unterscheiden sich lediglich darin, dass der Zeitbezug im Feld „Time“ im Format„dd.mm.yyyy“ codiert ist.

Page 25: Auswirkungen landwirtschaftlicher Anbauszenarien auf ... · tionsmodell ECHAM5/MOI-OM des Max-Planck-Institutes für Meteorologie Hamburg (Roeckner et al. 2004) ausgegangen. Für

Aufbereitung, Auswertung und Visualisierung von Wasserhaushaltssimulationen 25

Abbildung 2.2: Struktur der Modellausgabe auf Ebene des Dateisystems mit Ordnern (Spalten 1 und 2 v.r.), Dateien (Spalte 3) sowie auf Ebene der einzelnen Ausgabedateien (Spalte 4

3 Vorgehensweise Das Datenhaltungskonzept basiert auf einer PostgreSQL-Datenbank, die eine effiziente

Speicherung der Daten inkl. Sicherungen ermöglicht sowie Funktionalitäten für einen optimierten/beschleunigten Zugriff auf die Daten bereitstellt. Vor der eigentlichen Nutzung der Datenbank für Auswertungen der Daten sind diese über einen Import in die Strukturen der Datenbank zu überführen.

Um den gesamten Importvorgang weitgehend automatisiert zu gestalten, erfolgt die Erstellung der Tabellenstrukturen für die Tabellen „whhmon“ mit den Monatswerten derWasserhaushaltsgrößen und „whhqday“ mit den Tageswerten der mittleren Durchflüssemit SQL-Datendefinitionsabfragen (siehe folgende Quelltext-Ausschnitte), alle weiteren Schritte werden mit R-Skripten durchgeführt.

CREATE TABLE whhmongebid integer,datasetid character varying(2),paraid character varying(6),tezgid integer,value real,month integer,year integer;

CREATE TABLE whhqdaydatetime character varying(10),gebid integer,datasetid character varying(2),tezgid integer,value real,date date;

Page 26: Auswirkungen landwirtschaftlicher Anbauszenarien auf ... · tionsmodell ECHAM5/MOI-OM des Max-Planck-Institutes für Meteorologie Hamburg (Roeckner et al. 2004) ausgegangen. Für

26 Axel Sauer

Der folgende Abschnitt beschreibt den Prozessierungsablauf für den Import inklusive der verwendeten R-Befehle bzw. Funktionen: 1. Erstellen einer Liste aller Ergebnisdateien einer Ausgabegröße (list.files(path=basepath, pattern=paste0("tg_sum.", parameter, "$"), recursive=TRUE)). 2. Abarbeitung einer parallelisiertenSchleife (foreach (Datei in Dateiliste)). 3. Zerlegen des Datei-Pfades undExtraktion der Elemente „IDRechengebiet“ und „IDProjektion“. 4. Einlesen/Parsen der Textdateien und Zuweisung von (vorläufigen) Felddatentypen (read.table(file=infile, header=TRUE, sep="\t", stringsAs- Factors=FALSE, colClasses=c("character"), quote="\"")). 5. Ergänzenum zusätzliche Felder mit Informationen aus Ordnerstruktur (IDRechengebiet,IDProjektion), Dateinamen (IDParameter), Dateiinhalt (TEZG-ID). 6. Bildungeines „echten“ Datumsfeldes mit der Konvention Monat entspricht 1. Tag des Monats, z.B. „01.1961“ wird zu „01.01.1961“. 7. Umstrukturierung der Daten von einem „breiten“ Format mit der Struktur „Datum, IDRechengebiet, IDProjektion, IDParameter, Teileinzugsgebiet45678 … IDTeileinzugsgebietXXXXX“ zu einem derNormalform entsprechenden „langen“ Format der Struktur „Datum, IDRechengebiet, IDProjektion, IDParameter, IDTeileinzugs- gebiet, Wert“ mit melt(data=indata, id.vars=c("time", "gebid", "datasetid", "paraid"), variable_name="tezgid") aus dem„reshape“-Paket. 8. Export des Dataframes als Textdatei mit dem Namen derEingabedatei und dem Suffix „_tmp“. Diese Datei entspricht jetzt der Struktur derTabelle in der Datenbank, in die die Daten importiert werden sollen. Ein schrittweiser Import auf Datensatzbasis über jeweils ein SQL-„INSERT INTO“-Befehl ist extrem langsam imVergleich zu einem sogenannten „Bulk“-Import. Hierzu stellt PostgreSQL den COPY-Befehlzur Verfügung, welcher für den Massenimport von Daten optimiert ist (Obe und Hsu 2012: 38f). Hierzu werden bestimmte Sicherungsmechanismen der Datenbank wie etwa das Transaktionsmanagement deaktiviert bzw. der gesamte Vorgang als eine Transaktion behandelt, was eine deutlich höhere Schreibgeschwindigkeit in die Datenbank ermöglicht. 9. Aufruf von „COPY“ aus R heraus: sql = paste0("COPY whhmon2 (mondate, gebid, datasetid, paraid, tezgid, value) ", "FROM '", outfile, "' WITH NULL AS '';"); dbSendQuery(con, sql).

Die beiden oben hinsichtlich ihrer Struktur beschriebenen Tabellen dienen als Ziel für den Import der Ergebnisdaten und erfahren nach dem im vorhergehenden Abschnitt beschriebenen Importvorgang noch folgende Änderungen: Es wird jeweils ein Feld „mondate“ bzw. „daydate“ mit dem Felddatentyp Datum hinzugefügt und mittels einerSQL-UPDATE-Abfrage aus den Feldern „month“ und „year“ bzw. dem als Textdefinierten Feld „datetime“ ein echter Datumswert generiert und für alle Datensätze indas neue Feld aktualisiert. Anschließend werden diese nicht mehr benötigten Felder mittels DROP-Anweisungen gelöscht. Mit den neuen Datumsfeldern können nun zeitbezogene SQL-Befehle wie etwa BETWEEN genutzt werden sowie eine bessere Indexierung über dieseZeitfelder durchgeführt werden.

Um einen schnellen Zugriff auf die Daten in der Datenbank zu ermöglichen, werden für die später in den Abfragen zur Eingrenzung der Ergebnismenge verwendeten Felder indexiert. Hierzu wird für jedes Feld ein separater Index erstellt, wobei auch kombinierte Indizes über mehrere Felder möglich sind, was u.a. sinnvoll sein kann, wenn Abfragen häufig die gleiche Kombination von Feldern in der Bedingungsanweisung (WHERE-Klausel)

Page 27: Auswirkungen landwirtschaftlicher Anbauszenarien auf ... · tionsmodell ECHAM5/MOI-OM des Max-Planck-Institutes für Meteorologie Hamburg (Roeckner et al. 2004) ausgegangen. Für

Aufbereitung, Auswertung und Visualisierung von Wasserhaushaltssimulationen 27

verwenden (Obe und Hsu 2012: 82f). PostgreSQL bietet als Indextypen B-tree, GiST, GIN, SP-GiST sowie hash an (Obe und Hsu 2012: 79f). Im vorliegenden Fall wurden alle Indizes mit der Methode B-tree erstellt, da dieses Verfahren relativ universell einsetzbar ist. Die nachfolgende SQL-Anweisung zeigt beispielhaft die Erstellung des Indexes mit der Bezeichnung „idx_whhmon_datasetid“ für das Feld „datasetid“ der Tabelle„whhmon“.

CREATE INDEX idx_whhmon_datasetidON whhmonUSING btree(datasetid COLLATE pg_catalog."default");

Abbildung 3.1: Konzept zur Speicherung, Verwaltung und Visualisierung der ArcEGMO-Ergebnisdaten

Um den Zeitaufwand für den Import der Ergebnisdaten in die Datenbank zu verringern, wurden zwei Ansätze zur Parallelisierung des Imports unter Nutzung mehrerer Kerne bzw. Threads eines Mehrkernprozessors verwendet. Als Testsystem wurde dabei eine IBM Thinkstation mit zwei 6-Kern-Prozessoren (Intel Xeon X5660, 2,8 GHz) und aktiviertem Hyperthreading verwendet, die mit 96 GB ECC-RAM und 64-Bit Windows 7 als Betriebssystem ausgestattet ist. Die einzulesenden Daten liegen zur Beschleunigung des Zugriffs auf einem SSD-Laufwerk, der Tablespace der Datenbank befindet sich auf einem RAID-System (LSI 9211-4, RAID 10, 6 TB Speicherkapazität, 4 SATA Platten à 3 TB).

Die erste Variante zur Parallelisierung teilt den Import getrennt nach den 10Ergebnisgrößen auf einzelne Import-Skripte für R auf, die mittels einer DOS-Batch-Datei und dem „START“-Befehl gleichzeitig bzw. nahezu unmittelbar ausgeführt werden. Der„START“-Befehl öffnet hierbei jeweils ein separates Fenster mit einer eigenen Session bzw.einem eigenen Thread.