Leibniz Centre for Agricultural Landscape Research Kölpinsee/Usedom 15. Workshop Modellierung und Simulation von Ökosystemen, Kölpinsee/Usedom (26. – 28

Leibniz Centre for Agricultural Landscape Research

15. Workshop „Modellierung und Simulation von Ökosystemen“, Kölpinsee/Usedom Kölpinsee/Usedom (26. – 28. 10. 2011)

Unsicherheiten bei der modellgestützten

Klimafolgenabschätzung

W. Mirschel; K.-O.Wenkel; M. Berg; C. Nendel; R. Wieland

Leibniz-Centre for Agricultural Landscape Research (ZALF), Institute of Landscape Systems Analysis, Eberswalder Str. 84, D-15374 Müncheberg,

Germany; [email protected]



Einführung

Quellen von Unsicherheiten in der Klimafolgenabschätzung

- Emissionsszenarien - globale Klimamodelle - regionale Klimaprojektionen - Wirkmodelle

Beispiele für Unsicherheiten in der klimafolgenabschätzung

Schlussfolgerungen

Gliederung



Einführung



•Die Klimaänderung ist allgegenwärtig mit ansteigenden Temperaturen besonders im Winter und geringer werdenden Niederschlägen speziell in der Hauptwachstumsperiode landwirtschaftlicher Fruchtarten.

•Für die Entwicklung von Strategien zur Anpassung an das sich änderne Klima bzw. zur Abmilderung von Folgewirkungen sind auf regionaler Ebene für die verschiedenen Bereiche wie Gesundheitswesen, Bauwesen und auch Landwirtschaft bessere und verlässlichere Informationen zur möglichen Klimaänderung, zu möglichen Langzeitfolgen und zu möglichen Risiken notwendig.

•Vom gegenwärtigen Wissen ausgehend, ist ein Beantworten der Fragen zur weiteren Klimaentwicklung und zu den daraus resultierenden Folgen mit einer großen Unsicherheit verbunden.

•Unsicherheit ist nur ein Fehlen von Gewissheit, d.h der Zustand, der es bei begrenztem Wissen unmöglich macht, existierenden oder den zukünftigen Status bzw. Zustand exakt zu beschreiben.

•In der Klimatologie existieren primär zwei Typen der Unsicherheit, die “Daten-Unsicherheit” und die “strukturelle Unsicherheit”.



•Die “Daten-Unsicherheit” kommt von den in der Klimafolgenforschung verwendeten Daten, d.h. von der Datenqualität (Monitoring, Meßmethodik, Datenhaltung), von der natürlichen Variabilität (Heterogenität, Stochastik) und von den fehlenden Daten (z. B. inkomplette Dartenreihen)

•Die “strukturelle Unsicherheit” kommt von den in der Klimafolgenforschung verwendeten Modellen (Klima- und Wirkmodelle), d.h. einerseits von den Modellstrukturen mit Annahmen, Vereinfachungen, formulierten Prozeßalgorithmen und der Umsetzung dieser in Programm-Code sowie andererseits von den Modellparametern, deren Schätzung und Kalibrierung in der Regel mittels statistischer Methoden erfolgt.



•Im Rahmen der Klimafolgenabschätzung ist dabei eine zunehmende Komplexität sehr stark verbunden mit einer Zunahme der Unsicherheit.

•Die größten Probleme bei der Klimafolgenabschätzung in der Landwirtschaft und bei der Anpassung der Landwirtschaft an die Klimaänderung sind verbunden mit Unsicherheiten

> in der Vorhersage globaler und regionaler Klimaänderungen,> und Wissenslücken im Zusammenhang mit komplexen

Wirkungen von Klimaänderungen incl. noch unbekannter Rückkopplungen und

> in der weiteren Entwicklung des Weltmarktes, der Weltmarktpreise, der gesamten Politik und vieler anderer Einflußgrößen

•Für die Klimafolgenforschung bedeutet das, dass die hauptsächlichen Quellen der Unsicherheit die vier folgenden sind:

1. Emissions-Szenarien

2. globale Klimamodelle

3. Methoden der regionalen Klimaprojektion

4. Wirkmodelle



Quellen von Unsicherheiten in der Klimafolgenabschätzung



1. Quelle: Emissionsszenarien des IPCC (bis 2100)

A1 - Szenario:- Welt mit sehr schnellem ökonomischen Wachstum- menschliche Population erreicht gegen 2050 ihr Maximum und nimmt danach wieder ab- schnelle Einführung von neuen und effektiveren Technologien A1FI: weiterhin nur fossile Energiequellen

A1T: weiterhin nur alternative Energiequellen

A1B: gesunde Balance aller verfügbaren EnergiequellenA2 - Szenario:- sehr hetorogene Welt - Eigenständigkeit und Erhalt lokaler Individualitäten- menschliche Population wächst langsam, aber stetig- ökonomische Entwicklung ist mehr regional orientiert und der technologische Fortschritt ist mehr fragmentiert, regional zersplittert

B2 - Szenario:- Welt mit Betonung auf lokale Lösungen hinsichtlich ökonomischer, sozialer und Umweltnachhaltigkeit- stetige Entwicklung der menschlichen Population mit einer im Vergleich zu A2 geringeren Rate - orientiert in Richtung Umweltschutz und sozialer Fairness-Ausrichtung auf lokale und regionale Ebene

B1 - Szenario:- beschreibt eine sich annähernde Welt- menschliche Population erreicht gegen 2050 ihr Maximum und nimmt danach wieder ab- Ökonomie basiert auf sauberen und ressourcenef- fizienten Technologien - globale Lösungen für eine ökonomische, soziale und umweltbezogene Nachhaltigkeit, incl. einer wachsenden Fairness, aber ohne zusätzliche Klimainitiativen



Emissionsszenarien A1, A2, B1, B2 in 2100 im Vergleich zur

Emissionssituation 1990 (Änderungen)

globale CO2-Emission -50 % … 600 % globale Methan-Emission -20 % … 350 % globale NOx-Emission -25 % … 300 % globale Temperatur 1.1 °C … 6.4 °C

Atm

osp

häri

sch

e C

O2 -

Kon

zen

trati

on

1970 - 1979: 1.3 ppm / Jahr

1980 - 1989: 1.6 ppm / Jahr 1990 - 1999: 1.5 ppm / Jahr2000 - 2006: 1.9 ppm / Jahr

Die atmosphärische CO2-

Konzentration ist in der Vergangenheit gestiegen und

wird auch zukünftig ansteigen (IPCC, 2007)

2050 - 2060 ca. 460 – 620 ppm

Weigel u. Wenkel





Temperaturentwicklung und Szenarioprojektionen



2. Quelle: globale KlimamodelleVerschiedene globale Klimamodelle wurden entwickelt, die das gegenwärtige Wissen über die gemessenenen Klimaelemente aus der Vergangenheit berücksichtigen, aber auch das Wissen über die einzelnen das Klima beeinflussenden Triebkräfte und das Wissen über die komplexen Prozesse, die das Klima beeinflussen und regulieren.

Aufgrund des begrenzt vorhandenen Daten- und Prozesswissens wurden durch die einzelnen Forschergruppen zur globalen Klimamodellierung weltweit unterschiedliche globale Klimamodelle entwickelt, die sich durch unterschiedliche Annahmen, Vereinfachungen, Prozessformulierungen und Programmierumsetzungen unterscheiden.

Deutschland

Grossbritannien

Kanada

Norwegen

Frankreich unvollständiger

Überblick



Early summer 15th April-15th May

Winter 15th November- 31st March

Global climate model 2021-2050 2071-2100 2021-2050 2071-2100 BCM (Norway)

-2 … +2 % +20 … +30 % +10 … +20 % +20 … +30 %

CNRM CM3 (Canada)

-2 … +2 % -10 … -5 % -5 … -2 % -5 … -2 %

ECHAM5 (Germany)

+10 … +20% +10 … +20 % +5 … +10 % +10 … +20 %

Niederschlagsänderung in Deutschland für 2021-2050 and 2071-2100 im Vergleich zu 1961-1990, abgeschätzt durch verschiedene globale Klimamodelle (Emission-Szenario A1B) regionalisiert mit dem dänischen HIRHAM 5 – Modell (Otte and Frühauf, 2011)

2. Quelle: globale Klimamodelle



3. Quelle: Methoden der regionalen KlimaprojektionBasierend auf den verschiedenen globalen Klimamodellen wurden weltweit

verschiedene Downscaling-Methoden für eine regionale Klimaprojektion entwickelt:■ Dänemark: HIRHAM 5■ Norwegen: HIRHAM 2; HIRHAM 3■ Schweden: RCA 3.0■ Frankreich: ALADIN RM5.1■ Italien: RegCM 3■ Niederland: RACMO 2.1■ Grossbritannien: HADRM3Q0; HADRM3Q3; HADRM3Q16■ Russland: RRCM■ Schweiz: CLM 2.4.6■ Spanien: PROMES 2005■ Deutschland: CLM 2.4.11; REMO_UBA; REMO_BfG; REMO 5.7; STAR;

WETTREG; WEREX

Die Modelle/Methoden zur Klimaregionalisierung können wie folgt klassifiziert werden:

physikalisch-basierte dynamische Modelle (Deutschland: REMO, CLM)statistisch-basierte Modelle (Deutschland: STAR, STAR2)kombinierte dynamisch-statistische Modelle (Deutschland: WETTREG, WEREX)



Niederschlagsänderung in Deutschland für 2021-2050

and 2071-2100 im Vergleich zu 1961-1990, abgeschätzt

durch verschiedene Downscaling-Modelle,

dargestellt für 3 globale Klimamodelle (Emissions-Szenario: A1B) (Otte and

Frühauf, 2011)

3. Quelle: Methoden der regionalen Klimaprojektion Frühsommer

15. April-15. Mai Winter

15. November- 31. März Regionalisierungs-Modell

2021-2050 2071-2100 2021-2050 2071-2100 Globales Klimamodell HADCM3Q0 (Großbritannien) HADRM3Q0 (Großbritannien)

+2 … +5 % -2 … +2 % +2 … +5 % keine Daten

HIRHAM3 (Norwegen)

+5 … +10 % keine Daten +5 … +10 % keine Daten

RRCM (Russland)

+10 ... +20 % keine Daten +10 ... +20 % keine Daten

CLM 2.4.6 (Schweiz)

-2 … +2 % +2 … +5 % +2 … +5 % keine Daten

PROMES 2005 (Spanien)

+5 … +10 % keine Daten +2 … +5 % keine Daten

HADRM3Q3 (Großbritannien)

+2 … +5 % -2 … +2 % +2 … +5 % keine Daten

Globales Klimamodell BCM (Norwegen) HIRHAM5 (Dänemark)

-2 … +2 % +20 … +30 % +10 … +20 % +20 … +30 %

HIRHAM2 (Norwegen)

-2 … +2 % keine Daten +10 … +20 % keine Daten

RCA 3.0 (Schweden)

+5 … +10 % +10 … +20 % +10 … +20 % +20 … +30 %

Globales Klimamodell ECHAM5_r3 (Deutschland) HIRHAM 5 (Dänemark)

+10 ... +20 % +10 ... +20 % +5 ... +10 % +10 ... +20 %

REMO 5.7 (Deutschland)

-5 ... -2 % +2 ... +5 % -2 ... +2 % +10 ... +20 %

RegCM3 (Italien)

-2 ... +2 % -2 ... +2 % +2 ... +5 % +10 ... +20 %

RACMO 2.1 (Niederland)

-5 ... -2 % +2 ... +5 % +2 ... +5 % +10 ... +20 %

RCA 3.0 (Schweden)

+2 … +5 % +10 … +20 % +5 ... +10 % +10 ... +20 %



Vergleich der regionalen Klimaprojektionen REMO, WETTREG and STAR für die Jahresmitteltemperatur von

Sachsen-Anhalt

PIK-Study „Klimawandel Sachsen- Anhalt“, 2009

3. Quelle: Methoden der regionalen Klimaprojektion



PIK-Study „Klimawandel Sachsen- Anhalt“, 2009

3. Quelle: Methoden der regionalen KlimaprojektionVergleich der regionalen Klimaprojektionen REMO,

WETTREG and STAR für die jährliche Niederschlagssumme von Sachsen-Anhalt



Mittlere Jahrestemperatur und jährliche Nieder-schlagssumme im Vergleich von drei Regionalisierungs-Methoden und zwei Emissions-Szenarien (STAR2 (2 K), WETTREG (A1B, B1) and CLM (A1B, B1)) für Müncheberg

1940 1960 1980 2000 2020 2040 2060 2080 2100 21206

7

8

9

10

11

12

WETTREG A1B WETTREG B1 STAR2 CLM A1B CLM B1Ja

hre

smit

telt

emp

erat

ur

(°C

)

1960 1980 2000 2020 2040 2060 2080 21006

7

8

9

10

11

12

Jah

resm

itte

ltem

per

atu

r (°

C)

(30

jäh

rig

es

MIt

tel)

WETTREG A1B WETTREG B1 STAR2 CLM A1B CLM B1

WETTREG: statistische Methode, Mittel aus 3 Realisierungen (feucht, trocken, normal); STAR2: statistische Methode, Mittel aus 5 Realisierungen; CLM: physikalisch-basierte Methode, Mittel aus zentralem und den 8 umliegenden Gitterpunkten

1940 1960 1980 2000 2020 2040 2060 2080 2100 2120300

400

500

600

700

800


jäh

rlic

he

Nie

de

rsc

hla

gs

su

mm

e (

mm

)

1960 1980 2000 2020 2040 2060 2080 2100300

400

500

600

700

800

jäh

rlic

he

Nie

de

rsc

hla

gs

su

mm

e (

mm

)(3

0jä

hri

ge

s M

Itte

l)


3. Quelle: Methoden der regionalen Klimaprojektion



4. Quelle: Wirkmodelle

Modellansätze für die klimasensitive mathematische Beschreibung von Faktoren, Kenngrößen und Prozessen in der Landwirtschaft wie z.B. Pflanzenontogenese, pflanzliche Ertragsbildung / Produktivität, Bestandesverdunstung oder Wassererosion auf Ackerflächen existieren in einer breiten Vielfalt.

Die Vielfalt in den Modellansätzen beruht auf den verschiedenen Prozess-formulierungen, getroffenen Vereinfachungen und Annahmen sowie auf den unterschiedlichen Prametrisierungsverfahren.

Hier gibt es:- dynamische prozess-basierte Modelle- statistisch-basierte Modelle- Fuzzy -Modelle- Neuronale Netze

Die Wirkmodelle sind eine Hauptquelle für die “strukturelle Unsicherheit” !



4. Quelle: Wirkmodelle – im ZALF Müncheberg genutzte Modelle -Dynamische prozess-basierte Agrarökosystem-Modelle

Modell AGROSIM(AGRO-ecosystem SIMulation)

Modell MONICA(MOdel of NItrogen and Carbon dynamics in Agro-ecosystems)



Statistisch-basierte Modelle

Model YIELDSTAT(crop YIELD STATistics)

Model ONTO(ONTOgenese landwirtschaftlicher

Kulturen)

4. Quelle: Wirkmodelle – im ZALF Müncheberg genutzte Modelle -



Fuzzy Modell und Neuronales Netz zur Ertragsschätzung

Feedforward Network: 1 Hidden and 1 Output Layer, Transfer function: tanh

A X b net

Ye net

A Y b net

Ee net

1 1 1

2

1 2 11

2 2 2

2

1 2 21

4. Quelle: Wirkmodelle – im ZALF Müncheberg genutzte Modelle -

0 20 40 60 80 1000.0

0.5

1.0

0 50 100 150 200 2500.0

0.5

1.0

-200 -150 -100 -50 0 50 1000.0

0.5

1.0

0 20 40 60 80 1000.0

0.5

1.0

Ackerzahl [-]:sehr schlecht -

schlecht -mittel -

gut -sehr gut -

N-Düngung [kg N ha-1]:niedrig -

mittel -hoch -

sehr hoch -

klimatische Wasserbilanz [mm]:

trocken -mittel -

feucht -

Ertrag [dt ha-1]

Ableitung von 60 expertenbasierten Regeln



Unsicherheit bei der Schätzung des Winterweizen-Ertrages in der Region Uckermark und im Weißeritzkreis, hervorgerufen durch die beiden Wirkmodelle MONICA und YIELDSTAT unter Nutzung der regionalen Klimaprojektion WETTREG (Emission-Szenario: A1B)


2010 2020 2030 2040 2050 2060 2070 20800

20

40

60

80

100

Ert

rag

Win

terw

eize

n (

dt

ha-1

)

Modell YIELDSTAT Modell MONICA

2010 2020 2030 2040 2050 2060 2070 20800

20

40

60

80

100

Ert

rag

Win

terw

eize

n (

dt

ha-1

) Modell YIELDSTAT Modell MONICA

Region Uckermark Weißeritzkreis



Vergleich gemessener und mit verschiedenen

Modellen berechneter Winterweizen-Erträge

(Rabbinge & van Diepen, 2000; van Lanen, et al,

1992; Harrison et al, 2000)

Olesen & Bindi, 2002


A

B



Model

code

Model name

Model reference Results *

Paper this issue

1 AMBAV Löpmeier, 1994 - Friesland & Löpmeier 2 SIMWASER Stenitzer & Murer, 2003 B, L Stenitzer et al. 3 THESEUS Wegehenkel, 2000 L Wegehenkel & Mirschel 4 OPUS Smith, 1992 L Wegehenkel & Mirschel 5 STAMINA Acutis et al, 2005 M Acutis et al. 6 AGROSIM Mirschel et al., 1991 L, M Mirschel & Wenkel 7 AGROTOOL Poluektov et al., 2002 B,L,M Poluektov & Terleev 8 NDICEA Koopmans & Bokhorst,

2002 M Van der Burght et. al.

9 SWAP / ANIMO Kroes & van Dam, 2003; Renaud et al., 2004

M Kroes & Roelsma

10 SWIM Krysanova et al., 1998 M ;L Post et al. 11 HERMES Kersebaum, 1995 M, L Kersebaum 12 WASMOD Reiche, 1994 M - 13 CERES Ritchie & Otter, 1985 M Nain & Kersebaum 14 Expert-N (CERES) Engel & Priesack, 1993 M, L Priesack et al. 15 Expert-N (SPASS) Engel & Priesack, 1993 M, L Priesack et al. 16 Expert-N (Sucros) Engel & Priesack, 1993 M, L Priesack et al. 17 FASSET Berntsen et al., 2003 M, L Berntsen & Petersen 18 CANDY Franko et al., 1995 M, L Puhlmann et al. 19 Boettcher Boettcher & Kage,

unpublished M -

Herm

es

SWAP

SWIM

FASSET

EN_Cer

EN_SPA

EN_Suc

CANDY

WASM

OD

0

100

200

300

400

500

[kg

N h

a-1 ]

Herm

es

SWAP

SWIM

FASSET

EN_Cer

EN_SPA

EN_Suc

CANDY

WASM

OD

0

200

400

600

800

1000

1200

[kg

N h

a-1 ]

Herm

es

SWAP

SWIM

FASSET

EN_Cer

EN_SPA

EN_Suc

CANDY

WASM

OD

0

50

100

150

200

[kg

N h

a-1 ]

Herm

es

SWAP

SWIM

FASSET

EN_Cer

EN_SPA

EN_Suc

CANDY

WASM

OD

0

10

20

30

40

50

[kg

N h

a-1 ]

N-Aufnahme Pflanzen

Stickstoffauswaschung (90 cm Tiefe) Denitrifikation

Stickstoffmineralisation

Output-Vergleich verschiedener klimasensitiver Wirkmodelle (Agrarökosystemmodelle) bezüglich temperatur- und feuchteabhängiger Teilprozesse des Stickstoffhaushaltes im System Boden-Pflanze [Standort Müncheberg] (Kersebaum et al., 2007)

am Modellvergleich teilnehmenede Modelle




Beispiele für Unsicherheit im Rahmen der

Klimafolgenabschätzung



Vergleich verschiedener regionaler Klimaprojektionen und Emissionsszenarien (WETTREG (A1B, B1); STAR2) bezüglich ihrer Wirkungen auf die klimatische

Wasserbilanz (hier: Dresden-Klotzsche)

Entscheidungsgrundlage für:-Bedarfsermittlung Zusatzwasser Planung von Beregnungssystemen-Fruchtfolgeoptimierung bezüglich des Pflanzenwasserbedarfs (in Deutschland ist der Winterfruchtanbau weinger mit Risiko behaftet als der Sommerfruchtanbau)

1. Klimatische Wasserbilanz

STAR 2

WETTREG A1B

WETTREG B1



Beginn, Ende und Dauer der Vegetationsperiode für die Uckermark-Region und den Weißeritzkreis für unterschiedliche regionale Klimaprojektionen und Emissionsszenarien (WETTREG/A1B, WETTREG/B1 and STAR2 /2K), abgeschätzt mit der Methode nach Chmielewski (2003)

Entscheidungsgrundlage für:-Ableitung von Einsatzzeitpunkten verschiedener agrotechnischer Maßnahmen (Bodenbearbeitung, Aussaat, Düngung, Pflanzenschutz, Ernte) -Fruchtfolgegestaltung (Zweikultur-Systeme ?)

2. Vegetationsperiode

2000 2010 2020 2030 2040 2050 2060 2070 2080

50

100

150

200

250

300

350

lfd

. K

alen

der

tag

WETTREG A1B WETTREG B1 STAR2

Vegetationsdauer (d):219 221 236 289227 231 230 259235 242 255

2000 2010 2020 2030 2040 2050 2060 2070 20800

50

100

150

200

250

300

350

Vegetationsdauer (d):231 238 252 304229 245 246 280241 248 264

lfd

. K

alen

der

tag


Region Uckermark Weißeritzkreis



Einfluß unterschiedlicher regionaler Klimaprojektionen (WETTREG, COSMO-CLM and STAR) und Emissionsszenarien (A1B and B1) auf die Entwicklung von Winterweizen am Standort Müncheberg (Ontogenesemodell ONTO)

Entscheidungsgrundlage für:-Termine für Bodenbearbeitung, Aussaat, Düngung, Pflanzenschutz und Ernte-Fruchtfolgegestaltung(Zweikultur-Systeme ?)

3. Pflanzenentwicklung (Ontogenese)



Einfluß unterschiedlicher regionaler Klimaprojektionen und verschiedener Emissionsszenarien auf den Ertrag landwirtschaftlicher Kulturen in der Region

Uckermark (Bodenbearbeitung mit Pflug, ohne Beregnung, mit CO2-Effekt, ohne Entwicklungstrend)

Entscheidungsgrundlage für:-Anbaumanagement (Bodenbearbeitung, Düngung, Pflanzenschutz)-Fruchtfolge (Grundlage für ökonomische Betriebsplanung)

2000 2020 2040 2060 20800

10

20

30

40

50

60

Ko

rner

trag

Win

terw

eize

n (

dt/

ha)


2005 2025 2045 2075

2000 2020 2040 2060 20800

10

20

30

40

50

60

2005 2025 2045 2075

Ko

rner

trag

Win

terg

erst

e (d

t/h

a)


2000 2020 2040 2060 20800

10

20

30

40

50

2005 2025 2045 2075

Ko

rner

targ

Win

terr

og

gen

(d

a/h

a)


2000 2020 2040 2060 20800

5

10

15

20

25

30

35

2005 2025 2045 2075

Win

terr

apse

rtra

g (

dt/

ha)


Winterweizen

Wintergerste

Winterroggen

Winterraps

4. Pflanzenertrag (1)



2000 2020 2040 2060 20800

50

100

150

200

250

300

350

2005 2025 2045 2075

Sil

om

aise

rtra

g (

dt/

ha)


2000 2020 2040 2060 20800

100

200

300

400

2005 2025 2045 2075 Z

uck

errü

ben

ertr

ag (

dt/

ha)


Silomais Zuckerrüben

Einfluß unterschiedlicher regionaler Klimaprojektionen und verschiedener Emissionsszenarien auf den Ertrag landwirtschaftlicher Kulturen in der Region

Uckermark (Bodenbearbeitung mit Pflug, ohne Beregnung, mit CO2-Effekt, ohne Entwicklungstrend)

Entscheidungsgrundlage für:-Anbaumanagement (Bodenbearbeitung, Düngung, Pflanzenschutz)-Fruchtfolge (Grundlage für ökonomische Betriebsplanung)




Abweichungen beim Erreichen des Biomassestatus TM>30% bei Silomais

in Deutschland in 2021-2050 im Vergleich zu 1971-2050 [Sandböden,

frühreifende Sorten](Otte and Frühauf, 2011)

– Negativwerte Verfrühung -


Entscheidungsgrundlage für:-Anbaumanagement (Fruchtfolge, Aussaattermin, Bodenbearbeitung, Düngung, Pflanzenschutz)

1960 1980 2000 2020 2040 2060 2080 21006

7

8

9

10

11

12

Jah

resm

itte

ltem

per

atu

r (°

C)

(30j

ähri

ges

MIt

tel)





Vergleich berechneter Winterweizen-Kornerträge (Grundlage: 8 Pflanzen-wachstumsmodelle [M1 – M8]) mit gemessenen Kornerträgen

Mittel aus allen 8 Modellen

Rötters et al., 2011

Observed results



Bodenerosion durch Wasser für die Region Uckermark und den Weißeritzkreis bei Verwendung verschiedener regionaler Klimaprojektionen und

Emissionsszenarien

- Annahme: heutiges Anbauverhältnis -

Entscheidungsgrundlage für:-Bodenbearbeitung (reduziert, völlig ohne, andere anti-erosive Anbaumethoden)-Fruchtfolge (Achtung bei Reihenkulturen, ständige Pflanzenbedeckung)

2000 2010 2020 2030 2040 2050 2060 2070 2080

0.5

1.0

1.5

2.0

2.5

3.0 Weißeritzkreis

was

sere

rosi

ver

Bo

den

abtr

ag (

t/h

a)


Region Uckermark

5. Bodenerosion durch Wasser

bergige Landschaft

flache Landschaft



Schlussfolgerungen



Die regionale Klimafolgenabschätzung ergibt für landwirtschaftlich relevante Kenngrößen weite Ergebnisspektren, hervorgerufen durch die Unsicherheiten bei den Emissionsszenarien, den globalen Klimamodellen, den Methoden der regionalen Klimaprojektion und den verwendetenWirkmodellen.

Der beste Weg, um solide Antworten auf Fragen zu geben, die mit der Klimafolgenabschätzung zusammenhängen, ist die Realisierung von Multi-Ensemble- und Multi-Modell-Simulationen.

Die Wirkung der Klimaänderung auf die Landwirtschaft kann positiv oder negativ ausfallen, ganz in Abhängigkeit von den gewählten Klimaprojektionen und Emissionsszenarien. Die simulierten Auswirkungen einer regionalen Klimaveränderung sind im Osten Deutschlands in der näheren Zukunft bis 2050 relativ gering. Es gibt Gewinner (Winterfruchtanbau) und Verlierer (Sommerfruchtanbau)

Wenn man die vielen Unsicherheiten berücksichtigt, besteht die beste Anpassung der Landwirtschaft an die Klimaänderung in: ● einem gutem Mix verschiedener Anbausysteme, ● unterschiedlichen Managementoptionen, ● einem breiten Spektrum angebauter Fruchtarten, ● der Nutzung einer umweltverträglichen Zusatzbewässerung, ● der Aufrechterhaltung eines hohen Bodenfruchtbarkeitsniveaus, ● der Nutzung hochproduktiver und stresstoleranten Sorten (Anspruch an die Züchter) und ● der Anwendung neuer Anbautechnologien, wie Streifenanbau, Precision Farming oder Energie- Plantagen

Interaktive Entscheidungshilfesysteme (DSS) für Simulationen und eine integrierte Folgenabschätzung für landwirtschaftliche Anpassungsstrategien an den Klimawandel, wie Fruchtfolge, Bodenbearbeitung, Düngung, oder Bewässerung, sind sehr wichtige Hilfsmittel für Landwirte und andere Stakeholder.





Danke für Ihre Aufwerksamkeit !

Documents

Leibniz Centre for Agricultural Landscape Research Kölpinsee/Usedom 15. Workshop Modellierung und Simulation von Ökosystemen, Kölpinsee/Usedom (26. – 28