Workshop Pﬂanzenwachstumsmodellierung - TU Dresden · Ziele des Workshops Theorieteil (9-10 Uhr)...

Tn Tx,

stress

Tr

(1) (2) (3) (4)

Soil

WorkshopPflanzenwachstumsmodellierungS. Seidel, N. Schutze, S. Kloß

Workshop Pflanzenwachstumsmodellierung Lehrstuhl fur Hydrologie (TU Dresden) 1 / 75

Gliederung

Ziele des Workshops

Theorie: Pflanzenwachstumsmodellierung

Einleitung

Einteilung der Modelle

Datenerhebung

Modellkalibrierung

Modellgute

Praxis: Erstellung des Modells Daisy

keine Bewasserung

Wetterdatei

fixe Beregnungstermine

tensionsgesteuerte Bewasserung


Ziele des Workshops

◮ Theorieteil (9-10 Uhr)◮ Was sind Pflanzenwachstumsmodelle?◮ Welche Einsatzgebiete gibt es?◮ Wie unterscheiden sie sich?◮ Was ist bei der Erstellung eines Modells zu beachten?◮ Exkurs: 1D, 2D, 3D Modellierung des Bodenwasserhaushalts

◮ Praxisteil (10:30-12:30 Uhr) im PC Pool1

◮ Schrittweises Erstellen eines Modells◮ Testen verschiedener Bewasserungsszenarien◮ Auswertung der Ergebnisse

13.OG Westflugel (neben Zi. 367)


Gliederung

Ziele des Workshops


Einleitung


Datenerhebung

Modellkalibrierung

Modellgute


keine Bewasserung

Wetterdatei




Prozesse im System Boden-Pflanze-Atmosphare

◮ Boden-Pflanze-Atmosphare-Kontinuum

◮ Wasser, Stoff- und Energietransport in der ungesattigten

Bodenzone

◮ Wasser-, Kohlenstoff- und Energiehaushalt von Pflanzen

◮ unterschiedliche raumliche und zeitliche Skalen

◮ lokale Ruckkoppelungsprozesse


Prozessabbildung durch Modelle

◮ Abbildung der Prozesse durch Modelle

◮ Beschreibung eines sehr komplexen Systems

◮ Verwendung zugrundeliegender math./phys. Formeln oder

empirisch ermittelter Zusammenhange

Maintenance

Respiration

Conversion

ConversionConversion

Root Death

Conversion

StemStorage

OrganRootLeaf

Root

Residues

Leaf

Residues

Leaf Death

Partitioning

Release

Assimilate

PoolCO2

CO2

Photosynthesis

CO2

CO2

CO2

Light Temperature

Stress

Factors

Canopy

Structure

Senescence

ΣΣ

Ab

oveg

rou

nd

bio

mass

(kg

m-2

)

3

2

1

0

0 100 200 300 400 500

ΣTr (mm) Σ

Sorghum (N1) Sunflower (N0)

a

Abb.: Schematische Darstellung der Kohlenstoffbewegung (Daisy, Hansen et al. 2002)und des Zusammenhangs Biomasse - Transpiration (Aquacrop, Steduto et al. 2008 )


Anwendungsbeispiele von Modellen

◮ Prozessverstandnis

◮ Szenarienanalysen (Aussaatzeiten, Dungung, Klima,...)

◮ Reduktion von kostspieligen Versuchen

◮ Entscheidungshilfesysteme


Gliederung

Ziele des Workshops


Einleitung


Datenerhebung

Modellkalibrierung

Modellgute


keine Bewasserung

Wetterdatei





verschiedene Klassifizierungen moglich, hier:

◮ empirische vs. mechanistische Modelle

◮ Beispiele◮ Bodenwasserbewegung◮ Verdunstung◮ SVAT Modelle

◮ deterministische vs. stochastische Modelle


empirische Modelle (black box Modelle)

◮ beschreiben Beziehung zwischen Input und Output

◮ innerer Aufbau und innere Funktionsweise unbekannt/unwichtig

◮ einfache Entwicklung

◮ wenig Inputdaten u Parameter notwendig

◮ angepasst an spezifischen Standort

◮ Beispiel: FAO Model CropWat (Smith, 1992)Σ

Σ

Ab

ove

gro

un

d b

iom

ass

(k

g m

-2)

3

2

1

0

0 100 200 300 400 500

ΣTr (mm) Σ

Sorghum (N1) Sunflower (N0)

a

Abb.: Beziehung Biomasse-kumulative Transpiration im Modell AquaCrop


empirische Pflanzenwachstumsmodelle - CropWat

◮ ermittelt Bewasserungsbedarf

◮ Referenzverdunstung ETc = Kc ET0

◮ empirische kc Faktoren fur verschiedene Kulturen u. Stadien

◮ Vereinfachung des komplexen Zusammenspiels Ertrag - Wasser

◮ Studien weisen große Unterschiede zwischen ermitteltem kc auf

◮ Balance zwischen Genauigkeit, Einfachheit und Robustheit


mechanistische Modelle

◮ Verhalten komplexer Systeme in math. Funktionen formuliert

◮ naturnaher Zusammenhang zwischen Modell und Realitat

◮ Verwendung zugrundeliegender math./phys. Formeln

tic

representation of the

odel

in

tation,

and a soil component.

Ma

cro

pore

s

Pestic

ide

Ma

cro

pore

s

Nitr

ate

Ma

cro

pore

s

Am

moniu

m

Ma

cro

pore

s

Org

an

ic M

atte

r

Ma

cro

pore

s

Hea

t

So

il

ma

trix

Ma

cro

pore

s

Wate

rSoil

Uptake

Turnover

Sorption

Transport

Phase

change

BioclimateSVAT

Light distribution

InterceptionSnow accumulation

VegetationGrowth

Photosynthesis

RespirationUptake

Numeric layer

Parameters:Soil Data

Vegetation

Data

Driving

variables:Weather Data

Management

Data

Maintenance

Respiration

Conversion

ConversionConversion

Root Death

Conversion

StemStorage

OrganRootLeaf

Root

Residues

Leaf

Residues

Leaf Death

Partitioning

Release

Assimilate

PoolCO2

CO2

Photosynthesis

CO2

CO2

CO2

Light Temperature

Stress

Factors

Canopy

Structure

Senescence

Abb.: Schematische Darstellung der Module und der Kohlenstoffbewegung in Daisy


mechanistische Modelle

◮ detaillierte Einflussnahme moglich

◮ Prozesse werden mathematisch beschrieben

◮ zeitlich und raumlich ubertragbar

◮ Kalibrierung und Validierung notwendig

◮ hohe Anzahl an Eingangsparametern notig

◮ Beispiele: Sucros (in Daisy), CERES, ORYZA2000, APSIM


empirisch vs mechanistisch - pot. Verdunstung

Verdunstungsberechnung nach Haude

Formel: ETPH aud e = aH aud e (es-e)

◮ aH aud e : empirischer (konstanter) monatlicher Pflanzenfaktor

◮ es-e: Sattigungsdefizit der Luft

◮ lediglich Lufttemperatur und relative Feuchte notwendig

◮ empirischer (konstanter) monatlicher Pflanzenfaktor notwendig

◮ nur fur die Berechnung von Monatssummen


empirisch vs mechanistisch - pot. Verdunstung

Verdunstungsberechnung nach Penman-Monteith

◮ Berechnungsansatz der realen ET aus den meteorologischen

Bedingungen und 2 Verdunstungswiderstanden

◮ weitverbreitete Anwendung

◮ Eingangsdaten: tagliche mittlere Werte von T, rH, R und v

E or ET ¼� Rn � Gð Þ þ �acp es � eað Þ=ra

�þ � 1þrs

ra

� ��

��w

Eq.: Penman-Monteith Formel


empirisch vs mechanistisch - Ertragsermittlung

◮ empirische Funktion zur Abbildung der Pflanzenreaktion auf

Wasser

◮ Biomasse = Wasserproduktivitat * kumulative Transpiration

◮ Ertrag = Harvest Index * Biomasse

◮ Trockenstressabbildung durch Kc Reduktion (Kc * Ks)

Abb.: Eq.: relative Ertragsabnahme abhangig von relativer ET Abnahme (FAO)


empirisch vs mechanistisch - Ertragsermittlung

◮ tagl. Entwicklungsrate (∆ DS) abhangig von Temperatur und

Tageslange

◮ Photosythese (PS) abh. von Lichtadsorption in Schichten

◮ Partionierung (Respiration, Seneszenz, Assimilatallokation)

◮ Kritischer Bodenwassergehalt → Trockenstress in

Bodenhorizonten → reduzierte Wurzelwasseraufnahme → Ta

◮ PS bei Trockenstress (Fw ) Reduktion abh. von aktueller ET

∆ ∆

α

t iw p

t, p i, p

+ E E = F F

+ E E (

F

Eq.: Reduktion der Photosynthese bei Trockenstress in Daisy/Sucros


empirisch vs mechanistisch - Bodenwasserbewegung

Klimatische Wasserbilanz

◮ KWB= P - ETp

◮ einfachste Methode

Zwischenlosung Speichermodell

◮ Boden speichert Wasser bis zum Erreichen der Feldkapazitat FK

◮ wenn Inhalt großer als die Speicherkapazitat wird, fließt der

Uberschuss in den nachsten Speicher

◮ keine raumliche Variabilitat der Feuchte

◮ nur Fluss nach unten, wenn FK uberschritten wird

◮ vereinfachte Abbildung der Pflanzen und der ETp


empirisch vs mechanistisch- Bodenwasserbewegung

Richards-Modell

◮ physikalisch basierte Beschreibung der Stromung in der

ungesattigten Zone

◮ partielle nichtlineare Differenzialgleichung, numerische Losung

◮ Wasserflusse als Resultat von Potentialgradienten2

◮ Prozessorientiertes Modell

◮ Randbedingungen (oben z.B. ET, unten z.B. GW, ψ)

◮ Kalibrierung der Parameter durch Feldmessungen (θ, ψ)

Eq.: Richardsgleichung

2Potentiale: ψW =ψm+ψo+ψg


Exkurs: Dimensionsreduktion

◮ die meisten Modelle bilden die Bodenwasserbewegung 1D ab

◮ Beregnung: 1D ausreichend da uniform

Beregnung Tropfbewässerung Furchenbewässerung

Abb.: Simulation unterschiedlicher Bewasserungsmethoden (sandiger Lehm: 1m x 1m)– Verteilung der Saugspannung nach Beendigung der Bewasserung



◮ Tropfbewasserung: 2D oder 3D

◮ wichtig bei Ermittlung von Schlauch- und Reihenabstanden

Dimensionsabhängigkeit des Approximationsfehlers bei

der Simulation von BewässerungsvorgängenPeter Stange

Institut für Hydrologie und Meteorologie

3. Basismodellierung

4. Hinzunahme von Wurzelwasserentzug

5. Zusammenfassung

2. Mathematische Modellierung

3D -> 2D 2D -> 1 D

1 . Einleitung

3D -> 2D 2D -> 1 D

Bild 7:

oben: Wasserverteilung nach 48h

unten: Wasserverteilung nach 120h

Bild 8:

Wasserverteilung nach 48h,

2D Approximation

Bild 9:

Wasserverteilung nach 48h,

1D Approximation

mefunktion funktion

Quellen

Saugspannungin

[m]

0

-4

-8

Tiefe

in[m

]

0

-0.5

-1

0 10.5Breite in [m]

Saugspannungin

[m]

-8.6

-1 0.6

-1 0.2

-9.4

-9

Tiefe in [m]

0-0.8 -0.4

Saugspannungin

[m]

Tiefe in [m]

0-0.8 -0.6 -0.4 -0.2

-4

-9

-8

-7

-6

-5

Tiefe

in[m

]Tiefe

in[m

]

Breitein[m]

Breitein[m]

Länge

in [m]

Länge

in [m]

0

0

1

1

0

0

1

1

00

-1-1

Saugspannungin

[m]

-2

-6

-1 0

-4

-8

Tiefe

in[m

]

Breitein[m] Län

gein [m]

0

1

0

1

0-1

Tiefe

in[m

]

Breitein[m]

Länge

in [m]

0

1

0

1

0-1 -0.6 -0.2

-9.8

Tiefe in [m]

0-0.8 -0.4-0.6 -0.2-1

Saugspannungin

[m]

-1 0

-60

-50

-30

-20

-40

-70

-80

Saugspannung in [m]0-80 -40-60 -20

Reduktionsfaktor

1

0

0.2

0.6

0.8

0.4

Wurzelwasserentzugsrate

Wurzeltiefe

in[m]

Wurzelb

reite

in [m]

0

0.2

0.6

0.4

0

-0.2

-0.4

-0.6-0.

10.1

Simulationszeit in [h]28 8456 11 20

Wasserentzugsrate

in[m

m/d]

-2

-5

-3

-4

-6

Tiefe

in[m

]

0

-0.5

-1

10.5

Breite in [m]

Saugspannungin

[m]

-4

-9

-8

-6

-5

Tiefe in [m]

0-0.8 -0.4-0.6 -0.2

-7

0 -1

Abb.: Dimensionsreduktion von 3D zu 2D zu 1D



◮ durch Reduktion von 3D auf 1D besonders auf sandigen Boden

Uberschatzung von Wasseraufnahme und somit von Ertrag

Dimensionsabhängigkeit des Approximationsfehlers bei

der Simulation von BewässerungsvorgängenPeter Stange

Institut für Hydrologie und Meteorologie

3. Basismodellierung

4. Hinzunahme von Wurzelwasserentzug

5. Zusammenfassung

2. Mathematische Modellierung

3D -> 2D 2D -> 1 D

Bild 10:

Bodenfeuchtevergleich der verschiedendim

ensionalen Modelle nach 120h Simulationszeit

1 . Einleitung

3D -> 2D 2D -> 1 D

Quellen

Saugspannungin

[m]

0

-4

-8

Tiefe

in[m

]

0

-0.5

-1

0 10.5Breite in [m]

Saugspannungin

[m]

-8.6

-1 0.6

-1 0.2

-9.4

-9

Tiefe in [m]

0-0.8 -0.4

Saugspannungin

[m]

Tiefe in [m]

0-0.8 -0.6 -0.4 -0.2

-4

-9

-8

-7

-6

-5

Tiefe

in[m

]Tiefe

in[m

]

Breitein[m]

Breitein[m]

Länge

in [m]

Länge

in [m]

0

0

1

1

0

0

1

1

00

-1-1

Saugspannungin

[m]

-2

-6

-1 0

-4

-8

Tiefe

in[m

]

Breitein[m] Län

gein [m]

0

1

0

1

0-1

Tiefe

in[m

]

Breitein[m]

Länge

in [m]

0

1

0

1

0-1 -0.6 -0.2

-9.8

Tiefe in [m]

0-0.8 -0.4-0.6 -0.2-1

Saugspannungin

[m]

-1 0

-60

-50

-30

-20

-40

-70

-80

Saugspannung in [m]0-80 -40-60 -20

Reduktionsfaktor

1

0

0.2

0.6

0.8

0.4

Wurzelwasserentzugsrate

Wurzeltiefe

in[m]

Wurzelb

reite

in [m]

0

0.2

0.6

0.4

0

-0.2

-0.4

-0.6-0.

10.1

Simulationszeit in [h]28 8456 11 20

Wasserentzugsrate

in[m

m/d]

-2

-5

-3

-4

-6

Tiefe

in[m

]

0

-0.5

-1

10.5

Breite in [m]

Saugspannungin

[m]

-4

-9

-8

-6

-5

Tiefe in [m]

0-0.8 -0.4-0.6 -0.2

-7

0 -1

Abb.: Saugspannungen nach 120h Simulation, Vgl 3D, 2D, 1D


SVAT Modelle

◮ SVAT=Soil-Vegetation-Atmosphere-Transfer

◮ große Bedeutung in Okologie, Klimatologie, Meteorologie

◮ mechanistische Modelle mit komplexen Pflanzen- u.

Verdunstungsmodellen u. Bodenwasserbewegungsgleichungen

◮ Grundlage: Verdunstungsberechung nach Penman-Monteith,

Transportwiderstande3, single- u. multi-layer-Modelle

◮ 1- und 2D Bodenwasserhaushalt, Makroporen

◮ N- u Pestizidtransport, Wasseraufnahme (Senkenterm), PS ...

◮ mangelhafte Beschreibung der Flachenheteorogenitat

◮ Aufwendige Einarbeitung und Datenerhebung und -analyse

3Boden-Pflanze-Atmosphare-Kontinuum


deterministische Modelle

◮ implizieren vorhersagbares Systemverhalten

◮ Beschrankung auf eine geringe Anzahl von Szenarien

◮ die meisten Pflanzenwachstumsmodelle sind deterministisch

◮ oft mangelnde Verfugbarkeit historischer Daten

◮ keine Wahrscheinlichkeitsaussagen


stochastische Modelle

◮ Unsicherheiten in Eingangsdaten vorhanden (Klima, Boden)

◮ Wahrscheinlichkeitsaussagen moglich (z.B. Spannweiten,

Verteilung)

◮ Berucksichtigung von Unsicherheiten moglich

◮ Bsp. Klimaszenarien (Realisationen zu vers. Szenarien)

◮ umso großer die Unsicherheiten, desto wichtiger ist die

Verwendung eines stochastischen Ansatzes


Gliederung

Ziele des Workshops


Einleitung


Datenerhebung

Modellkalibrierung

Modellgute


keine Bewasserung

Wetterdatei




Erhebung von Versuchsdaten

Bewirtschaftungs

szenarien

Klimaszenarien

...

Modellanwendung

Modellvalidierung

Modellkalibrierung

Modellerstellung

Versuchsdaten I

Versuchsdaten II


standortspezifische Bodenparameter

◮ Bestimmung von:◮ Saugspannungen (pF Meter, Tensiometer)◮ Wassergehalten (FDR Sonden, Diviner, Bohrstock)

◮ in verschiedenen Tiefen

◮ moglichst kontinuierlich

◮ Bestimmung der vGM4 Parameter

◮ ggf. Makroporenfluss, untere Randbedingung (GW)

◮ wichtig bei Simulation von bewasserten Kulturen

4van Genuchten Mualem Parameter, beschreiben pF-Kurve


sortenspezifische Pflanzenparameter

wochentliche Bestimmung von:

◮ stomatarer Leitfahigkeit (Trockenstress)

◮ N-Gehalt der Blatter

◮ Pflanzenhohen

◮ phanologischen Phasen

in bestimmten Stadien (Blute...):

◮ Blattflachenindex (LAI)

◮ Biomasse (Partitionierung)


Gliederung

Ziele des Workshops


Einleitung


Datenerhebung

Modellkalibrierung

Modellgute


keine Bewasserung

Wetterdatei




Modellkalibrierung

Bewirtschaftungs

szenarien

Klimaszenarien

...

Modellanwendung

Modellvalidierung

Modellkalibrierung

Modellerstellung

Versuchsdaten I

Versuchsdaten II


Unterschied zwischen Parameter und Variable

Parameter

◮ beschreiben Eigenschaften

◮ haben oft eine physikalische der biologische Bedeutung

◮ konstant oder Entwicklung bekannt

◮ ermittelt bzw. kalibriert oder aus Literatur

Abb.: Daisy Parameterdatei Erbse (pea.dai)


Unterschied zwischen Parameter und Variable

erklarende Variable

◮ beschreiben Zustande

◮ sind nicht vorhersehbar

◮ werden gemessen oder beobachtet

◮ andern sich mit der Zeit

◮ Bsp. Wassergehalt, LAI, Blutezeitpunkt ...


Modellkalibrierung - Was ist zu beachten?

◮ vorhandene Datenlage

◮ Definition des Ziels (Kalibrierung auf Ertrag, LAI,

Bodenwasserhaushalt,...)

◮ Sensitivitat der Parameter (→ Sensitivitatsanalyse)

100 120 140 160 180 200 220 240 260 280 3000

1

2

3

4

5

6

7

DAS [days]

LA

I [−

]

0%

−10%

− 25%

− 50%

−100%

+10%

+ 25%

+ 50%

+ 100%

Abb.: Sensitivitat des LAI auf verschiedene DSRate1 Werte


Modellkalibrierung

Moglichkeiten der Kalibrierung

◮ manuell (nur bei sehr wenigen Parametern moglich)

◮ automatisiert (Angleichen von simulierten u gemessenenWerten)

◮ Anpassen von Kurven an Messwerte◮ invers mit Optimierungsalgorithmus


manuelle Modellkalibrierung - Bsp. Buschbohne

unkalibriert vs kalibriert

2010 2011 2012 20130

1

2

3

4Ertrag Bohnen unberegnet (4 Sorten)

Ert

rag

[t

TM

ha1

]

Jahr

2010 2011 2012 20130

1

2

3

4Ertrag Bohnen reduziert (25,0,68 mm)

Ert

rag

[t

TM

ha1

]

Jahr

2010 2011 2012 20130

1

2

3

4Ertrag Bohnen vollbewässert (20,0,100 mm)

Ert

rag

[t

TM

ha1

]

Jahr

2010 2011 2012 20130

1

2

3

4Ertrag Bohnen unberegnet (4 Sorten)

Ert

rag

[t

TM

ha1

]

Jahr

2010 2011 2012 20130

1

2

3

4Ertrag Bohnen reduziert (25,0,68 mm)

Ert

rag

[t

TM

ha1

]

Jahr

2010 2011 2012 20130

1

2

3

4Ertrag Bohnen vollbewässert (20,0,100 mm)

Ert

rag

[t

TM

ha1

]

Jahr

Abb.: Beobachtungswerte (Kreuze) alle Sorten, Simulationsergebnisse (Kreise)


pF-Kurve durch Pedotransferfunktionen

◮ Pedotransferfunktionen: rechnerische Ableitung von

bodenhydraulischen Kennwerten (nFK, PWP, Θr , Θs, α, Ks, n )

◮ Rosetta1: Texur, Lagerungsdichte → Θr , Θs

◮ RETC2: Eingabe gemessener Wassergehalte und

entsprechender Tensionen (Drucktopf)

◮ Ausgabe: vGM Parameter

1www.gcmd.nasa.gov/records/01-rosetta-99.html2www.pc-progress.com/en/Default.aspx?retc


pF-Kurve durch Messung und Anpassung

5

soil water content0.0 0.1 0.2 0.3 0.4 0.5

0.0

0.5

1.0

1.5

2.0

2.5

3.0

3.5

4.0

4.5

soil

tensio

n

5.0

Abb.: Angepasse Retentionskurve


inverse Modellkalibrierung - Bsp. Wassergehalte

20

40

20

40

20

40

soil

wate

r conte

nt [%

]

20

40

20

40

0 50 100 150 200 2500

20

40

days after sowing [days]

soil

depth

[cm

]

observed

predicted

80

100

60

40

20

10

Val Cal Val Cal Val

Abb.: simulierte und gemessene Wasergehalte (Winterweizen)


Gliederung

Ziele des Workshops


Einleitung


Datenerhebung

Modellkalibrierung

Modellgute


keine Bewasserung

Wetterdatei




Modellvalidierung

Bewirtschaftungs

szenarien

Klimaszenarien

...

Modellanwendung

Modellvalidierung

Modellkalibrierung

Modellerstellung

Versuchsdaten I

Versuchsdaten II


Modellvalidierung

numerische Bestimmung der Modellgute, z.B.

◮ modeling efficiency (Nash-Sutcliff)

◮ mittlere quadratische Abweichung (MSE)

◮ Korrelationskoeffizient r


Modellvalidierung

numerische Bestimmung der Modellgute

◮ Modellfehler, Bias,... (beobachtet-simuliert)

◮ modeling efficiency (Nash–Sutcliff)

◮ mittlere quadratische Abweichung (MSE)

◮ Korrelationskoeffizient r

graphische Darstellung

◮ simulierte u gemessene Werte

◮ Residuen (Modellfehler vs. Messwert oder Variable)

450 0 100 200 300 400 500 600

−5

0

5

irrigation water applied [mm]

resid

ue [t ha −

1]


graphische Darstellung - Bsp. Buschbohne

0 10 20 30 40 50 60 70 80 90 1000

10

20

30

40

50

60P

flanzenhöhe [cm

]

Tag nach der Saat

simulierte und gemessene Pflanzenhöhen (Buschbohne)

Pflanzenhöhesim

Pflanzenhöhebeob

Abb.: simulierte und gemessene Pflanzenhohen Buschbohne 2013


Modellanwendung

Bewirtschaftungs

szenarien

Klimaszenarien

...

Modellanwendung

Modellvalidierung

Modellkalibrierung

Modellerstellung

Versuchsdaten I

Versuchsdaten II


simulationsgesteuerte Beregnung

◮ wochentliche Implementierung von Wetter und

Bewasserungsmengen in Modell

◮ wochentliche Neuberechnung des Bewasserungsbedarfs

20 30 40 50 60 70 80

0

10

20

30

40NS

und B

ew

ässeru

ng [m

m]

Tag nach der Saat

1000

800

600

400

200

0

Saugspannung [hP

a]

I [mm] = 30prognostiziertesWetterWetter 2013

350 hPaauf 30 cm Tiefe

Neuberechnung (20.8.)simulierte Reife: 13.9.simulierter Ertrag (TM): 1,5 t/ha

Abb.: Simulierter Bewasserungsplan in Echtzeit fur Buschbohne, 2013


Modell Daisy

◮ hier: Version 5.145

◮ kostenlos, opensource, fur Windows und Linux

◮ Verschiedene Ordner:◮ bin → Daisyausfuhrung (.exe)◮ doc → Dokumentation (Ubungen, Manual, Tutorial)◮ exercises → Ubungen◮ lib → Bibliothek (Standartpflanzenparameter, Bobearb)◮ sample → Beispieldateien

◮ fur diese Ubung: Ordner ”Daisy Simulationen”

5unter www.code.google.com/p/daisy-model/wiki/SVAT


Dateiformate

Die Erstellung von 2 Dateien ist notwendig:

◮ Steuerdatei (setup) mit Endung .dai

◮ Wetterdatei mit Endung .dwf

◮ Zudem wird auf Dateien der Bibliothek (lib) zugegriffen

◮ Wir erstellen nun schrittweise die Steuerdatei namens

”Modellerstellung Schritt1.dai”

◮ notepad++.exe in Ordner ”notepad++”“starten, Steuerdatei

”Modellerstellung Schritt1.dai”“hineinziehen


Steuerdatei


Gliederung

Ziele des Workshops


Einleitung


Datenerhebung

Modellkalibrierung

Modellgute


keine Bewasserung

Wetterdatei




Steuerdatei - Beginn

Befehle

; Kommentar

(input file ”tillage.dai”)

(input file ”pea kalibriert3.dai”)

(input file ”log.dai”)

(weather default

”./Wetter 2008 2012.dwf”)

(description ”...”)

(log prefix ”Modell...)

Kommentare

; wird nicht berucksichtigt

Aufruf Datei Bodenbearbeitung

Aufruf Pflanzenparameterdatei

Aufruf log Datei

Aufruf Wetterdatei

Projektbeschreibung

Ergebnisse werden in Unterordner

geschrieben (Ordner anlegen!)


Steuerdatei - Definition des Bodens

(defhorizon Ap BSI3

(clay 8.0 [%])

(silt 10.5 [%])

(sand 81.5 [%])

(humus 1.12 [%])

(C per N 11.0 [g C /g N])

(dry bulk density 1.5 [g/cm3]))

(defhorizon B BSI3

(clay 5.88 [%])

(silt 11.5 [%])

(sand 82.5 [%])

(humus 0.12 [%])

(C per N 11.0 [g C/g N])

(dry bulk density 1.5 [g/cm3]))

Textur von Ap nach BSI3 Klassifika-

tion: Sand 2-0,06 mm, Schluff 0,06-

0,002 mm, Ton: <0,002 mm

Textur + Humus muss 100 ergeben

C/N Verhaltnis

Lagerungsdichte

Definition des Horizontes B nach BSI3


Steuerdatei - Definition des Bodens

(defcolumn Sandboden default

(Soil (horizons (-20 [cm] Ap)

(-2.5 [m] B))

(MaxRootingDepth 85.0 [cm]))

(Groundwater deep))

(column Sandboden)

(activate output (after 2008 04 15))

(time 2008 1 5) (stop 2012 08 15)

weitere Vorgaben:

Machtigkeit der Horizonte

maximale Durchwurzelungstiefe

Grundwassertiefe: fern

Befehl: Verwende die definierte Bo-

densaule

Zeitraum Output

Simulationszeitraum


Steuerdatei - Pflanze

(defcrop ”pea”default

(enable N stress false))

(defaction Management activity

(wait mm dd 4 15)(sow ”Pea”))

(wait (or (crop ds after ”Pea”2.0)

(mm dd 8 15))) (harvest ”Pea”))

(manager activity

(activity (repeat

Management))(stop))

Wahl der Pflanze (Erbse) aus Ordner

”lib”

volle Stickstoffversorgung

Definition einer Managementaktion

Saat am 15. April

Ernte bei Reife (DS 2.0)

bzw. spatestens am 15. August

Wiederholung der Managementaktion

; development stages (DS):

DS -1: Saat,

DS 0: Aufgang,

DS 1.0: Blute,

DS 2.0: Reife


Steuerdatei - Output

(output (“harvest “(where “

Ernte Zusammenfassung.dlf”))

(”N Balance”(when monthly)

(where ”N Bilanz.dlf”))

(”Crop Production”(when daily)

(where ”Pfl.kenngroessen.dlf”))

(“Soil Water Content”(when daily)

(where ”Bodenwassergehalte.dlf”))

(“Soil Water Potential”(when daily)

(where SSaugspannungen.dlf”))

(”Field water”(when daily)

(where ”taegl. WB Feldskala.dlf”)))

Zusammenfassung der

Ernteergebnisse

monatliche Stickstoffbilanz

tagliche Ausgabe von Pflanzenkenn-

groessen

tagliche Ausgabe von Bodenwasser-

gehalten

tagliche Ausgabe von Saugspannun-

gen

tagliche Ausgabe von NS,

Bewasserung, Temp, ET


Gliederung

Ziele des Workshops


Einleitung


Datenerhebung

Modellkalibrierung

Modellgute


keine Bewasserung

Wetterdatei




Wetterdatei

◮ Datei Wetter 2008 2012.dwf

◮ besteht aus 2 Teilen:◮ Allgemeines zur Wetterstation/ Lage ...◮ gemessene Wetterdaten

◮ weitere Informationen unter reference.pdf


Wetterdatei - Allgemeines

dwf-0.0 # Kommentar

Station: Baruth

Elevation: 155 m

Longitude:15 dgEast

Latitude:51 dgNorth

TimeZone: 15 dgEast

Surface: reference

ScreenHeight: 2.0 m

Begin: 2008-01-01

End: 2012-12-31

Timestep: 24 hours

NH4WetDep: 0.9 ppm ...

TAverage: 9.5 dgC

TAmplitude: 9.1 dgC

MaxTDay: 212 yday

Wetterdatei, # Kommentar

Stationsname

Stationshohe

Langengrad

Breitengrad

Zeitzone

Messung auf Grasbestand

Messhohe [m]

Beginn

und Ende der Wetterdatei

Zeitschritt

feuchte u trockene N Deposition

Durchschnittstemperatur

jahrl. Temperaturamplitude

Tag mit hochster Temperatur


Wetterdatei - Wetterdaten

Year Month Day

Precip [mm]

GlobRad [W m−2]

RelHum [%]

Wind [m s−1]

AirTemp [dgC]

auch moglich:

T min [dgC]

T max [dgC]

RefEvap [mm h−1] [mm d−1]

VapPres [Pa]

Datum

Niederschlag

Globalstrahlung

relative Luftfeuchte

Windgeschwindigkeit

mittlere Temperatur

auch moglich:

Minimaltemperatur

Maximaltemperatur

Referenzverdunstung

Dampfdruck

NaN (not a number) bei Fehlwerten

eintragen


Wetterdatei


Simulation

◮ um die Simulation zu beginnen, bei Batchdatei Schritt1 auf Enter

klicken (oder Doppelklick)

◮ (sonst: Steuerdatei mit der Maus in die daisy-Verknupfung.exe

ziehen, wenn Programm auf lokalem Rechner installiert ist)

◮ die Ergebnisse sind nun im Unterordner namens

Modellerstellung Schritt1

◮ Format .dlf kann mit Excel geoffnet werden6

6vorsicht: Regionvoreinstellung ist USA, d.h. , und . sind bei Zahlen vertauscht


Ernteergebnisse 2008-2012 - Zusammenfassung

◮ Erntedatum

◮ verwendeter Boden und Pflanze

◮ Trockenmasse von Stiel, totem Material, Blattern und des

marktfahigen Ertrags [t ha−1]

◮ Stickstoffgehalte in Pflanzenteilen [kg N ha−1]

◮ Stresstage aufgrund von Trockenheit

◮ Stresstage aufgrund von Stickstoffmangel

◮ Wasserproduktivitat [kg m−3]


Ertrage

2008 2009 2010 2011 20120

0.5

1

1.5

2

2.5

Ert

rag

TM

[t

ha

−1]

Abb.: Ertrage von Erbse in TM [t ha−1]1

◮ Niederschlage in Vegetationsperioden: 65, 202, 114, 78, und

225 mm

1Annahme: TS-Gehalt: 21% (bei TW Wert 120)


Pflanzenkenngroßen

wichtige Pflanzenkenngroßen:

◮ DS: development stage (-1 bis 2)

◮ height: Hohe der Pflanze

◮ depth: maximale Wurzeltiefe

15.4.08 15.4.09 15.4.10 15.4.11 15.4.12−1

0

1

2

Entwicklungsstadium

15.4.08 15.4.09 15.4.10 15.4.11 15.4.120

20

40

60

80

100Pflanzenhöhe [cm]

N-Bilanz:

◮ u.a. NO3 und NH4 im Boden

◮ hilfreich fur Bilanzen (und bei Fehlern) ist Logfile daisy.log


Wassergehalte und Saugspannungen

◮ tagliche Werte

◮ 27 Bodentiefen

◮ Visualisierung mit ShowDaisyOutput.exe


Niederschlage und Tensionen

15.4.08 15.4.09 15.4.10 15.4.11 15.4.12

0

20

40

60

mm

]

0 20 40 60 80 100

0

5

10

15

20

Tage nach der Saat[m

m]

0

5000

10000

15000

Niederschläge und Tensionen 2008−12

[hP

a]

0

5000

10000

15000

[hP

a]

Niederschläge und Tensionen 2008

Abb.: Niederschlage [mm] und Saugspannung auf 30 cm Bodentiefe [hPa]


Gliederung

Ziele des Workshops


Einleitung


Datenerhebung

Modellkalibrierung

Modellgute


keine Bewasserung

Wetterdatei




Schritt 2 - fixe Beregnungstermine

(wait mm dd 5 15)

(irrigate overhead 10 [mm/h]

(hours 1))

(wait mm dd 6 1)

(irrigate overhead 10 [mm/h]

(hours 1))

...

warte bis 15. Mai

beregne 10 mm

(Rate: 10 mm/h)

warte bis 1. Juni

beregne 10 mm

(Rate: 10 mm/h)

◮ Bewasserung von 10 mm alle 14 Tage

◮ insgesamt 40 mm


Ertrage

2008 2009 2010 2011 20120

0.5

1

1.5

2

2.5

Ert

rag

TM

[t

ha

−1]

Abb.: Ertrage unbewassert vs. fixe Beregungstermine in TM [t ha−1]

◮ sichtbare Zunahme der Ertrage bei trockenenem Fruhjahr


Gliederung

Ziele des Workshops


Einleitung


Datenerhebung

Modellkalibrierung

Modellgute


keine Bewasserung

Wetterdatei





(defaction Tensionssteuerung activity

(wait (and (after mm dd 4 15)

(before mm dd 08 15)

(not (soil water pressure above

(height -30.0 [cm])

(potential -350 [cm])))))

(irrigate surface 10 [mm/h])

(wait days 1))

(defaction Management2 activity

Management Management Manage-

ment Management Management)

(manager activity

(while Management2

(repeat Tensionssteuerung))

(stop))

Definition Bewasserungsstrategie

moglicher Bewasserungszeitraum

bewassere, wenn die Saugspannung

auf 30 cm Tiefe den Schwellenwert

-350 hPa unterschreitet

bewassere dann 10 mm (10 mm/h)

warte 1 Tag (Verteilung)

Definition des Management2:

5 mal Management (2008-12)

Wiederhole Management2

Wiederhole die Tensionssteuerung

wahrend Management2 lauft

Abbruch 2012


Ertrage

2008 2009 2010 2011 20120

0.5

1

1.5

2

2.5

Ert

rag

TM

[t

ha

−1]

Abb.: Ertrage unbewassert, fixe Beregungstermine und Tensionssteuerung

◮ sichtbare Unterschiede in den Ertragen

◮ Bewasserungsmengen: fix: immer 40 mm,

Sensorsteuerung: 40, 0, 60, 50, 0 mm


Saugspannungen und Ertrage - Visualisierung

28/04 18/05 07/06 27/06

-250

-200

-150

-100

-50

0

2.0

3.0

4.0

3.5

2.5

1.5

pF:

Abb.: Saugspannungen und Wachstum von bewasserter Erbse 2011


Zusammenfassung

Kontrolle fixe Beregnung Sensorgesteuert

Ertrage 2009 2,1 2,1 2,1

Ertrage 2010 1,3 1,3 2,2

Bewasserung 2009 0 40 0

Bewasserung 2010 0 40 60

WP 2009 4,3 4,1 4,3

WP 2010 2,0 2,5 3,8

◮ Vergleich von zwei extremen Jahren

◮ hochste WP [kg m−3] im sensorgesteuerten Szenario

◮ hochste Ertrage [TM t ha−1] im sensorgesteuerten Szenario


Vielen Dank fur Ihre

Aufmerksamkeit!


Workshop Pﬂanzenwachstumsmodellierung - TU Dresden · Ziele des Workshops Theorieteil (9-10 Uhr)...

Documents

Transcript of Workshop Pﬂanzenwachstumsmodellierung - TU Dresden · Ziele des Workshops Theorieteil (9-10 Uhr)...