Optimierung des Pflanzenanbaus durch verbesserte saisonale Vorhersagen
Die saisonale Vorhersage klimabedingter Folgen für die Landwirtschaft steht erst am Anfang. Es mangelt derzeit noch an genauen Vorhersagen zu saisonalen Klimaschwankungen und einer entsprechenden Vorbereitung auf extreme Wetterbedingungen, was verheerende Auswirkungen auf Ernteerträge haben könnte. Im Rahmen des EU-finanzierten Projekts CLIM4CROP wurde erforscht, wie sich saisonale Vorhersagen weltweit am besten nutzen lassen, um unter Anwendung der neuesten Erkenntnisse aus den Klima- und Pflanzenwissenschaften evidenzbasierte Entscheidungen zum Pflanzenanbau zu treffen. Das durch die Marie-Skłodowska-Curie-Maßnahmen (MSCA) unterstützte Forschungsteam zog dazu verschiedene Klimainformationen heran, einschließlich der umfassendsten und aktuellsten Datensätze zu saisonalen Vorhersagen. Langzeitarchive in Verbindung mit echtzeitnahen Daten sind für die Überwachung und Vorhersage von Ernteerträgen unerlässlich. Im Projekt CLIM4CROP wurden die Unsicherheiten in globalen Datensätzen aus Klimabeobachtungen der letzten drei Jahrzehnte charakterisiert. „Wir erstellten außerdem statistische Modelle, um die Beziehung zwischen Klima und Ernteerträgen genauer zu ergründen und die saisonale Vorhersehbarkeit von Ernteerträgen zu erforschen“, so MSCA-Stipendiat Marco Turco vom Barcelona Supercomputing Center.
Neues Überwachungswerkzeug
Das Team bewertete zunächst die Qualität kontinuierlicher und langfristiger Klimadaten, wobei es sich auf den Standardisierten Niederschlagsindex (Standardised Precipitation Index, SPI) bezog. Der SPI dient weltweit als gängiger Indikator zur Charakterisierung von Trockenheit über mehrere Zeiträume. Über kurze Zeiträume steht der SPI in engem Zusammenhang mit der Bodenfeuchtigkeit. Über längere Zeiträume erlaubt der SPI eine Schätzung des Grundwasser- und Speicherbeckenstandes. Der Index lässt sich auch für Vergleiche verschiedener Regionen mit deutlichen Klimaunterschieden verwenden. Die Forschenden erstellten zudem den Datensatz namens DROP (DROught Probabilistic). Damit verfolgten sie einen probabilistischen Ansatz zur Beobachtung von Trockenheit. Dieses Klimaüberwachungswerkzeug nutzt ein Beobachtungsensemble, um daraus die beste Schätzung zum Niederschlag mitsamt der damit verbundenen Unsicherheit zu gewinnen. DROP fußt auf dem Multi-Modell-Ansatz der Wetter- und Klimavorhersage und bietet ergänzende Informationen zur Verbesserung bestehender Klimadatensammlungen. „Mit DROP bewerteten wir als Erstes die Qualität kontinuierlicher und langfristiger Klimadaten zum Zwecke einer zeitnahen meteorologischen Überwachung von Trockenheit“, so Turco. „Mithilfe eines Ensemble-Ansatzes, mit dem wir Methoden der Wetter- und Klimavorhersage nachahmten, entwickelten wir DROP als neuen landflächenbezogenen gerasterten Datensatz auf globaler Ebene, bei dem ein Ensemble beobachtungsbasierter Datensätze herangezogen wird, um die beste echtzeitnahe Schätzung mitsamt der damit verbundenen Unsicherheit zu erhalten.“
Effizienterer Pflanzenanbau
Der Datensatz von DROP wurde in der Fachzeitschrift Bulletin of the American Meteorological Society (BAMS) veröffentlicht. Er stellt Werte dar, die aus einer Reihe von Rasterpunkten zur Überwachung von Trockenheit gewonnen wurden und ist für die wissenschaftliche Gemeinschaft wie auch die Öffentlichkeit wertvoll. „Dank diesem neuen Datensatz wird sich das Verständnis der Interaktion zwischen Klima und Ernteerträgen verbessern. So lassen sich auch neue Erkenntnisse für einen effizienteren Pflanzenanbau gewinnen. Das hilft wiederum den Verantwortlichen in Politik und Privatwirtschaft, denn so können sie weltweit rechtzeitige strategische Entscheidungen zur Anpassung von Prioritäten und zur Linderung der Auswirkungen von Trockenheit treffen, insbesondere in Ländern, in denen die meteorologische Überwachung noch schwierig ist“, bemerkt Turco. Die von DROP bereitgestellten hochwertigen und probabilistischen Informationen werden, so die Hoffnung, für Überwachungsanwendungen und als Referenz zur Kalibrierung und Validierung von Klima-Pflanzenwachstums-Modellen dienlich sein. Sie lassen sich zudem zur Entwicklung eines integrierten Klima-Pflanzenwachstums-Modells verwenden – einer Kombination empirischer Pflanzenwachstumsmodelle und saisonaler Klimavorhersagen –, bei dem auch die Beobachtungsunsicherheit berücksichtigt wird. „Die Quantifizierung der Unsicherheiten bei der Überwachung von Trockenheit für landwirtschaftliche Zwecke ist ein ganz wesentlicher Faktor, damit Daten tatsächlich in verwertbare Informationen umgewandelt werden können. CLIM4CROP kann diese entscheidenden, genauen und zeitnahen Informationen zur Trockenheit liefern, die erforderlich sind, wenn wir zu einem Risikomanagement übergehen wollen, das nicht erst nach der Katastrophe, sondern schon vor Eintreten der Auswirkungen von Trockenheit greift“, so Turco abschließend.
Schlüsselbegriffe
CLIM4CROP, Datensatz, Überwachung, saisonale Vorhersage, DROught Probabilistic, DROP, Standardisierter Niederschlagsindex, Standardised Precipitation Index, SPI, Klimawandel, gerasterter Datensatz