TP 9: Entwicklung eines modellgestützten Multi-Zielgrößenoptimierungsansatzes für die N-Düngung in Winterweizen

Stand der Wissenschaft sowie Problemstellung

Prozesse des Pflanzenwachstums und der Ertragsbildung sind komplex, und werden von einer Reihe an Umweltfaktoren (Boden, Klima, Wetter), dem agronomischen Management (Fruchtfolge, Produktionssystem etc.) und der Genetik der Kulturpflanze wesentlich beeinflusst. Die bestehenden komplexen Wechselwirkungen und biologischen Prozesse führen dazu, dass die Entscheidungsfindung des Landwirtes während der gesamten Vegetationsperiode in der Regel auf der Grundlage der verfügbaren Informationen und des praktischen Wissens erfolgt (Weckesser et al. 2021 und 2022) Hierbei werden jedoch nicht immer alle maßgebenden Faktoren berücksichtigt und die Entscheidungsfindung ist mit entsprechenden Unsicherheiten verknüpft. Der herkömmliche N-Düngungsprozess ist durch hohe Unschärfe und dynamische, nichtlineare Wechselwirkungen zwischen verschiedenen Einflussparametern gekennzeichnet. In der Regel werden konventionelle deskriptive Statistik, analytische Methoden und Mehrfachregression bei der Modellierung komplexer Zusammenhänge zwischen den Einflussfaktoren eingesetzt. Es bedarf an Entscheidungsansätzen, die eine beliebige Anzahl von Management- und Umweltvariablen verarbeiten, sich an unerwartete Interaktionseffekte anpassen und eine Multi-Zielgrößenoptimimierung ermöglichen. 

Beschreibung Arbeitsprogramm und erwartete Ergebnisse

Ausgehend von den Untersuchungsergebnissen der ersten Projektphase werden auf landwirtschaftlichen Betrieben on-farm Daten für die Modellierung unter Einbeziehung weiterer Datenquellen sowie mittels entwickelter Softwarelösungen aus verfügbaren historischen Daten der Flächen abgeleitet. Die Modellsimulationen werden unter Berücksichtigung von Dynamiken über Raum und Zeit z.B. als Fruchtfolge oder als Long-Term-sequences erstellt und der Einfluss auf die Entscheidungsfindung geprüft. Die in den Modellen bislang vorhangenden statistischen Methoden zur Ableitung entsprechender Düngeempfehlungen sollen z.B. durch Ansätze wie neuronale Netze etc.) weiterentwickelt werden, so dass eine Multi-Zielgrößenoptimimierung für die N-Düngung erfolgen kann. Hierbei werden verschiedene Ansätze zur Anzahl und Komplexität der in der Entscheidungsfindung verwendeten Variablen getestet.