Daten und Wissen als Grundlage für Entscheidungen in der Pflanzenproduktion

Transkript

1 Symposium: Optimierung der Anbausysteme Daten und Wissen als Grundlage für Entscheidungen in der Pflanzenproduktion H. Kage Institut für Pflanzenbau und Pflanzenzüchtung Acker- und Pflanzenbau Christian-Albrechts- Universität zu Kiel

2 Symposium: Optimierung der Anbausysteme Big Data: Eine Revolution für den Ackerbau? 2

3 Neue Datenquellen NDVI-Karte eines N-Düngungsversuchs Hohenschulen aus Drohnenbefliegung, Hohenschulen Mai

4 Neue Datenquellen Bestandestemperaturkarten aus einem Phänotypisierungsprojekt mit 220 Winterweizengenotypen auf Hohenschulen, Juni

5 Neue Datenquellen Daten = Information Entscheidung? 5

6 Daten & Modelle Welche Art von Daten? Sensordaten Welches Modell zur Interpretation? Parzellenversuch N-Aufnahme TM Ertrag Zeit Dynamisches, prozessorientiertes Modell? N-Menge Statisches Regressionsmodell 6

7 Datenquellen: Variation & Interpretation Verläufe von Bestandesflächenindex (GAI) und N-Tester in verschiedenen Düngungsvarianten N-Tester GAI N-Tester 0 kg N/ha N-Tester 110 kg N/ha GAI 230 kg N/ha N-Tester 230 kg N/ha GAI 0 kg N/ha GAI 110 kg N/ha Mittel über LWK- Standorte 2006 EC

8 Daten, Modell, Entscheidung Thesen Daten Information Entscheidung Daten + Modell = Information (+ Modell) Entscheidung Geeignetes Modell Daten Wissen Sensordaten, die einen bestimmten Systemzustand charakterisieren und insbesondere die Kombination verschiedener Datenquellen benötigen zur Interpretation geeignete Modelle 8

9 Daten, Modell, Entscheidung Top agrar 9

10 Daten, Modell, Entscheidung Goethe passt immer 10

11 Daten & Modelle Beispiele zur N-Düngung Empirische Modelle Nmin-Methode Biomasse Methode zu Raps Düngeverordnung (leider kein Modell) Teilflächenspezifische N-Düngung zu Raps Prozessorientierte Modelle N-Düngung zu Winterweizen 11

12 Beispiele zur N-Düngung Empirisches Modell: Nmin-Methode Beziehungen zwischen dem Nmin- Gehalt im Boden und der optimalen N-Düngung im Frühjahr zu Winterweizen (nach WEHRMANN und SCHARPF 1986) 12

13 Daten & Modelle Beispiel: Nmin-Methode Systemparameter Einmalmessung Nmin Ertrag Variation Steuergröße im Parzellenversuch (Standorte & Jahre!) Opt. N- Düngung Empirisches Modell Zeit N-Düngung Nmin 13

14 Beispiele zur N-Düngung Biomassebasierte N-Düngung zu Winterraps Versuchsdesign 4 Versuchsjahre (2005/ /09) Variation der Herbstentwicklung durch 2 Saatzeiten (früh, spät) N-Düngung im Herbst (0, 40/80 kg N/ha) 5 Düngevarianten im Frühjahr (0, 80, 160, 240, 280 kg N/ha) 2 Sorten (Trabant, NK Fair) 7 Standorte (2009: 12) Finanzielle Förderung durch: 14

15 Biomassebasierte N-Düngung Hohenschulen Futterkamp Gülzow Ohrensen Borwede Berge Thyrow Kümbdchen Nomborn Dornburg (bis 2008) Roda (ab 2007) Christgrün (nur 2006) Standorte Groß-Gerau Moosburg 15

16 Biomassebasierte N-Düngung Ermittlung Düngungsoptimum Vorgehensweise Quadratische Funktionen anpassen vier Funktionen je Standort Bestimmung der optimalen N-Düngermenge (Nopt) (1,00 /kg N, 40 /dt Raps) Nopt in Beziehung setzen zu: Nmin im Frühjahr N-Mengen im Bestand im Frühjahr N-Mengen im Bestand im Herbst 16 16

17 Biomassebasierte N-Düngung Optimale N-Düngermengen je Standort 207 kg N/ha 204 kg N/ha Ertrag (dt/ha) Saatzeit 1 0 kg N/ha im Herbst Saatzeit 1 40 kg N/ha im Herbst kg N/ha 207 kg N/ha Saatzeit 2 0 kg N/ha im Herbst Saatzeit 2 40 kg N/ha im Herbst N-Düngung im Frühjahr (kg N/ha) Hohenschulen, Trabant, Raps = 40 /dt, N = 1 /kg 17

18 18 Biomassebasierte N-Düngung Nopt (kg N/ha) Beziehung zwischen Nopt und Nmin (0-60 cm) im Frühjahr (Ernte ) Berge Borwede Christgrün Dornburg FuKa GGerau Guelzow HS Moosburg Ohrensen Roda Thyrow n = 103, r 2 = 0.35 *** b = ns, RMSE = Nmin im Frühjahr (0-60 cm) (kg N/ha)

19 Biomassebasierte N-Düngung Beziehung zwischen Nopt und N-Mengen im Bestand im Herbst (Ernte ) Nopt (kg N/ha) n = 109 r 2 = 0.68 *** b = *** RMSE = 23.3 ortsoptimale Düngung erhöhen reduzieren Berge Christgrün FuKa Guelzow Moosburg Ohrensen Thyrow Borwede Dornburg GGerau HS Nomborn Roda N-Aufnahme im Herbst (kg N/ha) 19

20 Biomassebasierte N-Düngung Einflussfaktoren auf N opt Nmin-Frühjahr Keine signifikante Beziehung Ursache: zu geringe Nmin-Variation N-Aufnahme Herbst Sichere, hochsignifikante Beziehung N-Aufnahme Vegetationsbeginn FJ Signifikante Beziehung In Einzeljahren: Probleme durch N-Verluste über Winter N-Aufnahmemessung vor Winter! 20

21 Biomassebasierte N-Düngung Einfache Schätzung der N-Aufnahme mit Digitalphoto oder Wägung 21

22 Sensorgestützte Düngung An offline algorithm for site-specific nitrogen fertilization of winter oilseed rape based on autumnal canopy nitrogen uptake I. Pahlmann, U. Böttcher & H. Kage Institute of Crop Science & Plant Breeding

23 Sensorgestützte Düngung N-Sensor: Empirischer Teilflächenansatz 23 23

24 Sensorgestützte Düngung SFB 192 Development of an Optical Sensor to Determine the Nutrient Supply of Agricultural Crops Reusch, Stefan Institut für Landwirtschaftliche Verfahrenstechnik Universität Kiel Max-Eyth-Straße 6, D Kiel Reflectance spectra of differently fertilized rye plots (left) and relationship between the nitrogen supply and the red edge inflection point 24

25 Sensorgestützte Düngung Anpassung des schlageinheitlichen Algorithmus an Teilflächen Ansatz Verringerung des mittleren Düngeniveaus Variation dieses verringerte Niveau in Abhängigkeit der Biomasse Angepasster Anrechnungsfaktor (b) aus teilflächigen Steigerungsversuchen 25

26 Sensorgestützte Düngung Prüfung auf Praxisbetrieben Vorgehensweise Etablierung von Feldversuchen Kooperationsbetriebe, Versuchsgut Hohenschulen Streifenanlagen mit Wiederholungen auf größeren, heterogenen Schlägen 2 Versuche Versuche

27 Sensorgestützte Düngung Versuchsanlage - 3 Varianten - Betriebsüblich ( ) - CAU (reduziert-teilflächenspezifisch ) - Reduziert (Gleichmäßig reduziert ) - Gleiche N-Menge wie CAU 27

28 Sensorgestützte Düngung Versuchsdurchführung - Messung N-Sensor Herbst - Schätzung N- Aufnahmekarte - Anwendung offline- Algorithmus - Randomisation - Düngung im Frühjahr - Kerndrusch - Wägung 28

29 Sensorgestützte Düngung Drusch eines Streifenversuchs Photo: Kock

30 Sensorgestützte Düngung Ertrag 55 Variantenmittel [dt/ha] = 0.4 dt/ha Pr(> t )= kg 218 N/ha kg N/ha 188 kg 188 N/ha kg N/ha 188 kg 188 N/ha kg N/ Betrieb CAU Verringert 30

31 Sensorgestützte Düngung N-Bilanz 60 N-Bilanz [kg N/ha] kg N/ha Betrieb CAU Verringert 31

32 Düngebedarfsprognose mit empirischen Modellen Grundlage bestehender fachlicher Praxis Auch neue Datenquellen nutzbar N-Sensor, etc. Bei systematischer Auswertung größerer Datenmengen ausbaufähig Düngeverordnung: Negativbeispiel Anpassung an jahres- und schlagspezifische Bedingungen? 32

33 Jahres- und schlagspezifische Bedingungen Ertragsfunktionen Raps - ökonomisches N-Düngungsoptimum, hohe Preise - Ertrag [t/ha] ,6 t/ha 231 kg N/ha N-Düngung [kg N/ha] Nopt var. Nopt konst. 33

34 Jahres- und schlagspezifische Bedingungen Modellsystem N-PROG Schoop (1998) 34

35 Strahlungsaufnahme C-Assimilation Aufgenommene Strahlung Entwicklungsrate Entwicklungsstadien HumeWheat (Pflanzen-Boden-Modell) Biomasse C-Verteilung C-Translokation Biomasse Organe Seneszenz Bestandesabfall Blattwachstum Blattfläche Transpiration Bodenwasser Wasseraufnahme Wurzelwachstum Wurzelsystem N-Menge N-Menge N-Menge N-Translokation N-Verteilung Mob. N-Pool N-Aufnahme N-Aufnahme Boden-N N-Auswaschung 35

36 Jahres- und schlagspezifische Bedingungen Oberfläche von HumeWheat The Model has in total: 159 State Variables 751 Variables 268 Parameters 36

37 Dynamische Modellierung Prognosegüte Kornertrag von HumeWheat observed yield [t/ha] Unabhängiger Datensatz Einige ertragsbegrenzende Faktoren nicht berücksichtigt Ertragsüberschätzung sim. yield [t/ha] Source: Ratjen & Kage 2015 COMPAC

38 Dynamische Modellierung Prognosegüte Relativertrag von HumeWheat observed yield/av. yield Unabhängiger Datensatz Relative Ertragsprognose zufriedenstellend Y sim Y sim Y obs sim. yield/av. sim. yield Source: Ratjen & Kage 2015 COMPAC

39 Berücksichtigung des Einflusses der Jahreswitterung N crop N crop Quotient (Y 2 / Y 1 ) = Relative Bewertung

40 Berechnung des jahresspezifischen N-Bedarfs Erfahrung Landwirt Wetter & Klima & Boden-Pflanze-Modell Mittlerer Bedarf Bestand Relativprognose Absolutprognose 40

41 Modellgestützte Düngung Verbesserung der Prognosegüte im Zeitverlauf 773 mm Niederschlag 665 mm Niederschlag Die Zunahme der Prognosegüte im Vegetationsjahr hängt von Klima und Boden des Standortes ab! Ratjen & Kage (2015)

42 Hanus & Schoop 42

43 Modellgestützte Düngung PRAKTISCHE ERFAHRUNGEN - MÖGLICHKEITEN

44 Implementierung in Eingabeformular 44

45 Modellgestützte Düngung Hochertragsjahr 2014 wurde rechtzeitig erkannt! +16 % +24 % +32 % +9 % +11 % +19 % Mehrertrag 2014

46 Modellgestützte Düngung % +9 % +10 % +15 % -9 % Mehr-/ -5 % Mindererträge 2015

47 Modellgestützte Düngung Auch Mindererträge aufgrund von Frühjahrstrockenheit werden vom Modell erkannt! Bsp. Poppenburg 2010/11 aktuelle Witterung bis (ex-ante)

48 Modellvalidierung ( 72 Parzellenversuche in 2014 & 2015) Bundesland Land # Standorte Baden - W ü rttemberg 4 Bayern - Brandenburg 1 Hessen 4 Mecklenburg - Vorpommern 1 Niedersachsen 7 NRW 7 Rheinland - Pfalz 3 Sachsen 4 Sachsen - Anhalt 1 Schleswig - Holstein 3 Th ü ringen 3 Source: Reinsdorf 48

49 Modellgestützte Düngung Ergebnisse der Modellvalidierung Vergleich von modellgestützter und beratungsbasierter N-Düngung anhand der Auswertung von N-Steigerungsversuchen. Parameter: Ackerzahl (AZ), Kornertrag, N-Bilanzüberhang ertragskorrigiert (N-Saldo) und N-Kosten freie Leistung AZ Ertrag Ø Ø N-Düngung Ø N-Saldo Ø NkfL n Ø (sd) Ø Nmin (sd) Modell (sd) Beratung (sd) Modell (sd) Beratung (sd) Modell (sd) Beratung (sd) (20.74) (27.19) 170 (21.76) 178 (31.56) 10.8 (28.89) 17.1 (37.34) (292.03) (290.94)

50 Daten & Modelle Beispiel: Nmin-Methode Systemparameter wiederholte Messung Variation Steuergröße in silico N-Aufnahme TM Ertrag N-Düngung 50

51 Sortenparameter Fruchtfolge Historische Witterungsdaten Dyn. Pflanzenwachstumsmodell N-Aufnahme TM Kalibrierung Initialisierung Ertrag Optimierung aktueller Witterungsverlauf Zeit N-Menge 51 Sensorkarten Ertragskarte(n) Applikationskarte Bodenkarte Entwurf der Folie ca. 2003

52 Symposium: Optimierung der Anbausysteme Fazit die letztendlich entscheidenden Aussagen über die Wirklichkeit des pflanzenbaulichen Beziehungsgefüges sind nur durch sorgfältige Planung, Durchführung und Auswertung von Feldversuchen zu ermitteln, wozu auch die Beherrschung biometrischer Kenntnisse und der Einsatz zweckdienlicher Computerprogramme gehört. Professor Dr. Dr. h.c. Gerhard Fischbeck Entwicklungslinien der Forschung für den Pflanzenbau, Rede zur Emeritierung von Prof. Dr. Herbert Hanus

53 Optimierung der N-Düngung zur Sicherung einer erfolgreichen Weizenerzeugung Danke für Ihre Aufmerksamkeit! 53