abschlussbericht - pflanzenbau.uni-kiel.de · einfaches modellmodul zur berechnung von...

1-1

ABSCHLUSSBERICHT

Zum DBU Projekt

Neue internetgestützte Wege zur Optimierung der Stickstoffdüngung

Teilprojekt des Instituts für Pflanzenbau und Pflanzenzüchtung

Christian-Albrechts-Universität zu Kiel

- Bestandesmonitoring und Modellierung von Bestandesparametern -

Förderbereich: Umweltgerechte Landnutzung

Förderthema: Landwirtschaftliche Produktionsverfahren

Projektlaufzeit: 1.4.2005 – 30.9.2008

Projektleiter: Prof. Dr. Henning Kage

Projektbearbeiterin: Dipl.-Ing. agr. Franziska Meyer-Schatz

Abschlussbericht: „Bestandesmonitoring und Bestandesmodellierung“

1-2

INHALTSVERZEICHNIS

Zusammenfassung 1-3

1. Einleitung 1-4

2. Material und Methoden 2-7

2.1. Versuchsstandorte 2-7

2.1.1. Hohenschulen 2-7

2.1.2. Standorte der Landwirtschaftskammer Niedersachsen 2-7

2.2. Nichtdestruktive Messungen 2-8

2.3. Destruktive Messungen (Pflanzenprobenahme) 2-9

2.4. Schätzverfahren für die N-Menge in Beständen 2-9

2.4.1. Nichtdestruktive Schätzung der N-Menge mit LAI-2000 und SPAD 2-9

2.4.2. Nichtdestruktive Schätzung der N-Menge mit dem Handspektrometer 2-12

3. Ergebnisse 3-13

3.1. N-Mengenschätzung mit LAI 2000 und SPAD-Werten 3-13

3.2. Handspektrometer 3-24

3.3. Ermittlung eines relativen N-Status 3-26

3.4. EC-stadienspezifische GAI-Referenzwerte 3-29

3.5. Bestandesmodellierung 3-33

4. Fazit 4-39


1-3

Zusammenfassung

Das beantragte Projekt verfolgte das Ziel, durch Bestandesmonitoring und

Simulationsmodellierung vegetationsbegleitend Informationen über die Dynamik von

Bestandesparametern in Winterweizen und Winterraps zu gewinnen und diese

Nutzern der Internetplattform ISIP zum Zweck der Stickstoffdüngungsberatung zur

Verfügung zu stellen. Das Projekt gliederte sich in zwei Teilbereiche, das

Bestandesmonitoring und die Bestandesmodellierung. Der Schwerpunkt wurde

zunächst auf die Entwicklung von Verfahren für das Monitoring der

Stickstoffaufnahme von Winterweizenbeständen und anschließend auf die

Modellierung gelegt. Mit Hilfe von nichtdestruktiven Messverfahren können Aussagen

über Bestandesparameter wie der Bestandesflächenindex (GAI) und der

Chlorophyllgehalt der Blätter getroffen werden. Neu entwickelt wurden

Schätzfunktionen, mit denen die aufgenommene N-Menge im Bestand zeitnah

geschätzt werden kann. Es konnte gezeigt werden, dass durch diese, bisher so nicht

vorhandene Methode durch Vergleiche der N-Aufnahme zwischen verschiedenen

Düngevarianten und Standorten wichtige Informationen zum N-Versorgungszustand

und damit zum Düngebedarf gewonnen werden können.

Die im Projekt ausgewählten einfachen, nichtdestruktiven Messmethoden und

Schätzansätze zeigen eine gute Eignung zur N-Mengenschätzung. Es wurden RMSE

(root mean squared error) von 17 kg N/ha im Kalibrierungsdatensatz und von 20 kg

N/ha in unabhängigen Daten mit EF (modelling efficiency) von 0,81 bzw. 0,85

erreicht. Aus diesem Grunde konnten Daten aus dem Projektbereich

Bestandesmonitoring während der Vegetationsperiode in die Modellierung als

Kontrollgröße einfließen. Die Ergebnisse des Monitoring und der Modellierung wurden

als praxisrelevante Informationen ISIP-Nutzern zur Verfügung gestellt.


1-4

1. Einleitung

Der vorliegende Endbericht gibt einen Abriss über die Arbeiten des Teilprojektes

„Bestandesmonitoring und Modellierung von Bestandesparametern“ des

Verbundprojektes „Neue internetgestützte Wege zur Optimierung der

Stickstoffdüngung“ wieder. Projektbeginn war im April 2005, d.h. im folgenden

Bericht werden Ergebnisse aus den Vegetationsperioden 2005 bis 2008 dargestellt.

Das beantragte Projekt verfolgt das Ziel, durch Bestandesmonitoring und

Simulationsmodellierung vegetationsbegleitend Informationen über die Dynamik von

Bestandesparametern in Winterweizen zu gewinnen und diese Nutzern der

Internetplattform ISIP zum Zweck der Stickstoffdüngungsberatung zur Verfügung zu

stellen. Das Projekt gliedert sich in zwei Teilbereiche, das Bestandesmonitoring und

die Bestandesmodellierung.

In diesem Endbericht wird auf Arbeiten aus beiden Projektbereichen eingegangen. In

dem Projektbereich Bestandesmonitoring wurden innovative, nichtdestruktive

Methoden der Charakterisierung von Weizenbeständen weiterentwickelt und auf ihre

Eignung zum Bestandesmonitoring für Beratungszwecke hin überprüft. Im zweiten

Projektbereich Modellierung wurden die gesammelten Informationen und Daten zur

Parametrisierung und Weiterentwicklung eines Pflanzenwachstumsmodells genutzt.

Auch dessen Eignung für Beratungszwecke wurde geprüft.

Grundsätzlich kann man die vorhandenen Methoden der N-Düngebemessung in die 3

Gruppen bodenbezogene, konzentrationsbezogene und mengenbezogene Methoden

aufteilen (Tab. 1).


1-5

Tab. 1: Methoden der N-Düngungsbemessung

Gruppe Bestimmungsgröße Messmethode

mineralischer N im Boden Nmin

Bodenbezogene mineralischer + potentiell mineralisierbarer N im Boden

EUF

Nitratkonzentration im Pflanzenstängel

Nitra-Check Konzentrations- bezogene

Chlorophyllgehalt im Blatt N-Tester bzw. SPAD-Meter

Anzahl Triebe Triebdichte- bestimmung

"grüne Biomasse" N-Sensor, Handspektro- meter

Mengenbezogene

Bestandesflächenindex LAI 2000

Im Rahmen des Projektes wurde im Weizen mit zwei unterschiedlichen

Messvarianten gearbeitet. Der erste Ansatz beruht auf den etablierten Methoden zur

Messung des Bestandesflächenindex (LAI 2000) und des Blattchlorophyllgehalts (N-

Tester bzw. SPAD) von Pflanzenbeständen und stellt somit eine Kombination aus

mengen- und konzentrationsbezogenen Messmethoden dar. Der zweite Ansatz

beruht auf mengenbezogenen Messungen der spektralen Reflektionssignatur, mittels

des Handspektrometers, zur indirekten Ableitung von Bestandesparametern. Er bietet

ein größeres Potential an prinzipiell ableitbaren Bestandesparametern ist jedoch noch

weniger etabliert und störungsanfälliger.

Die zeitnahe Bestimmung der N-Aufnahme von Beständen kann auf unterschiedliche

Weise Informationen für die Bemessung der Stickstoffdüngung liefern. Zum einen ist

durch den Vergleich von empirisch bestimmten N-Mengen mit stadienspezifischen

Referenzwerten der optimalen N-Menge im Bestand die Abschätzung des N-

Versorgungszustandes von Beständen möglich. Stadienspezifische Referenzwerte der

N-Aufnahme könnten hierbei durch entsprechende Untersuchungen empirisch

bestimmt oder mithilfe von Pflanzenwachstumsmodellen ermittelt werden. Letztere


1-6

müssten wiederum anhand empirischer Untersuchungen zum Verlauf der optimalen

N-Aufnahme kalibriert werden.

Alternativ hierzu kann auch der Vergleich mit Kontrollvarianten, insbesondere N-

Mangelvarianten Hinweise auf die Wirkung vorangegangener Stickstoffdüngungen

und die N-Nachlieferung am Standort liefern. Hieraus können dann Anhaltspunkte

auf eine optimierte Stickstoffdüngung abgeleitet werden.

Bei den Ansätzen dieses Projektes wird Bezug genommen auf die in England

entwickelte Düngungsstrategie des „Canopy Management“ (Stokes et al, 1998). Die

zentrale Größe ist hier der GAI (green area index). Dieser korreliert eng mit der N-

Aufnahme der Bestände. Im Rahmen dieses Konzeptes soll durch

Düngungsmanagement der Wert des GAI und damit der N-Aufnahme auf einen für

den Bestand optimalen Wert eingestellt werden. Durch konventionelle N-

Düngungsstrategien werden meist höhere GAI erzeugt, als notwendig wären, um

Höchsterträge zu erreichen. Durch eine Optimierung der GAI-Entwicklung ist

demnach auch die Stickstoffeffizienz zu verbessern. Um nun das

Stickstoffdüngungsmanagement im Winterweizen zu optimieren, sind Kenntnisse

über den Verlauf der N-Aufnahme und Trockenmassebildung während der Vegetation

in Abhängigkeit von der Witterung essentiell. Zur Ermittlung des Stickstoffbedarfs

von Pflanzenbeständen können auch modellgestützte Analysen potentiell als

Hilfsmittel dienen. Da validierte Modelle zur tatsächlichen Anwendung unter

norddeutschen Bedingungen noch weitestgehend fehlen, wurde zu diesem Zweck ein

einfaches Modellmodul zur Berechnung von Pflanzenwachstum und N-Aufnahme von

Winterweizen entwickelt und im Projektbereich Bestandesmodellierung erweitert.

Unter zeitnaher Nutzung der Daten des Bestandesmonitoring wurden verschiedene

Bestandesparameter wie Entwicklungsstadien, Bestockungsgrad, Bestandes-

flächenindex, N-Menge im Spross berechnet. Seit dem Frühjahr 2006 hatten ISIP-

Nutzer auf diese Ergebnisse Zugriff.


2-7

2. Material und Methoden

2.1 Versuchsstandorte

Experimentelle Grundlage für die Arbeiten zum Bestandesmonitoring waren an 6

verschiedenen Standorten angelegte Parzellenversuche mit Weizen. Während am

Versuchsstandort Hohenschulen nichtdestruktive und destruktive Messungen zur

Eichung durchgeführt wurden, dienten 5 Standorte in Niedersachsen ausschließlich

der Erprobung des Bestandesmonitorings.

2.1.1 Hohenschulen

Das Versuchsgut Hohenschulen der CAU Kiel befindet sich ca. 15 km westlich von

Kiel im östlichen Hügelland. Der Standort weist Ackerzahlen von 45-60 auf. Die

Bodentypen sind lessivierte Braunerden und Parabraunerden aus weichselzeitlichem

Würgegeschiebelehm. Die Bodenarten sind hauptsächlich lehmiger Sand bis sandiger

Lehm (Sl –Ls).

Im Herbst 2004 bis 2007 wurde hier jeweils ein Parzellenversuch mit den 4

Winterweizensorten Tommi (ab 2005), Hybred (2004), Dekan, Cubus und Ritmo und

4 N-Stufen (0, 80, 160, 240 kg N/ha) in 4-facher Wiederholung für das Projekt

angelegt. Vorfrucht war Winterraps. Dort fanden in 2005 zweiwöchentliche und in

2006 EC-stadienspezifisch nichtdestruktive Messungen statt, auf die im Folgenden

noch genauer eingegangen wird. Direkt im Anschluss wurden zur Eichung der

nichtdestruktiven Messungen Pflanzenproben genommen. Die Messungen und

Probenahmen fanden im Zeitraum von EC 29/30 bis zur Ernte statt (in den Jahren

2005-2008).

2.1.2 Standorte der Landwirtschaftskammer Niedersachsen

Die Landwirtschaftskammer Niedersachsen initiierte an den 5 Referenzstandorten

Holtorfsloh, Borwede, Hoeckelheim, Poppenburg und Königslutter

(Standorteigenschaften: Tabelle 2) in den Jahren 2004 bis 2007


2-8

Weizenparzellenversuche mit den in Tabelle 3 aufgeführten Düngungsvarianten. Die

Vorfrüchte waren Raps bzw. Zuckerrüben.

Tab. 2: Standorteigenschaften der Referenzflächen im Kammergebiet Niedersachsen

Tab. 3: Stickstoffdüngungsvarianten der Versuche auf den Referenzflächen der LWK Niedersachsen

() abzüglich Nmin

Auf den Versuchsflächen der LWK Niedersachsen wurden ausschließlich

nichtdestruktive Messungen durchgeführt. In 2005 wurde zweiwöchentlich ab EC

29/30 mit dem LAI-2000 und N-Tester gemessen. In 2006-2008 wurden die

Messungen wöchentlich durchgeführt.

2.2 Nichtdestruktive Messungen

Zum Einsatz kamen schwerpunktmäßig das LAI-2000 zur Bestimmung des

Bestandesflächenindex (GAI) und das SPAD-Meter zur Bestimmung des

Chlorophyllgehaltes von Blättern. Bei der dritten Messmethode, dem

Ort Bodentyp Bodenart Ackerzahl

Holtorfsloh Braunerde/Pseudogley lS 38

Borwede Braunerde lS 58

Poppenburg Parabraunerde uL 85

Königslutter Parabraunerde uL 80

Höckelheim Parabraunerde uL 75

Variante Mitte Feb.

Veg.Beg. EC 30/31

EC 49/51

Gesamt

ohne N 0 0 0 0

Sollwert 50 (100) 80 230

Sollwert frühjahrsbetont

70 (80) 80 230

Sollwert schossbetont

30 (120) 80 230

Sollwert minus 50% 30 (50) 30 110

Sollwert Gülle 50 (100) 80 230


2-9

Handspektrometer (HandySpecField), wird die Reflektion im Bestand in

verschiedenen Wellenlängenbereichen gemessen. Hieraus können Reflektionsindizes

errechnet werden, die mit Bestandesparametern wie dem GAI korreliert wurden.

2.3 Destruktive Messungen (Pflanzenprobenahme)

Es wurden zunächst Anzahl Pflanze, Anzahl Triebe und EC-Stadium bestimmt.

Anschließend fand eine Fraktionierung in Blatt, Stängel und Ähre statt. Von den

Fraktionen wurde die Trockenmasse, die Fläche mit dem LiCor 3100 und mittels NIRS

der N-Gehalt bestimmt.

2.4 Schätzverfahren für die N-Menge in Beständen

Aus den erhobenen Messdaten wurden N-Mengen im Bestand anhand zweier,

unterschiedlicher Methoden geschätzt. Die erste Methode beruht auf den

nichtdestruktiven Messungen des GAI mit dem LAI-2000 und der

Chlorophyllkonzentration in den jüngsten, voll entwickelten Blättern mit dem Minolta-

SPAD Messgerät. Letzteres ist in seiner Funktionsweise weitgehend identisch mit dem

in der Praxis zur Abschätzung der N-Versorgung in Pflanzenbeständen eingesetzten

N-Tester der Firma YARA®.

Als zweite Methode diente die Messung der spektralen Reflektion mit dem

Handspektrometer (HandySpecField® der Fa. Tec5®).

2.4.1 Nichtdestruktive Schätzung der N-Menge mit LAI-2000 und SPAD

Als Ansatz 1 (A1) wurde eine direkte Korrelation zwischen dem mit dem LAI-2000

gemessenen GAI (GAIe) und der tatsächlich aufgenommenen N-Menge (NShoot)

getestet.

GAIeaNShoot ×= (1)

Dabei wird davon ausgegangen, dass NShoot nur im Zusammenhang mit GAI auftritt.


2-10

Ansatz 2 (A2): Für den zweiten Ansatz wurde aufgenommene N-Menge mit den

Werten der SPAD-Meter und LAI 2000 (GAIe) Messungen korreliert. Folgende

Modelle wurden getestet:

SPADfGAIecbNShoot ×+×+= (2)

SPADGAIedGAIecbNShoot ××+×+= (3)

SPADfSPADGAIedbNShoot ×+××+= (4)

SPADfSPADGAIedGAIecbNShoot ×+*×+×+= (5)

Als drittes wurde ein allometrischer Ansatz (A3) verwendet, bei dem die N-Menge

durch empirisch ermittelte Regressionen zwischen dem LAI (Blattflächenindex), der

Trockenmasse (DMShoot) und der N-Konzentration (NcShoot) geschätzt wird. Dabei

wurden die LAI-2000 und die SPAD-Werte in die Berechnungen einbezogen. Die

Schätzung der N-Menge im Ansatz 3 hat folgenden theoretischen Hintergrund. Die N-

Menge im Spross (NShoot) ist das Produkt aus oberirdischer Trockenmasse (DMShoot)

und der N-Konzentration im Spross (NcShoot).

NShoot = DMShoot * NcShoot (6)

DMShoot kann in Blatttrockenmasse (DMLeaf) und Sprosstrockenmasse (DMStem)

fraktioniert werden.

StemLeafShoot DMDMDM += (7)

Dann ist NShoot ein Funktion von:

NShoot = DMLeaf * NcLeaf + DMStem * NcStem (8)

Die Bedingung um DMStem aus DMLeaf zu berechnen ist, dass ein allometrisches

Verhältnis vorliegt. Wenn das Verhältnis zwischen der relativen Wachstumsrate von

DMLeaf und DMStem konstant ist, können die logarithmierten DMLeaf und DMStem in einer

linearen Regression dargestellt werden.

dt

dDM

dt

dDM

dt

dDM stemLeafShoot += (9)


2-11

Leafstem DMghDM ln*+=ln (10)

g

Leafh

Stem DMeDM *= (11)

Zunächst wurde DMLeaf dem LAIe und der Spezifischen Blattfläche (SLA) berechnet

(Eq.13). Der LAIe wurde aus dem gemessenen GAI gebildet (Eq.12).

GAIeiLAIe ×= (12)

SLA

LAIeDMLeaf =

(13)

Die SLA konnte anhand der Datenlage nicht präziser diagnostiziert werden, deshalb

wurden zwei mögliche SLA-Berechnungen getestet. Dazu wurde die SLA aus dem

LAIe berechnet (SLA_1 (Eq.14.1)) und als Konstante (in Abhängigkeit vom N-

Düngungsniveau) angesehen (SLA_2 (Eq.14.2)).

LAIeljSLA ×+=1_ (14.1)

.=2_ constSLA (14.2)

Die N Konzentration wurde ebenfalls in Blatt-N-Konzentration (NcLeaf) und Stängel-N-

Konzentration (NcStem) unterteilt.

SPADpDMnmNc LeafLeaf ×+×+= (15)

SPADsDMrq

NcStem

Stem ×+*+

1=

(16)

1

Stem

Stem

Ncq r * DM

=

+

(17)

Alle Gleichungsparameter wurden auf Grundlage der nichtdestruktiv und destruktiv

erhobenen Daten der Feldexperimente (2005 und 2006) und mittels linearer und

nicht linearer Regression mit der REG Prozedur und der NLIN Prozedur von SAS

Statistisches Analyse System (SAS 8.2, SAS Institute Inc.) berechnet.


2-12

2.4.2 Nichtdestruktive Schätzung der N-Menge mit dem

Handspektrometer

Da die Messung von Pflanzenparametern zukünftig möglichst einfach und sehr

zeitnah erfolgen soll, wurden auch das Handspektrometer und die aus den

Messungen abgeleiteten Vegetationsindizes auf ihre Eignung geprüft.

Für Winterweizen ist es ein übliches Verfahren, den Versorgungszustand und

Düngebedarf des Bestandes aus der Reflexion abzuleiten (Yara N-Sensor). Neben

den aus der Fernerkundung bekannten Indizes wie NDVI (Normalized Difference

Vegetation Index), Infrarot/Rot-Index und Infrarot/Grün-Index, die aus Breitband-

Reflexionsmessungen, wie sie bei Satelliten-Aufnahmen vorliegen, abgeleitet sind,

stehen bei Messungen mit hochauflösenden Spektrometern wie dem tec5 HandySpec

Field oder dem Yara FieldScan weitere Spektralbänder zur Verfügung, die zur Bildung

von Vegetationsindizes verwendet werden können. Ein solcher Index ist der Red

Edge Inflection Point (REIP), es lassen sich aber beliebige weitere Kombinationen aus

den zur Verfügung stehenden Wellenlängen bilden.

Eine systematische Auswertung kann Aufschlüsse darüber geben, ob es geeignetere

als die üblicherweise verwendeten Indizes gibt.

Das Handspektrometer (HandySpecField von Tec5) misst die spektrale Reflektion des

Bestandes im Wellenlängenbereich von 400-1000 nm. Aus den Reflektionsgraden in

den verschiedenen Wellenlängen können unterschiedliche Quotienten, so genannte

Vegetationsindizes, gebildet werden wie z.B. Infrarot/Grün. Durch das

Absorptionsminimum von Chlorophyll im Bereich des grünen Lichtes im Vergleich zu

Absorptionsmaxima im blauen und roten Bereich können Aussagen über den

Chlorophyllgehalt der Pflanzen und damit auch über die Stickstoffversorgung

gemacht werden. In dem oben beschriebenen Versuch und verschiedenen

Parzellenversuchen mit Winterweizen wurde seit dem Frühjahr 2005 regelmäßig

während der Vegetationsperiode die Bestandesreflexion gemessen. Parallel dazu

fanden Messungen des Bestandesflächenindex (BFI) mit dem Licor LAI-2000 und

teilweise auch destruktive Messungen von BFI, Trockenmasse und N-Mengen in den

Pflanzen statt. Mit einer eigens dafür entwickelten Software wurden aus den


3-13

Reflexionsmessungen Indizes in einer Simple-Ratio-Form (SR = λ1 / λ2) und in einer

Normalized-Difference-Form (NDI = (λ1 - λ2) / (λ1 + λ2)) gebildet und mit den

gemessenen Pflanzenparametern in Beziehung gesetzt. Die Bestimmtheitsmaße der

linearen Regressionen wurden in einer Matrix ausgegeben, aus der sich ablesen lässt,

welche Wellenlängenkombinationen für eine Schätzung der jeweiligen

Bestandesparameter geeignet erscheint.

3. Ergebnisse

3.1 N-Mengenschätzung mit LAI 2000 und SPAD-Werten

Die einfache Beziehung zwischen der N-Aufnahme und GAIe (geschätzt mit dem LAI

2000), die der Ansatz 1 beschreibt, stellt sich linear dar und zeigt ein hoch

signifikantes r² von 0.76 (Abb.1). Diese einfache Beziehung wurde benutzt, da davon

ausgegangen wird, dass ohne GAIe (GAI=0) auch keine N-Aufnahme stattfinden

kann.

Fehler! Es ist nicht möglich, durch die Bearbeitung von Feldfunktionen

Objekte zu erstellen.

Abb. 1: Korrelation zwischen LAI 2000 Messung (GAIe) und der Aufgenommenen N-Menge (NShoot) für die hohe N-Stufe (N4) und alle Düngungsstufen (N1-4).

Mit Hilfe der LAI 2000 Messungen ist eine Schätzung der N-Menge nur bis EC 37/39

möglich, da ab diesem Zeitpunkt die Trockenmasse überproportional gegenüber der

Blattfläche zunimmt. Der Parameter a wurde der Eq. (1) wurde separat für jede N-

Stufe, für alle N-Stufen (all), für jedes Jahr und für jede Sorte geschätzt (Tab. 4).

Signifikante Unterschiede traten zwischen den Jahren und den N-Stufen auf. Bei der

Schätzung über alle N-Stufen (all) wurde ein Wert von 3,86 ermittelt, d.h. das pro

GAI-Einheit 39 kg N/ha aufgenommen werden (Abb. 1, Tab. 4).


3-14

Tabelle 4: Parameter für die N-Aufnahmeschätzung mit A1 Eq. (1) GAIeaNShoot ×= (A1).

Daten Parameter a RMSE [g/m²]

Alle {448} 3.862 (0.041) 2.01

Jahr (Dekan, Cubus und Ritmo)

2005 {144} 3.978 (0.070)a 1.67

2006 {192} 3.684 (0.060)b 2.21

N-Stufe (Cubus, Ritmo, Tommi, Dekan und Hybred)

N1 {112} 2.830 (0.070)a 1.13

N2 {112} 3.710 (0.071)b 1.74

N3 {115} 3.952 (0.073)c 2.03

N4 {109} 4.216 (0.072)d 2.08

Sorte (2005, 2006)

Cubus {112} 3.651 (0.085)a 2.22

Ritmo {112} 3.847 (0.078)a 1.87

Dekan {112} 3.832 (0.076)a 1.94

Werte in {} Klammern Anzahl Stichproben, Werte in () Klammern Standardabweichung der Parameterschätzung, Werte mit gleichen

Buchstaben beim gleichen Faktor sind nicht signifikant verschieden

(p=0.05)

Im Ansatz 2 wurde davon ausgegangen, dass unter Berücksichtigung der N-

Konzentration (Chlorophyllmessung mittels SPAD-Meter) und der oberirdischen

Trockenmasse (LAI-2000) die Schätzgenauigkeit der N-Aufnahme zu verbessern ist.

Um die beste Schätzfunktion zu ermitteln, wurden verschiedene Kombinationen von

SPAD und GAIe getestet (Eq. (2)-(5)). Eq. (5) erreichte das höchste

Bestimmtheitsmaß (r²) und den niedrigsten RMSE (root mean squared error) (Tab.

5). Die Parameter für GAIe, SPAD und GAIe x SPAD sind signifikant zwischen den

Jahren verschieden, wohingegen kaum signifikanten Unterschiede zwischen den N-

Stufen und den Sorten festgestellt werden konnten (Tab. 6).


3-15

Tabelle 5: Geschätzte Parameter für Eqs. (2)-(5) für die N-Aufnahmeschätzung mit A2 (LAI 2000 und SPAD-Meter Messungen) (2003, 2005, 2006; n=328)

Gleichung Parameter b Parameter c Parameter d RMSE [g/m²]

r²

Eq. (2) 3.254 (0.146)***

0.038 (0.008)***

- 2.26 0.71

Eq. (3) -1.276 (0.44)***

- 0.105 (0.009)***

1.96 0.78

Eq. (4) - 0.034 (0.006)***

0.067 (0.002)***

1.90 0.79

Eq. (5) -2.38

(0.434)***

0.046

(0.006)***

0.11

(0.008)*** 1.81 0.82

Werte in () Klammern Standardabweichung der Parameterschätzung


3-16

Tabelle 6: Geschätzte Parameter für Eq. (5) für die N-Aufnahmeschätzung mit A2 (LAI 2000 und SPAD-Meter Messungen) nach Faktoren aufgeteilt

SPADGAIedSPADcGAIebNShoot ××+×+×=

Used Data GAIe

Parameter b

SPAD

Parameter c (x10-2)

GAIe x SPAD

Parameter d (x10-2)

RMSE

[g/m²] r²

All {328} -2.375 (0.434)

46.049 (6.187)

110.179 (8.180)

1.81 0.82


2005 {48} 0.456 (1.131)a

-0.959 (1.082)a

7.768 (2.275)a

1.42 0.90

2006 {256} -2.181 (0.463)b

6.057 (0.67)b

9.90 (0.88)b

1.70 0.80


N1 {76} -0.156 (0.68)a 3.776 (0.855)a

5.22 (1.68)a

1.08 0.64

N2 {81} -1.922 (1.125)a

4.998 (1.315)a

9.894 (2.338)b

1.71 0.66

N3 {87} -0.089 (1.115)a

6.588 (1.363)a

5.906 (2.211)b

1.96 0.65

N4 {84} -1.520 (1.451)a

6.132 (1.356)a

9.067 (2.676)b

2.12 0.75

Sorte (2005, 2006)

Cubus {76} -1.705 (0.873)a

5.431 (1.334)a

8.915 (1.651)a

1.89 0.80

Ritmo {76} -1.894 (0.824)a

3.993 (1.086)a

10.322 (1.620)a

1.44 0.86

Dekan {76} -2.655 (1.015)a

4.919 (1.156)a

10.921 (1.864)a

1.73 0.82

Werte in {} Klammern Anzahl Stichproben, Werte in () Klammern Standardabweichung der Parameterschätzung, Werte mit gleichen Buchstaben beim gleichen Faktor sind nicht signifikant verschieden p=0.05.

Ansatz 3 wurde vor dem Hintergrund der Pflanzenwachstumsmodellierung entwickelt.

Der Blattflächenindex (LAI) wurde aus dem Bestandesflächenindex (GAIe) geschätzt.

Der Parameter i erreichte einen Wert von 0,957 (r2=0,83***). Die Blatttrockenmasse

(DMLeaf) wurde berechnet, indem der LAI durch die SLA dividiert wurde (Eq. (13)).

Die SLA-Schätzungen anhand des LAI (Eq. (14.1)) ergaben recht schlechte

Korrelationen mit niedrigen r² (0.09 - 0.26), in Abhängigkeit von den genutzten

Daten (Tab. 7). Eine genauere Analyse ergab keine Vorteile der SLA-Schätzung aus

dem LAI im Vergleich zu konstanten SLA-Werten (Tab. 8).


3-17

Tabelle 7: Geschätzte Parameter für Eq. (14.1) um die SLA über den LAIe zu berechnen

LAIeljSLA ×+=1_ (2005, 2006)

Daten Parameter j (x10-3)

Parameter l (x10-3)

RMSE

[cm²g-1x103]

r²

Alle {448} 15.28 0.898 1.87 0.18


2005 {192} 14.58 0.956 1.74 0.2

2006 {256} 16.69 0.50 1.81 0.06


N1 {112} 14.93 (0.448) 0.939 (0.294) 1.90 0.09

N2 {112} 15.20 (0.481) 0.973 (0.207) 1.84 0.17

N3 {115} 15.69 (0.517) 0.719 (0.200) 1.94 0.10

N4 {109} 16.09 (0.463) 0.673 (0.168) 1.80 0.13

Sorte (2005, 2006)

Cubus {112} 14.63 (0.396) 0.988 (0.159) 1.81 0.26

Ritmo {112} 15.30 (0.438) 1.21 (0.192) 1.95 0.26

Dekan {112} 15.55 (0.435) 0.640 (0.180) 1.81 0.10

Werte in {} Klammern Anzahl Stichproben



3-18

Tabelle 8: Absolute Werte für SLA_2

Werte in {} Klammern Anzahl Stichproben, Werte in () Klammern Standardabweichung der Parameterschätzung

Basierend auf DMLeaf, wurde die DMStem berechnet (Eq.11). Bei Berücksichtigung aller

Daten (N1-4) liegen die Parameter bei 1.3 (g) und -1.13 (h) mit einem r2 of 0.81.

Weder die Faktoren Jahr, N-Stufe noch die Sorte hatten signifikante Einflüsse auf die

Parameter g und h (Tab. 9).

Daten SLA_2 [cm2 g-1]

Alle {448} 177 (20.64)


2005 {192} 161 (18.92)b

2006 {256} 180 (19.27)a


N1 {112} 166 (18.75)a

N2 {112} 179 (21.55)b

N3 {115} 178 (21.11)b

N4 {109} 181 (20.53)b

Sorte (2005, 2006)

Cubus {112} 167 (20.98)a

Ritmo {112}

176 (22.59)b

Dekan {112} 169 (19.01)a


3-19

Tabelle 9: Geschätzte Allometrieparameter für Eq. (11) um DMStem aus DMLeaf , die aus DMShoot geschätzt wurde zu berechnen; aufgeteilt nach Jahr, N-Stufe und Sorte (2005, 2006)

g

Leafh

Stem DMeDM *=

Daten Parameter g Parameter h r²

Alle {448} 1.3 (0.03) -1.13 (0.17) 0.81


2005 {192} 1.35 (0.05)a -1.43 (0.25)a 0.85

2006 {256} 1.26 (0.05)a -0.88 (0.24)b 0.78


N1 {112} 1.76 (0.08)a -2.85 (0.35)a 0.87

N2 {112} 1.50 (0.06)b -2.08 (0.30)b 0.89

N3 {115} 1.61 (0.06)ab -2.76 (0.32)a 0.90

N4 {109} 1.46 (0.05)b -2.13 (0.25)ab 0.93

Sorte (2005, 2006)

Cubus {112} 1.24 (0.07)a -0.80 (0.36)a 0.79

Ritmo {112} 1.34 (0.06)a -1.38 (0.32)a 0.85

Dekan {112} 1.29 (0.07)a -1.07 (0.35)a 0.80



Werte mit gleichen Buchstaben beim gleichen Faktor sind nicht signifikant

verschieden p=0.05.

Die entsprechenden Blatt-N-Konzentrationen (NcLeaf) wurden aus DMLeaf und der

Chlorophyllkonzentration, die mit dem SPAD-Meter gemessen wurde berechnet (Eq.

(15)). Die erreichten r2 variierten zwischen 0.55 (N4) und 0.69 (Ritmo) (Tab. 10).

Des Weiteren konnten signifikante Unterschiede (p<0.05) zwischen den Jahren und

den N-Stufen, nicht aber zwischen den Sorten, festgestellt werden.


3-20

Tabelle 10: Geschätzte Parameter für Eq. (15) zur Berchnung von der Blatt-N-Konzentration in Abhängigkeit von der Trockenmasse und der SPAD-Werte.

SPADpDMnmNc LeafLeaf ×+×+=

Daten Parameter m Parameter n (x10-3)

Parameter p (x10-3)

r²

Alle {304} -1.460 (0.273) -6.04 (0.651) 141.66 (6.07) 0.64


2005 {48} -1.21 (0.64)a 0.0234 (1.660)a 123.85 (14.84)a 0.65

2006 {256} -1.46 (0.30)a -7.17 (0.699)b 144.58 (6.52)b 0.66


N1 {76} -0.52 (0.47)a -4.46 (1.84)a 106.17 (10.97)a 0.58

N2 {73} 2.74 (0.53)b -6.91 (0.722)a 56.20 (10.63)a 0.64

N3 {79} 3.78 (0.64)bc -9.27 (0.879)b 49.49 (12.79)ab 0.61

N4 {76} 4.69 (0.69)c -6.88 (0.739)ab 29.52 (13.86)b 0.55

Sorte (2005, 2006)

Cubus {75} -1.61 (0.57)a -5.27 (1.38)a 142.98 (13.29)a 0.62

Ritmo {75} -1.61 (0.51)a -7.36 (1.36)a 152.71 (11.87)a 0.69

Dekan {75} -2.00 (0.59)a -5.70 (1.24)a 146.98 (12.67)a 0.65



Werte mit gleichen Buchstaben beim gleichen Faktor sind nicht signifikant verschieden

p=0.05.

Die Stängel-N-Konzentration (NcStem) wurde mit Hilfe einer N-Verdünnungsfunktion

geschätzt. Eq. (16) and Eq. (17). Diese wurde in Anlehnung an die Gesamt-Spross-N-

Verdünngungsfunktion nach Justes et al., 1994 entwickelt. Mit Eq. (17) lassen sich

die NcStem-Veränderungen besser beschreiben, da hier weniger Parameter benötigt

werden und mit dieser Funktion ein geringeres RMSE erreicht werden konnte. Eq.

(16) wird ausschließlich nur dann benutzt, wenn die bereits gedüngte N-Menge nicht

bekannt ist, denn mit dieser Funktion lassen sich die N- Düngungsniveaus besser

differenzieren (Tab. 11). Signifikante Unterschiede wurden zwischen den Jahren und

zum Teil zwischen den N-Stufen festgestellt, aber keine zwischen den Sorten

(basierend auf Eq. (17). Die r2 variierten zwischen 0.45 und 0.79 auf einem recht

niedrigen Niveau.


3-21

Tabelle 11: Eq. (16): Parameter für die nicht lineare Verdünnungsfunktion um die Stängel-N-Konzentration zu schätzen

1Stem StemNc (q r * DM )= ÷ + 1

Stem

Stem

Nc s SPAD(q r * DM )

= + ×

+



In Tabelle 12 und 13 sind die Ergebnisse der Ansatzschätzungen dargestellt. Den

niedrigsten RMSE erreichte der A2 mit 17 kg N/ha im Kalibrierungsdatensatz für alle

N-Stufen. Dieser Ansatz wurde auch für die Schätzung der N-Mengen in ISIP

verwandt. In der Validierung wies A2 und auch A3 mit SLA_2 und Eq. (17) die

niedrigsten RMSE-Werte auf.

Daten Parameter q

(x10-3)

Parameter r

(x10-3)

Parameter

s (x10-3) r²

Eq (16) alle mit SPAD {304}

164.0 (17.6)* 2.44 (0.68)* 16.2 (6.04)* 0.55

Eq.(17) alle {448} 188.9 (7.22) 1.31 (0.09) 0.49


2005 {191} 221.2 (9.86)a 1.28 (0.148)a 0.45

2006 {256} 103.0 (9.73)b 1.87 (0.120)b 0.66


N1 {112} 241.5 (20.1)a 2.98 (0.362)a 0.56

N2 {112} 179.8 (8.79)b 1.41 (0.112)b 0.72

N3 {115} 149.7 (7.33)c 1.24 (0.091)b 0.79

N4 {109} 147.5 (6.25)c 1.06 (0.074)b 0.79

Sorte (2005, 2006)

Cubus {112} 202.8 (14.8)a 1.30 (0.177)a 0.49

Ritmo {112} 182.4 (14.3)a 1.35 (0.192)a 0.48

Dekan {112} 180.3 (16.8)a 1.38 (0.196)a 0.48


3-22

Tabelle 12: Schätzung der Kalibrierungsdaten

Daten Ansatz Steigung y-Achsen-

abschnitt EF RMSE

A1 {304} 0.83 (0.33)** 0.91 (0.03)*** 0.76 2.13 A2 {304} 0.97 (0.01)*** 0.80 1.74 A3 {304} mit SLA_1 und Eq.(16)

-1.48 (0.31)*** 1.05 (0.03)*** 0.71 1.74

A3 {304} mit SLA_2 und Eq.(16)

0.91 (0.01)*** 0.73 1.75

Alle Daten


-0.95 (0.31)** 1.03 (0.03)*** 0.78 1.77

A1 {96} 1.34 (0.39)*** 0.74 (0.08)*** 0.60 1.23

A2 {96} 0.99 (0.02)*** 0.65 1.05 N1 A3 {96} mit SLA_2 und

Eq.(17) 0.90 (0.02)*** 0.47 1.10

A1 {96} 2.79 (0.66)*** 0.72 (0.07)*** 0.68 1.73

A2 {96} 0.97 (0.02)*** 0.61 1.64 N2 A3 {96} mit SLA_2 und

Eq.(17) 0.94 (0.02)*** 0.52 1.63

A1 {96} 3.54 (0.65)*** 0.69 (0.06)*** 0.64 1.83

A2 {96} 0.97 (0.02)*** 0.64 1.77 N3 A3 {96} mit SLA_2 und Eq.(17)

0.93 (0.02)*** 0.55 1.74

A1 {96} 2.65 (0.64)*** 0.78 (0.05)*** 0.82 1.97

A2 {96} 0.98 (0.02)*** 0.76 1.93 N4 A3 {96} mit SLA_2 und Eq.(17)

0.95 (0.02)*** 0.74 1.92

A1 {96} 0.97 (0.03)*** 0.74 2.32

A2 {96} 1.00 (0.02)*** 0.80 1.86 Cubus A3 {96} mit SLA_2 und Eq.(17)

0.87 (0.02)*** 0.70 1.92

A1 {96} 0.98 (0.02)*** 0.79 1.84

A2 {96} 0.99 (0.02)*** 0.84 1.52 Ritmo A3 {96} mit SLA_2 und Eq.(17)

-0.99 (0.51)* 1.02 (0.05)*** 0.82 1.51

A1 {96} 1.01 (0.02)*** 0.76 2.18

A2 {96} 1.00 (0.02)*** 0.82 1.70 Dekan A3 {96} mit SLA_2 und Eq.(17)

0.92 (0.02)*** 0.72 1.85

Werte in {} Klammern Anzahl Stichproben Werte in () Klammern Standardabweichung der Parameterschätzung

Steigung und y-Achsenabschnitt wurden entsprechend auf Signifikanz gegen 0 und 1 getestet. Die Signifikanzgrenzen sind ***p<0.001, **p<0.01 and *p<0.05.


3-23

Tabelle 13: Validierung der Schätzansätze (Daten von Hohenschulen aus 2004)

Daten Ansatz Steigung y-Achsen-

abschnitt EF RMSE

A1 {96} -1.98 (0.63)** 1.35 (0.06)*** 0.73 2.50

A2 {96} -1.29 (0.46)** 1.27 (0.04)*** 0.81 1.97


-2.55 (0.51)*** 1.27 (0.05)*** 0.86 2.00 Alle Daten


-3.43 (0.56)*** 1.40 (0.05)*** 0.80 2.07

A1 {96} 0.97 (0.03)*** 0.70 0.86

A2 {96} 1.02 (0.03)*** 0.82 0.68 N1


0.90 (0.02)*** 0.57 0.72

A1 {96} 1.12 (0.03)*** 0.84 1.31

A2 {96} 1.08 (0.03)*** 0.88 1.35 N5


-2.98 (0.96)** 1.33 (0.09)*** 0.86 1.43

A1 {96} 1.19 (0.02)*** 0.75 2.00

A2 {96} 1.18 (0.02)*** 0.75 2.10 N6


-3.39 (0.84) *** 1.41 (0.07)*** 0.76 1.94



Steigung und y-Achsenabschnitt wurden entsprechend auf Signifikanz gegen 0 und 1

getestet. Die Signifikanzgrenzen sind ***p<0.001, **p<0.01 and *p<0.05.

N1=0 kgN/ha, N5=120 kg N/ha, N6=192-320 kg N/ha

3.2 Handspektrometer

Die Ergebnisse zeigen, dass sowohl für den BFI (Abb. 2) als auch für die anderen

Parameter sehr hohe Bestimmtheitsmaße für Indizes gefunden werden, die aus einer

Wellenlänge im Übergang zwischen rotem und infrarotem Wellenlängenbereich und

aus einer zweiten Wellenlänge im nahen infraroten Bereich gebildet werden Dieses

bestätigt die Erkenntnisse von Reusch (2003). Es zeigt sich außerdem, dass diese

Beziehung sogar über das vegetative Wachstum hinausgeht und bis zum

Entwicklungsstadium BBCH 55 (14.6.05) gültig ist (Abb. 3).


3-24

Abb. 2: Bestimmtheitsmaße linearer Regressionen des Simple Ratio zum Blatt- flächenindex. Helle Bereiche weisen eine hohe Korrelation auf, dunkle Bereiche eine geringe.

y = -0,082x + 0,94

r2 = 0,90

0,5

0,6

0,7

0,8

0,9

1

0 1 2 3 4 5 6

Blattflächenindex

R7

40

/ R

80

0

25.04.05

02.05.05

12.05.05

18.05.05

24.05.05

07.06.05

14.06.05

Abb. 3: Lineare Korrelation des Simple Ratio R(740nm) / R(800nm) zum BFI.


3-25

Tab. 14: Bestimmtheitsmaß r², geschätzte Parameter m und b der linearen Regression y = m x Index + b und Schätzfehler RMSE für BFI, Spross-TM und N-Menge zu ausgewählten Vegetationsindizes. Schätzung des BFI aus Daten von elf Terminen in 2005 und 2006, Spross-TM und N-Menge von sieben Terminen in 2005.

LAI (n=328) RMSE Index r² m b [m²/m²] R740/R800 0.89 -11.6 ± 0.2 11.0 ± 0.2 0.41 NDI(740,800) 0.86 0.288 ± 0.006 -0.016 ± 0.060 0.42 R800/R550 0.89 17.3 ± 0.3 -0.220 ± 0.057 0.46 NDVI 0.67 7.79 ± 0.30 -4.04 ± 0.25 0.71 SAVI 0.52 7.50 ± 0.40 -1.67 ± 0.22 0.86 REIP 0.87 0.230 ± 0.005 -164.1 ± 3.5 0.44 Shoot DM (n=153) RMSE Index r² m b [g/m²] R740/R800 0.91 -1799 ± 46 1657 ± 36 54.93 NDI(740,800) 0.91 2739 ± 69 -93.3 ± 10.4 53.31 R800/R550 0.89 46.3 ± 1.3 -64.2 ± 10.9 58.87 NDVI 0.66 1028 ± 60 -541 ± 49 104.69 SAVI 0.55 1198 ± 88 -317 ± 45 119.88 REIP 0.90 35.5 ± 1.0 -25448 ± 706 57.28 Shoot N (n=153) RMSE Index r² m b [g N/m²] R740/R800 0.91 -48.0 ± 1.3 45.7 ± 1.0 1.47 NDI(740,800) 0.91 73.1 ± 1.9 -1.04 ± 0.28 1.45 R800/R550 0.89 1.24 ± 0.04 -0.266 ± 0.295 1.60 NDVI 0.66 27.5 ± 1.6 -13.0 ± 1.3 2.81 SAVI 0.55 32.0 ± 2.3 -7.03 ± 1.20 3.21 REIP 0.89 0.948 ± 0.026 -678 ± 19 1.55

3.3 Ermittlung eines relativen N-Status

Eine weitere Möglichkeit den N-Versorgungszustand im Bestand einordnen zu

können, ist der Vergleich mit Kontrollvarianten. Es wurden die einzelnen

Messmethoden und verschiedene Düngungsvarianten untereinander verglichen. Dazu

wurden zum einen die drei Messtechniken LAI 2000, N-Tester und Nitra-Check (diese

Methode wird ausschließlich von der LWK Niedersachen angewandt) im Zeitverlauf

gegenübergestellt.


3-26

0

200

400

600

800

1000

1.5. 9.5. 17.5. 25.5. 2.6.

N-T

es

ter

0

1

2

3

4

5

GA

I

N-Tester 0 kg N/ha N-Teste 230 kg N/ha

N-Tester 110 kg N/ha GAI 0 kg N/ha

GAI 230 kg N/ha GAI 110 kg N/ha

Abb. 4: N-Tester- und GAI-Verläufe über die Zeit im Mittel über alle LWK-Standorte aus dem Jahr 2006

In der Abbildung 4 sind die Düngungsvarianten 0 kg N/ha, 110 kg N/ha und 230 kg

N/ha (Sollwert) dargestellt. Zum einen wird deutlich, dass beim N-Tester im

Zeitverlauf kaum Änderungen auftreten und zum anderen die Unterschiede zwischen

den Düngungsvarianten sehr gering sind. Im Vergleich dazu lassen sich an den GAI-

Verläufen deutliche Differenzierungen zwischen den Varianten und Veränderungen

über die Zeit ablesen. Um den Unterschied noch klaren werden zu lassen, wurden die

Relativwerte gegenübergestellt (Abb. 5).


3-27

50

60

70

80

90

100

01.05. 11.05. 21.05. 31.05.Datum

Re

lati

vw

ert

e

GAI 0 kg N/ha N-Tester 0 kg N/haGAI 110 kg N/ha N-Tester 110 kg N/ha

Abb. 5: Vergleich der Relativwerte der N-Tester und GAI-Werte im Mittel über alle LWK-Standorte aus dem Jahr 2006

Die Messdaten der Sollwertvarianten wurden gleich 100% gesetzt. Die N-Tester

Werte der reduzierten Düngungsvariante mit 110 kg N/ha erreichen 95% der

Kontrolle, wohingegen die GAI-Werte 10-20% unter der Kontrolle liegen. Bei den

Nullvarianten werden die Unterschiede noch deutlicher, die N-Tester Werte liegen bei

90% der Kontrolle, die GAI-Werte erreichen weniger als 70%.


3-28

0

20

40

60

80

100

120

30.04. 10.05. 20.05. 30.05.

Datum

Re

lati

vw

ert

e

Nitra 0 kg N/ha GAI 0 kg N/haN-Tester 0 kg N/ha Nitra 110 kg N/haGAI 110 kg N/ha N-Tester 110 kg N/ha

Abb. 6: Relativwerte von Nitra-Check, N-Tester und GAI am Standort Holtorfsloh 2006

Betrachtet man zusätzlich die Nitra-Check Werte, hier am Standort Holtorfsloh

(2006), fällt auf, dass diese zwar eine Differenzierung der Varianten zeigen, aber

großen Schwankungen unterliegen, die eine konkrete Aussage über den

Versorgungszustand nicht mehr zulassen (Abb. 6). Diese Vergleiche zeigen deutlich,

dass mengenbezogene Messmethoden die Verhältnisse im Bestand vergleichsweise

besser widerspiegeln können.

3.4 EC-stadienspezifische GAI-Referenzwerte

Um die gemessenen Daten und geschätzten N-Mengen besser einordnen zu können,

benötigt man Referenzwerte. Diese wurden in Form von EC-stadienspezifischen GAI-

Referenzwerten entwickelt. Dazu wurden für jedes EC-Stadium die, mit dem LAI

2000 gemessenen, GAI mit dem Ertrag in Beziehung gesetzt. Mittels einer Linear-

Plateau-Funktion wurde der optimale GAI (GAIopt) bestimmt, d.h. größere GAI


3-29

bringen keinen deutlichen Mehrertrag. Die experimentelle Grundlage zur Berechnung

der GAIopt-Werte bildet ein N-Steigerungsversuch in Hohenschulen. Die N-Düngung

wird in 3 Teilgaben aufgeteilt, deren Höhe 0, 40, 80 und 120 kg N/ha beträgt. Die N-

Gesamtmengen liegen so bei 0-360 kg N/ha. In den Jahren 2004-2006 wurde hier

regelmäßig im Rahmen des Projektes mit dem LAI 2000 der GAI gemessen. Im

Folgenden ist das Beispieljahr 2005 dargestellt. Die berechneten GAIopt verschoben

sich von 3,2 zu EC 32, über 3,8 zu EC 33 auf 4,6 (Abb. 7, Abb. 8, Abb. 9).

20

40

60

80

100

120

0 1 2 3 4 5 6

GAI (Bestandesflächenindex)

Ert

rag

(d

t/h

a)

Abb. 7: Optimaler GAI zu EC 32 im N-Steigerungsversuch 2005


3-30

20

40

60

80

100

120

0 1 2 3 4 5 6


Ert

rag

(d

t/h

a)


20

40

60

80

100

120

0 1 2 3 4 5 6


Ert

rag

(d

t/h

a)


Vergleicht man die GAI-Verläufe der verschiedenen Düngungsvarianten des N-

Steigerungsversuchs (2005) mit dem berechneten GAIopt-Verlauf, so wird deutlich,

dass einige Varianten bis zu einer GAI-Einheit über dem Optimum liegen (Abb. 10).


3-31

Dies entspricht nach den weiter oben vorgestellten Ergebnissen einer um 40 kg N/ha

überhöhten Düngung.

0

1

2

3

4

5

6

13.4. 23.4. 3.5. 13.5. 23.5. 2.6. 12.6.

Datum

Be

sta

nd

es

flä

ch

en

ind

ex

120-0

80-0

40-0

0-0

120-80

80-80

40-80

0-80

120-40

120-120

80-120

GAIopt

80-40

40-40

40-120

0-40

0-120

Abb. 10: GAI-Verläufe verschiedener Düngungsvarianten im N-Steigerungsversuch 2005

Problematisch an der Referenzwertbestimmung sind die jahresbedingten

unterschiedlichen Bestandesentwicklungen. Um dies zu verdeutlichen wurden

GAIopt-Verläufe aus 3 Jahren und 3 verschiedenen Versuchen gegenübergestellt

(Abb. 11).


3-32

0

1

2

3

4

5

6

29 33 37EC-Stadium

Op

tim

ale

r G

AI

N/06 N/05 95/05 95/06 KK/04

Abb. 11: Optimale GAI-Verläufe von 2004-2006 in verschiedenen Versuchen

Die recht große Spannbreite der GAIopt zwischen den Jahren, könnte verschiedene

Gründe haben. Zum einen ist die präzise Bestimmung der EC-Stadien problematisch,

zum anderen ist die Datenbasis vermutlich noch zu gering. Außerdem können in

dieses Verfahren Jahreseffekte, wie Herbstentwicklung oder Trockenstress, nicht

eingehen. Es wird zur Zeit davon ausgegangen, dass die Berücksichtung

jahresspezifischer Effekte bei der Ableitung von Referenz-Werten für die N-Aufnahme

vermutlich am ehesten mit dem Werkzeug der dynamischen Simulation der N-

Aufnahme durch ein prozessorientiertes Modell gelingen kann.

3.5 Bestandesmodellierung

Das in Delphi 5 (Borland) implementierte Pflanzenwachstumsmodell besteht aus

mehreren Modellmodulen, die in Abb. dargestellt sind. Die Parametrisierung erfolgte

anhand der destruktiv erhobenen Daten (2005-2006, Hohenschulen) und der daraus

entwickelten Funktionen (siehe Ansatz 3). Da das Modell ausschließlich optimal

versorgte Bestände abbildet, wurden auch die Funktionsparameter der

hochgedüngten Variante (N4) verwandt. Um die Qualität des Modells besser


3-33

darstellen zu können, werden im Folgenden Modulergebnisse mit denen des CERES

Wheat Modells verglichen (Abb. 12).

Abb. 12: Schematische Darstellung des Modellaufbaus

LUE = Lichtnutzungseffizienz (g/MJ)

k = Lichtextinktionskoeffizient (konstant) (-)

LAI = Blattflächenindex (m2/m2)

I = photosynthetisch aktive Strahlung (MJ/m²)

Q = absorbierte photosynthetisch aktive Strahlung (MJ/m²)

h, g = Parameter zur Beschreibung der Allometrie

lnDMStem = logarithmierte Stängeltrockenmasse

lnDMLeaf = logarithmierte Blatttrockenmasse

Die Trockenmassebildung wird über die Strahlungsaufnahme berechnet, wobei die

Lichtnutzungseffizienz (LUE) modellintern parametrisiert wurde (Abb. 13).

Blattflächenzuwachs Trockenmasse-

bildung

Strahlungsaufnahme LUE

N-Aufnahme

Verdünnungsfunktion

EC-Stadien Allometrie

Verdünnungsfunktion

SLA

Blatt-TM Stängel-TM

Stoffverteilung

N-Blatt N-Stängel

( )LAIkeIQ ×1×= --

leafStem DMghDM ln×+=ln

SLAdt

dDM

dtdLAI Leaf ×=

LUEQdt

dDM×=

StemStem DMrq

Nc*+

1=

LeafLeaf DMnmNc ×+=


3-34

y = 0.97x + 23.29

RMSE=71 g/m²

y = 0.72x + 11.87

RMSE=116 g/m²

0

200

400

600

800

1000

0 200 400 600 800 1000

TM-Spross gemessen [g/m²]

TM

-Sp

ros

s b

ere

ch

ne

t [g

/m²]

LUE neu

LUECERES

Abb. 13: Gemessene Sprosstrockenmasse im Vergleich zu geschätzter Spross-

trockenmasse, mit der modellintern parametrisierten LUE und der in CERES

Wheat angenommenen LUE.

Als Stoffverteilungsalgorithmus dienen, die bereits im oberen Teil beschriebenen,

allometrischen Verhältnisse (Tab. 9). Des Weiteren ist die Stoffverteilung EC-Stadien

abhängig. Die Modellierung der EC-Stadien ist, wie in Abbildung 14 zu erkennen,

recht präzise möglich.


3-35

0

10

20

30

40

50

60

70

80

10.09. 10.10. 09.11. 09.12. 08.01. 07.02. 09.03. 08.04. 08.05. 07.06.

Datum

EC

-Sta

diu

m

Hohenschulen

Borwede

Abb. 14: EC-Stadienmodellierung für die Standorte Hohenschulen und Borwede im Jahr 2006

Die Blattflächenentwicklung wird im Modell mit einer konstanten SLA berechnet, der

anhand der erhobenen Daten ermittelt wurde. Im Vergleich dazu ist die SLA im

CERES Wheat Modell eine, an die Entwicklungsstadien angepasste Variable. Mit Hilfe

von angepassten „idealisierten“ Trockenmassen und der jeweiligen SLA wurden

Blattflächenzuwachsraten berechnet (Abb. 15). Mit der neuen SLA konnte eine

deutliche Verbesserung des RMSE erreicht werden.


3-36

y = 1.80x - 0.35

RMSE=1.9 m²/m²

y = 1.28x - 0.32

RMSE=0.6 m²/m²

0

2

4

6

8

0 2 4 6 8

gemessener BFI [m²/m²]

be

rec

hn

ete

r B

FI

[m²/

m²]

CERES 05

CERES 06

SLA konstant 05

SLA konstant 06

Abb. 15: Blattflächenindex berechnet aus angepassten Blatttrockenmassen und konstanter bzw. „CERES“- SLA

Mit Hilfe der berechneten Trockenmassen werden die N-Konzentrationen berechnet

(Abb. 12). Auch hier wird in NcLeaf und NcStem fraktioniert. Als Grundlage dienen die in

A3 entwickelten Funktionen. NcLeaf wird über eine lineare Regression berechnet,

wobei im Model keine SPAD-Werte einfließen, da nur optimal versorgte Bestände

berücksichtig werden. NcStem wird auf mit der oben beschriebenen Eq. (17) mit den

Parametern für N4 berechnet. Die so berechneten N-Aufnahmen können im Vergleich

der Jahre 2006 und 2007 werden, dieser macht die zeitlichen und mengenbezogenen

Unterschiede in der N-Aufnahme zwischen den Jahren sichtbar (Abb. 16). Am

24.04.06 hatte der Weizenbestand in Hohenschulen ca. 80 kg N/ha aufgenommen,

2007 enthielt der Bestand aufgrund der fortgeschrittenen Entwicklung zur gleichen

Zeit bereits ca. 140 kg N/ha.


3-37

0

40

80

120

160

200

10.9. 30.10. 19.12. 7.2. 29.3. 18.5.Datum

N-A

ufn

ah

me

[k

g/h

a]

modelliert 2006

modelliert 2007

berechnet 2006

berechnet 2007

Abb. 16: Vergleich der modellierten und gemessenen N-Aufnahme 2006 und 2007 am Standort Hohenschulen

In Zusammenarbeit mit dem LBEG und dem Institut für Bodenkunde wurde mittels

der in den Teilbereichen berechneten Daten die Hilfsgröße „Ndiff“ erzeugt, die

während der Vegetationsperiode in ISIP in tabellarischer Form sichtbar waren.

Ndiff = N-Angebot (Nmin im Frühjahr + N-Düngung + Nettomineralisation – N-

Auswaschung) – N-Aufnahme der Pflanze seit Nmin Frühjahr


4-38

Abb. 17: „Ndiff“ als Hilfsgröße zur Optimierung des Düngezeitpunktes am Standort Hohenschulen

Bei entsprechender Aufbereitung lässt sich über „Ndiff“ auf die optimalen

Düngungszeitpunkte schließen (Abb. 17). Am Beispiel Hohenschulen wird sichtbar,

dass im Jahr 2007 die 2. und 3. Düngung zu spät gefallen ist. Der Bestand war zu

diesen Zeitpunkten sehr wahrscheinlich schon unterversorgt. Eine

Beratungsempfehlung in Hinblick auf eine vorgezogene Düngungsmaßnahme wäre

hier richtig gewesen.

4. Fazit

Die N-Mengen im Bestand werden mit den gewählten nichtdestruktiven

Messmethoden gut geschätzt. Es konnten EF von 86% in unabhängigen Datensätzen

bei Berücksichtigung aller N Variationen erreicht werden. Die Schätzung der Stängel-

N-Konzentration konnte mit erneuter Anpassung der N-Verdünnungsfunktion (zuvor

wurde eine exponentielle Funktion benutzt) noch verbessert werden. Durch die

Bereitstellung der erhobenen Bestandesparameter (EC-Stadium, GAI, N-Tester

Werte), der berechneten N-Aufnahmen und deren Interpretation für ISIP konnten

erste Teilziele erreicht werden.

-40

0

40

80

120

160

200

07.02. 09.03. 08.04. 08.05. 07.06.Datum

Dif

fere

nz N

-An

ge

bo

t zu

N-A

ufn

ah

me

2006

2007

1. N-Düngung 2. N-Düngung

3. N-Düngung


4-39

Beim Vergleich der Kontrollvarianten wurde deutlich, dass N-Tester- bzw. SPAD-

Werte und Nitra-Check-Werte allein eine Differenzierung der Düngungsvarianten

kaum zulassen. Demgegenüber sind die aus dem LAI-2000 Messungen gewonnenen

GAI zum Vergleich besser geeignet. Trotzdem erwies sich eine Einbeziehung der

SPAD- bzw. N-Tester-Werte zur Berücksichtigung der N-Konzentrationen die

Schätzung der N-Mengen als sinnvoll (siehe Tab. 12 und 13).

In Ansätzen lassen sich GAI-Referenzwerte erkennen. Durch eine größere

Datengrundlage ist eine Verbesserung zu erwarten, zudem müssten Jahreseffekte

wie Witterung, Trockenstress oder Herbstentwicklung berücksichtigt werden. Dies

ließ diese Methode in der Form nicht zu, hier ist die Modellierung gefragt.

Über die einfachen Modellrechnungen zur N-Aufnahme hinaus wurden die

Monitoringdaten genutzt, um potentielle Biomassebildung und potentielle N-

Aufnahme während der Vegetationsperiode auf Grundlage der abgelaufenen

Jahreswitterung zu modellieren. Dabei ist ein Vergleich des aktuellen Jahres mit aus

langjährigen Wetterdaten gewonnenen Szenarien für verschiedene

Witterungsverläufe möglich. Auch der Vergleich zum Vorjahr oder langjährigen Mittel

bietet hier Information, die als Beratungsgrundlage genutzt werden können. Die im

Antrag formulierten Ziele können, wie im Antrag, tabellarisch dargestellt werden. Die

zu untersuchenden Parameter sind sowohl im Monitoring, als auch in der

Modellierung erfasst und ausgewertet worden. Die gesammelten und aufbereiteten

Informationen waren, dem Entwicklungsstand des Projektes entsprechend, in ISIP

für die Nutzer zugänglich.


5-40

Tabelle 15: Übersicht über den Projektstand im Hinblick auf die Entwicklung von Verfahren zur Messung und Modellierung von entscheidungsrelevanten Parametern für die Stickstoffdüngung in Winterweizen

Parameter Messung Modellierung Beitrag zur Entscheidungs-unterstützung

EC-Stadien Bestandesbonitur realisiert Indikator für Düngeterminierung

Blattflächenindex LAI 2000 realisiert

EC-Stadien abhängige Sollwerte, Vergleich mit modellierten Werten

Biomasse LAI 2000, Reflektions-messungen

realisiert

Vergleich mit Sollwerten/modellierten Werten

N-Menge im Bestand

aus LAI 2000 und SPAD-Meter

realisiert

Vergleich mit Sollwerten/modellierten Werten

Ertragspotentiale Nicht möglich Neues Projekt

Anpassung der (Spät)-Düngung

5. Literatur

Stokes D T, Sylvester-Bradley R, Scott R K, Clare R, Hopkinson J, Milford G F J and E S S 1998 An

integrated approach to nitrogen nutrition for wheat. Home Grown Cereals Authority, London. Justes, E., Mary, B., Meynard, J.-M., Machet, J.-M., Thelier-Huche, L. (1994). Determination of a

critical nitrogen dilution curve for winter wheat crops. Annals of Bontany 74, 397-407.

abschlussbericht - pflanzenbau.uni-kiel.de · einfaches modellmodul zur berechnung von...

Documents