Dieser Use Case befasst sich mit den Herausforderungen prozessbasierter Kulturpflanzenmodelle zur Optimierung des Stickstoffeinsatzes.

Hintergrund

Die Minimierung der Stickstoffverluste aus dem Ackerbau in die Umwelt hat Vorteile für die Erhaltung der biologischen Vielfalt, die Wasserqualität, die Abschwächung des Klimawandels und die effiziente Ressourcennutzung. Mit verbesserten Kenntnissen über die räumliche und zeitliche Heterogenität der Stickstoffwege zwischen Pflanzen und Boden können Simulationsmodelle, die durch inter- und intraseasonale Wettervorhersagen gesteuert werden, die Wahrscheinlichkeit der Optimierung von Kompromissen zwischen Ertragsniveau und Stickstoffverlusten für verschiedene Fruchtfolgen und Stickstoffmanagementregime bewerten. Diese Modelle können auch Informationen über die Wechselwirkungen zwischen Stickstoff und Kohlenstoff liefern, um die Möglichkeiten der Kohlenstoffbindung besser zu verstehen.

Trotz dieses Potenzials ist der Einsatz von prozessbasierten Modellen zur Optimierung des Stickstoffeinsatzes aufgrund einer Reihe von datenbezogenen Problemen begrenzt. Erstens sind Modellsimulationen aufgrund fehlender experimenteller Daten für die Modellentwicklung und -parametrisierung oft sehr unsicher.

Zwar haben viele Experimente die Reaktion der organischen Substanz und des Stickstoffs im Boden auf Bodentypen und landwirtschaftliche Bewirtschaftung quantifiziert (z. B. Denef et al. (2007); Pulleman et al. (2005)), doch sind die Daten oft nicht auffindbar oder in standardisierter Form für die Modellnutzung verfügbar. Darüber hinaus enthalten diese Studien selten ausreichende Informationen oder Daten, die für Simulationen erforderlich sind, wie Boden-, Wetter-, Management-, Markt- oder Betriebswirtschaftsdaten. Eine zweite zentrale Herausforderung ist die Skalierung der Input- und Simulationsdaten auf konsistente Ebenen (Pedon, Feld, Betrieb, Region). Die Ergebnisse der Aggregation können durch die Wahl der Landnutzungsmaske, die bei der Gewichtung der Produktionsflächen berücksichtigten Jahre und die Aggregationsmethode stark beeinflusst werden (Porwollik et al., 2017). Die Bewältigung dieser datenbezogenen Herausforderungen führt zu robusteren Projektionen mit geringeren Unsicherheiten, die über ein optimales Stickstoffmanagement für ein nachhaltiges Pflanzen- und Boden(kohlenstoff)management informieren.

Ziele

Das erste Ziel ist die Erleichterung der Übersetzung von veröffentlichten Forschungsergebnissen in FAIRe Datensätze zur Verwendung bei der Modellkalibrierung, um die Qualität der Stickstoffsimulationen von Pflanzen und Böden zu verbessern. Das zweite Ziel besteht darin, die mit der Datenaggregation und -skalierung verbundenen Unsicherheiten bei der Modellsimulation zu verringern.

Status und Ausblick

UC Update: Von der Literatur zum Modell: KI-gestützte Erstellung landwirtschaftlicher Datensätze

In ihrem neuen Beitrag zeigen Chen et al. (2025), wie Künstliche Intelligenz genutzt werden kann, um Forschungsdaten aus wissenschaftlicher Literatur zu extrahieren, zu strukturieren und für landwirtschaftliche Modellanwendungen aufzubereiten. Der vorgestellte Workflow schlägt eine Brücke zwischen Publikationen und Modellierung und eröffnet neue Möglichkeiten für datenreiche, interoperable Simulationen in Pflanzenbau und Klimaforschung.