Tools der nächsten Generation für Extremereignisse und Bewertung der Pflanzenresilienz (NEXT-Gen-EXPERT)
Dieser Use Case befasst sich mit der Entwicklung automatisierter Tools zur Folgenabschätzung von Klimaereignissen.
Partner:
Leibniz Centre for Agricultural Landscape Research (ZALF)
TUM School of Life Sciences (TUM)
Deutscher Wetterdienst (DWD)
German Climate Computing Centre (DKRZ)
Beschreibung
Motivation:
Der Klimawandel gilt als eine der größten Bedrohungen für die globale Landwirtschaft, da steigende Temperaturen, veränderte Niederschlagsmuster und die Häufigkeit extremer Wetterereignisse die Ernteproduktion gefährden. Um sich auf diese Auswirkungen vorzubereiten und sie abzumildern, ist es unerlässlich, umfassende Klimafolgenabschätzungen durchzuführen, die den landwirtschaftlichen Ertrag auf mehreren räumlichen und zeitlichen Skalen möglichst gut vorhersagen zu können. Ein entscheidendes Hindernis für diese Bewertungen ist jedoch die aktuelle Fragmentierung von Klima- und Wetterdaten, die für das Verständnis des Ausmaßes der Auswirkungen des Klimawandels von entscheidender Bedeutung sind.
Derzeit sind Klimadaten über verschiedene Infrastrukturen verstreut, wobei es erhebliche Unterschiede in der räumlichen Auflösung, der zeitlichen Abdeckung und der beabsichtigten Verwendung gibt. Beispielsweise werden Wetterdatensätze häufig für kurzfristige Vorhersagen optimiert, während Klimamodelle wie CMIP6 und CMIP5 sich auf langfristige Projektionen konzentrieren, diese Modelle jedoch aufgrund unterschiedlicher zeitlicher und räumlicher Skalen nicht direkt vergleichbar sind. Diese Fragmentierung schränkt die Möglichkeit, Daten für umfassende landwirtschaftliche Studien zu synthetisieren, erheblich ein. Angesichts der zunehmenden Dringlichkeit, klimabedingte Risiken für die Landwirtschaft anzugehen, besteht ein dringender Bedarf, diese Lücke zu schließen und Forschern die notwendigen Werkzeuge zur Verfügung zu stellen, um Klimadaten zu harmonisieren und ihre Auswirkungen auf die Pflanzenproduktion zu bewerten.
Die Herausforderung besteht nicht nur in der Analyse von Klimaszenarien, sondern auch in der effektiven Integration fragmentierter Datensätze aus verschiedenen Bereichen, Zeiträumen und räumlichen Auflösungen. Dies ist entscheidend für die Entwicklung umsetzbarer Erkenntnisse, die landwirtschaftliche Anpassungsstrategien leiten und die Ernährungssicherheit in einem sich schnell ändernden Klima gewährleisten können.
Ziele:
Dieser Use Case zielt darauf ab, die Herausforderung fragmentierter Klimadaten zu überwinden, indem fortschrittliche digitale Tools und Algorithmen entwickelt werden, die einen einheitlichen Workflow für die Verarbeitung und Verwendung vorurteilskorrigierter, herunterskalierter Klimawandelszenarien ermöglichen. Diese Tools erleichtern die Bewertung landwirtschaftlicher Auswirkungen, indem sie konsistente, harmonisierte Datensätze in verschiedenen räumlichen Auflösungen bieten.
Konkrete Ziele sind:
1. Datenintegration: Entwicklung von Algorithmen, die Daten aus verschiedenen Klimamodellen (z. B. CMIP6 vs. CMIP5) harmonisieren und integrieren, um einen zusammenhängenden Satz von Klimaszenarien zu erstellen. Diese Datensätze werden verwendet, um die Auswirkungen auf landwirtschaftliche Systeme, insbesondere Weizenerträge, über verschiedene räumliche Maßstäbe (von der Parzellenebene bis hin zu regionalen Maßstäben) zu bewerten.
2. Auswirkungenvergleich: Verwendung von Hybridmodellen, um zu bewerten, wie sich verschiedene Klimaszenarien auf die Weizenerträge auswirken und wie sich diese Auswirkungen im Laufe der Zeit entwickelt haben. Dieser Vergleich wird vergangene, gegenwärtige und projizierte Klimaszenarien untersuchen, um die zukünftige Entwicklung landwirtschaftlicher Schwachstellen und Chancen abzuschätzen.
3. Automatisierter Datenworkflow: Erstellen eines benutzerfreundlichen, automatisierten Dashboards für Agrarforscher*innen, das eine nahtlose Datenextraktion, Modellauswahl, Visualisierung und Analyse ermöglicht. Mit diesem Tool können Forschende problemlos auf Daten zu Klimaszenarien zugreifen und diese analysieren und so die Bewertung der Auswirkungen auf Klima und Ernteertrag optimieren.
4. Integration von Large Language Models (LLMs): Nutzung von LLMs, um Datenbanken in natürlicher Sprache abzufragen, den Datenzugriff zu erleichtern und komplexe Klimadaten für Agrarwissenschaftler:innen verschiedener Bereichen (z. B. AgMIP, ISIMIP, AgML) verständlicher und nutzbarer zu machen.
Aktionspunkte
1. Bereitstellung räumlich-zeitlich harmonisierter, herunterskalierter hochauflösender Klimadatensätze
2. Automatisiertes Dashboard für Datenzugriff und -analyse
3. Proof-of-Concept für die LLM-Integration für Abfrage und Download
