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
40
Embed
ABSCHLUSSBERICHT - pflanzenbau.uni-kiel.de · einfaches Modellmodul zur Berechnung von Pflanzenwachstum und N-Aufnahme von Winterweizen entwickelt und im Projektbereich Bestandesmodellierung
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
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 -
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
Abschlussbericht: „Bestandesmonitoring und Bestandesmodellierung“
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.
Abschlussbericht: „Bestandesmonitoring und Bestandesmodellierung“
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).
Abschlussbericht: „Bestandesmonitoring und Bestandesmodellierung“
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
Abschlussbericht: „Bestandesmonitoring und Bestandesmodellierung“
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.
Abschlussbericht: „Bestandesmonitoring und Bestandesmodellierung“
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
Abschlussbericht: „Bestandesmonitoring und Bestandesmodellierung“
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
Abschlussbericht: „Bestandesmonitoring und Bestandesmodellierung“
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.
Abschlussbericht: „Bestandesmonitoring und Bestandesmodellierung“
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)
Abschlussbericht: „Bestandesmonitoring und Bestandesmodellierung“
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.
Abschlussbericht: „Bestandesmonitoring und Bestandesmodellierung“
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
Abschlussbericht: „Bestandesmonitoring und Bestandesmodellierung“
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).
Abschlussbericht: „Bestandesmonitoring und Bestandesmodellierung“
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).
Abschlussbericht: „Bestandesmonitoring und Bestandesmodellierung“
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
Abschlussbericht: „Bestandesmonitoring und Bestandesmodellierung“
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
Jahr (Dekan, Cubus und Ritmo)
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
N-Stufe (Cubus, Ritmo, Tommi, Dekan und Hybred)
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).
Abschlussbericht: „Bestandesmonitoring und Bestandesmodellierung“
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
Jahr (Dekan, Cubus und Ritmo)
2005 {192} 14.58 0.956 1.74 0.2
2006 {256} 16.69 0.50 1.81 0.06
N-Stufe (Cubus, Ritmo, Tommi, Dekan und Hybred)
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
Werte in () Klammern Standardabweichung der Parameterschätzung
Abschlussbericht: „Bestandesmonitoring und Bestandesmodellierung“
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)
Jahr (Dekan, Cubus und Ritmo)
2005 {192} 161 (18.92)b
2006 {256} 180 (19.27)a
N-Stufe (Cubus, Ritmo, Tommi, Dekan und Hybred)
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
Abschlussbericht: „Bestandesmonitoring und Bestandesmodellierung“
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
Jahr (Dekan, Cubus und Ritmo)
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
N-Stufe (Cubus, Ritmo, Tommi, Dekan und Hybred)
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 in {} Klammern Anzahl Stichproben
Werte in () Klammern Standardabweichung der Parameterschätzung
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.
Abschlussbericht: „Bestandesmonitoring und Bestandesmodellierung“
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
Werte in () Klammern Standardabweichung der Parameterschätzung
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.
Abschlussbericht: „Bestandesmonitoring und Bestandesmodellierung“
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 )
= + ×
+
Werte in {} Klammern Anzahl Stichproben
Werte in () Klammern Standardabweichung der Parameterschätzung
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
Jahr (Dekan, Cubus und Ritmo)
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
N-Stufe (Cubus, Ritmo, Tommi, Dekan und Hybred)
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
Abschlussbericht: „Bestandesmonitoring und Bestandesmodellierung“
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
A3 {304} mit SLA_2 und Eq.(17)
-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.
Abschlussbericht: „Bestandesmonitoring und Bestandesmodellierung“
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
A3 {96} mit SLA_2 und Eq.(16)
-2.55 (0.51)*** 1.27 (0.05)*** 0.86 2.00 Alle Daten
A3 {96} mit SLA_2 und Eq.(17)
-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
A3 {96} mit SLA_2 und Eq.(17)
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
A3 {96} mit SLA_2 und Eq.(17)
-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
A3 {96} mit SLA_2 und Eq.(17)
-3.39 (0.84) *** 1.41 (0.07)*** 0.76 1.94
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.
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).
Abschlussbericht: „Bestandesmonitoring und Bestandesmodellierung“
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.
Abschlussbericht: „Bestandesmonitoring und Bestandesmodellierung“
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.
Auswaschung) – N-Aufnahme der Pflanze seit Nmin Frühjahr
Abschlussbericht: „Bestandesmonitoring und Bestandesmodellierung“
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
Abschlussbericht: „Bestandesmonitoring und Bestandesmodellierung“
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.
Abschlussbericht: „Bestandesmonitoring und Bestandesmodellierung“
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.