Search

Sustainable intensification (SI) of agriculture is a promising strategy for boosting the capacity of the agricultural sector to meet the growing demands for food and non-food products and services in a sustainable manner. Assessing and quantifying the options for SI remains a challenge due to its multiple dimensions and potential associated trade-offs. We contribute to overcoming this challenge by proposing an approach for the ex-ante evaluation of SI options and trade-offs to facilitate decision making in relation to SI. This approach is based on the utilization of a newly developed SI metrics framework (SIMeF) combined with agricultural systems modelling. We present SIMeF and its operationalization approach with modelling and evaluate the approach’s feasibility by assessing to what extent the SIMeF metrics can be quantified by representative agricultural systems models. SIMeF is based on the integration of academic and policy indicator frameworks, expert opinions, as well as the Sustainable Development Goals. Structured along seven SI domains and consisting of 37 themes, 142 sub-themes and 1128 metrics, it offers a holistic, generic, and policy-relevant dashboard for selecting the SI metrics to be quantified for the assessment of SI options in diverse contexts. The use of SIMeF with agricultural systems modelling allows the ex-ante assessment of SI options with respect to their productivity, resource use efficiency, environmental sustainability and, to a large extent, economic sustainability. However, we identify limitations to the use of modelling to represent several SI aspects related to social sustainability, certain ecological functions, the multi-functionality of agriculture, the management of losses and waste, and security and resilience. We suggest advancements in agricultural systems models and greater interdisciplinary and transdisciplinary integration to improve the ability to quantify SI metrics and to assess trade-offs across the various dimensions of SI.

Session: AgMIP: Advances in Crop & Soil Model Intercomparison and Improvement Oral; Regional yield simulations with process-based models often rely on input data of coarse spatial resolution (Ewert et al., 2015; Zhao et al., 2015). Using aggregated data as input for process-based models entails the risks of introducing so-called aggregation errors (AE). Such AE depend on the model structure in combination with the aggregation method, the type of aggregated data as well as its spatial heterogeneity. While the regional crop yield bias is usually

International audience

Der Klimawandel fordert die Anbausysteme heraus, um das derzeitige Produktionsniveau zu verbessern oder sogar aufrechtzuerhalten. Es wird erwartet, dass zukünftige Trends bei Temperatur und Niederschlag die Ernteproduktivität beeinträchtigen. Es ist daher notwendig, möglicher Lösungen zur Anpassung der Anbausysteme an den Klimawandel zu untersuchen. Ziel dieser Arbeit ist es, das Wissen über die Anpassung von weltweit relevanten Getreidepflanzen an den Klimawandel zu erweitern. Die zentrale Fragestellung ist, ob globale Anbausysteme an den Klimawandel angepasst werden können, indem die Phänologie der Kulturpflanzen durch Anpassung von Wachstumsperioden und Sorten gesteuert wird. Die Phänologie und die Ertragsreaktionen sowohl auf den Temperaturanstieg als auch auf die Sortenselektion werden zunächst anhand eines Ensembles von “Global Gridded Crop Models” bewertet. Anschließend wird die Komplexität der Anpassung durch phänologisches Management analysiert, insbesondere unter Berücksichtigung der bestehenden großen Wissenslücken bei der Auswahl von Pflanzensorten. Das Ergebnis der Analyse ist ein regelbasierter Algorithmus, der phänologische Zyklen der Kulturpflanzen auswählt, um die Zeit für die Ertragsbildung zu maximieren und Temperatur- und Wasserbelastungen während der Wachstumszyklen der Kulturpflanzen zu minimieren. Die berechneten Aussaatdaten und Wachstumsperioden werden verwendet, um globale Muster von Sorten zu parametrisieren, die an aktuelle und zukünftige Klimaszenarien angepasst sind. Diese Arbeit zeigt, dass die Auswirkungen des Klimawandels auf die Pflanzenproduktivität erheblich variieren können, je nachdem, welche Annahmen für das agronomische Management getroffen werden. Änderungen im Management zu vernachlässigen, liefert die pessimistischste Prognose für die zukünftige Pflanzenproduktion. Relativ einfache Ansätze zur Berechnung angepasster Aussaatdaten und Sorten bieten eine Grundlage für die Berücksichtigung autonomer Anpassungsschemata als integraler Bestandteil globaler Modellierungsrahmen., Climate change is challenging cropping systems to enhance or even maintain current production levels. Future trends in temperature and precipitation are expected to negatively impact crop productivity. It is therefore necessary to explore adaptation options of cropping systems to changing climate. The aim of this thesis is to advance knowledge on adaptation of world-wide relevant grain crops to climate change. The central research question is whether global cropping systems can be adapted to climate change by managing crop phenology through adjusting growing periods and cultivars. Phenology and yield responses to both temperature increase and cultivar selection are first assessed making use of an ensemble of Global Gridded Crop Models. Then, the complexity of adaptation through phenological management is analysed, particularly addressing the existing large knowledge gaps on crop cultivar choice. The outcome of the analysis is a rule-based algorithm that selects crop phenological cycles aiming at maximizing the time for yield formation and minimizing temperature and water stresses during the crop growth cycles. The computed sowing dates and growing periods are used to parametrize global patterns of cultivars adapted to present and future climate scenarios. This thesis demonstrates that the impacts of climate change on crop productivity can vary substantially depending on which assumptions are made on agronomic management. Neglecting any changes in management return the most pessimistic projection on future crop production. Relatively simple approaches to compute adapted sowing dates and cultivars provide a base for considering autonomous adaptation schemes as an integral component of global scale modelling frameworks.

Sich ändernde Klima- und Wetterbedingungen in Verbindung mit einer begrenzt ausdehnbaren Ackerfläche werden den Druck auf Nahrungsmittelproduktionssysteme weiter erhöhen. Um dieser Herausforderung gerecht zu werden, ist eine Erhöhung und Stabilisierung der Ernteerträge unverzichtbar. Dies erfordert aber ein tieferes Verständnis der Einflussfaktoren, die auf die Ertragsvariabilität wirken. Diese Dissertation leistet einen Forschungsbeitrag zu Ertragsmodellen in Deutschland, Tansania und auf globaler Ebene. Dazu analysiere und kombiniere ich statistische und prozessbasierte Ertragsmodelle in fünf Schritten: (i) Zunächst entwickele ich einen statistischen Modellansatz, um den Einfluss von Wetter und agronomischem Management auf Winterweizenerträge in Deutschland zu separieren. (ii) Auf der Grundlage dieses Modells erweitere ich die statistischen Methoden und wende sie für Winterweizen und Silomais auf regionale Ebene an. (iii) Diesen erweiterten Modellansatz verwende ich daraufhin zum Testen einer Kreuz-Validierung um zukünftige Ertragsänderungen unter Klimawandel zu projizieren. (iv) Anschließend wird in einer globalen statistischen Anwendung dieses Modell für kurzfristige Ertragsprognosen getestet. (v) Schließlich kombiniere ich für das Fallbeispiel Mais in Tansania statistische und prozessbasierte Ertragsmodelle, um wetterbedingte Ertragsverluste von nicht-wetterbedingten Ertragsverlusten zu separieren. Als Ergebnis lässt sich zusammenfassen, dass der Anteil der wetterbedingten Ertragsvariabilität in Deutschland höher ist als in Tansania. Dementsprechend sind die Ertragsschwankungen in Tansania eher auf das agronomische Management und sozioökonomische Einflüsse zurückzuführen. Für beide Länder stelle ich fest, dass der Anteil der wetterbedingte Ertragsvariabilität auf aggregierter Ebene höher ist als auf regionaler Ebene. Der kombinierte statistisch-prozessbasierte Ansatz zur Bewertung von wetterbedingten Ertragsverlusten kann für Versicherungszwecke genutzt werden., Due to changing climate and weather patterns in combination with limitations to extend global arable land area, the pressure on food production systems will increase. To cope with this challenge, it will be indispensable to increase and stabilize crop yields. This requires, however, a deeper understanding of the factors influencing crop yield variability. This dissertation contributes to that research need as I further develop and apply crop models to assess regional wheat and maize yield variability in Germany, Tanzania and on a global scale. For this, I analyze and combine statistical and process-based crop models within five steps: (i) First, I develop a statistical crop modeling approach to decompose the influence of weather and agronomic management on winter wheat yields in Germany. (ii) Based on the first step, I expand the statistical methods and apply augmented models for winter wheat and silage maize on a disaggregated level. (iii) Then this model approach is used to investigate an out-of-sample cross validation to demonstrate the models’ capability to project future yield changes under climate change. (iv) In a global statistical application, this models’ capability of projecting yields is tested for short-term yield forecasts. (v) Finally, I combine statistical and process-based crop modeling to decompose weather-related maize yield losses from losses caused by non-weather factors for the case of Tanzania. Across these five steps, I find that the share of weather-related yield variability is higher in Germany than in Tanzania. Accordingly, crop yield variability in Tanzania is to a higher share attributable to agronomic management and socio-economic influences. For both countries, I find that the share of explained weather-related yield variability is higher on an aggregated level than on the regional level. Finally, this combined statistical-process-based approach can be used for assessing weather-related crop yield losses for insurance purposes.