Unsicherheiten bei der modellgestützten Klimafolgenabschätzung W. Mirschel; K.-O.Wenkel; M. Berg; C. Nendel; R. Wieland Leibniz-Centre for Agricultural Landscape Research (ZALF), Institute of Landscape Systems Analysis, Eberswalder Str. 84, D-15374 Müncheberg, Germany; wmirschel@zalf.de

Gliederung Einführung Quellen von Unsicherheiten in der Klimafolgenabschätzung - Emissionsszenarien - globale Klimamodelle - regionale Klimaprojektionen - Wirkmodelle Beispiele für Unsicherheiten in der klimafolgenabschätzung Schlussfolgerungen

Einführung

Die Klimaänderung ist allgegenwärtig mit ansteigenden Temperaturen besonders im Winter und geringer werdenden Niederschlägen speziell in der Hauptwachstumsperiode landwirtschaftlicher Fruchtarten. Für die Entwicklung von Strategien zur Anpassung an das sich änderne Klima bzw. zur Abmilderung von Folgewirkungen sind auf regionaler Ebene für die verschiedenen Bereiche wie Gesundheitswesen, Bauwesen und auch Landwirtschaft bessere und verlässlichere Informationen zur möglichen Klimaänderung, zu möglichen Langzeitfolgen und zu möglichen Risiken notwendig. Vom gegenwärtigen Wissen ausgehend, ist ein Beantworten der Fragen zur weiteren Klimaentwicklung und zu den daraus resultierenden Folgen mit einer großen Unsicherheit verbunden. Unsicherheit ist nur ein Fehlen von Gewissheit, d.h der Zustand, der es bei begrenztem Wissen unmöglich macht, existierenden oder den zukünftigen Status bzw. Zustand exakt zu beschreiben. In der Klimatologie existieren primär zwei Typen der Unsicherheit, die “Daten- Unsicherheit” und die “strukturelle Unsicherheit”.

Die “Daten-Unsicherheit” kommt von den in der Klimafolgenforschung verwendeten Daten, d.h. von der Datenqualität (Monitoring, Meßmethodik, Datenhaltung), von der natürlichen Variabilität (Heterogenität, Stochastik) und von den fehlenden Daten (z. B. inkomplette Dartenreihen) Die “strukturelle Unsicherheit” kommt von den in der Klimafolgenforschung verwendeten Modellen (Klima- und Wirkmodelle), d.h. einerseits von den Modellstrukturen mit Annahmen, Vereinfachungen, formulierten Prozeßalgorithmen und der Umsetzung dieser in Programm-Code sowie andererseits von den Modellparametern, deren Schätzung und Kalibrierung in der Regel mittels statistischer Methoden erfolgt.

Im Rahmen der Klimafolgenabschätzung ist dabei eine zunehmende Komplexität sehr stark verbunden mit einer Zunahme der Unsicherheit. Die größten Probleme bei der Klimafolgenabschätzung in der Landwirtschaft und bei der Anpassung der Landwirtschaft an die Klimaänderung sind verbunden mit Unsicherheiten > in der Vorhersage globaler und regionaler Klimaänderungen, > und Wissenslücken im Zusammenhang mit komplexen Wirkungen von Klimaänderungen incl. noch unbekannter Rückkopplungen und > in der weiteren Entwicklung des Weltmarktes, der Weltmarktpreise, der gesamten Politik und vieler anderer Einflußgrößen Für die Klimafolgenforschung bedeutet das, dass die hauptsächlichen Quellen der Unsicherheit die vier folgenden sind: 1. Emissions-Szenarien 2. globale Klimamodelle 3. Methoden der regionalen Klimaprojektion 4. Wirkmodelle

Quellen von Unsicherheiten in der Klimafolgenabschätzung

1. Quelle: Emissionsszenarien des IPCC (bis 2100) A1 - Szenario: Welt mit sehr schnellem ökonomischen Wachstum menschliche Population erreicht gegen 2050 ihr Maximum und nimmt danach wieder ab schnelle Einführung von neuen und effektiveren Technologien  A1FI: weiterhin nur fossile Energiequellen  A1T: weiterhin nur alternative Energiequellen  A1B: gesunde Balance aller verfügbaren Energiequellen B1 - Szenario: beschreibt eine sich annähernde Welt menschliche Population erreicht gegen 2050 ihr Maximum und nimmt danach wieder ab Ökonomie basiert auf sauberen und ressourcenef- fizienten Technologien globale Lösungen für eine ökonomische, soziale und umweltbezogene Nachhaltigkeit, incl. einer wachsenden Fairness, aber ohne zusätzliche Klimainitiativen A2 - Szenario: sehr hetorogene Welt Eigenständigkeit und Erhalt lokaler Individualitäten menschliche Population wächst langsam, aber stetig ökonomische Entwicklung ist mehr regional orientiert und der technologische Fortschritt ist mehr fragmentiert, regional zersplittert B2 - Szenario: Welt mit Betonung auf lokale Lösungen hinsichtlich ökonomischer, sozialer und Umweltnachhaltigkeit stetige Entwicklung der menschlichen Population mit einer im Vergleich zu A2 geringeren Rate orientiert in Richtung Umweltschutz und sozialer Fairness Ausrichtung auf lokale und regionale Ebene

1. Quelle: Emissionsszenarien des IPCC (bis 2100) 2050 - 2060  ca. 460 – 620 ppm 1970 - 1979: 1.3 ppm / Jahr 1980 - 1989: 1.6 ppm / Jahr 1990 - 1999: 1.5 ppm / Jahr 2000 - 2006: 1.9 ppm / Jahr Atmosphärische CO2 -Konzentration Die atmosphärische CO2-Konzentration ist in der Vergangenheit gestiegen und wird auch zukünftig ansteigen (IPCC, 2007) Weigel u. Wenkel

1. Quelle: Emissionsszenarien des IPCC (bis 2100) Temperaturentwicklung und Szenarioprojektionen

2. Quelle: globale Klimamodelle Verschiedene globale Klimamodelle wurden entwickelt, die das gegenwärtige Wissen über die gemessenenen Klimaelemente aus der Vergangenheit berücksichtigen, aber auch das Wissen über die einzelnen das Klima beeinflussenden Triebkräfte und das Wissen über die komplexen Prozesse, die das Klima beeinflussen und regulieren. Aufgrund des begrenzt vorhandenen Daten- und Prozesswissens wurden durch die einzelnen Forschergruppen zur globalen Klimamodellierung weltweit unterschiedliche globale Klimamodelle entwickelt, die sich durch unterschiedliche Annahmen, Vereinfachungen, Prozessformulierungen und Programmierumsetzungen unterscheiden. Grossbritannien Deutschland Kanada Norwegen Frankreich unvollständiger Überblick

2. Quelle: globale Klimamodelle Niederschlagsänderung in Deutschland für 2021-2050 and 2071-2100 im Vergleich zu 1961-1990, abgeschätzt durch verschiedene globale Klimamodelle (Emission-Szenario A1B) regionalisiert mit dem dänischen HIRHAM 5 – Modell (Otte and Frühauf, 2011)

3. Quelle: Methoden der regionalen Klimaprojektion Basierend auf den verschiedenen globalen Klimamodellen wurden weltweit verschiedene Downscaling-Methoden für eine regionale Klimaprojektion entwickelt: ■ Dänemark: HIRHAM 5 ■ Norwegen: HIRHAM 2; HIRHAM 3 ■ Schweden: RCA 3.0 ■ Frankreich: ALADIN RM5.1 ■ Italien: RegCM 3 ■ Niederland: RACMO 2.1 ■ Grossbritannien: HADRM3Q0; HADRM3Q3; HADRM3Q16 ■ Russland: RRCM ■ Schweiz: CLM 2.4.6 ■ Spanien: PROMES 2005 ■ Deutschland: CLM 2.4.11; REMO_UBA; REMO_BfG; REMO 5.7; STAR; WETTREG; WEREX Die Modelle/Methoden zur Klimaregionalisierung können wie folgt klassifiziert werden: physikalisch-basierte dynamische Modelle (Deutschland: REMO, CLM) statistisch-basierte Modelle (Deutschland: STAR, STAR2) kombinierte dynamisch-statistische Modelle (Deutschland: WETTREG, WEREX)

3. Quelle: Methoden der regionalen Klimaprojektion Niederschlagsänderung in Deutschland für 2021-2050 and 2071-2100 im Vergleich zu 1961-1990, abgeschätzt durch verschiedene Downscaling-Modelle, dargestellt für 3 globale Klimamodelle (Emissions-Szenario: A1B) (Otte and Frühauf, 2011)

3. Quelle: Methoden der regionalen Klimaprojektion Vergleich der regionalen Klimaprojektionen REMO, WETTREG and STAR für die Jahresmitteltemperatur von Sachsen-Anhalt PIK-Study „Klimawandel Sachsen- Anhalt“, 2009

3. Quelle: Methoden der regionalen Klimaprojektion Vergleich der regionalen Klimaprojektionen REMO, WETTREG and STAR für die jährliche Niederschlagssumme von Sachsen-Anhalt PIK-Study „Klimawandel Sachsen- Anhalt“, 2009

3. Quelle: Methoden der regionalen Klimaprojektion Mittlere Jahrestemperatur und jährliche Nieder-schlagssumme im Vergleich von drei Regionalisierungs-Methoden und zwei Emissions-Szenarien (STAR2 (2 K), WETTREG (A1B, B1) and CLM (A1B, B1)) für Müncheberg WETTREG: statistische Methode, Mittel aus 3 Realisierungen (feucht, trocken, normal); STAR2: statistische Methode, Mittel aus 5 Realisierungen; CLM: physikalisch-basierte Methode, Mittel aus zentralem und den 8 umliegenden Gitterpunkten

4. Quelle: Wirkmodelle Modellansätze für die klimasensitive mathematische Beschreibung von Faktoren, Kenngrößen und Prozessen in der Landwirtschaft wie z.B. Pflanzenontogenese, pflanzliche Ertragsbildung / Produktivität, Bestandesverdunstung oder Wassererosion auf Ackerflächen existieren in einer breiten Vielfalt. Die Vielfalt in den Modellansätzen beruht auf den verschiedenen Prozess- formulierungen, getroffenen Vereinfachungen und Annahmen sowie auf den unterschiedlichen Prametrisierungsverfahren. Hier gibt es: - dynamische prozess-basierte Modelle - statistisch-basierte Modelle - Fuzzy -Modelle - Neuronale Netze  Die Wirkmodelle sind eine Hauptquelle für die “strukturelle Unsicherheit” !

4. Quelle: Wirkmodelle – im ZALF Müncheberg genutzte Modelle - Dynamische prozess-basierte Agrarökosystem-Modelle Modell AGROSIM (AGRO-ecosystem SIMulation) Modell MONICA (MOdel of NItrogen and Carbon dynamics in Agro-ecosystems)

4. Quelle: Wirkmodelle – im ZALF Müncheberg genutzte Modelle - Statistisch-basierte Modelle Model YIELDSTAT (crop YIELD STATistics) Model ONTO (ONTOgenese landwirtschaftlicher Kulturen)

4. Quelle: Wirkmodelle – im ZALF Müncheberg genutzte Modelle - Fuzzy Modell und Neuronales Netz zur Ertragsschätzung Feedforward Network: K 1 Hidden and 1 Output Layer, K Transfer function: tanh Ackerzahl [-]: sehr schlecht - schlecht - mittel - gut - sehr gut - N-Düngung [kg N ha-1]: niedrig - mittel - hoch - sehr hoch - klimatische Wasserbilanz [mm]: trocken - mittel - feucht - Ableitung von 60 expertenbasierten Regeln Ertrag [dt ha-1]

4. Quelle: Wirkmodelle Region Uckermark Weißeritzkreis Unsicherheit bei der Schätzung des Winterweizen-Ertrages in der Region Uckermark und im Weißeritzkreis, hervorgerufen durch die beiden Wirkmodelle MONICA und YIELDSTAT unter Nutzung der regionalen Klimaprojektion WETTREG (Emission-Szenario: A1B)

4. Quelle: Wirkmodelle A B Vergleich gemessener und mit verschiedenen Modellen berechneter Winterweizen-Erträge (Rabbinge & van Diepen, 2000; van Lanen, et al, 1992; Harrison et al, 2000) Olesen & Bindi, 2002

4. Quelle: Wirkmodelle am Modellvergleich teilnehmenede Modelle Output-Vergleich verschiedener klimasensitiver Wirkmodelle (Agrarökosystemmodelle) bezüglich temperatur- und feuchteabhängiger Teilprozesse des Stickstoffhaushaltes im System Boden-Pflanze [Standort Müncheberg] (Kersebaum et al., 2007)

Beispiele für Unsicherheit im Rahmen der Klimafolgenabschätzung

1. Klimatische Wasserbilanz Vergleich verschiedener regionaler Klimaprojektionen und Emissionsszenarien (WETTREG (A1B, B1); STAR2) bezüglich ihrer Wirkungen auf die klimatische Wasserbilanz (hier: Dresden-Klotzsche) STAR 2 WETTREG A1B WETTREG B1 Entscheidungsgrundlage für: Bedarfsermittlung Zusatzwasser  Planung von Beregnungssystemen Fruchtfolgeoptimierung bezüglich des Pflanzenwasserbedarfs (in Deutschland ist der Winterfruchtanbau weinger mit Risiko behaftet als der Sommerfruchtanbau)

2. Vegetationsperiode Region Uckermark Weißeritzkreis Beginn, Ende und Dauer der Vegetationsperiode für die Uckermark-Region und den Weißeritzkreis für unterschiedliche regionale Klimaprojektionen und Emissionsszenarien (WETTREG/A1B, WETTREG/B1 and STAR2 /2K), abgeschätzt mit der Methode nach Chmielewski (2003) Region Uckermark Weißeritzkreis Entscheidungsgrundlage für: Ableitung von Einsatzzeitpunkten verschiedener agrotechnischer Maßnahmen (Bodenbearbeitung, Aussaat, Düngung, Pflanzenschutz, Ernte) Fruchtfolgegestaltung (Zweikultur-Systeme ?)

3. Pflanzenentwicklung (Ontogenese) Einfluß unterschiedlicher regionaler Klimaprojektionen (WETTREG, COSMO-CLM and STAR) und Emissionsszenarien (A1B and B1) auf die Entwicklung von Winterweizen am Standort Müncheberg (Ontogenesemodell ONTO) Entscheidungsgrundlage für: Termine für Bodenbearbeitung, Aussaat, Düngung, Pflanzenschutz und Ernte Fruchtfolgegestaltung(Zweikultur-Systeme ?)

4. Pflanzenertrag (1) Einfluß unterschiedlicher regionaler Klimaprojektionen und verschiedener Emissionsszenarien auf den Ertrag landwirtschaftlicher Kulturen in der Region Uckermark (Bodenbearbeitung mit Pflug, ohne Beregnung, mit CO2-Effekt, ohne Entwicklungstrend) Winterweizen Winterroggen Winterraps Wintergerste Entscheidungsgrundlage für: Anbaumanagement (Bodenbearbeitung, Düngung, Pflanzenschutz) Fruchtfolge (Grundlage für ökonomische Betriebsplanung)

4. Pflanzenertrag (2) Einfluß unterschiedlicher regionaler Klimaprojektionen und verschiedener Emissionsszenarien auf den Ertrag landwirtschaftlicher Kulturen in der Region Uckermark (Bodenbearbeitung mit Pflug, ohne Beregnung, mit CO2-Effekt, ohne Entwicklungstrend) Silomais Zuckerrüben Entscheidungsgrundlage für: Anbaumanagement (Bodenbearbeitung, Düngung, Pflanzenschutz) Fruchtfolge (Grundlage für ökonomische Betriebsplanung)

4. Pflanzenertrag (3) Abweichungen beim Erreichen des Biomassestatus TM>30% bei Silomais in Deutschland in 2021-2050 im Vergleich zu 1971-2050 [Sandböden, frühreifende Sorten] (Otte and Frühauf, 2011) – Negativwerte  Verfrühung - Entscheidungsgrundlage für: Anbaumanagement (Fruchtfolge, Aussaattermin, Bodenbearbeitung, Düngung, Pflanzenschutz)

4. Pflanzenertrag (4) Vergleich berechneter Winterweizen-Kornerträge (Grundlage: 8 Pflanzen-wachstumsmodelle [M1 – M8]) mit gemessenen Kornerträgen Mittel aus allen 8 Modellen Observed results Rötters et al., 2011

- Annahme: heutiges Anbauverhältnis - 5. Bodenerosion durch Wasser Bodenerosion durch Wasser für die Region Uckermark und den Weißeritzkreis bei Verwendung verschiedener regionaler Klimaprojektionen und Emissionsszenarien - Annahme: heutiges Anbauverhältnis -  bergige Landschaft  flache Landschaft Entscheidungsgrundlage für: Bodenbearbeitung (reduziert, völlig ohne, andere anti-erosive Anbaumethoden) Fruchtfolge (Achtung bei Reihenkulturen, ständige Pflanzenbedeckung)

Schlussfolgerungen

Die regionale Klimafolgenabschätzung ergibt für landwirtschaftlich relevante Kenngrößen weite Ergebnisspektren, hervorgerufen durch die Unsicherheiten bei den Emissionsszenarien, den globalen Klimamodellen, den Methoden der regionalen Klimaprojektion und den verwendetenWirkmodellen. Der beste Weg, um solide Antworten auf Fragen zu geben, die mit der Klimafolgenabschätzung zusammenhängen, ist die Realisierung von Multi-Ensemble- und Multi-Modell-Simulationen. Die Wirkung der Klimaänderung auf die Landwirtschaft kann positiv oder negativ ausfallen, ganz in Abhängigkeit von den gewählten Klimaprojektionen und Emissionsszenarien. Die simulierten Auswirkungen einer regionalen Klimaveränderung sind im Osten Deutschlands in der näheren Zukunft bis 2050 relativ gering. Es gibt Gewinner (Winterfruchtanbau) und Verlierer (Sommerfruchtanbau) Wenn man die vielen Unsicherheiten berücksichtigt, besteht die beste Anpassung der Landwirtschaft an die Klimaänderung in: ● einem gutem Mix verschiedener Anbausysteme, ● unterschiedlichen Managementoptionen, ● einem breiten Spektrum angebauter Fruchtarten, ● der Nutzung einer umweltverträglichen Zusatzbewässerung, ● der Aufrechterhaltung eines hohen Bodenfruchtbarkeitsniveaus, ● der Nutzung hochproduktiver und stresstoleranten Sorten (Anspruch an die Züchter) und ● der Anwendung neuer Anbautechnologien, wie Streifenanbau, Precision Farming oder Energie- Plantagen Interaktive Entscheidungshilfesysteme (DSS) für Simulationen und eine integrierte Folgenabschätzung für landwirtschaftliche Anpassungsstrategien an den Klimawandel, wie Fruchtfolge, Bodenbearbeitung, Düngung, oder Bewässerung, sind sehr wichtige Hilfsmittel für Landwirte und andere Stakeholder.

Danke für Ihre Aufwerksamkeit !