Advancing the representation of agricultural systems in land surface models: systematic model evaluations and technical model developments

Boas, Theresa Sophie; Hendricks-Franssen, Harrie-Jan; Western, Andrew; Diels, Jan

doi:10.18154/RWTH-2024-09591

Advancing the representation of agricultural systems in land surface models: systematic model evaluations and technical model developments

Boas, Theresa Sophie^RWTH*

2024 & 2025

VerantwortlichkeitsangabeTheresa Sophie Boas

ImpressumJülich : Forschungszentrum Jülich GmbH, Zentralbibliothek, Verlag 2024

Umfang1 Online-Ressource (xxi, 146 Seiten) : Illustrationen, Diagramme, Karten

ISBN978-3-95806-777-6

ReiheSchriften des Forschungszentrums Jülich. Reihe Energie & Umwelt = Energy & environment ; 640

Dissertation, RWTH Aachen University, 2024. - Dissertation, University of Melbourne, 2024

Druckausgabe: 2024. - Onlineausgabe: 2024. - Auch veröffentlicht auf dem Publikationsserver der RWTH Aachen University 2025. - Cotutelle-Dissertation

Genehmigende Fakultät
Fak05

Hauptberichter/Gutachter
Hendricks-Franssen, Harrie-Jan (Thesis advisor)^RWTH* ; Western, Andrew (Thesis advisor) ; Diels, Jan (Thesis advisor)

Tag der mündlichen Prüfung/Habilitation
2024-03-18

Online
DOI: 10.18154/RWTH-2024-09591
URN: urn:nbn:de:hbz:5:2-1401877
URL: https://publications.rwth-aachen.de/record/994926/files/994926.pdf

Einrichtungen

Inhaltliche Beschreibung (Schlagwörter)
agricultural systems (frei) ; land surface modelling (frei) ; soil moisture simulation (frei) ; technical model development (frei)

Thematische Einordnung (Klassifikation)
DDC: 550

Kurzfassung
Der globale Klimawandel stellt die Landwirtschaft auf globaler und regionaler Ebene vor neue Herausforderungen. Insbesondere die prognostizierte Zunahme extremer Wetterbedingungen wie Dürren, Überflutungen, Unwetter und Veränderungen der Saisonalität sind Risikofaktoren, deren Auswirkungen sorgfältig untersucht und quantifiziert werden müssen. Diese Untersuchungen sind von großer Bedeutung, um effektive Anpassungsstrategien entwickeln und die Sicherheit in der Landwirtschaft zu gewährleisten zu können. Während die allgemeinen Auswirkungen des Klimawandels auf die globale Ernährungssicherheit ein viel erforschtes Thema sind, bleiben die Implikationen für saisonale Ertragsschwankung auf regionaler Ebene noch weitgehend nicht quantifiziert. Landoberflächenmodelle spielen eine zentrale Rolle in der Erforschung der Auswirkungen des Klimawandels auf die Erdoberfläche. Sie berücksichtigen komplexe Wechselwirkungen an der Erdoberfläche in Reaktion auf atmosphärische Bedingungen und können in Kombination mit saisonalen Wettervorhersagen wertvolle Informationen für Risikoabschätzungen (Dürren und Überflutungen), den Wasserhaushalt und die landwirtschaftliche Planung liefern. Um die Auswirkungen der landwirtschaftlichen Landnutzung auf den Wasserkreislauf, den Energiehaushalt und die biogeochemischen Kreisläufe besser zu verstehen, ist die Integration eines umfassenden Pflanzenmoduls in Landoberflächenmodelle von großer Bedeutung. Dies ermöglicht eine verbesserte Simulation biogeophysikalischer und biogeochemischer Prozesse auf regionaler und globaler Ebene und unterstützt die Erforschung der Wechselwirkungen zwischen Klimawandel und landwirtschaftlich genutzten Flächen. Im Rahmen dieser Doktorarbeit wurde eine systematische Analyse des Landoberflächenmodells Community Land Model Version 5.0 (CLM5) auf lokaler und regionaler Skala durchgeführt. Hierzu wurden Daten aus einer Vielzahl von Quellen, wie Fernerkundung, numerischen Vorhersagen und Feldmessungen verwendet. Ein besonderer Analyseschwerpunkt lag hierbei auf der Darstellung von Ackerland und dessen Wechselwirkung mit wetterbedingten Faktoren im Kontext des Klimawandels. Im ersten Teil dieser Doktorarbeit wurde die Modell-Performance des neuen Pflanzenmoduls von CLM5 für mehrere Europäische Ackerstandorte mit langen Zeitreihen standortspezifischer und hochaufgelöster Messdaten getestet, angepasst und bewertet. Dabei lag der Fokus auf der Simulation des Pflanzenwachstums und der Ernteerträge spezifischer Nutzpflanzen, sowie der Darstellung von Wasser-, Energie- und Kohlenstoffflüssen. Um landwirtschaftliche Standorte besser abbilden zu können, wurde das Modell durch folgende Änderungen angepasst: (1) Die Ergänzung des Modellcodes durch Algorithmen zur Darstellung von Wintergetreide (unter anderem die Prozesse der Vernalisation, Temperaturresistenz und frostbedingter Schädigungen der Pflanze) basierend auf Lu et al. (2017); (2) die Implementierung von pflanzenspezifischen Parametern für Zuckerrüben, Kartoffeln und Winterweizen (hierbei wurden zwei neue Nutzpflanzen in die Liste der aktiv bewirtschafteten Kulturen in CLM5 aufgenommen) und (3), die Einführung eines neuen Algorithmus für Zwischenfruchtanbau und Fruchtwechsel. Die letzte Modifikation erlaubt die Simulation von Deckfrüchten, die typischerweise zwischen den Vegetationsperioden der Ertragspflanzen während der Wintermonate oder auf länger brachliegenden Feldern angebaut werden. Diese landwirtschaftliche Technik wird häufig in der regenerativen Landwirtschaft genutzt, um Erosion zu reduzieren und die Bodengesundheit sowie Kohlenstoffspeicherung zu verbessern. Der Vergleich der Simulationsergebnisse mit detaillierten Felddaten ergab, dass sowohl die neuen pflanzenspezifischen Parametrisierungen als auch die Berücksichtigung der wesentlichen phenologischen Prozesse von Winterweizen zu einer signifikanten Verbesserung der Simulationen führten. Verbesserungen ergaben sich bei der Simulation der Energieflüsse auf der Landoberfläche (Reduktion des RMSE für latente und sensible Wärme um bis zu 57 % bzw. 59 %), des Blattflächenindex, des Nettoökosystemaustausches und der Ernteerträge (bis zu 87 % Verbesserung bei der Vorhersage des Winterweizenertrags) im Vergleich zu den Standardeinstellungen des Modells. Zudem führten die technischen Veränderungen des Modellcodes zu einer erheblich verbesserten Darstellung der Feldbedingungen nach der Haupternte, sowohl in Bezug auf den saisonalen Verlauf des Blattflächenindex, als auch auf die Energieflüsse während der Wintermonate (Reduktion des RMSE für latente Wärme um 42 %). Insgesamt haben die Modifikationen die Modellsimulationen signifikant verbessert und sollten in zukünftige Studien mit CLM5 eingebunden werden, um regionale Ernteertragsvorhersagen zu verbessern und die Auswirkungen des landwirtschaftlichen Managements auf Kohlenstoff-, Wasser- und Energieflüsse im großen Maßstab besser untersuchen zu können. Im zweiten Teil der Doktorarbeit wurden die Modellverbesserungen auf regionaler Skala angewandt. Das Modell wurde für zwei verschiedene landwirtschaftliche Regionen in Kombination mit den aktuellsten saisonalen Wettervorhersagen des European Centre for Medium-Range Weather Forecasts (ECMWF) getestet. Saisonale Wettervorhersagen bergen ein großes Potenzial für regionale landwirtschaftliche Planung und Entscheidungsfindung, insbesondere in Verbindung mit weiteren Modellanwendungen, die relevante Informationen zu Ernteerträgen bestimmter Feldfrüchte liefern können. Trotz des großen Potenzials saisonaler Vorhersagen werden sie in der Praxis noch nicht weitreichend von Endverbrauchern genutzt. Dies ist hauptsächlich auf unzureichende Daten und das Fehlen benutzerfreundlicher Tools zur Verarbeitung der Rohdaten zurückzuführen. Diese Studie bietet einen ersten Einblick in die Anwendung saisonaler Vorhersageprodukte in der numerischen Modellierung. Simulationen mit saisonalen Wettervorhersagen und einem Referenzdatensatz aus Reanalyse-Wetterdaten wurden für die Anbausaisons (April - Oktober) der Jahre 2017 - 2020 und für zwei Modellgebiete mit unterschiedlichen Klima- und Anbaubedingungen durchgeführt: Ein Modellgebiet, welches das gesamte deutsche Bundesland Nordrhein-Westfalen (DE-NRW) umfasst und ein weiteres, welches sich über große Teile des australischen Bundesstaates Victoria (AUS-VIC) erstreckt. Nach einer umfassenden Aufbereitung der Vorhersagedaten (räumliche Skalierung aller Variablen, sowie zeitliche Skalierung von Niederschlag und einfallender kurzwelliger Strahlung) konnten die Simulationen mit den saisonalen Vorhersagen Ergebnisse erzielen, die sehr nah an denen der Referenzsimulationen lagen. Der mittlere jährliche Ernteertrag zeigte eine maximale Differenz von 0,28 t/ha für AUS-VIC und 0,36 t/ha für DE-NRW zwischen den Modellergebnissen mit saisonalen Vorhersagen und Reanalyse-Wetterdaten. Interessanterweise konnten die Simulationen mit saisonalen Wettervorhersagen die generell höhere interjährliche Ertragsvariabilität in AUS-VIC (ca. 50 % zwischenjährliche Variabilität in offiziellen Aufzeichnungen und bis zu 17 % in den Simulationsergebnissen) im Vergleich zu DE-NRW (mit ca. 15 % zwischenjährliche Variabilität in offiziellen Aufzeichnungen und bis zu 5 % in den simulierten Erträgen) erfassen. Die relativen Hoch- und Niedrigertragsjahre 2020 und 2018 spiegeln sich in den Simulationsergebnissen deutlich wider. Insbesondere die frühe Ernte im Dürrejahr 2018 im deutschen Gebiet konnte mit dem Modell in Verbindung mit saisonalen Wettervorhersagen prognostiziert werden. Während der allgemeine Entwicklungstrend der Bodenfeuchtigkeit, wie beispielsweise die europäische Dürre im Jahr 2018, von den saisonalen Experimenten erfasst wurden, wurden systematische Über- und Unterschätzungen der Bodenfeuchte im Vergleich zu Satelliten-Daten, dem Soil Moisture Active Passive Level-3 Bodenfeuchteprodukt (SMAP L3) und dem Soil Moisture Climate Change Initiative Combined Datensatz der European Space Agency (ESA-CCI), festgestellt. Obwohl das Modell insgesamt dazu in der Lage war die zwischenjährlichen Variationen der Produktivität anzudeuten, waren die Unterschiede zwischen den Jahren quantitativ deutlich geringer als in den offiziellen Erntestatistiken. Dies war sowohl bei den Simulationen mit saisonalen Vorhersagen, als auch bei den Referenzsimulationen der Fall. Insgesamt weisen diese Abweichungen auf die Notwendigkeit hin, die Darstellung dieser Variablen in CLM5 zu verbessern, um die Modellempfindlichkeit gegenüber Trockenstress und anderen Stressfaktoren für Pflanzen zu erhöhen. Auf diesen Erkenntnissen aufbauend wurden im dritten Teil der Doktorarbeit langjährige Simulationen, von 1999 bis 2019, mit meteorologischen Reanalyse-Wetterdaten für die gleichen Modellregionen durchgeführt. Hierbei wurde insbesondere die Leistung des Modells in Bezug auf die Simulation der jährlichen Ertragsschwankungen regionaler Feldfrüchte sowie die Auswirkungen von Wettertrends auf die simulierten Vegetationsproduktivität analysiert. Um systematische Ungenauigkeiten in den Simulationen bei der Darstellung der Ertragsvariabilität zu identifizieren, wurde der simulierte Ertrag mit der offiziellen Erntestatistiken der jeweiligen Regionen verglichen. Zusätzlich wurde untersucht, welche Variablen (z. B. Temperatur, Niederschlag, Bodenfeuchtegehalt) hauptsächlich für Veränderungen in der von CLM5 vorhergesagten Ertragsvariabilität verantwortlich sind. Darüber hinaus wurden synthetische Experimente durchgeführt, bei denen die Niederschlagsrate um 50% reduziert wurde, um die Beziehung zwischen simuliertem Ertrag und simulierten Bodenfeuchtegehalten genauer bewerten zu können. Insgesamt waren die Simulationsergebnisse in der Lage, die Gesamterträge bestimmter Kulturen zu reproduzieren, zeigten jedoch Einschränkungen bei der korrekten Erfassung der jährlichen Unterschiede im Ertrag, insbesondere bei Winterkulturen. Die mittlere interjährliche absolute Abweichung der simulierten Winterweizenerträge war 4,6-mal niedriger im Vergleich zu den offiziellen Erntestatistiken von 1999 bis 2019. Die Analyseergebnisse der Studie deuteten auf eine unzureichende Modellsensitivität gegenüber Trockenstress hin. Mögliche Ursachen für die Ungenauigkeiten bei den Ertragssimulationen und ihrer interjährlichen Variabilität konnten im Rahmen dieser Studie diskutiert werden: (1) ein Mangel an Sensitivität gegenüber Trockenstress und bei der Darstellung der Pflanzenhydraulik; (2) Ungenauigkeiten bei der Simulation des Bodenfeuchteregimes im Vergleich zu satellitengestützten Daten; und (3) ein fehlendes Einbeziehen weitere wichtiger Faktoren, die interjährliche Ernteertragsschwankungen beeinflussen können, wie menschliche Einflüsse (z. B. Managemententscheidungen, Düngertypen und Anwendungstechniken), weitere Umweltfaktoren (z.B. Krankheiten, Schädlingsbefall, Überflutungen) sowie Ungenauigkeiten in der Parametrisierung der entsprechenden Nutzpflanzen.

Global climate change, with its projected increase in weather extremes and drought risk, presents global and regional agriculture with vulnerability and new challenges. It is crucial to gain a comprehensive understanding and accurate quantification of the intricate dynamics of agricultural land cover and its role within the terrestrial system, especially in the context of climate change. Land surface models play a central role for the research on climate change effects on the Earth's surface and hold particular value in examining the influence of weather patterns on agricultural land at larger spatial scales. The incorporation of a comprehensive crop module in land surface models offers the possibility to study the effect of agricultural land use and land management changes on the terrestrial water, energy and biogeochemical cycles. It may help to improve the simulation of biogeophysical and biogeochemical processes on regional and global scales and thus to study climate change impacts on terrestrial ecosystem as well as the significance of human land cover changes for climate change. Land surface models simulate the complex interactions at the terrestrial land surface in response to atmospheric states, based on land cover and soil type information. In combination with data from different sources, like seasonal weather forecasts, land surface models can potentially provide useful information for water resources or agricultural planning. In this thesis, a systematic evaluation of the state-of-the-art land surface model, the Community Land Model version 5.0 (CLM5), was conducted from point to regional scales in combination with data from a multitude of sources, e.g. from remote sensing, numerical predictions and field observations. A special focus was placed on the representation of arable land and its feedback to weather related factors in the context of climate change. In the first part of this thesis, the performance of the crop module of CLM5 was evaluated at point scale with site specific field data focussing on the simulation of seasonal and inter-annual variations in crop growth, planting and harvesting cycles, and crop yields as well as water, energy and carbon fluxes. In order to better represent agricultural sites, the model was modified by (1) implementing the winter wheat subroutines after Lu et al. (2017) in CLM5; (2) implementing plant specific parameters for sugar beet, potatoes and winter wheat, thereby adding the two crop functional types (CFT) for sugar beet and potatoes to the list of actively managed crops in CLM5; (3) introducing a cover cropping subroutine that allows multiple crop types on the same column within one year. The latter modification allows the simulation of cropping during winter months before usual cash crop planting begins in spring, which is an agricultural management technique with a long history that is regaining popularity to reduce erosion, improve soil health and carbon storage, and is commonly used in the regions evaluated in this study. In comparison with field data, the crop specific parameterizations, as well as the winter wheat subroutines, led to a significant simulation improvement in terms of energy fluxes (RMSE reduction for latent and sensible heat by up to 57 % and 59 %, respectively), leaf area index (LAI), net ecosystem exchange and crop yield (up to 87 % improvement in winter wheat yield prediction) compared with default model results. The cover cropping subroutine yielded a substantial improvement in representing field conditions after harvest of the main cash crop (winter season) in terms of LAI magnitudes and seasonal cycle of LAI, and latent heat flux (reduction of winter time RMSE for latent heat flux by 42 %). Our modifications significantly improved model simulations and should therefore be applied in future studies with CLM5 to improve regional yield predictions and to better understand large-scale impacts of agricultural management on carbon, water and energy fluxes. These model improvements were then ported to the regional scale and tested in combination with sub-seasonal and seasonal weather forecasts in the second part of this thesis. Long-range weather forecasts provide predictions of atmospheric, ocean and land surface conditions that can potentially be used in land surface and hydrological models to predict the water and energy status of the land surface or in crop growth models to predict yield for water resources or agricultural planning. However, the coarse spatial and temporal resolutions of available forecast products have hindered their widespread use in such modelling applications, which usually require high-resolution input data. In this study, we applied sub-seasonal (up to 4 months) and seasonal (7 months) weather forecasts from the latest European Centre for Medium-Range Weather Forecasts (ECMWF) seasonal forecasting system (SEAS5) in a land surface modelling approach using the Community Land Model version 5.0 (CLM5). Simulations were conducted for 2017-2020 forced with sub-seasonal and seasonal weather forecasts over two different domains with contrasting climate and cropping conditions: the German state of North Rhine-Westphalia (DE-NRW) and the Australian state of Victoria (AUS-VIC). We found that, after pre-processing of the forecast products (i.e. temporal downscaling of precipitation and incoming short-wave radiation), the simulations forced with seasonal and sub-seasonal forecasts were able to provide a model output that was very close to the reference simulation results forced by reanalysis data (the mean annual crop yield showed maximum differences of 0.28 and 0.36 t/ha for AUS-VIC and DE-NRW, respectively). Differences between seasonal and sub-seasonal experiments were insignificant. The forecast experiments were able to satisfactorily capture recorded inter-annual variations of crop yield. In addition, they also reproduced the generally higher inter-annual differences in crop yield across the AUS-VIC domain (approximately 50 % inter-annual differences in recorded yields and up to 17 % inter-annual differences in simulated yields) compared to the DE-NRW domain (approximately 15 % inter-annual differences in recorded yields and up to 5 % in simulated yields). The high- and low-yield seasons (2020 and 2018) among the 4 simulated years were clearly reproduced in the forecast simulation results. Furthermore, sub-seasonal and seasonal simulations reflected the early harvest in the drought year of 2018 in the DE-NRW domain. However, simulated inter-annual yield variability was lower in all simulations compared to the official statistics. While general soil moisture trends, such as the European drought in 2018, were captured by the seasonal experiments, we found systematic overestimations and underestimations in both the forecast and reference simulations compared to the Soil Moisture Active Passive Level-3 soil moisture product (SMAP L3) and the Soil Moisture Climate Change Initiative Combined dataset from the European Space Agency (ESA-CCI). These observed biases of soil moisture and the low inter-annual differences in simulated crop yield indicate the need to improve the representation of these variables in CLM5 to increase the model sensitivity to drought stress and other crop stressors. While extensive research is dedicated to investigating the impacts of changing climate conditions on global food security, the specific implications for regional inter-annual yield variability remain largely uncertain. In the final part of this thesis, the model’s ability to represent the inter-annual variability of crop yield in comparison to recorded yield variability was evaluated in multi-decadal simulations (1999-2019) that were forced with the WFDE5 reanalysis. Additionally, synthetic experiments were performed for both regional domains, AUS-VIC and DE-NRW, and forced with a reduced precipitation rate (50% of the reanalysis precipitation), allowing for a more detailed analysis of crop water stress regimes and correlations between seasonal rainfall and crop yields. Overall, the simulation results were able to reproduce the total annual crop yields of certain crops, with RMSE values between 0.52 t/ha to 1.76 t/ha in AUS-VIC and 0.61 t/ha and 1.58 t/ha in DE-NRW, while also capturing the differences in total yield magnitudes between the domains. However, the simulations showed limitations in correctly capturing inter-annual differences of crop yield compared to official yield records, in particular for winter crops, which resulted in relatively low correlations (maximum correlation coefficients of 0.39 in AUS-VIC and 0.42 in DE-NRW). Specifically, the mean absolute anomaly of simulated winter wheat yields was up to 4.6 times lower compared to state-wide records from 1999 to 2019. Our results suggest the following limitations of CLM5 in predicting inter-annual variability in crop yields: (1) limitations in simulating yield responses from plant hydraulic stress; (2) errors in simulating soil moisture contents compared to satellite-derived data; and (3) errors in the representation of cropland in general, e.g. crop parameterizations, differentiations of crop varieties, and human influences (such as management decisions, fertilizer types, and application techniques).

OpenAccess:
PDF
(additional files)
External link:
Fulltext by OpenAccess repository