Model-based quantification of nitrate-nitrogen leaching considering sources of uncertainty

More precise determination of nitrate-nitrogen losses is still required because of high variations regarding inorganic and/or organic N fertilization, portions of harvest amounts and residues, and associated C and N transformations in soil and plant. The nitrate-nitrogen leaching in agricultural soils is the dominating process of an unwanted nitrogen loss, esp. under winter mild, humid climate and artificial drainage. In the course of this thesis, (I) the general applicability of the process-based model CoupModel (Jansson and Karlberg, 2010) was investigated at first by means of a baseline scenario in the form of a temporary red clover catch crop (undersown in winter wheat) without considering uncertainties arising from model parameterization. (II) Within different approaches of automated model optimization, a number of sensitive input parameters were selected to vary between predefined ranges. Both the Bayesian approach and the Generalized Likelihood Uncertainty Estimation (GLUE) were tested on mown permanent grassland. As one result, the GLUE approach was chosen because of its more universal applicability to investigate the impact of input-parameter uncertainties on (III) soil water balance and (IV) nitrate-nitrogen leaching under different silage maize cultivations. Furthermore, impact of undersown annual grass on the soil water balance and its efficiency to reduce the nitrate-nitrogen leaching under silage maize were evaluated. The combination of uncertainties arising from measurements and model parameterization suggested that common guide values for the nitrate-nitrogen leaching are hardly reliable without considering tolerable variations.

Eine genauere Bestimmung der Verluste an Nitrat-Stickstoff wird aufgrund der hohen Schwankungsbreite hinsichtlich mineralischer und/oder organischer Duengung, der Anteile von Erntemasse und -rueckstaenden bzw. der damit verbundenen C- und N-Transformationsprozesse in Boden und Pflanze benoetigt. Die Nitratauswaschung unter landwirtschaftlich genutzten Boeden ist der dominierende Vorgang eines unerwuenschten Stickstoffverlustes, insbesondere unter wintermilden, humiden Witterungsbedingungen und in kuenstlichen Drainagen. Im Rahmen dieser Doktorarbeit wurde (I) die generelle Anwendbarkeit des prozessbasierten Modells CoupModel (Jansson und Karlberg, 2010) zunaechst fuer ein Basisszenario in Form einer temporaeren Rotklee-Zwischenfrucht (eingesaet in einen Winterweizen-Bestand) ohne die Beruecksichtigung von Unsicherheiten hervorgerufen durch die Modellparametrisierung ueberprueft. (II) Im Rahmen von verschiedenen Ansaetzen zur automatischen Modelloptimierung wurden mehrere sensitive Eingabe-Parameter ausgewaehlt, welchen eine gewisse Unsicherheit innerhalb eines vorgegebenen Wertebereichs unterstellt wurde. Sowohl der Bayessche Ansatz als auch der Generalized Likelihood Uncertainty Estimation (GLUE) Ansatz wurde danach fuer ein Dauergruenland unter Schnittnutzung getestet. Basierend darauf wurde der GLUE-Ansatz aufgrund seiner universelleren Anwendbarkeit ausgewaehlt, um den Einfluss der Parameter-Unsicherheit auf (III) die Wasserbilanz im Boden und (IV) die Nitratauswaschung unter verschiedenen Silomais-Systemen zu untersuchen. Weiterhin sollten der Einfluss einer einjaehrigen Gras-Untersaat auf die Wasserbilanz im Boden und die Effizienz zur Verminderung der Nitratauswaschung unter Silomais bewertet werden. Durch die kombinierte Betrachtung von Unsicherheiten bedingt durch Messungen und Modell-Parametrisierung konnte gezeigt werden, dass allgemein gueltige Werte fuer die Nitratauswaschung kaum anwendbar bzw. uebertragbar sind ohne Beruecksichtigung einer tolerierbaren Variabilitaet.

Rechte

Nutzung und Vervielfältigung:

Keine Lizenz. Es gelten die Bestimmungen des deutschen Urheberrechts (UrhG).

Bitte beachten Sie, dass einzelne Bestandteile der Publikation anderweitigen Lizenz- bzw. urheberrechtlichen Bedingungen unterliegen können.

Zitieren

Zitierform:
Zitierform konnte nicht geladen werden.