Arbeitsgruppe Meteorologische Umweltforschung/Klimatologie

1. Arbeitsgruppe Meteorologische Umweltforschung/Klimatologie Institut für Meteorologie und Geophysik der J. W. Goethe-Universität Frankfurt/M. Witterungseinflüsse auf Ernteerträge in der BRD (West) 1950 - 1998 Tim Staeger

2. Gliederung: Teil I: 1. Daten 2. Einfache statistische Zusammenhänge 3. Zusammenfassung I Teil II: 4. Regressions-Modell 5. Ausgewählte Ergebnisse der Regression 6. Zusammenfassung II

3. 1. Daten: a) Die Ertragsdaten: Jährliche Erträge in [t/ha] 1950 – 1998 von 21 ausgewählten Fruchtarten für 7 Bundesländer (BRD West) Quelle: Statistisches Bundesamt

4. Welcher Anteil der Variationen in Ertragsreihen kann potentiell Witterungseinflüssen zugeordnet werden?

5. Ertragsentwicklung (dt/ha) von Getreidearten: 1 heutige Wildpflanzenbestände im vorderasiatischen Raum; 2 Norddeutscher Raum; 3 Deutsches Reich; 4 BRD; 5 Spitzenerträge landwirtschaftlicher Betriebe in der BRD Nach Geisler 1988

6. Annahme: Der Trend in den Ertrags-Zeitreihen kann nicht auf meteorologische Ursachen zurückgeführt werden Desshalb: Hochpassfilterung zur Elimination dieses tieffrequenten Anteils Verwendung der Residuen nach 10-jähriger Gauss‘scher Tiefpassfilterung Folge: Die eventuell vorhandenen Wirkungen langfristiger Klimatrends können nicht mehr untersucht werden. Ziel ist es also witterungsbedingte Schwankungen in den Ertrags-Zeitreihen zu identifizieren.

8. b) Die Klimadaten: Rohdaten: Monatsmittel bzw. -summen von Temperatur und Niederschlag auf einem 0,5 x 0,5 Gitter 1950 - 1998 Quelle: C. Willmott und K. Matsuura, University of Delaware Vorbehandlung: Zur Erhaltung jeweils einer einzigen repräsentativen Zeitreihe pro Bundesland: EOF-Zerlegung der in diesem Bundesland liegenden Gitterpunktsreihen und Verwendung der 1. PC-Zeitreihe. Nachfolgend Hochpassfilterung analog den Ertragsreihen.

9. 2. Einfache statistische Zusammenhänge: a) Witterungssensitivität: Fragestellung: Wie unterschiedlich stark reagieren verschieden Fruchtarten auf Witterungseinflüsse? Ansatz: Als Maß dient die Standardabweichung der hochpassgefilterten Ertragsreihe, die mit dem Mittelwert der ungefilterten Reihe normiert wird:

11. „Sensitivitätsrangliste“:

12. b) Korrelationen zwischen Ertragsreihen: Fragestellungen: Gibt es Fruchtarten, die aufgrund ihrer ähnlichen Ertragsentwicklung zu Gruppen zusammengefasst werden können? Wie gut ist die Repräsentanz einzelner Fruchtarten innerhalb der untersuchten Bundesländer?

14. Bildung von Gruppen:

16. c) Korrelationen zwischen Ertragsreihen und Klimadaten: Fragestellungen: Gibt es bestimmte Monate, die für ausgewählte Fruchtarten und Klimaelemente von besonderer Bedeutung sind? Weisen aus Temperatur und Niederschlag abgeleitete Einflussgrößen hohe und plausible Korrelationen auf?

18. Abgeleitete Einfluss-Zeitreihen: I: Quadrieren: Vorstellung: Die Pflanze reagiert auf Extreme – sind Temperatur und/oder Niederschlag in einem „gemäßigten“ Bereich, wirken sie sich nur schwach auf den Ertrag aus.

20. II: Produkt- und Quotientenreihen aus T und N: Vorstellung: Temperatur und Niederschlag wirken in Kombination. Ist z.B. ein Sommermonat zu trocken und zu warm kann es bei bestimmten Fruchtarten zu Ernteeinbrüchen kommen. Hierbei verstärken Produktreihen gleichsinnige Anomalien, Quotientenreihen gegensinnige Anomalien.

22. 3. Zusammenfassung I: Es scheint nicht möglich Wirkungen von Klimatrends in Ertragsreihen zu finden, da deren Trends zum weitaus größten Teil der Züchtungsvarianz zugeordnet werden muss. Die Witterungssensitivität der einzelnen Fruchtarten ist in den unterschiedlichen Bundesländern z.T. sehr verschieden. Spargel ist jedoch mit Abstand am sensitivsten; Wintergetreide und Kohl dagegen eher „robust gegenüber Witterungseinflüssen. Verschiedene Fruchtarten lassen sich aufgrund hoher Korrelationen zwischen den Ertragsreihen zu Gruppen wie z.B. Getreide zusammenfassen. Die räumliche Repräsentanz des Ertrages einzelner Fruchtarten ist sehr unterschiedlich. Am höchsten ist sie bei Rüben, am niedrigsten für Kohl und Erdbeeren. Die linearen Korrelationskoeffizienten zwischen Erträgen und den verwendeten Klimaelementen zeigen z.T. deutliche und interpretierbare Charakteristika. Die Korrelationen mit abgeleiteten Einflussreíhen (T², N², TN T/N) lassen sich z.T. ebenfalls plausibel interpretieren, was deren Verwendung rechtfertigt.

23. 4. Regressionsmodell: Problemstellung: Es existieren sehr viele potentielle Regressoren (Monatsmittel bzw. –summen der Vegetationsperiode, quadratische und kombinierte Einflussreihen). Das Modell soll jedoch nur die wichtigsten Einflüsse berücksichtigen, um möglichst interpretierbar zu sein und eine Überanpassung zu vermeiden. Ansatz: Modellauswahl mittels Schrittweiser Regression

24. Rd zurück ins Reservoir Ende; Modell: nein ja Modell: ja nein Modell: Reservoir Rpot Vorwärts-Regression: MLR mit RnundRi für jedes einzelne Ri Ist der sig. Reg.-Koeff. noch signifikant? Rückwärts-Regression: MLR mit RnohneRj für jedes einzelne Rj Ist der unsig. Reg.-Koeff. noch signifikant?

25. Potentielle Regressoren: Monatsmittel der Temperatur und Monatssummen des Niederschlages ab einem Monat vor Beginn der Vegetationsperiode bis zum mittleren Erntemonat. Analog quadratische Reihen der Temperatur und des Niederschlages, sowie Produkt- und Quotientenreihen. Weiterhin über die Vegetationsperiode gemittelte (einschließlich quadrierter und kombinierter) Reihen.

26. a) Modelldimensionen: Anzahl potentieller Regressoren: 34 -78 5. Ausgewählte Ergebnisse der Regression:

27. 5. Ausgewählte Ergebnisse der Regression: b) Erklärte Varianzen:

28. 5. Ausgewählte Ergebnisse der Regression: b) Erklärte Varianzen:

29. 5. Ausgewählte Ergebnisse der Regression: b) Erklärte Varianzen:

30. 5. Ausgewählte Ergebnisse der Regression: b) Erklärte Varianzen:

33. c) Selektierte Regressoren:

34. Getreide

35. Rüben

36. Gras / Klee

37. 6. Zusammenfassung II: Die verwendete Selektionsstrategie versucht ein möglichst einfaches Modell relevanter Regressoren zu finden, deren Koeffizienten einem Signifikanztest unterzogen werden. Die Modelldimensionen variieren zwischen 2 und 14 mit einem Maximum bei 8 Regressoren. Die Signifikanz der erklärten Varianzen wurde mit Hilfe von Zufallsreihen qualitativ abgeschätzt. Durch diese Abschätzung ergibt sich, dass etwa 75% der erklärten Varianzen die „1-Sigma“-Schwelle, und etwa 40 % die „2-Sigma“-Schwelle überschreiten. Am stärksten heben sich die e.V.‘s von Baden-Württemberg, sowie von Sommergerste, Frühkartoffeln und Spargel vom Zufall ab; am zufälligsten sind jene aus NRW bzw. Schleswig-Holstein, sowie von Wintergerste, Winterweizen und Körnermais. Die selektierten Regressoren sind für unterschiedliche Fruchtarten und –Gruppen z.T. charakteristisch verteilt. Besonders auffällig ist: Bei Getreide wirkt sich zuviel Niederschlag im April negativ auf die Erträge aus.