Erntestatistik Niedersachsen

Erntestatistiken die sich auf die Quelle (LSKN 2011a), also den frei zugänglichen Daten des Lan-desbetriebs für Statistik und Kommunikationstechnologie Niedersachsen, beziehen, entstammen im engeren Sinne den jährlichen Ernteberichten die unterhttp://www.nls.niedersachsen.de/

Tabellen/Landwirtschaft/ernte03/ernte03.htm zu finden sind.

3.5 Datenverarbeitung

DasBioStarModell benötigt die vorhandenen Klimadaten in einem speziellen Format, nämlich einer Tabelle deren Spalten die folgenden Elemente in ebendieser Reihenfolge vorweist:

FL_NR | MON | RJ|PREC |TCEL |HAIRFR|WIND

FL_NR Bezeichnet eine eindeutig zu wählende Flächennummer. Für diese Arbeit wurden die offiziellen Flächennummern der BÜK50n übernommen. Werte in diesem Feld müssen vom Typ Long Integer sein

MON Enthält die Ziffer des jeweiligen Monats. Die Werte befinden sich deshalb im Bereich 1 bis 12 und müssen vom TypInteger sein

RJ Das Feld enthält die mittlere monatliche Strahlung der jeweiligen Fläche in der Einheit Joule / cm²/ Tag (siehe auch 3.4.1). Werte müssen vom TypInteger sein.

PREC Enthält die Summe des monatlichen Niederschlags der jeweiligen Fläche in der Einheit mm / qm. Werte müssen vom TypFloat sein.

TCEL Enthält die Monatsmitteltemperaturen der jeweiligen Fläche in^◦C. Werte müssen vom Typ Float sein.

HAIRFR Enthält die relative Luftfeuchtigkeit der jeweiligen Fläche in % / 100 (siehe auch 3.4.2).

Werte müssen vom TypFloat sein.

WIND Beschreibt die mittlere Windgeschwindigkeit in 2 m Höhe über der jeweiligen Fläche (siehe auch 3.4.3). Werte müssen vom TypFloat sein.

Die Klimawerte wurden anhand eines Python Skriptes und des ArcGIS ToolsZonal Statistics As Table als Mittelwert für 91015 Flächen der BÜK50n berechnet. Die Flächen 131407 und 226212 wurden aufgelöst und den Flächen 131379 bzw. 226096 zugeschlagen, da deren Fläche zu klein war um eigene Werte aus den Klimadaten zu extrahieren (limitiert durch die Arbeitsweise

3.5 Datenverarbeitung

des Tools in ArcGIS 10). Für jeden Monat der Jahre 2001 bis 2099 (für diese Jahre lagen Daten aller Klimaparameter vor) wurde eine separate .dbf Datei erzeugt⁹.

Über ein weiteres Skript wurden die Monatswerte zu .dbf-Tabellen zusammengefasst, die alle Monate und alle Flächen enthalten (insgesamt 1.092.180 Zeilen). Da Excel 2010 „nur“ 1.048.576 Zeilen unterstützt wurden die Jahrestabellen direkt in eine Access-Datenbank geladen. Wichtig hierbei ist es eine Indizierung der Flächennummern vorzunehmen (ebenso bei den Tabellen der Bodendaten), da sonst das Auslesen durch dasBioStar Modell um den Faktor 40 verlangsamt wird. Da Access Datenbanken wiederrum nur bis zu einer Größe von 2 GB unterstützt werden, wurden zehn Datenbanken angelegt, die jeweils zehn Jahre umfassen. Jede Datenbank umfasste damit ca. 722 MB und lies so ausreichend Raum für die zu generierenden Ergebnistabellen, die ebenfalls in die Datenbanken geschrieben werden.

Über ein Python Skript wurde die Kommandozeilenversion desBioStar Modells aufgerufen.

Automatisch wurden für das jeweilige Jahr die Parameter übergeben (entsprechende Datenbank, Feldfrucht, CO₂ Gehalt etc.). Eine Feldfrucht wurde für die vorhandenen 99 Jahre komplett durchgerechnet und die erzeugten Ergebnistabellen anschließend manuell in eine neue Datenbank kopiert. Im Ergebnis liegt nun für jede Feldfrucht eine eigene Datenbank vor, die für alle 91015 Flächen und 99 Jahre die Ergebnisse enthält.

Aus diesen Datenbanken wurden nun für jede Frucht und jeden Parameter (Biomasse, Kornan-teil etc.) eine eigene Excel-Datei erstellt, die für jede Fläche und 99 Jahre den jeweiligen Wert enthält (insgesamt also jeweils 9.010.485 Einzeldaten). Da eine Access-Abfrage mit 100 Tabellen nicht möglich war, mussten 4 Untertabellen erstellt werden, die anschließend manuell in eine Excel Datei zusammengefasst wurden.

Die schiere Masse der Daten begünstigt selbstverständlich auch das Auftreten von Ausreißern.

Diese wurden in 2 Schritten eingedämmt:

1. Alle Flächen mit dem Wert 0 wurden ausgeschlossen. Es existieren im Datensatz insgesamt 706 Flächen die in allen Horizonten aus rock bestehen. Daraus resultiert, dass hier kein Pflanzenwachstum möglich ist. In Stichproben liegt die Anzahl dieser Nullwerte für den weit größten Teil der Jahre um 706. Es ist daher nicht davon auszugehen, dass einige Flä-chenerträge unter den Modellbedingungen tatsächlich auf 0 einbrechen. Wahrscheinlicher sind hier Fehler während der Berechnung, so dass diese Werte als NoData Values nicht in Berechnungen einfließen

2. Der um sämtliche Nullwerte bereinigte Datensatz wurde weiter beschnitten, indem nur der Bereich des 0,1. bis 99,9. Perzentils verwendet wurden (bei Winterweizen wurde der Bereich auf 0,3 bis 99,7 verkleinert, da hier sonst immernoch viele unrealistische Werte enthalten waren). Anders ausgedrückt wurden im Mittel pro Jahr die 91 höchsten und niedrigsten Werte aus jeweils 91015 Flächen ausgeschlossen. Dabei handelt es sich um einen auf Stichproben beruhenden Schätzwert.

In der Realität wurden die Perzentile nicht auf einzelne Jahre, sondern auf den Gesamt-datensatz angewendet. Damit bestand die Gefahr dass etwa bei Variablen wie der ETK , die einen stark linearen Trend für die meisten Feldfrüchte aufweisen, bei relativ wenigen Ausreißern eine Verzerrung bzw. Nivellierung in den ersten und letzten Jahren des Jahrhun-derts stattfindet. Nach Stichproben in den unangetasteten und veränderten Datensätzen konnte weder für Einzeljahre, und erst recht nicht für ganze Dekaden, ein Unterschied von mehr als ±1 % nachgewiesen werden.

9Ein Prozess der auf demschnellstenInstituts-PC rund 9 Minuten benötigt. Bei 12 Monaten und 99 Jahren eine Gesamtrechenzeit von über 7 Tagen

4 Klimamodellierung

Climate is what we expect, Weather is what we get

(Robert Heinlein) Die Erde wird umspannt von einem komplexen System unterschiedlicher Temperaturen, Nie-derschläge, Bodenfeuchte, Stoff- und Energieflüsse, chemischer Prozesse, Wolkenbedeckung und einer Vielzahl weiterer Faktoren die in stetiger Wechselwirkung miteinander stehen. Die Aufga-be der Klimamodellierung Aufga-besteht nun darin, sämtliche Faktoren in einem kohärenten Modell zusammenzuführen, so dass eine möglichst exakte Projektion künftiger Klimaelemente entste-hen kann. Ein Modell sollte in der Lage sein sowohl natürliche Prozesse als auch anthropogen verursachte Veränderungen dieser Faktoren zu berücksichtigen. Bei den anthropogenen Verän-derungen handelt es sich zwar meist um langfristige Beeinflussung der Klimafaktoren, wie etwa dem Ausstoßen an Treibhausgasen. Die Modelle sind allerdings auch in der Lage die Folgen von Einzelereignissen mit globalem Ausmaß zu berechnen. So können unter Zuhilfenahme von Kli-mamodellen etwa die klimatischen Folgen einer oder mehrerer nuklearer Explosionen berechnet werden (Washington und Parkinson 2005; Becker 2011).

Erste Versuche klimatologische Szenarien aus physikalischen Gleichungen abzuleiten wurden bereits in den 1920er Jahren durch den Mathematiker Lewis F. Richardson unternommen. An-hand stark vereinfachter Gleichungen versuchte dieser per Hand den Luftdruckabfall in relativ simplen Wetterlagen zu errechnen und kam in seinem Beispiel auf einen Wert von 145 hPa — tatsächlich beobachtet wurden damals 1 hPa (Halfmann und Schützenmeister 2009).

Diese menschliche Fehleranfälligkeit und insbesondere die fehlende Rechenkraft schon bei simplen Fragestellungen war eine treibende Kraft hinter der Entwicklung von Rechenmaschi-nen. Trotz sukzessiver Steigerung der Rechenleistung bis zum heutigen Tag, ist es noch immer nicht möglich das komplexe Klimageschehen auf unserem Planeten in einem beliebigen Maßstab durch diese Berechnungen nachzuvollziehen. Derzeit arbeiten globale Klimamodelle, wie etwa ECHAM 5/MPI-OM des Max-Planck-Instituts für Meteorologie, für globale Fragestellungen in einer horizontalen Auflösung von ca. 200×200 km für lange Projektionsreihen (UBA 2007). Ver-tikal werden in der Atmosphäre 31 Schichten durch das Modell berechnet, wobei die äußerste Schicht auf Höhe des 10 hPa Niveaus liegt. Auch das neue ECHAM 6 erreicht eine maximale Auflösung von ca. 80×80 km und 95 Schichten der Atmosphäre nur in einem speziellen experi-mentellen Modus (Stevens et al. 2013).

Klimamodelle werden weltweit in vielen Ländern und mehreren Forschungsgruppen erstellt und unterscheiden in ihren horizontalen und vertikalen Auflösungen, den verwendeten Algo-rithmen bzw. ihrer allgemeinen Komplexität . Gemein ist all diesen komplexen globalen Kli-mamodellen (auch GCMs: Global Climate Models oder General Circulation Models genannt), dass sie aufgrund ihrer eingeschränkten Auflösung kaum Aussagen über regionale Klimaverän-derungen zulassen. Um dies zu ermöglichen, werden in regionalen Klimamodellen nur begrenzte Ausschnitte der Erdoberfläche zur Berechnung herangezogen. Globale Klimamodelle geben dabei