AARHUS UNIVERSITET DCA - NATIONALT CENTER FOR FØDEVARER OG JORDBRUG Følgebrev Dato 12. juli 2019 Journal 2019-760-001085 Til Landbrugsstyrelsen Levering på bestillingen Udviklingen af model til udarbejdelse af en prognose for høstdatoer Landbrugsstyrelsen har i en bestilling sendt d. 7. februar 2019 bedt DCA Nationalt Center for Fødevarer og Jordbrug om at udvikle en model til prediktion af høstdatoer, bl.a. med henblik på en tidligere indsats i forhold til at kunne udskyde fristen for etablering efterafgrøder. Nærværende besvarelse Modelbaseret prognose for høstdato i korn for 2019 er første præsentation af modellen, jf. projektbeskrivelsen. Den endelige model og afrapportering forventes september 2019. Besvarelsen i form af vedlagte notat er udarbejdet af professor Jørgen E. Olesen og postdoc Johannes Wilhelmus Maria Pullens fra Institut for Agroøkologi ved Aarhus Universitet. Seniorforsker Poul Erik Lærke fra Institut for Agroøkologi ved Aarhus Universitet har været fagfællebedømmer, og notatet er revideret i lyset af hans kommentarer. Besvarelsen er udarbejdet som led i Rammeaftale om forskningsbaseret myndighedsbetjening mellem Miljø- og Fødevareministeriet og Aarhus Universitet under ID 8.09 i Ydelsesaftale Planteproduktion 2019-2022. Venlig hilsen Lene Hegelund Specialkonsulent, DCA-centerenheden DCA - Nationalt Center for Fødevarer og Jordbrug Aarhus Universitet Blichers Allé 20 8830 Tjele Tlf.: +45 8715 6000 E-mail: dca@au.dk http:// dca.au.dk
DCA Nationalt Center for Fødevarer og Jordbrug 12.07.2019 Modelbaseret prognose for høstdato i korn for 2019 Af Jørgen E. Olesen og Johannes W. M. Pullens, Institut for Agroøkologi, AU Baggrund I forbindelse med etablering af efterafgrøder (fx MFO-efterafgrøder) er der krav om en seneste dato for etablering af disse, og denne dato varierer afhængig af type af efterafgrøde, men er fastsat som den samme for hele landet. I praksis vil mulighederne for etablering af efterafgrøden være afhængig af høsttid for hovedafgrøden (typisk en kornafgrøde). Da høsttiden kan variere betydeligt mellem år og mellem landsdele, har LBST behov for en prognose for høstdato i de vigtigste kornarter for at kunne afgøre om der er behov for dispensation for etableringsdato for efterafgrøder samt som grundlag for planlægning af kontrolindsatsen. Landbrugsstyrelsen ønsker prognosen for høstdato i løbet af juni/juli. Et foreløbigt studie af mulighederne for forudsigelse af høsttid blev gennemført af Københavns Universitet ved anvendelse af Daisy modellen til at simulere modenhed i korn sammenlignet med historiske observationer af modenhed (Styczen et al., 2018). Daisy modellen er en kompleks model, der inddrager samspillet mellem afgrødeudvikling og vækst samt andre biofysiske processer i jord og planter, fx indgår en detaljeret simulering af dynamik af vand og kvælstof i jorden. Denne grad af kompleksitet er ikke nødvendig for at beregne afgrødens udviklingstrin, som hovedsageligt afhænger af temperatur og daglængde (fx Olesen et al., 2012, Trnka et al., 2014, Pullens et al., 2019). I virkeligheden vil den styrende temperatur for afgrødens udvikling typisk være jordtemperatur under fremspiring eller afgrødens overfladetemperatur under væksten, og denne kan afvige fra lufttemperaturen, men dette har under de fleste forhold kun mindre effekt på simuleret udviklingstid (Webber et al., 2018). Simulering af afgrødeudvikling i simuleringsmodeller baseres oftest alene på lufttemperatur og daglængde, og dette gælder også for Daisy modellen (Jabloun et al., 2018). Varigheden af perioden fra fysiologisk modenhed til høst afhænger af en række andre faktorer, især relateret til hvor hurtigt afgrøde og halm nedtørres samt mulighed for færdsel på marken. Der er derfor brug for at udvikle en separat model til beregning af perioden fra modenhed til høst. Formålet med dette arbejde har været at udvikle, kalibrere og validere simple modeller til prædiktion af høsttid for vårbyg og vinterhvede ved anvendelse af særskilte modeller for perioden frem til modenhed og fra modenhed til høst. Den endelige rapport for arbejdet forventes udarbejdet i august 2019. Dette notat giver en status for arbejdet samt en prædiktion af høsttid for vårbyg og vinterhvede for 2019.
Besvarelse Udvikling og validering af høsttidsmodel Der tages for både vårbyg og vinterhvede udgangspunkt i en simpel model for afgrøders fænologiske udvikling (Olesen et al., 2012), hvor der skelnes mellem følgende vækstfaser: Såning til fremspiring Fremspiring til blomstring Blomstring til modenhed. Varigheden af perioden fra såning til fremspiring er alene bestemt af temperatur og modelleres ved en temperatursum. Perioden fra fremspiring til blomstring afhænger af både temperatur og daglængde og dette modelleres ved summering af produktet af funktioner for temperatur og daglængde. Perioden fra blomstring til modenhed modelleres ved en temperatursum. Der benyttes de samme tærskelværdier for temperatur og daglængde som i Olesen et al. (2012). Temperatursumskrav kalibreres separat for vårbyg og vinterhvede baseret på historiske data for såtid, fremspiring, blomstring og modenhed. Disse funktioner vil blive detaljeret beskrevet i den endelige rapport. For vinterhvede viste en analyse, at modenhed kunne prædikteres med lige stor præcision ved alene at se på perioden fra 1. januar til modenhed. Denne simplere tilgang med start af beregning den 1. januar i vinterhvede er benyttet i den videre modellering. Ved kalibrering og validering af modellen for vårbyg er data for såning benyttet som udgangspunkt for beregningerne. I scenarieanalyser og ved prædiktion af modenhed kendes såtiden ikke, og her er den gennemsnitlig sådato benyttet (14. april fra Landsforsøgene). Såtiden vil dog afhænge af vejrforhold, og et kriterium svarende til 10 dage med temperatur over 6,1 C vil med fordel kunne benyttes (Olesen et al., 2012). Perioden fra modenhed til høst afhænger af både temperaturforhold og nedbør. Der benyttes her en simpel tilgangsvinkel, hvor perioden bestemmes som en temperatursum, der øges med en fast værdi for hver regnvejrsdag (nedbør over 1 mm). Dette kræver dog en avanceret kalibrering, som stadig er under udvikling. Foreløbige analyser viser, at denne metode giver bedre resultater end anvendelse af en fast periode fra modenhed til høst. I de nedenstående beregninger er der dog benyttet en fast periode fra modenhed til høst på 23 dage for både vårbyg og vinterhvede. Modellen er kalibreret på data fra forsøg i vårbyg og vinterhvede ved Aarhus Universitet, hvor der foreligger gode data for alle de væsentlige datoer (såtid, fremspiring, blomstring, modenhed og høst). Dette har primært omfattet forsøg med vinterhvede (Olesen et al., 2000) samt langvarige forsøg med flere afgrøder, herunder både vårbyg og vinterhvede (Shah et al., 2017). For vinterhvede var der 112 observationer fra perioden 1993-2004 fordelt på 5 lokaliteter og for vårbyg 34 observationer for perioden 1997-2000 fordelt på tre lokaliteter. Modellen er valideret på data for høsttid i markforsøg i Landsforsøgene under SEGES for perioden 1991 til 2018. Dette har for vårbyg omfattet 824 observationer i vårbyg og 934 observationer i vinterhvede. Den gennemsnitlige høstdato i vårbyg var 17. august og i vinterhvede 18. august. 2
Modellen kunne prædiktere høsttid med en usikkerhed (RMSE) på 6,9 dage for vårbyg og 8,4 dage for vinterhvede (figur 1 og 2). Den gennemsnitlige afvigelse (MBE) mellem prædikterede og observerede høstdatoer var 1,1 dage for vårbyg og -0,7 dage for vinterhvede. For begge afgrøder er der således en god sammenhæng mellem observeret og prædikteret høstdato. Den fundne usikkerhed på under en uge må betegnes som værende lav, givet at mange andre faktorer end blot vejrforholdene i praksis påvirker høstdatoen, herunder maskinkapacitet, arbejdskraft og fridage. Figur 1. Modelleret mod målt høstdato (DOY: dag i året) for valideringsdata fra Landsforsøg med vårbyg. Den gennemsnitlige afvigelse mellem modelleret og målt høstdata (MBE, prædikteret minus målt) og usikkerheden (RMSE) er vist. Figur 2. Modelleret mod målt høstdato (DOY: dag i året) for valideringsdata fra Landsforsøg med vinterhvede. Den gennemsnitlige afvigelse mellem modelleret og målt høstdata (MBE, prædikteret minus målt) og usikkerheden (RMSE) er vist. 3
Modellering af normal høsttid i Danmark Den udviklede model for høsttid i vårbyg og vinterhvede er benyttet til at beregne høstdato for hver af årene i perioden 1999 til 2018, således at der kan beregnes en gennemsnitlig høstdato over en 20-årig periode baseret på 20 km griddata. Disse normaler for høsttid er vist for vårbyg og vinterhvede i figur 3 og 4. Figurerne viser en variation i høsttid på 14 dage over Danmark med den tidligste høst på Øerne og i Sydjylland og den seneste høst i Nordjylland. I henhold til modelberegningerne er høsten ca. 4-5 dage senere i vinterhvede end i vårbyg. Figur 3. Modelleret gennemsnitlig høstdato for vårbyg for perioden 1999 til 2018. 4
Figur 4. Modelleret gennemsnitlig høstdato for vinterhvede for perioden 1999 til 2018. Prædiktion af høsttid for 2019 Den regionale variation i høsttid for 2019 er beregnet ved anvendelse af gridbaserede data for døgnmiddeltemperatur for perioden 1. januar 2019 til 30. juni 2019. Perioden fra 1. juli til modenhed er beregnet ved anvendelse af gennemsnitlige gridbaserede døgnværdier for perioden til 1999 til 2018. Der er som for normalsituationen en forskel i forventet høstdato mellem vårbyg og vinterhvede på 4-5 dage med senere høst for vinterhvede (figur 5 og 6). Der er desuden en betydelig regional variation i den forventede høstdato, som ligger i slutningen af juli i Sønderjylland og på Øerne, i midten af august i Midtjylland og efter midten af august for dele af det nordlige Jylland. Sammenlignet med det modellerede normale høsttidspunkt (figur 3 og 4) forventes en større regional variation i høsttidspunkt i 2019 (figur 5 og 6). For både vårbyg og vinterhvede forventes høsttidspunktet at ligge tidligere end normalt. 5
Figur 5. Prædiktion af høsttid for vårbyg i 2019 baseret på observerede vejrforhold frem til 30. juni. Figur 6. Prædiktion af høsttid for vinterhvede i 2019 baseret på observerede vejrforhold frem til 30. juni. 6
Referencer Jabloun, M., Li, X., Zhang, X., Tao. F., Hu, C., Olesen, J.E.. 2018. Sensitivity of simulated crop yield and nitrate leaching of the wheat-maize cropping system in the North China Plain to model parameters. Agricultural and Forest Meteorology 263, 25 40. Olesen, J.E., Jensen, T., Petersen, J., 2000. Sensitivity of field-scale winter wheat production in Denmark to climate variability and climate change. Climate Research 15, 221-238. Olesen, J.E., Børgesen, C.D., Elsgaard, L., Palosuo, T., Rötter, R., Skjelvåg, A.O., Peltonen-Sainio, P., Börjesson, T., Trnka, M., Ewert, F., Siebert, S., Brisson, N., Eitzinger, J., van der Fels-Klerx, H.J., van Asselt, E., 2012. Changes in flowing and maturity time of cereals in Northern Europe under climate change. Food Additives and Contaminants 29, 1527-1542. Pullens, J.W.M., Sharif, B., Trnka, M., Balek, J., Semenov, M.A., Olesen, J.E. 2019. Risk factors for European winter oilseed rape production under climate change. Agricultural and Forest Meteorology 272 273, 30 39. Shah, A., Askegaard, M., Rasmussen, I.A., Jimenez, E.M.C., Olesen, J.E., 2017. Productivity of organic and conventional arable cropping systems in Denmark. European Journal of Agronomy 90, 12-22. Styczen, M., Gudbjerg, J., Gregersen, J., 2018. Prognoser for høsttidspunkt. Københavns Universitet. Trnka, M., Rotter, R.P., Ruiz-Ramos, M., Kersebaum, K.C., Olesen, J.E., Zalud, Z., Semenov, M.A., 2014. Adverse weather conditions for European wheat production will become more frequent with climate change. Nature Climate Change 4, 637 643. Webber, J., White, J., Kimball, B.A., Ewert, F., Asseng, S. Eyshi Rezaei, E., Pinter Jr., P., Hatfield, J., Reynolds, M., Ababaei, B,; Bindi, M., Doltra, J., Ferrise, R., Kage, H., Kassie, B., Kersebaum, K.C., Luig, A., Olesen, J.E., Semenov, M., Stratonovitch, P., Ratjen, A., LaMorte, R., Leavitt, S.W., Hunsaker, D., Wall, G.W., Martre, P., 2018. Physical robustness of canopy temperature models for crop heat stress simulation across environments and production conditions. Field Crops Research 216, 75-88. 7