Die Bewältigung des Klimawandels ist eine unserer größten gesellschaftlichen Herausforderungen. Als großer Wirtschaftszweig und CO2-Emittent ist die Landwirtschaft ein Hauptverursacher und damit Teil des Problems. Allerdings kann die Landwirtschaft auch einen erheblichen Beitrag zur Abschwächung des Klimawandels leisten, indem energieintensive und ineffiziente (verlustreiche) Mineraldüngung reduziert wird. Die Gesellschaft für Pflanzenbauwissenschaften hat folgenden Forschungsbedarf im Themenbereich „Nährstoffmanagement“ identifiziert: „Zur Optimierung der N-Düngung müssten neben N-effizienten Düngerformen und Applikationsverfahren die derzeitigen statischen Berechnungs-verfahren zur N-Düngebemessung durch dynamische, modellgestützte Verfahren ersetzt werden.“ (Feike, T., Frei, M., Germeier, Ch., Herrmann, A., Hülsbergen, K.-J., Kaul, H.-P., Komainda, M., Kottmann, L., Möller, K., Nendel, C., Pasda, G., Pekrun, C., Seidel, S., Stützel, H. & Wrage-Mönnig, N. (2022): Wissenschaftliche Grundlagen zum Strategiediskurs für einen nachhaltigen Pflanzenbau. DOI: 10.2478/boku-2022-0011). Das Projekt D2D greift dies auf, transformiert dazu Methoden aus der Raumfahrt in die Landwirtschaft und trägt durch dynamische Entscheidungshilfen dazu bei, Düngeemissionen und damit den Carbon Footprint im Ackerbau zu reduzieren.

Ein Digitaler Zwilling (D2D) der Anbauflächen ist Kernstück dieses effizienten Düngemanagements. D2D ist nicht nur eine digitale Sammlung von Daten von Feldern, Anbaupraktiken und Bewirtschaftungsmaßnahmen. D2D nutzt zusätzlich ein dynamisches Landoberflächenmodell, das alle für das CO2- und Nährstoffmanagement wesentlichen Komponenten im Ackerbau berücksichtigt (z.B. dynamische Modellierung der Bodenmineralisierung und N-Aufnahme). Gestützt durch Satellitendaten werden die Felder teilflächenspezifisch im D2D abgebildet. Ohne Raumfahrttechnologie wäre das nicht möglich!

Technisch nutzt D2D neuste Erdbeobachtungsdaten hyperspektraler Sensoren, deren Flächeninformationen mit Hilfe hybrider Retrievalverfahren, bei denen spektrale Modellierung und Maschinelles Lernen kombiniert werden, nutzbar gemacht werden. Die hyperspektral abgeleiteten Informationen speisen wiederum ein physikalisches Landoberflächenmodell, wodurch ein genaues Prozessmonitoring der Nährstoffvorgänge auf landwirtschaftlichen Feldern möglich wird.

Durch die nicht lineare Verknüpfung natürlicher Prozesse liefert D2D über 200 Variablen, die den Status der Landoberfläche inklusive CO2-Fußabdruck und N-Effizienz quantifizieren. So kann D2D die aktuelle Situation nachbilden, aber auch in die Zukunft rechnen, um unterschiedliche Szenarien bzw. Handlungsoptionen in Bezug auf Nachhaltigkeitsaspekte durchzuspielen. Fernerkundungsdaten stellen die einzige Möglichkeit dar, ausgewählte Variablen des D2D in der Realität zu messen und dadurch die Simulationen zu validieren bzw. zu stützen.

Weblinks:

• https://www.geo.lmu.de/geographie/de/
• https://www.vista-geo.de
• https://www.geo.lmu.de/geographie/de/forschung/physische-geographie-und-nexusforschung/forschung/aktuelle-forschungsprojekte/d2d-digitaler-zwilling-duengung/