Arbeitsgruppe Meteorologische UmweltforschungKlimatologie Institut fr Meteorologie und Geophysik

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

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

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

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

Ertragsentwicklung (dt/ha) von Getreidearten: Weizen Gerste Roggen Hafer Wildpflanzen 2– 3 14. /15. Jhr. 5 4 5 3 16. /17. Jhr. 9 6 8 4 um 1800 10 8 9 6 um 1890 14 13 10 12 um 1910 20 18 17 17 1950 26 24 22 22 1962 29 24 21 27 1975 46 40 34 37 1977 80 70 - - 1 heutige Wildpflanzenbestände im vorderasiatischen Raum; 2 Norddeutscher Raum; 3 Deutsches Reich; 4 BRD; 5 Spitzenerträge landwirtschaftlicher Betriebe in der BRD Nach Geisler 1988

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.

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.

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:

„Sensitivitätsrangliste“: BAY BWB RPF HES NRW NSA SHS MW Spargel 2 2 7 3 2 1 2 2, 7 Runkelrüben 3 5 3 9 3 3 10 5, 1 Hafer 8 9 2 10 1 2 5 5, 3 Spätkartoffeln 1 1 5 4 8 10 8 5, 3 Sommergerste 6 6 6 16 9 4 6 7, 6 Erdbeeren 5 11 9 1 10 6 15 8, 1 Frühkartoffeln 4 7 10 7 4 21 15 9, 7 Ackerbohnen 15 3 1 8 18 17 12 10, 6 Körnermais 9 4 14 20 11 7 (1) 10, 8 Sommerweizen 12 8 8 14 13 8 17 11, 4 Sommerraps 16 20 18 5 5 14 4 11, 7 Dauerweißkohl 18 18 19 12 6 16 3 13, 1 Gras 21 17 4 6 19 15 11 13, 3 Winterraps 14 21 12 11 16 11 9 13, 4 Dauerrotkohl 17 12 20 15 14 13 7 14, 0 Dauerwirsing 19 19 21 2 21 5 13 14, 3 Zuckerrüben 13 14 16 18 12 9 19 14, 4 Roggen 10 13 15 21 7 18 18 14, 6 Winterweizen 11 10 17 19 15 12 21 15, 0 Wintergerste 7 16 11 17 17 19 20 15, 3 Klee 20 15 13 13 20 20 - 16, 8

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?

Bildung von Gruppen: Gruppe: Getreide Kohl Kartoffeln Rüben Gras / Klee Raps Mitglieder: Winterweizen Sommerweizen Wintergerste Sommergerste Roggen Hafer Dauerrotkohl Dauerweisskohl Dauerwirsing Frühkartoffeln Spätkartoffeln Runkelrüben Zuckerrüben Gras Klee Winterraps Sommerraps

Fruchtart: MW r: Runkelrüben 0, 678 Zuckerrüben 0, 652 Hafer 0, 651 Klee 0, 629 Sommergerste 0, 614 Gras 0, 578 Wintergerste 0, 576 Spätkartoffeln 0, 561 Spargel 0, 541 Ackerbohnen 0, 529 Frühkartoffeln 0, 522 Roggen 0, 511 Winterweizen 0, 509 Winterraps 0, 479 Körnermais 0, 449 Sommerraps 0, 425 Sommerweizen 0, 417 Dauerweißkohl 0, 376 Dauerrotkohl 0, 372 Erdbeeren 0, 278 Dauerwirsing 0, 253

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?

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.

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.

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.

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

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

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.

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

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

5. Ausgewählte Ergebnisse der Regression: b) Erklärte Varianzen: Über „ 1 -Sigma“Schwelle: Über „ 2 -Sigma“Schwelle: Baden-Württemberg 18 12 Niedersachsen 16 9 Rheinland-Pfalz 17 8 Bayern 16 8 Hessen 13 8 Schleswig-Holstein (20) 11 8 Nordrhein-Westfalen 18 5

Über „ 1 -Sigma“-Schwelle: Über „ 2 -Sigma“-Schwelle: Sommergerste 7 6 Frühkartoffeln 7 6 Spargel 6 5 Klee (6) 6 4 Zuckerrüben 7 4 Hafer 7 4 Dauerrotkohl 6 4 Gras 5 4 Ackerbohnen 5 4 Spätkartoffeln 6 3 Dauerweißkohl 6 3 Runkelrüben 5 3 Sommerraps 4 3 Sommerweizen 4 2 Roggen 5 1 Dauerwirsing 4 1 Winterraps 3 1 Erdbeeren 5 0 Wintergerste 4 0 Winterweizen 4 0 Körnermais 2 0

c) Selektierte Regressoren:

Getreide Regressor: + - T 6 1 13 N 4 2 29 TN 4 3 25 TN 7 0 16 T/N 4 7 9

Rüben Regressor: + - T 7 3 5 N 8 6 1 T² 7 0 10 TN 7 0 6 T/N 8 2 5

Gras / Klee Regressor: + - T 6/T 7 2 8 N 6 11 2 T² 6 1 10 T/N 6 2 5 T/N VP 0 8

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.