Ecologische modellen en mogelijkheden voor aansluiting met remote sensing Han van Dobben
Waarom modellen?
Blik in de toekomst:
als alles hetzelfde blijft bij autonome ontwikkeling (bv klimaat) wat als? vragen: scenario's (bv depositie, hydrologie, beheer)
Wat zou je willen weten?
biodiversiteit (bv als kans%op%voorkomen per soort of type) koolstof vastlegging vegetatiestructuur, bv als invoer voor andere modellen
Algemene vorm: uitvoer = f (invoer)
Statisch: f is een black box
tijd speelt geen rol parameters bepaald met training set met bekende in% en uitvoer
Dynamisch: f is gebaseerd op proceskennis
werkt met tijdstappen parameters uit de literatuur, evt fine tuning (calibratie) met training sets
Dynamisch vs statisch
Ecologische modellen zijn meestal een combinatie van beide Vaak achter elkaar geschakeld in modelketens
(raamwerken)
Ik concentreer me nu even op dynamische modellen
atmospheric model
hydrological model phreatic level soil water cont
pH N availability
vegetation structure
vegetation structure
soil chemical model
evapotranspiration
deposition of N, H
N availability litterfall
plant growth & competition model
vegetation structure vegetation model
fauna model Probability probability per species biodiversity model
NTM/MOVE/ ? % Calculation of the potential plant biodiversity and the chance of occurrence of vegetation types
SUMO3 % Simulation of the biomass % Effects of management
SMART2 % Simulation of the soil processes %> pH, N and P availability and moisture availability
SMART2
Natural vegetation areas only Soil acidification Nutrient cycling Soil solution concentration below root zone Vertical column One layer One year time step Simplified process descriptions Water flow as input data Deposition as input
SMART2 % SUMO2
Hoe wordt een ecologisch model een landschapsmodel?
de meeste modellen zijn puntmodellen
fluxen gaan alleen omhoog of omlaag, niet opzij ze kunnen wel kaartbeelden genereren maar dat zijn dan verzamelingen punten zonder interactie schaal van de uitvoer = schaal van de invoer
grondwatermodellen en faunamodellen hebben wel echte ruimtelijke interactie
ruimtelijk vegetatiemodel (met dispersie) is in aanbouw
Concurrentie
Alle functionele typen zijn altijd aanwezig
maar in wisselende hoeveelheden
Concurrentie om nutriënten gebaseerd op wortelbiomassa Concurrentie om licht gebaseerd op bladbiomassa en hoogte
Groei
Actuele groei per functioneel type = potentiele groei * set van reductiefuncties: Aact
Aact Amax RI RNav RPav RMav RMan RT
i, j, t
= Amax
i, j
* RI
i, j,t
* RNav
i, j,t
* RPav
i, j,t
: actual growth (ton.ha%1.y%1) : maximum growth (ton.ha%1.y%1) : Reduction factor for light availability : Reduction factor for nitrogen availability : Reduction factor for phosphorus availability : Reduction factor for water availability : Reduction factor for management : Reduction factor for temperature
* RMav
i, j,t
* Rman
i, j, t
* RT i, j, t
Successie
De verhouding tussen de biomassa's van de functionele typen bepaalt het vegetatietype (→successie)
grasland, heide, rietland, struweel, kwelder, licht naaldbos, donker naaldbos, licht loofbos, donker loofbos, onbeheerd bos)
Parametrisatie per functioneel type en per vegetatietype, maar expliciet voor de boomsoorten (15)
Beheer
Beheer is afvoer van biomassa
maaien (X maal per jaar) plaggen (1X per X jaar) begrazen (keuze uit 15 soorten grazers, met of zonder dichtheidregulatie) bosbeheer branden
Hoe krijg je een model aan het draaien?
parametrisatie calibratie initialisatie
= opzoeken parameter waarden = fine tuning parameter waarden = toekennen initiele waarden aan toestandsvariabelen validatie = confronteren modeluitkomsten met waarnemingen gevoeligheidsanalyse = regressie van uitvoer op parameters of invoer onzekerheidsanalyse = bepalen van de onzekerheid in de uitvoer, gegeven de onzekerheid in de invoer
Validatie (1) y = 0.8887x + 2.8323 R2 = 0.3856
40
N simulated
30
20
10
0 0
10
20
30
40
N field
Measured (N field) and simulated (N simulated) N%content (in mg/g) of leaves for 169 forest sites in The Netherlands. All major tree species in The Netherlands are present in the dataset. The thin black line represents the ideal 1:1 line, the dark black line the regression line.
Validatie (2) 10 9 8 7 6 0 5
simul. Linear (0)
4 3 2 1 0 1955
1960
1965
1970
1975
1980
1985
1990
1995
2000
Measured (blue) and simulated (yellow) aboveground biomass production for the Ossekampen, a grassland site near Wageningen. The black line gives the linear regression for the field data, which can be regarded as the long term average. This is a former agricultural grassland where manuring stopped in 1958 (the start of the monitoring and the model run). The site is mown twice a year.
biomass (tons/ha)
Forest reserve, biomass 100
10
75
7.5
50
5
25
2.5
0 1990
2010
2030
2050
year
2070
0 2090
pine oak herb dwarfshrub shrub beech
Heathland, biomass
biomass (tons/ha)
15
10
herb dwarfshrub shrub birch pine
5
0 1990
2010
2030
2050
year
2070
2090
Waar kan RS een rol spelen?
Bijeen brengen van vraag en aanbod belangrijke taak voor de komende jaren (?) Vraag vooral bij opschaling van punt naar vlak:
toestandvariabelen moeten initiele waarden hebben worden nu meestal geschat: • ofwel uit generieke geografische bestanden bv top.krt, BGT, • ofwel door initialisatie runs
eigenlijk moet je ook hun onzekerheid kennen vlakdekkend valideren is momenteel vrijwel niet mogelijk en het moet eigenlijk ook in tijdreeksen!!
Vraagkant?
voor SUMO: – – – –
–
biomassa hoogte N%gehalte (P%gehalte, BC%gehalte) vegetatiestructuur (=verticale verdeling van de [blad]biomassa) beheer
voor SMART:
in Nederland, regionaal: bodemtype (7 klassen), GT, FGR, vegetatietype (5 klassen) elders: vochtvoorziening, chemische data
Aanbodkant?
biomassa (uit NDVI) LAI gap fraction vegetatiestructuur(?), vegetatietype C/N, N%gehalte chlorophyll concentratie verdamping(?) bodemvocht(?)
Discussie . . .
© Wageningen UR
