Open Access

Im Spiegel des Klimawandels – Phosphor und Stickstoff in Böden Schleswig-Holsteins bei steigenden Lufttemperaturen

Umweltwissenschaften und Schadstoff-ForschungBridging Science and Regulation at the Regional and European Level200921:54

https://doi.org/10.1007/s12302-009-0054-4

Eingegangen: 18. September 2008

Angenommen: 15. Januar 2009

Publiziert: 31. März 2009

Zusammenfassung

Ziel und HintergrundDer globale Klimawandel wirkt sich regional differenziert auf einzelne Ökosystem-Kompartimente aus. Aufgrund der zentralen regulatorischen Bedeutung des Stoffhaushalts terrestrischer Ökosysteme war es das Ziel dieser Untersuchung im Auftrag des Landesamtes für Natur und Umwelt Schleswig-Holstein, den Austrag von Phosphor (P) und Stickstoff (N) aus Böden Schleswig-Holsteins unter dem heutigen und zukünftigen Klima zu berechnen.

MethodenMethodischer Mittelpunkt der Untersuchungen ist das Modellsystem Wasmod, mit dem der wassergebundene Stofftransport in Böden und an der Bodenoberfläche für Bodenprofile, Ackerflächen oder Wassereinzugsgebiete berechnet werden kann. Die Wasmod-Berechnungen dieser Studie erfolgten auf der Grundlage von Daten der Agrarstatistik, des Deutschen Wetterdienstes (DWD), der Remo-Klimaprognosen sowie der Reichsbodenschätzung. Wasser- und Stoffbilanzen wurden für typische Kombinationen von acht Bodensubstraten, vier Grundwasserflurabstand-Stufen, neun Anbauvarianten und des Klimas auf landwirtschaftlich genutzten Flächen berechnet. Die Modellrechnungen erfolgten für den Zeitraum vom 1. Januar 1975 bis zum 31. Dezember 2004 (30 Jahre) für die Klimastandorte Erfde und Lensahn des DWD. Die Klimaszenarien wurden für den Zeitraum 1971–2000 (Referenz) sowie für die Jahre 2071–2100 (Remo-Szenarien B1 und A1B) ausgewertet. Alle Berechnungen erfolgten mit und ohne Boden-Drainage.

ErgebnisseDie Ergebnisse umfassen Angaben über den Niederschlag, die Interzeption, die Evapotranspiration, das Sickerwasser, den Drainage-Abfluss sowie ausgewählte N-Bilanzen (Eintrag, Sickerwasseraustrag, Mineralisation, Denitrifikation, Nitrifikation, Volatilisierung, Drainage-Abfluss) sowie P-Bilanzen (Eintrag, Mineralisation, Auswaschung und Anteil an organischem, sorbiertem, gelöstem und fixiertem P). Die Ergebnisse der Simulationen weisen eine hohe Differenzierung der Merkmalskombinationen auf. Die Evapotranspiration steigt in den Klimaszenarien B1 und insbesondere A1B deutlich an. Die Sickerwassermenge ist im Szenario B1 im Vergleich zum Referenzzeitraum sehr hoch, da auch mehr Niederschläge fallen. A1B weist dagegen ähnliche Resultate wie das Referenzszenario trotz höherer Niederschläge auf, denn die höhere Verdunstungsrate kompensiert den Niederschlagszuwachs. Das Klimaszenario B1 weist die höchsten P- und N-Austräge auf. Das Klimaszenario A1B ist den Resultaten des Referenzlaufes sehr ähnlich. Die N-Austräge unter Ackernutzung steigen im Klimaszenario B1 stark an. Die höchsten Austräge (136 kg N/ha) wurden für intensiv genutzte Weidestandorte berechnet. Das B1-Szenario weist die höchsten P-Austräge auf, A1B rangiert unterhalb denen des Referenzzeitraums. Die N-Austräge der sandigen Standorte sind im Mittel des Verhältnisses Einträge/Austräge höher als bei lehmigen Standorten, absolut aber geringer. Räumlich differenzierend wirkt sich hierbei der Grundwasserflurabstand aus. Die Ergebnisse der Simulationen bezüglich der gasförmigen N-Verluste weisen auf den sandigen Standorten erwartungsgemäß kaum Denitrifikationsverluste auf. Bei den lehmigen Standorten können die Denitrifikationsverluste auf 41 kg N/ha im Jahr ansteigen. Die höchsten Mineralisationsraten sind im Szenario A1B zu erwarten. Das Szenario B1 weist im Vergleich zum Referenzszenario erhöhte Temperaturen bei hohen Niederschlägen und wenig Trockenperioden auf, sodass eine Abnahme der Mineralisationsleitung auf diesen Standorten berechnet wurde. Drainagen verringern die N- und P-Auswaschung aus Äckern, hingegen steigt der P-Output aus drainiertem Grünland.

DiskussionEine Diskussion der Ergebnisse kann nur methoden- und datenkritisch sowie wissenschaftstheoretisch erfolgen, aufgrund fehlender weiterer Untersuchungen jedoch nicht im Vergleich mit anderen Befunden. Wegen der mittlerweile zwanzigjährigen Entwicklungszeit des Modellsystems Wasmod und seiner breiten Validierung in der Ökosystemforschung, in Fallstudien sowie im Umwelt-Monitoring kann davon ausgegangen werden, dass der Wasser- und Stoffhaushalt der Böden zuverlässig modelliert wird. Eine große Herausforderung bleibt die Regionalisierung der Modellergebnisse durch die Verknüpfung von Daten der Reichsbodenschätzung mit Daten aus dem Klima- und Phänologie-Monitoring.

SchlussfolgerungenGrundlagenforschung in Form der Ökosystemforschung erweist sich insofern als lohnend, als man dadurch jetzt in der Lage ist, validierte Modelle wie Wasmod für Prognosen des Stoffhaushalts in Böden unter veränderten Klimabedingungen berechnen zu können. Entsprechende Grundlagen fehlen z. B. bei der Frage nach dem Zusammenhang zwischen Klimaänderungen und Gesundheit insbesondere für die prognostische Modellierung des Risikos von Krankheiten, deren Pathogene und Überträger (Vektoren) in ihrer Entwicklung und ihrer geografischen Verbreitung stark von der Lufttemperatur abhängig sind.

Empfehlungen und AusblickGrundlagenforschung im Bereich der Ökologie und Umweltmedizin wäre die beste Vorbereitung auf Umweltkrisen und sollte nicht abgewickelt, sondern fortentwickelt werden. Hierbei müsste konsequent darauf geachtet werden, dass Daten aus Forschungsprojekten und Monitoring-Programmen so dokumentiert werden, dass sie über Metadaten-Informationssysteme recherchiert und zusammengeführt werden können. Die Auswirkungen des Klimawandels auf den Stoffhaushalt in Böden sollten bundesweit regionalisiert werden. Hierfür sollten anhand der landschaftsökologischen Gliederung Deutschlands sowie anhand von Klimadaten und pflanzenphänologischen Daten des Deutschen Wetterdienstes und der internationalen phänologischen Gärten repräsentative Modellierungsräume ausgewählt und untersucht werden. Weiterhin wird dieser Ansatz mit der prädiktiven Kartierung des Risikos von durch Vektoren übertragenen Krankheiten von Menschen und Tieren verknüpft.

Schlüsselwörter

Böden Klimawandel Modellsystem Wasmod Phosphat Schleswig-Holstein Stickstoff

P and N in soils of Schleswig-Holstein reflecting increasing air temperatures

Abstract

Background, aim, and scopeThe ecological effects of the global climate change differ regionally. Due to the ecological significance of soils in terrestrial ecosystems the aim of this study on behalf of the State Agency for Nature and Environment of Schleswig-Holstein was to calculate the output of nitrogen and phosphate from soils in Schleswig-Holstein (Germany) given the current and predicted air temperatures.

MethodsThe calculations were performed by the Water and Substance Modelling System (WASMOD). This complex simulation tool can be used for modelling the fluxes of water and dissolved substances through single soil columns or for fields and watersheds. In this study the calculations rely on data collected from several sources such as agricultural statistics, the German Weather Service DWD, results from the high resolution regional climate model REMO as well as from the German soil inventory “Reichsbodenschätzung”. The WASMOD calculations were performed for representative combinations of ecological characteristics such as soil texture, distance to the ground water table, drainage, cultivation, and climate. The computations refer to three periods: 1975 to 2004 according to the measurements of two meteorological stations (DWD), and in terms of REMO modelling 1971 to 2000 (reference), and 2071 to 2100 according to the IPCC scenarios B1 and A1B.

ResultsThe WASMOD results encompass precipitation, interception, evaporation, seepage water, drainage, nitrogen balances (input, mineralisation, denitrification, nitrification, output, volatilisation, and drainage), and phosphate balances (input, mineralisation, output, and percentage of organic, sorbed, dissolved and immobile P). According to the combinations of influencing factors the computed results vary spatially: Given the scenarios B1 and A1B the evaporation is expected to increase. Compared to the reference period the B1 seepage will be high and associated with high precipitation. Nevertheless, due to increasing evaporation A1B is similar to the reference period despite higher precipitation. The B1 scenario showed the highest outputs of N and P. The results for A1B were found to be very similar with those for the reference period. The N output from fields significantly increase in B1. The highest outputs were estimated for intensively grazed feedlots. For B1 the highest P outputs were computed whereas the A1B estimations were lower than the results referring to the reference period. In terms of the input/output ratio the N output from sandy soils will be higher than those from loamy soils while the contrary holds true for the absolute discharge. These findings will vary spatially with the distance of the soil surface from the groundwater table. The expected output by denitrification is negligible whereas from loamy soils such N losses can account for 41 kg/ha. The mineralisation was expected at maximum in A1B. Compared with the reference period B1 will have higher air temperatures and more precipitation but less droughts. Consequently, for these sites reduced mineralisation was estimated. Draining will reduce the N and P output from fields and enhance the P discharge from grassland, respectively.

DiscussionThe WASMOD modelling results could not be compared to findings of similar studies because such could not be investigated. Thus, the discussion had to focus on the data and methods used for the computations, and the results could not be validated empirically. Nevertheless, from many case studies, ecosystem research and environmental monitoring projects which have been published during the last 20 years the computations of this investigation could be classified as, at least, plausible. A major challenge of further investigations will be the regionalisation if the WASMOD results by the combination of high resolution soil data with such on plant phenology.

ConclusionsBasic research as for instance long-term ecosystem research should be regarded as essential precondition for the development of prognostic models as presented by the example of WASMOD. Such research could be proved as worthwhile in face of problems as represented in this study. Regarding the global change related risk of vector-associated diseases the predictive power of ecological models must be broadened and refined.

Recommendations and perspectivesEcosystem research and environmental epidemiology should be coordinated much closer. This research must be attended by a professional documentation of research and monitoring results by use of metadata-based and GIS-based networking of local databases. The approach of the investigation presented should be applied to representative ecoregions of Germany. To reach this, modelling areas will be selected in terms of an ecological land classification and extensive data sets from meteorological and phenological monitoring networks. Additionally, the approach will be extended by the predictive mapping of vector-associated diseases.

Keywords

Climate change Nitrogen Phosphate Schleswig-Holstein Soils Water and substance modelling system (WASMOD)

1 1 Ziel und Hintergrund

Es wird mittlerweile nicht mehr darüber gestritten, ob ein Klimawandel eingetreten ist. Vielmehr geht es darum, seine Ausprägung und seine ökologischen Konsequenzen räumlich differenziert zu bestimmen, um regionalisierte Anpassungsstrategien zu entwickeln. Die räumliche Differenzierung der ökologischen Folgen des Klimawandels kann nicht für komplexe Ökosystemprozesse erfolgen, sondern muss schutzgutspezifisch anhand von aussagekräftigen Indikatoren erfolgen. Deren Aussagekraft sollte durch ökologische Grundlagenforschung untermauert sein, und sie sollten möglichst flächendeckend quantifiziert werden können. Für die acht Schutzkategorien Atmosphäre, Kryosphäre, marine, terrestrische und limnische Ökosysteme, Landwirtschaft, Wirtschaft sowie menschliche Gesundheit wurden 22 Indikatoren identifiziert (EEA 2004). Die Klimawandelindikatoren für terrestrische Ökosysteme sind: Avifauna, Kohlenstoffspeicherung sowie Zusammensetzung, Arealentwicklung und Phänologie von Pflanzen. Unberücksichtigt bleibt dabei der Stoffhaushalt der Böden, obwohl diese das regulatorische Hauptkompartiment terrestrischer Ökosysteme und damit neben dem Standortklima die zweite essenzielle Randbedingung der Primärproduktion sind (Fränzle et al. 1993). Dieser Erkenntnis entsprach die Verknüpfung von bio- und geowissenschaftlichen Forschungsansätzen in der Ökosystemforschung, deren programmatische Grundlegung eng mit Ellenberg et al. (1978) verknüpft ist. In dem Projekt „Ökosystemforschung im Bereich der Bornhöveder Seenkette“ war die Erfassung von Wasser- und Stoffflüssen in und zwischen Ökosystemen ein Arbeitsschwerpunkt (Fränzle 1998). Ein umfangreiches Messprogramm lieferte Daten zur Bilanzierung der N-Einträge in die einzelnen Systemkompartimente sowie zur Quantifizierung der für den Haushalt wichtigen Transport- und Transformationsprozesse. Diese Untersuchungen wurden in terrestrischen (Acker, Grünland, Wälder), semiterrestrischen (Feuchtgrünland, Erlenbruch, Niedermoorgebiete) und in limnischen Ökosystemen durchgeführt. Ziel war es u. a., auf mehreren räumlichen Ebenen (lokal, regional) ökosystemare Prozesse zu erfassen und deren Beeinflussung durch Menschen abzuschätzen. Die mittel- und langfristige Wirkung von anthropogen bedingten Stoffeinträgen in Ökosysteme unterschiedlicher Empfindlichkeit war hierbei ein wichtiger Aspekt. Da nicht alle relevanten Prozesse durch Messungen erfasst werden konnten oder der Messaufwand für manche ökosystemaren Prozesse zu hoch und zu kostenträchtig ist, stellte die Entwicklung und Anwendung von Simulationsmodellen wie Wasmod einen wichtigen Teilbereich der Arbeiten dar (Fränzle et al. 2008). Ausreichend validierte Modelle bieten die Möglichkeit, Prozesse zeitlich und räumlich zu extrapolieren (Matthies et al. 2006). Mit dem Modellsystem WASMOD (Reiche 1991) lässt sich die Wasser- und Stoffdynamik für einzelne Bodenprofile, für Ackerflächen und für Wassereinzugsgebiete berechnen. In Abhängigkeit von den jeweiligen Merkmalsausprägungen von Vegetation, Relief und Böden sowie agrarwirtschaftlicher Nutzung erfolgt die Prozessquantifizierung räumlich hierarchisiert für die Vegetationsdecke, die Bodenoberfläche, den durchwurzelten Boden sowie die wasserungesättigte und -gesättigte Zone. Vertikale und laterale Transportprozesse werden pro Zeitschritt nacheinander simuliert. Besonders berücksichtigt werden die von Mikroorganismen gesteuerten Umsetzungsprozesse und ihre spezifischen Wechselbeziehungen zum Kohlenstoff- und N-Haushalt.

Ziel dieser Untersuchung im Auftrag des Landesamtes für Natur und Umwelt Schleswig-Holstein war die Simulation folgender Teilprozesse in ausgewählten Böden Schleswig-Holsteins und an ihrer Oberfläche unter heutigem und vorausgesagtem Klima: Wasserdynamik (mit Interzeption, Evapotranspiration, Infiltration), Dränabfluss, Grundwasserabfluss und Grundwasserflurabstand, vertikaler Transport gelöster Stoffe (mit Aufnahme durch Pflanzenwurzeln), Ad- und Desorptionsdynamik von Stoffen, vertikaler Wärmetransport, Kohlenstoffumsetzung (Humifizierung, Mineralisation mit Quantifizierung der CO2-Freisetzung), mikrobiell gesteuerte N-Umsetzung (Ammonifizierung, Nitrifizierung, Denitrifikation, Immobilisierung), gasförmige NH4-N-Verluste, lateraler Transport gelöster Stoffe durch die wassergesättigte Zone, Transport gelöster Stoffe mit dem Dränwasser, langfristige Veränderungen der Wasserleitfähigkeit und des Wasserhaltevermögens in Abhängigkeit von der Humusdynamik sowie Quantifizierung der N- und C-Akkumulation unterschiedlicher Pflanzenkompartimente.

2 2 Material und Methoden

2.1 2.1 Modellstruktur WASMOD

Fink und Kralisch (2005), Kralisch et al. (2003, 2005), Müller et al. (2006) sowie Rinker (2001) beschreiben den Aufbau, die Funktionen und die Validierung des Simulationsmodells Wasmod. Das Hauptprogramm regelt die Ein- und Ausgabe sowie die Prozesssteuerung. Die Prozesse werden entsprechend ihrem Raum- und Zeitbezug in spezifischen Zeitintervallen aufgerufen. Beispielsweise werden die sich langfristig verändernden Merkmale wie die pF- und kf-Funktionen nur jährlich modifiziert. Hingegen werden schnell ablaufende Prozesse wie die Bodenwasserbewegung im Minuten- bzw. Stundenrhythmus für die vier Ökosystem-Kompartimente Pflanzen, Boden, Grundwasser und Vorfluter berechnet.

2.2 2.2 Daten

Für die Berechnungen wurden betriebswirtschaftliche und betriebsübergreifende Daten zur Agrarstruktur, zur Bodennutzung, zur Ernte, zum ökologischen Landbau (LWK-SH 2001a–c; MLLT 2002; StA-HH-SH 2004a–d, 2005a–c), zu Düngerichtwerten (LWK-SH 2003) und langjährige Datensätze der DWD-Klimastationen Erfde und Lensahn mit Tageswerten zu Minimum und Maximum der Lufttemperatur, der Niederschlagsmenge und der Luftfeuchtigkeit zwischen dem 1. Januar 1975 und dem 31. Dezember 2004 verwendet. Die Modellierungen des N- und des P-Haushalts erfolgten zudem für den Referenzzeitraum (1971–2000) und die Remo-Szenarien A1B und B1 des IPCC (2001) für die Jahre 2071–2100. das A1B-Szenario geht von starkem wirtschaftlichen Wachstum und intensiver Nutzung fossiler und nicht-fossiler Brennstoffe aus. Das Szenario B1 unterstellt Dienstleistungsgesellschaften mit nachhaltiger Ressourcennutzung.

Aus rund 500.000 Datensätzen der Reichsbodenschätzung wurden nach häufigkeitsstatistischen und bodenhydrologischen Kriterien 3.300 relevante Bodenartenkombinationen identifiziert. Die Zuordnung von pH-Wertstufen zu den Bodenarten erfolgte in Anlehnung an die anzustrebenden pH-Zielwerte (LWK-SH 2003). Die Informationen zur Landnutzung entstammen den Agrarstatistiken. In Expertengesprächen wurden typische Fruchtfolgen naturräumlich und substratspezifisch differenziert. Für die Grünlandnutzung wurden Schnitt, Weide und Mähweidenutzung verschiedener Intensitäten ebenfalls substratspezifisch bestimmt, wobei den Nutzungshäufigkeiten die entsprechende Düngung in kg N/ha zugeordnet wurde. Die absoluten Zahlen orientieren sich dabei nach LWK-SH (2003). Für die Düngung der Ackerkulturen wurden ebenfalls die Empfehlungen von LWK-SH (2003) angewendet. Dabei wird aus den Standorteigenschaften das mögliche Ertragsniveau bestimmt, dem zu den Kardinalpunkten der Pflanzenentwicklung (Vegetationsbeginn, Schossen, Spätdüngung zum Ährenschieben) N-Gaben zugeordnet werden. Die Phaseneintrittstermine errechnet WASMOD anhand der Kulturpflanzen-Phänologie und dem Witterungsverlauf. Bei der Modellierung der P-Düngung konnte im Gegensatz zu N nicht auf Ergebnisse von Bodenuntersuchungen zurückgegriffen werden, da diese nicht veröffentlicht werden. Daher wurde angenommen, dass für die modellierten Szenarien eine mittlere Gehaltsklasse mit guter Verfügbarkeit entsprechend der Versorgungsstufe C vorlag und erhalten werden sollte. Aus Bodenart, Fruchtfolge und den Annahmen zur Intensität der landwirtschaftlichen Nutzung wurden Ertragsstufen bestimmt. Für jeweils vier Ertragserwartungsstufen der häufigsten Fruchtarten wurde je nach Versorgungsstufe der Nährstoffbedarf gemäß MLLT (2002) und StA-HHSH (2004a–d, 2005a–c) zugeordnet. Den Hauptbodenarten Sand, Sand über Lehm, sandiger Lehm und Lehm wurden Ertragserwartungen zugewiesen, in denen sich das Ertragspotenzial der Standorte widerspiegelte. Den Sandböden wurden hierbei die geringsten und den sandigen Lehmen die höchsten Ertragserwartungen zugesprochen. Die P-Düngung des Gründlands wird nach der gleichen Vorgehensweise berechnet. Zusätzlich wurde zwischen Weiden und Wiesennutzung und Nutzungsintensität unterschieden. Aus der räumlichen Verknüpfung der oben zusammenfassend beschriebenen Merkmale ergeben sich 325 häufigkeitsstatistisch relevante Kombinationen, zu denen Eingabedateien für die Berechnungen mit Wasmod angelegt wurden (Abschn. 2.3).

2.3 2.3 Berechnungen

Die Daten (Abschn. 2.1) wurden für die Berechnungen des N- und des P-Haushaltes entsprechend der Modellstruktur in mehreren Eingabedateien abgelegt. Diese werden im ASCII-Format für einen Simulationslauf eingelesen, die Ergebnisse gehen in demselben Format als Input in den nächsten Berechnungsgang. Die Bodendatei beinhaltet in 15 Tiefenstufen differenzierte bodenphysikalische und bodenchemische Kennwerte sowie standortabhängige Angaben wie u. a. Flächengröße, Nutzungsvariante, Abstand zum Vorfluter und Hangneigung. Am Ende einer Simulationsperiode wird die Bodendatei von WASMOD neu geschrieben. Dabei werden u. a. die aktuelle Bodenfeuchte, der Corg-Gehalt und der Grundwasserstand in der Datei mit den simulierten Werten gespeichert. Die CN-Datei enthält für jede der 15 Tiefenstufen der Böden Anfangswerte für unterschiedliche N-Formen. Die P-Datei enthält für jede der 15 Tiefenstufen der Böden Anfangswerte für unterschiedliche P-Fraktionen.

Die Kennzeichnung der Phänologie der Kulturarten erfolgt über die Durchwurzelungstiefe, den HAUDE-Faktor und den Blattflächenindex. Die Durchwurzelungstiefe bestimmt, aus welchen Tiefenstufen der Böden der Wasserentzug entsprechend der Transpirationsrate sowie die N-Aufnahme erfolgen. Bei einer angegebenen Wurzeltiefe von ≤ 5 cm findet keine N-Aufnahme statt. Der HAUDE-Faktor wird benötigt, um auf der Grundlage des Sättigungsdefizits der bodennahen Luftschicht eine vegetationsspezifische potenzielle Evapotranspirationsrate abzuschätzen. Die Angaben zum Blattflächenindex (LAI) werden für die Berechnung des Interzeptionsverlustes benötigt und dienen als Hilfsgröße bei der Abschätzung des Energieeintrages durch direkte Strahlung. Weiterhin enthalten die Phänologiedateien Angaben zum Nährstoffeintrag durch Düngung, zur pflanzenspezifischen Aufnahmekapazität und zu einzelnen landwirtschaftlichen Bearbeitungsmaßnahmen. WASMOD berücksichtigt neben dem in der Phänologiedatei angegebenen N-Eintrag einen zusätzlichen atmosphärischen Eintrag von 20 kg N/ha.

Die Klimadatei enthält tagesbezogene Angaben zur Minimum- und Maximumtemperatur, zum Niederschlag und zum Sättigungsdefizit (Haude) oder alternativ zur Globalstrahlung (Turc-Wendling) der DWD-Stationen Erfde und Lensahn zwischen 1975 und 2004. Die Klimadaten der REMO-Referenz und -Szenarien (A1B und B1) wurden von der CERA-Datenbank heruntergeladen. Für die Jahresbilanzen wurden vier Modellläufe mit Klimadaten der DWD-Stationen Erfte und Lensahn und sechs Modellläufe mit Klimaszenarien ausgewertet:
  1. 1.

    Klimastation Erfde (1975–2004) Simulation ohne Drainagen,

     
  2. 2.

    dto. mit Drainagen,

     
  3. 3.

    Klimastation Lensahn (1975–2004) Simulation ohne Drainagen,

     
  4. 4.

    dto. mit Drainagen,

     
  5. 5.

    Klimaszenario Referenz (1971–2000) Simulation ohne Drainagen,

     
  6. 6.

    dto. mit Drainagen,

     
  7. 7.

    Klimaszenario A1B (2071–2100) Simulation ohne Drainagen,

     
  8. 8.

    dto. mit Drainagen,

     
  9. 9.

    Klimaszenario B1 (2071–2100) Simulation ohne Drainagen,

     
  10. 10.

    dto. mit Drainagen.

     

3 3 Ergebnisse

Die Sickerwassermenge ist im Szenario B1 im Vergleich zum Referenzzeitraum sehr hoch, da auch mehr Niederschläge fallen. A1B weist dagegen ähnliche Resultate wie das Referenzszenario auf. Die höhere Verdunstungsrate kompensiert den Niederschlagszuwachs (Tabelle 1).
Tabelle 1

Wasserhaushaltsbilanzen

 

Erfde (835)a

Lensahn (705)a

Referenz (838)a

B1 (934)a

A1B (876)a

Nutzung

Int

Eta

Sicker

Int

Eta

Sicker

Int

Eta

Sicker

Int

Eta

Sicker

Int

Eta

Sicker

Acker

83

177

499

73

196

387

100

194

472

98

195

561

93

224

496

Grünland

154

195

444

135

214

329

175

209

413

187

212

489

175

245

424

Int: Interzeption

Eta: aktuelle Evapotranspiration

Sicker: Sickerwasserverluste aus 1 m Tiefe

aNiederschlag

Die höheren mittleren Niederschläge in Erfde führen zu größeren N-Austrägen (NO3-N) mit dem Sickerwasser (Tabelle 2). Mittelt man die Berechnungsergebnisse für Acker- und Grünland, ergeben sich N-Einträge von 157,5 kg NO3-N/ha für die Station Erfde und Verluste von 73,5 kg NO3-N/ha. Für Lensahn betragen die Austräge bei 64 kg NO3-N/ha. Im Schnitt liegen die N-Einträge auf ackerbaulich genutzten Standorten mit 188 kg/ha um 61 kg N/ha über den Einträgen auf Grünlandstandorten. Dementsprechend sind die N-Verluste auf Ackerstandorten höher als bei Grünlandnutzungen. Ähnliches gilt für das Referenzszenario. Für B1 sind steigende N-Austräge berechnet worden, insbesondere für die Ackerstandorte. Dagegen simuliert WASMOD für das Szenario A1B keine großen Unterschiede im Stoffaustrag gegenüber dem Referenzszenario.
Tabelle 2

N-Ein- und -Austräge

  

Erfde (835)a

Lensahn (705)a

Referenz (838)a

B1 (934)a

A1B (876)a

Nutzung

Eintrag

Austrag (NO3-N)

Acker

188

89

79

87

100

89

Grünland

127

58

49

62

64

57

Ein- und Austräge in kg N/ha

aNiederschlag in mm

Bei den P-Austrägen zeigt sich ein ähnliches Bild wie bei den N-Austrägen (Tabelle 3): Unter Grünlandnutzung wird wesentlich weniger P über Düngung eingetragen und ausgewaschen. B1 weist wie bei den N-Austrägen die höchsten P-Verluste auf. A1B ist wiederum dem Referenzlauf sehr ähnlich.
Tabelle 3

P-Ein- und -Austräge

  

Erfde (835)a

Lensahn (705)a

Referenz (838)a

B1 (934)a

A1B (876)a

Nutzung

Eintrag

Austrag

Acker

78

0,3137

0,2825

0,2870

0,3305

0,2721

Grünland

29

0,0825

0,0804

0,0739

0,0924

0,0664

Ein- und Austräge in kg P/ha

aNiederschlag in mm

Unter Getreidekulturen treten mit 98 kg NO3-N/ha und Jahr (Erfde) bzw. 89 kg NO3-N/ha und Jahr (Lensahn) die höchsten N-Austräge auf (Tabelle 4). Auf den ohne Düngung genutzten Grünlandstandorten sind die geringsten N-Austräge zu erwarten. Mit 122 kg NO3-N/ha und Jahr haben intensiv genutzte Weiden die höchsten Austräge. Die N-Austräge unter Acker steigen im Klimaszenario B1 stark an. Die höchsten Austräge mit 136 kg N/ha wurden für intensiv genutzte Weidestandorte berechnet.
Tabelle 4

N-Ein- und -Austräge bei verschiedenen Nutzungen

   

Erfde (835)a

Lensahn (705)a

Referenz (838)a

B1 (934)a

A1B (876)a

 

Nutzung

Eintrag

Austrag (NO3-N)

Acker

Mais

186

90

80

94

102

90

Raps

191

81

69

78

95

81

FF Getreide

206

98

89

92

106

96

FF bodenschonend

206

97

88

92

106

96

FF extensiv

153

79

71

81

88

81

Grünland

Mahd intensiv

260

88

69

94

95

81

Mahd extensiv

128

42

33

44

46

39

Mahd ohne Düngung

20

10

8

9

10

8

Weide intensiv

206

122

110

130

136

124

Weide extensiv

109

70

65

74

81

76

Weide ohne Düngung

20

15

12

15

16

15

Mähweide intensiv

254

100

88

111

112

95

Mähweide extensiv

124

58

48

62

66

58

Mähweide ohne Düngung

20

14

12

14

15

14

Ein- und Austräge in kg N/ha

aNiederschlag in mm

Unter Acker- und Grünlandnutzung wird in Erfde mehr P ausgetragen als in Lensahn (Tabelle 5). Die Ergebnisse des Referenzszenarios liegen in vergleichbarer Höhe des Klimastandorts Erfde. Für B1 wurden die höchsten Austräge berechnet. A1B weist geringere Austräge als der Referenzzeitraum auf.
Tabelle 5

P-Ein- und -Austräge bei verschiedenen Nutzungen

   

Erfde (835)a

Lensahn (705)a

Referenz (838)a

B1 (934)a

A1B (876)a

 

Nutzung

Eintrag

Austrag

Acker

Mais

100

0,402

0,366

0,403

0,428

0,355

Raps

88

0,356

0,309

0,288

0,349

0,295

 

FF Getreide

81

0,329

0,302

0,301

0,356

0,286

 

FF bodenschonend

80

0,329

0,304

0,298

0,352

0,285

 

FF extensiv

42

0,153

0,133

0,146

0,168

0,139

 

Grünland

Mahd intensiv

78

0,184

0,167

0,174

0,200

0,144

Mahd extensiv

41

0,089

0,082

0,072

0,092

0,065

 

Mahd ohne Düngung

0

 < 0,01

 < 0,01

 < 0.01

 < 0,01

 < 0,01

 

Weide intensiv

34

0,131

0,134

0,123

0,167

0,124

 

Weide extensiv

18

0,066

0,075

0,056

0,080

0,060

 

Weide ohne Düngung

0

 < 0,01

 < 0,01

 < 0,01

 < 0,01

 < 0,01

 

Mähweide intensiv

64

0,176

0,167

0,169

0,205

0,142

 

Mähweide extensiv

28

0,079

0,082

0,070

0,088

0,063

 

Mähweide ohne Düngung

0

 < 0,01

 < 0,01

 < 0,01

 < 0,01

 < 0,01

 

Ein- und Austräge in kg P/ha

aNiederschlag in mm

Die sandigen Standorte (Sand, Sand über Lehm und lehmiger Sand) weisen im Vergleich zu den lehmigen Standorten (sandiger Lehm und Lehm im östlichen Hügelland) und Lehm (Marsch) geringere N-Einträge auf (Tabelle 6). Dementsprechend sind auch die absoluten Werte des N-Austrags niedriger. Die N-Austräge der sandigen Standorte sind jedoch im Mittel des Verhältnisses Einträge/Austräge höher als bei lehmigen Standorten, da durch die höhere Wasserleitfähigkeit der sandigen Bodenarten mehr Wasser versickert. Die Werte der N-Austräge in Lensahn sind wegen der hier um 130 mm niedrigeren mittleren Niederschlagssumme und des damit verbundenen geringeren Sickerwasserverlustes niedriger als in Erfde. Die geringsten N-Verluste mit 22 kg NO3-N/ha werden für Hochmoor unter Grünlandnutzung berechnet (Klimastation Lensahn). Mit 97 kg NO3-N/ha werden die höchsten Austräge für Lehm unter Ackernutzung prognostiziert. Die Resultate des Referenzszenarios sind mit denen der Klimastation Erfde vergleichbar. B1 zeigt deutlich höhere Austräge, mit Ausnahme der Niedermoor- und Hochmoorstandorte, bei denen die Zunahme der Austräge weniger stark ausgeprägt ist. Die Werte für A1B (Spalte 8 in Tabelle 6) sind den für den Referenzzeitraum (Spalte 6 Tabelle 6) sehr ähnlich.
Tabelle 6

Nach Bodenarten differenzierte N-Ein- und -Austräge mit dem Sickerwasser

   

Erfde (835)a

Lensahn (705)a

Referenz (838)a

B1 (934)a

A1B (876)a

Bodenart

Nutzung

Eintrag

Austrag (NO3-N)

Sand

Ackerland

148

75

65

76

85

76

Grünland

125

66

56

65

72

65

 

Sand über Lehm

Ackerland

170

93

82

91

102

91

Grünland

125

68

59

66

74

66

 

Lehmiger Sand

Ackerland

164

84

75

81

92

81

Grünland

140

73

62

72

82

72

 

Sandiger Lehm

Ackerland

199

90

80

91

102

88

Grünland

140

58

50

59

68

59

 

Lehm (ÖH)

Ackerland

215

93

85

95

104

90

Grünland

144

52

43

51

59

57

 

Lehm (Marsch)

Ackerland

215

97

85

95

108

93

Grünland

144

62

53

61

69

67

 

Niedermoor

Grünland

100

47

41

44

49

48

Hochmoor

Grünland

64

25

22

23

25

24

ÖH: Östliches Hügelland; Ein- und Austräge in kg N/ha

aNiederschlag in mm

Für Erfde werden im Vergleich zu Lensahn durchweg höhere P-Austräge berechnet (Tabelle 7). Das Referenzszenario weist nur bei den Lehmstandorten höhere P-Austräge im Vergleich zum Standort Erfde auf. Auf den sandigeren Standorten wird weniger P-Austrag simuliert als im Standort Lensahn. Dies kann damit begründet werden, dass im Referenzszenario im Durchschnitt der Jahre in den vegetationslosen und damit austragssensiblen Wintermonaten weniger Niederschlag berechnet wird als im Klimastandort Erfde. B1 weist durchgängig für alle Bodenarten die höchsten P-Austräge im Sickerwasser auf. Die Resultate für A1B sind mit den Ergebnissen des Referenzszenarios vergleichbar. Ausnahme sind die Sandstandorte, die höhere P-Austräge aufweisen. Die Zunahme der Niederschläge in den Wintermonaten führt zu diesem Ergebnis. Anders als bei lehmigeren Standorten versickert das Bodenwasser kaum rasch in größere Tiefe.
Tabelle 7

Nach Bodenarten differenzierte P-Ein- und -Austräge mit dem Sickerwasser

   

Erfde (835)a

Lensahn (705)a

Referenz (838)a

B1 (934)a

A1B (876)a

Bodenart

Nutzung

Eintrag

Austrag

Sand

Ackerland

64

0,147

0,141

0,114

0,160

0,131

Grünland

24

0,035

 0,034

0,026

0,043

0,033

Sand über Lehm

Ackerland

68

0,357

0,292

0,232

0,280

0,250

Grünland

24

0,117

 0,090

0,060

0,077

0,058

Lehmiger Sand

Ackerland

76

0,283

0,241

0,236

0,289

0,226

Grünland

34

0,089

 0,072

0,074

0,099

0,073

Sandiger Lehm

Ackerland

84

0,311

0,279

0,326

0,349

0,300

Grünland

34

0,080

 0,065

0,083

0,097

0,06

Lehm (ÖH)

Ackerland

86

0,389

0,354

0,415

0,446

0,394

Grünland

34

0,101

 0,083

0,111

0,126

0,102

Lehm (Marsch)

Ackerland

86

0,356

0,343

0,340

0,398

0,287

Grünland

34

0,076

 0,096

0,079

0,102

0,064

Niedermoor

Grünland

28

0,101

0,120

0,093

0,115

0,078

Hochmoor

Grünland

11

0,043

0,076

0,037

0,052

0,033

ÖH: Östliches Hügelland; Ein- und Austräge in kg P/ha

aNiederschlag in mm

Die N-Einträge und -austräge der sandigen Standorte (Sand, Sand über Lehm und lehmiger Sand) weisen die höchsten N-Verluste mit dem Sickerwasser bei einem Flurabstand von 0,5 m auf (Tabelle 8). Die verminderte Pflanzenaufnahme führt bei niedrigen Grundwasserflurabständen zu erhöhten Austrägen. Anders als bei lehmigeren Standorten bei gleichem Flurabstand wird N weniger durch Denitrifikation emittiert. Bei Sand über Lehm und lehmigem Sand sind die Austräge in den Flurabstandsstufen nahezu gleich. Denn bei Trockenheit wird gespeichertes Bodenwasser aus tieferen Bodenschichten nachgeliefert, das Niederschlagswasser kann gut gespeichert werden, und eine gute Durchlüftung verhindert Staunässe. Die lehmigen Standorte zeigen höhere N-Austräge im Sickerwasser bei größeren Grundwasserflurabständen. Bodenarten mit niedrigen kF-Werten behindern bei Trockenheit eine schnelle Nachlieferung von Wasser aus tieferen Bodenschichten und reduzieren die N-Aufnahme der Pflanzen. Gleichzeitig behindert die N-Aufnahme durch die Pflanzen. Die Denitrifikationsrate der lehmigen Standorte beträgt bei Flurabständen zwischen 0,25 m und 0,5 m über 60 kg N/ha. Die N-Gesamtverluste sind auf lehmigen Standorten geringen Flurabstandes höher als bei größerem Flurabstand. Im B1-Szenario werden die höchsten Austräge durchgängig für alle Grundwasserflurabstandsstufen berechnet.
Tabelle 8

N-Ein- und -Austräge bei verschiedenen Grundwasserflurabständen

   

Erfde (835)a

Lensahn (705)a

Referenz (838)a

B1 (934)a

A1B (876)a

Bodenart

Grundwasserflurabstand

Eintrag

Austrag(NO3-N)

Sand

0,50 m

133

80

71

81

86

78

1,00 m

133

61

 51

 64

71

62

2,00 m

133

66

 58

 69

74

66

Sand über Lehm

0,50 m

141

79

69

80

86

78

1,00 m

141

75

 65

 75

82

74

2,00 m

141

78

 69

 79

85

77

Lehmiger Sand

0,50 m

149

79

69

83

90

79

1,00 m

149

72

 62

 75

82

72

2,00 m

149

78

 69

 80

85

76

Sandiger Lehm

0,50 m

161

68

58

73

81

71

1,00 m

161

69

 60

 73

78

67

2,00 m

161

72

 64

 75

82

73

Lehm (ÖH)

0,25 m

169

57

52

59

64

58

0,50 m

169

65

 56

 69

77

67

1,00 m

169

73

 62

 75

80

71

2,00 m

169

72

 62

 73

81

71

Lehm (Marsch)

0,25 m

169

67

55

66

74

64

0,50 m

169

72

 57

 75

83

70

1,00 m

169

72

 62

 75

80

71

2,00 m

169

88

 81

 90

96

86

Niedermoor

0,25 m

100

41

37

42

43

39

0,50 m

100

46

 40

 47

49

45

1,00 m

100

55

 47

 56

56

50

Hochmoor

0,25 m

64

23

21

22

23

20

0,50 m

64

27

 24

 26

27

25

ÖH: Östliches Hügelland; Ein- und Austräge in kg N/ha

aNiederschlag in mm

Die P-Austräge sind höher, wenn der Grundwasserflurabstand gering, d. h. der Grundwasserstand hoch ist (Tabelle 9). Das Szenario B1 weist auch hier die höchsten Austräge auf.
Tabelle 9

P-Einträge und -Austräge bei verschiedenen Grundwasserflurabständen

   

Erfde (835)a

Lensahn (705)a

Referenz (838)a

B1 (934)a

A1B (876)a

Bodenart

Grundwasserflurabstand

Eintrag

Austrag

Sand

0,50 m

39

0,104

0,111

0,075

0,119

0,086

1,00 m

39

0,066

 0,064

 0,056

0,073

0,064

2,00 m

39

0,055

 0,042

 0,041

0,061

0,053

Sand über Lehm

0,50 m

40

0,374

0,279

0,179

0,224

0,196

1,00 m

40

0,128

 0,111

 0,099

0,119

0,095

2,00 m

40

0,108

 0,096

 0,087

0,110

0,089

Lehmiger Sand

0,50 m

49

0,222

0,197

0,179

0,212

0,154

1,00 m

49

0,135

 0,111

 0,116

0,152

0,122

2,00 m

49

0,116

 0,089

 0,099

0,136

0,110

Sandiger Lehm

0,50 m

52

0,239

0,224

0,239

0,270

0,234

1,00 m

52

0,135

 0,115

 0,150

0,161

0,127

2,00 m

52

0,113

 0,086

 0,120

0,131

0,092

Lehm (ÖH)

0,25 m

53

0,268

0,259

0,276

0,301

0,284

0,50 m

53

0,264

 0,231

 0,274

0,298

0,270

1,00 m

53

0,151

 0,136

 0,182

0,199

0,169

2,00 m

53

0,134

 0,094

 0,145

0,164

0,104

Lehm (Marsch)

0,25 m

53

0,241

0,328

0,227

0,249

0,216

0,50 m

53

0,181

 0,189

 0,213

0.249

0,139

1,00 m

53

0,147

 0,122

 0,135

0,167

0,114

2,00 m

53

0,135

 0,099

 0,114

0,166

0,106

Niedermoor

0,25 m

28

0,100

0,124

0,113

0,123

0,093

0,50 m

28

0,110

 0,158

 0,084

0,110

0,072

1,00 m

28

0,092

 0,078

 0,082

0,113

0,069

Hochmoor

0,25 m

11

0,039

0,093

0,043

0,057

0,036

0,50 m

11

0,046

 0,059

 0,032

0,047

0,030

ÖH: Östliches Hügelland; Ein- und Austräge in kg P/ha

aNiederschlag in mm

Die Ammonium-Auswaschung unterhalb der Pflanzenwurzelzone spielt bei der Betrachtung der Gesamt-N-Austräge mit dem Sickerwasser eine untergeordnete Rolle (Tabelle 10). Das Ammonium-Ion wird an den Austauschern des Bodens sorbiert oder aber von der Pflanze aufgenommen. Die Ammonium-Austräge im Sickerwasser sind bei der in WASMOD eingestellten Bilanzierungstiefe von 1 m mit max. ca. 9 g/ha (Hochmoorstandorte) im Vergleich zu den frei beweglichen NO3-N-Austrägen gering.
Tabelle 10

P-Einträge und -Austräge bei verschiedenen Grundwasserflurabständen

   

   Erfde (835)a

       Lensahn (705)a

Referenz (838)a

   B1 (934)a

   A1B (876)a

Bodenart

Nutzung

Eintrag

     

Sand

Ackerland

148

0,75

0,62

0,70

 0,82

 0,72

Grünland

125

0,66

0,62

0,64

 0,69

 0,66

Sand über Lehm

Ackerland

170

0,07

0,09

0,07

0,09

0,07

Grünland

125

0,06

0,08

0,06

0,08

0,06

Lehmiger Sand

Ackerland

164

0,03

0,03

0,04

0,04

0,03

Grünland

140

0,40

0,34

0,37

0,46

0,41

Sandiger Lehm

Ackerland

199

0,03

0,03

0,03

0,03

0,03

Grünland

140

0,22

0,19

0,21

0,25

0,21

Lehm (ÖH)

Ackerland

215

0,00

0,00

0,00

0,00

0,00

Grünland

144

0,00

0,00

0,00

0,00

0,00

Lehm (Marsch)

Ackerland

215

0,00

0,00

0,00

0,00

0,00

Grünland

144

0,07

0,08

0,07

0,08

0,07

Niedermoor

Grünland

100

 2,57

 3,76

2,89

   2,98

   2,46

Hochmoor

Grünland

64

 5,56

 8,71

5,93

   5,99

   5,77

ÖH: Östliches Hügelland; N-Einträge in kg N/ha, NH4-Austräge in g N/ha

aNiederschlag in mm

Bei der mikrobiellen Denitrifikation wird unter anaeroben Bedingungen Nitrat oder Nitrit zu nitrosen Gasen reduziert. Schlecht belüftete Böden fördern somit die Denitrifikation. Die Denitrifikation und die Ausgasung bilden die Summe der gasförmigen N-Verluste der Landschaft. Die gasförmigen N-Verluste weisen auf den sandigen Standorten erwartungsgemäß kaum Denitrifikationsverluste auf (Tabelle 11). Bei den lehmigen Standorten können die Denitrifikationsverluste auf 41 kg N/ha im Jahr ansteigen. Diese schlecht belüfteten Böden begünstigen insbesondere bei niedrigen Grundwasserflurabständen die Umwandlung des Nitrats oder Nitrits zu nitrosen Gasen. In den Klimaszenarien B1 und A1B sind die höchsten Denitrifikationsverluste zu verzeichnen.
Tabelle 11

N-Einträge und Denitrifikation bei Grünlandnutzung

   

Erfde (835)a

Lensahn (705)a

Referenz (838)a

B1 (934)a

A1B (876)a

Bodenart

Nutzung

Eintrag

Denitrifikation

Sand

Grünland

125

1

1

1

1

1

Sand über Lehm

Grünland

125

1

1

1

1

1

Lehmiger Sand

Grünland

140

8

8

7

7

8

Sandiger Lehm

Grünland

140

26

25

26

28

27

Lehm (ÖH)

Grünland

144

41

37

41

46

45

Lehm (Marsch)

Grünland

144

26

25

27

31

30

Niedermoor

Grünland

100

9

11

8

7

9

Hochmoor

Grünland

64

5

9

5

4

6

ÖH: Östliches Hügelland; Einträge und Denitrifikation in kg N/ha

aNiederschlag in mm

Die Mineralisierung ist von großer Bedeutung für die Freisetzung von Haupt- und Spurennährstoffen beim Um- und Abbau in und auf dem Boden befindlicher organischer Stoffe. Die Mineralisation steigt mit dem Humusgehalt des Bodens und dem Wechsel von feuchten und trockeneren Phasen. Im Mittel aller berechneten 325 Merkmalskombinationen beträgt die Mineralisation 81 kg N/ha und Jahr. Bei dem Niedermoorstandort beträgt die Mineralisation mindestens 152 kg N/ha und Jahr (Klimastation Erfde). Der hohe Humusgehalt beeinflusst an diesen Standorten die Mineralisation beträchtlich. Mit höherem Grundwasserstand steigt die Mineralisationsrate bis auf durchschnittlich 215 kg N/ha im Jahr (Lensahn), da feuchte und trockenere Perioden sich öfter über größere Bodenschichten abwechseln. Die höchsten Mineralisationsraten sind im Szenario A1B zu erwarten. Der hohe Temperaturanstieg bei gleichzeitiger Trockenheit im Sommer führt zu diesem Ergebnis. Das Szenario B1 weist zwar im Vergleich zum Referenzszenario ebenfalls erhöhte Temperaturen auf, jedoch sind aufgrund der hohen Niederschläge weniger Trockenperioden zu verzeichnen, sodass eine Abnahme der Mineralisationsleitung auf diesen Standorten berechnet wurde.

4 4 Diskussion

Sowohl die absolute Temperaturerhöhung als auch die Zunahme der Temperaturvariabilität sowie die Verschiebung der Niederschlagsverteilung und damit verknüpft häufigere Hochwasserereignisse werden nicht ohne Folgen für die Funktionsweise von terrestrischen Ökosystemen bleiben. Deutliche Veränderungen der Pflanzenphänologie im Zusammenhang mit Klimaveränderungen wurden nachgewiesen. Die Veränderung der Pflanzenphänologie beeinflusst den Wasser- und Stofffluss an den Grenzflächen der Pflanzen zur Atmosphäre und zum Boden. Darüber hinaus hat eine Veränderung der Phänologie von Nutzpflanzen agrarökonomische Bedeutung (z. B. Anbauzeiten, Sortenwahl, Bewirtschaftung, Absatz).

Neben dem Anstieg der Durchschnittswerte von Temperatur und Niederschlag wird sich voraussichtlich vor allem auch die raumzeitliche Variabilität dieser beiden Klimaelemente ändern. Dies hat voraussichtlich weitreichende Auswirkungen auf den Wasser- und Nährstoffhaushalt und damit direkt oder indirekt auf terrestrische und aquatische Ökosysteme und die Landnutzung, vor allem durch Land- und Forstwirtschaft (Meiwes et al. 2007). Zusätzlich können der demografische Wandel, Änderungen der Landbewirtschaftung aufgrund sich wandelnder agrarökonomischer Rahmenbedingungen sowie steigender Flächenverbrauch für Siedlung und Verkehr die Wasser- und Stoffflüsse regional beeinflussen. Das kleinräumige Muster der Landnutzung und deren Änderung überlagern dabei die möglichen regionalen Auswirkungen des Klimawandels und können Effekte wie Abfluss und Nährstoffaustrag von Böden in die Fließgewässer verstärken oder mindern. Für eine verlässliche Prognose zukünftiger regionaler Entwicklungen des Wasser- und Nährstoffhaushaltes müssen folglich Auswirkungen der Klimaänderungen und die Effekte gleichzeitigen Landnutzungswandels kombiniert betrachtet werden.

Für Waldökosysteme ist zu erwarten, dass aufgrund von erhöhter Interzeption und Transpiration bei verminderten Niederschlägen während der Vegetationszeit Trockenstress vermehrt auftreten wird (Bréda et al. 2006). Dies erhöht die Disposition der Waldbestände für die Beeinträchtigung durch biotische Schädlinge (Bolte und Ibisch 2007). Für die Bewirtschaftung hat dies zu Folge, dass bisherige Anbauempfehlungen für Baumarten überprüft werden müssen. Beispielsweise ist eine deutliche Verkleinerung des Anbauareals der Fichte zu erwarten (Paar et al. 2005; Kölling et al. 2007).

Bislang weitgehend unberücksichtigt bei der Klimafolgenforschung bleibt der Stoffhaushalt der Böden, obwohl diese als regulatorisches Hauptkompartiment terrestrischer Ökosysteme neben dem Standortklima die zweite essenzielle Randbedingung der Primärproduktion sind. Für Waldböden ist durch Änderungen des Temperatur- und des Feuchteregimes mit Änderungen der Humusdynamik auszugehen, die weit reichende Folgen insbesondere für den Stickstoff- und Säurehaushalt aufgrund starker Kopplungen mit den Umsätzen organischer Substanz erwarten lassen (Puhe und Ulrich 2001).

Die Ergebnisse dieser Arbeit können nicht anhand von Befunden vergleichbarer Untersuchungen diskutiert werden, denn solche gibt es bislang nicht. Die Befunde dieser pilothaften Berechnungen weisen zum einen darauf hin, dass der Klimawandel den Stoff- und Wasserhaushalt sowie die Stoffflüsse zwischen den Böden und der Atmosphäre sowie dem Grundwasser verändern wird. Die gefundenen Ergebnisse sind plausibel und entsprechen den Erwartungen. Mit Blick auf die Frage nach Anpassungen an den Klimawandel deuten die Simulationsergebnisse an, dass die Art der Landnutzung in einem durch die Bodenverhältnisse mit beeinflussten Rahmen Möglichkeiten zur Anpassung bietet. Dies ist insbesondere mit Blick auf die Umsetzung der EU-Wasserrahmenrichtlinie bedeutsam.

Vor diesem Hintergrund ist es eigentlich erstaunlich, dass die Modellierung von Prozessen im Boden in der Klimafolgenforschung bislang allenfalls eine Nebenrolle spielte. Schließlich sind Böden die regulatorischen Hauptkompartimente terrestrischer Ökosysteme, die mit der Atmosphäre und der Hydrosphäre in engen stofflichen und energetischen Wechselbeziehungen stehen. Simulationsmodelle sind in der Meteorologie weit entwickelt und im Wesentlichen anerkannt, in der Ökologie werden Modelle kontroverser diskutiert. Dabei wird bisweilen übersehen, dass sie in Kombination mit GIS räumlich konkretisierte Prognosen und Technologien (Was muss getan werden, um einen angestrebten Systemzustand zu ermöglichen?) liefern können (Schröder und Daschkeit 2003). Das in dieser Arbeit verwendete Modellsystem Wasmod wurde für sehr unterschiedlich ausgeprägte Boden-, Klima- und Nutzungsverhältnisse auf mehreren räumlichen Ebenen (Bodenprofil, Acker, Wassereinzugsgebiet) an Messdaten validiert. Eine besondere Bedeutung kam dabei dem Einfluss von Bewirtschaftungsmaßnahmen auf den Stoffaustrag aus Böden zu. Ausführliche Diskussionen und umfangreiche Literatur über weitere WASMOD-Anwendungen sind den Arbeiten von Fink und Kralisch (2005), Haluszczak et al. (1991), Kralisch et al. (2003, 2005), Müller et al. (2006) und Rinker (2001) zu entnehmen. Die in der vorliegenden Arbeit mit WASMOD berechneten der N- und P-Austräge bei steigenden Lufttemperaturen sind räumliche und zeitliche Prognosen. Vorhersagen sind Erweiterungen von räumlich und zeitlich punktuellen Stichproben auf andere Raum- und Zeitpunkte, also von Stichproben auf Grundgesamtheiten, deren verkleinertes Abbild die Stichproben sein sollen. Räumliche Generalisierung ist die Verallgemeinerung von Messungen an ausgewählten Orten auf solche ohne Messungen. Bei der zeitlichen Generalisierung werden Stichprobenereignisse eines status quo auf einen status post (Prognose) oder einen status ante (Epignose) bezogen. Die empirische Validität zeitlicher Prognosen wie die in dieser Arbeit kann erst dann geprüft werden, wenn der prognostizierte Zeitpunkt erreicht ist, also ex post. Die solcherart bestimmte Prognosequalität von WASMOD ist ausreichend (Fink und Kralisch 2005; Haluszczak et al. 1991; Kralisch et al. 2003, 2005; Müller et al. 2006; Rinker 2001).

5 5 Schlussfolgerungen

Die Berechnungen zeigen, dass die sich großräumig veränderten Energieflüsse auf die räumliche und zeitliche Struktur sowie die Amplituden der Ausprägung atmosphärischer Merkmale auswirken. Dies zeigt sich besonders deutlich an den Lufttemperaturen und den Niederschlägen. Diese beiden Klimaelemente sind entscheidende Regelgrößen für die Stoffhaushalte von Böden terrestrischer Ökosysteme. Die Folgen ihrer empirisch belegten und ihrer prognostizierten Veränderung können für den N- und P-Austrag aus Böden Schleswig-Holsteins mit dem Modellsystem WASMOD berechnet werden. Wegen der umfassenden Validierung von WASMOD in der Ökosystemforschung, in Fallstudien sowie im Umwelt-Monitoring kann davon ausgegangen werden, dass der Wasser- und Stoffhaushalt der Böden zuverlässig modelliert wird. Grundlagenforschung in Form der Ökosystemforschung erweist sich insofern als lohnend, als man dadurch jetzt in der Lage ist, validierte Modelle wie Wasmod für Prognosen des Stoffhaushalts in Böden unter veränderten Klimabedingungen berechnen zu können. WASMOD könnte auch einen Beitrag für die im Zusammenhang mit dem Klimawandel relevante Prognose des Risikos der Ausbreitung von Krankheiten liefern, deren Überträger sich im warm-feuchten Milieu ausbreiten (Maier et al. 2003; Takken et al. 2005; WHO 2004). Hierbei ist die Bodenfeuchte bedeutsam, die anhand der Daten der Reichsbodenschätzung mit WASMOD kleinräumig differenziert berechnet werden kann.

6 6 Empfehlungen und Ausblick

Grundlagenforschung im Schnittfeld von Ökologie und Umweltmedizin wäre die beste Vorbereitung auf Umweltkrisen und sollte fortentwickelt werden (Markert et al. 2008; Rüdel et al. 2007). Hierbei muss jedoch streng darauf geachtet werden, dass von vornherein ein stringentes statistisches Design entworfen und realisiert wird. Die Steigerung der umweltwissenschaftlichen Prognosefähigkeit setzt ferner voraus, dass einmal erarbeitetes Wissen in Form von Daten endlich professionell nach dem Vorbild des Bibliothekswesens professionell dokumentiert, archiviert und miteinander vernetzt wird (Bill 2005; Schröder et al. 2008).

Die Auswirkungen des Klimawandels auf den Stoffhaushalt in Böden sollen mit WASMOD bundesweit regionalisiert und mit Befunden aus dem Bio-Monitoring (de Bryn et al. 2009; Schröder et al. 2008; Wappelhorst et al. 2000) verknüpft werden. Hierfür werden auf der Grundlage einer landschaftsökologischen Gliederung (Hornsmann et al. 2008; Schröder und Schmidt 2000) sowie anhand von Klimadaten und pflanzenphänologischen Daten des Deutschen Wetterdienstes und der internationalen phänologischen Gärten (Schröder et al. 2005) repräsentative Modellierungsräume ausgewählt und untersucht. Die Befunde sollten in einer WebGIS-Anwendung (Kleppin et al. 2008; Schmidt et al. 2009) umfassend dokumentiert und für die weitere Nutzung zur Verfügung gestellt werden. Weiterhin soll mit WASMOD der Wasserhaushalt an der Bodenoberfläche unter veränderten Klimabedingungen simuliert werden, was für eine prädiktive Kartierung des Risikos vektorassoziierter Krankheiten wesentlich ist (Schröder et al. 2007).

Authors’ Affiliations

(1)
DigSyLand – Institut für Digitale Systemanalyse & Landschaftsdiagnose
(2)
Lehrstuhl für Landschaftsökologie, Hochschule Vechta

Literatur

  1. Bill R (2005) DFG-Rundgespräch „Geowissenschaftliche Informationsportale“, Hannover, 21./22. Februar 2005. RostockGoogle Scholar
  2. Bolte A, Ibisch PL (2007) Neun Thesen zu Klimawandel, Waldbau und Waldnaturschutz. Wald 11:572–576Google Scholar
  3. Bréda N, Huc R, Granier A, Dreyer E (2006) Temperate forest trees and stand under severe drought: a review of ecophysiological responses, adaption processes and long-term consequences. Ann Forest Sci 63:625–644View ArticleGoogle Scholar
  4. de Bruyn U, Linders H-W, Mohr K (2009) Epiphytische Flechten im Wandel von Immissionen und Klima – Ergebnisse einer Vergleichskartierung 1989/2007 in Nordwestdeutschland. Umweltwiss Schadst Forsch 21:63–75View ArticleGoogle Scholar
  5. EEA (2004) Impacts of Europe’s changing climate. An indicator-based assessment. EEA Report 2:1–100Google Scholar
  6. Ellenberg H, Fränzle O, Müller P (1978) Ökosystemforschung im Hinblick auf Umweltpolitik und Umweltplanung. Umweltforschungsplan des Bundesministeriums des Inneren, FKZ 78-10104005. BerlinGoogle Scholar
  7. Fränzle O (1998) Grundlagen und Entwicklung der Ökosystemforschung. In: Fränzle O, Müller F, Schröder W (Hrsg) Handbuch der Umweltwissenschaften. Grundlagen und Anwendungen der Ökosystemforschung, 3. ErgLfg, Kap II-2.1:1–24. ecomed, Landsberg am Lech München ZürichGoogle Scholar
  8. Fränzle O, Jensen-Huß K, Daschkeit A, Hertling T, Lüschow R, Schröder W (1993) Grundlagen zur Bewertung der Belastung und Belastbarkeit von Böden als Teilen von Ökosystemen. UBA-Texte 59/93, BerlinGoogle Scholar
  9. Fränzle O, Kappen L, Blume H-P, Dierssen K (eds) (2008) Ecosystem organization of a complex landscape. Long-term research in the Bornhöved lake district, Germany. Ecological Studies 202. Springer, Berlin, 392 SeitenGoogle Scholar
  10. Fink M, Kralisch S (2005) Estimating the importance of topological routing for modelling water and nitrogen transport at catchment scale. In: Zerger A, Argent RM (eds) MODSIM 2005 International Congress on Modelling and Simulation. Modelling and Simulation Society of Australia and New Zealand, Dezember 2005, pp 2686–2692Google Scholar
  11. Haluszczak S, Vetter L, Schröder W (1991) Dehydrogenaseaktivität in konventionell und biologisch bewirtschafteten Böden unterschiedlicher Nutzung. Schr Naturwiss Ver Schleswig-Holstein 61:55–80Google Scholar
  12. Hornsmann I, Schmidt G, Schröder W (2008) Berechnung einer landschaftsökologischen Raumgliederung Europas. Umweltwiss Schadst Forsch 20:25–35Google Scholar
  13. IPCC (Intergovernmental Panel on Climate Change) (2001) Climate change. The scientific basis. University Press, Cambrigde, UKGoogle Scholar
  14. Kleppin L, Schröder W, Pesch R, Schmidt G (2008) Entwicklung und Erprobung einer Metadaten- und WebGIS-Applikation für das Expositionsmonitoring mit Moosen in Deutschland. Ein Beitrag zum LTER-Netzwerk. Umweltwiss Schadst Forsch 20: 38–48Google Scholar
  15. Kölling C, Zimmermann L, Walentowski H (2007) Klimawandel: Was geschieht mit Buche und Fichte? Wald 11:584–588Google Scholar
  16. Kralisch S, Fink M, Flügel WA, Beckstein C (2003) A neural network approach for the optimization of watershed management. Envrion Model Softw 18:815–823View ArticleGoogle Scholar
  17. Kralisch S, Fink M, Beckstein C (2005) Neural Network Based Sensitivity Analysis of Natural Resource Models. In: Zerger A, Argent RM (eds) MODSIM 2005 International Congress on Modelling and Simulation. Modelling and Simulation Society of Australia and New Zealand, pp 2498–2504Google Scholar
  18. LWK-SH (Landwirtschaftskammer Schleswig-Holstein) (2001a) Marktfrucht-Report 2001. Ergebnisse und Analysen aus der Unternehmensberatung für Marktfruchtbetriebe in Schleswig-Holstein. Betriebswirtschaftliche Mitteilungen NR. 550/551, Kiel, S 1–57Google Scholar
  19. LWK-SH (2001b) Ökologisch-Ökonomische Auswirkungen des Integrierten Landbaus. Betriebswirtschaftliche Mitteilungen NR. 552/553, Kiel, S 1–102Google Scholar
  20. LWK-SH (2001c) Ergebnisse der Rinderspezialberatung, Abteilung Betriebswirtschaft und Beratung. Betriebswirtschaftliche Mitteilungen NR. 554/555, Kiel, S 1–125Google Scholar
  21. LWK-SH (2003) Richtwerte für die Düngung. KielGoogle Scholar
  22. Maier WA, Grunewald J, Habedank B, Hartelt K, Kampen H, Kimmig P, Naucke T, Oehme R, Vollmer A, Schöler A, Schmitt C (2003) Mögliche Auswirkungen von Klimaveränderungen auf die Ausbreitung von primär humanmedizinisch relevanten Krankheitserregern über tierische Vektoren sowie auf die wichtigen Humanparasiten in Deutschland. Climate Change 05/03, Berlin, 386 SeitenGoogle Scholar
  23. Markert B, Wünschmann S, Fränzle S, Wappelhorst O, Weckert V, Breulmann G, Djingova R, Herpin U, Lieth H, Schröder W, Siewers U, Steinnes E, Wolterbeek B, Zechmeister H (2008) On the road from biomonitoring to human health aspects – monitoring atmospheric heavy metal deposition by epiphytic/epigeic plants: present status and future needs. Int J Environ Pollut 32:486–498View ArticleGoogle Scholar
  24. Matthies M, Klasmeier J, Heß O (2006) GIS-basietre Modellierung von Gewässerimmissionen. Umweltwiss Schadst Forsch 18:102–109View ArticleGoogle Scholar
  25. Meiwes KJ, Badeck F-W, Beese F, Berthold D, Einert P, Jochheim H, Kallweit R, Konopatzky A, Lasch P, Meesenburg H, Puhlmann M, Raspe S, Schulte-Bisping H, Schulz C, Suckow F (2007) Kohlenstoffumsatz in Waldökosystemen und deren Böden: Parametrisierung, Kalibrierung und Validierung von Modellen. Wald 20:1075–1077Google Scholar
  26. MLLT (Ministerium für ländliche Räume, Landesplanung, Landwirtschaft und Tourismus des Landes Schleswig Holstein) (2002) Agrarreport Schleswig-Holstein. Kiel, S 1–189Google Scholar
  27. Müller F, Schrautzer J, Reiche EW, Rinker A (2006) Ecosystem based indicators in retrogressive successions of an agricultural landscape. Ecol Ind 6:63–82View ArticleGoogle Scholar
  28. Paar U, Schmidt M, Schönfelder E, Mues V, Scheler B, Eichhorn J (2005) Kartenbezogene Grundlagen der Waldentwicklung unter dem Einfluss von Klimaänderungen. Abschlussbericht InKlim 2012 Baustein II. Hessen-Forst. Servicestelle für Forsteinrichtung, Information und Versuchswesen, Hannoversch Münden, 24 SGoogle Scholar
  29. Puhe J, Ulrich B (2001) Global climate change and human impacts on forest ecosystems. Ecological Studies 143. Springer, Berlin, 592 SeitenView ArticleGoogle Scholar
  30. Reiche EW (1991) Entwicklung, Validierung und Anwendung eines Modellsystems zur Beschreibung und flächenhaften Bilanzierung der Wasser- und Stickstoffdynamik in Böden. Kieler Geograph Schr 79:1–150Google Scholar
  31. Rinker A (2001) Beschreibung der Wasser- und Stoffhaushaltsdynamik devastierter Flächen mit dem Simulationsmodell WASMOD am Beispiel des Braunkohlentagesbergbaus Espenhain. Diss. Fak. Geowiss., Geotechnik und Bergbau, TU Bergakademie Freiberg, FreibergGoogle Scholar
  32. Rüdel H, Bester K, Eisenträger A, Franzaring J, Haarich M, Köhler J, Körner W, Oehlmann J, Paschke A, Ricking M, Schröder W, Schröter-Kermani Ch, Schulze T, Schwarzbauer J, Theobald N, von der Trenck Th, Wagner G, Wiesmüller G A (Arbeitskreis Umweltmonitoring in der GDCh-Fachgruppe Umweltchemie und Ökotoxikologie) (2007) Stoffbezogenes Umweltmonitoring. In: Wichmann H-E, Schlipköter H-W, Füllgraf G (Hrsg) Handbuch der Umweltmedizin. Loseblattwerk, 37, Bd. 2, Kap. IV-7. Erg.Lfg., ecomed MEDIZIN, Landsberg, S 1–48Google Scholar
  33. Schmidt G, Aden C, Kleppin L, Pesch R, Schröder W (2009) Integration of long-term environmental data by the example of the UNECE Heavy Metals in Mosses Survey in Germany: Application of a WebGIS-based metadata system. In: Müller F, Klotz S, Schubert H (Hrsg) Long-term ecological research – Between theory and application. Springer, Berlin (im Druck)Google Scholar
  34. Schröder W, Daschkeit A (2003) Umweltwissenschaft als Prototyp interdisziplinärer Forschung. In: Fränzle O, Müller F, Schröder W (Hrsg) Handbuch der Umweltwissenschaften. Grundlagen und Anwendungen der Ökosystemforschung, Kap. II-2.5 (9. ErgLfg). ecomed, Landsberg am Lech München Zürich, S 1–32Google Scholar
  35. Schröder W Schmidt G (2000) Raumgliederung für die Ökologische Umweltbeobachtung des Bundes und der Länder. Umweltwiss Schadst Forsch 12:237–243Google Scholar
  36. Schröder W, Schmidt G, Hasenclever J (2005) Korrelation meteorologischer und phänologischer Indikatoren des Klimawandels? Statistische Analyse am Beispiel Baden-Württembergs. Umweltwiss Schadst Forsch 17:94–105View ArticleGoogle Scholar
  37. Schröder W, Bast H, Pesch R, Schmidt G, Kiel E (2007) Flächenhafte Modellierung der potenziellen Reproduktionsrate des Malaria-Erregers Plasmodium vivaxin Anopheles atroparvusauf Grundlage gemessener und prognostizierter Lufttemperaturen in Niedersachsen. Umweltwiss Schadst Forsch 19:115–122View ArticleGoogle Scholar
  38. Schröder W, Hornsmann I, Pesch R, Schmidt G, Fränzle S, Wünschmann S, Heidenreich H, Markert B (2008) Moosmonitoring als Spiegel der Landnutzung? Stickstoff- und Metallakkumulation in Moosen zweier Regionen Mitteleuropas. Umweltwiss Schadst Forsch 20:62–74Google Scholar
  39. StA-HHSH (Statistisches Amt für Hamburg und Schleswig-Holstein) (2004a) Die Bodennutzung in Schleswig-Holstein in landwirtschaftlichen Betrieben. Endgültiges Ergebnis. Kiel, S 1–11Google Scholar
  40. StA-HHSH (2004b) Statistisches Jahrbuch 2004, Kap. 11, Landwirtschaft. Kiel, S 1–301Google Scholar
  41. StA-HHSH (2004c) Die Bodennutzung in Schleswig-Holstein 2004. Kiel, (C I1-j/04)Google Scholar
  42. StA-HHSH (2004d) Bodennutzung und Ernte in Schleswig-Holstein 2003. Kiel, (C I/C I1-j/03 S)Google Scholar
  43. StA-HHSH (2005a) Agrarstruktur in Schleswig-Holstein 2003. Ausgewählte Strukturdaten für Betriebe mit ökologischem Landbau nach Kreisen und Naturräumen. Ergebnisse der Agrarstrukturerhebung, Statistischer Bericht, 19. Mai 2005, Kiel, S 1–20Google Scholar
  44. StA-HHSH (2005b) Bodennutzung und Ernte in Schleswig-Holstein 2003. Statistischer Bericht, 16. September 2004, Kiel, S 1–87Google Scholar
  45. StA-HHSH (2005c) Ernteberichterstattung über Feldfrüchte und Grünland Schleswig-Holstein. Statistischer Bericht, CII 1-m9/05S, 6. Oktober 2005, KielGoogle Scholar
  46. Takken W, Martens P, Bogers (eds) (2005) Environmental change and malaria risk. Global and local implications. Springer, DordrechtGoogle Scholar
  47. Wappelhorst O, Korhammer S, Leffler US, Markert B (2000) Ein Moosbiomonitoring zur Ermittlung atmosphärischer Elementeinträge in die Euroregion Neiße (D, PL, CZ). Umweltwiss Schadst Forsch 12:191–200View ArticleGoogle Scholar
  48. WHO: World Health Organization (2004) Using Climate to predict infectious disease outbreaks. A Review. WHO/SDE/OEH/04.01, GenevaGoogle Scholar

Copyright

© Springer-Verlag 2009