Skip to main content

Auswahl repräsentativer Standorte zur Modellierung der Ausbreitung von gentechnisch veränderten Pflanzen in Nord-Deutschland

Selection of representative sites for modelling the dispersal of genetically modified plants in Northern Germany

Zusammenfassung

Ziel und Hintergrund

Die Nutzung von gentechnisch veränderten Kulturpflanzen (GVP) in der Landwirtschaft bekommt weltweit eine immer größere Bedeutung. Während in Nord-und Südamerika der Einsatz von GVP bereits weit verbreitet ist, steht der flächenhafte Anbau von GVP in Deutschland noch bevor. Risikoanalysen zu möglichen Auswirkungen der freigesetzten Genkonstrukte basieren allerdings bisher zumeist auf Versuchen mit geringer räumlicher Aussageweite (Laboranalysen, Feldversuche). Das BMBF-Verbundvorhaben ‘Generische Erfassung und Extrapolation von gentechnisch verändertem Raps (GenEERA)’ hatte zum Ziel, die Ausbreitung und Persistenz von gentechnisch verändertem Kulturraps (Brassica napus) erstmals im überregionalen Kontext abzuschätzen. Der Schwerpunkt des vorliegenden Artikels ist es, das Konzept und die Ergebnisse vorzustellen, die zur Auswahl von repräsentativen Modellstandorten für die räumliche Extrapolation der an diesen Lokalitäten berechneten Modellergebnisse für ganz Norddeutschland (Schleswig-Holstein und Hamburg, Niedersachsen und Bremen, Mecklenburg-Vorpommern, Brandenburg) geführt haben.

Methoden

Für die statistisch begründete Auswahl von Modellstandorten wurden solche Messgrößen kompiliert und in einem Geografischen Informationssystem (GIS) zusammengeführt, die für die Entwicklung, Ausbreitung und Persistenz von Kulturraps eine besondere Bedeutung haben und flächenhaft zur Verfügung standen. Die an bis zu 1.200 Messstationen als 30-jährige Monatsmittel der Klimanormalperiode (1961–1990) vorliegenden meteorologischen Messgrößen zu den Niederschlags-(N), Temperatur (T)-und Sonnenscheinverhältnissen (S) wurden ebenso wie die langjährigen Monatsmittel der Windrichtungen und-geschwindigkeiten (W) separat multivariat-statistisch (Clusteranalyse nach Ward) ausgewertet. Eine ökologische Landschaftsgliederung diente zur weiteren Charakterisierung Norddeutschlands. Phänologische Angaben zu den Blühterminen der Rapspflanzen aus zwei verschiedenen Zeiträumen (1961–1990 / 1991–1999) wurden mittels Variogramm-Analyse und Kriging-Interpolation flächenhaft verallgemeinert und dienten zur Auswahl von Satellitenszenen für die Rapsfelddetektion sowie zur Festlegung des Blühzeitraums für die individuenbasierte Modellierung.

Ergebnissse

Die separat generierten N-T-S-W-Cluster wurden frequenzanalytisch zu vier Klimaregionen zusammengefasst. Durch Kombination mit regionalen Clustern zur Anbausituation (Fruchtfolgen, Anbaumanagement) in Norddeutschland konnten acht Modellregionen ausgewiesen werden, die die klimatische und agronomische Variabilität des Untersuchungsraums repräsentieren. Stellvertretend für jede Modellregion wurde eine repräsentative Klimamessstation für die Individuen-basierte Modellierung ausgewählt. Die Modellierungsergebnisse wurden zuletzt durch entsprechende GIS-Abfragen in die jeweilige Modellregion extrapoliert.

Diskussion

Die abgeleiteten Klimaregionen spiegeln den Übergang von maritim geprägten Klimaten an der Nordsee-Küste hin zu kontinental geprägten Klimaten in Nordostdeutschland wider. Die Unterschiede in den Blühterminen, die für die beiden Untersuchungszeiträume festgestellt wurden, decken sich mit anderen Untersuchungen zur Veränderung der Eintrittstermine verschiedener Pflanzenphasen von Kultur-und Wildarten.

Schlussfolgerungen

Aufgrund des enormen Rechenaufwands und wegen nicht zur Verfügung stehender parzellenscharfer Anbaukarten ist es nicht möglich, die potenzielle Ausbreitung von gentechnisch verändertem Raps für jedes reale Rapsfeld in Norddeutschland zu modellieren. Daher sind Generalisierungen notwendig, die dazu dienen, die Variabilität der für die Verbreitung von GV-Raps wirksamen Umweltfaktoren auf einem hinreichend hohen Differenzierungsniveau abzubilden. Hierfür hat sich die Zusammenfassung dieser Faktoren zu homogenen Klimaregionen bewährt.

Empfehlungen und Ausblick

Aufgrund der eingeschränkten empirischen Datengrundlage ist es notwendig, die Modellierungsergebnisse durch ein statistisch fundiertes Monitoring zur Ausbreitung, zum Verbleib und zur Wirkung von GVP in der Umwelt zu validieren und zu konkretisieren. Das nach EU-Richtlinie 2001/18/EG zur Freisetzung von gentechnisch veränderten Organismen (GVO) in die Umwelt geforderte fallspezifische und allgemeine Monitoring, für das nach deutschem Gentechnikgesetz die Betreiber verantwortlich sind, sollte daher schnellstmöglich umgesetzt werden, zumal die Freisetzung und der Anbau von GVP in Deutschland bereits begonnen haben. Ein solches GVOMonitoring sollte aus technischer Sicht durch ein web-basiertes Geoinformationssystem (WebGIS) begleitet werden, das es ermöglicht, Geobasisdaten ebenso wie die Monitoring-Ergebnisse selbst allgemein verfügbar und über implementierte GIS-Funktionen auswertbar zu machen.

Abstract

Goal and Scope

The use of genetically modified plants (GMP) in agriculture is increasing rapidly. While GMP in North and South America are already established an extensive cultivation in Germany is yet to come. Risk assessment on possible effects of released GMP are mainly based on empirical studies with a small spatial extent (laboratories, small-scale field trials). The joint research project ‘Generic detection and extrapolation of genetically modified rape (GenEERA)’ aimed at estimating the dispersal and persistence of genetically modified oilseed rape (Brassica napus) by the use of individual based models. The objective of the article at hand is to give a detailed account of the spatial variability of climate in Northern Germany (German Federal States of Brandenburg, Lower Saxony and Bremen Mecklenburg Western Pomerania, Schleswig-Holstein and Hamburg). Based on this, a method was developed that includes both, the determination of representative oilseed rapefields for modelling the dispersal of GM oilseed rape at field scale, and the subsequent generalisation of the results to landscapes.

Data and Methods

The statistically founded selection of modelling sites was performed by a compilation of available indicators within a GIS environment which are supposed to be important for the dispersal and the persistence of oilseed rape. Meteorological data on precipitation (P), air temperature (T), and sunshine duration (S) collected at up to 1,200 monitoring sites from 1961–1990 were as well as data on wind conditions (W) aggregated multivariate-statistically by Ward cluster analysis. An ecoregionalisation was used for characterising Northern Germany ecologically. Phenological data on the start of the oil seed rape bloom differentiated in the monitoring periods 1961–1990 and 1991–1999, respectively, were regionalised by performing variogram analysis and kriging interpolation. These maps were used to select appropriate Landsat images to identify rape fields by remote sensing algorithms as well as to define the respective flowering periods for individual based modelling.

Results

The separately generated P-T-S-W-Cluster were aggregated to four homogenic climatic regions. In combination with agricultural clusters defining typical landuse patterns (crop rotation, cultivation management) eight model regions were derived which describe the climatic and agronomic variations in Northern Germany. For each of these regions a representative monitoring site was selected serving for individual based modelling. At last, the modelling results were extrapolated back to the model regions applying corresponding GIS queries.

Discussion

The generated climatic regions reflect the transition of marine climate at the North Sea to continental climate in Northeast Germany. The shift in flowering of oil seed rape coincides with other studies on phenological changes of agricultural crops and wild plants.

Conclusions

Due to the huge calculation efforts and the lack of adequate land registers it was not possible to simulate the potential dispersal of GM oil seed rape at farm scale. Thus, generalisations were used to describe the variations of relevant ecological drivers affecting the dispersal of GMP. It could be shown that the aggregation of those factors to homogenic climatic regions was a successful approximation.

Recommendations and Perspectives

Due to the limited empirical data base it is necessary to validate and substantiate the modelling results by a GMP monitoring. The EU Directive 2001/18/EC on the deliberate release of genetically modified organisms into the environment stipulates assessment of direct and indirect effects of GMP on humans and the environment by case-specific monitoring and general surveillance. It should be realised as soon as possible, since the release and the cultivation of GMP in Germany have been started, already. The monitoring should be complemented by the implementation of a web-based geoinformation system (WebGIS) which enables access to relevant geodata and monitoring data and assists in analysing possible GMP impacts.

Literatur

  1. Aden C, Schmidt G, Schröder W (2007): The WebGIS ‘GMO Monitoring’. Ecological complexity and sustainability. Abstracts of EcoSummit 2007, Beijing, China, p 10

  2. Ammann D, Vogel B (1999): Langzeitmonitoring gentechnisch veränderter Organismen: Bestandsaufnahme, Fallbeispiele und Empfehlungen. Kantonales Laboratorium Basel-Stadt

  3. Andow DA, Zwahlen C (2006): Assessing environmental risks of transgenic plants. Ecology Letters 9, 196–214

    CAS  Article  Google Scholar 

  4. Backhaus K, Erichson B, Plinke W, Weiber R (2000): Multivariate Analysenmethoden. Berlin

  5. Bartsch D, Lehnen M, Clegg J, Pohl-Orf M, Schuphan I, Ellstrand NC (1999): Impact of gene flow from cultivated beet on genetic diversity of wild sea beet populations. Molecular Ecology 8, 1733–1741

    Article  Google Scholar 

  6. Beckie HJ, Warwick SI, Nair H, Seguin-Swartz G (2003): Gene flow in commercial fields of herbicide-resistant canola (Brassica napus). Ecological Applications 13, 1276–1294

    Article  Google Scholar 

  7. Benbrook CM (2004): Genetically Engineered Crops and Pesticide Use in the United States: The First Nine Years. BioTech InfoNet, Technical Paper No. 7

  8. Breckling B, Middelhoff U, Borgmann P, Menzel G, Brauner R, Neuffer B, Born A, Laue H, Schmidt G, Schröder W, Wurbs A, Glemnitz M (2003): Biologische Risikoforschung zu gentechnisch veränderten Pflanzen in der Landwirtschaft: Das Beispiel Raps in Norddeutschland. In: Reuter H, Breckling B, Mittwollen A (Hrsg), Gene, Bits und Ökosysteme. Verlag P. Lang, Frankfurt/M., S. 19–45

    Google Scholar 

  9. Breiman L, Friedman JH, Olshen RA, Stone CJ (1984): Classification and regression trees. Pacific Grove, California

    Google Scholar 

  10. Castellazzi MS, Perry JN, Colbach N, Monod H, Adamczyk K, Viaud V, Conrad KF (2007): New measures and tests of temporal and spatial pattern of crops in agricultural landscapes. Agriculture, Ecosystems and Evironment 118, 339–349

    Article  Google Scholar 

  11. Chapman MA, Burke JM (2006): Letting the gene out of the bottle: The population genetics of genetically modified crops. New Phytologist 170, 429–443

    CAS  Article  Google Scholar 

  12. Crawley MJ, Brown SL (1995): Seed limitation and the dynamics of feral oilseed rape on the M25 motorway. Proceedings of the Royal Society of London B 259, pp 49–54

    Article  Google Scholar 

  13. Devaux C, Lavigne C, Austerlitz F, Klein EK (2007): Modelling and estimating pollen movement in oilseed rape (Brassica napus) at the landscape scale using genetic markers. Molecular Ecology 16, 487–499

    CAS  Article  Google Scholar 

  14. Dungan JL, Perry JN, Dale MRT, Legendre P, Citron-Pousty S, Fortin MJ, Jakomulska A, Miriti M, Rosenberg MS (2002): A balanced view of scale in spatial statistical analysis. Ecography 25, 626–640

    Article  Google Scholar 

  15. Eckelkamp C, Jäger M, Tappeser B, Danneberg G, Driesel AJ (1998): Verbreitung und Etablierung rekombinanter Desoxyribonukelinsäue (DNA). Berlin (UBA-Texte 51/98)

  16. EEA (European Environment Agency) (2004): Impacts of Europe’s changing climate. An indicator-based assessment. EEA Report 2/2004. Copenhagen, Denmark

  17. Ellstrand NC (2003): Current knowledge of gene flow in plants: Implications for transgene flow. Philosophical Transactions of the Royal Society of London B Biological Sciences 358, 1163–1170

    Article  Google Scholar 

  18. Englert C, Schmidt G, Schröder W (2007): Bildung eines Frühlings-Indikators für Deutschland auf Grundlage pänologischer Daten. In: Strobl, J, Blaschke TH, Griesebener G (Hrsg): Angewandte Geoinformatik 2007. Beiträge zum 19. Agit-Symposium, S. 177–186

  19. Ferretti M (2001): Ecosystem monitoring. From the integration between measurements to the integration between networks. Publicazione del Corso di Cultura in Ecologia, Università degli studi di Padova, pp 3–54

  20. Flohn H (1954): Witterung und Klima in Mitteleuropa. Forschungen zur Deutschen Landeskunde 78, Stuttgart

  21. Graef F, Schmidt G, Schröder W, Stachow U (2003): Prüfung der Repräsentativität von Bodendauerbeobachtungsflächen an ökologischen Räumen Brandenburgs mit CART (Classification and Regression Trees). Mitteilungen der Deutschen Bodenkundlichen Gesellschaft 102(2) 481–482

    Google Scholar 

  22. Graef F, Schmidt G, Schröder W, Stachow U (2005): Determinig ecoregions for environmental and GMO monitoring networks. Environmental Monitoring and Assessment 108, 189–203

    CAS  Article  Google Scholar 

  23. Haniotis T (2001): The Economics of Aricultural Biotechnology: Differences and Similarities in the US and the EU. In: Nelson GC (ed), Genetically Modified Organisms in Agriculture. Economics and Politics, pp 171–177

  24. Hartenstein M (1994): Phänologische Analysen im Stadtbereich von Karlsruhe. Karlsruher Berichte zur Geographie und Geoökologie 5, Karlsruhe

  25. Jenczweski E, Ronfort J, Chevre AM (2003): Crop-to-wild gene flow, introgression and possible fitness effects of transgenes. Environmental Biosafety Research 2, 9–24

    Article  Google Scholar 

  26. Journel AG, Huijbregts CJ (1997): Mining Geostatistics. Academic Press, London

    Google Scholar 

  27. Knapp PA, Grissino-Mayer HD, Soule PT (2002): Climatic regionalization and the spatio-temporal occurrence of extreme single-year drought events (1500–1998) in the Interior Pacific Northwest, USA. Quaternary Research 58(3) 226–233

    Article  Google Scholar 

  28. Laue H (2004): Automated Detection of Canola/Rapeseed Cultivation from Space. Dissertation, Universität Bremen

  29. Legere A (2005): Risks and consequences of gene flow from herbicide-resistant crops: Canola (Brassica napus L) as a case study. Pest Management Science 61, 192–200

    Article  Google Scholar 

  30. Liess M (1995): Insektizid-Belastung landwirtschaftlicher Einzugsgebiete. Erfassung und ökotoxikologische Bewertung. Mitteilungen aus der Norddeutschen Naturschutzakademie 6(1) 16–36

    Google Scholar 

  31. Lutman PJW, Berry K, Payne RW, Simpson E, Sweet JB, Champion GT, May MJ, Wightman P, Walker K, Lainsbury M (2005): Persistence of seeds from crops of conventional and herbicide tolerant oilseed rape (Brassica napus). Proceedings of the Royal Society of London B 272, 1909–1915

    Article  Google Scholar 

  32. Marvier M, van Acker RC (2005): Can crop transgenes be kept on a leash? Frontiers in Ecology and the Environment 3, 99–106

    Article  Google Scholar 

  33. Matheron G (1971): The theory of regionalized variables and its application. Centre de Morphologie Mathématique, Fontainebleau

    Google Scholar 

  34. Menzel A (1997): Phänologie von Waldbäumen unter sich ändernden Klimabedingungen. Forstliche Forschungsberichte München 164

  35. Menzel G (2006): Verbreitungsdynamik und Auskreuzungspotential von Brassica napus L. (Raps) im Großraum Bremen: Basiserhebung zum Monitoring von Umweltwirkungen transgener Kulturpflanzen. GCA-Verlag, Waabs

    Google Scholar 

  36. Middelhoff U, Breckling B (2003): Modelling population interactions and dispersal of oilseed rape (Brassica napus L., Brassicaceae). Verhandlungen der Gesellschaft für Ökologie 33, 273

    Google Scholar 

  37. Miller JR, Turner MG, Smithwick EA, Dent CL, Stanley EH (2004): Spatial extrapolation. The science of predicting ecological patterns and processes. Bioscience 54, 310–320

    Article  Google Scholar 

  38. Mucha HJ (1994): Clusteranalyse (Automatische Klassifikation). In: Schröder W, Vetter L, Fränzle O (Hrsg), Neuere statistische Verfahren und Modellbildung in der Geoökologie. Braunschweig, Wiesbaden, S. 109–127

    Google Scholar 

  39. Oke TR (1987): Boundary layer climates. Routledge, London and New York

    Google Scholar 

  40. Olea RA (1999): Geostatistics for engineers and earth scientists. Kluwer Academic Publishers. Boston

    Google Scholar 

  41. Pascher K, Macalka-Kamper S, Reiner H (2000): Vegetationsökologische und genetische Grundlagen für die Risikobeurteilung von Freisetzung von transgenem Raps und Vorschläge für ein Monitoring. Bundesminiterium für soziale Sicherheit und Generationen Sektion IX, Forschungsberichte 7/2000, Wien

  42. Pessel FD, Lecomte J, Emeriau V, Krouti M, Messean A, Gouyon PH (2001): Persistence of oilseed rape (Brassica napus L.) outside of cultivated fields. Theoretical and Applied Genetics 102, 841–846

    Article  Google Scholar 

  43. Pilson D, Prendeville HR (2004): Ecological effects of transgenic crops and the escape of transgenes into wild populations. Annual Review of Ecology, Evolution and Systematics 35, 149–174

    Article  Google Scholar 

  44. Ramsay G, Thompson C, Squire G (2003): Quantifying landscapescale gene flow in oilseed rape. Final Report of DEFRA Project RG0216, available at: http://www.defra.gov.uk/ENVIRONMENT/gm/research/pdf/epg_rg0216.pdf (May 10th 2006)

  45. Schlink S (1998): 10 Jahre Überdauerung von Rapssamen (Brassica napus L.) im Boden. Mitteilungen der Gesellschaft für Pflanzenbauwissenschaften 11, 221–222

    Google Scholar 

  46. Schraa M, Menz M, von Schenck W, Schaack D (2007): ZMP-Marktbilanz Getreide, Ölsaaten, Futtermittel 2007. Verlag ZMP Zentrale Markt-und Preisberichtstelle GmbH, Bonn

    Google Scholar 

  47. Schröder W, Schmidt G (2006): A methodological approach of site selection and data analysis to provide model input data for an up-scaling of population effects of transgenetic oilseed rape in Northern Germany. Ecological Indicators 6, 168–183

    Article  Google Scholar 

  48. Schröder W, Pesch R, Schmidt G (2003): Harmonization of Environmental Monitoring. Instruments for the Examination of Methodical Comparability and Spatial Representativity. Gate to EHS 3(7) 1–13, DOI: http://dx.doi.org/10.1065/ehs2003.07.010

    Google Scholar 

  49. Schröder W, Schmidt G, Hasenclever J (2005): Korrelation meteorologischer und phänologischer Indikatoren des Klimawandels? Statistische Analyse am Beispiel Baden-Württembergs. UWSF — Z Umweltchem Ökotox 17(2) 94–105

    Article  Google Scholar 

  50. Schröder W, Schmidt G, Hasenclever J (2006a): Geostatistical analysis of data on air temperature and plant phenology from Baden-Württemberg (Germany) as a basis for regional scaled models of climate change. Environmental Monitoring and Assessment 130(1–3) 27–43

    Article  Google Scholar 

  51. Schröder W, Schmidt G, Hornsmann I (2006b): Landschaftsökologische Raumgliederung Deutschlands. In: Fränzle O, Müller F, Schröder W (Hrsg) (1997–2006), Handbuch der Umweltwissenschaften. Grundlagen und Anwendungen der Ökosystemforschung. Landsberg am Lech, München, Zürich, Kap. V-1.9, 17. Erg.Lfg., S. 1–100

    Google Scholar 

  52. Schröder W, Pesch R, Schmidt G (2007): Analysis of climate change affecting German forests by combination of meteorological and phenological data within a GIS environment. The Scientific World 7S1, 84–89

    Article  Google Scholar 

  53. Shwartz M, Payne SMC, Restuccia JD, Ash AS (2001): Does it Matter How Small Geographic Areas are Constructed? Ward’s Algorithm Versus the Plurality Rule. Health Services and Outcomes Research Methodology 2(1) 5–18

    Article  Google Scholar 

  54. Siegmund A, Frankenberg P (1999): Klimatypen der Erde. Geographische Rundschau 51(9) 494–499

    Google Scholar 

  55. Spök A, Hofer H, Lehner P, Valenta R, Stirn S, Gaugitsch H (2005): Risk Assessment of GMO Products in the European Union. Toxicity assessment, allergenicity assessment and substantial equivalence in practice and proposals for improvement and standardisation. Berichte 253, Wien

  56. Squire GR, Brooks DR, Bohan DA, Champion GT, Daniels RE, Haughton AJ, Hawes C, Heard MS, Hill MO, May MJ, Osborne JL, Perry JN, Roy DB, Woiwod IP, Firbank LG (2003): On the rationale and interpretation of the Farm Scale Evaluations of genetically modified herbicide-tolerant crops. Philosophical Transactions of the Royal Society B: Biological Sciences 358(1439) 1779–1799

    CAS  Article  Google Scholar 

  57. Tiedje JMR, Colwell RL, Grossman YI, Hodson RE, Lenski RE, Mack RN, Regal PJ (1989): The planned introduction of genetically engineered organisms: Ecological considerations and recommendations. Ecology 70, 298–315

    Article  Google Scholar 

  58. Timmons AM, O’Brien ET, Charters YM, Dubbels SJ, Wilkinson MJ (1995): Assessing the risks of wind pollination from field of genetically modified Brassica napus ssp. oleifera. Euphytica 85, 417–423

    Article  Google Scholar 

  59. Turner MG, Dale VH, Gardner RH (1989): Predicting across scales. Theory development and testing. Landscape Ecology 3, 245–252

    Article  Google Scholar 

  60. VDI-Richtlinie 4330 Blatt 1 (2006): Monitoring der Wirkungen von gentechnisch veränderten Organsimen (GVO): Gentechnisch veränderte Pflanzen — Grundlagen und Strategien. VDI-Handbuch Biotechnologie, VDI/ DIN-Handbuch Reinhaltung der Luft, Bd. 1a. Beuth-Verlag, Berlin

    Google Scholar 

  61. Ward JH (1963): Hierarchical grouping methods to optimise an objective function. Journal of the American Statistical Association 58, 236–244

    Article  Google Scholar 

  62. Watkinson AR, Freckleton RP, Robinson RA, Sutherland WJ (2000): Predictions of Biodiversity Response to Genetically Modified Herbicide-Tolerant Crops. Science 289, 1554–1557

    CAS  Article  Google Scholar 

  63. Webster R, Oliver MA (2001): Geostatistics für environmental scientists. John Wiley and Sons Ltd., Chichester, New York

    Google Scholar 

  64. Xie Y, MacKinnon J, Li D (2004): Study on biogeographical divisions of China. Biodiversity and Conservation 13(7) 1391–1417

    Article  Google Scholar 

  65. Zhou Y, Narumalani S, Waltman WJ, Waltman SW, Palecki MA (2003): A GIS-based spatial pattern analysis model for eco-region mapping and characterization. International Journal of Geographical Information Science 17(5) 445–462

    Article  Google Scholar 

Download references

Author information

Affiliations

Authors

Corresponding author

Correspondence to Gunther Schmidt.

Rights and permissions

Reprints and Permissions

About this article

Cite this article

Schmidt, G., Schröder, W. Auswahl repräsentativer Standorte zur Modellierung der Ausbreitung von gentechnisch veränderten Pflanzen in Nord-Deutschland. Environ Sci Eur 20, 9–22 (2008). https://doi.org/10.1065/uwsf2007.11.230

Download citation

Schlagwörter

  • Clusteranalyse
  • gentechnisch veränderte Organismen (GVO)
  • GIS
  • Raps
  • Regionalisierung

Keywords

  • Clustering
  • genetically modified plants (GMP)
  • GIS
  • oil seed rape
  • regionalisation