Aanpak¶

Om een algemeen beeld te krijgen van de opbrengstvariabiliteit als gevolg van natte of droge omstandigheden in heel Vlaanderen, voerden we een regionale analyse uit. We definiëerden een raster met een resolutie van 500 m dat het hele Vlaamse grondgebied bestrijkt. Dit resulteerde in meer dan 54000 individuele SWAP-WOFOST simulaties. We deden dit voor vijf conventionele teelten: gras, voedermaïs, aardappel, wintertarwe en suikerbiet over het hele Vlaamse grondgebied. Pixels die geen landbouwgrond waren werden nadien uit de analyse verwijderd. In werkelijkheid zijn er uiteraard rotaties en meer mogelijke teelten, maar deze kaarten dienen om potentieel problematische gebieden voor verschillende gewastypen te identificeren op regionale schaal (te natte of te droge omstandigheden) en stellen niet de reële situatie in een welbepaald jaar voor.

De simulatieperiode liep van 01/01/1990 tot 31/12/2021 (31 jaar), om rekening te houden met de variabiliteit van de weersomstandigheden. Zoutconcentratie in de bodem, drainage en irrigatie werden niet in het model opgenomen, maar kunnen worden geactiveerd voor specifieke studies indien gewenst.

Resultaten regionale analyse¶

De volgende resultaten illustreren de effecten van de temporele en/of ruimtelijke variatie van de weersomstandigheden, de bodem, de planten en de grondwaterstand op de gewasopbrengst. Al deze variabelen zijn nauw met elkaar verbonden en bepalen samen de finale gewasopbrengst in een bepaald jaar en op een bepaalde plaats.

Variabiliteit in de tijd¶

Het neerslagtekort (neerslag - referentieevapotranspiratie, P-ET₀) is een algemeen gebruikte indicator om meteorologische droogte te beoordelen. Het geeft aan of er sinds het begin van het hydrologische seizoen voldoende neerslag is gevallen om aan de verdampingsvraag van de atmosfeer te voldoen. Positieve waarden betekenen dat er te veel of voldoende water beschikbaar is via neerslag, en negatieve waarden wijzen op onvoldoende neerslag. Jaren met weinig neerslag en meestal hogere temperaturen hebben een groter neerslagtekort, uitgedrukt als een negatieve waarde van P-ET₀. Onderstaande figuur toont de variabiliteit van de gemiddelde P-ET₀ in de laatste ~30 jaar in Vlaanderen, gecumuleerd van januari tot januari(Het neerslagtekort kan ook worden berekend van april tot april, dat als het hydrologische jaar wordt beschouwd.). De weersomstandigheden verschillen aanzienlijk van jaar tot jaar, en er kunnen verschillende droge en natte perioden worden onderscheiden. Zo was de periode 1998 - 2002 vrij nat, terwijl de periode 2017-2020 zeer droog was. Naast het algemene neerslagtekort is ook de timing van lange, droge perioden van cruciaal belang om het effect ervan op specifieke gewassen correct in te schatten.

Onderstaande figuur toont de variabiliteit van de gemiddelde opbrengst van landbouwpercelen in Vlaanderen voor de vijf gewassen (links), en de gemiddelde opbrengstvermindering door water- en zuurstofstress, en indirecte effecten (rechts). De jaren 2015, 2018 en 2021 zijn gemarkeerd, omdat die respectievelijk als "normale", "droge" en "natte" jaren worden beschouwd en verder in dit hoofdstuk gebruikt worden om resultaten te vergelijken. De potentiële opbrengst, weergegeven in het grijs, is de opbrengst die onder optimale omstandigheden van water en nutriënten bereikt zou worden en als de gewassen volledig beschermd zijn tegen onkruid, plagen en ziekten. De werkelijke opbrengst (groen) geeft dan de geschatte opbrengst weer onder de reële meteorologische omstandigheden van dat jaar, ervan uitgaande dat voedingsstoffen en andere beperkende factoren geen probleem vormden, zodat we de effecten van waterstress (te veel of te weinig) kunnen isoleren. De rode stippellijn vertegenwoordigt telkens de gemiddelde opbrengst van 2012 tot 2021 voor dat gewas in België, op basis van de Belgische statistieken "STATBEL" of de Belgische rassenlijst voor gras.

De variabiliteit van de meteorologische omstandigheden bepaalt de verschillen in opbrengst over verschillende jaren van de gewassen. De opbrengstdaling is groter in jaren met een groot neerslagtekort (bv. 2018, 2003, 2020) dan in natte jaren (bv. 1998, 2021). Sommige gewassen zijn gevoeliger voor droge of natte omstandigheden. Aardappel, snijmaïs en suikerbiet worden bijna in gelijke mate getroffen door droge of natte omstandigheden, maar aardappel vertoont meer opbrengstvermindering in droge jaren, waarschijnlijk vanwege zijn ondieper wortelstelsel. In vergelijking met de akkerbouwgewassen is de opbrengst van gras door de jaren heen stabieler. Van meerjarig grasland is bekend dat het in vergelijking met akkerbouwgewassen beter bestand is tegen zuurstofstress, zoals besproken in het hoofdstuk Effect van grondwaterstanden en wateroverlast op teeltfactoren. Over het algemeen leidt droogtestress tot een hogere opbrengstvermindering dan zuurstofstress, voor alle gewassen behalve wintertarwe. Wintertarwe verschilt van de andere gewassen door zijn groeiseizoen, dat ook de winter en het vroege voorjaar omvat. Bovendien rijpt wintertarwe vrij vroeg in de zomer en wordt het daarom minder getroffen door zomerdroogte. Natte omstandigheden of zuurstofstress zijn dus de voornaamste oorzaak van opbrengstvermindering bij dit gewas. De indirecte effecten zijn gemiddeld zeer gering in Vlaanderen en veroorzaken geen grote opbrengstverliezen.

De simulaties van meeste gewassen volgen relatief goed de trend van de gemiddelde opbrengstvariabiliteit in België (rode stippellijn). Bij suikerbieten worden de opbrengsten echter systematisch onderschat, hoewel de relatieve trends wel overeenkomen. Onderschattingen kunnen het gevolg zijn van het gebruik van verouderde gewasparameters in het model (van cultivars uit de jaren '90) of van specifieke veldbeheerspraktijken die niet in het model zijn opgenomen, zoals irrigatie in droge jaren. Overschattingen zoals in 2016 en 2021 voor aardappelen, of 2016 voor wintertarwe, kunnen ook worden toegeschreven aan de aanwezigheid van plagen en ziekten die zich in natte omstandigheden makkelijker verspreiden, of aan andere processen, zoals het rotten van de aardappelknollen of het omvallen van wintertarwe, waarmee in het model geen rekening is gehouden. Zo waren deze indirecte effecten volgens het Agrometeorologisch Bulletin voornamelijk de oorzaak van de opbrengstvermindering in 2021, en niet noodzakelijkerwijs de zuurstofstress. Meer details over de verschillende factoren die elk van de vijf gewassen beïnvloeden, zijn beschreven in het hoofdstuk Effect van grondwaterstanden en wateroverlast op teeltfactoren.

Heterogeniteit¶

De neerslag in Vlaanderen varieert in ruimte en tijd. Bijgevolg heeft een jaar dat als gemiddeld nat of droog wordt beschouwd, niet overal dezelfde effecten. Zo was de provincie Limburg in 2018 droger en in 2021 natter dan de rest van Vlaanderen, waardoor de opbrengst in deze regio in beide jaren sterker daalt.

Onderstaande figuur toont de ruimtelijke variabiliteit van de opbrengst, uitgedrukt als percentage opbrengstvermindering, in landbouwgebieden voor de vijf gewassen en voor de kenmerkende jaren 2015, 2018 en 2021. De kaarten tonen het gecombineerd effect van de heterogene weersomstandigheden, de bodem en de gemiddelde grondwatertafel. Droge omstandigheden leiden tot meer oogstverlies bij voedermaïs, aardappel en suikerbiet voor de landbouw in Vlaanderen dan natte omstandigheden. Vooral in valleigebieden is zuurstofstress wel een oorzaak van belangrijk oogstverlies, zeker in natte jaren.

Bodemtype is een andere belangrijke factor die de opbrengst in het model beïnvloedt, omdat de hydraulische eigenschappen van de bodem de waterretentie, de infiltratiesnelheid en de wortelgroei bepalen, en dus ook de wateropname door de plant. Het model houdt rekening met wortelgroeibeperkingen op basis van het kleigehalte, de bulkdichtheid en de pH. De bulkdichtheid werd benaderd met de pedotranferfunctie van Vereecken (1988), aangezien deze informatie op regionale schaal niet beschikbaar was. Deze functie gaat uit van een bulkdichtheid van 1,48 g cm^\-3 voor kleigronden, zandleemgronden en leembodems. In werkelijkheid kan de bulkdichtheid aanzienlijk afwijken van deze waarde. Vanwege het verband tussen bulkdichtheid en maximale bewortelingsdiepte in SWAP-WOFOST wordt de maximale bewortelingsdiepte in klei- en zware kleigronden hierdoor soms beperkt tot 20 cm (de minimale bewortelingsdiepte die in het model kan worden aangenomen). In het algemeen beperken zandleem- en leembodems de wortelgroei niet in het model, en is de maximale bewortelingsdiepte afhankelijk van het gewas.

De gepresenteerde kaarten met opbrengstreducties hangen nauw samen met deze veronderstellingen. Zo leiden de kleiachtige bodems van de polders systematisch tot lagere opbrengsten, omdat werd uitgegaan van een geringe bewortelingsdiepte. Dit is waarschijnlijk niet wat er in werkelijkheid overal in de polders gebeurt. Bodemverdichting die doorr de mens werd veroorzaakt is een ander kenmerk dat niet wordt weergegeven met een benadering op basis van publiek beschikbare datalagen. Het is dus belangrijk de beperkingen van de modellen en de dataslagen waarmee zij werken te kennen, om verkeerde interpretaties van de resultaten te voorkomen. Voor gerichte studies over kleigronden bijvoorbeeld zou het verband tussen bulkdichtheid en bewortelingsdiepte kunnen worden verfijnd.

Gronden bij beken en rivieren, waar het grondwater van nature ondiep is, vertonen praktisch altijd suboptimale opbrengsten (roodachtige kleuren). Dit verergert nog in natte jaren. In werkelijkheid worden deze gebieden voornamelijk gebruikt voor grasproductie of begrazing, waarbij in de huidige landbouwpraktijken vaak al rekening wordt gehouden met deze ondiepe grondwaterstanden, aangezien gras doorgaans beter bestand is tegen natte omstandigheden dan andere conventionele gewassen.

Franken & Wolfs (2022) bestudeerden het potentiële effect van de toegenomen voorkomen van droogte als gevolg van de klimaatverandering op de grondwaterstanden in Vlaanderen. Volgens hun voorspellingen zal de gemiddelde hoogste grondwaterstand (GHG) licht stijgen door meer neerslag in de wintermaanden, op locaties met een diepe grondwaterstand en een dik aquifer (hogere buffercapaciteit). De gemiddelde laagste grondwaterstand (GLG) zal echter sterk dalen door minder neerslag in de zomermaanden (minder water beschikbaar) en hogere temperaturen (meer watervraag), vooral op locaties met een dun aquifer, een ondiepe grondwaterstand en een beperkte laterale stroming (lagere buffercapaciteit). Volgens hun voorspellingen zal de GLG in 2050 in ongeveer de helft van de landbouwgronden (58 %) en grondwaterafhankelijke natuurgebieden meer dan 25 cm dalen. In de winter daarentegen zal de gemiddelde GLG in 78 % van de landbouwgebieden met maximaal 10 cm toenemen. De studie van Franken & Wolfs is hoofdzakelijk gebaseerd is op gegevens van freatische watervoerende lagen met een duidelijke correlatie met meteorologische variabelen, maar geeft een goede indicatie van de effecten van de klimaatverandering op de grondwaterregimes die we kunnen verwachten. Verhoging van het grondwaterbuffervermogen is dan ook een prioriteit voor de overheid en de maatschappij.

Effect van grondwaterstand en bodemtextuur op gewasopbrengst¶

Onderstaande figuur illustreert het verband tussen gemiddelde grondwaterstanden en opbrengst in heel Vlaanderen voor de verschillende bodemtexturen en voor een normaal (2015), droog (2018) en nat jaar (2021). De meteorologische omstandigheden en het bodemtype hebben een belangrijke, gecombineerde invloed op de gewasopbrengst voor een bepaald gemiddeld grondwaterpeil. Dat zie je aan de spreiding van de puntenwolk in een bepaald jaar en hoe die wijzigt over de jaren heen. In de regionale analyse gebruiken we voor elk jaar hetzelfde gemiddelde grondwaterpeil als onderste randvoorwaarde in het model (dus geen fluctuerend grondwaterpeil doorheen het jaar). Gebieden met zeer ondiepe grondwaterstanden (minder dan 1m onder het bodemoppervlak) worden in natte jaren negatief beïnvloed, maar profiteren in droge jaren. Het omgekeerde doet zich voor bij diepere grondwaterstanden, waar meer neerslag de lage grondwaterbijdrage kan compenseren. Maar hoe groot dit positief effect is, hangt ook af van de bodemtextuur en hoe die watertransport en wortelgroei beïnvloedt.

De optimale grondwaterstand is grof genomen ongeveer 1 m in normale en droge jaren en 1,5 m in natte jaren. Er is duidelijk wel een grote spreiding rond deze richtwaarden te zien, waaruit blijkt dat het zinvol is niet met zulke eenvoudige vuistregels te werken, maar rekening te houden met de variabiliteit die wordt veroorzaakt door gewassen, bodem, grondwaterdynamiek en het weer. Ondiepe grondwaterstanden veroorzaken zuurstofstress, terwijl diepe grondwaterstanden leiden tot droogtestress in perioden zonder neerslag. Deze drempels zijn het resultaat van de fysische principes die zijn opgenomen in de droogte- en zuurstofstressfuncties in het model.

Plausibiliteitscontrole¶

SWAP-WOFOST is reeds uitgebreid getoetst in het kader van de Waterwijzer Landbouw tool in Nederland, en in andere projecten (Heinen et al., 2021; Mulder et al., 2021; Bertram et al., 2017). Een plausibiliteitscontrole in Vlaanderen is echter belangrijk, om te testen of dit model realistische resultaten genereert voor de Vlaamse context. Een echte modelvalidatie is niet altijd mogelijk omdat vaak de nodige gegevens ontbreken om het model helemaal aan de experimentele omstandigheden aan te passen. Dat is zeker het geval voor modellen als SWAP-WOFOST, die een grote verscheidenheid aan processen en bijbehorende parameters bevatten (Heinen et al., 2021). In Vlaanderen zijn jaarlijkse en ruimtelijk expliciete opbrengstgegevens voor modelvalidatie of -controle niet vrij beschikbaar. Daarom verzamelden we opbrengstgegevens van verschillende proefinstellingen in heel Vlaanderen en gebruikten de publiek beschikbare datalagen voor de locatie van de overeenkomstige experimenten om het model te parameteriseren.

Naast modelvalidatie of "plausibiliteitscontrole" kan de opbrengstdatabank dienen als:

1. Een open dataset voor kalibratie of validatie van gewasmodellen met inachtneming van de eventuele vertrouwelijkheidsstatus van de datasets die kan dienen om performantie van verschillende modellen of nieuwe versies van modellen te testen (=’benchmarking’).
2. Gebruiksvriendelijke tool om opbrengstinformatie van verschillende proeven in Vlaanderen te blijven verzamelen en vergelijken tov historische evoluties. Dit zou bijvoorbeeld kunnen dienen voor het Landbouweffectenrapport (LER) van de Vlaamse overheid.

De opbrengstdatabank is toegankelijk in de zenodo repository. Helaas bevinden de meeste gegevens zich momenteel in West- en Oost-Vlaanderen. De databank is vrij beschikbaar en kan groeien met nieuwe input van onderzoekers en professionals die opbrengstgegevens verzamelen.

Een eerste stap naar een Vlaamse opbrengstdatabank¶

De opbrengstdatabank bevat jaarlijkse opbrengstgegevens op veldniveau voor verschillende akkerbouwgewassen in Vlaanderen geteeld met "conventionele" landbouwpraktijken, samen met de coördinaten daarvan. Indien beschikbaar, bevat ze ook de plant-/zaai- en oogstdatum. Momenteel zijn alleen de opbrengsten van de vijf gewassen in dit onderzoek in de databank opgenomen, namelijk gras, voedermaïs, aardappel, wintertarwe en suikerbiet. De gegevens werden verzameld bij verschillende onderzoeksafdelingen van ILVO en andere Vlaamse overheids- en privé-instellingen zoals CRA-W en IRBAB KBIVB. De meeste gegevens zijn het resultaat van rassenproeven, zonder irrigatie en onder standaard plaagbestrijding en bemesting volgens de behoeften van het gewas. Een klein aantal aardappelwaarnemingen zijn afkomstig van proefvelden met irrigatie of van rassenproeven op landbouwvelden met irrigatie. De opbrengstdatabank is belangrijk om de reële ruimtelijke en temporele variabiliteit van de opbrengst in Vlaanderen te kennen.

Modelopzet voor plausibiliteitscheck¶

Het vorige hoofdstuk (Modelkader om het effect van de grondwaterstand op de landbouwpraktijk te evalueren ) beschreef de invoergegevens en procedures die we hebben gevolgd om de simulaties voor de modelcontrole te genereren. Er is hier één verschil: voor de modelcheck zijn locatiespecifieke plant-/zaai- en oogstdata opgegeven in plaats van een generieke zaai- en oogstdatum. In dit deel zijn geen indirecte effecten berekend.

Resultaten modelvalidatie¶

De bovenstaande figuur toont het verband tussen gemeten en gesimuleerde opbrengst voor gras, voedermaïs, aardappel, wintertarwe en suikerbiet. De zwarte lijn stelt de 1:1 lijn voor tussen de waargenomen en de gesimuleerde opbrengst. In het geval van een perfect model zouden de punten de bissectrice volgen. Voor gras en voedermaïs zijn meer waarnemingen beschikbaar, terwijl voor de andere gewassen, met name wintertarwe en suikerbieten, de gegevens vrij beperkt zijn. In het algemeen onderschat het model de gewasopbrengst, behalve voor gras, zelfs na de vermindering met 15% van de experimentele opbrengsten. De ergste onderschatting doet zich voor bij suikerbieten, wat overeenkomt met de regionale vergelijking voor suikerbieten.

Eén reden kan zijn dat de in het model gebruikte gewasparameters zijn afgeleid van cultivars uit de jaren '90, en dat de opbrengst van moderne cultivars aanzienlijk is verbeterd. Allard de Wit, een van de ontwikkelaars van WOFOST, wees erop dat de gewasparameters zullen moeten worden aangepast aan recente experimentele gegevens.

Een andere reden kan de voorbewerking van de gegevens vóór de vergelijking van de modellen zijn om rekening te houden met hogere oogsten in experimentele plots voor onderzoek (zie sectie 2.2). De oogstvermindering is momenteel gebaseerd op expertenadvies en ook voor alle gewassen op dezelfde manier toegepast. Dit zou geverifieerd moeten worden door onderzoeksdata met data van landbouwers te vergelijken voor dezelfde teelten.

Een derde reden kan zijn de simulaties momenteel geen rekening houden met alle beheerspraktijken (zoals bvb irrigatie) op een veld; gedetailleerde kennis van die praktijken is dus belangrijk voor een betere simulatie en interpretatie van de modelresultaten.

Table 1 toont enkele statistische indicatoren voor de overeenkomst tussen simulaties en observaties zoals de Root Mean Square Error (RMSE in t.ha^\-1), de relatieve root mean square error (RRMSE) en de determinatiecoëfficiënt (R²). De RMSE is een maat voor de gemiddelde afwijking van de simulaties van de observaties in de oorspronkelijke eenheden. Door de RMSE te delen door de gemiddelde waargenomen opbrengst voor elk gewas, kan een genormaliseerde RRMSE worden verkregen, die dimensieloos is en voor alle gewassen vergelijkbaar. De R² meet hoe goed de variatie van de waargenomen waarden ten opzichte van de gemiddelde waarde wordt verklaard door een lineaire regressiemodel. Deze indices geven een schatting van hoe goed het model met de algemene huidige parameters en aannames (SWAP-WOFOST) in staat is de doelwaarde, in dit geval de gewasopbrengst, te simuleren. Deze waarden geven aan dat het model de opbrengstvariabiliteit van gras en voedermaïs redelijk goed kan simuleren, maar niet alle opbrengstvariabiliteit van aardappelen, wintertarwe en suikerbieten. Het is te verwachten dat wanneer lokale informatie over bodem, weersdata, grondwaterstand en teeltpraktijken beschikbaar zouden zijn en gebruikt zouden worden in het model, de resultaten nog een stuk zouden verbeteren. Voor een echte validatie, moet er dus gewerkt worden aan een (gedetailleerde) oogstdatabank met een goede spreiding over Vlaanderen.

De jaarlijkse variatie van de waargenomen en gesimuleerde opbrengst is hieronder weergegeven. Er is een grote variabiliteit tussen jaren, en binnen hetzelfde jaar tussen locaties. Zo varieert de waargenomen grasopbrengst in 2014 tussen 11 ton.ha^\-1 en 19 ton.ha^\-1 en de aardappelopbrengst in 2019 tussen 10 ton.ha^\-1 en 15 ton.ha^\-1.

De grote verschillen tussen gesimuleerde en waargenomen opbrengst in aardappel in 2019 kunnen gedeeltelijk verklaard worden door irrigatie op de proefvelden, die niet gesimuleerd werd. Bij suikerbieten onderschat het model de opbrengst in alle jaren sterk, vooral in het droge jaar 2018, op basis van deze kleine set waarnemingen. In dit geval is een calibratie van de gewasparameters ten opzichte van wat in Waterwijzer Landbouw werd gebruikt vereist. Ook is een controle van de omrekening van verse naar droge opbrengst en een beoordeling van de relatie tussen experimentele opbrengst en opbrengst van landbouwpercelen nodig om de modelresultaten te verbeteren. Ondanks alle gewasopbrengstvariabiliteit kan het model de meeste van deze dynamieken beschrijven, hoewel de absolute waarden momenteel soms sterk worden onderschat, zoals bij suikerbieten.

In het algemeen mag men niet vergeten dat voor de simulatie van de opbrengsten van de proeflocaties geen gebruik is gemaakt van locatiespecifieke informatie om te testen of de bestaande gegevenslagen aanvaardbare resultaten opleverden. Afgezien van een betere kalibratie van het model, kunnen aanzienlijke verbeteringen worden verwacht als men kan werken met nauwkeurige gegevens over bodemhorizonten en hydraulische eigenschappen en lokale weergegevens.

Conclusies¶

We hebben het model SWAP-WOFOST op regionale schaal toegepast om de variabiliteit van de gewasopbrengst als gevolg van natte of droge omstandigheden in Vlaanderen te beschrijven. We gebruikten historische weergegevens van 1990 tot 2021 en geschatte gemiddelde grondwaterstanden om de opbrengst van vijf conventionele gewassen te simuleren, namelijk gras, voedermaïs, aardappel, wintertarwe en suikerbiet.

De weersvariabiliteit tussen de jaren veroorzaakt variabiliteit in de jaarlijkse gewasopbrengsten. De gesimuleerde opbrengst is in droge jaren gemiddeld lager dan in natte jaren. Aardappel, voedermaïs en suikerbieten zijn gevoeliger voor waterstress dan gras en wintertarwe. Gras geeft over de jaren heen een stabielere opbrengst dan de akkerbouwgewassen. Wintertarwe heeft meer last van natte omstandigheden, omdat een groot deel van het groeiseizoen in de regenmaanden valt. Ruimtelijk gezien wordt de opbrengstvariabiliteit sterk beïnvloed door de regionale weersvariabiliteit, de heterogeniteit van de bodem en het grondwaterpeil. In het algemeen heeft droogte meer invloed op de opbrengst van voedermaïs, aardappelen en suikerbieten dan natte omstandigheden. Gebieden met zandleem- en leembodems hebben doorgaans hogere opbrengsten dan kleigronden volgens het model, omdat de bodem de wortelgroei minder beperkt.

In het algemeen hebben ondiepe grondwaterstanden (minder dan 1 m onder het oppervlak) een negatief effect op de opbrengst in natte jaren, maar een voordeel in droge jaren. Net zoals de opbrengst afneemt bij diepere grondwaterstanden, neemt deze ook af bij te ondiepe grondwaterstanden. Diepere grondwaterstanden resulteren in hogere opbrengsten in natte jaren, aangezien meer neerslag de lage grondwaterbijdrage aan de wortelopname van het gewas compenseert. De omvang van dit effect hangt af van de bodemtextuur en het bewortelingspatroon van het gewas.

Op basis van een beperkte dataset met experimentele opbrengstwaarnemingen in Vlaanderen hebben wij de prestaties van het model aan een eerste, ruwe test onderworpen. Het model zoals het momenteel is geïmplementeerd was in staat om algemene meerjarige trends in de gemiddelde gewasopbrengst te beschrijven, ondanks vele beperkingen in de invoergegevens en modelvereenvoudigingen. Vermits absolute waarden bij suikerbiet serieus worden onderschat, is kalibratie van de gewasparameters nodig om nauwkeurigere resultaten te krijgen voor dit gewas. De databank dekt momenteel nog onvoldoende alle landbouwregio’s in Vlaanderen. Het is dus ook noodzakelijk om deze op termijn uit te breiden.

Dit modelkader is vrij beschikbaar voor de onderzoeksgemeenschap en zodat deze de prestaties ervan in de toekomst verder kan verbeteren.

Referenties¶

Vereecken, H. (1988). Pedotransfer functions for the generation of hydraulic properties for Belgian soils [Ph.D. diss.]. Katholieke Universiteit Leuven.

Franken, T., & Wolfs, V. (2022). Effecten van Klimaatverandering op de Freatische Grondwaterstanden (p. 95) [Techreport]. Sumaqua.

Heinen, M., Mulder, M., & Kroes, J. (2021). SWAP 4 : technical addendum to the SWAP documentation. Wageningen Environmental Research. https://doi.org/10.18174/540451

van den Pol-van Dasselaar, A., Bastiaansen-Aantjes, L., Bogue, F., O’Donovan, M., & Huyghe, C. (2019). Grassland Use in Europe A Syllabus for Young Farmers. Quae. http://public.eblib.com/choice/PublicFullRecord.aspx?p=6733965

Van Oort, P. A. J., Timmermans, B. G. H., Meinke, H., & Van Ittersum, M. K. (2012). Key weather extremes affecting potato production in The Netherlands. European Journal of Agronomy, 37(1), 11–22. https://doi.org/10.1016/j.eja.2011.09.002