Modelkader om het effect van de grondwaterstand op de landbouwpraktijk te evalueren

Inleiding¶

De belangrijkste doelstelling van dit project is het bepalen van de impact van de grondwaterstanden op conventionele landbouwgewassen in Vlaanderen. We gebruiken daarvoor dezelfde modelinstrumenten als de Nederlandse Waterwijzer Landbouw: het bodemwatertransportmodel SWAP, gekoppeld aan het gewasmodel WOFOST. Het gekoppelde instrument houdt niet alleen rekening met droogtestress op planten, maar ook met zuurstofstress onder te natte omstandigheden. Bovendien kunnen indirecte effecten op zaai-, maai- of oogsttijden worden gekwantificeerd.

SWAP-WOFOST is de afgelopen decennia uitgebreid geverifieerd. De numerieke oplossingen van SWAP werden ook vergeleken met analytische oplossingen. Een overzicht van enkele validatie- en gevoeligheidsanalyses is te vinden in Heinen et al. (2021). Sinds de start van de ‘Waterwijzer Landbouw’-tool in 2015 werden de modelinstrumenten voortdurend verder ontwikkeld en verbeterd. Een recente validatie op regionale en lokale schaal voor gras en voedermaïs vergeleek de gesimuleerde gewasontwikkeling en transpiratiereductie met succes met NDVI-waarden gemeten met satellieten (Mulder et al. , 2021).

Aangezien het model uitgebreid is getest in vergelijkbare Nederlandse omstandigheden die representatief zijn voor tenminste een deel van Vlaanderen, hebben we ons gericht op het aanpassen van de invoergegevens aan de Vlaamse omstandigheden (weer, bodem en grondwaterstand) en op het valideren van de gesimuleerde opbrengsten met historische, lokale opbrengstgegevens van verschillende wetenschappelijke proeven. Gewasparameters werden daarbij niet gewijzigd.

Het SWAP-WOFOST-model¶

SWAP (Soil, Water, Atmosphere and Plant) is een 1-D model dat het verticale transport van water, vaste stoffen en warmte in de onverzadigde en verzadigde zone simuleert, in interactie met de gewasgroei (Kroes et al. , 2017; Dam et al. , 2008). SWAP maakt het mogelijk om waterfluxen van en naar omgeving te beschouwen, zoals afvoer naar sloten, drains en andere oppervlaktewateren. De gewasgroeimodule WOFOST (World Food Studies; De Wit et al. (2020)) is in SWAP geïntegreerd om de fenologische ontwikkeling, groei en opbrengst van akkerbouwgewassen te beschrijven.

De belangrijkste invoer bestaat uit weergegevens, grondwaterstanden en bodem- en gewaskenmerken. De output van het model bestaat uit tijdreeksen van water- (en oplosbaarheids)balansen en de droge stofontwikkeling van het gewas. Daarnaast wordt het optreden van verschillende stresstypes gedurende het groeiseizoen gekwantificeerd.

SWAP-WOFOST is in Nederland ontwikkeld door Wageningen Universiteit en Research en is vrij beschikbaar op https://www.swap.alterra.nl. De modelversie voor dit project is verstrekt door Wageningen Universiteit en Research uit de tool Waterwijzer Landbouw.

Transport van bodemwater¶

SWAP (Kroes et al. , 2017) berekent het transport van water, vaste stoffen en warmte in de onverzadigde en verzadigde zone met behulp van de Richardsvergelijking, inclusief wortelwateropname, om de bodemvochtdynamiek in de bodem te simuleren. Het SWAP-modeldomein start net boven het bladerdek van het gewas tot een gedefinieerd vlak in het freatisch grondwater. In dit domein verlopen de transportprocessen overwegend verticaal. In de verzadigde zone kan het model ook een inschatting maken van laterale drainagefluxen. Deze optie werd in dit project echter niet geactiveerd. SWAP kan de afvoer naar sloten, riolen en andere oppervlaktewateren simuleren door middel van drainage- en infiltratievergelijkingen die in het 1-D model als bron (‘source’) of afvoer (‘sink’) fungeren en zo de verticale waterbalans vervolledigen.

De bovenste randvoorwaarden van het systeem bestaat uit een gekende waterflux in of uit het systeem of een gekende drukhoogte aan het oppervlak van de bodem. De onderste randvoorwaarde beschrijft de interactie tussen verzadigde ondiepe bodemlagen en het regionale grondwater, terwijl de laterale grens de interactie met oppervlaktewatersystemen verklaart.

De belangrijkste concepten en aannames van SWAP-WOFOST die in deze studie worden gebruikt, zijn (Heinen et al. , 2021):

• De verdampingsbehoefte van de atmosfeer wordt berekend met de Penman-Monteith-vergelijking (Monteith, 1965).
• De waterbeweging is verticaal (1D model) en wordt beschreven door de vergelijking van Richards.
• De waterretentiekarakteristieken van elke bodemlaag worden beschreven met Mualem-Van Genuchten-functies.
• Het poreuze medium wordt verondersteld niet samendrukbaar, isotroop en isotherm te zijn.
• Bodems kunnen variabel verzadigd en heterogeen zijn.
• De bodemrandvoorwaarden kunnen worden gespecificeerd als flux of drukhoogte, en kunnen afhangen van het freatisch grondwater, of de hydraulische opvoerhoogte in de diepere watervoerende laag en de weerstand van het systeem.
• Vermindering van de transpiratie kan worden veroorzaakt door zeer droge omstandigheden (waterstress) of zeer natte omstandigheden (zuurstofstress). Met zoutstress is in deze studie geen rekening gehouden.
• Er ontstaat plasvorming wanneer de infiltratiecapaciteit van de bodem wordt overschreden, en er vindt pas oppervlakteafvoer plaats wanneer een drempelwaarde voor plasvorming wordt overschreden (i.e. 0.2 cm).
• De bodemtemperatuur wordt gesimuleerd als een diffusieproces.
• Irrigatie kan worden beschouwd en geoptimaliseerd met SWAP, maar in deze studie is irrigatie buiten beschouwing gelaten.

De Richards-vergelijking (1) wordt in SWAP numerisch opgelost voor elk bodemcompartiment, met behulp van gespecificeerde randvoorwaarden en relaties tussen θ, h en K, gegeven door de Mualem-Van Genuchten functies:

In (1) is θ het volumetrisch watergehalte (cm³ cm^-3), t de tijd (d), K(h) de hydraulische geleidbaarheid (cm d^-1), h de waterdrukhoogte van de bodem (cm), z de verticale coördinaat (cm) positief naar boven. $S_a(h)$ de wateropname door wortels (cm³ cm^-3d^-1), $S_d(h)$ de drainagesnelheid (cm³ cm^-3 d^-1) en $S_m(h)$ de uitwisselingssnelheid met macroporiën (cm³ cm^-3 d^-1).

In deze studie wordt alleen rekening gehouden met de wateropname door wortels ($S_a$).

Randvoorwaarden bodem¶

De ondergrens bevindt zich in de onverzadigde zone of in het bovenste deel van de grondwaterspiegel. De bodemvoorwaarde kan worden bepaald door een opgelegde drukhoogte (bv. grondwaterstand), een opgelegde waterflux (bv. kwel) of een combinatie van beide (bv. q-H relatie), afhankelijk van de toepassing en de ruimtelijke schaal. In totaal biedt SWAP acht opties om de bodemrandvoorwaarde voor te schrijven. In deze studie is gekozen voor optie 5 “Voorgeschreven bodemwaterdrukhoogte van het bodemcompartiment”.

Voor de gekozen bodemrandvoorwaarde moeten de drukhoogte op de bodem van het bodemprofiel (bodemcompartiment) en de datum worden opgegeven. Tussen de inputdata interpoleert SWAP lineair.

Gewasgroei¶

Het dynamische gewasgroeimodel WOFOST (De Wit et al. , 2020), geïntegreerd in SWAP, beschrijft de fenologische ontwikkeling, groei en opbrengstvorming van belangrijke akkerbouwgewassen. De potentiële transpiratie en opbrengst worden bepaald door de inkomende straling, kooldioxideconcentratie, luchttemperatuur en gewaskenmerken. De werkelijke transpiratie en opbrengst worden berekend op basis van de door SWAP berekende verminderde wateropname van het gewas als gevolg van droogte en/of zuurstofgebrek.

WOFOST berekent hoeveel licht en CO₂ wordt onderschept en potentieel door fotosynthese wordt omgezet. De werkelijke fotosynthese wordt vervolgens berekend door de potentiële fotosynthese te verminderen voor beperkte beschikbaarheid van vocht voor verdamping of zuurstoftekort. Een deel van de tijdens de fotosynthese geproduceerde energie wordt gebruikt voor de onderhoudsademhaling, en een ander deel wordt omgezet in droge stof. Tijdens deze omzetting gaat een deel van de energie verloren als groeiademhaling. De geproduceerde droge stof wordt verdeeld over de verschillende delen van het gewas: wortels, stengels, bladeren en opslagorganen, afhankelijk van de temperatuur en het ontwikkelingsstadium van het gewas. Sommige gesimuleerde groeiprocessen van het gewas, zoals de maximale fotosynthese en de onderhoudsademhaling, worden beïnvloed door de temperatuur. Andere processen zoals de verdeling van assimilaten of de veroudering van gewasweefsel worden gestuurd door het fenologische stadium van het gewas. Het fenologische ontwikkelingsstadium is ook afhankelijk van de temperatuur.

Een dynamisch grasgroeimodel “GRASS”, afgeleid van WOFOST, is specifiek ontwikkeld voor de simulatie van grasland (Kroes & Supit, 2011), om rekening te houden met de verschillen in groeistadia en teeltpraktijken tussen gras en akkerbouwgewassen. Gras is meerjarig en blijft gedurende het grootste deel van het groeiseizoen in de vegetatieve periode. Bovendien wordt het vaak gemaaid of begraasd. Maaien en begrazen vinden in het model plaats wanneer de bovengrondse droge stof een bepaalde drempelwaarde overschrijdt. Gras wordt gesimuleerd als permanent grasland, en er zijn vijf combinaties van maai- en begrazingsbeheerscenario’s beschikbaar. In de praktijk zal het tijdstip van maaien/begrazen afhangen van het bedrijfsbeheer en de interactie tussen verschillende velden. Deze grasmodule is experimenteel en gekalibreerd voor Nederlandse omstandigheden, maar verschillende studies hebben de robuustheid ervan aangetoond (Mulder et al. , 2021).

Directe en indirecte effecten¶

Bij opbrengstvermindering als gevolg van veranderingen in de hydrologische omstandigheden wordt onderscheid gemaakt tussen directe en indirecte effecten. Directe effecten houden verband met water- en zuurstofstress (en zoutstress), terwijl indirecte effecten verband houden met de wijze waarop de heersende hydrologische omstandigheden het zaaien en oogsten beïnvloeden.

Rechtstreekse effecten op de opbrengst¶

Suboptimale bodemvochtomstandigheden (te nat of te droog) hebben een directe invloed op de opbrengst van landbouwgewassen. Onder deze omstandigheden vermindert de transpiratie van het gewas door het sluiten van de huidmondjes. Dit vermindert ook de opname van CO₂ , wat leidt tot minder fotosynthese en minder groei.

Om de wateropname door plantenwortels te bepalen, berekent SWAP eerst de potentiële transpiratie (d.w.z. de transpiratie bij optimale bodemvochtomstandigheden). Deze wordt berekend op basis van weersvariabelen (zonnestraling, luchttemperatuur, vochtigheid en windsnelheid) en plantkenmerken (gewashoogte, reflectiecoëfficiënt, bladoppervlakte-index en minimale huidmondjesweerstand). De potentiële transpiratie wordt verdeeld over de wortelzone, evenredig met de worteldichtheid, om de potentiële wateropname door de wortels te bepalen. Vervolgens wordt op basis van de bodemvochtigheid op verschillende diepten in de wortelzone de omvang van de ‘stress‘ door droge of natte omstandigheden bepaald. SWAP gebruikt stressfactoren (0 - 1) voor elke suboptimale conditie, in elk bodemcompartiment, om de werkelijke wateropname door de plantenwortel te berekenen.

$\alpha_{rd}$ en $\alpha_{rw}$ zijn de stressfactoren voor respectievelijk te droge en te natte omstandigheden. $S_p(z)$ de potentiële wateropname, $S_a(z)$ de werkelijke wateropname in elk bodemcompartiment, en $T_{act}$ de werkelijke transpiratie over de gehele wortelzone, ofwel de som van individuele wortelwateropnames vermenigvuldigd met de compartimentdikte. De transpiratiereductie als gevolg van elk stresstype wordt berekend door de totale reductie in gewaswateropname te vermenigvuldigen met het aandeel van de logaritmische waarde van de corresponderende stressfactor.

Aangenomen wordt dat de relatieve verdeling in transpiratiereductie gelijk is aan het relatieve opbrengstverlies.

Droogtestress¶

De droogtestress wordt berekend aan de hand van de functie van Feddes et al. (1978). Boven h₃ is de wortelwateropname optimaal en treedt er geen droogtestress op. Beneden h₃ neemt de wortelwateropname lineair af tot nul bij het verwelkingspunt h₄. In het algemeen worden vaste waarden voor h₃ en h₄ gebruikt. De droogtestressdrempel h₃ is echter afhankelijk van het gewastype, de bodemtextuur, de worteldichtheid en de atmosferische vraag, en de lineaire afname kan afwijken van de werkelijkheid. Daarom is in SWAP een gedetailleerde, microscopische wortelwateropnamemodule voor droogte toegevoegd (de Jong van Lier et al. , 2013) en kan als een meer dynamisch alternatief voor Feddes et al. (1978) worden gekozen.

Zuurstofstress¶

Zuurstofstress treedt op wanneer de zuurstofvoorziening van de plantenwortels in het gedrang komt. Onder te natte omstandigheden wordt de lucht in de bodemporiën vervangen door water en wordt de beschikbaarheid van zuurstof beperkend voor de wortelademhaling. Die wordt dan weer bepaald door het zuurstoftransport in de bodem en de vraag van de wortels. Aangezien het gastransport in met water gevulde poriën ongeveer 1000 keer lager is dan in met lucht gevulde poriën, wordt de beschikbaarheid van zuurstof bepaald door het luchtgehalte op een specifieke diepte in de bodem. Naast de wortelrespiratie wordt de beschikbare zuurstof gebruikt micro-organismen. De koppeling met het gewasgroeimodel WOFOST maakt het mogelijk de zuurstofbehoefte van plantenwortels gedetailleerd te beschrijven.

Het zuurstoftransport wordt in SWAP berekend aan de hand van het door Bartholomeus et al. (2008) voorgestelde model. In dit model is de kritische gasgevulde porositeit voor zuurstofstress afhankelijk van verschillende abiotische (bodemfysische eigenschappen, vochtgehalte, temperatuur) en biotische factoren (plantkenmerken). Daarom wordt het model van Bartholomeus et al. (2008) toegepast voor elke bodemlaag.

Indirecte effecten op de opbrengst¶

In SWAP verwijzen indirecte effecten naar beperkingen in normale landbouwpraktijken door te natte of te koude omstandigheden, waardoor het groeiseizoen uiteindelijk wordt verkort. Het gaat hierbij om beperkte draagkracht voor grondbewerking, zaaien/planten of oogsten, vertraagde kieming en gewasschade (Werkgroep Waterwijzer Landbouw, 2018). Andere indirecte effecten zoals veranderingen in kwaliteit van de oogst, bodemkwaliteit, plagen of ziekten blijven buiten beschouwing in dit model. Meer context over verschillende indirecte effecten is te vinden in het hoofdstuk Effect van grondwaterstanden en wateroverlast op teeltfactoren. Indirecte effecten zoals plagen en ziekten en een tekort aan voedingsstoffen worden verrekend in één enkele beheersfactor “RELMF”, die varieert per gewastype. Deze factoren zijn verkregen uit verschillende experimenten onder Nederlandse omstandigheden en expertkennis. Nutriëntentekort tijdens de groeiperiode is niet geïmplementeerd in deze versie van het model, maar er is wel een stikstofmodule beschikbaar (Groenendijk et al. , 2016).

Voor akkerbouwgewassen worden verschillende machines gebruikt voor voorbereidende werkzaamheden (d.w.z. grondbewerking), zaaien of planten en oogsten. De start van elk van deze fasen moet worden uitgesteld als de bodem te nat is voor de machines om het veld te betreden, of te koud om het zaad te laten ontkiemen. In het model wordt dit bepaald op basis van een zuigspanningscriterium dat is afgeleid van Beuving (1982), en een temperatuurcriterium in geval van kieming (temperatuursom die nodig is voor de opkomst van het gewas). Op 15 cm diepte moet worden voldaan aan een bepaalde zuigspanning voordat met voorbereidende werkzaamheden, zaaien of oogsten kan worden begonnen, hetgeen afhankelijk is van bodem- en gewaseigenschappen. Waterwijzer Landbouw onderscheidt twee categorieën voor het criterium: lichtgewicht en zwaargewicht. Dit is een gewichtscategorie die afhankelijk is van het moment van grondbewerking en het gewicht van de meest gangbare machine voor het specifieke gewas (tabel 4.1, 4.2 en 4.4 van Werkgroep Waterwijzer Landbouw (2018)). Ploegen valt altijd onder de zware categorie. Voor het zaaien vallen maïs en aardappelen in de zware categorie, terwijl wintertarwe en suikerbieten in de lichte categorie vallen. Voor de oogst vallen alle vijf de gewassen in de zware categorie.

Bij gras houden indirecte effecten verband met onvoldoende draagkracht voor maaien of begrazen. Wanneer in dit geval een bepaalde zuigspanning op 15 cm diepte voor maaien of op 10 cm diepte voor begrazing, wordt overschreden, neemt de oogst met een bepaald percentage af, afhankelijk van de mate van overschrijding. In deze studie is alleen rekening gehouden met maaien, aangezien dit in Vlaanderen het belangrijkste grasbeheer is.

Om de zuigspanningsgrenswaarden voor de Vlaamse bodems te bepalen, werd de eerste bodemlaag van elk bodemprofiel eerst vertaald naar de Nederlandse bodemclassificatie “De Staringreeks” (Heinen et al. , 2020) op basis van de bodemtextuur en het organisch materiaal. Vervolgens werd aan elk bodemprofiel en gewas de juiste zuigspanningsgrenswaarde toegekend voor beide categorieën. Table 1 bevat de verschillende drukhoogtes die voor de Vlaamse bodemtypes zijn gebruikt, volgens de categorieën licht en zwaar. Dit is een vrij eenvoudige methode, maar zij maakt het mogelijk benaderde drukhoogtewaarden in het model op te nemen en indirecte effecten te berekenen.

Door rekening te houden met de mogelijkheid dat het groeiseizoen wordt verschoven of ingekort, introduceert het model in feite een “tweede” berekende potentiële gewasopbrengst voor een suboptimaal groeiseizoen. Onderstaande figuur illustreert hoe indirecte effecten in het model worden berekend. Zonder indirecte effecten zou de situatie vergelijkbaar zijn met de figuur links (referentiesituatie), waarin alleen rekening wordt gehouden met water- en zuurstofstress en de potentiële opbrengst ($Y_{pot,max}$) het maximaal haalbare is onder de heersende weersomstandigheden. Bij vernatting kan de situatie gaan lijken op de figuur rechts, waarin indirecte effecten nu een rol spelen en het groeiseizoen wordt verkort. In deze situatie omvatten de “tweede” potentiële opbrengst ($Y_{pot}$) en de werkelijke opbrengst impliciet de vermindering als gevolg van indirecte effecten. In dit geval, om de maximale potentiële gewasopbrengst $Y_{pot,max}$ te bepalen (dus zonder indirecte effecten), gaat het model uit van een diepe grondwaterstand van 5 m. Zo worden indirecte effecten van te natte omstandigheden als gevolg van ondiepe grondwaterstanden te minimaliseren. Het verschil tussen deze potentiële opbrengsten vertegenwoordigt de opbrengstvermindering als gevolg van indirecte effecten.

Opbrengstvermindering¶

De potentiële gewasopbrengst wordt berekend met behulp van het dynamische gewasmodel als functie van het CO₂-gehalte, de zonnestraling, de temperatuur, de gewaskenmerken en op basis van het zuigspanningscriterium en het temperatuurcriterium aan het begin en het einde van het groeiseizoen. De transpiratiereductie als gevolg van directe effecten (te droge en te natte omstandigheden) wordt gebruikt om de werkelijke gewasopbrengst te berekenen. De totale opbrengstvermindering ($RED_{TOT}$) is het relatieve verschil tussen de maximale potentiële opbrengst ($Y_{pot,max}$) en de werkelijke opbrengst ($Y_{act}$). De opbrengstvermindering door directe effecten is het verschil tussen $RED_{TOT}$ en $RED_{ind}$.

De opbrengstvermindering als gevolg van elk stresstype wordt berekend door $RED_{dir}$ te vermenigvuldigen met het aandeel van elke transpiratievermindering, $T_{red,j}$ uit vergelijking 4.

De potentiële en werkelijke gewasopbrengst en de opbrengstvermindering is de belangrijkste modeloutput in deze studie.

Model Input¶

Om realistische modelresultaten te verkrijgen, is een goede schatting van de randvoorwaarden en bodemeigenschappen van fundamenteel belang. In deze regionale versie voor Vlaanderen is gebruik gemaakt van vrij beschikbare datasets en kaarten voor heel Vlaanderen (online of op aanvraag), verkregen van Vlaamse instellingen of uit eerdere projecten (Table 2). Ondanks de inherente beperkingen van dergelijke generieke en grootschalige gegevens, is de informatie geschikt om het model op regionale schaal toe te passen. Meer gedetailleerde informatie over de verschillende inputdatalagen volgt hier.

Opmerking: Voor de case-study De Zegge-Mosselgoren (Case-study: landbouwgebied De Zegge) werd deze inputdata (weersgegevens en bodeminformatie) gecombineerd met de grondwaterstanden uit een lokaal gekalibreerd grondwatermodel (voorlopige resultaten) uit de “Ecohydrologische studie: basis voor herstelmaatregelen voor Natuurreservaat De Zegge” (Witteveen+Bos) in plaats van met de algemene kaart van gemiddelde grondwaterstanden die voor de regionale analyse van Vlaanderen wordt gebruikt. Jammer genoeg liep deze studie erg achter op de planning, waardoor we niet kon werken met finale resultaten van de ecohydrologische studie en ook geen toekomstige scenario’s konden doorrekenen om de effecten op landbouw te becijferen.

Extra kaartlagen (bv. provincies, grote rivieren) werden gedownload uit de Atlas van België, voor grafische doeleinden.

Om de invoergegevens te koppelen aan de overeenkomstige locatie (d.w.z. coördinaten) in Vlaanderen werden ASCII-kaarten gebruikt. Deze kaarten werden gegenereerd in QGIS 3.22, met het Belgische Lambert 72 (EPSG: 31370) projectiesysteem. Voor de regionale analyse werden de kaarten gehomogeniseerd tot een resolutie van 500 m met behulp van een eenvoudig opschalingscriterium, “gemiddelde waarde” of “meerderheid” in de Resampling tool. Voor de case-study werd de oorspronkelijke resolutie behouden.

Meteorologische gegevens¶

Het Joint Research Center (JRC) beheert dagelijks geïnterpoleerde agrometeorologische gegevens voor Europa en de buurlanden, met een resolutie van 25 km, van 1979 tot het laatste afgesloten kalenderjaar. We gebruikten gegevens van 01/01/1979 tot 31/12/2021 in dit project. Table 3 bevat de meteorologische informatie van het JRC die in het model is gebruikt. De eenheden werden omgezet en geformatteerd voordat ze in het model werden gebruikt.

De meteorologische rasterkaart werd opgebouwd op basis van de coördinaten ( blauwe punten ) van de meteorologische rasters zoals gegeven door JRC en met toepassing van voronoi polygons in QGis. Op deze manier kon het overeenkomstige gebied voor elk punt worden bepaald, wat vergelijkbaar is met een raster met een resolutie van 25 km x 25 km. Ten slotte werd de kaart geëxporteerd naar een resolutie van 500 m.

Gewasgegevens¶

Typische plant- en oogstdata in Vlaanderen werden bepaald met de hulp van ILVO-deskundigen. Deze data zijn vergelijkbaar met die van Waterwijzer Landbouw. Table 4 toont het groeiseizoen voor de 5 gewassen die in deze studie zijn gemodelleerd, samen met hun plant-, oogst- en maaiperiode (in het geval van gras) in Vlaanderen. De data in de tabel geven de in het model gebruikte plant- en oogstdata aan.

Gegevens over de bodem¶

Bodemtextuur, bodemhydraulische parameters en karakterisering van de bodemprofielen over Vlaanderen werden aangeleverd door het Vlaams Instituut voor Technologisch Onderzoek (VITO), uit het GeoPearl model (Joris et al. , 2017). Er zijn in totaal 536 dominante bodemeenheden gedefinieerd over Vlaanderen. Bodemtextuur, organische koolstof en pH voor elke bodemhorizon werden geëxtraheerd uit de Aardewerk database 2010 (VPO, 2011) en de Belgische bodemkaart (VPO & IWT, 2014). De hydraulische eigenschappen van de bodem werden berekend aan de hand van de geëxtraheerde bodemeigenschappen en de pedotransferfuncties van Wösten et al. (1999). Vervolgens weren bodemprofielen gedefinieerd tot een diepte van 3 m en onderverdeeld in 5 tot 7 horizonten. In deze studie is de diepte van de bodemprofielen uitgebreid tot 6 m met de eigenschappen van de onderste horizon.

We schatten de bulkdichtheid (BD) volgens de formule van Vereecken (1988), weergegeven in (5), die afhangt van het percentage organische koolstof (C_org ) . Deze formule geldt voor de texturen zand (Z), lemig zand (S) en licht zandig leem (P). Voor andere textuurklassen wordt de bulkdichtheid verondersteld gelijk te zijn aan 1,48 g cm^-3 . Dit is uiteraard een vereenvoudiging van de realiteit. De bulkdensiteit heeft in SWAP vooral belang voor het bepalen van de maximale worteldiepte van de gewassen.

Bodemtextuur volgens de Belgische bodemclassificatie¶

Voor data-analyse en -interpretatie groepeerden we deze bodemprofielen volgens bodemtextuur in de bovenste bodemlaag. De bodemtextuurklasse volgens het Belgische bodemclassificatiesysteem (Dondeyne et al. , 2014; Van De Vreken et al. , 2009) werd voor elk van de 536 bodemeenheden bepaald op basis van het klei- en zandgehalte van de eerste bovenste bodemlaag.

Deze kaart is minder gedetailleerd dan de Belgische bodemkaart omdat de classificatie enkel gebaseerd is op het klei- en zandgehalte en dit van de eerste laag en dient vooral om trends tussen gewasopbrengst, grondwater en bodemtypes te visualiseren.

Maximale bewortelingsdiepte¶

De maximale bewortelingsdiepte is afhankelijk van plant- en bodemkenmerken. Ranges van maximale bewortelingsdieptes voor verschillende gewassen zijn te vinden in de FAO-richtlijnen (Allen et al. , 1998). Wij hebben voor elk gewas de maximale bewortelingsdiepte behouden zoals gedefinieerd binnen Waterwijzer Landbouw (Table 5), die enigszins afwijkt van de door de FAO verstrekte waarden. Normale wortelgroei kan echter worden beperkt door de aanwezigheid van harde bodemlagen, verdichting en grenzen in de bodem (bv. rotsen) (Moore et al. , 1998). Daarom werd rekening gehouden met wortelgroeibeperkingen wanneer:

• pH < 4,0
• BD > BD berekend door lineaire interpolatie voor het respectieve kleigehalte, tussen de punten: BD = 1,6 g/cm³ en klei = 20 %, en BD = 1,2 g/cm³ en klei = 65 %.

De SWAP routine gaat voor elke bodemlaag de BD na en wanneer de BD overschreden wordt of PH lager dan 4 is, kunnen wortels niet dieper groeien, ook al is dat theoretisch nog mogelijk. De minimale bewortelingsdiepte is 10 cm voor gras en 20 cm voor de andere gewassen. Indien de bodem geen beperkingen zou opleggen, is de maximale bewortelingsdiepte diegene zoals weergegeven in Tabel 5.

Discretisering van de bodem¶

Om realistische simulaties van de waterinfiltratie in de bodemmatrix te krijgen, vooral aan het bodemoppervlak, moeten de gridcellen of bodemlaagjes van het verticale bodemprofiel voor de numerieke oplossing van de Richards-vergelijking klein genoeg zijn. De SWAP-handleiding (Kroes et al. , 2017) geeft enkele richtlijnen om de dikte van de laagjes te bepalen, die zijn weergegeven in Tabel 6. De initiële discretisatie uit de GeoPearl bodeminvoer is daarom aangepast om aan deze richtlijnen te voldoen.

Freatische grondwaterniveaus¶

Sumaqua leverde kaarten aan van gemiddelde grondwaterstanden, en gemiddelde hoogste (GHG) en laagste grondwaterstanden (GLG) kaarten, met 100 m resolutie, opgemaakt in het kader van het project “Actualiseren grondwaterstandsindicator en berekening effecten van klimaatverandering op de freatische grondwaterstanden” (Franken & Wolfs, 2022). De gemiddelde grondwaterstanden voor alle pixels werden verkregen uit Machine Learning (ML) getraind met een groot aantal waarnemingen in Vlaanderen (5673 locaties). De GHG en GLG kaarten werden benaderd met ML op basis van de resultaten van 217 lange termijn SWAP simulaties, voor punten waar correlatie tussen neerslag en grondwater werd waargenomen. De GHG- en GLG-kaarten bevatten geen informatie over locaties dichter bij waterlopen, waar die correlatie over het algemeen niet bestaat. Merk op dat de gegenereerde kaarten voorspellingen zijn en niet noodzakelijk geldig zijn op locaties waar drainage of grondwateronttrekkingen aanwezig zijn zonder een peilput in de buurt om het algoritme te trainen.

Verschillende natuurlijke factoren zijn betrokken bij de schommelingen van de grondwaterstand (GWL) en de reactietijd van het grondwatersysteem op een bepaalde neerslaggebeurtenis (time lag). Eén factor is het cumulatieve neerslagtekort (neerslag - referentie-evapotranspiratie, P-ET_ref ). De tijdsrespons van het systeem kan echter variëren van minder dan een maand tot zelfs jaren. Deze tijdsvertraging wordt voornamelijk beïnvloed door de diepte van het grondwater (Wossenyeleh et al. , 2020; Londot & Huysmans, 2021), die ook bepaalt hoe sterk de seizoensgebonden effecten van de neerslag in het grondwater zijn. Ondiepe grondwaterstanden hebben normaal gesproken meer correlatie met P-ET_ref dan diepe. Wossenyeleh et al. (2020) vonden dat bij relatief ondiepe grondwatertafels (<10 m) de vertraging varieert tussen 0-2 maanden. Op plaatsen dicht bij rivieren, sloten of afwateringen zullen de grondwaterfluctuaties echter meer beïnvloed worden door de oppervlaktewaterstanden in plaats van door de P-ET_ref. Een andere factor is de bodemtextuur, die de opslagcapaciteit van de bodem bepaalt. Naast deze natuurlijke factoren zijn er ook antropogene omstandigheden, zoals onbekende grondwateronttrekkingen en rioleringen, die de grondwatertafelschommelingen eveneens beïnvloeden.

Beschrijving van de freatische grondwaterdynamiek¶

De seizoensgebonden schommelingen van het grondwater zijn van cruciaal belang om het effect ervan op de groei van akkerbouwgewassen te voorspellen. Toch beschrijft de beschikbare informatie in Vlaanderen deze dynamiek niet voor alle locaties op de kaart. In deze studie werden de grondwaterfluctuaties benaderd door een sinusfunctie met een amplitude bepaald door de GLG en GHG op die locatie. Deze sinuscurve werd op elke locatie berekend en varieert met de gemiddelde hoogste (GHG) en laagste grondwaterstand (GLG), maar blijft constant door de jaren heen. De vorm van de curve is gebaseerd op de maandelijkse P-ET_ref over Vlaanderen voor de periode 1979-2021.

Aangezien de GHG- en GLG-kaarten zijn ontwikkeld uitgaande van een zekere correlatie tussen neerslag, evapotranspiratie en grondwaterstanden, is het voor een adequaat gebruik van de beschikbare informatie ook van belang de locaties te bepalen waar deze correlatie optreedt. Gebieden die enige correlatie vertonen, zouden kunnen worden gemodelleerd met de sinusfunctie op basis van GHG en GLG, terwijl gebieden zonder correlatie eenvoudigweg zouden kunnen worden gemodelleerd met de gemiddelde grondwaterstanden.

Daarom is een correlatieanalyse uitgevoerd om deze gebieden te identificeren. Daartoe zijn met behulp van het pythonpakket pydov grondwaterstandwaarnemingen (2732) gedownload van het DOV. Deze waarnemingen zijn vergeleken met het maandelijkse neerslagtekort (P-ET₀ ), volgens hun specifieke locatie. De resultaten van de correlatieanalyse en de locatie van deze waarnemingen in Vlaanderen zijn weergegeven in figuur 10. Locaties met enige correlatie (>0,25) hebben een GWL die meestal ondieper is dan 3 m (oranje). Daarom werd de sinusfunctie alleen gebruikt op deze locaties, waar het gemiddelde GWL ondieper was dan 3 m.

De grondwaterstanden (GWL) dienden als onderste randvoorwaarde in het model. De GWL werden omgezet in drukhoogten om optie 5 in SWAP te kunnen gebruiken. Drukhoogtes werden verkregen op basis van de referentie op 600 cm diepte, de omvang van het bodemprofiel.

Opzet en werking van het model¶

Het uitvoeren en analyseren van modelsimulaties omvatte drie belangrijke stappen:

1. Genereren van invoergegevens
2. Modelrun
3. Postprocessing

Het model heeft drie belangrijke invoerbestanden nodig: meteobestanden (.met), gewasbestanden (.crp) en het hoofdwisselbestand (.swp). Deze bestanden worden voorzien van informatie uit de Sqlite-databank. Het model draait met behulp van de model executable en deze invoerbestanden. Het bestand “result_output.csv” is de belangrijkste output van het model, dat outputvariabelen bevat zoals de dagelijkse gewastranspiratie en biomassa, die eerder in de sqlite-databank zijn gedefinieerd. Tijdens de nabewerking worden de potentiële en werkelijke droge stof opbrengst voor elk jaar en de opbrengstvermindering door waterstress en/of indirecte effecten berekend.

De eerste stap om het model uit te voeren is het genereren van invoergegevens. De structuur van de mappen met invoergegevens is weergegeven in bovenstaande figuur. De gewasmap bevat de gewasbestanden (.crp), waarin gedetailleerde gewasparameters voor de simulatie van gewasgroei en biomassa-assimilatie worden gespecificeerd. Het bestand location.csv bevat de coördinaten (in Belgische Lambert 72) van elke locatie waar het model zal worden uitgevoerd. De map input_data bevat de meeste inputgegevens voor elke run, zoals bodemparameters, gewasmanagementparameters en andere inputvariabelen, die worden opgeslagen in de Sqlite-database. De map maps bevat de rasterkaarten voor meteo- en bodem-ID’s, en gemiddelde GWL-, GHG- en GLG-waarden. Deze informatie wordt ook opgenomen in de database. Sqlite-databases worden vervolgens opgeslagen in de map database. Voor elk gewastype zijn vijf Sqlites-databases gemaakt, ervan uitgaande dat elk gewas het hele gebied bestrijkt.

De map meteo bevat de weerkundige tijdreeksen voor elk raster van 25 x 25 m, in het juiste formaat (.met), en de CO2-emissies (.co2) tot 2021. De map source bevat het uitvoerbare model, versie 4.2.0. De mappen libraries en R-scripts bevatten de R-bibliotheken en R-scripts voor het genereren van de databases en het uitvoeren van het model.

Het **swap.**swp-bestand is het hoofdwisselbestand, dat algemene informatie bevat over simulatie, meteorologie, gewasrotatie, irrigatie, bodemwaterstroming, warmtestroming en transport van opgeloste stoffen. Het hoofdwisselbestand haalt de benodigde informatie uit de sqlite database. Het controlebestand control.inp bevat mappen en paden van de invoergegevensbestanden.

De volgende stap is het uitvoeren van het model. Dit kan rechtstreeks in R-studio of via een batchbestand. Voor de regionale analyse werden de simulaties uitgevoerd in de supercomputer van de UGent en/of de ILVO-server. In de regionale analyse komt elke simulatie overeen met een gridcel met een resolutie van 500 m. In de casestudy komt elke simulatie overeen met het centrum van een landbouwperceel.

De uitvoer van het model is beschikbaar in een gecomprimeerde map met het gewasbestand, het hoofd-SWAP-bestand en het bestand result_output.csv. Het bestand result_output.csv bevat de dagelijks gesimuleerde potentiële en werkelijke transpiratie, transpiratiereductie door droge en natte omstandigheden, potentiële en werkelijke opbrengst en grondwaterstanden.

De laatste stap is de nabewerking van de modelresultaten, waarbij de jaarlijkse opbrengsten en de totale opbrengstreductie als gevolg van directe (d.w.z. waterstress) en indirecte effecten, en de gemiddelde GHG en GLG worden bepaald.

De modelinstrumenten en algemene gegevenslagen voor Vlaanderen kunnen gratis worden gedownload van de PEILIMPACT github repository.

Referenties¶

Allen, R., Pereira, L., Raes, D., & Smith, M. (1998). FAO Irrigation and drainage paper No. 56 Crop Evapotranspiration (guidelines for computing crop water requirements) (Vol. 56). FAO - Voeding.

Bartholomeus, R. P., Witte, J.-P. M., van Bodegom, P. M., van Dam, J. C., & Aerts, R. (2008). Critical soil conditions for oxygen stress to plant roots: Substituting the Feddes-function by a process-based model. Journal of Hydrology, 360(1-4), 147-165. Bartholomeus et al. (2008)

Bartholomeus, R. P., Witte, J.-P. M., van Bodegom, P. M., van Dam, J. C., de Becker, P., & Aerts, R. (2011). Process-based proxy of oxygen stress surferses indirect ones in predicting vegetation characteristics. Ecohydrology, 5(6), 746-758. Bartholomeus et al. (2011)

Beuving, J. (1982). Onderzoek naar bodem- en waterhuishoudkundige gegevens voor invoer en verificatie van een model voor berekening van de effecten van de waterhuishouding. ICW-nota 1378, Wageningen.

de Jong van Lier, Q., van Dam, J. C., Durigon, A., dos Santos, M. A., & Metselaar, K. (2013). Modeling Water Potentials and Flows in the Soil-Plant System Comparing Hydraulic Resistances and Transpiration Reduction Functions. Vadose Zone Journal, 12(3), vzj2013.02.0039. Lier et al. (2013)

De Wit, A. J. W., Boogaard, H. L., Supit, I., & Van Den Berg, M. (2020). Systeembeschrijving van het WOFOST 7.2, cropping systems model.

Dondeyne, S., Vanierschot, L., Langohr, R., Ranst, E. V., & Deckers, J. (2014). De bodemkaart van het Vlaamse Gewest omgezet naar de 3e editie van de World Reference Base for soil resources. Dondeyne et al. (2014)

Feddes, R. A., Kowalik, P. J., & Zaradny, H. (1978). Simulation of field water use and crop yield. Centrum voor Landbouwpublicaties.

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

Groenendijk, P., Boogaard, H., Heinen, M., Kroes, J. G., Supit, I., & de Wit, A. (2016). Simulatie stikstofgelimiteerde gewasgroei met SWAP/WOFOST : procesbeschrijvingen en gebruikershandleiding [Techreport]. Wageningen Environmental Research. Groenendijk et al. (2016)

Heinen, M., Bakker, G., & Wösten, J. H. M. (2020). Waterretentie- en doorlatendheidskarakteristieken van boven- en ondergronden in Nederland: de Staringreeks : Update 2018 [Techreport]. Wageningen Environmental Research. Heinen et al. (2020)

Heinen, M., Mulder, M., & Kroes, J. (2021). SWAP 4 : technisch addendum bij de SWAP-documentatie [Techreport]. Wageningen Environmental Research. Heinen et al. (2021)

Joris, I., Dams, J., Vanden Boer, D., & Vos, J. (2017). Kartering van de kwetsbaarheid van het grondwater voor verontreiniging met pesticiden: Eindrapport (p. 142) [Techreport]. VITO.

Kroes, J. G., & Supit, I. (2011). Impact analysis of drought, water excess and salinity on grass production in The Netherlands using historical and future climate data. Agriculture, Ecosystems & Environment, 144(1), 370-381. Kroes & Supit (2011)

Kroes, J. G., Dam, J. C., Bartholomeus, R. P., Groenendijk, P., Heinen, M., Hendriks, R. F. A., Mulder, H. M., Supit, I., & Van Walsum, P. E. V. (2017). Swap versie 4: Theoriebeschrijving en gebruikershandleiding (p. 248) [Techreport]. Wageningen Environmental Research.

Londot, L., & Huysmans, M. (2021). Het ruimtelijk effect van droogte op grondwaterstanden in Vlaanderen [Bachelorproef]. KULeuven.

Monteith, J. (1965). Verdamping en milieu. Symposia of the Society for Experimental Biology, 19, 205-234.

Moore, G. A., Agriculture Western Australia, & National Landcare Program (W.A.). (1998). Soilguide: a handbook for understanding and managing agricultural soils. Landbouw West-Australië.

Mulder, M., Meijninger, W., & Broeke, M. (2021). Validatie waterwijzer landbouw: vergelijking modelresultaten Groenmonitor, Gram en Help. Stichting Toegepast Onderzoek Waterbeheer (STOWA).

van Dam, J. C., Groenendijk, P., Hendriks, R. F. A., & Kroes, J. G. (2008). Advances of Modeling Water Flow in Variably Saturated Soils with SWAP. Vadose Zone Journal, 7(2), 640-653. Dam et al. (2008)

Van De Vreken, P., Van Holm, L., Diels, J., & Van Orshoven, J. (2009). Bodemverdichting in Vlaanderen en afbakening van risicogebieden voor bodemverdichting. Eindrapport van een verkennende studie [Techreport]. Afdeling Ruimtelijke toepassingen K.U. Leuven.

Vereecken, H. (1988). *Pedotransferfuncties voor het genereren van hydraulische eigenschappen voor Belgische bodems [*Ph.D. diss.]. Katholieke Universiteit Leuven.

VPO, & IWT. (2014). Bodemkaart van Vlaanderen | Datasets | Catalogus | Geopunt Vlaanderen.

VPO. (2011). Aardewerk-Vlaanderen-2010 | Datasets | Catalogus | Geopunt Vlaanderen.

Werkgroep Waterwijzer Landbouw. (2018). Waterwijzer Landbouw: Instrumentarium voor het kwantificeren van effecten van waterbeheer en klimaat op landbouwproductie (P. van & W. W. Landbouw, Eds.).

Wossenyeleh, B. K., Verbeiren, B., Diels, J., & Huysmans, M. (2020). Vadose Zone Lag Time Effect on Groundwater Drought in a Temperate Climate. Water, 12(8), 2123. Wossenyeleh et al. (2020)

Wösten, J. H. M., Lilly, A., Nemes, A., & Le Bas, C. (1999). Development and use of a database of hydraulic properties of European soils. Geoderma, 90(3-4), 169-185. Wösten et al. (1999)