There is a growing societal concern about excessive water and fertilizer use in agricultural systems. High water productivity while maintaining high crop yields can be achieved with appropriate irrigation scheduling. Moreover, freshwater pollution through nitrogen (N) leaching due to the widespread use of N fertilizers demands for an efficient N fertilization management. However, sustainable crop management requires good knowledge of soil water and N dynamics as well as of crop water and N demand. Crop growth models, which describe physical and physiological processes of crop growth as well as water and matter transport, are considered as powerful tools to assist in the optimization of irrigation and fertilization management. It is of a general nature that the reliability of simulation based predictions depends on the quality and quantity of the data used for model calibration and validation which can be obtained e.g. in field experiments. A lack of data or low data quality for model calibration and validation may cause low performance and large uncertainties in simulation results. The large number of model parameters to be calibrated requires appropriate calibration methods and a sequential calibration strategy. Moreover, a simulation based planning of the field design saves costs and expenditure while supporting maximal outcomes of experiments. An adjustment of crop growth modeling and experiments is required for model improvement and development to reliably predict crop growth and to generalize predicted results. In this research study, a new approach for simulation based optimal experimental design was developed aiming to integrate simulation models, experiments, and optimization methods in one framework for optimal and sustainable irrigation and N fertilization management. The approach is composed of three steps: 1. The preprocessing consists of the calibration and validation of the crop growth model based on existing experimental data, the generation of long time-series of climate data, and the determination of the optimal irrigation control. 2. The implementation comprises the determination and experimental application of the simulation based optimized deficit irrigation and N fertilization schedules and an appropriate experimental data collection. 3. The postprocessing includes the evaluation of the experimental results namely observed yield, water productivity (WP), nitrogen use efficiency (NUE), and economic aspects, as well as a model evaluation. Five main tools were applied within the new approach: an algorithm for inverse model parametrization, a crop growth model for simulating crop growth, water balance and N balance, an optimization algorithm for deficit irrigation and N fertilization scheduling, and a stochastic weather generator. Furthermore, a water flow model was used to determine the optimal irrigation control functions and for simulation based estimation of the optimal field design. The approach was implemented within three case studies presented in this work. The new approach combines crop growth modeling and experiments with stochastic optimization. It contributes to a successful application of crop growth modeling based on an appropriate experimental data collection. The presented model calibration and validation procedure using the collected data facilitates reliable predictions. The stochastic optimization framework for deficit irrigation and N fertilization scheduling proved to be a powerful tool to enhance yield, WP, NUE and profit. / In der heutigen Gesellschaft gibt es zunehmend Bedenken gegenüber übermäßigem Wasser- und Düngereinsatz in der Landwirtschaft. Eine hohe Wasserproduktivität kann jedoch durch geeignete Bewässerungspläne mit hohen landwirtschaftlichen Erträgen in Einklang gebracht werden. Die mit der weitverbreiteten Stickstoffdüngung einhergehende Gewässerbelastung aufgrund von Stickstoffauswaschung erfordert zudem ein effizientes Stickstoffmanagement. Eine entsprechende ressourceneffiziente Landbewirtschaftung bedarf präzise Kenntnisse der Bodenwasser- und Stickstoffdynamiken sowie des Pflanzenwasser- und Stickstoffbedarfs. Als leistungsfähige Werkzeuge zur Unterstützung bei der Optimierung von Bewässerungs-und Düngungsplänen werden Pflanzenwachstumsmodelle eingesetzt, welche die physischen und physiologischen Prozesse des Pflanzenwachstums sowie die physikalischen Prozesse des Wasser- und Stofftransports abbilden. Hierbei hängt die Zuverlässigkeit dieser simulationsbasierten Vorhersagen von der Qualität und Quantität der bei der Modellkalibrierung und -validierung verwendeten Daten ab, welche beispielsweise in Feldversuchen erfasst werden. Fehlende Daten oder Daten mangelhafter Qualität bei der Modellkalibrierung und -validierung führen zu unzuverlässigen Simulationsergebnissen und großen Unsicherheiten bei der Vorhersage. Die große Anzahl an zu kalibrierenden Parametern erfordert zudem geeignete Kalibrierungsmethoden sowie eine sequenzielle Kalibrierungsstrategie. Darüber hinaus kann eine simulationsbasierte Planung des Versuchsdesigns Kosten und Aufwand reduzieren und zu weiteren experimentellen Erkenntnissen führen. Die Abstimmung von Pflanzenwachstumsmodellen und Versuchen ist zudem für die Modellentwicklung und -verbesserung sowie für eine Verallgemeinerung von Simulationsergebnissen unabdingbar. Im Rahmen dieser Arbeit wurde ein neuer Ansatz für ein simulationsbasiertes optimales Versuchsdesign entwickelt. Ziel war es, Simulationsmodelle, Versuche und Optimierungsmethoden in einem Ansatz für optimales und nachhaltiges Bewässerungs- und Düngungsmanagement zu integrieren. Der Ansatz besteht aus drei Schritten: 1. Die Vorbereitungsphase beinhaltet die auf existierenden Versuchsdaten basierende Kalibrierung und Validierung des Pflanzenwachstumsmodells, die Generierung von Klimazeitreihen und die Bestimmung der optimalen Bewässerungssteuerung. 2. Die Durchführungsphase setzt sich aus der Erstellung und experimentellen Anwendung der simulationsbasierten optimierten Defizitbewässerungs- und Stickstoffdüngungspläne und der Erfassung der relevanten Versuchsdaten zusammen. 3. Die Auswertungsphase schließt eine Evaluierung der Versuchsergebnisse anhand ermittelter Erträge, Wasserproduktivitäten (WP), Stickstoffnutzungseffizienzen (NUE) und ökonomischer Aspekte, sowie eine Modellevaluierung ein. In dem neuen Ansatz kamen im Wesentlichen folgende fünf Werkzeuge zur Anwendung: Ein Algorithmus zur inversen Modellparametrisierung, ein Pflanzenwachstumsmodell, welches das Pflanzenwachstum sowie die Wasser- und Stickstoffbilanzen abbildet, ein evolutionärer Optimierungsalgorithmus für die Generierung von defizitären Bewässerungs- und Stickstoffplänen und ein stochastischer Wettergenerator. Zudem diente ein Bodenwasserströmungsmodell der Ermittlung der optimalen Bewässerungssteuerung und der simulationsbasierten Optimierung des Versuchsdesigns. Der in dieser Arbeit vorgestellte Ansatz wurde in drei Fallbeispielen angewandt. Der neue Ansatz kombiniert Pflanzenwachstumsmodellierung und Experimente mit stochastischer Optimierung. Er leistet einen Beitrag zu einer erfolgreichen Pflanzenwachstumsmodellierung basierend auf der Erfassung relevanter Versuchsdaten. Die vorgestellte Modellkalibrierung und -validierung unter Verwendung der erfassten Versuchsdaten trug wesentlich zu zuverlässigen Simulationsergebnissen bei. Darüber hinaus stellt die hier vorgestellte stochastische Optimierung von defizitären Bewässerungs- und Stickstoffplänen ein leistungsfähiges Werkzeug dar, um Erträge, WP, NUE und den Profit zu erhöhen.

Current research concentrates on ways to investigate and improve water productivity (WP), as agriculture is today’s predominant freshwater consumer, averaging at 70% and reaching up to 93% in some regions. A growing world population will require more food and thus more water for cultivation. Regions that are already affected by physical water scarcity and which depend on irrigation for growing crops will face even greater challenges regarding their water supply. Other problems in such regions are a variable water supply, inefficient irrigation practices, and over-pumping of available groundwater resources with other adverse effects on the ecosystem. To face those challenges, strategies are needed that use the available water resources more efficiently and allow farming in a more sustainable way. This work focused on the management of sensor-based deficit irrigation (DI) systems and improvements of WP through a combined approach of simulation-optimization and irrigation experiments. In order to improve irrigation control, a new sensor called pF-meter was employed, which extended the measurement range of the commonly used tensiometers from pF 2.9 to pF 7. The following research questions were raised: (i) Is this approach a suitable strategy to improve WP; (ii) Is the sensor for irrigation control suitable; (iii) Which crop growth models are suitable to be part of that approach; and (iv) Can the combined application with experiments prove an increase of WP? The stochastic simulation-optimization approach allowed deriving parameter values for an optimal irrigation control for sensor-based full and deficit irrigation strategies. Objective was to achieve high WP with high reliability. Parameters for irrigation control included irrigation thresholds of soil-water potentials because of the working principle behind plant transpiration where pressure gradients are transmitted from the air through the plant and into the root zone. Optimal parameter values for full and deficit irrigation strategies were tested in irrigation experiments in containers in a vegetation hall with drip irrigated maize and compared to schedule-based irrigation strategies with regard to WP and water consumption. Observation data from one of the treatments was used afterwards in a simulation study to systematically investigate the parameters for implementing effective setups of DI systems. The combination of simulation-optimization and irrigation experiments proved to be a suitable approach for investigating and improving WP, as well as for deriving optimal parameter values of different irrigation strategies. This was verified in the irrigation experiment and shown through overall high WP, equally high WP between deficit and full irrigation strategies, and achieved water savings. Irrigation thresholds beyond the measurement range of tensiometers are feasible and applicable. The pF-meter performed satisfactorily and is a promising candidate for irrigation control. Suitable crop models for being part of this approach were found and their properties formulated. Factors that define the behavior of DI systems regarding WP and water consumption were investigated and assessed. This research allowed for drawing the first conclusions about the potential range of operations of sensor-based DI systems for achieving high WP with high reliability through its systematical investigation of such systems. However, this study needs validation and is therefore limited with regard to exact values of derived thresholds.

Current research concentrates on ways to investigate and improve water productivity (WP), as agriculture is today’s predominant freshwater consumer, averaging at 70% and reaching up to 93% in some regions. A growing world population will require more food and thus more water for cultivation. Regions that are already affected by physical water scarcity and which depend on irrigation for growing crops will face even greater challenges regarding their water supply. Other problems in such regions are a variable water supply, inefficient irrigation practices, and over-pumping of available groundwater resources with other adverse effects on the ecosystem. To face those challenges, strategies are needed that use the available water resources more efficiently and allow farming in a more sustainable way. This work focused on the management of sensor-based deficit irrigation (DI) systems and improvements of WP through a combined approach of simulation-optimization and irrigation experiments. In order to improve irrigation control, a new sensor called pF-meter was employed, which extended the measurement range of the commonly used tensiometers from pF 2.9 to pF 7. The following research questions were raised: (i) Is this approach a suitable strategy to improve WP; (ii) Is the sensor for irrigation control suitable; (iii) Which crop growth models are suitable to be part of that approach; and (iv) Can the combined application with experiments prove an increase of WP? The stochastic simulation-optimization approach allowed deriving parameter values for an optimal irrigation control for sensor-based full and deficit irrigation strategies. Objective was to achieve high WP with high reliability. Parameters for irrigation control included irrigation thresholds of soil-water potentials because of the working principle behind plant transpiration where pressure gradients are transmitted from the air through the plant and into the root zone. Optimal parameter values for full and deficit irrigation strategies were tested in irrigation experiments in containers in a vegetation hall with drip irrigated maize and compared to schedule-based irrigation strategies with regard to WP and water consumption. Observation data from one of the treatments was used afterwards in a simulation study to systematically investigate the parameters for implementing effective setups of DI systems. The combination of simulation-optimization and irrigation experiments proved to be a suitable approach for investigating and improving WP, as well as for deriving optimal parameter values of different irrigation strategies. This was verified in the irrigation experiment and shown through overall high WP, equally high WP between deficit and full irrigation strategies, and achieved water savings. Irrigation thresholds beyond the measurement range of tensiometers are feasible and applicable. The pF-meter performed satisfactorily and is a promising candidate for irrigation control. Suitable crop models for being part of this approach were found and their properties formulated. Factors that define the behavior of DI systems regarding WP and water consumption were investigated and assessed. This research allowed for drawing the first conclusions about the potential range of operations of sensor-based DI systems for achieving high WP with high reliability through its systematical investigation of such systems. However, this study needs validation and is therefore limited with regard to exact values of derived thresholds.

There is a growing societal concern about excessive water and fertilizer use in agricultural systems. High water productivity while maintaining high crop yields can be achieved with appropriate irrigation scheduling. Moreover, freshwater pollution through nitrogen (N) leaching due to the widespread use of N fertilizers demands for an efficient N fertilization management. However, sustainable crop management requires good knowledge of soil water and N dynamics as well as of crop water and N demand. Crop growth models, which describe physical and physiological processes of crop growth as well as water and matter transport, are considered as powerful tools to assist in the optimization of irrigation and fertilization management. It is of a general nature that the reliability of simulation based predictions depends on the quality and quantity of the data used for model calibration and validation which can be obtained e.g. in field experiments. A lack of data or low data quality for model calibration and validation may cause low performance and large uncertainties in simulation results. The large number of model parameters to be calibrated requires appropriate calibration methods and a sequential calibration strategy. Moreover, a simulation based planning of the field design saves costs and expenditure while supporting maximal outcomes of experiments. An adjustment of crop growth modeling and experiments is required for model improvement and development to reliably predict crop growth and to generalize predicted results. In this research study, a new approach for simulation based optimal experimental design was developed aiming to integrate simulation models, experiments, and optimization methods in one framework for optimal and sustainable irrigation and N fertilization management. The approach is composed of three steps: 1. The preprocessing consists of the calibration and validation of the crop growth model based on existing experimental data, the generation of long time-series of climate data, and the determination of the optimal irrigation control. 2. The implementation comprises the determination and experimental application of the simulation based optimized deficit irrigation and N fertilization schedules and an appropriate experimental data collection. 3. The postprocessing includes the evaluation of the experimental results namely observed yield, water productivity (WP), nitrogen use efficiency (NUE), and economic aspects, as well as a model evaluation. Five main tools were applied within the new approach: an algorithm for inverse model parametrization, a crop growth model for simulating crop growth, water balance and N balance, an optimization algorithm for deficit irrigation and N fertilization scheduling, and a stochastic weather generator. Furthermore, a water flow model was used to determine the optimal irrigation control functions and for simulation based estimation of the optimal field design. The approach was implemented within three case studies presented in this work. The new approach combines crop growth modeling and experiments with stochastic optimization. It contributes to a successful application of crop growth modeling based on an appropriate experimental data collection. The presented model calibration and validation procedure using the collected data facilitates reliable predictions. The stochastic optimization framework for deficit irrigation and N fertilization scheduling proved to be a powerful tool to enhance yield, WP, NUE and profit.:Contents Nomenclature ..............................................................................................................................xii 1 Introduction..................................................................................................................................1 I Fundamentals and literature review ........................................................................................5 2 Water productivity in crop production ....................................................................................7 2.1 Water productivity .................................................................................................................7 2.2 Increase of crop yield ..........................................................................................................9 2.3 Irrigation ...............................................................................................................................10 2.3.1 Irrigation methods ...........................................................................................................10 2.3.2 Irrigation scheduling and irrigation control ................................................................11 2.3.3 The influence of the field design on profitability .......................................................12 2.4 The concept of controlled deficit irrigation ...................................................................14 3 Nitrogen use efficiency in crop production .........................................................................17 3.1 Nitrogen use efficiency ....................................................................................................18 3.2 N fertilization management .............................................................................................18 3.3 Combination of controlled deficit irrigation and deficit N fertilization ......................19 4 Crop growth modeling ............................................................................................................21 4.1 Physiological crop growth models ..................................................................................21 4.1.1 Model description of SVAT model Daisy ....................................................................22 4.1.2 Model description of crop growth model Pilote .........................................................24 4.2 Optimal experimental design for model parametrization ...........................................25 4.2.1 Experimental design ......................................................................................................25 4.2.2 Model parameter estimation ........................................................................................26 4.2.3 Model parameter estimation based on greenhouse data .......................................27 5 Irrigation and N fertilization scheduling ..............................................................................29 5.1 Irrigation scheduling .........................................................................................................29 5.2 N fertilization scheduling .................................................................................................30 5.3 Combination of irrigation and N fertilization scheduling ............................................30 II New approach for simulation based optimal experimental design ................................33 6 Preprocessing steps ...............................................................................................................37 6.1 Model parametrization and assessment .......................................................................37 6.1.1 Calibration of the soil parameters ...............................................................................38 6.1.2 Calibration of the plant parameters ............................................................................39 6.1.3 Model assessment .........................................................................................................41 6.1.4 Preliminary simulations for an optimal experimental layout ..................................43 6.2 Generation of long time-series of climate data ............................................................44 6.3 Determination of the optimal irrigation control functions ...........................................44 7 Stochastic optimization framework ......................................................................................47 7.1 Stochastic optimization framework .................................................................................47 7.1.1 Optimization algorithm ...................................................................................................47 7.1.2 Generation of the crop water (nitrogen) production functions ................................48 7.1.3 Application of the stochastic optimization framework ..............................................48 7.1.4 Crop growth model requirements ................................................................................49 8 Data collection during the experimentation .......................................................................51 9 Postprocessing steps .............................................................................................................55 9.1 Evaluation of the experimental results ...........................................................................55 9.1.1 Yield and total dry matter ..............................................................................................55 9.1.2 Water productivity and nitrogen use efficiency .........................................................55 9.1.3 Economic aspects ..........................................................................................................55 9.1.4 Evaluation of the model results ....................................................................................56 III Application of the new approach to three case studies ...................................................57 10 Evaluation of model transferability ....................................................................................59 10.1 Objectives and summary ................................................................................................59 10.2 Experimental site and experimental setup .................................................................61 10.3 Data collection during the experimentation ................................................................63 10.4 Calibration and validation of the model parameters .................................................63 10.4.1 Model setup and soil parametrization ......................................................................64 10.4.2 Plant parameter calibration and validation .............................................................67 10.5 Application of the stochastic optimization framework ...............................................75 10.5.1 Generation of the climate data ...................................................................................75 10.5.2 Estimation of the yield potential of wheat ................................................................75 10.5.3 Estimation of the water productivity potential of barley .........................................77 10.6 Discussion and conclusions ..........................................................................................81 11 Real-time irrigation scheduling ..........................................................................................83 11.1 Objectives and summary ................................................................................................83 11.2 Experimental site and field design ...............................................................................85 11.3 Data collection during the experiment ........................................................................86 11.4 Calibration and setup of the crop growth model Pilote .............................................87 11.5 Derivation of optimal irrigation control functions for different drip line spacings 88 11.5.1 Initial Hydrus 2D/3D simulations ...............................................................................88 11.5.2 Determination of the irrigation control functions .....................................................89 11.5.3 Verifying measurements ..............................................................................................92 11.6 Real-time deficit irrigation scheduling .........................................................................93 11.7 Evaluation of the experimental results .........................................................................96 11.7.1 Crop yields .....................................................................................................................96 11.7.2 Water productivity .........................................................................................................97 11.7.3 Prognostic simulations ................................................................................................98 11.7.4 Economic aspects ........................................................................................................99 11.8 Discussion and conclusions ........................................................................................100 12 Multicriterial optimization...................................................................................................103 12.1 Objectives and summary .............................................................................................103 12.2 Experimental site and experimental setup ...............................................................105 12.3 Data collection during the experiment ......................................................................105 12.4 Experimental layout ......................................................................................................106 12.5 Calibration and validation of the model parameters ..............................................107 12.5.1 Calibration of the soil parameters ...........................................................................107 12.5.2 Calibration and validation of the plant parameters .............................................107 12.5.3 Setup of SVAT model Daisy .....................................................................................108 12.6 Generation of the climate data ....................................................................................109 12.7 Optimized irrigation and N fertilization scheduling .................................................109 12.8 Evaluation of the experimental results .......................................................................111 12.8.1 Observed plant variables and weather data .........................................................111 12.8.2 Water productivities and nitrogen use efficiencies ...............................................111 12.8.3 Chlorophyll Meter values ..........................................................................................112 12.8.4 Recalculation of soil parameters .............................................................................113 12.9 Postprocessing simulations of yield and water and N dynamics..........................114 12.9.1 Yield predictions using Daisy 1D ............................................................................114 12.9.2 Yield predictions using Daisy 2D ............................................................................119 12.10 Discussion and conclusions .....................................................................................121 IV General discussion, conclusions and outlook ...............................................................123 13 General discussion ............................................................................................................125 14 General conclusions and outlook ....................................................................................133 Appendix ....................................................................................................................................134 A Tables and Figures ...............................................................................................................137 B Model setup and weather files ...........................................................................................145 List of Tables .............................................................................................................................153 List of Figures ............................................................................................................................153 References ................................................................................................................................159 / In der heutigen Gesellschaft gibt es zunehmend Bedenken gegenüber übermäßigem Wasser- und Düngereinsatz in der Landwirtschaft. Eine hohe Wasserproduktivität kann jedoch durch geeignete Bewässerungspläne mit hohen landwirtschaftlichen Erträgen in Einklang gebracht werden. Die mit der weitverbreiteten Stickstoffdüngung einhergehende Gewässerbelastung aufgrund von Stickstoffauswaschung erfordert zudem ein effizientes Stickstoffmanagement. Eine entsprechende ressourceneffiziente Landbewirtschaftung bedarf präzise Kenntnisse der Bodenwasser- und Stickstoffdynamiken sowie des Pflanzenwasser- und Stickstoffbedarfs. Als leistungsfähige Werkzeuge zur Unterstützung bei der Optimierung von Bewässerungs-und Düngungsplänen werden Pflanzenwachstumsmodelle eingesetzt, welche die physischen und physiologischen Prozesse des Pflanzenwachstums sowie die physikalischen Prozesse des Wasser- und Stofftransports abbilden. Hierbei hängt die Zuverlässigkeit dieser simulationsbasierten Vorhersagen von der Qualität und Quantität der bei der Modellkalibrierung und -validierung verwendeten Daten ab, welche beispielsweise in Feldversuchen erfasst werden. Fehlende Daten oder Daten mangelhafter Qualität bei der Modellkalibrierung und -validierung führen zu unzuverlässigen Simulationsergebnissen und großen Unsicherheiten bei der Vorhersage. Die große Anzahl an zu kalibrierenden Parametern erfordert zudem geeignete Kalibrierungsmethoden sowie eine sequenzielle Kalibrierungsstrategie. Darüber hinaus kann eine simulationsbasierte Planung des Versuchsdesigns Kosten und Aufwand reduzieren und zu weiteren experimentellen Erkenntnissen führen. Die Abstimmung von Pflanzenwachstumsmodellen und Versuchen ist zudem für die Modellentwicklung und -verbesserung sowie für eine Verallgemeinerung von Simulationsergebnissen unabdingbar. Im Rahmen dieser Arbeit wurde ein neuer Ansatz für ein simulationsbasiertes optimales Versuchsdesign entwickelt. Ziel war es, Simulationsmodelle, Versuche und Optimierungsmethoden in einem Ansatz für optimales und nachhaltiges Bewässerungs- und Düngungsmanagement zu integrieren. Der Ansatz besteht aus drei Schritten: 1. Die Vorbereitungsphase beinhaltet die auf existierenden Versuchsdaten basierende Kalibrierung und Validierung des Pflanzenwachstumsmodells, die Generierung von Klimazeitreihen und die Bestimmung der optimalen Bewässerungssteuerung. 2. Die Durchführungsphase setzt sich aus der Erstellung und experimentellen Anwendung der simulationsbasierten optimierten Defizitbewässerungs- und Stickstoffdüngungspläne und der Erfassung der relevanten Versuchsdaten zusammen. 3. Die Auswertungsphase schließt eine Evaluierung der Versuchsergebnisse anhand ermittelter Erträge, Wasserproduktivitäten (WP), Stickstoffnutzungseffizienzen (NUE) und ökonomischer Aspekte, sowie eine Modellevaluierung ein. In dem neuen Ansatz kamen im Wesentlichen folgende fünf Werkzeuge zur Anwendung: Ein Algorithmus zur inversen Modellparametrisierung, ein Pflanzenwachstumsmodell, welches das Pflanzenwachstum sowie die Wasser- und Stickstoffbilanzen abbildet, ein evolutionärer Optimierungsalgorithmus für die Generierung von defizitären Bewässerungs- und Stickstoffplänen und ein stochastischer Wettergenerator. Zudem diente ein Bodenwasserströmungsmodell der Ermittlung der optimalen Bewässerungssteuerung und der simulationsbasierten Optimierung des Versuchsdesigns. Der in dieser Arbeit vorgestellte Ansatz wurde in drei Fallbeispielen angewandt. Der neue Ansatz kombiniert Pflanzenwachstumsmodellierung und Experimente mit stochastischer Optimierung. Er leistet einen Beitrag zu einer erfolgreichen Pflanzenwachstumsmodellierung basierend auf der Erfassung relevanter Versuchsdaten. Die vorgestellte Modellkalibrierung und -validierung unter Verwendung der erfassten Versuchsdaten trug wesentlich zu zuverlässigen Simulationsergebnissen bei. Darüber hinaus stellt die hier vorgestellte stochastische Optimierung von defizitären Bewässerungs- und Stickstoffplänen ein leistungsfähiges Werkzeug dar, um Erträge, WP, NUE und den Profit zu erhöhen.:Contents Nomenclature ..............................................................................................................................xii 1 Introduction..................................................................................................................................1 I Fundamentals and literature review ........................................................................................5 2 Water productivity in crop production ....................................................................................7 2.1 Water productivity .................................................................................................................7 2.2 Increase of crop yield ..........................................................................................................9 2.3 Irrigation ...............................................................................................................................10 2.3.1 Irrigation methods ...........................................................................................................10 2.3.2 Irrigation scheduling and irrigation control ................................................................11 2.3.3 The influence of the field design on profitability .......................................................12 2.4 The concept of controlled deficit irrigation ...................................................................14 3 Nitrogen use efficiency in crop production .........................................................................17 3.1 Nitrogen use efficiency ....................................................................................................18 3.2 N fertilization management .............................................................................................18 3.3 Combination of controlled deficit irrigation and deficit N fertilization ......................19 4 Crop growth modeling ............................................................................................................21 4.1 Physiological crop growth models ..................................................................................21 4.1.1 Model description of SVAT model Daisy ....................................................................22 4.1.2 Model description of crop growth model Pilote .........................................................24 4.2 Optimal experimental design for model parametrization ...........................................25 4.2.1 Experimental design ......................................................................................................25 4.2.2 Model parameter estimation ........................................................................................26 4.2.3 Model parameter estimation based on greenhouse data .......................................27 5 Irrigation and N fertilization scheduling ..............................................................................29 5.1 Irrigation scheduling .........................................................................................................29 5.2 N fertilization scheduling .................................................................................................30 5.3 Combination of irrigation and N fertilization scheduling ............................................30 II New approach for simulation based optimal experimental design ................................33 6 Preprocessing steps ...............................................................................................................37 6.1 Model parametrization and assessment .......................................................................37 6.1.1 Calibration of the soil parameters ...............................................................................38 6.1.2 Calibration of the plant parameters ............................................................................39 6.1.3 Model assessment .........................................................................................................41 6.1.4 Preliminary simulations for an optimal experimental layout ..................................43 6.2 Generation of long time-series of climate data ............................................................44 6.3 Determination of the optimal irrigation control functions ...........................................44 7 Stochastic optimization framework ......................................................................................47 7.1 Stochastic optimization framework .................................................................................47 7.1.1 Optimization algorithm ...................................................................................................47 7.1.2 Generation of the crop water (nitrogen) production functions ................................48 7.1.3 Application of the stochastic optimization framework ..............................................48 7.1.4 Crop growth model requirements ................................................................................49 8 Data collection during the experimentation .......................................................................51 9 Postprocessing steps .............................................................................................................55 9.1 Evaluation of the experimental results ...........................................................................55 9.1.1 Yield and total dry matter ..............................................................................................55 9.1.2 Water productivity and nitrogen use efficiency .........................................................55 9.1.3 Economic aspects ..........................................................................................................55 9.1.4 Evaluation of the model results ....................................................................................56 III Application of the new approach to three case studies ...................................................57 10 Evaluation of model transferability ....................................................................................59 10.1 Objectives and summary ................................................................................................59 10.2 Experimental site and experimental setup .................................................................61 10.3 Data collection during the experimentation ................................................................63 10.4 Calibration and validation of the model parameters .................................................63 10.4.1 Model setup and soil parametrization ......................................................................64 10.4.2 Plant parameter calibration and validation .............................................................67 10.5 Application of the stochastic optimization framework ...............................................75 10.5.1 Generation of the climate data ...................................................................................75 10.5.2 Estimation of the yield potential of wheat ................................................................75 10.5.3 Estimation of the water productivity potential of barley .........................................77 10.6 Discussion and conclusions ..........................................................................................81 11 Real-time irrigation scheduling ..........................................................................................83 11.1 Objectives and summary ................................................................................................83 11.2 Experimental site and field design ...............................................................................85 11.3 Data collection during the experiment ........................................................................86 11.4 Calibration and setup of the crop growth model Pilote .............................................87 11.5 Derivation of optimal irrigation control functions for different drip line spacings 88 11.5.1 Initial Hydrus 2D/3D simulations ...............................................................................88 11.5.2 Determination of the irrigation control functions .....................................................89 11.5.3 Verifying measurements ..............................................................................................92 11.6 Real-time deficit irrigation scheduling .........................................................................93 11.7 Evaluation of the experimental results .........................................................................96 11.7.1 Crop yields .....................................................................................................................96 11.7.2 Water productivity .........................................................................................................97 11.7.3 Prognostic simulations ................................................................................................98 11.7.4 Economic aspects ........................................................................................................99 11.8 Discussion and conclusions ........................................................................................100 12 Multicriterial optimization...................................................................................................103 12.1 Objectives and summary .............................................................................................103 12.2 Experimental site and experimental setup ...............................................................105 12.3 Data collection during the experiment ......................................................................105 12.4 Experimental layout ......................................................................................................106 12.5 Calibration and validation of the model parameters ..............................................107 12.5.1 Calibration of the soil parameters ...........................................................................107 12.5.2 Calibration and validation of the plant parameters .............................................107 12.5.3 Setup of SVAT model Daisy .....................................................................................108 12.6 Generation of the climate data ....................................................................................109 12.7 Optimized irrigation and N fertilization scheduling .................................................109 12.8 Evaluation of the experimental results .......................................................................111 12.8.1 Observed plant variables and weather data .........................................................111 12.8.2 Water productivities and nitrogen use efficiencies ...............................................111 12.8.3 Chlorophyll Meter values ..........................................................................................112 12.8.4 Recalculation of soil parameters .............................................................................113 12.9 Postprocessing simulations of yield and water and N dynamics..........................114 12.9.1 Yield predictions using Daisy 1D ............................................................................114 12.9.2 Yield predictions using Daisy 2D ............................................................................119 12.10 Discussion and conclusions .....................................................................................121 IV General discussion, conclusions and outlook ...............................................................123 13 General discussion ............................................................................................................125 14 General conclusions and outlook ....................................................................................133 Appendix ....................................................................................................................................134 A Tables and Figures ...............................................................................................................137 B Model setup and weather files ...........................................................................................145 List of Tables .............................................................................................................................153 List of Figures ............................................................................................................................153 References ................................................................................................................................159

Over the last decades, fast growing population along with urban and agricultural sprawl has drastically increased the pressure on water resources of the Federal District (DF), Brazil. Various socio-environmental problems, such as soil erosion, non-point source pollution, reservoir silting, and conflicts among water users evoked the need for more efficient and sustainable ways to use land and water. Due to the complexity of processes relevant at the scale of river basins, a prior analysis of impacts of certain land use and/or land management changes is only feasible by means of modeling. The Soil and Water Assessment Tool (SWAT) has been proven to be useful in this context, across the globe and for different environmental conditions. In this thesis, the SWAT model is utilized to evaluate the impact of Best Management Practices (BMPs) on catchment hydrology and sediment transport. However, model applications in tropical regions, such as the DF, are hampered by severe challenges, (i) the lack of input and control data in an adequate temporal and spatial resolution and (ii) model structural failures in representing processes under tropical conditions. The present (cumulative) thesis addresses these challenges in model simulations for two contrasting watersheds, which both are important sources of the DF’s drinking water supply, i.e. (i) the agriculture-dominated Pipiripau river basin where conflicting demands put immense pressure on the available water resources and (ii) the Santa Maria / Torto river basin, which is to large parts protected as national park and, thus, covered by native vegetation of the Cerrado biome. Perhaps one of the most challenging issues facing watershed modelers in tropical regions is the fact that rain gauge networks can usually not reflect the high spatio-temporal variability of mostly convective precipitation patterns. Therefore, an ensemble of different reasonable input precipitation data-sets was used to examine the uncertainty in parameterization and model output. Acceptable streamflow and sediment load predictions could be achieved for each input data-set. However, the best-fit parameter values varied widely across the ensemble. Due to its enhanced consideration of parameter uncertainty, this ensemble approach provides more robust predictions and hence is reasonable to be used also for scenario simulations. BMP scenarios for the Pipiripau River Basin revealed that erosion control constructions, such as terraces and small retention basins along roads (Barraginhas) are promising measures to reduce sediment loads (up to 40%) while maintaining streamflow. Tests for a multi-diverse crop rotation system, in contrast, showed a high vulnerability of the hydrologic system against any increase in irrigation. Considering the BMP implementation costs, it was possible to estimate cost-abatement curves, which can provide useful information for watershed managers, especially when BMPs are supported by Payments for Environmental Services as it is the case in the study area due to the program Produtor de Água. While for agricultural areas the model has proven to generate plausible results, the plant growth module of SWAT was found to be not suitable for simulating perennial tropical vegetation, such as Cerrado (savanna) or forest, which can also play a crucial role in river basin management. For temperate regions SWAT uses dormancy to terminate growing seasons of trees and perennials. However, there is no mechanism considered to reflect seasonality in the tropics, i.e. the phenological change between wet and dry season. Therefore, a soil moisture based approach was implemented into the plant growth module to trigger new growing cycles in the transition period from dry to wet season. The adapted model was successfully tested against LAI and ET time series derived from remote sensing products (MODIS). Since the proposed changes are process-based but also allow flexible model settings, the modified plant growth module can be seen as a fundamental improvement useful for future model application in the tropics. The present thesis shows insights into the workflow of a watershed model application in the semi-humid tropics – from input data processing and model setup over source code adaptation, model calibration and uncertainty analysis to its use for running scenarios. It depicts region-specific challenges but also provides practical solutions. Hence, this work might be seen as one further step toward robust and process-based model predictions to assist land and water resources management. / Starkes Bevölkerungswachstum, ungeplante Suburbanisierung und Landnutzungsänderungen (z.B. Intensivierung in der Landwirtschaft) verstärkten innerhalb der letzten Jahrzehnte zunehmend den Druck auf die Wasserressourcen des Bundesdistrikts Brasilien (zentralbrasilianisches Hochland), in dessen Mitte die junge Hauptstadt Brasília liegt. Damit verbundene negative Umweltauswirkungen, wie Bodenerosion, Stoff- und Sedimenteinträge in Fließgewässer und Talsperren sowie Konflikte zwischen den Wassernutzern erfordern daher dringend effektive und nachhaltige Lösungen im Land- und Wasserressourcen-management. Der Einfluss von möglichen zukünftigen Landnutzungs- und Bewirtschaftungsänderungen auf Wasserverfügbarkeit und -qualität hängt vom jeweiligen, oftmals sehr komplexen, landschaftsökologischen Prozessgefüge ab und kann nur mithilfe von prozessbasierten Simulationsmodellen quantitativ auf der Ebene von Einzugsgebieten abgeschätzt werden. Das “Soil and Water Assessment Tool” (SWAT) ist ein solches Modell. Es findet weltweite Anwendung für verschiedene Umweltbedingungen in Einzugsgebieten der Meso- bis Makroskala, um Landnutzungseffekte auf den Wasserhaushalt und den Transport von Nährstoffen, Pestiziden und Sedimenten zu prognostizieren. Seine Anwendung in tropischen Regionen, wie etwa in Zentralbrasilien, ist jedoch mit erheblichen Herausforderungen verbunden. Das betrifft sowohl die Verfügbarkeit von Eingangs- und Referenzdaten in ausreichender raum-zeitlicher Auflösung, als auch modellstrukturelle Unzulänglichkeiten bei der Prozessabbildung. Die vorliegende kumulative Dissertation zeigt dies anhand von Modellanwendungen für zwei unterschiedliche wasserwirtschaftlich relevante Einzugsgebiete (EZG): Das landwirtschaftlich intensiv genutzte EZG des Rio Pipiripau mit aktuell besonders konfliktträchtiger Wassernutzung, und das Santa Maria/Torto-EZG, welches - geschützt als Nationalpark - durch größtenteils natürliche Vegetationsformationen der brasilianischen Savanne (Cerrado) gekennzeichnet ist. Eine der größten Herausforderungen für die Einzugsgebietsmodellierung in tropischen Regionen liegt in der Abschätzung des Gebietsniederschlages, da vorhandene Messstationsdichten oft nicht ausreichen, um die hohe räumliche und zeitliche Variabilität der meist konvektiven Niederschläge zu erfassen. Mithilfe eines Ensembles verschiedener, plausibel generierter Niederschlagsreihen ist der Einfluss von Niederschlagsdaten-Unsicherheit auf die Modellparametrisierung und -vorhersage explizit berücksichtigt und untersucht worden. Zufriedenstellende Abfluss- und Sedimentfrachtsimulationen waren mit jeder der als Modelinput verwendeten Niederschlagsreihen möglich, jedoch nur bei entsprechender, z.T. stark voneinander abweichender Einstellung der Kalibrierungsparameter. Da diese umfassendere Betrachtung von Parameterunsicherheit zu robusteren Modellvorhersagen führt, wurde der Ensemble-Ansatz auch in der Simulation von Bewirtschaftungsszenarien, dem eigentlichen Modellzweck, verwendet. Die Szenariosimulationen zeigten, dass Maßnahmen zur Erosionsvermeidung (Terrassierung) und zum Sedimentrückhalt (kleine Sedimentrückhaltebecken entlang von Straßen - Barraginhas) die Sedimentfracht des Rio Pipiripau durchschnittlich um bis zu 40% reduzieren können, ohne dabei die Wasserverfügbarkeit zu beeinträchtigen. Modellszenarien mit einer vielgliedrigen Fruchtfolge auf großer Fläche verdeutlichten dagegen die hohe Vulnerabilität des Niedrigwasserabflusses in der Trockenzeit gegenüber jedweder Erhöhung der Bewässerungsmenge. Auf Grundlage von Kostenschätzungen für einzelne Maßnahmen konnten Kostenkurven zur Verringerung der Sedimentfracht und damit nützliche Informationen für das Wasserressourcen-Management abgeleitet werden, insbesondere weil eine Auswahl solcher Agrar-Umweltmaßnahmen im Pipiripau-EZG durch das Programm Produtor de Água finanziell gefördert werden sollen. Während das Modell in landwirtschaftlich genutzten Gebieten plausible Ergebnisse produzierte, wurden erhebliche Schwachstellen in der Simulation ausdauernder Vegetation (z.B. Cerrado) identifiziert. Zur Unterbrechung jährlicher Vegetationszyklen verwendet SWAT eine tageslängenabhängige Dormanzperiode. Diese ist zwar zweckmäßig zur Abbildung der Vegetationsdynamik in den gemäßigten Breiten, steuert aber nicht tropische Vegetationszyklen. Um den Wechsel zwischen Trocken- und Regenzeit in der pflanzenphänologischen Simulation in SWAT abzubilden, wurde daher im Rahmen dieser Arbeit das Pflanzenwachstumsmodul modifiziert, und zwar unter anderem durch Einbeziehung der simulierten Bodenfeuchte zur Unterbrechung der Wachstumszyklen. Das angepasste Modul wurde erfolgreich anhand von Fernerkundungsdaten (MODIS) zum zeitlichen Verlauf von Blattflächenindex und Evapotranspiration getestet. Es ist prozessbasiert und erlaubt flexible Einstellungen, so dass es als grundlegende Modellverbesserung auch für andere SWAT-Anwender von großem Nutzen sein kann. Die vorliegende Dissertation bringt neue Einsichten in verschiedene wichtige Aspekte der integrierten Modellierung tropischer Einzugsgebiete, von der Eingangsdatenaufbereitung über Quellcode-Anpassung, Modellkalibrierung und Unsicherheitsanalyse bis hin zu Szenariosimulationen. Sie veranschaulicht regionsspezifische Herausforderungen, liefert gleichzeitig aber auch praktikable Lösungen und damit einen wichtigen Beitrag für robustere prozessbasierte Modellanwendungen als Entscheidungsunterstützung im Bereich Land- und Wasserressourcenmanagement.

Over the last decades, fast growing population along with urban and agricultural sprawl has drastically increased the pressure on water resources of the Federal District (DF), Brazil. Various socio-environmental problems, such as soil erosion, non-point source pollution, reservoir silting, and conflicts among water users evoked the need for more efficient and sustainable ways to use land and water. Due to the complexity of processes relevant at the scale of river basins, a prior analysis of impacts of certain land use and/or land management changes is only feasible by means of modeling. The Soil and Water Assessment Tool (SWAT) has been proven to be useful in this context, across the globe and for different environmental conditions. In this thesis, the SWAT model is utilized to evaluate the impact of Best Management Practices (BMPs) on catchment hydrology and sediment transport. However, model applications in tropical regions, such as the DF, are hampered by severe challenges, (i) the lack of input and control data in an adequate temporal and spatial resolution and (ii) model structural failures in representing processes under tropical conditions. The present (cumulative) thesis addresses these challenges in model simulations for two contrasting watersheds, which both are important sources of the DF’s drinking water supply, i.e. (i) the agriculture-dominated Pipiripau river basin where conflicting demands put immense pressure on the available water resources and (ii) the Santa Maria / Torto river basin, which is to large parts protected as national park and, thus, covered by native vegetation of the Cerrado biome. Perhaps one of the most challenging issues facing watershed modelers in tropical regions is the fact that rain gauge networks can usually not reflect the high spatio-temporal variability of mostly convective precipitation patterns. Therefore, an ensemble of different reasonable input precipitation data-sets was used to examine the uncertainty in parameterization and model output. Acceptable streamflow and sediment load predictions could be achieved for each input data-set. However, the best-fit parameter values varied widely across the ensemble. Due to its enhanced consideration of parameter uncertainty, this ensemble approach provides more robust predictions and hence is reasonable to be used also for scenario simulations. BMP scenarios for the Pipiripau River Basin revealed that erosion control constructions, such as terraces and small retention basins along roads (Barraginhas) are promising measures to reduce sediment loads (up to 40%) while maintaining streamflow. Tests for a multi-diverse crop rotation system, in contrast, showed a high vulnerability of the hydrologic system against any increase in irrigation. Considering the BMP implementation costs, it was possible to estimate cost-abatement curves, which can provide useful information for watershed managers, especially when BMPs are supported by Payments for Environmental Services as it is the case in the study area due to the program Produtor de Água. While for agricultural areas the model has proven to generate plausible results, the plant growth module of SWAT was found to be not suitable for simulating perennial tropical vegetation, such as Cerrado (savanna) or forest, which can also play a crucial role in river basin management. For temperate regions SWAT uses dormancy to terminate growing seasons of trees and perennials. However, there is no mechanism considered to reflect seasonality in the tropics, i.e. the phenological change between wet and dry season. Therefore, a soil moisture based approach was implemented into the plant growth module to trigger new growing cycles in the transition period from dry to wet season. The adapted model was successfully tested against LAI and ET time series derived from remote sensing products (MODIS). Since the proposed changes are process-based but also allow flexible model settings, the modified plant growth module can be seen as a fundamental improvement useful for future model application in the tropics. The present thesis shows insights into the workflow of a watershed model application in the semi-humid tropics – from input data processing and model setup over source code adaptation, model calibration and uncertainty analysis to its use for running scenarios. It depicts region-specific challenges but also provides practical solutions. Hence, this work might be seen as one further step toward robust and process-based model predictions to assist land and water resources management. / Starkes Bevölkerungswachstum, ungeplante Suburbanisierung und Landnutzungsänderungen (z.B. Intensivierung in der Landwirtschaft) verstärkten innerhalb der letzten Jahrzehnte zunehmend den Druck auf die Wasserressourcen des Bundesdistrikts Brasilien (zentralbrasilianisches Hochland), in dessen Mitte die junge Hauptstadt Brasília liegt. Damit verbundene negative Umweltauswirkungen, wie Bodenerosion, Stoff- und Sedimenteinträge in Fließgewässer und Talsperren sowie Konflikte zwischen den Wassernutzern erfordern daher dringend effektive und nachhaltige Lösungen im Land- und Wasserressourcen-management. Der Einfluss von möglichen zukünftigen Landnutzungs- und Bewirtschaftungsänderungen auf Wasserverfügbarkeit und -qualität hängt vom jeweiligen, oftmals sehr komplexen, landschaftsökologischen Prozessgefüge ab und kann nur mithilfe von prozessbasierten Simulationsmodellen quantitativ auf der Ebene von Einzugsgebieten abgeschätzt werden. Das “Soil and Water Assessment Tool” (SWAT) ist ein solches Modell. Es findet weltweite Anwendung für verschiedene Umweltbedingungen in Einzugsgebieten der Meso- bis Makroskala, um Landnutzungseffekte auf den Wasserhaushalt und den Transport von Nährstoffen, Pestiziden und Sedimenten zu prognostizieren. Seine Anwendung in tropischen Regionen, wie etwa in Zentralbrasilien, ist jedoch mit erheblichen Herausforderungen verbunden. Das betrifft sowohl die Verfügbarkeit von Eingangs- und Referenzdaten in ausreichender raum-zeitlicher Auflösung, als auch modellstrukturelle Unzulänglichkeiten bei der Prozessabbildung. Die vorliegende kumulative Dissertation zeigt dies anhand von Modellanwendungen für zwei unterschiedliche wasserwirtschaftlich relevante Einzugsgebiete (EZG): Das landwirtschaftlich intensiv genutzte EZG des Rio Pipiripau mit aktuell besonders konfliktträchtiger Wassernutzung, und das Santa Maria/Torto-EZG, welches - geschützt als Nationalpark - durch größtenteils natürliche Vegetationsformationen der brasilianischen Savanne (Cerrado) gekennzeichnet ist. Eine der größten Herausforderungen für die Einzugsgebietsmodellierung in tropischen Regionen liegt in der Abschätzung des Gebietsniederschlages, da vorhandene Messstationsdichten oft nicht ausreichen, um die hohe räumliche und zeitliche Variabilität der meist konvektiven Niederschläge zu erfassen. Mithilfe eines Ensembles verschiedener, plausibel generierter Niederschlagsreihen ist der Einfluss von Niederschlagsdaten-Unsicherheit auf die Modellparametrisierung und -vorhersage explizit berücksichtigt und untersucht worden. Zufriedenstellende Abfluss- und Sedimentfrachtsimulationen waren mit jeder der als Modelinput verwendeten Niederschlagsreihen möglich, jedoch nur bei entsprechender, z.T. stark voneinander abweichender Einstellung der Kalibrierungsparameter. Da diese umfassendere Betrachtung von Parameterunsicherheit zu robusteren Modellvorhersagen führt, wurde der Ensemble-Ansatz auch in der Simulation von Bewirtschaftungsszenarien, dem eigentlichen Modellzweck, verwendet. Die Szenariosimulationen zeigten, dass Maßnahmen zur Erosionsvermeidung (Terrassierung) und zum Sedimentrückhalt (kleine Sedimentrückhaltebecken entlang von Straßen - Barraginhas) die Sedimentfracht des Rio Pipiripau durchschnittlich um bis zu 40% reduzieren können, ohne dabei die Wasserverfügbarkeit zu beeinträchtigen. Modellszenarien mit einer vielgliedrigen Fruchtfolge auf großer Fläche verdeutlichten dagegen die hohe Vulnerabilität des Niedrigwasserabflusses in der Trockenzeit gegenüber jedweder Erhöhung der Bewässerungsmenge. Auf Grundlage von Kostenschätzungen für einzelne Maßnahmen konnten Kostenkurven zur Verringerung der Sedimentfracht und damit nützliche Informationen für das Wasserressourcen-Management abgeleitet werden, insbesondere weil eine Auswahl solcher Agrar-Umweltmaßnahmen im Pipiripau-EZG durch das Programm Produtor de Água finanziell gefördert werden sollen. Während das Modell in landwirtschaftlich genutzten Gebieten plausible Ergebnisse produzierte, wurden erhebliche Schwachstellen in der Simulation ausdauernder Vegetation (z.B. Cerrado) identifiziert. Zur Unterbrechung jährlicher Vegetationszyklen verwendet SWAT eine tageslängenabhängige Dormanzperiode. Diese ist zwar zweckmäßig zur Abbildung der Vegetationsdynamik in den gemäßigten Breiten, steuert aber nicht tropische Vegetationszyklen. Um den Wechsel zwischen Trocken- und Regenzeit in der pflanzenphänologischen Simulation in SWAT abzubilden, wurde daher im Rahmen dieser Arbeit das Pflanzenwachstumsmodul modifiziert, und zwar unter anderem durch Einbeziehung der simulierten Bodenfeuchte zur Unterbrechung der Wachstumszyklen. Das angepasste Modul wurde erfolgreich anhand von Fernerkundungsdaten (MODIS) zum zeitlichen Verlauf von Blattflächenindex und Evapotranspiration getestet. Es ist prozessbasiert und erlaubt flexible Einstellungen, so dass es als grundlegende Modellverbesserung auch für andere SWAT-Anwender von großem Nutzen sein kann. Die vorliegende Dissertation bringt neue Einsichten in verschiedene wichtige Aspekte der integrierten Modellierung tropischer Einzugsgebiete, von der Eingangsdatenaufbereitung über Quellcode-Anpassung, Modellkalibrierung und Unsicherheitsanalyse bis hin zu Szenariosimulationen. Sie veranschaulicht regionsspezifische Herausforderungen, liefert gleichzeitig aber auch praktikable Lösungen und damit einen wichtigen Beitrag für robustere prozessbasierte Modellanwendungen als Entscheidungsunterstützung im Bereich Land- und Wasserressourcenmanagement.