Es wird ein Verfahren zur Energiekalibrierung von Niedrig-Z-Szintillatoren vorgestellt. Jenes basiert dabei auf einem roboter-unterstütztem Weitwinkel-Compton-Aufbau. In diesem werden die koinzidenten Ereignisse von Compton-gestreuten Photonen in einem HPGe-Detektor und einem Niedrig-Z-Szintillator erfasst und die Messdaten zur Energiekalibrierung des letzteren genutzt. Eine Bestimmung von Compton-Kanten für das Szintillatormaterial ist dabei nicht zwingend notwendig. / A technique for the energy calibration of low-Z scintillators is being presented. It is based on a robot-supported wide-angle Compton setup. In this the coincident events of photons being Compton-scattered in a HPGe detector and a low-Z scintillator are being recorded and the generated measurement data used for energy calibration of the latter. A determination of Compton edges in the scintillator material is not necessarily needed.

Die Arbeit stellt ein Messsystem zur Überwachung von hochbelastbaren Leichtbauwerkstoffen, den Faserkunststoffverbunden vor. Speziell die Materialdehnung und die Eigenfrequenzen rotatorischer Systeme stellen als Schäden im makroskopischen Bereich eine Herausforderung an das Messsystem dar. Aber auch mikroskopische Erscheinungen wie Delaminationen oder Zwischenfaserbrüche gilt es an diesen Bauelementen zu erfassen.

Diffraktive Mikrospiegelarrays sind eine seit Jahren etablierte innovative Lösung zur ortsaufgelösten Beleuchtungsmodulation im UV-Spektralbereich. Sie werden hauptsächlich als Schlüsselbauelement in mikrolithografischen Industrieanlagen eingesetzt. Gegenwärtige Untersuchungen befassen sich mit der Erweiterung der Technologie hin zu multispektralen Anwendungen, beispielsweise in der Mikroskopie zur strukturierten Objektausleuchtung. Aufgrund des diffraktiven Arbeitsprinzips mit Phasenmodulationen im Nanometerbereich sowie der Vielzahl von Einzelspiegeln mit individuellem Auslenkverhalten stellt die präzise Ansteuerung der Bauelemente eine wesentliche Herausforderung dar. In diesem Kontext steht die Entwicklung und Validierung eines Verfahrens im Fokus dieser Arbeit, das die Gesamtheit von mehreren Tausend oder auch Millionen Mikrospiegeln abhängig von gewünschtem Beleuchtungsmuster und -wellenlänge auf korrekte Kippwinkel einstellen kann. Der gewählte Ansatz liegt in einem Mess- und Korrekturverfahren aller Einzelspiegelverkippungen. Die als Kalibrierung bezeichnete Methode nutzt ein Weißlichtinterferometer zur profilometrischen Charakterisierung der elektro-mechanischen Übertragungsfunktionen der Aktuatoren, wodurch erstmalig auf diesem Themengebiet der multispektrale Bauelementeinsatz gewährleistet werden kann. Zentrales Ergebnis der Kalibrierroutine ist eine Reduzierung der Streuung der Spiegelverkippungen um einen Faktor größer fünf. Direkte Folge sind erheblich verbesserte optische Projektionsmuster, aufgenommen an einem parallel entwickelten optischen Lasermessplatz mit spektral verschiedenen Quellen. Nachgewiesen wurden im Vergleich zum unkalibrierten Ausgangszustand Kontrastverdoppelungen, Homogenitätssteigerungen und die Sicherstellung der Abbildung von mindestens 64 Graustufen. Die Ergebnisse dokumentieren einerseits die Leistungsfähigkeit von diffraktiven Mikrospiegelarrays in multispektralen Umgebungen mit sehr guten Abbildungseigenschaften. Gleichzeitig konnte die wesentliche Grundlage für einen deutlich erweiterten Einsatz optischer Mikrosysteme im stark wachsenden Anwendungsbereich der diffraktiven Optik bzw. der Ultrapräzisionsoptik geschaffen werden.

Under the current regulatory regime for insurance undertakings, Solvency I, the required capital margin does not depend on the allocation of investments, i.e. it is not sensitive to market risk arising from the volatility of market prices for e.g. equity, bond or real estate investments. To improve the protection of policyholders and create a unified regulatory regime in all countries of the European Economic Area (EEA), a risk-sensitive, forward-looking and principle-based regulatory accord for insurance undertakings called Solvency II will replace the current regime by 01.01.2016. Unlike Solvency I, Solvency II requires the backing up of any investment in risky assets with risk capital rather than imposing investment limits. Own funds eligible to cover the solvency capital requirements under Solvency II shall be based on the difference of market-consistently valuated assets and liabilities in the Solvency II balance sheet. In this thesis, I first summarize academic contributions as well as opinions from industry representatives on the expected consequences of the current calibration of the Solvency II standard formula. The accuracy of the calibration itself is another focal point of this work. This work contains four scientific papers. The first paper examines the presence of contagion effects between Eurozone countries in the period 2008-2012. In a market-consistent valuation approach like Solvency II contagion effects intensify the volatility of own funds and therefore of the solvency ratio of insurers. The intensity of contagion peaked in 2010 and first half of 2011 but decreased subsequently which is likely to be a consequence of bailout measures by the EU and the IMF and ECB interventions. The second and third paper address the zero risk charge for sovereign debt issued by EU member states assumed under the Solvency II standard formula. If one accepts German bond yields to be a risk-free asset, using modern cointegration techniques I showed that bonds of only one third of EU member countries can be perceived as risk-free as well. The fourth paper provides evidence for convergence in the shock-response-behavior of the stock indices of Germany, UK and France during the past decades, which in turn indicates support for the assumption of a perfect tail correlation between listed equity in the Solvency II standard formula.

Der Einsatz von hydrologischen Modellen zur Unterstützung von Planung und Betrieb von Entwässerungssystemen ist als Stand der Technik anzusehen. Realitätsnahe und sichere Modellergebnisse stellen dabei die Grundlage für eine zielgerichtete Entscheidungsfindung dar. Nur durch eine Kalibrierung können Parameter von konzeptionellen Modellen zur Berechnung des Niederschlag-Abfluss-Prozesses an die Randbedingungen des zu simulierenden technischen oder natürlichen Systems angepasst werden. Auch wenn die Kalibrierung eines Modells entscheidend zur Erhöhung der Realitätsnähe beiträgt, kann diese durch unterschiedliche Faktoren beeinflusst werden. Dies ist darauf zurückzuführen, dass bei hydrologischen Modellen nicht ausschließlich deterministische Gleichungen mit physikalisch basierten Parametern eingesetzt werden. Wesentliche Einflussfaktoren auf die Kalibrierung von urbanhydrologischen Modellen sind die gewählte Modellstruktur, die Eingangsdaten, die Kalibrierdaten, die Auswahl von Kalibrierereignissen sowie die eigentliche Kalibriermethodik. Im Rahmen dieser Arbeit wurden die Einflüsse der Kalibrierdaten, der Auswahl von Ereignissen und der Kalibriermethodik auf die Ergebnisse der automatischen Kalibrierung mittels multikriterieller Optimierungsverfahren untersucht.

Testing of the Electronic Control Unit is a very important step before delivering the software to customer. Due to increasing complexity in the requirements and the timing constraints, it is needed that the testing should be proper and on time. To meet the timing constraints it is needed to automate the entire process of testing. Although the current testing tool support the automation process, it is very slow. In this thesis a new tool has been developed which will support calibration using CCP and XCP on CAN bus. Secondly, the tool will also provide the feature of automation, where user can write their own script to test the ECU. This will make the entire process of testing very fast. Finally both the solutions will be compared with respect to time for deducing the final conclusion.

Für das Verbundprojekt EMTAL (Einzugsgebietsmanagement von Talsperren in Mittelgebirgslandschaften) wurden Methoden zur Klärung hydrologischer Fragen entwickelt. Das dafür gewählte Modell WaSiM-ETH kann den Abfluss im Untersuchungsgebiet gut reproduzieren und ist unter Verwendung physikalisch basierter Teilmodule auf ähnliche Einzugsgebiete übertragbar. Es kann in einer hohen Bandbreite zeitlicher und räumlicher Diskretisierung verwendet werden. Bei der Modellierung verschiedener Landnutzungsszenarien zeigen sich Grenzen im Prozessverständnis, der Parametrisierung bekannter oder vermuteter Prozessse und in der Darstellung verschiedener Prozesse durch das Modell. Innerhalb streng festgelegter Randbedingungen können aber plausible Ergebnisse erlangt werden. Zusätzlich wurden meteorologische Zeitreihen für die Niederschlag-Abfluss-Modellierung bis 2050 erstellt. Die Effekte von Klimaänderungen auf den Abfluss werden gut abgebildet. Die Grenzen der Modellierung liegen hier in erster Linie bei der Güte der Eingangsdaten aus den Klimaprognosen.

“History matching” (model calibration, parameter identification) is an established method for determination of representative reservoir properties such as permeability, porosity, relative permeability and fault transmissibility from a measured production history; however the uniqueness of selected model is always a challenge in a successful history matching. Up to now, the uniqueness of history matching results in practice can be assessed only after individual and technical experience and/or by repeating history matching with different reservoir models (different sets of parameters as the starting guess). The present study has been used the stochastical theory of Kullback & Leibler (K-L) and its further development by Akaike (AIC) for the first time to solve the uniqueness problem in reservoir engineering. In addition - based on the AIC principle and the principle of parsimony - a penalty term for OF has been empirically formulated regarding geoscientific and technical considerations. Finally a new formulation (Penalized Objective Function, POF) has been developed for model selection in reservoir history matching and has been tested successfully in a North German gas field. / „History Matching“ (Modell-Kalibrierung, Parameter Identifikation) ist eine bewährte Methode zur Bestimmung repräsentativer Reservoireigenschaften, wie Permeabilität, Porosität, relative Permeabilitätsfunktionen und Störungs-Transmissibilitäten aus einer gemessenen Produktionsgeschichte (history). Bis heute kann die Eindeutigkeit der identifizierten Parameter in der Praxis nicht konstruktiv nachgewiesen werden. Die Resultate eines History-Match können nur nach individueller Erfahrung und/oder durch vielmalige History-Match-Versuche mit verschiedenen Reservoirmodellen (verschiedenen Parametersätzen als Startposition) auf ihre Eindeutigkeit bewertet werden. Die vorliegende Studie hat die im Reservoir Engineering erstmals eingesetzte stochastische Theorie von Kullback & Leibler (K-L) und ihre Weiterentwicklung nach Akaike (AIC) als Basis für die Bewertung des Eindeutigkeitsproblems genutzt. Schließlich wurde das AIC-Prinzip als empirischer Strafterm aus geowissenschaftlichen und technischen Überlegungen formuliert. Der neu formulierte Strafterm (Penalized Objective Function, POF) wurde für das History Matching eines norddeutschen Erdgasfeldes erfolgreich getestet.

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

Führungsgetriebe die durch Servomotoren angetrieben werden, benötigen für definierte Stellungen des Abtriebsglieds eine programmierte Funktion (elektronische Kurvenscheibe). Diese leitet sich aus dem möglicherweise fehlerbehafteten kinematischen Modell des Getriebes ab (inverse Kinematik). Zur Verbesserung der Genauigkeit der Führungsbewegung wird ein Verfahren zur Justierung der Übertragungsfunktion auf Basis des Newton-Verfahrens unter Nutzung der Singulärwertzerlegung vorgestellt. Dabei werden die realen Getriebeabmessungen anhand einer Messung berechnet und werden anschließend korrigiert zur Anpassung der Übertragungsfunktion verwendet.