Home Page Climagri
Links
Mappa del sito E-mail
Home Page Ucea
Risultati 1° Anno
 
 

Risultati 1° Anno

Climagri - Cambiamenti Climatici e Agricoltura

sottoprogetto 2: Agricoltura Italiana e Cambiamenti Climatici

lINEA DI RICERCA 2.8: "Analisi e catalogazione degli esperimenti agronomici di lungo termine: produttivitą e ciclo del carbonio."

Responsabile della ricerca: prof. Giuseppe Zerbi.

Ente: Dip. di Produzione Vegetale e Tecnologie Agrarie

        Universitą degli Studi di Udine

1. Obiettivi iniziali

L’attività svolta durante il primo anno dalla presente unità di ricerca rispecchia nella sostanza i programmi di attività presentati nella fase preliminare. La ricerca è partita dall’ipotesi che attraverso nuove e integranti analisi dei dati delle serie agronomiche di lungo termine, eseguita mediante nuove metodologie, sia possibile giungere a definire relazioni tra variabili degli agroecosistemi agricoli e cambiamenti climatici. Le ricerca di tali variabili, eseguita attraverso più metodi, si riferisce a scale temporali differenti in modo da permettere una integrazione temporale delle varie conoscenze acquisite:
- piccola scala temporale (ore, giorni): utili allo studio dei meccanismi fisiologici e agronomici da integrare nei modelli a scala temporale intermedia e lunga.
- media scala temporale (giorni mesi): lo studio delle conoscenze già acquisite e formalizzate all’ inteno dei modelli di simulazione sia a livello coltura sia a livello ecosistema.
- Lunga scala temporale (mesi, anni): verranno eguite sperimentazioni innovative su variabili quali la sostanza organica del terreno che hanno una variabilità temporale dello stesso ordine di grandezza dei cambiamenti climatici previsti (decenni, secoli).
I risultati di tali lavori sono volti alla produzione di un archivio di dati riguardanti le prove agronomiche di lungo termine e alla definizione di metodologie per il supporto alle decisioni politico tecniche riguardanti i possibili interventi di mitigazione. La forte interazione con la componente modellistica ed archivistica del progetto e con i progetti di analoghe tematiche presenti internazionalmente, evidenzia il ruolo importante della presente ricerca sia a livello nazionale che internazionale ( a questo proposito è in fase di preparazione una proposta per estendere la metodologia a livello di Paesi dell’area Mediterranea nell’ambito di una collaborazione tra FAO e MIPAF-UCEA). La divulgazione di questo lavoro avverrà, oltre che attraverso i metodi più tradizionali, anche utilizzando le reti telematiche distribuite e i pacchetti informatici che ricorrono a basi di conoscenza multicriteriali. I risultati saranno perciò utilizzabili da ricercatori e tecnici del settore, ma facilmente comprensibili, anche da una più larga base di utenza.

L’attività eseguita durante il primo anno ha riguardato:

· La raccolta dei dati riguardanti le prove di lungo temine condotte in Italia con la ricerca di partecipanti al database inziale e loro informatizzazione.
· Creazione del meta-database a struttura flessibile (standardizzazione dei formati per la modellistica o sistemi informativi territoriali)
· Valutazione della qualità dei dati produttivi ed agro-ecologici in base ai dati meteorologici di lungo termine (confronto tra località, ponderazione dati meteorologici, serie storiche, operazioni colturali, ecc..)
· Individuazione di alcuni siti su cui eseguire analisi approfondite riguardanti il ciclo del carbonio.
· Indagine sui modelli disponibili relativi alla simulazione dei sistemi colturali e alla di simulazione della dinamica del C del suolo e scelta dei modelli più adatti in relazione ai dati di input e alla loro possibilità di calibrazione e adattamento alla esperienze Italiane (rotazioni, variabili agronomiche).


2. Raccolta dei dati

Sono disponibili al momento i dati delle prove di lungo temine relativi ad una metà circa di quelli presenti in Italia, mentre sono in corso di organizzazione e riversamento quelli restanti (vedi tabella).

Località

Provincia

Anno Inizio Prove

Disponibilita' Attuale

Legnaro

PD

1962

Si

Legnaro

PD

1963

Si

Granarolo

BO

1966

No

Cadriano

BO

1966

No

Policoro

MT

1972

No

Foggia

FG

1977

Si

Molinella

BO

1977

No

Foggia

FG

1977

Si

San Pietro

PI

1981

Si

Palermo

PA

1981

Si

3. Strutturazione del database relazionale Climagri LT

Il processo di strutturazione del database relazionale si è sviluppato attraverso quattro fasi ed è stato di tipo ricorsivo, cioè al termine della quarta ed ultima fase le informazioni raccolte durante il processo venivano raccolte e organizzate al fine di fornire un nuovo status quo da cui ripartire con la prima fase ( Fig. 1).


In maggiore dettaglio:
1) La stesura dei requisiti consiste nell’individuazione dei problemi che il database dovrà risolvere e delle esigenze che dovrà soddisfare. Se alcuni dei requisiti finali del database sono stati individuati fin dalla prima stesura, altri sono stati il frutto della ripetizione del processo di strutturazione e derivano direttamente dalle informazioni fornite dai passi successivi. I requisiti che hanno costituito la base per la strutturazione definitiva descrivono un database con le seguenti caratteristiche:
L’elemento centrale attorno a cui ruotano le informazioni contenute nel database è la parcella; devono essere descritti tutti gli eventi meteorologici (precipitazioni, temperature, ecc), agronomici (lavorazioni, fertilizzazioni, ecc.) e sperimentali (campionamenti) che costituiscono la storia della parcella.
Altre caratteristiche importanti:

* I dati contenuti nel database devono essere adatti ad una loro utilizzazione in campo modellistico
* Il database deve essere facilmente adattabile a future esigenze ed espandibile ad input diversi per tipologia e contenuti rispetto agli odierni.
* L’accesso alla base di dati deve essere agevole
* I formati di output ed il database stesso devono essere facilmente convertibili
* Il popolamento della base di dati deve essere facile e veloce

2) La costruzione della struttura concettuale consiste nella individuazione delle diverse entità (gruppi di dati) presenti all’interno dei dati che descrivono l’esperimento di lungo termine e nella descrizione delle relazioni che esistono tra le diverse entità. Fondamentale per la costruzione dello schema concettuale di Climagri.LT è stata l’individuazione della centralità della parcella all’interno della grossa mole di dati che una prova di lungo termine produce. Conseguenza diretta è stata la suddivisione in diverse entità delle informazioni relative a lavorazioni, irrigazioni, fertilizzazioni, semina e raccolto. Tale suddivisione sottolinea l’assenza di correlazione tra questi eventi e individua in modo preciso il loro diretto collegamento alla parcella. La parcella inoltre risulta collegata alle condizioni meteo attraverso il gruppo di dati che individua e descrive le stazioni dove hanno sede gli esperimenti. Una ulteriore informazione, direttamente collegata alle parcelle, è quella relativa ai metadati che descrivono le condizioni sperimentali (disposizione delle parcelle), le modalità di misurazione dei dati, il responsabile dell’esperimento e l’istituto di riferimento.

3) A questa prima fase di traduzione della realtà percepita nei concetti che la descrivono, è seguita la costruzione della struttura logica, che prevede la traduzione dei concetti appena esposti in uno schema che aiuti direttamente la realizzazione del database all’interno del Database Management System (DBMS), cioè della applicazione scelta per la gestione della base di dati.

4) La fase successiva, la normalizzazione, è il processo attraverso il quale è possibile verificare la correttezza di una struttura di database relazionale e consente di individuare eventuali ridondanze, eventuali dati non atomici e l’unicità dei punti di aggiornamento e cancellazione dei dati.
La struttura finale del database è descritta in Fig. 2


In Fig.2 è possibile notare le diverse entità individuate all’interno dei dati (ad ogni box corrisponde una entità) e le relazioni che intercorrono tra una entità e l’altra. Ogni entità, che d’ora in avanti potrà essere chiamata tabella, è descritta dai suoi attributi. Gli attributi sono individuabili come le colonne che compongono una tabella. Un esempio degli attributi di alcune tabelle sono riportati in Fig.3.
La base di dati così ottenuta risulta facilmente espandibile ed adattabile a nuove necessità. L’eventuale futura presenza di nuovi tipi di dati non andrà ad intaccare la struttura di base infatti, se i nuovi dati faranno parte di una entità (e quindi tabella) già presente essi vi saranno integrati mentre, nel caso di dati che costituiscono una nuova entità autonoma, essi troveranno spazio all’interno del database in una nuova tabella e messi in relazione con la parcella di riferimento.
La struttura del database costituisce essa stessa una informazione infatti risulta essere una descrizione della realtà costituita dagli esperimenti di lungo termine. Con una struttura di questo tipo il popolamento della base di dati risulta facilitato in quanto l’operatore deve solamente scorrere tabella dopo tabella e attributo dopo attributo l’intero database e popolarlo con i dati derivati dalle prove di lungo termine, evitando quasi completamente di comprendere e gestire i diversi formati con

cui questi dati si presentano in funzione della diversa gestione a cui sono stati sottoposti nelle diverse stazioni. In questo modo la standardizzazione dei formati diventa una conseguenza diretta del popolamento, sta a dire che se i dati di una stazione hanno trovato la loro collocazione nel database ebbene essi avranno ora un formato standard comune ai dati provenienti da altre stazioni.
La gestione del database avviene attraverso il DBMS Access. Tale scelta è stata dettata dalla necessità di poter facilmente distribuire il database, senza richiedere, nella maggior parte dei casi, l’installazione di nuovo software. Va ricordato comunque che la base di dati è permanente, cioè indipendente dal DBMS. Ciò significa che il database, una volta popolato, costituisce una fonte di informazione autonoma, slegata dall’unità logica che la gestisce e con un valore aggiunto proprio.
La politica di gestione dei dati proposta per ClimagriLT è riassunta in Fig. 4



L’amministratore della base di dati, oltre ad avere funzione di controllo sui dati in input, è responsabile della affidabilità del sistema e della gestione delle autorizzazioni di accesso ai dati. L’amministratore sebbene verifichi la qualità del dato, non ne è il responsabile. Deve invece indicare con precisione la fonte del dato e se il dato è stato misurato, derivato, calcolato o stimato. Per ClimagriLT si prevedono due tipologie di utenti.
La prima è costituita da utenti che forniscono dati sulle prove di lungo termine e/o che partecipano attivamente alla realizzazione del database. Tali utenti interagiscono con l’amministratore nella fase di popolamento della base di dati ed hanno pieno accesso alle maschere per l’interrogazione del database e l’estrazione dei dati predisposte dall’amministratore. Possono richiedere, in casi che esulano dalle operazioni di routine già predisposte nelle maschere di interrogazione, l’intervento dell’amministratore, al fine di risolvere eventuali difficoltà nella estrazione dei dati.
La seconda tipologia è costituita da utenti che hanno accesso alle sole maschere di interrogazione. Tale accesso consente la sola consultazione dei metadati e solo in un secondo momento, a discrezione dell’amministratore, viene autorizzata la lettura dei dati desiderati.
Tale proposta di gestione del database risulta tutt’ora in via di definizione e costituisce la base di discussione su cui costruire, all’interno del progetto Climagri e con il coinvolgimento degli istituti che forniranno i dati, la futura e definitiva politica di amministrazione di ClimagriLT.

4. Valutazione e controllo di qualità dei dati

I dati inseriti nel database e nel metadatabase dal gestore sono stati verificati mediante procedure automatiche di screening basata sulla compilazione di una serie di test di conformità. A ciascun dato e’ stato assegnato un punteggio di qualità (data quality) in base alle caratteristiche di raccolta (1 dato valido , 0.66 valido raccolto con metodologia non standard, 0.33 dato ricostruito, 0 dato mancante). La somma dei punteggi di qualità delle variabili che costituiscono di ciascun record del database (meteorologico o produttivo) forniscono un parametro di qualità del record (record quality). Oltre alle modalità di raccolta sono stati eseguiti dei test sulle caratteristiche fisiche dei dati stessi.
I test si differenziano e si strutturano sotto forma di procedure differenziate per le variabili del metadatabase e quelle del database stesso. Più precisamente i test di qualità eseguti sulle categorie del metadatabase rigurdano
1. completezza del disegno sperimentale
2. completezza delle serie temporali
3. frequenza e numerosità dei campionamenti
4. uniformità delle metodologie di rilievo
5. uniformità delle metodologie dei trattamenti sperimentali.
I test sulle variabili fisiche (produttività e meteo) hanno invece riguardato:
1. coefficiente di variabilità ed errore standard
2. dati aberranti
3. test di dettaglio sulle variabili meteorologiche (radiazione globale diretta e diffusa, temperatura e umidità aria, velocità del vento, evapotraspirazione ove misurata direttamente)

I test sono stati eseguiti con un sistema di gestione di qualità dei dati DQMS3 – Augustyn + Company (CA, USA). Le procedure di controllo (data drivers) sono state opportunamente calibrate al fine di fornire una mappa sintetica (Fig.5) riguardante le categorie dei test sopra elencate per tutto il periodo della prova.
Generalmente la qualità dei dati delle diverse prove agronomiche e’ risultata variabile.
Tutte le prove agronomiche hanno tuttavia superato gli standard qualitativi per quanto riguarda la potenza del test sui trattamenti considerati. I coefficienti di variabilità dei dati produttivi risultano nella maggior parte dei casi inferiori al 15%.
I test riguardanti i metadati eseguiti su due prove agronomiche hanno permesso di verificare le procedure e di automatizzare i processi di controllo anche per gli archivi di dati che verranno aggiunti in futuro.

Fig. 5 Mappa sintetica sulla qualità dei dati delle prove agronomiche di lungo termine. La qualità dei dati e’ espressa sotto forma di barre colorate per le varie categorie di test e per tutta la durata della prova agronomica.

5. Analisi fisico chimiche su campioni storici

Sono iniziate le analisi dei contenuti di carbonio ed azoto sui campioni vegetali e di terreno conservati in alcune prove agronomiche di lungo termine. Tali dati serviranno a completare i dati già esistenti riguardanti la dinamica della sostanza organica nel terreno e la validazione dei modelli colturali per quanto riguarda l’ input di carbonio sotto forma di residui colturali.

6. Analisi e scelta dei modelli matematici disponibili

In relazione agli obiettivi generali del progetto CLIMAGRI e a quelli particolari della tematica 2.8, notevole rilevanza deve essere attribuita alla scelta di adeguati strumenti modellistici di simulazione e previsione.
L’uso di modelli di crescita delle colture che siano in grado di gestire le diverse opzioni colturali per scenari climatici differenziati su scala nazionale, possono in questo contesto contribuire a definire una stima dei futuri livelli produttivi per le principali colture e dell’efficacia delle modificate tecniche agronomiche.
Tali stime permetteranno in un secondo tempo anche di definire le modifiche degli areali di coltivazione delle specie e potenziali nuovi ordinamenti colturali.
I modelli di simulazione da utilizzare per condurre questi tipi di analisi, devono soddisfare alcuni criteri minimi:
§ Avere una sufficiente robustezza nel simulare i processi di crescita e sviluppo.
§ Che siano considerati anche gli effetti di un aumento della CO2 atmosferica
§ Che abbia una buona capacità di simulare tutte le tecniche agronomiche
§ Che il formato dei ‘files’ di input ed output permetta una gestione integrata con il data base.

Tra i modelli di simulazione dei sistemi colturali presenti sono stati valutati i seguenti: Epic, Cropsyst, Css e DSSAT.
La tabella seguente riporta una sintesi degli aspetti considerati nella valutazione dei modelli:

MODELLO

AFFIDABILITA'

GESTIONE EVENTI

GESTIONE CODICE

INTERFACCIA

EFFICIENZA RISPOSTA CAMBIAMENTI CLIMATICI

EPIC

++

+

++

+

++

CROPSYST

+++

+++

+

+++

+++

CSS

+++

+++

+++

++

+++

DSSAT

++

++

++

++

++

Tenendo conto dei criteri di selezione la scelta si è indirizzata su CropSyst e CSS. Cropsyst è forse il più noto dei modelli di simulazione di sistemi colturali mentre CSS è un modello messo a punto nel Dipartimento di Produzione Vegetale dell’Università di Udine (F. Danuso) che presenta una notevole flessibilità grazie alla sua struttura aperta, esplorabile e modificabile.
Ambedue i modelli sono capaci di simulare con una buona accuratezza gli effetti sulla crescita determinati da crescenti concentrazioni della CO2 atmosferica ma richiedono specifiche calibrazioni e validazioni sulla base di dati agronomici e ambientali.
Per quanto riguarda la dinamica della sostanza organica del suolo e gli effetti dei cambiamenti climatici su questo importante fattore di sostenibilità si deve prevedere l’uso di modelli di simulazione specifici. Analogamente ai modelli precedenti sono stati presi in considerazione due modelli: Century e RothC le cui caratteristiche sono riassunte nella tabella seguente.

MODELLO

AFFIDABILITA'

GESTIONE EVENTI

GESTIONE CODICE

INTERFACCIA

EFFICIENZA RISPOSTA CAMBIAMENTI CLIMATICI

CENTURY

+++

+

+

+

+

ROTHC

++

+

+++

+++

+

L’analisi dei due modelli ha evidenziato che la complessità di Century ne limita l'utilizzo con i dati a disposizione del progetto; la scelta si è orientata verso RothC che richiede un numero inferiore di parametri di input. Nel primo anno di attività è emersa comunque la difficoltà di validare i dati osservati di C organico del suolo (SOC) in particolari situazioni climatiche ed agronomiche. Le cause di questo limite sono state le seguenti: RothC non considera l'effetto delle non lavorazioni del suolo, assume che almeno una volta all'anno si raggiunga la saturazione idrica del suolo e non vengano considerati gli apporti idrici dalla falda. Date queste limitazioni intrinseche e data la difficoltà nell’uso della shell predisposta dagli autori di RothC (Jenkinson e Coleman), si e’ provveduto ad una sua implementazione utilizzando il linguaggio di simulazione SEMoLa (F. Danuso - Università di Udine).
E’ stata effettuata poi una calibrazione del modello RothC modificato mediante lo studio della sensitività relativa della variabile SOC ai parametri del modello. La loro sensibilità varia in funzione delle condizioni al contorno: ad esempio negli ambienti meridionali siccitosi, critiche risultano il fattore di minima mineralizzazione controllato dall’umidità del suolo (mindrM minimum value of decomposition rate of soil Moisture factor); in ambienti con suoli aventi argille smectitiche critica può essere la quota percentuale di SOC da considerare inerte (IOM Inert Organic Matter) per quanto riguarda i processi di decomposizione microbica. Lo studio della sensitività ha permesso di procedere nella calibrazione del modello per le condizioni iniziali, assunte all’equilibrio, del valore SOC. Questa fase ha permesso di verificare come al variare di delle condizioni pedoclimatiche, si determini il Cinput necessario a mantenere indefinitivamente quel livello di SOC. E’ stato così possibile ottenere per 3 ambienti italiani, distribuiti da Nord a Sud, valori decrescenti del Cinput e valori crescenti del Tempo Medio di Residenza (TMR) della SOC decomponibile.
Questa fase di calibrazione preliminare ha poi portato alla successiva implementazione dei moduli che simulano la ripartizione del Cinput in funzione delle lavorazioni del terreno e la definizione dinamica del periodo di crescita delle colture, per tenere conto del contributo della respirazione radicale e dell’incidenza delle colture sui processi di decomposizione della SOC.
Il prodotto finale e’ risultato un modello dinamico della SOC calibrato per tre ambienti e per 10 situazioni colturali. Queste hanno preso in considerazione l’irrigazione, le tecniche di gestione del suolo, le concimazioni organiche e la gestione dei residui.
In sisntesi si riportano alcuni risultati dell’attività modellistica del primo anno relativa al bilancio del C:
§ l’irrigazione favorisce la decomposizione della SOC anche quando riesce ad incrementare il Cinput;
§ l’interramento dei residui colturali sembra essere più efficace dell’apporto di letame nel contenere la riduzione della SOC;
§ le tecniche di non lavorazione del suolo si confermano le più efficaci per incrementare il contenuto di SOC nel suolo.
§ le tecniche agronomiche analizzate si differenziano per la durata della fase lineare, che risulta essere inferiore per la gestione dei residui (20-50 anni) e molto superiore (50-100 anni) per le pratiche di gestione del suolo e per l’rrigazione.
§ il modello sembra essere adeguato a rappresentare le principali situazioni agronomiche; deve essere migliorato, nel senso meccanicistico, per rappresentare l’effetto delle lavorazioni, o per le interazioni tra ciclo del C e dell’N.

Torna all'inizio