Spatially distributed crop modelling in the Mekong river basin with AquaCrop

Abstract

Agriculture is the largest sectoral user of freshwater globally. The population growth increases the need and usage of freshwater while simultaneously climate change is affecting and limiting the freshwater supply. Hence, optimizing freshwater usage in agriculture could act as a cornerstone for securing sufficient water availability globally.

Agricultural ecosystems are often complex and difficult to replicate. Crop models predict these complex ecosystems based on mathematical equations representing how a crop grows in interaction with its environment. Crop models simulate crop development, yield, and growth in different environments typically based on climatological conditions, soil characteristics, and field management practices. Crop modelling offers insights into how crops behave in different environmental and climatological conditions, which can be used as a supportive tool in decision-making for sustainable development.

FAO’s AquaCrop is a crop growth model which was designed to address global food security. AquaCrop simulates yield response to water for given climate and soil conditions, balancing robustness, simplicity, and accuracy. AquaCrop is designed for single-field, point-based simulations. AquaCrop-OSPy is an open-source Python implementation of FAO’s AquaCrop model which can be easily integrated with other Python modules and libraries.

We present an extension of AquaCrop-OSPy for spatially continuous large areas, transforming the usage of the model from single fields into larger regions, such as countries and basins. In this thesis, we implement and validate the AquaCrop model in the Mekong River Basin in Southeast Asia. The model is validated for different administrative units by comparing reference yield to modelled yield, showing promising results.

All the data we use is open-source with global coverage, which enables replicating the modelling to other basins globally with minor alterations to our Python scripts which will be published into an open-source repository (e.g., GitHub).

Maataloussektori on suurin makeanveden käyttäjä maailmanlaajuisesti. Väestönkasvu lisää makeanveden tarvetta ja kulutusta. Samanaikaisesti ilmastonmuutos muokkaa makeanveden kiertoa, rajoittaen veden riittävyyttä tietyillä alueilla. Tämän seurauksena makeanveden käytön optimoiminen maataloudessa on tärkeää, ja optimoiminen voi toimia tukipilarina takaamaan veden riittävyys globaalisti.

Maatalouden ekosysteemien replikoiminen on usein vaikeaa niiden monimutkaisuuden vuoksi. Satokasvien mallinnusohjelmat ennustavat näitä kompleksisia ekosysteemejä matemaattisten yhtälöiden avulla, jotka kuvastavat, miten kasvit kehittyvät ja kasvavat niiden ympäristössä. Kasvienmallinnusohjelmat simuloivat kasvin kehittymistä, kasvua ja satoa erilaisissa kasvuympäristöissä. Mallintaminen perustuu ilmastollisiin olosuhteisiin, maaperän erityispiirteisiin ja peltojen hallinnointitekniikoihin. Kasvimallinnusohjelmat voivat toimia esimerkiksi apuvälineinä päätöksenteossa.

FAO:n kehittämä satokasvien mallinnusohjelma AquaCrop simuloi sadon kasvua erityisesti veden riittävyyden suhteen, mikä lasketaan lähtötiedoiksi annetuista ilmastoparametreistä ja maaperän ominaisuuksista. AquaCrop on samanaikaisesti tarkka ja vakaa, mutta myös yksinkertainen käyttää. Malli on kehitetty soveltuvaksi yksittäisille pelloille, ns. pistemäisenä simulaationa. AquaCrop-OSPy on Python implementaatio FAO:n kehittämästä AquaCropista, joka voidaan helposti yhdistää muihin Pythonin moduuleihin ja kirjastoihin.

Me esittelemme lisäosan AquaCropin Python-implementaatioon, jossa laajennamme mallin yksittäisistä pelloista laajoille, spatiaalisesti jatkuville alueille. Tässä diplomityössä ajamme ja validoimme AquaCrop-mallin Mekongin suistolle Kaakkois-Asiaan. Mallin validointi tapahtuu vertailemalla referenssisatoa mallinnettuun satoon erisuuruisilla hallintoalueilla.

Kaikki käyttämämme data on avointa, globaalisti saatavilla olevaa dataa, mikä mahdollistaa analyysin replikoimisen muille suistoille globaalisti muokkaamalla hieman Python-koodiamme.