Verwendung von Erntesimulationsmodellen zur Unterstützung des Ideotyp-Designs zukünftiger Getreidesorten

Eine große Herausforderung des 21. Jahrhunderts besteht darin, die Lebensmittelsicherheit unter einem sich verändernden Klima und einer Vervielfachung der Nahrungsmittelnachfrage bis 2050 im Vergleich zu heute zu gewährleisten, wobei der Großteil durch die Getreidearten Weizen, Reis, Mais und Gerste gedeckt werden muss. Zukünftige Ernten werden voraussichtlich besonders durch die zunehmende Häufigkeit und Schwere von extremen Ereignissen wie Hitzewellen und Dürre bedroht, die besondere Herausforderungen für Pflanzenzüchter und Agrarwissenschaftler darstellen. Prozessbasierte Pflanzenmodelle, die zur Simulation der Wechselwirkungen zwischen Genotyp, Umwelt und Management entwickelt wurden, werden weit verbreitet eingesetzt, um die Auswirkungen des Umweltwandels auf das Ertragspotenzial, die Phänologie, den Wasserverbrauch usw. zu bewerten. In den letzten Jahrzehnten hat die Erntesimulation an Bedeutung gewonnen, um die Pflanzenzüchtung zu unterstützen, insbesondere bei der Gestaltung von Ideotypen, d.h. 'Modellpflanzen', für verschiedene Kulturpflanzen und Anbaubedingungen. In dieser Übersicht (i) untersuchen wir die Hauptbeschränkungen der Erntesimulationsmodellierung zur Unterstützung der Ideotyp-Züchtung, (ii) beschreiben wir Entwicklungen in den Sorteneigenschaften als Reaktion auf Klimavariationen, und (iii) präsentieren wir Beispiele dafür, wie die Erntesimulation die Bewertung und das Design von Getreidesorten für zukünftige Bedingungen unterstützt hat. Eine frühe Erfolgsgeschichte für Reis demonstriert das Potenzial der Erntesimulationsmodellierung für die Ideotyp-Züchtung. Die Kombination aus konventioneller Erntesimulation mit neuen Züchtungsmethoden und genetischer Modellierung verspricht, die Bereitstellung zukünftiger Getreidesorten für verschiedene Umgebungen zu beschleunigen. Die Robustheit des modellgestützten Ideotyp-Designs kann zudem durch fortlaufende Verbesserungen der Simulationsmodelle gesteigert werden, um die Auswirkungen von Extremen besser zu erfassen und den Einsatz von Multi-Modell-Ensembles zu nutzen.