Combining Domain Knowledge and AI for Robust Parameterisation of Agricultural Intercrop-Models with Limited Data

Abstract

Prozessbasierte Modelle für Pflanzenwachstum leisten einen wertvollen Beitrag zur Evaluierung von Mischkulturen, setzen jedoch eine zuverlässige Parametrisierung voraus. Bei InterCrop ist dieser Prozess arbeitsintensiv und benötigt eine entsprechende Datengrundlage. Diese Arbeit entwickelt einen modularen Arbeitsablauf, der datenbasierte Methoden, agronomisches Fachwissen, Bayes'sche Optimierung und Sensitivitätsanalyse kombiniert und exemplarisch anhand einer Hartweizen-Ackerbohnen-Mischkultur untersucht.Zuerst wurden einzelne Feldmessungen mithilfe von Satellitenbildern und Random-Forest-Modellen zu lückenlosen Zeitreihen vervollständigt, wodurch der Mittelwert von 4,12 Beobachtungen je Variable und Parzelle auf etwa 76 Werte stieg. Durch Feldmessungen gestützte Vorhersagen erreichten nRMSE-Werte von 5,7-16,7% für Pflanzenhöhe, oberirdische Biomasse und Stickstoffaufnahme. Für den Leaf Area Index (LAI) betrug der Wert 31,1%. Vorhersagen ohne unterstützende Feldmessungen waren, insbesondere bei unterrepräsentierten Kulturen und dem LAI, weniger zuverlässig.Anschließend wurde eine Bayes'sche Optimierung mit biologischen Nebenbedingungen kombiniert. In den jeweils einmal durchgeführten Läufen erzielten die bedingte und die uneingeschränkte Konfiguration nach 200 Iterationen nahezu identische Endwerte; die geringen Unterschiede im Suchverlauf belegen keinen Konvergenzvorteil. Die Nebenbedingungen sicherten biologisch plausible Parameterbeziehungen.Abschließend zeigte eine Variogramm-Analyse über 81 Kombinationen aus Wetter, Boden, Aussaattermin und Stickstoffversorgung, dass die Parameterbedeutung vom Umweltkontext und der Perturbationsskala abhing. Die Tiefe der Wasseraufnahme durch Wurzeln gewann unter trockenen Bedingungen an Bedeutung, während sonst Pflanzenhöhe und Entwicklungsparameter dominierten. Sensitivitätswerte der Pflanzenhöhe machten zudem Wechselwirkungen zwischen den Kulturen sichtbar. Das Wissen darüber, welche Parameter unter welchen Bedingungen entscheidend sind, zeigt zugleich, wo sich der Messaufwand lohnt, beispielsweise bei der Wurzeltiefe an trockenen Standorten mit leichten Böden. Insgesamt verringert der entwickelte Arbeitsablauf dadurch den manuellen Aufwand der InterCrop-Parametrisierung, während die kontextspezifische Sensitivitätsanalyse die Modelltransparenz erhöht. Weiterreichende Schlussfolgerungen erfordern wiederholte Optimierung und unabhängige Validierung über mehrere Saisonen und Kulturkombinationen.

Process-based crop models can support the evaluation of intercropping systems, but their practical application depends on reliable parameterisation. For the InterCrop model, this process is currently labour-intensive and is further complicated by sparse field observations. This thesis develops a modular workflow that combines data-driven methods, agronomic domain knowledge, Bayesian optimisation, and sensitivity analysis to partially automate parameterisation and evaluates it in an exemplary durum wheat-faba bean intercropping setting.First, field observations were supplemented with Landsat-derived time series. Physical bounds, directional outlier detection, biologically constrained seasonal curve fitting, phenological information, and Random Forest models were combined to reconstruct crop trajectories, raising the initial average of 4.12 observations per variable and plot to roughly 76 values per season across 221 plots. Prediction anchored by surrounding field measurements achieved validation nRMSE values of 5.7-16.7% for plant height, above-ground biomass, and crop nitrogen uptake, while leaf area index (LAI) reached 31.1%. Fully predictive reconstruction without sufficient field anchors was less reliable, particularly for underrepresented crops and LAI.Second, Trust Region Bayesian Optimisation was combined with directly derived cultivar information and biological constraints. In the single runs conducted, the constrained and the unconstrained configuration attained nearly identical final errors after 200 iterations, and the small difference in their search behaviour does not establish a convergence advantage. The constraints additionally ensured biologically plausible parameter relations.Finally, a scenario-resolved Variogram Analysis of Response Surfaces was applied across 81 combinations of weather, soil, sowing date, and nitrogen supply. IVARS-10, IVARS-30, and IVARS-50 showed that parameter importance depended on environmental context and perturbation scale. Root water-extraction depth became more influential under dry conditions, while plant height and development parameters dominated other settings. Cross-component height sensitivities further exposed intercropping interactions represented within the model. Identifying which parameters matter under which conditions also shows where measurement effort pays off. Overall, the workflow lowers the manual effort required to parameterise InterCrop and increases model transparency. Broader conclusions require repeated optimisation, independent validation, additional weather years, and further crop combinations.