Bundesanstalt für Landwirtschaft und Ernährung

Projekte in den Förderprogrammen des BMEL, betreut durch den Projektträger BLE (PT BLE)

Ergebnis der Suche

Zurück zum Suchergebnis

Titel: Verbundprojekt: Innovative Modellierungsansätze in der Rapsproduktion für eine gesteigerte Stickstoffnutzungseffizienz und Minderung von Lachgasemissionen (ModelLowN) - Teilprojekt 4
Titel (englisch): Collaborative project: Innovative model approaches for improved nitrogen use efficiency and lowered GHG-emission in oilseed rape production systems (ModelLowN) - subproject 4
Beschreibung (dt.): Das Ziel des Vorhabens besteht in der Verbesserung der Ökobilanz zukünftiger Winterrapssorten als Beitrag zur Erfüllung des Klimaschutzplanes (KSP). Die dazu verfolgte Forschungsstrategie fokussiert zwei wesentliche Ziele: i) eine Reduktion klimarelevanter Emissionen und ii) eine Anpassung an veränderte Produktionsbedingungen. Das Konzept sieht vor, dass durch die Kopplung von Phänotypisierungs-, Genotypisierungs-, und Umweltdaten eine schrittweise und hypothesen-getriebene Modellierung des Ertrags von Rapspopulationen und davon abgeleiteter Experimentalhybride erzielt werden kann. Der experimentelle Schwerpunkt wird auf der Modellierung molekularer Mechanismen der Hybridleistung unter Low-N, der Interaktion mit der Umwelt und auf der konventionell- und sensorgestützten Phänotypisierung von relevanten Pflanzenmerkmalen (Agronomie und Ertrag) sowie der Erhebung von Umweltdaten (Boden und Klima) liegen.
Beschreibung (engl.): The aim of the project is to improve the life cycle assessment of future winter rapeseed varieties as a contribution to the fulfillment of the COP 21 agreement. The research strategy pursued focuses on two main goals: i) to reduce of GHG emissions in oilseed rape production systems (OSRPS) and ii) to adapt OSRPS to changed production conditions with respect to climate change and reduced N availability. The concept envisages that by coupling phenotyping, genotyping, and environmental data, a step-by-step and hypothesis-driven model based yield prediction of rapeseed populations and experimental hybrids can be achieved. The experimental focus will be on modeling molecular mechanisms of low-N hybrid performance, environmental interactions, and on conventional and sensor-assisted phenotyping of yield relevant crop traits and environmental data (soil and climate). It is planned to use genotypes with pronounced N-efficiency traits to create a micro-nested association mapping population (microNAM). These populations will be cultivated on 5 locations which are representative for German growth conditions. By repetitive drone flights and spectral reflectance measurements, the growth of the population is monitored during the full vegetation period. The obtained time series data in combination with a geo-referenced and development-stage-specific environmental monitoring should enable the exact mapping of the genotype properties in the growth model. Furthermore, ModelLowN aims to integrate physiological growth models together with genome-wide molecular markers of microNAM on the basis of 'machine-learning' methods in iterative modeling approaches to study the interaction of genotype-phenotype-environment interactions under N-limited conditions.
Ergebnis (dt.): Das Ziel von ModelLowN bestand in der Verbesserung der N- und THG-Bilanz zukünftiger Winterrapssorten als Beitrag zur Erfüllung des Klimaschutzplans. Für die Untersuchung der N-Effizienz wurden Testhybriden, die durch Kreuzung einer microNAM-Population mit zwei Testern hervorgingen, verwendet. Es wurden konventionelle und sensorgestützte Phänotypisierungs- und Umweltdaten in 2-jährigen und mehrortigen Feldversuchen unter „low N“ erhoben und mit Genotypisierungsdaten gekoppelt, um eine schrittweise, hypothesengetriebene Modellierung des Ertrags von Populationen und abgeleiteter Testhybride zu erzielen. Genotypisch parametrisierte Prozessmodelle dienten zur Generierung von Merkmals-Hypothesen. Grundlagen für eine multispektrale, drohnengestützte Feldphänotypisierung im Raps wurden erarbeitet. Die entwickelten Genotypen und Vorhersagemodelle sollen zukünftig in die Praxis implementiert werden, um die Züchtung ertragreicher Sorten mit einer besseren N- und THG-Bilanz zu beschleunigen.
Ergebnis (engl.): The objective of ModelLowN was to improve the N- and GHG-balance of future winter oilseed rape varieties as a contribution to meeting the goals of the Climate Change Plan. Test hybrids resulting from crossing a microNAM population with two testers were used to study N-efficiency. Conventional and sensor-based phenotyping and environmental data were collected in 2-year and multi-site field trials under "low N" and coupled with genotyping data to achieve stepwise, hypothesis-driven modeling of yield of populations and derived test hybrids. Genotypically parameterized process models were used to generate trait hypotheses. Basic principles for multispectral, drone-based field phenotyping in rapeseeed were developed. The developed genotypes and prediction models will be implemented in practice in the future to accelerate the breeding of high-yielding varieties with a better N- and GHG-balance.
Laufzeit: Beginn: 15.08.2018 / Ende: 31.12.2022
Ausf. Einrichtung: Justus-Liebig-Universität Gießen - FB 09 - Agrarwissenschaften, Ökotrophologie und Umweltmanagement - Institut für Pflanzenbau und Pflanzenzüchtung I - Pflanzenzüchtung, Gießen
Themenfelder: Pflanzenzüchtung, plant breeding
Förderprogramme: Programm zur Innovationsförderung des Bundesministeriums für Ernährung und Landwirtschaft
Schlagworte: Kulturverfahren, cultivation, Klimaschutz, climate protection, Ackerbau, crop production, Digitalisierung, Digitale Welt, digital world, Raps, rape seed, Öl- und Faserpflanzen, oil and fibre plants, Düngung, fertilization, Klimaanpassung, climate change adaptation
Förderkennzeichen: 281B200416
Dokument zum Download: Kein Dokument vorhanden!

Kontakt:

Benutzen Sie unser Kontaktformular
oder E-Mail an
innovation@ble.de

Such-Tipps:

Stichwortsuche:

Mehrere Begriffe werden automatisch verknüpft. Auch Wortbestandteile werden in folgenden Datenfeldern gesucht:

Projekttiteln und Beschreibungen (in deutsch, englisch, französich), Förderkennzeichen, Schlagworten und Zielländern.

Die folgenden Beispiele veranschaulichen einige Such-Strings, die boolesche Volltextoperatoren verwenden:

Weizen Stroh

Findet Datensätze, die mindestens eines der beiden Wörter enthalten.

+Weizen +Züchtung

Findet Datensätze, die beide Wörter enthalten.

Weizen +Sorte

Findet Datensätze, die das Wort "Weizen" enthalten, stuft aber solche Datensätze höher ein, die auch "Sorte" enthalten.

+Weizen -Gerste

Findet Datensätze, die das Wort "Weizen", aber nicht das Wort "Gerste" enthalten.

Weizen*

Findet Datensätze, die Wörter wie "Weizen", "Weizenmehl", "Weizenbier" oder "Weizenanbau" enthalten.

"Kleegras und Grünland"

Findet Datensätze, die die exakte Phrase "Kleegras und Grünland" enthalten. Dies wäre etwa "Stickstoffkreisläufe in Kleegras und Grünland", nicht aber "Stickstoffkreisläufe in Kleegras oder Grünland".

Beachten Sie, dass die (")-Anführungszeichen, die die Phrase umschließen, Operatorzeichen sind, die der Trennung der Phrase dienen. Es handelt sich hierbei nicht um Anführungszeichen, die den Such-String selbst umfassen.

Erweiterte Suche

Hier gibt es die Möglichkeit, nach Stichworten, Themenfeldern, Projektstatus, Förderprogrammen, Laufzeiten und Einrichtungen zu suchen:

Erweiterte Suche.