Atti Progetto AQUATER, Bari, 31 ottobre 2007, 163-173

LA PROGETTAZIONE DI UN SOFTWARE PER LA GESTIONE DEI SISTEMI IRRIGUI

Marco Acutis1, Patrizia Trevisiol

1, Alessia Perego

1, Michele Rinaldi

2

1 Dipartimento di Produzione Vegetale. Università degli Studi di Milano

2 CRA - Unità di Ricerca per i Sistemi Colturali degli Ambienti caldo-aridi. Bari

Introduzione

La necessità della corretta gestione dell’acqua irrigua è ormai una esigenza assolutamente

impellente, visto il progressivo ridursi della disponibilità della risorsa stessa, in particolare

in ambienti mediterranei e in quelli già caratterizzati da scarsa disponibilità idrica

(Tuberosa et al., 2007). In particolare concorrono al problema l’ormai apprezzabile

riduzione delle precipitazioni naturali (Piccarreta et al., 2006), e l’incremento dell’uso

dell’acqua per necessità industriali e civili in aree in via di rapido sviluppo. Si aggiunga

ancora che il problema è probabilmente destinato ad aggravarsi in futuro, stante la

previsione di ulteriore riduzione delle precipitazioni stimato dai principali studi

sull’evoluzione del clima (Alcamo et al., 2007).

La necessità di produzione di alimenti, la ricerca di alta qualità delle produzioni

agricole e della loro sostenibilità economica impone in ambiente mediterraneo, sempre più

frequentemente il ricorso alla pratica irrigua. Infatti solo la coltivazione del frumento duro

o altri cereali autunno-vernini può essere effettuata senza il ricorso all’irrigazione, (e si fa

notare che in diversi ambienti nord-africani il frumento è frequentemente irrigato - Oweis

et al., 1998) mentre per praticamente tutte le altre colture, arboree ed erbacee, l’irrigazione

è indispensabile per conseguire rese economiche sufficienti.

Un ulteriore problema per l’agricoltura deriva dall’incremento del costo dell’acqua

stessa, in crescita per via della competizione con altri settori. Questa serie di esigenze

impone che la gestione irrigua sia la più razionale possibile, evitando ogni forma di spreco

della risorsa idrica. Una delle componenti più rilevanti del risparmio idrico è

l’identificazione dei tempi e delle altezze di intervento, in modo da evitare deficit

produttivi delle colture dovuti a carenza idrica, e, nel contempo, evitare sprechi di acqua

per percolazione profonda. Ulteriori problemi connessi ad uno scorretto uso dell’acqua

irrigua derivano nei suoli argillosi dalla formazione di zone a elevato contenuto idrico e

quindi in condizioni anaerobiche, che, sebbene temporanee, possono esporre a

denitrificazione con emissione di N2O e NOx (Grundmann and Rolston 1987, Bateman e

Baggs, 2005). Mentre a scala di singolo appezzamento è possibile ottenere una

ottimizzazione dell’uso della risorsa idrica attraverso la stesura di bilanci idrici, anche

informatizzati (Raes et al., 2006), o anche attraverso la misura diretta dell’umidità del

suolo o del potenziale idrico, a scala comprensoriale la tecnologia appare difficilmente

applicabile per la mancanza delle informazioni necessarie, prima fra tutte quelle relative

all’uso del suolo, e alla gestione delle colture. Si rivela quindi indispensabile ricorrere a

strumenti informativi esterni che possano integrare la base di cartografia pedologica e i dati

meteorologici real time ormai frequentemente disponibili, per sopperire alle carenze

precedentemente evidenziate. Tali strumenti sono identificabili nel telerilevamento, che

può offrire svariati tipi di informazione, tra le quali stime di biomassa (Launay e Guerif,

2005) e area fogliare delle stesse (Hoffmann e Blomberg, 2004) e quali colture sono

presenti in un certo momento (Blaes et al., 2005). Inoltre, dai dati telerilevati sono

stimabili, seppur con maggior incertezza, date di semina e/o di ripresa vegetativa e

contenuto idrico dello strato superficiale del terreno.

164

L’obbiettivo di questo lavoro è quindi di porre le basi, anche in termini di prototipo,

per sviluppare un software per l’ottimizzazione delle tattiche e strategie per la gestione

dell’irrigazione a scala comprensoriale, in grado di avvalersi dell’informazione proveniente

dal telerilevamento a integrazione dell’informazione disponibile al suolo.

Materiali e metodi

Tecniche per l’implementazione del software

Nello sviluppo di un software che prevede l’applicazione della più attuale conoscenza

scientifica al mondo reale è particolarmente importante, oltre alla correttezza e alla

consistenza concettuale di quali scelte si adottano per la rappresentazione del sistema in

esame, rispettare anche una serie di requisiti informatici necessari per garantire

l’affidabilità, la qualità, la facilità di aggiornamento, manutenzione ed estensione del

software sviluppato. In generale, appare sempre più difficile identificare fin dall’inizio

esattamente tutti i requisiti funzionali che un software dovrebbe avere, come indicato dalle

metodologie standard dell’architettura del software quali il Rational Unified Process (RUP)

(Kruchten, 2001). Appaiono in generale meglio applicabili le tecnologie che fanno

riferimento allo sviluppo cosiddetto “Agile” (Cohen et al., 2004) poiché la realizzazione

del software stesso rappresenta una possibilità di applicazione, verifica e messa a punto

delle conoscenze scientifiche, diventando a sua volta molto di più di un semplice

applicativo con finalità pratiche. L’adozione del paradigma “Agile” consente il frequente

rilascio di versioni, e quindi la loro verifica su dati reali che si vanno acquisendo,

consentendo contemporaneamente sia lo sviluppo delle necessarie componenti scientifiche,

sia quello dell’interazione tra software e utenti.

In particolare, si è cercato di ricorrere il più possibile ad architetture già esistenti, e al

riutilizzo di quanto disponibile, sia internamente al gruppo di ricerca, sia esternamente. Il

software è quindi derivante dall’integrazione di componenti, intercambiabili ed estensibili,

che, opportunamente collegati tra loro, vanno a costituire l’ossatura del programma stesso

(Rizzoli, 2005). Il programma è stato sviluppato per l’ambiente Net, utilizzando VBNet e

C#, e per diverse funzionalità standard, appoggiandosi ad altri tools di libera disponibilità.

Per l’implementazione del software secondo le metodologie sopra esposte si rende

necessario l’uso di un linguaggio orientato agli oggetti e l’utilizzo di UML (Unified

modelling language) per la descrizione del software stesso (Ferrara e Rana, 2006).

Analisi dei requisiti

Il software in sviluppo dovrà ottemperare a una serie di requisiti, che al momento attuale

sono definiti solo come livello iniziale. Con il succedersi delle release, nuovi requisiti

potranno essere aggiunti, mentre altri potrebbero non rilevarsi più necessari. Dovendo il

software operare a scala territoriale, un primo requisito è che sia in grado di rappresentare

unità idrologiche distinte, ognuna con le proprie caratteristiche differenti dalle altre per

suolo, coltura, dati meteorologici (Flügel , 2006); tali unità sono note in letteratura come

HRU (Hydrologic Response Units). Alcune di queste unità potranno essere anche

“ripetute” nel senso che possono esistere più appezzamenti con le stesse caratteristiche, ma

non adiacenti. Oltre al requisito base, i requisiti fino ad ora identificati, e suddivisi per

categorie funzionali, sono riassunti in tabella 1.

165

Tabella 1. Requisiti del software.

Accesso ai dati Modellistica Presentazione output Analisi what-if

Ogni HRU deve

accedere a specifici

parametri di suolo e ai

propri dati

meteorologici

Simulazione dei

consumi idrici attraverso

la stima FAO56 o

stimando direttamente la

resistenza colturale

Report comprensoriali

sui consumi idrici

Possibilità di analizzare,

su dati storici, altri

ordinamenti colturali e

metodologie irrigue

Deve essere possibile

l’aggiornamento in real

time della meteorologia

Dinamica dell’acqua nel

suolo attraverso

Cascading, ISBA o

risoluzione

dell’equazione di

Richards

Rappresentazione in

formato compatibile GIS

delle principali variabili

di interesse, cella per

cella

Generazione di alert

specifici per la necessità

di irrigazione

Accesso ai dati da

telerilevamento, forcing

e assimilation

Simulazione della

crescita delle colture

erbacee proprie degli

areali meridionali

Processi simulati

La modellizzazione dello sviluppo e della crescita delle colture fanno riferimento al

modello Stamina, (Acutis et al., 2007, Richter et al., 2006) che è un modello della

cosiddetta “School of de Wit” (van Ittersum et al., 2003). Il modello è basato sulla

simulazione dell’assimilazione lorda di CO2 e della respirazione di mantenimento e

crescita, adottando gli stessi principi di base di SUCROS (van Keulen et al., 1982) e

WOFOST (van Keulen and Wolf, 1986; Boogaard et al., 1998). Rispetto a questi ultimi il

modello Stamina è migliorato poiché implementa uno specifico modulo per la simulazione

della germinazione e dell’emergenza (Bechini et al., 2004), e per il maggior dettaglio nel

descrivere il processo di intercettazione della radiazione entro la canopy. L’effetto dello

stress idrico è modellizzato secondo Sinclair (1986) e Richter et al., (2001), in accordo con

la seguente formula:

}{1

)(exp1

2

rel

−−+

=θd

stressf

f

dove fstress è il coefficiente di riduzione dell’assimilazione totale in funzione dello stress

idrico, θrel è l’umidità del suolo percentuale rispetto alla saturazione, e fd è un fattore

specifico variabile da 4 a 14, dipendente dalla coltura e dallo stadio fenologico, in accordo

con la sensibilità allo stress idrico. L’assorbimento radicale è modellizzato secondo

approcci che possono anche compensare disomogeneità della distribuzione dell’umidità tra

i vari strati di suolo.

La simulazione della redistribuzione dell’acqua nel suolo è fatta secondo tre opzioni,

ognuna delle quali idonea a specifiche condizioni operative. L’opzione di default è la

risoluzione dell’equazione di Richards, secondo quanto proposto da van Dam e Feddes

(2000) e come implementato nel modello SWAP. Tale simulazione garantisce le migliori

simulazioni del contenuto idrico del suolo, data la sua rigorosa base fisica, supportata da

numerosissime ricerche e applicazioni, e perciò preferibile rispetto alle altre scelte

implementate per qualsiasi scenario. Tuttavia per la sua applicazione sono richiesti lunghi

tempi di calcolo; questo fatto può renderne onerosa l’applicazione in situazioni dove il

166

numero di HRU da simulare sia particolarmente alto, e il periodo considerato

particolarmente lungo. Infatti, applicando l’equazione di Richards, il tempo di simulazione

di una HRU per una stagione colturale è di circa 30 secondi utilizzando un calcolatore

Pentium dual core a 2 GHz. Nell’ipotesi di tempi di simulazione inaccettabili, sono

disponibili l’approccio del cascading (modello a serbatoi) e l’approccio ISBA (Noilhan and

Planton, 1989). Quest’ultimo è basato su meccanismi di forcing-restore dei contenuti idrici

e divide il suolo in 2 strati, di cui quello più superficiale, di pochi centimetri di spessore, è

soggetto all’evaporazione; è basato sugli stessi principi fisici dell’equazione di Richards, di

cui rappresenta una semplificazione, tuttavia non consente di simulare in dettaglio l’effetto

dell’approfondimento degli apparati radicali, e neanche l’eventuale presenza di una falda

(che d’altra parte non è frequente in ambienti meridionali). L’approccio a serbatoi, sebbene

privo di una consistente base fisica, può essere un’alternativa utilizzabile quando non vi è

presenza di falda e non vi sono spiccate differenze tessiturali tra i diversi orizzonti del

suolo, pur non offrendo la possibilità di simulare contenti idrici superiori alla capacità di

campo; appare quindi poco utilizzabile in terreni pesanti a scarso drenaggio.

“Forcing” e assimilazione del dato telerilevato

L’uso del dato proveniente dal telerilevamento può essere utilizzato con diverse finalità. Se

è noto quale coltura è presente in un dato momento, e se è possibile conoscere, almeno

approssimativamente, la data di impianto della coltura, allora il dato telerilevato può essere

utilizzato per il forcing del modello. La procedura di forcing adottata è basata sui dati di

LAI provenienti dal telerilevamento. Il modello, oltre ad assumere come LAI effettiva

quella misurata, ricalcola, sulla base del valore simulato della Specific Leaf Area (SLA) in

quel momento, il peso delle foglie, e da questo, in base ai valori di ripartizione della

biomassa tra i diversi organi della pianta, la biomassa di ognuno di essi e la biomassa totale

della coltura. Dal punto di vista tecnico, il software può effettuare il forcing ogni volta che

è disponibile un dato di LAI.

La determinazione della possibile data di semina in funzione del primo valore

acquisito di LAI è ancora in fase di studio; se dal punto di vista teorico il problema non

appare difficoltoso, essendo sufficiente simulare con il modello una possibile gamma di

date di semina, e in quest’intervallo scegliere quella che consente di ottenere il valore di

LAI (o di biomassa) acquisito esternamente, occorre anche valutare il peso dell’errore della

misura esterna e l’effetto delle approssimazioni del modello per verificare se

effettivamente la predizione della data di semina ha valore pratico rilevante per il problema

in esame.

La definizione della coltura presente in ogni HRU è invece un input che deve essere

fornito dall’esterno. Poiché tale input è talvolta soggetto a errori, è previsto che il sistema

possa comunque “riprogrammarsi” sulla reale coltura presente.

Risultati

Calibrazione e validazione del modello

Il modello di crescita colturale è già stato utilizzato in altre applicazioni in ambiente

meridionale e per colture irrigue, valutando anche la capacità di rispondere a condizioni di

stress idrico. Le tabelle seguenti, estrapolate da Richter et al. (2006), riportano valori del

167

tutto favorevoli degli indici di valutazione della qualità delle simulazioni fatte con il

modello utilizzato nel Progetto.

La tabella 2 indica, per una coltura di non facile modellazione come la barbabietola

in semina autunnale, efficienze di modellazione particolarmente alte per la biomassa totale

e utile, superiori a 0.95 e, comunque, del tutto adeguate anche per la simulazione dello

sviluppo delle superfici fogliari.

La tabella 3, relativa a barbabietola irrigata secondo diverse opzioni di risparmio

idrico e, quindi, in presenza anche di stress idrici, conferma la capacità del modello di

simulare questa coltura anche in condizioni di stress idrico, per quanto l’efficienza di

simulazione cali nettamente per la simulazione delle superfici fogliari. Proprio in questa

situazione potrebbe essere di particolare importanza poter operare il forcing del LAI con

dati esterni.

Tabella 3. Indici di valutazione del modello di simulazione per la barbabietola a Foggia, in condizioni di

diversa disponibilità irrigua, per il triennio 2000-2003.

Err

ore

quad

ratico

med

io

Gen

eral

Sta

ndar

d

Dev

iation

Eff

icie

nza

di

model

lazi

one

Index

of

agre

emen

t

Coef

fici

ente

di

det

erm

inaz

ione

Mea

n B

ias

erro

r

Coef

fici

ente

di

mas

sa r

esid

ua

(RMSE) (GSD) (EF) (d) (CD) (MBE) (CRM)

Biomassa totale (g m-2) 2067 0.21 0.94 0.98 0.75 -1045 0.107

Produzione (g m-2) 1202 0.24 0.93 0.98 1.00 -234 0.057

LAI (m2 m

-2) 1.11 0.55 0.45 0.90 1.77 0.78 -0.397

Dati non riportati (da Richter et al., 2007) confermano inoltre buone qualità di

simulazione del modelo su dati pluriennali relativi a girasole e frumento duro, ad indicare

la validità dell’approccio adottato, che non è specifico per una singola coltura, ma prevede

solo una serie di parametri (lunghezza delle fenofasi, efficienza fotosintetica, ripartizione

degli assimilati nel corso del ciclo di sviluppo) da definire per ogni nuova coltura che si

voglia implementare.

Tabella 2. Indici di valutazione del modello di simulazione per la barbabietola a Foggia, per il biennio

2000-2002.

Err

ore

quad

ratico

med

io

Gen

eral

Sta

ndar

d

Dev

iation

Eff

icie

nza

di

model

lazi

one

Index

of

agre

emen

t

Coef

fici

ente

di

det

erm

inaz

ione

Mea

n B

ias

erro

r

Coef

fici

ente

di

mas

sa r

esid

ua

(RMSE) (GSD) (EF) (d) (CD) (MBE) (CRM)

Biomassa totale (g m-2) 1746 0.16 0.96 0.99 0.81 -1109 0.107

Produzione (g m-2) 1146 0.18 0.95 0.98 0.87 -672 0.106

LAI (m2 m

-2) 0.66 0.22 0.88 0.96 0.92 0.25 -0.093

168

Forcing del LAI

Le immagini disponibili al momento non sono ancora accompagnate dal set completo di

dati agrometeorologici e la funzione che correla i parametri ottici al LAI richiede ancora un

perfezionamento, cosicché, per una prima valutazione dei possibili miglioramenti ottenibili

con il forcing del LAI, si è fatto riferimento ai dati sperimentali utilizzati per la

calibrazione del modello su bietola in semina autunnale. In particolare, sono stati utilizzati

i dati misurati in esperimenti condotti a Foggia nelle stagioni colturali 2000-2001 e 2001-

2002, sui quali è stato applicato il modello calibrato precedentemente, con e senza il

forcing del LAI. Nell’anno 2001 il forcing del LAI è stato applicato in un solo momento, a

fine aprile, quando si suppone di avere a disposizione il primo set di spettri dal

telerilevamento attraverso i quali stimare l’NDVI e quindi, da esso, il LAI. Nell’anno 2002

il forcing è stato applicato in 2 momenti, il 9 aprile e il 6 giugno, sempre in corrispondenza

di possibili date di disponibilità del dato telerilevato. Nel 2001, alla data del forcing il LAI

risultava sottostimato di circa 1.5, mentre nel 2002, relativamente alla prima data, il

modello tendeva a sovrastimare i valori di LAI rispetto ai dati misurati, mentre nel secondo

momento i valori simulati di LAI risultavano molto sottostimati. I risultati sono sintetizzati

nelle figure seguenti:

Figura 1. Effetto del forcing del LAI sull’andamento successivo del LAI stesso e sulla biomassa. Foggia,

anno 2000-01.

Figura 2. Effetto del forcing del LAI sull’andamento successivo del LAI stesso e sulla biomassa. Foggia,

anno 2001-02.

Foggia 2001-02 - Biomassa radicale (fittoni)

0

5000

10000

15000

20000

28/07/01 05/11/01 13/02/02 24/05/02 01/09/02

Data

kg ha-1

Dati simulati

Dati misurati

Forcing LAI

Foggia 2001-02 - Leaf Area Index

0

2

4

6

8

28/07/01 05/11/01 13/02/02 24/05/02 01/09/02

Data

m2 m

-2

Dati simulati

Dati misurati

Forcing LAI

Foggia 2000-01 - Biomassa radicale (fittoni)

0

5000

10000

15000

20000

01/10/2000 09/01/2001 19/04/2001 28/07/2001 05/11/2001

Data

kg ha-1

Dati simulati

Dati misurati

Forcing LAI

Foggia 2000-01 - Leaf Area Index

0

2

4

6

8

01/10/2

000

20/11/2

000

09/01/2

001

28/02/2

001

19/04/2

001

08/06/2

001

28/07/2

001

16/09/2

001

Data

m2 m

-2

Dati simulati

Dati Misurati

Forcing LAI

Foggia 2000-01 - Biomassa radicale (fittoni)

0

5000

10000

15000

20000

01/10/2000 09/01/2001 19/04/2001 28/07/2001 05/11/2001

Data

kg ha-1

Dati simulati

Dati misurati

Forcing LAI

Foggia 2000-01 - Leaf Area Index

0

2

4

6

8

01/10/2

000

20/11/2

000

09/01/2

001

28/02/2

001

19/04/2

001

08/06/2

001

28/07/2

001

16/09/2

001

Data

m2 m

-2

Dati simulati

Dati Misurati

Forcing LAI

169

Il forcing del LAI ha notevolmente migliorato la performance del modello nel

simulare il LAI stesso, determinando effetti positivi anche sulla qualità della simulazione

dell’andamento nel tempo della biomassa, sia totale sia utile. I risultati qui mostrati

dimostrano evidentemente l’utilità della procedura, ma anche la necessità di avere accurate

stime di LAI sulle quali effettuare il forcing. In ogni caso, il dato telerilevato rimane

indispensabile per la stima della data di inizio del ciclo delle colture; infatti, assumendo

date standard di inizio coltura, la predizione modellistica risulta notevolmente peggiorata

in caso di semine più anticipate o tardive. L’uso di dati da telerilevamento è quindi un

requisito indispensabile poter stimare, anche approssimativamente, la data di semina di una

coltura.

Implementazione del software

In termini di architettura del software, il modello di simulazione colturale è stato

implementato con un software GIS. Il modello è stato integrato con le parti necessarie al

collegamento con le rappresentazioni cartografiche e i relativi database. Ora infatti può

acquisire i dati presenti nei files SHP (formato definito da ESRI e utilizzato dalla totalità

dei software GIS) e aggiornarli con i dati relativi a diversi indicatori. Inoltre, internamente

al software, è stato implementato un tool per la rappresentazione cartografica.

I risultati fanno riferimento alla versione prototipale del software disponibile a

dicembre 2007. Alcuni esempi di rappresentazioni ottenibili sono mostrati nelle figure

seguenti. La cartografia prodotta si riferisce a dati fittizi; è riportata infatti a titolo di

esempio e si riferisce ad un’area del comune di Lucera (Foggia). Gli esempi riportati si

riferiscono alle colture presenti in data 10/4 e 20/6, allo stadio fenologico raggiunto dalla

coltura di bietola il 10/4 ed allo stress idrico di una coltura di pomodoro in data 20/6

(Figg. 3-6).

Figura 3. Esempi di rappresentazioni grafiche ottenibili con il software sviluppato: colture al

10/4 per l’area di Lucera.

170

Figura 4. Esempi di rappresentazioni grafiche ottenibili con il software sviluppato: Colture al 20/6

per l’area di Lucera.

Figura 5. Esempi di rappresentazioni grafiche ottenibili con il software sviluppato: stadi fenologici

della bietola al 10/4.

171

Figura 6. Esempi di rappresentazioni grafiche ottenibili con il software sviluppato: stress idrico del

pomodoro al 20/6, in una parte del territorio di Lucera (funzione Zoom).

Il modello è ora quindi in grado di accedere a database geografici (formato shape

file) con le caratteristiche dei suoli di ogni unità di simulazione, e di far riferimento,

sempre per ogni unità omogenea, ai dati di una specifica stazione agrometeorologica.

Il modello è stato predisposto per l’utilizzo, in fase di forcing, dei dati derivanti

dall’analisi dell’immagine.

E’ in fase di analisi e prime prove l’assimilazione dei dati delle immagini, al fine di

predire la data di semina. La predizione della data di semina delle colture, in base ad

immagini successive alla semina stessa è di particolare importanza, essendo i consumi

idrici e l’effetto dello stress idrico dipendenti dalle fenofasi, ed essendo queste ultime

dipendenti dalla data di semina e dall’andamento meteorologico. La predizione della data

di semina avviene attraverso un processo di approssimazioni successive, facendo ripartire

la simulazione in corrispondenza di diverse date, al fine di trovare quella che porta a indici

di area fogliare il più prossimi possibili a quelli ottenuti dall’analisi delle immagini

telerilevate.

Conclusioni

E’ stato sviluppato un primo prototipo di un sistema di supporto alle decisioni (DSS) per la

pianificazioni irrigua in ambienti meridionali. Il DSS integra l’informazione proveniente

da database pedologici e meteorologici con la simulazione modellistica di alcune colture

diffuse in ambiente meridionale al fine di fornire elementi per la programmazione irrigua a

scala comprensoriale.

172

Una serie di input necessari al modello, quali colture presenti, date di semina,

possono essere ottenuti da dati telerilevati. Il dato telerilevato relativo a LAI e biomassa

può essere utilizzato per il forcing dei modelli colturali, con miglioramento delle capacità

predittive dei modelli stessi.

Il DSS è allo stadio di primi prototipi ma è già dotato di uno strumento di

visualizzazione GIS. Con il prosieguo della ricerca, il modello verrà ulteriormente

calibrato e validato sui dati colturali e di consumo idrico disponibili e perfezionato per

quanto riguarda la facilità d’uso e l’interfaccia utente.

Bibliografia

Acutis, M., Rana, G., Trevisiol, P., Bechini, L., Laudato, M., Ferrara, R., Richter, G.M.,

2007. Integrating a spatial micrometeorological model into the risk assessment for

arable crops in hilly terrain. Modelling water and nutrient dynamics in soil-crop

systems. Springer. Edited by: K.C. Kersebaum, J.-M. Hecker, W. Mirschel &

M. Wegehenkel.

Alcamo, J., Flörke, M. & Märker, M. 2007. Future long-term changes in global water

resources driven by socio-economic and climatic changes. Hydrol. Sci. J. 49(4),

549-562.

Bateman, E.J., Baggs, E.M., 2005. Contributions of nitrification and denitrification to N2O

emissions from soils at different water-filled pore space. Biology and Fertility of Soils

41, 379-388.

Bechini, L., Laudato, M., Trevisiol, P., Richter, G.M., Rinaldi, M., Acutis, M., 2004.

Dynamic simulation model for seed germination, seedling elogation and emergence.

Proceedings of VIII Congress of the European Society for Agronomy, Copenhagen,

Denmark, 11-15 July 2004, 217-218.

Blaes, X., Vanhalleb, L., Defournya, P., 2005. Efficiency of crop identification based on

optical and SAR image time series. Remote Sensing of Environment, 96, 3-4, 352-365.

Boogaard, H.L., van Diepen, C.A., Rötter, R.P., Cabrera, J.C.M.A., van Laar, H.H., 1998.

WOFOST 7.1 User guide for the WOFOST 7.1 crop growth simulation model and

WOFOST Control Center 5.1. Techn. Doc. 52, Alterra, WUR, Wageningen, The

Netherlands, pp. 144.

Cohen, D., Lindvall, M., Costa, P. 2004. An introduction to agile methods. Advances in

Computers, 1-66.

Ferrara, R.M., Rana, G., 2006. Application of the unified modelling language to a spatially

distributed micrometeorological model at catchment scale. Italian Journal of

Agrometeorology, 1, 32-40.

Flügel, W.A., 2006. Delineating hydrological response units by geographical information

system analyses for regional hydrological modelling using PRMS/MMS in the drainage

basin of the River Bröl, Germany. Hydrological Processes, 9, 3-4, 423-436.

Grundmann, G, Rolston, D.E., 1987. A water function approximation to degree of

anaerobiosis associated with denitrification. Soil Sci. 144, 437-441.

Hoffmann, C.M., Blomberg, M., 2004. Estimation of leaf area index of Beta vulgaris L.

based on optical remote sensing data. J. of Agronomy and Crop Science, 190, 3,

197-204.

Kruchten, P., 2001. “What Is the Rational Unified Process?” The Rational Edge,

http://www.ibm.com/developerworks/rational/library/content/RationalEdge/jan01/What

IstheRationalUnifiedProcessJan01.pdf.

173

Launay, M., Guerif, M., 2005. Assimilating remote sensing data into a crop model to

improve predictive performance for spatial applications. Agriculture Ecosystems &

Enviroment, 111, 1-4, 321-339.

Noilhan, J. and Planton, S., 1989. A simple parameterization of land surface processes for

meteorological models, Mon. Wea. Rev., 117, 536-549.

Oweis, T., Pala, M., Ryan, J., 1998. Stabilizing rainfed wheat yields with supplemental

irrigation and nitrogen in a Mediterranean climate. Agronomy Journal, 90, 5, 672-681.

Piccarreta, M., Capolongo, D. and Boenzi, F. 2006. Trend analysis of precipitation and

drought in Basilicata from 1923 to 2000 within a southern Italy context. Int. J. Climatol.

24, 907-922.

Raes, D., Geerts, S., Kipkorir, E., 2006. Simulation of yield decline as a result of water

stress with a robust soil water balance model. Agricultural Water Management, 81, 3,

335-357.

Richter, G.M., Jaggard, K.W. and Mitchell, R.A.C., 2001. Modelling radiation interception

and radiation use efficiency for sugar beet under variable climatic stress. Agric. Forest

Meteorol. 109, 13-25.

Richter, G.M., Rana, G., Ferrara, R.M., Ventrella, D., Acutis, M., Trevisiol, P., Laudato,

M., Gusberti, D., Mayer, T., Baggeley, N.; Morris, J., Holmes, A., Trawick, P., Dailey

A.G., Robbins, P., Simota, C., Whitmore, A.P., Powlson1, D.S., 2006. Stability and

Mitigation of Arable Systems in Hilly Landscapes (EU-QLK-5-CT-2002-01313).

Report to the European Commission, Brussels, 280 pp.

Rizzoli, A.E., Athanasiadis, I.N., Donatelli, M., Huber, D., Muetzelfeldt, R., 2005. Overall

architectural design of SeamFrame. SEAMLESS report no.7.

Sinclair, T.R., 1986. Water and nitrogen limitations in soybean grain production. Part I.

Model development. Field Crops Res. 15, 125-141.

Tuberosa, R., Giuliani, S., Parry, M.A.J., Araus, J.L., 2007. Improving water use efficiency

in Mediterranean agriculture: what limits the adoption of new technologies? Annals of

Applied Biology, 150, 2,. 157-162.

Van Dam, J.C. and Feddes, R.A., 2000. Numerical simulation of infiltration, evaporation

and shallow groundwater levels with the Richards equation. J. Hydrol., 233, 72-85.

Van Ittersum, M.K., Leffelaar, P.A., Van Keulen, H., Kropff, M.J., Bastiaans, L.,

Goudriaan, J., 2003. On approaches and applications of the Wageningen crop models.

European Journal of Agronomy, 18, 201-234.

Van Keulen, H., Penning de Vries, F.W.T., Drees, E.M., 1982. A summary model for crop

growth. In: Penning de Vries, F.W.T., Van Laar, H.H. (Eds.), Simulation of Plant

Growth and Crop Production. Simulation Monographs. Pudoc, Wageningen, The

Netherlands, pp. 87-98.

Van Keulen, H., Wolf, J., 1986. Modelling of agricultural production: weather soils and

crops. Simulation Monographs. Pudoc, Wageningen, The Netherlands, pp. 479.