LandCaRe-DSS—An Interactive Model-Based Decision Support System for Assessing the Impacts of Climate Change on Agriculture and Agricultural Landscapes

  • Wilfried MirschelEmail author
  • Michael Berg-Mohnicke
  • Karl-Otto Wenkel
  • Ralf Wieland
  • Barbara Köstner
Part of the Innovations in Landscape Research book series (ILR)


The current and future climate change, which is still superimposed by global change, has a serious influence on landscapes in general and agricultural landscapes in particular. To meet the challenges for society and agriculture, well-planned and sustainable adaptation measures to climate change are needed. For agriculture, the following question has to be answered: How will climate change affect regional agriculture and ecosystems and what could be possible adaptation strategies, taking into account local site potentials and the specific structure of farms and agricultural enterprises? To answer this question, both farmers and other stakeholders might need the help of computer-based decision support systems. The information and decision support system described here, called LandCaRe-DSS, is such a helping instrument. The LandCaRe-DSS is designed as a user-friendly, interactive, model-based and spatial-oriented information and decision support system. It can be used on different spatial scales while being fully interactive. It supports long-term spatial scenario simulations, multi-ensemble and multi-model simulations at the regional level as well as complex impact assessments of potential adaptation strategies for land use at the local level. All simulations are carried out with a high spatial resolution and include coupled climate and agro-economic scenarios. The easy-to-use software is controlled via a zoomable user interface known to many users from for instance Google Maps®. The system can be extended with further modules for different tasks.The article describes the structure and use of the LandCaRe-DSS in detail, including the components and modules of the system, the system framework, the operation principles, the climate and geodatabases, the scale-specific ecological impact models and the IT realisation. The LandCaRe-DSS offers different data analysis and visualisation tools, a help system for users and a farmer information system for adaptation of agriculture to climate change. Using concrete examples, the different fields of application are presented: the analysis of climate data, the analysis of phenology and ontogenesis and the climate change impact assessment on national, regional and local resp. farm scales. In particular, the LandCaRe-DSS supports strategic planning in agriculture and the sustainable development of rural areas (regions) and provides answers to the impacts and costs of possible adaptation measures to climate change. The LandCaRe-DSS was developed as a prototype and is parameterised and validated for the region Uckermark (dry lowland, 2,600 km2) in the Federal State of Brandenburg and for the region Weisseritzkreis (wet mountain area, 400 km2) in the Free State of Saxony. In the last 10 years, the system underwent slow albeit continuous changes and has been adapted to further regions and extended for the needs of research projects.


Decision support system Climate change Regional Impact assessment Simulation model Agricultural productivity Agricultural adaptation strategies 



This contribution was funded by the German Federal Ministry of Education and Research (BMBF) within the ‘klimazwei’ research programme (grant: 01 LS 05109), the German Federal Ministry of Food, Agriculture and Consumer Protection and the Ministry of Infrastructure and Agriculture of the Federal State of Brandenburg (Germany).


  1. Anter J, Gömann H, Kreins P, Richmann A (2009) Einfluss sich wandelnder ökonomischer Rahmenbedingungen auf die Beregnung landwirtschaftlicher Kulturen in Deutschland, Landbauforschung, Sonderheft 328 - Wasser im Gartenbau, pp 21–28Google Scholar
  2. Ascough JC, Shaffer MJ, Hoag DL, Mc Master GS, Dunn GH, Ahuja LR, Weltz MA (2001) GPFARM: an integrated decision support system for sustainable great plain agriculture. In: Scott DE, Mohtar RH, Steinhardt GC (eds) Sustaining the global farm. Selected papers from the 10th international soil conservation organization meeting held from 24 to 29 May 1999 at Purdue University and the USDA-ARS National Soil Erosion Research Laboratory, pp 951–960Google Scholar
  3. ATV-DVWK-Regelwerk (2002) Verdunstung in Bezug zu Landnutzung, Bewuchs und Boden. ATV-DVWK-Regelwerk: Merkblatt; M 504, p 144Google Scholar
  4. Berlekamp J, Lauterbach S, Graf N, Matthies M (2005) A decision support system for integrated river basin management of the German Elbe. In: Proceedings MODSIM-2005, pp 1518–1524Google Scholar
  5. Böhm U, Kücken M, Ahrens W, Block A, Hauffe D, Keuler K, Rockel B, Will A (2006) CLM—the climate version of LM: brief description and long-term applications. COSMO Newsl 6:225–235Google Scholar
  6. Carbiocial (2014) Carbon sequestration, biodiversity and social structures in Southern Amazonia: models and implementation of carbon-optimized land management strategies. Accessed 4 Apr 2019
  7. Chmielewski FM (2003) Phenology and Agriculture (chapter 7). In: Schwartz MD (ed) Phenology: an integrative environmental science. Kluwer Academic Publishers, Boston, pp 505–522CrossRefGoogle Scholar
  8. Chmielewski FM, Henniges Y (2007) Phänologische Modelle als Grundlage zur Abschätzung des Klimaimpakts. Berichte Meteorologisches Institut Freiburg 16:229–235Google Scholar
  9. COP24 (2018) COPE24 Katowice – United Nations climate change conference. Accessed 7 Mar 2019
  10. DIN19708 (2005) Bodenbeschaffenheit – Ermittlung der Erosionsgefährdung von Böden durch Wasser mit Hilfe der ABAG (Soil quality – Predicting soil erosion by water by means of ABAG). DIN 19708:2005-02, Normenausschuss Wasserwesen (NAW) im DIN, pp 25Google Scholar
  11. Enke W, Schneider F, Deutschländer T (2005) A novel scheme to derive optimized circulation pattern classifications for downscaling and forecast purposes. Theoret Appl Climatol 82:51–63CrossRefGoogle Scholar
  12. Franke J, Köstner B (2007) Effects of recent climate trends on the distribution of potential natural vegetation in Central Germany. Int J Biometeorol. 52(2):139–147CrossRefGoogle Scholar
  13. Gömann H, Kreins P, Herrmann S, Wechsung F (2005) Impacts of global changes on agricultural land-use in the German Elbe region: results of an operational modelling tool for planning, monitoring and agri-environmental policy counselling [CD-ROM]. In: 21st European regional conference—ERC 2005—integrated land and water resources management: towards sustainable rural development, 15–19 May 2005—Frankfurt (Oder), Germany—Slubice, Poland, p 11Google Scholar
  14. Gömann H, Offermann F, Kleinhanss W, Kreins P, von Ledebur O, Osterburg B, Pelikan J, Salamon P, Sanders J (2009) vTI-Baseline 2009–2019: agro-economic projections for Germany. Special Issue No. 33Google Scholar
  15. Henrichsmeyer W, Cypris C, Löhe W, Meudt M, Sander R, von Sothen F, Isermeyer F, Schefski A, Schleef KH, Neander E, Fasterding F, Helmcke B, Neumann M, Nieberg H, Manegold D, Meier T (1996) Entwicklung eines gesamtdeutschen Agrarsektormodells RAUMIS96. Endbericht um Kooperationsprojekt. Forschungsbericht für das BML (94 HS 021)Google Scholar
  16. Huglin P (1986) Biologie et écologie de la vigne. Lavoisier (Edition Tec & Doc), Paris, p 371Google Scholar
  17. Jacob D, Van den Hurk BJJM, Andrae U, Elgered G, Fortelius C, Graham LP, Jackson SD, Karstens U, Chr K, Lindau R, Podzun R, Rockel B, Rubel F, Sass BH, Smith R, Yang X (2001) A comprehensive model intercomparison study investigating the water budget during the PIDCAP period. Meteorol Atmos Phys 77(1–4):19–44CrossRefGoogle Scholar
  18. Kaiser T, Käding H, Kiesel J, Müller L, Hierold W, Behrendt A (2005) the derivation of grassland vegetation types on the basis of site and land use characteristics. Arch Agron Soil Sci 51(4):405–416CrossRefGoogle Scholar
  19. Kaden S, Kaltofen M, Timmermann R, Lüllwitz T, Roers M (2010) Die Elbe-Expert-Toolbox - ein Entscheidungshilfesystem für das integrale wasserwirtschaftliche, (öko-)hydrologische und sozioökono-mische Mangement eines Flusseinzugsgebietes. Tagungsband “Angewandte Geoinformatik”—22. AGIT-symposium, 07–09 July 2010, Salzburg Austria, pp 290–299Google Scholar
  20. Käding H, Kaiser T, Werner A (2005) Model for calculating grassland yields and forage quality in North-East Germany on the basis of site and management characteristics. Arch Agron Soil Sci 51(4):417–431CrossRefGoogle Scholar
  21. KIT LandCaRe-DSS (2015) KMU-innovativ—joint project—LandCaRe-DSS: model-based tools for strategic and operational irrigation measures under climate change.
  22. Kofalk S, Boer S, Scholten M, de Kok, J-L, Matthies M, Hahn B (2004) Ein decision support system für das Flusseinzugsgebiets-Management der Elbe. In: Möltgen J, Petry D (eds) Interdisziplinäre Methoden des Flussgebietsmanagements, Workshopbeiträge 15./16. März 2004, IFGIprints, Schriftenreihe des Instituts für Geoinformatik, Westfäische Wilhelms-Universität Münster, Band 21, S.1–10Google Scholar
  23. Köstner B, Wenkel K-O, Bernhofer Ch (2012) Neue modellbasierte Informationssysteme für Klimafolgen-szenarian in der Landwirtschaft. Promet 38(1/2):42–52Google Scholar
  24. Kuhnert M, Köstner B (2008) Effects of different climatic conditions on the site potential of Norway spruce, common beech and grassland assessed by modelling photosynthesis. In: Geophysical research abstracts, vol 10, EGU General Assembly, Vienna, AustriaGoogle Scholar
  25. Kuhnert M, Köstner B (2009) Regional modelling of water and CO2-fluxes with a one-dimensional SVAT model. In: Geophysical research abstracts, vol 11, EGU General Assembly, Vienna, AustriaGoogle Scholar
  26. Kyoto (1997) Kyoto-Protokoll. Accessed 7 Mar 2019
  27. LADSS (2005) Land allocation decision support system. Accessed 4 Apr 2019
  28. Mahammadzadeh M, Biebler H, Bardt H (2009) Klimaschutz und Anpassung an die Klimafolgen – Strategien, Maßnahmen und Anwendungsbeispiele. Institut der deutschen Wirtschaft Köln Medien GmbH, 2009, Köln, 310 pGoogle Scholar
  29. Mirschel W (2010) Modell ONTO zur Beschreibung der Ontogenese von landwirtschaftlichen Fruchtarten im LandCaRe DSS (Modellbeschreibung). In: Wenkel KO, Berg M, Wieland R, Mirschel W (ed) Vorsorge und Gestaltungspotenziale in ländlichen Räumen unter regionalen Wetter- und Klimaänderungen (LandCaRe 2020) PT-DLR 01 LS 05104: Modelle und Entscheidungsunterstützungssystem zur Klimafolgenab-schätzung und Ableitung von Adaptationsstrategien der Landwirtschaft an veränderte Klimabedingungen (AGROKLIM-ADAPT); Teilprojekt 6 (DSS); Schlussbericht (Anlage 3); Müncheberg (Leibniz-Zentrum für Agrarlandschaftsforschung)Google Scholar
  30. Mirschel W, Wenkel K-O, Wieland R, Albert E, Köstner B (2009) Klimawandel und Ertragsleistung: Auswirkungen des Klimawandels auf die Ertragsleistung ausgewählter landwirtschaftlicher Fruchtarten im Freistaat Sachsen - eine landesweite regionaldifferenzierte Abschätzung -. In: SÄCHSISCHES LANDESAMT FÜR LANDWIRTSCHAFT, UMWELT UND GEOLOGIE (ed) Schriftenreihe des Landesamtes für Umwelt, Landwirtschaft und Geologie (LfULG Sachsen), Issue 28/2009, Dresden, 61 pGoogle Scholar
  31. Mirschel W, Wenkel K-O, Wieland R, Albert E, Köstner B (2010) Impact assessment of climate change on agricultural crop yields using the hybrid model YIELDSTAT—a case study for the Free State of Saxony, Germany. In: Materialy vserossiskoi konferencii “Matematiceskie modeli i informachionnye tekhnologii v sel´skokhozaistvennoi biologii: itogi i perspektivy” (14.-15.10.2010, ARI St. Petersburg, Russia), St. Petersburg, pp 200–203.
  32. Mirschel W, Wieland R, Guddat C, Michel H, Wenkel K-O (2012) Crop yield estimation on arable land under climate change for the Free State of Thuringia, Germany, using the model YIELDSTAT. In: Tendencii razvitija agrofiziki v uslovijakh izmenjajushhegosja klimata (k 80-letiju Agrofiziceskogo NII): Materialy Mezhdunarodnoj konferencii, Sankt-Peterburg, 20–21 sentjabrja 2012 - SPb: Ljubovich, pp 169–180. Accessed 4 Apr 2019
  33. Mirschel W, Wieland R, Wenkel K-O, Guddat CH, Michel H (2013) Modellgestützte Abschätzung der Auswirkungen des Klimawandels auf Ertrag und Zusatzwasserbedarf im Freistaat Thüringen bis 2050. In: Nguyen Xuan Thin (Ed.): Modellierung und Simulation von Ökosystemen: Workshop Kölpinsee 2012. (Berichte aus der Umweltinformatik), Shaker Verlag Aachen, pp 1–19Google Scholar
  34. Mirschel W, Wieland R, Wenkel K-O, Nendel C, Guddat C (2014a) YIELDSTAT—a spatial yield model for agricultural crops. Eur J Agron 52(2014):33–46CrossRefGoogle Scholar
  35. Mirschel W, Klauss H, Berg M, Eisenhut K-U, Ißbrücker G, Prochnow A, Schörling B, Wenkel K-O (2014b) Innovative Technologien für eine effiziente Bewässerung im Pflanzenbau. In: Bloch R, Bachinger J, Fohrmann R, Pfriem R (eds) Land- und Ernährungswirtschaft im Klimawandel – Auswirkungen, Anpassungsstrategien und Entscheidungshilfen. oekom verlag, München, S. 261–277Google Scholar
  36. Mirschel W, Wieland R, Gutzler C, Helming K, Luzi K (2016) Auswirkungen landwirtschaftlicher Anbauszenarien auf Ertrag und Zusatzwasserbedarf im Land Brandenburg im Jahr 2025. In: Nguyen XT (ed) Modelling and simulation of ecosystems: workshop Kölpinsee 2015. Rhombos-Verlag, Berlin, S. 1–19Google Scholar
  37. Müller L, Schindler U, Shepherd TG, Ball BC, Smolentseva E, Pachikin K, Hu C, Hennings V, Sheudshen AK, Behrendt A, Eulenstein F, Dannowski R (2014) The Muencheberg soil quality rating for assessing the quality of global farmland. In: Mueller L, Saparov A, Lischeid G (eds) Novel measurement and assessment tools for monitoring and management of land and water resources in agricultural landscapes of Central Asia. Springer, Cham, pp 235–248Google Scholar
  38. Münch Th, Gocht A (2006) Farm Boss - ein Instrument zur strategischen Beratung landwirtschaftlicher Betriebe, In: GIL (ed) “Land- und Ernährungswirtschaft im Wandel - Aufgaben und Herausforderungen für die Agrar- und Umweltinformatik - Referate der 26. GIL Jahrestagung in Potsdam 2006”, Bonn, pp 189–192Google Scholar
  39. Münch T, Berg M, Mirschel W, Wieland R, Nendel C (2014) Considering cost accountancy items in crop production simulations under climate change. Eur J Agron 52:57–68CrossRefGoogle Scholar
  40. Nendel C, Berg M, Kersebaum KC, Mirschel W, Specka X, Wegehenkel M, Wenkel KO, Wieland R (2011) The MONICA model: testing predictability for crop growth, soil moisture and nitrogen dynamics. Ecol Model 222(9):1614–1625CrossRefGoogle Scholar
  41. Nendel C, Kersebaum KC, Mirschel W, Wenkel K-O (2014) Testing farm management options as a climate change adaptation strategy using the MONICA model. Eur J Agron 52(2014):47–56CrossRefGoogle Scholar
  42. Orlowsky B, Gerstengarbe F-W, Werner PC (2008) a resampling scheme for regional climate simulations and its performance compared to a dynamical RCM. Theoret Appl Climatol 92:209–223CrossRefGoogle Scholar
  43. Pavlova VN, Karachenkova AA, Varcheva SE, Sinitsyn NM (2019) Assessment of the spatial wheat cultivation risk for the main cereal cropping regions of Russia. (In this book)Google Scholar
  44. Poluektov RA, Terleev VV (2010) Computer model of nitrogen dynamics in the rooting zone. Agrokhimiya 10:68–74Google Scholar
  45. Poluektov RA, Topazh AG, Jakushev VP, Medvedev SA (2012) Usage of a dynamic agro-ecosystem model for impact assessment of climate change on crop yield productivity (theory and realization). (Иcпoльзoвaниe динaмичecкoй мoдeли aгpoeкocиcтeмы для oцeнки влияния климaтичecкиx измeнeний нa пpoдyктивнocть пoceвoв (тeopия и peaлизaция). Becтник Poccийcкoй aкaдeмии ceльcкoxoзяйcт-вeнныx нayк 2:7–12)Google Scholar
  46. Prased JR, Prasad RS, Kulkami UV (2008) A decision support system for agriculture using natural language processing (ADSS). In: Proceedings of the international multi conference of engineers and computer scientists (IMECS 2008, 19–21 March 2008, Hong Kong), vol I, pp 1–5Google Scholar
  47. QT (2019). Accessed 4 Apr 2019
  48. REGKLAM (2013a) REGKLAM – Regionales Klimaanpassungsprogramm Modellregion Dresden. Accessed 4 Apr 2019
  49. REGKLAM (2013b) Integriertes Regionales Klimaanpassungsprogramm für die Region Dresden: Grundlagen, Ziele und Maßnahmen, REGKLAM-Publikationsreihe 7. Rhombus-Verlag, Berlin, 344 pGoogle Scholar
  50. Roeckner E, Brokopf R, Esch M, Giorgetta M, Hagemann S, Kornblueh L, Manzini E, Schlese U, Schulzweida U (2004) The atmosphere general circulation model ECHAM5. Part 2: Sensitivity of simulated climate to horizontal and vertical resolution. MPI-Report 354, Max Planck Institute for Meteorology, HamburgGoogle Scholar
  51. Roth D (1993) Richtwerte für den Zusatzwasserbedarf in der Feldberegnung. In: Schriftenreihe LUFA Thüringen, Heft 6 (Richtwerte Pflanzenproduktion), pp 53–86Google Scholar
  52. Schwärzel H (2000) Untersuchungen zu Kriterien der Standort- und Gehölzauswahl bei extensiven Anpflanzungen von Obstbäumen. Dissertation, Humboldt-Universität zu BerlinGoogle Scholar
  53. Schmidt R et al (1975) Grundlagen der Mittelmaßstäbigen Landwirtschaftlichen Standortkartierung. Arch. Acker-u. Pflanzenbau u. Bodenkd, Berlin 19, 8:533–543Google Scholar
  54. Shishov LL, Tonkonogov VD, Lebedeva II, Gerasimova MI (2004) Classification and diagnostic of Russian soils. (Клaccификaция и диaгнocтикa пoчв Poccии. Cмoлeнcк: Oйкyмeнa)Google Scholar
  55. Terleev VV, Mirschel W, Badenko VL, Guseva IJ (2017) An improved Mualem-van-Genuchten method and its verification using data on Beit Netofa Clay. Eurasien Soil Sci 504:445–455Google Scholar
  56. TGL (1990) Verfahren der Pflanzenproduktion, Beregnung – Ermittlung des Zusatzwasserbedarfs. TGL 46200(03):30Google Scholar
  57. Wechsung F, Becker A, Gräfe P (2005) Auswirkungen des globalen Wandels auf Wasser, Umwelt und Gesellschaft im Elbegebiet. Weißensee Verlag Berlin, 407 pGoogle Scholar
  58. Wechsung F, Hartje V, Kaden S, Venohr M, Hansjürgens B (2014) Die Elbe im globalen Wandel. Eine integrative Betrachtung. Weißensee Verlag Berlin, 630 pGoogle Scholar
  59. Wenkel K-O, Wieland R, Mirschel W, Schultz A, Kampichler C, Kirilenko A, Voinov A (2008) Regional models of intermediate complexity (REMICs): a new direction in integrated landscape modelling. In: Environmental modelling, software and decision support: state of the art and new perspective. Elsevier, Amsterdam, pp 285–295Google Scholar
  60. Wenkel K-O, Berg M, Wieland R, Mirschel W (2010a) Modelle und Entscheidungsunterstützungssystem zur Klimafolgenabschätzung und Ableitung von Adaptionsstrategien der Landwirtschaft an veränderte Klima-bedingungen (AGROKLIM-ADAPT)—decision support system (DSS). Forschungs-Abschlußbericht: BMBF 01 LS 05104, Leibniz-Zentrum für Agrarlandschaftsforschung (ZALF), Selbstverlag, Müncheberg, 2010, 51 S. + 133 p (in 14 suppmements)Google Scholar
  61. Wenkel K-O, Nendel C, Kersebaum KC, Mirschel W, Specka X (2010b) Modelle und Entscheidungsunter-stützungssystem zur Klimafolgenabschätzung und Ableitung von Adaptionsstrategien der Landwirtschaft an veränderte Klimabedingungen (AGROKLIM-ADAPT) - Modellbasis. Forschungs-Abschlußbericht: BMBF 01 LS 05104, Leibniz-Zentrum für Agrarlandschaftsforschung (ZALF), Selbstverlag, Müncheberg, 2010, 26 + 61 p (in 3 supplements)Google Scholar
  62. Wenkel K-O, Berg M, Mirschel W, Wieland R, Nendel C, Köstner B (2013) LandCaRe DSS—an interactive decision support system for climate change impact assessment and the analysis of potential agricultural land use adaptation strategies. J Environ Manag 127:168–183CrossRefGoogle Scholar
  63. Wenkel K-O, Wieland R, Mirschel W (2019) Challenges and perspectives for integrated landscape modelling to support sustainable land use management in agricultural landscapes. (In this book)Google Scholar
  64. Wischmeier WH, Smith DD (1978) Predicting rainfall erosion losses—a guide to conservation planning. In: Agriculture Handbook, vol 537. Department of Agriculture, Washington D.C. U.S.Google Scholar
  65. Wieland R (2010) Modell LANUVER zur Generierung einer Landnutzungsverteilung im LandCaRe DSS (Modellbeschreibung). In: Wenkel K-O, Berg M, Wieland R, Mirschel W Vorsorge und Gestaltungs-potenziale in ländlichen Räumen unter regionalen Wetter- und Klimaänderungen (LandCaRe 2020) PT-DLR 01 LS 05104: Modelle und Entscheidungsunterstützungssystem zur Klimafolgenabschätzung und Ableitung von Adaptationsstrategien der Landwirtschaft an veränderte Klimabedingungen (AGROKLIM-ADAPT); Teilprojekt 6 (DSS); Schlussbericht (Anlage 10); Müncheberg (Leibniz-Zentrum für Agrarlandschaftsforschung)Google Scholar

Copyright information

© Springer Nature Switzerland AG 2020

Authors and Affiliations

  • Wilfried Mirschel
    • 1
    Email author
  • Michael Berg-Mohnicke
    • 1
  • Karl-Otto Wenkel
    • 1
  • Ralf Wieland
    • 1
  • Barbara Köstner
    • 2
  1. 1.Leibniz-Centre for Agricultural Landscape Research (ZALF) e.VMünchebergGermany
  2. 2.Department of MeteorologyTechnical University DresdenTharandtGermany

Personalised recommendations