SMART Agroforst: Digitalisierung zur Förderung der Etablierung von Agroforstsystemen auf der Landschaftsebene als Beitrag zur Klimaresilienz Süd-Sachsen-Anhalts und Dekarbonisierung seiner chemischen Industrie

Für den Aufbau regionaler Wertschöpfungsnetzwerke zur stofflich-chemischen Nutzung agroforstlicher Rohstoffe entwickeln wir strategische und taktische Planungs- und Optimierungsmodelle. Diese ermöglichen die systematische Bewertung und Gestaltung zukünftiger Netzwerkstrukturen unter Berücksichtigung technologischer, wirtschaftlicher und logistischer Rahmenbedingungen.

Ziel ist die Identifikation langfristig tragfähiger Netzwerkkonfigurationen, die eine effiziente Nutzung regional verfügbarer Rohstoffe ermöglichen. Hierzu werden mathematische Optimierungsmodelle entwickelt, die unterschiedliche Szenarien – beispielsweise variierende Anlagenstandorte, Prozesstechnologien, Transportbeziehungen und Organisationsformen – abbilden und anhand definierter Leistungsindikatoren bewerten.

Die Modelle ermöglichen die Ermittlung geeigneter Netzwerkstrukturen hinsichtlich zentraler Zielgrößen wie Kosten, Ressourceneffizienz und Versorgungssicherheit. Durch die Kopplung mit einer Simulationsumgebung können zusätzlich dynamische Entwicklungen, Unsicherheiten und alternative Zukunftsszenarien untersucht werden.

Das entstehende Optimierungs- und Simulationsframework unterstützt Unternehmen, Kommunen und weitere Akteure entlang der agroforstlichen Wertschöpfungskette bei strategischen Investitions-, Infrastruktur- und Kooperationsentscheidungen.

Methoden

• Netzwerk-Design: Modellierung und Optimierung der räumlichen Struktur von Wertschöpfungsnetzwerken einschließlich Anlagenstandorten, Transportbeziehungen und Materialflüssen.
• Supply Chain Optimization: Optimierung der Rohstoffversorgung, Transportlogistik, Anlagenauslastung und Stoffströme unter Berücksichtigung technischer und wirtschaftlicher Randbedingungen.
• Strategische Investitionsplanung: Bewertung langfristiger Investitionsentscheidungen hinsichtlich Kapazitäten, Technologieoptionen und Infrastrukturentwicklung unter verschiedenen Markt- und Ressourcenbedingungen.
• Szenario-Analyse und Prognose: Analyse alternativer Zukunftsszenarien zur Bewertung der Robustheit von Netzwerkkonfigurationen gegenüber Änderungen von Rohstoffverfügbarkeit, Nachfrage, Kosten oder politischen Rahmenbedingungen.

Die Agroforstwirtschaft unterscheidet sich von der klassischen Forstwirtschaft insofern, als der ökonomische Nutzen nicht primär auf der Biomasse eines ausgewachsenen Baumes beruht. Stattdessen wird durch wiederkehrende Erntezyklen mit anschließendem Nachwachsen ein kontinuierlicher bzw. frequenter Biomasseertrag erzielt. Die zentrale Herausforderung der Agroforstwirtschaft besteht daher darin, unter Berücksichtigung der jeweiligen Baumart bzw. des verwendeten Klons sowie der standortspezifischen Bedingungen optimale Erntezyklen zu bestimmen.

Hierfür ist die Entwicklung geeigneter Wachstumsmodelle erforderlich, die insbesondere die Nachwuchs- bzw. Regenerationsphasen nach der Ernte realitätsnah abbilden. Ergänzend werden belastbare allometrische Beziehungen benötigt, um die Anteile einzelner Biomassefraktionen – beispielsweise Rinde, Äste und Stammholz – zuverlässig abschätzen zu können.

Die Ermittlung optimaler Erntezyklen unter Berücksichtigung standort- und baumartenspezifischer Parameter sowie der räumlichen Kopplung mehrerer Agroforstflächen erfolgt mithilfe eines binären Entscheidungsmodells.

Methoden

• Mathematische Modellierung: Entwicklung mathematischer Modelle zur Beschreibung von Wachstumsprozessen, Biomasseentwicklung und Erntestrategien unter Berücksichtigung biologischer und standortspezifischer Einflussgrößen.
• Optimierungsverfahren: Formulierung und Lösung binärer bzw. gemischt-ganzzahliger Optimierungsmodelle zur Bestimmung optimaler Erntezyklen und zur Koordination räumlich verteilter Agroforstflächen.
• Regressions- und Allometriemodellierung: Ableitung von Wuchsfunktionen und allometrischen Beziehungen aus Messdaten zur Schätzung von Biomasseerträgen und Biomassefraktionen.
• Numerische Simulation: Simulation von Wachstums- und Ernteszenarien zur Analyse langfristiger Biomassepotenziale und zur Bewertung alternativer Bewirtschaftungsstrategien.
• Python-basierte Modellentwicklung: Implementierung, Parametrisierung und Auswertung der Modelle in Python unter Einsatz wissenschaftlicher Bibliotheken für Datenanalyse, Optimierung und Visualisierung