Freed-up surplusagricultural area is mostly influenced by market liberalization policies and world food prices. Thisfigure is much smaller than those reported in previous studies. Our results from these scenarios showthat freed-up surplus agricultural area for PBC in the EU ranges from 0 to 6.5 Mha (0 to 15.0 Mha, if fallow landis included) until 2050.
Four factors were considered: cropyields, livestock demand, market liberalization, and world food prices. To better understand the implications ofspecific land use policies on land availability for PBC cultivation in the EU, we conducted a sensitivity analysisusing the agricultural sector model, ESIM (European Simulation Model). Previous assessments report remarkably highfuture PBC potentials in the EU from surplus agricultural area (7–48 Mha) that is expected to be released fromcurrent agricultural use largely due to agricultural intensification.
According to this“foodfirst”principle,only agricultural land not used to produce crops or fodder is included in analyses to determine the productionpotential of perennial biomass crops (PBC) for the bioeconomy. The production of food is considered to have priority over fuel andfiber. This is a methodological paper for practitioners rather than theorists. The method is tested in three different simulation models using different input data in order to demonstrate the independence of the proposed method on specific model types and data structures. The results demonstrate that this method is able to produce approximations that are close to the estimated benchmarks at low computational costs. We also provide an R script that generates IRGQ points based on the required input data. In this article, we present a computationally inexpensive and reliable uncertainty analysis method for simulation models called informed rotations of Gaus-sian quadratures (IRGQ). However, conventional uncertainty/sensitivity analysis methods are either com-putationally demanding (Monte Carlo-based methods) or produce results with varying quality (Gaussian quadratures). Given the fast growth of available computational capacities and the increasing complexity of simulation models addressing agro-environmental issues, uncertainty analysis using stochastic techniques has become a standard modeling practice. Obwohl die Methoden in großen Simulationsmodellen für Agrarumweltfragen entwickelt und getestet werden, sind sie nicht durch Modelltyp oder Anwendungsgebiet beschränkt, sondern können ebenso in anderen Zusammenhängen angewandt werden. Diese Arbeit liefert methodische Entwicklungen und ist von hoher Relevanz für angewandte Simulationsmodellierer. Zu diesem Zweck werden zwei neuartige Methoden zur Quantifizierung von Unsicherheiten entwickelt und in vier verschiedene, große partielle und allgemeine Gleichgewichtsmodelle integriert, die sich mit Agrarumweltfragen befassen. In Anbetracht der Bedeutung von effizienten Methoden zur Quantifizierung von Unsicherheit im Zeitalter von „big data“ ist es das Ziel dieser Doktorthesis, Methoden zu entwickeln, die die Näherungsfehler von GQs verringern und diese Methoden einer breiteren Forschungsgemeinschaft zugänglich machen. Die derzeit zur Quantifizierung von Unsicherheiten in Simulationsmodellen genutzt en Techniken, sind entweder rechenaufwändig (Monte Carlo -basierte Methoden) oder liefern Ergebnisse von heterogener Qualität (Gauß-Quadraturen ). Da es für solche Probleme meist keine analytischen Lösungen gibt, werden numerische Approximationsmethoden genutzt. Eine Möglichkeit dies systematisch zu tun besteht darin, stochastische Elemente in die Modellgleichungen zu integrieren, wodurch das jeweilige Modell zu einem Problem (mehrfacher) numerischer Integrationen wird.
Dieser Trend hat jedoch Bedenken hinsichtlich der Unsicherheit solcher Modellergebnisse aufgeworfen und daher viele Nutzer von Simulationsmodellen dazu motiviert, Unsicherheiten in ihren Simulationen zu integrieren. Die in jüngster Zeit gestiegene verfügbare Rechenleistung und -geschwindigkeit hat die Entwicklung detaillierterer und komplexerer Simulationsmodelle befördert. Simulationsmodelle sind ein etabliertes Instrument zur Analyse von Auswirkungen exogener Schocks in komplexen Systemen.
0 kommentar(er)
