 Så iler vi det videre med næste oplæg. Det kommer fra Københavns Universitet, og handler om estimering af makinaludvaskning med DASY-modellen. Det er professor Lars Storman Jensen, og så har vi også Merede Styksen, begge fra Institut for plantamiljewidenskab på KU. Hvad sko, Lars? Tak for investitionen til at komme og fortælle lidt om DASY-modellen, som er en lidt anden tilgang, end den kresten har fortalt os om. Jeg skal ellet med at sige, at jeg er ikke en modell-mand. Jeg har arbejdet i menneskeralderne kvesterformsætning og kvester tab til miljøet, men jeg er egentlig ikke en modell-person. Og så står her i dag, at igennem alt den forskning, jeg har arbejdet med, der har vi ofte inddraget DASY-modellen til forskellige ting, både til at få tolke data og bidraget til at kalibrere og udvikle modellen gennem årene. Men jeg er egentlig ikke en modell-mand, og derfor er jeg rigtig glad for, at jeg har en medforfald og oplægtsholder med Merede Styksen, som er en gedderprofessor og hos os og har tidlig vansat på DHI, og som har været med i hele DASY-modellen, siden den blev født tilbage i starten af hektamten. Hvad er så DASY-modellen og hvordan adskiller den sig fra endlæsmodellen eller andre empiriske modeller? Jeg tror, at alle, der er her i dag, nu har et klart indtryk af, at det her med kværestof er hammerkompliceret. Og det er ikke fordi, at vi med DASY-modellen siger, at det er ganske simpelt. Det vi i virkeligheden prøver at gøre, det er i stedet for at bruge sådan lidt, hvis jeg skal være lidt freks, en black box approach, Vi tager og kigger på nogle udlastingsdater, og så tager vi nogle faktorer, som vi laver en rekreation på, og så finder vi nogle kovizienter, som vi så kan bruge til at forholde sig. Det vi gør med DASY-modellen er noget andet, der prøver vi ikke at sige, hvad er vores forståelse af systemet, som det ser ud nu. Og det vil sige, at vi ved, når der vokser afgåret på en mark, så er der en hel masse faktorer. Christopher illustrerede det udemærket, tidligere med at sige, at der er både noget med jordtype og afgrød historie og klima, og så videre, som indflyder på det her. Og det, vi prøver at gøre, er en mechanistisk model som DASY. Det er, at vi virkelig går ind på de enkelte del processer og siger, kan vi beskrive det her? Hvordan er vores forståelse af det? Kan vi vedhjælpe nogle matematiske udtryk beskrive, hvilken relation der er med den faktorerne på de enkelte del af modelen? Og det man så får, det er, at man får indbygget den processforståelse, vi har i vores beskrivelse. En videre er der også sådan, at i en mechanistisk model, der vil vi typisk tilstrække, at man har masse bevarelse. Det vil sige, at det vand, der ingår i det her system, det er koldstof, det er kvalgestof og så videre, der ingår. Jamen det holder man styr på i modelen. Man siger, at hvis vi tilfører noget kvalgestof, så bliver det enten optaget i afgrøden, eller det bliver tabt, eller det akkumuleres i en eller anden pul. Så der er et princip om massebevarelse. Og så kan man også sige, at en mechanistisk model tilstreber at have en samlet beskrivelse af planteproduktion, og det vil sige, at når vi har blivet modeltbeskrivelsen, så kan vi både sige noget om udvastningen, men vi kan måske også sige noget om andre processer forudsat de indbygget modellen, hvor man skal huske på, at det er kun en modell. Så Dacia-modellen er en sådan model, som består af en raketil-modeller, det vil sige inde i Dacia, der ligger der både modeller for jorden, for vandet, for varme, for organistof, for ammoniumkvester, for nitratkvester osv. Og modellen driver så af aktuelle hverdater. Dacia-modellen blev født som en satidligering i starten af 90'erne, så det er efterhånden ret mod en dame. Den har været, den er selvfølgelig udviklet løbende over de her ca. 25 år, og vi er nu op i version 59. Der er ca. 150 udskabelige artikler, hvor anden modellen er videreudviklet, eller kalibreret, eller valideret, eller bare anvendt til forskellige miljøanalyser. Så det er relativt omfattende arbejde, der ligger bagved. Så er der en vigtig ting, man skal huske, når man snakker Dacia, det er, at Dacia beskriver et enkelt punkt i marker. Det beskriver i virkeligheden, man kan sige, hvad er udviklingen i en bestemt jordsøjle. Og det vil sige, at det er for en bestemt jordtyper, en bestemt jordprofil, for en bestemt afgåde rotation, for en bestemt typer jordbehandling, en bestemt gødningstilldeling, halvens og husstyrgødning for et helt bestemt vær. Så hvis man vil sige noget gemmelsnitligt, så er man nødt til at tage en hel masse kombination af det her og beregne et gemmelsnit over dem. Man kan ikke bruge den enkelte simulering, som sådan, til at sige, hvad er i virkeligheden udvastning i gemmelsnit over Danmark, eller så gar over en bedrift eller et område. Men det væsentligere er at sige, at man modellen bygger på en forståelse af systemet, ikke på den her black box, og at vi kan kalibre en anden forhold ved en minikinitisk modell er jo, at når den består af de modeller, så kan vi kalibrere de enkelte dele på et eksperimentelle undersøgelse. Så det er altså ikke kun udvastningsdata, at modellen er kalibreret på. Og det kan jeg illustrere her på nogle data, hvor vi har på et tidspunkt valideret modellens evne til at sige noget over rigtig lang tid. Nu blev det sagt, at der har været vis afskellige data om, hvad er virkeligheden af fægten af flere års gødningstillførsel. Og en af de ting, der for eksempel er det hjemme en dykningspraktisk video, indflyde på indholdet af organ i stofretter og humus i jorden. Og her har vi så på et tidspunkt brugt nogle langtidsdata fra Asgård til at kalibrere modellens parameter for omsætning af organ i stof på langt sikt. Og dermed kommer frem til, at modellen så blev bedre kalibreret på at kunne få os i det, og dermed også hvad er så puljeopbygningen. Tilsvarerne har vi så fået nogle korderdata, prøvet at kalibrere de parameter i modellen, der har med den hurtige omsætning af kvælstof i organiske gønningsmidler i det her tilfælde så en række forskellige komposttyper, hvor man har kalibreret modellen til at kunne få os i hverden hurtige omsætning af kvælstof og kvælstof. Blot som eksempel. Så kan man sige, hvis vi vil bruge daesigt til at sige noget om marginaludvastning, som er det, vi skal sige noget om her i dag, så kan man sige, at alle, næsten alle biologiske systemer er jo ikke linearer. Altså, at tilføre vi noget i dobbelt mængde, så får vi ikke nødvendigvis den dobbelte udvastning eller den dobbelt afgrødde respons. Så typisk vil det være sådan, at den krummhed, som jeg tror, jeg har i virkeligheden, det er lidt nørdet her på konferensen, det handler om krummhed. Og der kan man sige, at den krummhed, den vil afhængere igen, at alle de her faktorer, hvad er det for et afgrød, hvad er det for et sædskift, hvad er det for en jordtyp, vi er på. Så man kan også sige, at marginaludvastningen, det er at tale om den som en konstant størrelse, er en misforståelse. Den vil alder være konstant. Den afhænger jeg, hvor vi er på den her krumme gude. Og det, der bare er katapinen for de fleste af os, der godt kan lide de her detaljerede bilder og krummhed og så videre, det er, at de fleste i vores omgivelse vil gerne have et enkeltal. Vi har lavet en hel del miljøvodering af forskellige typer af affaldsbehandling, og ingenører er klar at sige, kan ikke bare give os et tal. Og det er egentlig lidt det, som striden også her, kommer til at stå og have den om. Så man kan sige, hvad skal vi så takkele det, at jeg siger, at det ikke er konstant, og andre siger, de vil gerne have et tal. I en måde, vi har tilgået det på, det er, at vi vil sige, jamen, hvis vi prøver at kigge på, hvordan, hvad hedder det, stigende kvæstoptilførsel, resulterer i en aftagende udbytekoge. Så kunne vi måske få siblet det her. Man kan sige, her har vi vist simuleringer i et året år til plantarvstadsgiftet i et midtdansk klima med en gennemlæsning til jordtype, og det, der er vist på X-axen, det er ikke et totalt optagelsen, men det er den ekstra endoptagelses, den går altså igennem 0, men det betyder jo, at der er jo selvfølgelig en kvæstoptagelse i afgrøden, også selvom der ikke gøds, som det også er blevet vist tidligere i dag. Og der kan man sige, at når vi tilfører kvæstoff, jamen, så får vi et stigende udbyter på et eller andet tidspunkt, så rammer vi et maximum, og kurenbål er af her, ved et eller andet niveau. Så man kan sige, det kunne vi jo beskrive, som en simple respons, hvor der hvor afgrøden responderer rigtig godt på kvæstoffet, og et andet område, hvor afgrøden responderer noget mindre. Hvordan hænger det så sammen med udvastningen? Jamen, det hænger jo så typisk sammen på den måde, at når vi når op til det her punkt, hvor vi har maximum cirka, ja, der er efter, så vil det jo være sådan et kvæstoff, der tilføres i overskud, det vil på et eller andet tidspunkt udvaskes. Ikke nødvendigvis det første år, som der også er rigtig mange data, der er blevet vist her i formiddag, men der kan man sådan lidt for simpelthen sige, at man så længe vil ligge her, hvor afgrøden virkelig responderer, så viser vores modeller også typisk, at så er marginaludvastningen ganske lille i den størrelsesorten, som det er blevet vist, altså typisk under 10%, men når man kommer ud i et område ud over, hvad der er optimum. Så kan marginaludvastningen stangen være meget højere, og i virkeligheden over de 30 eller 40%, som der måske har været standard i den tidligere anlæsmodel. Så kan man sige, det der er en anden fordel ved mechanitiske modeller, det er også, at vi simulerer jo det her, med nogle forskellige tidskrigt ofte daglige, eller måske ugenlige tidskrifte i dag i nogle gange, end der er endnu kortere, hvis det handler om at simulere nogle meget detaljerede billeder. Men det betyder jo så også, at vi kan simulere hver effekten over flere år. Det vil sige ikke kun det første år. Og det som kurden her viser, det er jo, at i det her tilfælde er det sådan, at udbydelresponsen er det her det første år, og derfor kan der også være en udbydelrespons i det efterfølgende år, så har vi i virkeligheden her fortsattssimuleringen helt op til 100 år, og kigget på den akkumuleret effekt. Og der kan man så sige, at man selvfølgelig tilfører sådan, hvad der vil være normen eller optimum, så ligger vi typisk i et område, hvor langt hovedparten selvfølgelig er første år, og der kun er en lille effekt i de efterfølgende år. Og det er så, hvis det er en mineralskallingsgødning. Når vi tager de organiske gødninger, som Peter også viser noget, så vil det jo være sådan, at man så har en lille effekt det første år, men en ganske betydelig effekt i de efterfølgende år, og det vil sige, at akkumulereret er den her effekt over rigtig mange år, så kan der sages være en, og man endelig ikke lige så god som forhandsgødning, men en ganske betydelig effekt. Men det vil betyde også, at i de her år, der vil der så ske min rezenge uden for at vækse sådan, som man så kan forudsvige, hvordan den så opfører sig. Og det vil jeg sige, at det måske er de hele store fordele, med de mechanistiske modeller, vi kan i højere grad bruge dem til at interpolere over et udfaldsrum. Og det er til noget af det, vi har prøvet at gøre de her miljøbuddinger. Det her er et eksempel på, hvor vi har sagt, men Dase kan ikke bruges til at sige noget i gennemsnit ærger, hvor vi nødt til, når vi skal, for eksempel, vurdere forskellige spillevandsbehandlinger, hvordan anvendelsen er spillevandslarmet på lambrugsjord. Det påvirker sagde, om det nu har været den ene type brændlingslæg, eller det andet, eller om vi brænder slammet af, og til et bagfør afsping, eller hvad vi gør. Og det, som vi så i det her eksempel har gjort, er, at vi kan tage et pimentyper, hver historie over 30 år, vi tager tre forskellige jordtyper, vi tager en række forskellige gødninger, vi tager en række forskellige gødningsniveauer, og så et sadskifte og paramotere dem, når vi tilfører den her gødninger, det tilfører vi så først den givende spillevandslam her i det første år, og så det er efterhandelsgødninger, resten over hvert andet, ser udviklingen så ud i over 100 år. Og det giver et meget stort antal kombinationer her. I det her tilfører 40.000 forskellige scenarier, som har været simulæret over 100 år. Og tidligere vil vi sige, at man model som daisy, som er relativt kompleks, der vil det være en fuldstændig, håbløs opgaver i kasten. Men når man gør det her på moderne mainframe-computers, så er det spørgsmål om timer, hvor vi kan gøre det her på. Så det er rent faktisk muligt at gøre det. Og der kan man så få ud af det der, hvis vi så siger, her er så vits, for eksempel høstet ind i afgrød, og kvæstervudvastningen til dregen, og så også kvæstervlæringen i jord. Der kan man så sige, at vi har to kure forværer, er de to første agrafer, for det er nemlig sådan, at der hvor vi har en høj afgrøde respons, ja men der tager afgrøden så en betydelig andel af kvæstervet, og dermed får vi en lavere marginaludvastning i det her tilfæld på godt 15%. Og er vi så deroppe, hvor vi har tilfældt ud over optimum, så får vi altså selvfølgelig en lavere optage i afgrød, men det er gengæld en høj af marginaludvastning på ca. 30%. Og i begge tilfæld kan man så sige, vi får en koldstoflæring, der er så kun én graf, fordi den afhænger i virkeligheden ikke er tilføresetsniveauet. Altså hvor meget af det koldstof, der er tilføret i spillebandslag, med der rent faktisk bliver tilbage i jorden, og her kan man så sige, ja men langt det mest, det bliver jo tilbage i jorden, eller en del af det, de 60%, de får siden at løbe derfor over, men så vil det være, som Peter også vil sige det, eller sage tidligere, så vil der være en betydelig andel, som så i virkeligheden bliver i jorden over meget lang tid. Ja. Så man kan sige, så tror jeg, det er her over til, hvordan det er stadig for. Ja. Jeg skal vise et par slides, fra nogle projekter, som modellen har været, eller bliver anvendt i i øjeblikket, og som jeg mindt kunne være relevant i forhold til den debat, som har kørt om marginaludvastning. Og det første projekt her, det handler, og det blev udført i 2014-15, altså under den gamle regulering. Og den gennemførte jo via en række virkemidler, for eksempel efterafgrøder, og så tidligsåning af vintervede. Men for tidligsåning af vintervede, der visste forsøgene godt nok, at de optog mere kvældstof om efteråret. Men der var ikke rigtig nogen forskel ved høst, og der var faktisk meget få forsøg, hvor man også havde målt udvastning. Og så inden virkemidlet det blev udkendt, der blev vi bedt om at se, om vi kunne finde ud af, hvor det her kvældstof blev af. Og nu skal jeg se, om jeg kan finde ud og trykke på den rigtige. Ja. Og i beregningerne, der fik vi så heller ikke mere kvældstof i høst, men vi fik faktisk en forskellig udvastning, der nogenlunde svarede til forskellen i optagelse af kvældstof om efteråret. Og det ser ud som om, at forskellen ender i de organiske pulger i jorden. Det er den tidligsåde, det er den anden her, det er den sindsåde. Også når man ser over en længere tidsperiod, fordi det er det, vi har gjort her, og det er det, jeg har angivet, de er efter 10 års praksis, og op til 20 års praksis. Og de første 10 år, der er effekten faktisk lidt større. Så virkemedlet, det blev godkendt med, jeg tror, det var 7 kilo per hectare. Men når man ser op i beregninger, hvor kvældstofstilgængeligheden er lidt større, så stiger forskellen på udvastning også, fordi der også sker, der ud over opbygningen i organisk stof, også sker en større optagelse i den tidligsåde, ved, som vi ser, når vi høster. Og så marginaludvaskningen, den er altså forskellig for normalt sået ved, og for tidlig sået ved, og vi har en tidlig, en tilsvarende problematik med efterhavgrøderne. Og i reguleringen, der afrejnes de her ting med faste værdier. Men i praksis, så stiger effekten, altså når der er mere kvældstof til stede. Ja, i debatten har det været forslået under Gynningsnormen Øse, så kan man bare gå tilbage til de her gamle tommelfængeregler, vi havde omkring marginaludvaskning. Og vi har allerede snakket om, at det nok ikke er så simpelt. Vi gennemførte et projekt, hvor vi har forsøgt at klarelægge årsageren, så det fald i proteininhold i koren, der blev observeret over de sidste 25 år. Og det sidste punkt på kurven her, det er faktisk efter normerne blev ændret, men indtil da, der så vi et markant fald i proteininhold. Og til den ende har vi set på sikkes gødningsforsøg fra vintervede, fra 1947 til 2015, der er ca. 1000 forsøg i alt. Og figurenne her, de viser, udbyttet på Y-axen, plottet mod kværdstofprocenten i kærne, i gamle forsøg til venstre, fra 1947 til 1994, og i nye erforsøg fra 2010 til 2015, til højre. Og forsøgsledene har fået gødningsmængder fra 0 til 250 eller 300 kg kvældstof, og den røde er de mindste, og de der mørkeblå lilla, det er de højste. Og det man kan se, det er den der punktsværm i de nye dine rykket til venstre. Og det kan man måske bedre se, hvis man laver sådan en firkan. Der er overhovedet ikke nogen punkter i den der tynde firkan til venstre. Og der er ikke ret mange i den øverste firkan til venstre. Det er fordi plantefraget længe den har fyrt til, at vi nu har planter, der både producerer mere tørstof, eller der kan producere mere tørstof, ved lavere kvældstofindhold. Og vi højster, som det også er blevet sagt, både mere tørstof og mere kvældstof, ved de lavere normer, end vi gjorde før, men altså relativt mere tørstof, og det ser vi så som et fald i kvældstofprocenten. Så en del af det her fald, vi har set, det skyldes faktiske planterne her anderledes. Gødningsnormen er også skyld i en del af faldet, men landmændene har forsøgt at modvirke normendringerne ved tiltag, der ører kvældstofudnyttelsen, ved de lavere tildelinger. Og kvældstofdepositionen fra luften er faktisk faldet med 6 kilo per hectare, så det sænker også marginaludvaskningen. Så været blevet lidt varmer og lidt våder, og det går så den anden vej. Det kan faktisk øge udvaskningen. Men på nogen af jordtyperne, de mere lærede, så ser vi faktisk også et markant fald i indholdet organisk stof i jorden, og det vil sige at baggrundsmineralisering, den er også faldet, og dermed bidrager jorden med mindre kvældstof og en mindre marginaludvaskning. Man kan ikke bare ukritisk bruge det gamle tale. Hvis vi nu ser på fremtidige virkemedler på landbrugsarealet, så taler vi i sær om precisionslandbrug, og det betyder, vi skal forsøge at gøre det rigtigst muligt på hver eneste kvadratmeter i marken. Og den her figure, og det er bare en enkelt beregning, det er ikke et gennemsnit over noget som helst, er en del årsberegninger. Den viser et eksempel på beregnet udvaskning, når et tidskifte tildels den nuværende normgødning, eller når der er forskellige grader overlapp ved gødningsudspredningen. Og det er vist tydeligt, at det er en rigtig god idé at undgå overlapp, sådan som man forsøger at gøre med moderne precisiontudstyr. Og det er godt, hvad vi ender med at sprede den sammenmængde gødning, men udvaskningen bliver ganske simpelthen mindre, hvis vi kan undgå de her overlapp. Vi har også prøvet at isolere effekten af uens fremspiring, eller plantebestand på marken, og det kan man så bedre se på den her graf forneden. Og der er faktisk også lidt at hente ved at tilpas gødningsmægden til den faktiske plantebestand, men det syner jeg ikke så meget på den øverste graf i forhold til overlapp til effekten. I figuren til venstre går vi ud fra, at vi har ensartet forhold i marken, og figuren til højre, den viser kvæstoffoptalsen på en helt masse forsøgsplot i en variable mark, og alle de her plots har fået gødningsvarne til 50 kilo kvæstoff, og som vi kan se, så kan man højste alt, de mellem 30-130 kilo n-paktar af de her plots, fordi jordens frugtbarhed varierer. Og det gør den af forskellige årsager. Vi har nogle vældtrenede lavninger med stor mineralisering, og så har vi en kedelig gruset plættet stede, og så har vi nogle bakkeskulder, som har tabt af højt solg på grund af pløjeuktioner, og så er der nogle andre årsager af andre steder. Og det betyder selvfølgelig også, at marginaludvaskningen den vil varierere, efter hvor vi er i marken. Og kunsten er så at regulere kvæstoffmægden intelligent for at optimere udbytte og minimere udvaskning samtidig. Og det er ikke sikkert, at vi kommer til at ændre ret meget på den samlede gødningsmægde, men vi tror godt, at vi kan skære noget af udvaskningen, hvis vi gør det her. Og hvor meget der er hente, det kommer vi til at rejne på i år, men det fremgår forhåbentlig, at de her gennemsnittelige marginaludvaskningstal, vi diskuterer, det er ikke så meget til nødt i sammenhængen med de her nye virkemidler. Så jeg synes nok, at den her diskussion af marginaludvaskning, og det er meget, meget for simplet, og det kan ikke rigtig bruges til den her slags ting. Så summer vi op. Modellen er kompleks, som Lars har sagt. Den kan være svær og gennemsko. Den kan være vanskelig at kommunikere. Jeg vil sige, om der sker noget nødnede at trykke. Den er besætet på masse balancer. Der er ikke noget stof, der bliver væk. Vi har den tidsmæssig dynamik, som vi har talet om, både på kort og på lang sigt. Vi får sammenhørende resultater fra forskellige komponenter. Det vil sige, vi ved både, hvor meget der er høstet og hvor meget der er løbet udbundet. Når vi skal håndtere et virkemedel, som virker med kænte principer, så kan vi presentere et godt gift, fordi vi tror på, at vi ved, hvad der foregår. Selvfølgelig skal Børte altid valideres i praksis. Vi kan opdatere modellen med nye hoved. Der er der sket en hel masse her undskyld. Vi er rået langt ud. Øjblik. Undskyld. Mange parametrer, der har vi også snakket om. Vi skal hele tiden sikre os, at modellen svarer til virkeligheden. Det er en af ulemperne. Vi skal opdatere den, ligesom man gør med en list, men her er det for eksempel delmodeller, fordi vi har vores afgrød modeller, der ændrer sig. Det får vi sådan set ikke penge til. Der er ikke nogle forskningskasser, men det er penge til velige hold. Vi har de mange, mange simuleringer, som Lars har snakket om. Og så har vi en ganske særlig ulempe ved de avancerede modeller. Det er ikke ligegyldigt, hvad man sætter foran dem. Der er en stor effekt af, hvem man sætter foran. Det har jeg også vist i internationale samlinjer. Vi bliver klogere, fordi vi forstår interaktionerne mellem de forskellige dele af modellen. Massepalancerne, tidslige dynamik. Vi er opdateret med ny viden. Det kræver versionskontrol, men det giver også en mulighed for at få nødgotte af forskningsresultater, der er nye. Og så kan man samarbejde, fordi den enkelte forskers viden på et deleområde kan bidrage til den samlede system forståelse. Jeg har undskyldt, men jeg ved ikke den hoppet der til sidst for mig. Det går nok. Tak til Mariette. Lars, er der nogen, der har spørgsmål for uforskårsoplej. Det har du. Helskere symptom fra DTU-miljø. Det du siger med er, at de er meget simpelthen de her nye LES-4. I forhold til tre. Hvad seres det på, at puljen af kvænstof i jord er virkelig en, der betyder forfærdelig meget. Og det andet er det der med grundbidravet, som hele tiden er meget højt. Så om det ikke giver noget til jorden, er det de to ting, der giver den store forsket og det er også indviklet. Og det er den simpe metode. Jeg tror, at der er mange ting, der gør en forskel. Dels holder vi nok bedre styr på den organiske pulje, men vi kan også forholde os til, at planerne optager forskellige år. Det, der bliver optaget, er den største sink i systemet. Det er en meget rigtig del, at man kan have styr på, og meget af faktisk fjerne. Og det er en meget rigtig del, efterom vi har et godt år eller et dårligt år. Har du noget tilføje? Nej, det er ikke rigtigt. Ja, Nils, du har et spørgsmål. Jeg er blot, jeg skal bare opgare det nu. Jeg tror ikke, at der er mange, der har tydeligt om, at nogle skønne. Det interessante, at vi har den her mechanistiske model og koldt styr på de her ting. Nogle af de der ting, jeg beskriver, er, hvordan i egentlig sikrer den her interne konsistens på tværet for forskellige situationer, fordi som jeg forstod, eller så sagde du, jeg havde for eksempel kalibreret modelen, med nogle ascavdata for at få en bedre forståelse for opbyggning af organisk materiale. Det ved man jo. Den der opbyggning, den her, er utroligt forskellig på forskellige jordtyper. Og så tænker jeg, når jeg nu har kalibreret den demodule modelen, med de data der, vil komodellen på den jordtype til det, eller bruge den så alligevel i andre situationer, med demodul indsats, som om man er også galt for de andre jordtyper, eller hvordan sikrer man sig ind i den konsistens, i det, man gør? På den måde er Dacia jo fuldstændig lige så afhængig af data, som NLS er. Man kan sige, både NLS og Dacia kan bruges til at extrapolere. Og så vil vi altid stå i en langt, mere usikkeres situation. Men i konkrete det, der har vi jo så gjort det på nogle forskellige jordtyper. Og så kan man sige, fordelen ved en modell som Dacia, så hvis vi jo jo ved lidt om, og mener, at modellen beskriver den rigtige effekt af jordtype, så kan man sige, men så kan vi tage højde for det i en modell. Men det er klart, det fortsætter altid, at man har data til at kalibrere. Det vil også sige, at når vi så kan finde en ny data at kalibrere på, så skal det indbygge. Så det er der hvor, som er rigtig sige, så opstår der det problem, som jo sådan set også er i jeres med NLS, at når man går fra en version til en anden, hvordan sikrer man så konsistent fra den ene version til den anden? Men altså, og der kan man sige, indtil nu har vi jo brugt modellen som en forskningsmodell. Det vil sige, vi har ikke bekymret os så meget om, jo, vi har bekymret os rigtig meget om konsistensen i modellen, men om at alt det der, fordi som rigtig sige, det får vi ikke for, det kan vi ikke, altså det kan vi gøre sådan på siden, når vi har andre projekter, men da vi ikke har en nødlige kontrakt, så er det ikke det, vi kan bruge penge på. For det er vi slet ikke bidt over på KU. Tak til jer, To.