Get 20M+ Full-Text Papers For Less Than $1.50/day. Start a 14-Day Trial for You or Your Team.

Learn More →

Modelling Agroforestry’s Contributions to People—A Review of Available Models

Modelling Agroforestry’s Contributions to People—A Review of Available Models Review  Modelling Agroforestry’s Contributions to People—A Review  of Available Models  1, 2 1,3 2,4 1,3 Philipp Kraft  *, Ehsan Eyshi Rezaei  , Lutz Breuer  , Frank Ewert  , André Große‐Stoltenberg  ,   1,3 2 2,5 Till Kleinebecker  , Diana‐Maria Seserman   and Claas Nendel      iFZ Research Centre for Biosystems, Institute for Landscape Ecology and Resource Management, Justus  Liebig University, Heinrich‐Buff‐Ring 26, 35392 Gießen, Germany;   Lutz.Breuer@umwelt.uni‐giessen.de (L.B.); andre.grosse‐stoltenberg@umwelt.uni‐giessen.de (A.G.‐S.);  Till.Kleinebecker@umwelt.uni‐giessen.de (T.K.)    Leibniz Centre for Agricultural Landscape Research (ZALF), Eberswalder Straße 84, 15374 Müncheberg,  Germany; EhsanEyshi.Rezaei@zalf.de (E.E.R.); frank.ewert@zalf.de (F.E.); seserman@zalf.de (D.‐M.S.);  Claas.Nendel@zalf.de (C.N.)    Centre for International Development and Environmental Research (ZEU), Justus Liebig University   Giessen, Senckenbergstrasse 3, 35390 Giessen, Germany    Institute of Crop Science and Resource Conservation (INRES), University of Bonn, Katzenburgweg 5, 53115  Bonn, Germany    Institute of Biochemistry and Biology, University of Potsdam, Am Mühlenberg 3, 14476 Potsdam, Germany  *  Correspondence: philipp.kraft@umwelt.uni‐giessen.de  Abstract: Climate change, increasing environmental pollution, continuous loss of biodiversity, and  a  growing  human  population  with  increasing  food  demand,  threaten  the  functioning  of  agro‐ Citation: Kraft, P.; Rezaei, E.E.;  ecosystems and their contribution to people and society. Agroforestry systems promise a number  Breuer, L.; Ewert, F.; Große‐ of  benefits  to  enhance  nature’s  contributions  to  people.  There  are  a  wide  range  of  agroforestry  Stoltenberg, A.; Kleinebecker, T.;  systems implemented representing different levels of establishment across the globe. This range  Seserman, D.‐M.; Nendel, C.  Modelling Agroforestry’s  and the long time periods for the establishment of these systems make empirical assessments of  Contributions to People—A Review  impacts on ecosystem functions difficult. In this study we investigate how simulation models can  of Available Models. Agronomy 2021,  help to assess and predict the role of agroforestry in nature’s contributions. The review of existing  11, 2106. https://doi.org/10.3390/  models  to  simulate  agroforestry  systems  reveals  that  most  models  predict  mainly  biomass  agronomy11112106  production  and  yield.  Regulating  ecosystem  services  are  mostly  considered  as  a  means  for  the  assessment of yield only. Generic agroecosystem models with agroforestry extensions provide a  Academic Editors: Rüdiger Graß and  broader scope, but the interaction between trees and crops is often addressed in a simplistic way.  Ralf Bloch  The  application  of  existing  models  for  agroforestry  systems  is  particularly  hindered  by  issues  related  to  code  structure,  licences  or  availability.  Therefore,  we  call  for  a  community  effort  to  Received: 30 August 2021  connect existing agroforestry models with ecosystem effect models towards an open‐source, multi‐ Accepted: 18 October 2021  effect agroforestry modelling framework.  Published: 20 October 2021  Keywords: agroforestry; modelling; nature’s contribution to people; ecosystem functions  Publisher’s  Note:  MDPI  stays  neutral with  regard  to jurisdictional  claims  in  published  maps  and  institutional affiliations.  1. Introduction  Nature provides food, feed, energy and materials, as well as serving cultural needs,  and regulates the earth system’s functions. Termed “nature’s contributions to people”, or  Copyright:  ©  2021  by  the  authors.  in  short  NCPs,  they  have  been  described  by  the  Intergovernmental  Science‐Policy  Licensee  MDPI,  Basel,  Switzerland.  Platform on Biodiversity and Ecosystem Services (IPBES) as a further development of the  This article  is an open access article  ecosystem service concept [1,2]. Annual cropping systems provide only a limited range of  distributed  under  the  terms  and  such contributions, their purpose lies in the provisioning of either food, feed, materials or  conditions of the Creative Commons  energy. Building on a base of sole cropping, any addition of complexity to the cropping  Attribution  (CC  BY)  license  system is believed to increase its ecological value. Agroforestry systems, where annual  (https://creativecommons.org/license s/by/4.0/).  crops are mixed with perennial trees in a single field at the same time, are at the high end  Agronomy 2021, 11, 2106. https://doi.org/10.3390/agronomy11112106  www.mdpi.com/journal/agronomy  Agronomy 2021, 11, 2106  2  of  24  of complexity. Such systems generally show a more diverse provisioning of NCP’s [3], not  only by the simultaneous production of different crops and materials, but also through an  alteration in the regulation of ecosystem services [4–7]. Mixed cropping of annual crop  plants with  perennial trees allows  farmers to gain a higher diversification of products  within the same field and can result in a higher overall yield per area due to storey effects  [8,9]. However, perennials limit mechanization, the flexibility of land management, and  they  increase  the  complexity  of  overall  management  [10].  Other  priorities,  including  enhanced climate regulation, erosion control and/or increased landscape diversity, have  boosted interest in agroforestry systems for stakeholders outside the farming sector, who  view agroforestry as a tool to meet mitigation goals for climate change, increase habitats  for insects and birds, or to make landscapes more attractive for tourists or recreationists.  Agroforestry systems are more diverse than conventional agricultural systems [11],  as different tree species and crops multiply the possible combinations. In silvo‐pastoral  systems, tree crops are aligned with meadows suitable for pastorage, while silvo‐arable  systems combine tree crops with annual arable crops [12]. More complex combinations  are also in use. The density of tree/annual crop interactions varies from alley cropping  systems with wide row distances to wood pasture systems with an almost closed canopy.  This diversity, which is specific to agroforestry, adds to the variability of conventional  annual cropping systems, which is caused by climate, soil and topography. There have  been  only  a  limited  number  of  established  experimental  sites  where  the  effects  of  agroforestry on multiple NCP’s have been studied. This limitation is especially apparent  for temperate regions while more research has been conducted in the tropics. The number  of experiments in temperate regions, however, is growing, with newly designed studies,  but it will take several years to decades until the trees planted are mature enough to enable  detailed investigations of the long‐term system effects [13].  The time gap between the design of an experiment and the availability of its results  makes  the  design  and  planning  of  an  agroforestry  system  crucial.  While  it  is  easy  to  change a crop rotation that is based on annual plants, this is not the case for perennial  systems  and  especially  not  for  trees  that  might  have  a  turn‐around  time  of  decades.  Statistical  approaches  to  predict  optimized  designs  for  different  goals  suffer  from  an  incomplete knowledge base. Upscaling and design optimization are hindered by the small  number of agroforestry sites, and the consequent low number of observations of system  responses to interacting environmental and management factors [11]. However, policy  makers  who  work  at  a  regional,  national  and  international  scale  need  to  know  which  effects are to be expected from large‐scale promotion of agroforestry systems, before they  design and implement their policies. While experiments are few, simulation models can  be  used  to  predict  the  effects  of  introducing  agroforestry  systems;  several  of  those  currently available have been reviewed by Lüdeling et al. [14].   The  models  can  be  roughly  separated  into  three  classes:  (a)  simplistic  large‐scale  effect  models,  (b)  simplified  models  with  limited  data  requirements  for  agricultural  extension and modelling landscape‐scale effects, and (c) process‐based research tools on  the plot‐to‐field scale. In general, models of type (a) are built using informed hypotheses  about agroforestry functioning and analogies with annual agro‐ecosystems and forestry  upscale effects to regional or even continental scale, such as the ESAT‐A [15] indicator  system, similar to the well‐known InVEST system [16]. Simplified, data‐sparse, process‐ oriented growth models, type (b), e.g., YieldSAFE [17] can be used by practitioners for  agricultural  extension  services.  Such  models  have  been  created  to  represent  different  designs of agroforestry systems with process complexity adjusted to publicly available  data. Models of this complexity level can be used at a landscape scale without the need  for  specialist  computation  hardware.  However,  their  simplicity  limits  their  ability  to  predict  effects  that  emerge  from  interdependencies  of  various  ecological  effects.  In  contrast,  process‐based  models,  type  (c),  in  which  the  spatial  configuration  of  species  composition and the interaction between trees and annual crops is represented in detail,  often benefit from a long development legacy in either agroecosystems or forestry, and    Promotion, funding, agricultural extension Agronomy 2021, 11, 2106  3  of  24  include  a  well‐tested  body  of  algorithms.  Their  biophysical  nature  makes  them  transferable and these models have been successfully applied in agroforestry  systems.  However, the demand for input data, the prevailing lack of knowledge on the driving  mechanisms of the competition or facilitation (tree‐crop) for resources, and computational  limitations, preclude detailed process models for regional applications (eg. WaN  uLCAS) [18]. One of the key features of process‐oriented agroforestry models is the  ability to simulate interactions between trees and crops in the same field, including the  competition for light, water and nutrients, and changes in the microclimate [14]. General  land‐use models usually do not consider this interaction, even though they are developed  to model both annual crop growth and perennial tree growth individually on different  patches. However, applying process‐based models on scales larger than a field requires  large computational resources and detailed datasets for  model calibration and testing,  which is why simpler models are often preferred on larger scales. A particular strength of  the  process‐based  models  then  lies  in  their  ability  to  investigate  complex  feed‐back  mechanisms in the represented system.  Especially for agroforestry systems, the contribution of system features, management  and design, to NCPs is not fully understood [19]. Here, process‐based models have great  value for testing hypotheses, increasing system understanding, and informing on‐field  experimentation  prior  to  establishment,  through  virtual  experiments  [20,21].  This  is  particularly relevant for agroforestry systems because of the long timeframes required for  their establishment and their large number of designs. Once designed and parameterised,  process‐based  models  can  create  a  space  of  possible  agroforestry  system  responses  to  external variables, which can then be picked up by simpler models (emulators), meta‐ models, or form the basis of indicator systems for scaling to larger areas or over longer  time  spans,  which  is  often  required  for  policy  support  [22,23].  Figure  1  shows  the  conceptual relations and feedback between real agroforestry systems, agroforestry models  and policymaking, highlighting the benefits of decision support by use of models.  Agroforestry systems Inspiration Traditional Detailed process model framework Validation Application Calibration Experimental  Simulation of virtual  Simulation of real  Observations experiments experiments Management  Modern decision support Design decision support Future Synthesis Policy decision Landscape‐effect meta‐models AF system policy support Agroforestry policy Figure 1. Relationships and feedbacks between established agroforestry systems, models and policy. Agroforestry systems  are  divided  into  traditional  smallholder  systems  that  have  developed  at  local  or  regional  scale  over  long  timespans,  experimental systems managed by research institutions, modern operative systems managed by farmers for production,  and not yet established future systems in a model‐guided design phase towards optimized contributions to people.  Agroforestry models Agronomy 2021, 11, 2106  4  of  24  In  this  framework,  detailed  process‐oriented  models  are  calibrated  and  validated  against existing experiments. These models can be used to quantify and optimize nature’s  contributions to people (NCP) in existing agroforestry systems, according to the needs of  the  stakeholders.  With  virtual  experiments,  new  designs  and  layouts  of  agroforestry  systems  can  be  tested  prior  to  establishment  with  respect  to  the  productivity  and  ecosystem services (ES) rendered by such systems. In virtual landscapes, they can be used  to identify gradients of agroforestry system design and create indicator systems and meta‐ models for large‐scale application.   Objective  In this study, we reviewed available biophysical agroforestry models for their ability  to  assess  relevant  ecosystem  services,  using  the  concept  of  nature’s  contributions  to  people, as suggested by Fagerholm et al. 2016 [19]. We identified structural, technical and  legal problems for cooperative model development to solve problems associated with the  current state of agroforestry models.  Biophysical  models  do  not  assess  NCP’s  directly,  but  they  predict  effects  on  ecosystem  properties  such  as  wind  speed,  carbon  storage  or  groundwater  recharge.  Section 2 compiles the ecosystem properties (or model output variables) relevant for the  provision of NCP’s and stakeholders based on a review of the current literature. Section 2  also introduces the groups of NCPs to be used in Section 3.  Section 3 provides an overview of current biophysical agroforestry models and lists  which NCP relevant system properties are covered by their model outputs. The model  outputs from Section 2 covered by the models in this review are shown in Table A1.   Section  4  discusses  the  structural,  technical  and  legal  properties  of  agroforestry  models, in order to investigate their potential to be extended by the scientific community  to cover a broader set of NCP‐related model outputs and processes.  2. Agroforestry Ecosystem Properties Contributing to People  2.1. Groups of Nature’s Contributions to People (NCP)  Agroforestry’s contributions to people are different as compared to landscapes in  which patches used  for agriculture and forestry are spatially  separated. Process‐based  models  calculate  states  and  fluxes  of  the  biophysical  properties  of  nature.  These  biophysical properties of agroforestry systems need then to be translated to NCPs. We  demonstrate  this  using  the  system  of  18  NCPs  as  presented  by  Díaz  et  al.  [1].  Their  approach,  however,  is  partially  redundant  in  terms  of  ecosystem  properties:  e.g.,  provisioning of habitats for various animals and plants (NCP 1) mostly includes the ability  to provide habitats for seed and pollen dispersing animals (NCP 2), although the type of  contribution differs.  To  overcome  these  redundancies,  in  this  paper,  we  propose  links  between agroforestry system properties and NCP groups (Table 1). We identified NCPs  related to biodiversity (NCP 1, 2, 10, and 14), air quality (NCP 3), climate (NCP 4), water  percolation (NCP 6–8), surface protection (NCP 8–9), production (NCP 11–13) and the  group of socio‐cultural NCPs (NCP 15–17). Ocean acidification (NCP 5) is only indirectly  related to agroforestry and was excluded from this study. Nature contributes to people  by enabling opportunities, to benefit humanity in ways to be discovered (NCP 18). As  models can only be based on already existing knowledge, NCP 18 is not part of this study,  although it is perceived as one of the major benefits of agroforestry [24].        Agronomy 2021, 11, 2106  5  of  24  Table  1.  Groups  of  nature’s  contributions  to  people,  summarized  from  Table  S1  in  Díaz  et  al.  (2018).  The  types  are  regulating (R), material (M), cultural (C), and options (O).  Group  #NCP  Type  NCP‐Name  Exemplary System Property  1  R  Habitat  Animal diversity  2  R  Seed/pollen dispersal  Biodiversity  Plant diversity  10  R  Pest regulation  Landscape diversity  14  M  Biotechnology  Air quality  3  R  Air quality  Pollution filtering, dust prevention  4  R   Climate regulation  CO2 emission, C‐sequestration, Surface cooling,  Climate  Evapotranspiration  5  R  Ocean acidification  6  R  Water quantity  GW recharge  Water  7  R  Water quality  N/P‐load, water supply, N supply  8  R  Soil protection  Soil functioning, vegetation cover,  Surface protection  9  R  Hazard regulation  wind/water erosion  11  M  Energy  Woody biomass, Crop biomass, Fruit biomass,  Production  12  M  Food & feed  timber biomass  13  M  Materials  15  C  Learning & inspiration  Landscape character/beauty  Culture  16  C  Experience  Culture heritage  17  C  Identities    18  O  Options  Not part of this study  2.2. Linking NCP Groups with Agroforestry System Properties  2.2.1. Biodiversity  Agroforestry increases the compositional heterogeneity (i.e., the number of different  habitat types, NCP 1), as well as habitat connectivity (i.e., higher field border density, NCP  2) which are both primary factors benefitting biodiversity at the landscape scale [6]. High  edge density and increased connectivity in agricultural landscapes were also shown to  promote  functional  biodiversity  of  arthropod  pest  antagonists,  which  in  turn  enhance  yields (NCP 10) [25]. Aside from their habitat function, supporting a multitude of different  plant  and  animal  species,  agroforestry  systems  can  also  serve  as  an  important  gene  reservoir, such as for old varieties of fruit trees (NCP 14) [26].  2.2.2. Air Quality  Aerosol deposition increases due to the increased surface roughness, which reduces  the velocity of air flows [27]. This creates a sink for air pollutants. Shelter belts can reduce  the odour diffusion of livestock production and manure application [28], depending on  the density, geometry and the shape of the selected tree species’ leaves. Urban trees filter  pollutants in a similar manner in cities [29]. Due to the decreased wind speed at the crop  level,  alley‐cropping  systems  can  significantly  reduce  drift  emissions  during  the  application of fertilizer and pesticides [30]. Fine, respirable mineral dust, originating from  wind  erosion,  is  another  threat  to  air  quality,  which  agroforestry  systems  have  the  potential to mitigate. The system property regulating air quality is the altered wind field,  with decreased velocity and enhanced turbulence of the air flow.  2.2.3. Climate Regulation  Agroforestry systems can enhance the resilience of agro‐ecosystems towards climate  change  [31].  Important  biophysical  vegetation‐atmosphere  interactions  include  energy  exchange  through  latent  heat,  radiation  transfer,  storage  of  carbon  below  and  above  ground,  and  the  emissions  of  greenhouse  gasses  (NCP  4,  NCP  5).  For  example,  agroforestry  can  reduce  the  net  loss  in  long‐wave  radiation  from  plant  surfaces  and    Agronomy 2021, 11, 2106  6  of  24  protect plants from radiation frosts locally [32], alleviate drought stress of the crop [33,34],  and alter the temperature, with positive and negative effects on the crop depending on  the growth stage [33]. Agroforestry can further alter surface roughness and thus airflows  [35], with potential effects on plant productivity through the reduction of  wind speed  [33,36], and reduce evapotranspiration of the crop [37] with potential effects of the tree  age [38].   Agroforestry is also capable of directly mitigating climate change. Several studies  have reported on the positive effects on C storage in such systems [4,39,40]. Much less  information  has  been  published  on  the  role  of  agroforestry  systems  and  trace  gas  emissions. Reduced CO2 and N2O emissions and increased CH4 sinks have been reported  for the humid tropics [41]. However, the effects of agroforestry for other climates are less  clear from reported reduced emissions [42] but also from higher emissions during freeze‐ thaw cycles [43].  2.2.4. Water Regulation  Soils are important filter systems for rainwater to percolate through. Nutrients and  pollutants undergo a complex interaction with soil minerals and biota, and purified water  adds  to  groundwater  resources  from  which  drinking  water  is  then  retrieved  [44].  In  contrast to forests with minimal percolation beyond the rooting zone [45,46], croplands  and grasslands play an important role in groundwater replenishment. However, as they  are often heavily fertilized to ensure production, groundwater quality is at risk. Adding  trees to a site that is otherwise cropped with annual plants adds another rain interceptor  [47]  and  water  consumer,  whose  roots  may  eventually  grow  underneath  the  annuals  [48,49]. This increases the water and nutrient use efficiency of the system [50], but leaves  even less water for deep percolation and groundwater recharge. Reducing the radiation  input  through  shading  improves  the  growth  condition  for  the  annuals  in  most  circumstances, so that reduced radiation input is compensated for by less stress through  high temperatures and slower development [51,52], despite higher night temperatures  [53].  A  better  growing  crop,  however,  consumes  more  water  and  nutrients.  If  wide  agroforestry architectures are employed, deep percolation of water and, consequently,  leaching of nutrients occurs in the centre rows between tree lines with higher probability,  compared to   the field edge in the vicinity of the tree row [54]. In some circumstances,  trees increase the water percolation, which leads to an optimum tree share that balances  positive and negative effects on deep percolation [55].  2.2.5. Surface Protection  The long‐term development of soils is crucial as they are a natural resource for the  provisioning of most NCPs as a habitat for animals and plants, (NCP 1, 2, 10), regulation  of water quality and quantity (NCP 6, 7), and as a basis for land production (NCP 11–13).  The effect of wind erosion on air quality has already been addressed in Section 2.2.2. The  physical protection of the on‐site surface is therefore a future contribution of nature to  people (NCP 8). The tree canopy protects the surface from the destructive kinetic energy  of rain drops. Tree roots reduce soil disturbance, stabilize aggregates, develop preferential  flow path in soils, and lead to higher infiltration capacities [56]. This can, depending on    design,  slow  down  surface  runoff  by  increasing  the  surface  the  agroforestry  system roughness.  Higher  surface  water  retention  in  the  field  means  less  flash  floods  and  sediment deposition  off‐site,  protecting  surrounding  dwellings  from  hazards (NCP  9).  Increasing  the  share  of  agroforestry  systems  in  a  watershed  can  therefore  change  the  runoff characteristics of a landscape. Relevant properties include the surface roughness,  the physical protection of the soil from splash and detachment, the infiltration capacity,  and changes in micro‐topography.        Agronomy 2021, 11, 2106  7  of  24  2.2.6. Production  Tree  and  crop  combinations  in  agroforestry  systems  provide  a  wide  range  of  products  (NCP  11–13)  to  people,  which  contribute  to  food  security  (food  and  feed),  income (wood and timber), and specific products (rubber, coffee, tea, and cacao) [57–59].  The  ecological  nature  of  the  interactions  between  tree  and  crop  components  in  agroforestry  systems  can  lead  to  improvements  in  overall  product  quantity  without  suppressing the benefits of other ecosystem services to people [60]. Agroforestry models  can address the crop‐related NCPs by simulation of crop biomass and grain yield (NCP12)  in reasonable detail; however, most of these models have failed to simulate tree growth  processes (NCP11) and by‐products such as rubber and fruits (NCP13) [14].  2.2.7. Socio Cultural Contributions  Agroforestry systems have been a commonly applied land‐use system across Europe  before mechanization and mineral fertilizer application changed agricultural production  [61]. As parts of a lost landscape of the past, Elbakidze et al. [24] showed, for four Baltic  countries, that the benefits of agroforestry are predominantly perceived as socio‐cultural  contributions. However, modelling agroforestry systems as places to support identities,  for  learning,  and  to  generate  physical  and  psychological  experiences,  is  extremely  dependent  on  the  location  and  historic  uses  of  agroforestry.  There  is  no  distinct,  measurable property  of agroforestry  systems that can be used as a global indicator of  socio‐cultural  contributions.  By  the  diversification  of  agricultural  landscapes  and  by  increasing  biodiversity,  agroforestry  can  support  human  well‐being  and  people’s  identification  with  their  home  region  [62].  For  regional  studies,  additional  indicators  producible  by  models  may  exist,  like  the  abundance  of  free‐standing  oaks  in  central  Sweden [63] or apple trees in central Germany [26].  2.3. Stakeholders for Modelling NCPs of Agroforestry Systems  Different  stakeholders  expect  predictions  of  different  NCPs  (ref.  Table  1)  and  knowledge  generation  at  various  scales  from  agroforestry  models.  We  classified  the  interest  groups  of  agroforestry  models  into  farmers,  agribusiness  (including  advisors,  companies  and  insurance  providers),  researchers,  non‐governmental  organizations  (NGOs), and policymakers.   Farmers  are  generally  interested  in  site‐specific  simulations  providing  crop  yield,  fruit,  timber,  and  wood  production  (NCP  11–13)  [64].  Furthermore,  near‐real‐time  predictions  of  soil  variables  covering  the  spatial  heterogeneity  of  the  field  are  in  high  demand  by  farmers,  as  they  promise  valuable  information  towards  improved  tactical  management [65]. Agroforestry models suitable for farmers should therefore cover the  effect of various management practices for decision support from field‐to‐farm scale [66],  including biotic (biodiversity, particularly NCP 2 and NCP 10) and abiotic stresses (e.g.,  water and nutrient deficiency, heat; NCP 4, NCP 6) affecting production [67]. In response  to policy regulations, they need to consider the environmental impact of their activities  on air (NPC 3), water (NCP 6), and soil (NCP 8) quality. Many farmers are an essential  part of a tradition‐oriented rural society with strong cultural aspects (NPC 16 and NCP  17).  Agribusiness  companies  are  mainly  concerned  with  employing  models  for  simulating crop yield or wood/fruit production (NCP 11–13), depending on their service  portfolio  for  field  and  farm  scale  [68].  Agroforestry  models  used  by  agribusiness  companies  should  ideally  focus  on  specific  processes  or  field  management  options  in  detail [69] particularly with respect to pest and disease control (NCP 10). For instance,  fertilizer or pesticide producers are interested in the responses of crops and trees to the  application of their products. They also require the models to trace the impact of chemicals  on water quality (NCP 7) and soil health (NCP 8). Insurance companies are interested in  farm to regional‐scale simulations that relate production (NCP 11–13) to extreme events    Agronomy 2021, 11, 2106  8  of  24  (e.g.,  heavy  rain/hail,  drought  and  frost)  covered  by  NCP  4  and  NCP  9.  They  seek  to  separate the effects of mismanagement from meteorological variables, which are beyond  farmersʹ control. In addition, analyses of inter‐annual yield variability and spatial yield  maps are target outcomes for such companies. The product market is interested in reliable  predictions  of  the  upcoming  harvest  to  adjust  logistics  and  sales.  Agribusiness  is  also  sometimes interested in developing their own models but their intention for doing so is  purely market oriented.   In contrast, researchers develop models to answer specific scientific questions and  gain  process  understanding  (NCP  15).  They  are  interested  in  simulation  of  processes,  effects and feedback loops across different spatial and temporal scales, to disentangle the  complex interactions among management, environments, and plants. A perfect model for  researchers simulates various products such as crop yield, fruit, timber, and wood (NCP  11–13) and impacts on the regulation of NCPs (1–10) depending on the research question  [70].  Researchers  need  modelling  platforms  with  a  nested  structure  that  simulates  different processes with various degrees of complexity for each process depending on the  application  scale,  considering  the  available  observed  data  for  model  calibration  and  validation. Researchers’ expectations from a model can cover all NCPs.   Stemming from a desire to help people to both receive and deliver sufficient, safe and  nutritious food, feed and materials, NGOs target most of the NCPs identified in this study.  From  providing  educational  resources  to  consulting  other  stakeholders  regarding  agroforestry practices, NGOs support the continuous development and improvement of  such systems through information campaigns and on‐site projects [71]. For this, NGOs  sometimes use models or model results to revise their goals and evaluate their projects, in  a similar way to policy‐making in governmental organizations.  Lastly,  policymakers  are  one  of  the  main  stakeholders  using  the  output  of  agroforestry models with interested in a regional or national context [72], as advised by  their supporting agencies. Since high‐resolution model inputs are often not available at  the  regional  scale,  models  with  a  simple  structure  are  preferred  to  those  that  require  detailed information for model calibration [73]. Such models should be able to project  strategies  for  adaptation  to  and  mitigation  of  climate  change  impacts  and  weather  extremes (NCP 4, NCP 5, NCP 9). Other environmental impacts of concern are impacts on  air (e.g., NH3 emissions or particulate matter exposure PM2.5; NCP 3) and water quality  (NCP  7).  More  recently,  the  impact  of  agricultural  activity  on  biodiversity,  especially  insect diversity, has gained momentum and has led to interest in NCP 1 and NPC 2. For  future planning and exploration of policy options, policymakers might be interested in  coupling such agroforestry growth models with economic models. Given that political  decisions  are  responsible  for  landscape  planning,  NCP  15–17  should  be  addressed  by  specific models as well.  3. Assessing Nature’s Contribution to People with Existing Models  3.1. Existing Agroforestry Models  Lüdeling  et  al.  [14]  described  and  compared  eight  different  agroforestry  models  selected for their ability to directly model the interaction between annual crops and trees.  We have extended this list to a total of 13 models, to include all biophysical agroforestry  models we identified in the peer‐reviewed literature addressing the mixed cultivation of  annual crops/grassland and trees (table 2). The list of models includes detailed generic  growth models, encompassing different  tree species and crops (Hi‐sAFe, WaNuLCAS,  SCUAF, APSIM, and EPIC). Hi‐sAFe, WaNuLCAS and SCUAF have been designed for  agroforestry systems specifically, while APSIM and EPIC are general plant growth models  that have later been adapted to simulate agroforestry systems. APSIM is a full‐bodied  mechanistic simulation model that describes agroforestry systems in a high level of detail.  In  the  case  of  EPIC,  Easterling  et  al.  [33]  varied  the  weather  input  file  to  account  for  windbreaks and shading. Another family of models includes highly specialized process    Agronomy 2021, 11, 2106  9  of  24  models  built  for  specific  cropping  systems:  SBELTS  (soy  with  shelterbelts),  WIMISIA  (millet  with  wind  breaks),  COMP8  (pine  and  grassland)  and  DynACof  (coffee  under  shade trees). The HyPAR model connects a generic tropical broadleaf tree growth model  with a specific sorghum crop model (PARCH). A similar approach exists in combination  with a cassava model (GUMCAS [74]) with the name HyCAS [75]. ESAT‐A is an indicator  system for agroforestry effects without explicit temporal dynamics.  Table 2. Agroforestry models considered in this study.  Model  Reference  Type of Model  Spatial Representation  Detailed generic process  Hi‐sAFe  [76]  3D structure  model  Detailed generic process  WaNuLCAS  [18]  2D hillslope  model  Detailed generic process  SCUAF  [77]  unclear  model  Detailed multi‐crop  APSIM  [67,78,79]  2.5D area  process model  Detailed generic  EPIC for AF  [33]  2.5D area  conceptual model   Soy growth model with  SBELTS  [80]  1D horizontal  shelterbelt effects  Millet growth model with  WIMISIA  [81]  2D vertical plane  wind break effects  Competition between  COMP8  [82]  Pines and surface cover  2D vertical plane  vegetation (weeds, crops)  Detailed process model for  Meta model from 3D  DynACof  [83]  coffee under shade trees  canopy shading model  Conceptual model for  HyPAR  [84]  sorghum with tropical  Field level  hybrid broadleaf trees  Yield‐sAFe  [17]  Generic conceptual model  Field level  ICBM/N  [85]  Water balance model  Field level  ESAT‐A  [15]  Indicator system  Landscape level  3.2. Assessment of NCP Relevant Ecosystem Properties by Existing Agroforestry Models  Each of the listed models has been developed to answer different research questions.  It was not the main purpose of these models to capture nature’s contributions to people  in  general,  rather  models  have  mainly  been  developed  to  capture  the  productivity  response  of  agroforestry  systems  to  environmental  and  management  drivers.  An  exception is the indicator system ESAT‐A, which has been developed to assess the impact  of agroforestry on ecosystem services for large‐scale applications. However, it does not  consider feedback loops and system dynamics. We show in the following sections which  of the available models assess the relevant ecosystem properties from Section 2.  3.2.1. Biodiversity  Biodiversity plays a subordinate role in agroforestry research [19]. Agroforestry has  been  shown  to  particularly  improve  regulating  services  including  biodiversity  [86]  by  increasing both the number of different habitats and the edge density.   With a focus on production, recent agroforestry models do not contain procedures to  characterize habitats for animals, unplanned successional plants, or microbial diversity,    Agronomy 2021, 11, 2106  10  of  24  although feedbacks between the population density of seed dispersing insects and yields  exist.  Only  ESAT‐A  uses  an  indicator  to  estimate  effects  on  plant  biodiversity  by  introducing  agroforestry,  but  in  a  very  simplified  manner.  Although  not  directly  incorporating biodiversity as a driver for outcomes such as crop yield, the Hi‐sAFe model  uses competition and facilitation, which are important mechanisms explaining positive  biodiversity‐productivity  relationships  in  biodiversity  ecosystem  functioning  research  [76].  Independent  from  the  agroforestry  models  in  this  review,  Shachak  et  al.  [87]  provided  a  theoretical  framework  for  studying  the  environmental  impacts  of  woody  plants to understand their effects on biodiversity. Woody biomass patches differ from the  surrounding in variables such as shade, water, and litter regimes. The contrast between  woody patches and their surroundings affects organism assemblages and biodiversity.  Prevedello et al. [88] presented a simple, synthetic, individual‐based model that generates  realistic  patterns  of  species  richness  and  density  as  a  function  of  landscape  structure.  Sybertz  et  al.  [89]  developed  a  simple  model  to  predict  bird  and  plant  richness  in  farmland;  bird  richness  was  able  to  be  successfully  modelled.  However,  biodiversity  models of any scale are often site‐specific and can have a narrow scope of application.  3.2.2. Air Quality  No model subject to this review includes a detailed mixing routine to simulate the  exchange of aerosols between the free atmosphere and the surface. SBELTS, WIMISIA and  EPIC include routines to model vertical wind profiles for agroforestry systems, which can  be  used to  extend  the  models  with  emission/deposition  models. Explicit  wind  erosion  models are also not included in the agroforestry models. Only the EPIC/APEX modelling  family, a land use modelling package often applied for agroforestry systems, contains an  empirical risk assessment formulation for wind erosion impact. The number of available  wind erosion models is generally limited, as reported in a review by Jarrah et al. [90].  Large scale applications are dominated by empirical simplified models for wind erosion  like the WEQ/RWEQ [91] model family with an approach comparable to the universal soil  loss  equation  (USLE)  [92]  for  soil  loss  by  water;  the  EPIC/APEX  model  family  uses  a  similar approach. Differences in design between agroforestry systems, like row distance,  tree geometry and spacing can only be captured by an integrated factor, which is yet to be  defined by the scientific community. The WEPS model is predominantly used in process‐ based wind erosion modelling studies [90]. It can simulate the spatial explicit impact of  tree patterns [93] and provides a time‐continuous modelling of the top soil moisture.   3.2.3. Climate Regulation  Changes in biophysical feedbacks between vegetation cover and atmosphere albedo,  long‐wave‐radiation,  evapotranspiration,  surface  roughness  and  cloud  formation  can  have both positive and negative NCP‐related effects [1]. In current agroforestry models,  such  parameters  are  rather  poorly  covered.  This  contrasts  with  their  importance  in  physical models to assess the potential cooling effects of afforestation [94]. They are highly  relevant in terms of NCPs, as afforestation (e.g., for carbon sequestration) changes the land  surface  reflectance,  which  affects  land  surface  temperature  positively  and  negatively,  depending  on  climate  zone  and  latitude  [94].  Furthermore,  the  offset  between  the  potential warming effects of afforestation and carbon storage has a temporal dimension  [95]. While cloud formation is only partly considered in one current agroforestry model  (APSIM),  albedo  and  long‐wave  radiation  are  covered  in  two  recent  models  (APSIM,  DynACof). Solar radiation is more commonly used as an input parameter that defines  plant growth (e.g., EPIC), rather than as an output variable. Similarly, surface roughness  is  only  computed  in  one  model  (SBELTS,  “roughness  height”).  In  contrast,  evapotranspiration  can  be  retrieved  from  most  existing  models,  sometimes  even  separately  for  soil  evaporation  and  plant  transpiration  (WaNuLCAS).  Therefore,  we  identify  a  need  to  represent  the  biophysical  feedbacks  between  vegetation  cover  and  atmosphere  both  spatially  and  temporally  in  future  agroforestry  models  to  explore    Agronomy 2021, 11, 2106  11  of  24  potential cooling or warming effects of systems, particularly regarding interactions with  other NCPs related to carbon sequestration.   The  soil  carbon  cycle  is  poorly  represented  in  most  of  the  agroforestry  systems  models (Table A1). While more than half of the models simulate at least some aspects of  plant‐based carbon storage (including roots) only the comprehensive modelling platforms  APSIM and EPIC can simulate the complex C and N turnover belowground, and their  effect on soil carbon storage. This is astonishing, to say the least, when one takes into  account  that  agroforestry  systems  are  often  primarily  implemented  to  increase  carbon  storage in terrestrial ecosystems [39,40]. Emphasis is put on aboveground carbon storage,  neglecting the fact that soils can store vast amounts of carbon. The YieldSAFE model has  been extended with soil carbon storage routines [96] to address this gap.   Equivalently important are greenhouse gas emissions and how they are influenced  by  agroforestry  system  design  and  their  management  [41].  Surprisingly,  we  found  no  study where greenhouse gas emissions have been quantified in model‐based assessments  for agroforestry systems. However, APSIM and EPIC are generally capable of simulating  greenhouse  gas  emissions.  For  the  further  consideration  of  greenhouse  emissions,  process‐based  models  such  as  LandscapeDNDC  [97]  or  DAYCENT  [98]  could  be  considered in agroforestry model systems.   3.2.4. Water Regulation  Water and nutrient dynamics are often central when agroforestry is suggested as an  option  to  increase  nature’s  contributions  to  people.  The  main  assumptions  on  micro‐ climate regulation through agroforestry have direct consequences for plant growth and  subsequent water and nutrient consumption and loss. The different hypotheses on the  benefits of additional trees in croplands have been partly tested in field experiments, but  the  interactions  of  plant  growth,  water  and  nutrient  dynamics  are  so  diverse  that  mechanistic simulation models need to be employed to fully disentangle the individual  contributions  of  the  different  factors  involved.  From  a  human  perspective,  the  main  concern lies with the effects of agroforestry on groundwater replenishment, groundwater  quality, and water and nutrient supply to plants for biomass growth and yield formation.  Among  the  existing  models,  many  do  simulate  drainage  and  nitrate  leaching  in  a  mechanistic way (e.g., HyPAR, WIMISIA). However, nutrient dynamics or, specifically,  the  release  of  nutrients  from  soil  organic  matter  turnover  is  often  not  considered.  DynACof 3D models contribute here with their ability to separate different zones of root  distribution  across  an  agroforestry  site.  This  allows  testing  of  whether,  and  at  which  distance, the presence of trees affects the drainage of water and subsequent leaching of  nutrients. Such ‘leaky’ zones could be simulated as a major contributor to nutrient losses  underneath agroforestry systems, but also for potential groundwater replenishment.   The water consumption of crops and trees influences the soil water budget. A full  consideration  should  include  the  interception  of  rain  in  different  canopy  storeys,  the  spatial  redistribution  of  rain  through  stem  flow  and  canopy  drip,  and  a  plausible  representation  of  crop  and  tree  transpiration  and  water  uptake  from  soil.  Here,  agroforestry models benefit from existing agro‐ecosystem models, from which some have  borrowed modules for soil water and nutrient dynamics (e.g., SBELTS, APSIM). However,  a 3D structure would be required to represent the spatial pattern and identify hotspots of  drainage.  The resulting soil moisture, in turn, has effects on soil organic matter turnover, for  which an optimum soil moisture exists. The resulting nutrient release adds to the nutrient  availability for plant uptake, but also for losses. In the case of N, both nitrate (leaching)  and nitrous oxide (gaseous emissions) formation are affected; in the case of C, it is the  building up of recalcitrant soil C stocks and the emission of CO2. This feedback is included  in the mechanistic agro‐ecosystem models. Phosphorus release and availability is only  considered in a few models (e.g., WaNuLCAS, Hi‐sAFe, APSIM), with various levels of    Agronomy 2021, 11, 2106  12  of  24  complexity. Feedback to erosion, an important pathway for P losses, is not considered in  any of the agroforestry models reviewed.   The Hi‐sAFe model is potentially able to address all the above‐mentioned feedback  loops,  and  has  done  so  with  many  of  them  already  [51].  What  is  still  missing  is  the  feedback between soil moisture and soil organic matter mineralization/plant N uptake,  and the question of whether agroforestry would really reduce N leaching or would just  make zoning of N fertilizer demand even more complicated, with undesired effects on N  leaching. Some of the agroforestry models do not consider deep percolation of water and  nutrients as an output, as their focus lies solely on the feedback between soil moisture and  plant growth (e.g., Yield‐sAFe), or on the dynamics of soil C stocks (ICBM/N).   3.2.5. Surface Protection  Water erosion is integrated into SCUAF, EPIC/APEX and APSIM using the USLE  model family. The USLE [92] is an overlay of empirically derived factors describing the  erosivity of rainfall events, the erodibility of the soil, topography, soil cover by crops, and  factors affecting the effectiveness of soil protection measures, e.g., contour ploughing. In  an application study of the Farm‐sAFe model, the soil erosion protection of agroforestry  was  calculated  by  factoring  the  tree  canopies  into  the  soil  cover  factor  [99].  Process‐ oriented modelling of soil erosion is deliberately left out of the agroforestry process model  Hi‐sAFe [76]. The WaNuLCAS model contains a mechanistic approach to water erosion  running, as does the rest of the model, on a daily time step. A comparison of a calibrated  WaNuLCAS model  with the  erosion  model  WEPP [100]  for  an agroforestry  system in  Thailand  showed  a  strong  overestimation  of  the  surface  runoff  [101].  The  rangeland  hydrology and erosion model (RHEM) [102] is based on WEPP, but has been extended  with parameters for a better capture of woody  patches, but this model  package omits  routines for plant growth in the herbal/crop and tree layer and is therefore not a subject  of this study.   The integrated modelling systems available do not directly capture roughness and  infiltration effects. However, at least WaNuLCAS can be setup with a predefined macro  pore regime. Plant growth and the presence of trees changes the surface roughness. A  modelling  study  for  wide  tree  strips  in  Australia  showed  a  strong  effect  on  the  soil  moisture  distribution  by  changes  in  surface  roughness  and  infiltration  capacity  [103],  which is missing in available integrated crop‐tree interaction models.   3.2.6. Production  The primary motive behind developing and applying most agroforestry models is to  simulate  crop  and  tree  products  under  various  environmental  conditions  and  management  practices  [14].  The  main  products  of  the  crop  component  simulated  are  above‐ground  biomass  and  marketable  yield  [104].  The  tree  component  generally  simulates wood, timber, and in rare cases, fruit yield [104]. The simulation of fruit yield is  complicated  since  the  fruit  quality  properties  (such  as  size,  shape,  colour,  and  water  content) are the more critical variables for marketability in most cases, and not the fruit  quantity,  where  approaches  that  are  more  generic  can  be  employed.  Most  of  the  agroforestry models use the light use efficacy concept [105] for biomass accumulation and  partitioning coefficients to distribute the assimilates across the organs in both crop and  tree components [14]. However, a few models employ a daily net photosynthesis concept  to simulate above‐ground biomass [84]. Water and N deficiencies are the only biomass  and yield‐limiting factors considered by agroforestry models, generally represented by  using simple reduction factors, while P deficiency is usually missing. Nevertheless, Hi‐ sAFe simulates water and nitrogen stress using a process‐based approach that affects leaf  area index, light use efficiency, and allometric coefficients. Agroforestry models mainly  consider the competition for light as the primary driver of direct interactions between crop  and  tree  components  [106].  On  the  other  hand,  the  direct  competition  for  water  and  nitrogen  are  not  adequately  represented  due  to  the  lack  of  data  for  calibration  and  a    Agronomy 2021, 11, 2106  13  of  24  knowledge  gap  in  process  understanding.  A  few  models  partly  reproduce  the  below‐ ground competition between species, considering the difference in transpiration demand,  available water, and N in the overlapping root zone, the difference in potential uptake  rate of roots, relative root length density, and pre‐defined resource distribution among  crops and trees (Hi‐sAFe, Yield‐sAFe, WaNuLCAS).  There is a trade‐off between the numbers of processes considered by models and the  parameterisation efforts needed to simulate yield and tree products [104]. The 3‐D and 2‐ D models which consider impacts of a broad range of management options, including  thinning,  branch/root  pruning,  fertilization,  irrigation,  mulching,  etc.,  require  more  intensive parametrization efforts especially with parameters that are mainly available at  field scale, making upscaling a challenge for the users [14]. Another shortcoming of the  current agroforestry models, being species‐specific, is the lack of generic crop and tree  components in the modelling platforms, limiting their application across environments.   3.2.7. Socio Cultural Contributions  As discussed in Section 2.2.7, there exists no global indicator or ecosystem property,  with a universal translation into social cultural contributions. Consequently, none of the  model  descriptions  mentions  usage  of  the  model  to  address  the  socio‐cultural  contributions of agroforestry systems to people.  3.3. Summarizing the Models Abilities to Assess NCP Related Ecosystem Properties  Table A1 list all of the models considered in this review and their ability to model the  ecosystem properties connected with specific NCPs as structured by Díaz et al. [1]. Every  ecosystem  property  that  is  fully  assessed  by  a  model  is  marked  with  100%,  partial  coverage with 50%. Table 3 summarizes this information with the mean values of each  model for the NCP groups.  Table 3. Average coverage value for the models to assess NCP‐related ecosystem properties. Shading emphasizes higher  coverages. The coverage percentage is derived from Table A1.  Hi‐sAFe  WaNuLCAS  SCUAF  APSIM  EPIC  SBELTS  WIMISA  COMP8  DynACof  Hypar  Yield‐SAFE  ICBM/N  ESAT‐A  Biodiversity  0%  0%  0%  0%  0%  0%  0%  0%  0%  0%  0%  0%  33%  Air quality  0%  0%  0%  33%  67%  33%  33%  0%  0%  0%  0%  0%  33%  Climate  20%  15%  5%  90%  45%  20%  15%  0%  40%  15%  15%  0%  5%  Water  100%  100%  40%  100%  80%  40%  20%  100%  40%  100%  100%  0%  60%  Surface protection  25%  63%  50%  50%  50%  0%  25%  0%  0%  25%  50%  25%  50%  Productivity  75%  75%  63%  50%  50%  38%  38%  0%  50%  50%  75%  0%  0%     Process models for agroforestry systems have mainly been developed to optimize  productivity of the systems, which is therefore the focus for all models. Generic modelling  of  multiple  crop  and  tree  species,  including  wood  and  fruit  production,  is  almost  not  possible (Table A1). Due to the role of water and nutrient supply in productivity, water  quantity and quality regulation is also a core feature of the available models. Impacts on  the biodiversity‐related contribution to people are not a subject for the existing models,  except for the indicator system ESAT‐A, which offers at least some indicators for plant  diversity. Other groups of NCPs are also covered by only a few models, like air quality  and surface protection, often by rather large‐scale conceptual models, and not by process‐ oriented models. Properties for climate regulation effects are only scarcely modelled, with  the mechanistic crop growth models APSIM and EPIC as exceptions.  None of the models produces output to assess all of nature’s contributions to people.  To cover a broader range, existing process models need to be enhanced or coupled with    Agronomy 2021, 11, 2106  14  of  24  adequate routines from other models, if possible. Such a framework of integrated models  and routines from different disciplines needs to overcome technical, conceptual and legal  barriers to become possible.  4. Towards a Multi‐Effect Modelling Framework for Agroforestry  Section  3  shows  that  the  state  of  modelling  agroforestry  systems  with  regard  to  NCP’s is still lacking the tools to assess a broad and relevant set of ecosystem services [19].  The complexity of agroforestry systems results in complex models. Extending agrofor‐ estry models to cover all NCPs requires more work than a single group of experts can  deliver in the scope of a project. Instead of solving all links between NCPs and manage‐ ment at once, we would like to propose building step‐by‐step on existing models from  within and from outside the agroforestry modelling community to form a multi‐effect  modelling framework. How well existing models fit into a community led framework de‐ pends on technical, conceptual and legal issues relating to the models’ source code. Such  a framework will be complex to build and use and would result in a research tool and not  necessarily an operational tool directly useable by modelling stakeholders outside of the  research community.  4.1. Technical and Conceptual Requirements  Lüdeling et al. [14] have already sketched a “way forward” for agroforestry model  development, highlighting some features for the future of agroforestry modelling includ‐ ing flexibility through interoperability, model simplicity, and model longevity. These re‐ quirements are even more necessary for a multi‐effect modelling framework that enables  the simultaneous assessment of various regulating NCPs. We expand on this here with  more features, incorporating the earlier ideas of Buytaert et al. [107] on modularity, port‐ ability and accessibility.  4.1.1. Accessibility and Model Longevity  Model source code that is widely accessible has a higher chance of being taken up by  others and developed further, even if the original developers subsequently lost their in‐ terest or means. Model code becomes accessible if it is: (i) published with a code license  approved by the free software community [107], (ii) well‐structured and documented, and  (iii) written in an appropriate and widely used programming language. If any of these  aspects is missing, the model code cannot easily be passed from one developer or institu‐ tion to another, with a view to reducing the risk that society might lose model applications  at the end of a specific project or initiative, as described by Burgess et al. [108]. Accessible  source code is the prime requisite of model properties for further development. We use  level indicators to describe a gradual shift from no accessibility at all to full accessibility,  as follows: (0) no published information concerning the model implementation, (1) men‐ tioning of a few implementation details (e.g., platform), but no information about code  access, (2) published promise on code access on request, unclear terms and licenses ex‐ pressed, (3) published promise on code access on request, proprietary license and/or spe‐ cial legal requirements on usage, (4) download of source code from public repository with  proprietary license, (5) download of source from repository with a free license approved  by the Free Software Foundation. All accessibility levels below (5) are not sufficient to  integrate a model code into a community framework.  4.1.2. Portability  Portability describes the potential to run a model across a wide range of hard‐ and  software platforms. It is important for users interested in running single scenarios and for  developers working on specific model mechanics to run a model code on a normal PC.    Agronomy 2021, 11, 2106  15  of  24  These users can also profit from a graphic user interface. For large‐scale applications, sta‐ tistical parameter optimization and uncertainty assessment, the same model code should  be run massively parallelised on a high‐performance computing cluster using different  operating systems and hardware components. Graphical interfaces bound into the model  code can prohibit these kinds of applications. Programming languages lacking support  across operating systems or depending on expensive runtimes pose another problem for  portable model frameworks.  4.1.3. Interoperability, Modularity and Simplicity  The term flexibility is mainly used by Lüdeling et al. [14] to describe the possibility  to interface agroforestry models in a broader framework; we call it interoperability here.  A flexible agroforestry model can be used as a module to be interfaced with other models  like economic or catchment hydrology models, depending on the stakeholder’s needs. In‐ teroperability addresses the environment of the model.  Modularity, as required by Buytaert et al. [107] for hydrologic models, refers to the  internal structure. Clark et al. [109] describe environmental models as a network of inter‐ acting hypotheses and assumptions and recommends that models are modifiable at the  level of individual processes so that these assumptions can be tested individually. Such  modular model kits are now available in hydrology, such as SuperFLEX [110] or CMF  [111], which can be used to construct new models. Models for plant growth and soil chem‐ istry are usually more complex. Modular approaches tend to refer to the replacement of  complete  sub‐models  describing  a  compartment.  For  example,  in  the  biogeochemical  models LandscapeDNDC [97], ExpertN [112] or SIMPLACE [113], different models are  available for plant growth, biogeochemical processes in soil solution, and transport by  water. However, the need for re‐parameterisation of newly configured models remains a  challenge.  The term simplicity, as used in Lüdeling et al. [14], means that a model should have  a balanced complexity. However, the target complexity in each domain depends on the  research question and on the NCP relevant for the stakeholders. The ability to change  model  components  in  a  modular  modelling  framework,  allows  for  the  adjustment  of  model complexity with regard to the research question; hence modularity is also a tool to  keep model simplicity balanced in an evolving modelling framework.  However, coupling existing sub‐models to compose a flexible and modular super‐ model is still challenging, even if the models have been developed with the previously  stated goals in mind. From our experience, major technical roadblocks for model integra‐ tion include missing portable interfaces to internal states, boundary conditions and fluxes,  incompatible  spatial  and  temporal  resolution  and  scope,  incompatible  licenses  of  the  source code, and missing documentation at the implementation level. Interfacing different  models creates an additional challenge: most environmental models have been validated  for their predicted lumped effects and not at the process level. Combining processes from  previously validated models does not automatically create a new valid model. The newly  composed model needs to be validated against experimental observations.  4.2. Conceptual and Technical Issues of the Existing Agroforestry Models   details, especially  Modelling research  articles often  omit technical and conceptual earlier articles. The availability of source code, or even executables, is not reported for  most of the reviewed models. There is no mention of the source code availability, the pro‐ gramming language, or modelling platform used, for SCUAF, SBELTS, HyPAR, WIMI‐ SIA, ICBM/N, COMP8 and ESAT‐A (accessibility level 0). While the mathematical model‐ equations can be reprogrammed in a new approach, code reuse for interoperability is not  possible. Re‐implementing the models for integration into a larger framework is demand‐ ing and error prone or not possible at all, if the original implementation cannot be used  for guidance and verification.    Agronomy 2021, 11, 2106  16  of  24  ICBM/N or its basis ICBM [114] (SAS and Microsoft Excel, respectively) was origi‐ nally available online but the links for download in the references are no longer active. As  a spreadsheet application, this model did not provide defined interfaces, modularity, or  portability (accessibility level 1).  The process‐based Yield‐sAFe model has been implemented initially in Matlab and  later as an Excel spreadsheet applications [17]. The Matlab version is not publicly availa‐ ble, the Excel used to have link for download which is now non‐functional. A Python  version of the code has been developed recently [115], but not made publicly accessible.  This latest version has defined interfaces for interoperability and is portable across plat‐ forms (accessibility level 2).  The source code of the DynACof model is unconditionally available in a public online  repository [116]. The model code is licensed under the GNU Public License (GPL) and can  therefore be obtained, changed and applied and published without further approval of  the developer. The model has therefore ensured longevity and can be used or adapted in  future, reaching accessibility level 5. However, the DynACof model is, by design, a highly  specialized model for the specific needs of coffee production and provides no defined in‐ terfaces for interoperability.  The EPIC model in its original form, including its source code, is freely available  [117]. The modifications by Easterling [33] to the weather generator for simulating agro‐ forestry systems, however, are not publicly available (accessibility level 0). The original  EPIC code [118] has been developed and has been updated continuously. The EPIC im‐ plementation is in the form of a monolithic structure and is not designed for modularity  and tightly coupled interoperability. EPIC is written in a widely used programming lan‐ guage (FORTRAN) and released under the GPL license in a repository (accessibility level  5), so it is possible to reuse parts of the source code in another context—either adapted or  fully translated to another programming language. The portable code can be compiled for  most operating systems.  WaNuLCAS is developed inside of the commercial modelling system STELLA by  iseesystems.com. The project files are hosted by the World Agroforestry Center (ICRAF)  [119]. The license allows free non‐commercial use of the code but does not mention rights  for reuse and changes—both conditions make the license incompatible with licenses ap‐ proved by the Free Software Foundation (accessibility level 4). The dependency on third‐  party commercial software prohibits interoperability in a framework and modular use of  sub‐models.  Hi‐sAFe’s code is available from the projects homepage and is written in JAVA on  top of the forest modelling platform Capsis [120] and integrates the generic crop growth  model STICS [121], written in FORTRAN. Both foundation models are highly modular  and well suited for model interoperability, as Hi‐sAFe itself proves. Hi‐sAFe can be ob‐ tained from the authors free of charge, albeit with very limited rights for the user to ex‐ tend, change or distribute these changes (accessibility level 3), with the additional require‐ ment that publications containing a Hi‐sAFe application must include a co‐author from  the original development team. It is therefore not possible to include Hi‐sAFe’s code in a  larger  independent  framework  and  hence,  enhancements  to  cover  more  NCP  relevant  properties would require a formal authorisation and support from the development team.  The modifications to APSIM by Huth et al. [78] to model agroforestry systems, that  include eucalyptus trees as shading and wind shelter elements for various annual crops,  have recently been further developed and integrated into the APSIM modelling system  [67]. The APSIM framework is highly modular in its design and for many processes con‐ tains alternative sub‐models to choose from and runs on most operating systems. The  source code is publicly available and model usage is free of charge for public research [79]  (accessibility level 4). A commercial license can be obtained. The non‐commercial license  is free of charge and limited to three years and must be renewed regularly. New features  can be contributed to APSIM, if the copyright of that development is given to the APSIM    Agronomy 2021, 11, 2106  17  of  24  initiative (AI). Modifications, enhancements and related work cannot be published with‐ out the agreement of the AI. Coupling with code published under the GPL is not possible.  4.3. Do We need to Start the Multi‐Effect Framework from Scratch?  The road to multi‐effect multi‐crop frameworks to predict the ecological impacts of  agroforestry practices at the field/landscape level starts with combining existing multi‐ crop growth models with existing tree growth models to allow consideration of relevant  agroforestry‐specific light, water and nutrient dynamics among interacting plant types.  Only the detailed generic crop models Hi‐sAFe, EPIC and APSIM are suitable to model  practice gradients at the field scale and provide a basis for large scale meta‐models. The  model Hi‐sAFe is built in this way and provides the widest range of tree/crop combina‐ tions. EPIC, WaNuLCAS and APSIM are the two other options for process‐based generic  models in this review. EPIC’s approach to tree/crop interaction is rather simplistic [33]  and  lacking  indirect  effects  of  joint  resource  consumption  of  trees  and  ground  crops;  WaNuLCAS’s design decision prevents its use in a wider framework [14].  The APSIM modelling framework covers most ecosystem properties that translate  into NCPs. Smethurst et al. [67] introduced an agroforestry module for APSIM simulating  shading and competition for nutrients and water, without the use of a proper tree growth  model. Nutrients and water demand of trees are modelled as a sink term. Lateral fluxes  of water and nutrients between tree and crop patches are not considered. The APSIM  framework provides modularity, portability and interoperability as the source code of the  respective modules is publicly accessible but restricted by the APSIM licence. As such, the  APSIM approach to agroforestry modelling is promising, but lacks the freedom to inde‐ pendently develop modules within the framework.  5. Conclusions  Do agroforestry models currently include a “broad and relevant set of ecosystem services  at multiple spatial scales” [19]? We have shown in Section 3 that current agroforestry models  still focus predominantly on production and consider NCP regulation mainly as a means  for biomass production and yield. That is to be expected, since other ecosystem services  were  not  considered  as  target  variables  alongside  production  in  agroforestry  systems.  Most agroforestry models have been developed with an even narrower scope, with spe‐ cific combinations of a single tree species with a single crop species. Extending process  models is a task for researchers as well as filling empirical gaps with virtual experiments.  Such a new detailed modelling framework can be used for studies at the field scale and to  derive simplified approaches, e.g., as meta‐models for policy decision support and  by  NGOs for strategic decision support. Stakeholders with a focus on production, like farm‐ ers, and agricultural extension are already well equipped with existing, production fo‐ cussed tools available for use at multiple scales.  With respect to nature’s contributions to people, agroforestry models require further  development and a broader scope. To include existing research work in further model  enhancement, open‐code policy is essential. To this end, stakeholders using models or  model results to address knowledge gaps, offering advice and contributing to a broad  range of NCPs, would also benefit from the structure highlighted in this study. Detailed,  modular frameworks at the field level can help to improve simplified models and indica‐ tor systems. Currently, we see a lack of sufficiently modular, freely accessible and re‐usa‐ ble simulation frameworks (see Section 4), in which tree growth, crop growth, and com‐ ponents accounting for species competition, which could be further developed by other  than the original research group. The ambition to produce a modelling framework that  facilitates the simulation of a wide range of agroforestry’s contributions to people is a  great challenge, and it requires a community effort to advance in this field.    Agronomy 2021, 11, 2106  18  of  24  Author Contributions: Conceptualization, P.K., E.E.R., L.B., F.E., T.K., A.G.‐S. and C.N.; methodol‐ ogy, P.K., E.E.R., L.B., F.E., C.N.; writing—original draft preparation, P.K., E.E.R., L.B., T.K., A.G.‐S.  and C.N.; writing—review and editing, P.K., E.E.R., L.B., F.E., T.K., D.‐M.S., A.G.‐S. and C.N.; su‐ pervision, L.B. and C.N. All authors have read and agreed to the published version of the manu‐ script.  Funding:  P.K.  and  L.B.  acknowledge  funding  from  the  Hessisches  Landesamt  für  Naturschutz,  Umwelt  und  Geologie  (HLNUG)  for  the  project  “Innovativer  Erosionsschutz  für  Hessen  unter  Klimawandel (Z1‐15C c 01.02.)“; L.B. received further funding from the Hessisches Ministerium für  Umwelt,  Klima,  Landwirtschaft  und  Verbraucherschutz  (HMUKLV)  in  the  frame  of  the  project  „Agroforstsysteme Hessen”; F.E. acknowledges support by the Deutsche Forschungsgemeinschaft  (DFG,  German  Research  Foundation)  under  Germany’s  Excellence  Strategy—EXC  2070— 390732324.  Data Availability Statement: No additional datasets have been used  Acknowledgments:   We  acknowledge the editors  and reviewers for  their  helpful advice  to im‐ prove the manuscript  Conflicts of Interest: The authors declare no conflict of interest. The funders had no role in the  design of the study; in the collection, analyses, or interpretation of data; in the writing of the manu‐ script, or in the decision to publish the results.  Appendix A  Table A1. Agroforestry’s ecosystem properties, assessed by the existing models. This table is the basis for Table 2. The  symbols represent values for averaging. Legend: green: covered by model (1), amber: partly or overly simplistic coverage  (0.5), red: ecosystem property not covered by model (0).  Hi‐ Yield‐ ESAT‐ Group  Variable  sAFe  WaNuLCAS  SCUAF  APSIM  EPIC  SBELTS  WIMISA  COMP8  DynACof  Hypar  SAFE  ICBM/N  A  Biodiversity  Plant species diversity  0%  0%  0%  0%  0%  0%  0%  0%  0%  0%  0%  0%  100%  Biodiversity  Animal species diversity  0%  0%  0%  0%  0%  0%  0%  0%  0%  0%  0%  0%  0%  Biodiversity  Landscape diversity  0%  0%  0%  0%  0%  0%  0%  0%  0%  0%  0%  0%  0%  Air quality  Aerosol mixing model  0%  0%  0%  0%  0%  0%  0%  0%  0%  0%  0%  0%  0%  Air quality  Wind profile  0%  0%  0%  100%  100%  100%  100%  0%  0%  0%  0%  0%  0%  Air quality  Wind erosion  0%  0%  0%  0%  100%  0%  0%  0%  0%  0%  0%  0%  100%  Climate  Plant C storage  100%  100%  50%  100%  100%  0%  0%  0%  100%  50%  50%  0%  0%  Climate  Soil C storage  0%  0%  0%  100%  100%  0%  0%  0%  0%  0%  100%  0%  50%  Climate  CO2 emission  0%  0%  0%  100%  100%  0%  0%  0%  0%  0%  0%  0%  0%  Climate  N2O emission  0%  0%  0%  100%  0%  0%  0%  0%  0%  0%  0%  0%  0%  Climate  CH4 emission  0%  0%  0%  100%  0%  0%  0%  0%  0%  0%  0%  0%  0%  Climate  Albedo  0%  0%  0%  100%  0%  0%  0%  0%  100%  0%  0%  0%  0%  Climate  long‐wave radiation  0%  0%  0%  100%  0%  0%  0%  0%  100%  0%  0%  0%  0%  Climate  ET (incl. moisture recycling)  100%  50%  0%  100%  100%  100%  100%  0%  100%  100%  0%  0%  0%  Climate  Surface roughness  0%  0%  0%  50%  50%  100%  50%  0%  0%  0%  0%  0%  0%  Climate  Cloud formation  0%  0%  0%  50%  0%  0%  0%  0%  0%  0%  0%  0%  0%  Water  Groundwater recharge  100%  100%  0%  100%  100%  100%  0%  100%  0%  100%  100%  0%  100%  Water  N leaching  100%  100%  0%  100%  100%  100%  0%  100%  0%  100%  100%  0%  100%  Water  P export to water bodies  100%  100%  0%  100%  0%  0%  0%  100%  0%  100%  100%  0%  100%  Water supply to plants/Com‐ Water  petetion  100%  100%  100%  100%  100%  0%  100%  100%  100%  100%  100%  0%  0%    Agronomy 2021, 11, 2106  19  of  24  N supply to plants/Competi‐ Water  tion  100%  100%  100%  100%  100%  0%  0%  100%  100%  100%  100%  0%  0%  Surface  protection  Water erosion  0%  100%  100%  100%  100%  0%  0%  0%  0%  0%  100%  0%  100%  Surface  protection  Surface friction  0%  0%  0%  0%  100%  0%  0%  0%  0%  0%  0%  0%  0%  Surface  protection  Vegetation cover  100%  100%  100%  100%  0%  0%  100%  0%  0%  100%  100%  100%  100%  Surface  Preferential flow path  protection  infiltration  0%  50%  0%  0%  0%  0%  0%  0%  0%  0%  0%  0%  0%  Productivity  Harvested crop yield  100%  100%  100%  100%  100%  100%  100%  0%  100%  100%  100%  0%  0%  Productivity  Timber production  0%  0%  0%  0%  0%  0%  0%  0%  0%  0%  100%  0%  0%  Productivity  Wood production  100%  100%  100%  0%  0%  0%  0%  0%  100%  100%  0%  0%  0%  Productivity  Fruit production  0%  0%  100%  0%  0%  0%  0%  0%  0%  0%  0%  0%  0%  Productivity  Single crop  100%  100%  100%  100%  100%  100%  100%  0%  100%  100%  100%  0%  0%  Productivity  Multiple crops  100%  100%  0%  100%  100%  0%  0%  0%  0%  0%  100%  0%  0%  Productivity  Specific trees  100%  100%  100%  100%  100%  100%  100%  0%  100%  100%  100%  0%  0%  Productivity  Multiple trees  100%  100%  0%  0%  0%  0%  0%  0%  0%  0%  100%  0%  0%  Yield‐ Group Variable Hi‐sAFe WaNuLCAS SCUAF APSIM EPIC SBELTS WIMISA COMP8 DynACof Hypar SAFE ICBM/N ESAT‐A Biodiversity Plant species diversity Biodiversity Animal species diversity Biodiversity Landscape diversity Air quality Aerosol mixing model Air quality Wind profile Air quality Wind erosion Climate Plant C storage Climate Soil C storage Climate CO  emission Climate N O emission Climate CH4 emission Climate Albedo Climate long‐wave radiation Climate ET (incl. moisture recycling) Climate Surface roughness Climate Cloud formation Water Groundwater recharge Water N leaching Water P export to water bodies Water Water supply to plants/Competetion Water N supply to plants/Competition Surface protection Water erosion Surface protection Surface friction Surface protection Vegetation cover Surface protection Preferential flow path infiltration Productivity Harvested crop yield Productivity Timber production Productivity Wood production Productivity Fruit production Productivity Single crop Productivity Multiple crops Productivity Specific trees Productivity Multiple trees References    Agronomy 2021, 11, 2106  20  of  24  1. Díaz, S.; Pascual, U.; Stenseke, M.; Martín‐López, B.; Watson, R.T.; Molnár, Z.; Hill, R.; Chan, K.M.A.; Baste, I.A.; Brauman, K.A.;  et al. Assessing Nature’s Contributions to People. Science 2018, 359, 270–272. https://doi.org/10.1126/science.aap8826.  2. Brauman, K.A.; Garibaldi, L.A.; Polasky, S.; Aumeeruddy‐Thomas, Y.; Brancalion, P.H.S.; DeClerck, F.; Jacob, U.; Mastrangelo,  M.E.; Nkongolo, N.V.; Palang, H.; et al. Global Trends in Nature’s Contributions to People. Proc. Natl. Acad. Sci. USA 2020, 117,  32799–32805. https://doi.org/10.1073/pnas.2010473117.  3. Smith, J.; Pearce, B.D.; Wolfe, M.S. Reconciling Productivity with Protection of the Environment: Is Temperate Agroforestry the  Answer? Renew. Agric. Food Syst. 2013, 28, 80–92. https://doi.org/10.1017/S1742170511000585.  4. Cardinael, R.; Chevallier, T.; Cambou, A.; Béral, C.; Barthès, B.G.; Dupraz, C.; Durand, C.; Kouakoua, E.; Chenu, C. Increased  Soil Organic Carbon Stocks under Agroforestry: A Survey of Six Different Sites in France. Agric. Ecosyst. Environ. 2017, 236, 243– 255. https://doi.org/10.1016/j.agee.2016.12.011.  5. Pavlidis,  G.;  Tsihrintzis,  V.A.  Environmental  Benefits  and  Control  of  Pollution  to  Surface  Water  and  Groundwater  by  Agroforestry Systems: A Review. Water Resour. Manag. 2018, 32, 1–29. https://doi.org/10.1007/s11269‐017‐1805‐4.  6. Udawatta,  R.P.;  Rankoth,  L.;  Jose,  S.  Agroforestry  and  Biodiversity.  Sustainability  2019,  11,  2879.  https://doi.org/10.3390/su11102879.  7. Marsden, C.; Martin‐Chave, A.; Cortet, J.; Hedde, M.; Capowiez, Y. How Agroforestry Systems Influence Soil Fauna and Their  Functions—A Review. Plant Soil 2020, 453, 29–44. https://doi.org/10.1007/s11104‐019‐04322‐4.  8. Mead, R.; Willey, R. The Concept of a Land Equivalent Ratio and Advantages in Yields from Intercropping. Exp. Agric. 1980, 16,  217–228. https://doi.org/10.1017/S0014479700010978.  9. Seserman, D.‐M.; Freese, D.; Swieter, A.; Langhof, M.; Veste, M. Trade‐Off between Energy Wood and Grain Production in  Temperate Alley‐Cropping Systems: An Empirical and Simulation‐Based Derivation of Land Equivalent Ratio. Agriculture 2019,  9, 147. https://doi.org/10.3390/agriculture9070147.  10. Graves, A.; Burgess, P.; Liagre, F.; Dupraz, C. Farmer Perception of Benefits, Constraints and Opportunities for Silvoarable  Systems:  Preliminary  Insights  from  Bedfordshire,  England.  Outlook  Agric.  2017,  46,  74–83.  https://doi.org/10.1177/0030727017691173.  11. Luedeling, E.; Kindt, R.; Huth, N.I.; Koenig, K. Agroforestry Systems in a Changing Climate—Challenges in Projecting Future  Performance. Sustain. Chall. 2014, 6, 1–7. https://doi.org/10.1016/j.cosust.2013.07.013.  12. McAdam, J.H.; Burgess, P.J.; Graves, A.R.; Rigueiro‐Rodríguez, A.; Mosquera‐Losada, M.R. Classifications and Functions of  Agroforestry Systems in Europe. In Agroforestry in Europe; Rigueiro‐Rodróguez, A., McAdam, J., Mosquera‐Losada, M.R., Eds.;  Advances in Agroforestry; Springer: Dordrecht, The Netherlands, 2008; Volume 6, pp. 21–41. ISBN 978‐1‐4020‐8271‐9.  13. Giannitsopoulos, M.L.; Graves, A.R.; Burgess, P.J.; Crous‐Duran, J.; Moreno, G.; Herzog, F.; Palma, J.H.N.; Kay, S.; García de  Jalón, S. Whole System Valuation of Arable, Agroforestry and Tree‐Only Systems at Three Case Study Sites in Europe. J. Clean.  Prod. 2020, 269, 122283. https://doi.org/10.1016/j.jclepro.2020.122283.  14. Luedeling, E.; Smethurst, P.J.; Baudron, F.; Bayala, J.; Huth, N.I.; van Noordwijk, M.; Ong, C.K.; Mulia, R.; Lusiana, B.; Muthuri,  C.; et al. Field‐Scale Modeling of Tree–Crop Interactions: Challenges and Development Needs. Agric. Syst. 2016, 142, 51–69.  https://doi.org/10.1016/j.agsy.2015.11.005.  15. Tsonkova, P.; Quinkenstein, A.; Böhm, C.; Freese, D.; Schaller, E. Ecosystem Services Assessment Tool for Agroforestry (ESAT‐ A): An Approach to Assess Selected Ecosystem Services Provided by Alley Cropping Systems. Ecol. Indic. 2014, 45, 285–299.  https://doi.org/10.1016/j.ecolind.2014.04.024.  16. Chaplin‐Kramer, R.; Sharp, R.P.; Weil, C.; Bennett, E.M.; Pascual, U.; Arkema, K.K.; Brauman, K.A.; Bryant, B.P.; Guerry, A.D.;  Haddad,  N.M.;  et  al.  Global  Modeling  of  Nature’s  Contributions  to  People.  Science  2019,  366,  255–258.  https://doi.org/10.1126/science.aaw3372.  17. van der Werf, W.; Keesman, K.; Burgess, P.; Graves, A.; Pilbeam, D.; Incoll, L.D.; Metselaar, K.; Mayus, M.; Stappers, R.; van  Keulen, H.; et al. Yield‐SAFE: A Parameter‐Sparse, Process‐Based Dynamic Model for Predicting Resource Capture, Growth,  and Production in Agroforestry Systems. Ecol. Eng. 2007, 29, 419–433. https://doi.org/10.1016/j.ecoleng.2006.09.017.  18. Van  Noordwijk,  M.;  Lusiana,  B.  WaNuLCAS,  a  model  of  water,  nutrient  and  light  capture  in  agroforestry  systems.  In  Agroforestry for Sustainable Land‐Use Fundamental Research and Modelling with Emphasis on Temperate and Mediterranean Applications;  Springer: Dordrecht, Netherlands, 1999; pp. 217–242.  19. Fagerholm,  N.;  Torralba,  M.;  Burgess,  P.J.;  Plieninger,  T.  A  Systematic  Map  of  Ecosystem  Services  Assessments  around  European Agroforestry. Ecol. Indic. 2016, 62, 47–65.  20. Leroy, C.; Sabatier, S.; Wahyuni, N.S.; Barczi, J.‐F.; Dauzat, J.; Laurans, M.; Auclair, D. Virtual Trees and Light Capture: A  Method for Optimizing Agroforestry Stand Design. Agrofor. Syst. 2009, 77, 37–47. https://doi.org/10.1007/s10457‐009‐9232‐z.  21. Weiler,  M.;  McDonnell,  J.  Virtual  Experiments:  A  New  Approach  for  Improving  Process  Conceptualization  in  Hillslope  Hydrology. J. Hydrol. 2004, 285, 3–18.  22. Coutts, S.R.; Yokomizo, H. Meta‐Models as a Straightforward Approach to the Sensitivity Analysis of Complex Models. Popul.  Ecol. 2014, 56, 7–19. https://doi.org/10.1007/s10144‐013‐0422‐1.  23. Franke, J.A.; Müller, C.; Elliott, J.; Ruane, A.C.; Jägermeyr, J.; Snyder, A.; Dury, M.; Falloon, P.D.; Folberth, C.; François, L.; et al.   CO2, Temperature, Water, and Nitrogen  The GGCMI Phase 2 Emulators: Global Gridded Crop Model Responses to Changes in (Version 1.0). Geosci. Model Dev. 2020, 13, 3995–4018. https://doi.org/10.5194/gmd‐13‐3995‐2020.    Agronomy 2021, 11, 2106  21  of  24  24. Elbakidze, M.; Surová, D.; Muñoz‐Rojas, J.; Persson, J.‐O.; Dawson, L.; Plieninger, T.; Pinto‐Correia, T. Perceived Benefits from  Agroforestry Landscapes across North‐Eastern Europe: What Matters and for Whom? Landsc. Urban Plan. 2021, 209, 104044.  https://doi.org/10.1016/j.landurbplan.2021.104044.  25. Staton, T.; Walters, R.; Smith, J.; Breeze, T.; Girling, R. Management to Promote Flowering Understoreys Benefits Natural Enemy  Diversity,  Aphid  Suppression  and  Income  in  an  Agroforestry  System.  Agronomy  2021,  11,  651.  https://doi.org/10.3390/agronomy11040651.  26. Geske, C. Streuobstwiesen in Hessen—ein Landschaftselement mit agrarpolitischer und ökonomischer Geschichte. In Jahrbuch  Naturschutz in Hessen; Nordhessische Gesellschaft für Naturkunde und Naturwissen schaften (NGNN) e. V: Kassel, Germany,  2018; Volume 17.  27. Yengwe, J.; Amalia, O.; Lungu, O.I.; De Neve, S. Quantifying Nutrient Deposition and Yield Levels of Maize (Zea Mays) under  Faidherbia Albida Agroforestry System in Zambia. Eur. J. Agron. 2018, 99, 148–155. https://doi.org/10.1016/j.eja.2018.07.004.  28. Tyndall, J.; Colletti, J. Mitigating Swine Odor with Strategically Designed Shelterbelt Systems: A Review. Agrofor. Syst. 2006, 69,  45–65. https://doi.org/10.1007/s10457‐006‐9017‐6.  29. Barwise, Y.; Kumar, P. Designing Vegetation Barriers for Urban Air Pollution Abatement: A Practical Review for Appropriate  Plant Species Selection. Npj Clim. Atmos. Sci. 2020, 3, 12. https://doi.org/10.1038/s41612‐020‐0115‐3.  30. Pavlidis, G.; Karasali, H.; Tsihrintzis, V.A. Pesticide and Fertilizer Pollution Reduction in Two Alley Cropping Agroforestry  Cultivating Systems. Water. Air. Soil Pollut. 2020, 231, 241. https://doi.org/10.1007/s11270‐020‐04590‐2.  31. Schoeneberger, M.; Bentrup, G.; de Gooijer, H.; Soolanayakanahally, R.; Sauer, T.; Brandle, J.; Zhou, X.; Current, D. Branching  out: Agroforestry as a Climate Change Mitigation and Adaptation Tool for Agriculture. J. Soil Water Conserv. 2012, 67, 128A– 136A. https://doi.org/10.2489/jswc.67.5.128A.  32. Feldhake,  C.M.  Forage  Frost  Protection  Potential  of  Conifer  Silvopastures.  Agric.  For.  Meteorol.  2002,  112,  123–130.  https://doi.org/10.1016/S0168‐1923(02)00058‐8.  33. Easterling, W. Modelling the Effect of Shelterbelts on Maize Productivity under Climate Change: An Application of the EPIC  Model. Agric. Ecosyst. Environ. 1997, 61, 163–176. https://doi.org/10.1016/S0167‐8809(96)01098‐5.  34. Schmidt, M.; Nendel, C.; Funk, R.; Mitchell, M.G.E.; Lischeid, G. Modeling Yields Response to Shading in the Field‐to‐Forest  Transition Zones in Heterogeneous Landscapes. Agriculture 2019, 9, 6. https://doi.org/10.3390/agriculture9010006.  35. Kanzler,  M.;  Böhm,  C.;  Mirck,  J.;  Schmitt,  D.;  Veste,  M.  Microclimate  Effects  on  Evaporation  and  Winter  Wheat  (Triticum  Aestivum L.) Yield within a Temperate Agroforestry System. Agrofor. Syst. 2019, 93, 1821–1841. https://doi.org/10.1007/s10457‐ 018‐0289‐4.  36. Cleugh, H.A. Effects of Windbreaks on Airflow, Microclimates and Crop Yields. Agrofor. Syst. 1998, 41, 30.  37. Karki, U.; Goodman, M.S. Microclimatic Differences between Young Longleaf‐Pine Silvopasture and Open‐Pasture. Agrofor.  Syst. 2013, 87, 303–310. https://doi.org/10.1007/s10457‐012‐9551‐3.  38. Karki, U.; Goodman, M.S. Microclimatic Differences between Mature Loblolly‐Pine Silvopasture and Open‐Pasture. Agrofor.  Syst. 2015, 89, 319–325. https://doi.org/10.1007/s10457‐014‐9768‐4.  39. Lorenz, K.; Lal, R. Soil Organic Carbon Sequestration in Agroforestry Systems. A Review. Agron. Sustain. Dev. 2014, 34, 443–454.  https://doi.org/10.1007/s13593‐014‐0212‐y.  40. Zomer, R.J.; Neufeldt, H.; Xu, J.; Ahrends, A.; Bossio, D.; Trabucco, A.; van Noordwijk, M.; Wang, M. Global Tree Cover and  Biomass Carbon on Agricultural Land: The Contribution of Agroforestry to Global and National Carbon Budgets. Sci. Rep. 2016,  6, 29987. https://doi.org/10.1038/srep29987.  41. Mutuo,  P.K.;  Cadisch,  G.;  Albrecht,  A.;  Palm,  C.A.;  Verchot,  L.  Potential  of  Agroforestry  for  Carbon  Sequestration  and  Mitigation  of  Greenhouse  Gas  Emissions  from  Soils  in  the  Tropics.  Nutr.  Cycl.  Agroecosystems  2005,  71,  43–54.  https://doi.org/10.1007/s10705‐004‐5285‐6.  42. Franzluebbers,  A.J.;  Chappell,  J.C.;  Shi,  W.;  Cubbage,  F.W.  Greenhouse  Gas  Emissions  in  an  Agroforestry  System  of  the  Southeastern USA. Nutr. Cycl. Agroecosystems 2017, 108, 85–100. https://doi.org/10.1007/s10705‐016‐9809‐7.  43. Kwak, J.‐H.; Lim, S.‐S.; Baah‐Acheamfour, M.; Choi, W.‐J.; Fatemi, F.; Carlyle, C.N.; Bork, E.W.; Chang, S.X. Introducing Trees  to Agricultural Lands Increases Greenhouse Gas Emission during Spring Thaw in Canadian Agroforestry Systems. Sci. Total  Environ. 2019, 652, 800–809. https://doi.org/10.1016/j.scitotenv.2018.10.241.  44. Keesstra, S.; Geissen, V.; Mosse, K.; Piiranen, S.; Scudiero, E.; Leistra, M.; van Schaik, L. Soil as a Filter for Groundwater Quality.  Terr. Syst. 2012, 4, 507–516. https://doi.org/10.1016/j.cosust.2012.10.007.  45. Harsch, N.; Brandenburg, M.; Klemm, O. Large‐Scale Lysimeter Site St. Arnold, Germany: Analysis of 40 Years of Precipitation,  Leachate and Evapotranspiration. Hydrol. Earth Syst. Sci. 2009, 13, 305–317. https://doi.org/10.5194/hess‐13‐305‐2009.  46. Ouyang, Y.; Jin, W.; Grace, J.M.; Obalum, S.E.; Zipperer, W.C.; Huang, X. Estimating Impact of Forest Land on Groundwater  Recharge in a Humid Subtropical Watershed of the Lower Mississippi River Alluvial Valley. J. Hydrol. Reg. Stud. 2019, 26, 100631.  https://doi.org/10.1016/j.ejrh.2019.100631.  47. Riedel,  T.;  Weber,  T.K.D.  Review:  The  Influence  of  Global  Change  on  Europe’s  Water  Cycle  and  Groundwater  Recharge.  Hydrogeol. J. 2020, 28, 1939–1959. https://doi.org/10.1007/s10040‐020‐02165‐3.  48. Das,  D.K.;  Chaturvedi,  O.P.  Root  Biomass  and  Distribution  of  Five  Agroforestry  Tree  Species.  Agrofor.  Syst.  2008,  74,  223.  https://doi.org/10.1007/s10457‐008‐9159‐9.  49. Upson, M.A.; Burgess, P.J. Soil Organic Carbon and Root Distribution in a Temperate Arable Agroforestry System. Plant Soil  2013, 373, 43–58. https://doi.org/10.1007/s11104‐013‐1733‐x.    Agronomy 2021, 11, 2106  22  of  24  50. Mugendi, D.N.; Kanyi, M.; Kung’u, J.B.; Wamicha, W.; Mugwe, J.N. The Role of Agroforestry Trees in Intercepting Leached  Nitrogen  in  the  Agricultural  Systems  of  the  Central  Highlands  of  Kenya.  East  Afr.  Agric.  For.  J.  2003,  69,  69–79.  https://doi.org/10.4314/eaafj.v69i1.1807.  51. Reyes, F.; Gosme, M.; Wolz, K.J.; Lecomte, I.; Dupraz, C. Alley Cropping Mitigates the Impacts of Climate Change on a Wheat  Crop  in  a  Mediterranean  Environment:  A  Biophysical  Model‐Based  Assessment.  Agriculture  2021,  11,  356.  https://doi.org/10.3390/agriculture11040356.  52. Inurreta‐Aguirre,  H.D.;  Lauri,  P.‐É.;  Dupraz,  C.;  Gosme,  M.  Yield  Components  and  Phenology  of  Durum  Wheat  in  a  Mediterranean Alley‐Cropping System. Agrofor. Syst. 2018, 92, 961–974. https://doi.org/10.1007/s10457‐018‐0201‐2.  53. Gosme, M.; Dufour, L.; Inurreta Aguirre, H.D.; Dupraz, C. Microclimatic Effect of Agroforestry on Diurnal Temperature Cycle.  In Proceedings of the 3rd European Agroforestry Conference (EURAF 2016), Montpellier, France, 23–25 May 2016; p. 466.  54. Göbel, L.C. Nutrient Response Efficiencies, Leaching Losses and Soil‐N Cycling in Temperate Grassland Agroforestry and Open Grassland  Management Systems; Georg‐August‐Universität: Göttingen, Germany, 2020.  55. Ilstedt, U.; Bargués Tobella, A.; Bazié, H.R.; Bayala, J.; Verbeeten, E.; Nyberg, G.; Sanou, J.; Benegas, L.; Murdiyarso, D.; Laudon,  H.; et al. Intermediate Tree Cover Can Maximize Groundwater Recharge in the Seasonally Dry Tropics. Sci. Rep. 2016, 6, 21930.  https://doi.org/10.1038/srep21930.  56. Seobi, T.; Anderson, S.H.; Udawatta, R.P.; Gantzer, C.J. Influence of Grass and Agroforestry Buffer Strips on Soil Hydraulic  Properties for an Albaqualf. Soil Sci. Soc. Am. J. 2005, 69, 893–901. https://doi.org/10.2136/sssaj2004.0280.  57. Picchio, R.; Spina, R.; Sirna, A.; Monaco, A.L.; Civitarese, V.; Giudice, A.D.; Suardi, A.; Pari, L. Characterization of Woodchips  for Energy from Forestry and Agroforestry Production. Energies 2012, 5, 3803–3816. https://doi.org/10.3390/en5103803.  58. Torralba, M.; Fagerholm, N.; Burgess, P.J.; Moreno, G.; Plieninger, T. Do European Agroforestry Systems Enhance Biodiversity  and Ecosystem Services? A Meta‐Analysis. Agric. Ecosyst. Environ. 2016, 230, 150–161.  59. van Noordwijk, M.; Tata, H.L.; Xu, J.; Dewi, S.; Minang, P.A. Segregate or Integrate for Multifunctionality and Sustained Change  Through Rubber‐Based Agroforestry in Indonesia and China. In Agroforestry—The Future of Global Land Use; Nair, P.K.R., Garrity,  D., Eds.; Advances in Agroforestry; Springer: Dordrecht, The Netherlands, 2012; Volume 9, pp. 69–104. ISBN 978‐94‐007‐4675‐ 6.  60. Fagerholm,  N.;  Oteros‐Rozas,  E.;  Raymond,  C.M.;  Torralba,  M.;  Moreno,  G.;  Plieninger,  T.  Assessing  Linkages  between  Ecosystem Services, Land‐Use and Well‐Being in an Agroforestry Landscape Using Public Participation GIS. Appl. Geogr. 2016,  74, 30–46. https://doi.org/10.1016/j.apgeog.2016.06.007.  61. Mosquera‐Losada, M.R.; Moreno, G.; Pardini, A.; McAdam, J.H.; Papanastasis, V.; Burgess, P.J.; Lamersdorf, N.; Castro, M.;  Liagre, F.; Rigueiro‐Rodríguez, A. Past, Present and Future of Agroforestry Systems in Europe. In Agroforestry—The Future of  Global Land Use; Nair, P.K.R., Garrity, D., Eds.; Advances in Agroforestry; Springer: Dordrecht, The Netherlands, 2012; Volume  9, pp. 285–312. ISBN 978‐94‐007‐4675‐6.  62. Bieling, C.; Plieninger, T. Recording Manifestations of Cultural Ecosystem Services in the Landscape. Landsc. Res. 2013, 38, 649– 667.  63. Garrido, F.; Hénault, C.; Gaillard, H.; Germon, J.C. Inhibitory Capacities of Acetylene on Nitrification in Two Agricultural Soils.  Soil Biol. Biochem. 2000, 32, 1799–1802.  64. Raj, A.; Jhariya, M.K.; Yadav, D.K.; Banerjee, A.; Meena, R.S. Agroforestry: A holistic approach for agricultural sustainability.  In Sustainable Agriculture, Forest and Environmental Management; Springer,: Singapore, Singapore 2019; pp. 101–131.  65. Isaac, M.E.; Borden, K.A. Nutrient Acquisition Strategies in Agroforestry Systems. Plant Soil 2019, 444, 1–19.  66. Meylan, L.; Merot, A.; Gary, C.; Rapidel, B. Combining a Typology and a Conceptual Model of Cropping System to Explore the  Diversity of Relationships between Ecosystem Services: The Case of Erosion Control in Coffee‐Based Agroforestry Systems in  Costa Rica. Agric. Syst. 2013, 118, 52–64.  67. Smethurst, P.J.; Huth, N.I.; Masikati, P.; Sileshi, G.W.; Akinnifesi, F.K.; Wilson, J.; Sinclair, F. Accurate Crop Yield Predictions  from  Modelling  Tree‐Crop  Interactions  in  Gliricidia‐Maize  Agroforestry.  Agric.  Syst.  2017,  155,  70–77.  https://doi.org/10.1016/j.agsy.2017.04.008.  68. Rigueiro‐Rodríguez,  A.;  McAdam,  J.;  Mosquera‐Losada,  M.R.  Agroforestry  in  Europe:  Current  Status  and  Future  Prospects;  Springer Science & Business Media B.V., Netherlands, 2008; Volume 6. ISBN 1‐4020‐8272‐X.  69. Cacho, O.J.; Marshall, G.R.; Milne, M. Smallholder Agroforestry Projects: Potential for Carbon Sequestration and Poverty  Alleviation.    ESA Working Papers 289093, Food and Agriculture Organization of the United Nations, Agricultural Development  Economics Division (ESA), 2003. https://doi.org/10.22004/ag.econ.289093  70. Anderson,  L.S.;  Muetzelfeldt,  R.I.;  Sinclair,  F.L.  An  Integrated  Research  Strategy  for  Modelling  and  Experimentation  in  Agroforestry. Commonw. For. Rev. 1993, 72, 166–174.  71. Cardoso, I.M.; Guijt, I.; Franco, F.S.; Carvalho, A.F.; Ferreira Neto, P.S. Continual Learning for Agroforestry System Design:  University, NGO and Farmer Partnership in Minas Gerais, Brazil. Agric. Syst. 2001, 69, 235–257. https://doi.org/10.1016/S0308‐ 521X(01)00028‐2.  72. Zeng, X.; Li, T.; Chen, C.; Si, Z.; Huang, G.; Guo, P.; Zhuang, X. A Hybrid Land‐Water‐Environment Model for Identification of  Ecological Effect and Risk under Uncertain Meteorological Precipitation in an Agroforestry Ecosystem. Sci. Total Environ. 2018,  633, 1613–1628. https://doi.org/10.1016/j.scitotenv.2018.03.224.    Agronomy 2021, 11, 2106  23  of  24  73. Keesman,  K.J.;  Graves,  A.;  van  der  Werf,  W.;  Burgess,  P.J.;  Palma,  J.;  Dupraz,  C.;  Van  Keulen,  H.  A  System  Identification  Approach for Developing and Parameterising an Agroforestry System Model under Constrained Availability of Data. Environ.  Model. Softw. 2011, 26, 1540–1553.  74. Matthews, R.B.; Hunt, L.A. GUMCAS: A Model Describing the Growth of Cassava (Manihot Esculenta L. Crantz). Field Crop.  Res. 1994, 36, 69–84. https://doi.org/10.1016/0378‐4290(94)90054‐X.  75. Atangana, A.; Khasa, D.; Chang, S.; Degrande, A. Agroforestry Modeling. In Tropical Agroforestry; Springer: Dordrecht, The  Netherlands, 2014; pp. 367–373. ISBN 978‐94‐007‐7722‐4.  76. Dupraz, C.; Wolz, K.; Lecomte, I.; Talbot, G.; Vincent, G.; Mulia, R.; Bussière, F.; Ozier‐Lafontaine, H.; Andrianarisoa, S.; Jackson,  N.; et al. Hi‐SAFe: A 3D Agroforestry Model for Integrating Dynamic Tree–Crop Interactions.  Sustainability 2019,  11, 2293.  https://doi.org/10.3390/su11082293.  77. Young, A.; Menz, K.M.; Muraya, P.; Smith, C. SCUAF‐Version 4: A Model to Estimate Soil Changes under Agriculture,  Agroforestry  and  Forestry.  Technical  Reports  113819,  Australian  Centre  for  International  Agricultural  Research,  1998.  https://doi.org/10.22004/ag.econ.113819  78. Huth, N.I.; Carberry, P.S.; Poulton, P.L.; Brennan, L.E.; Keating, B.A. A Framework for Simulating Agroforestry Options for the  Low Rainfall Areas of Australia Using APSIM. Eur. J. Agron. 2002, 18, 171–185. https://doi.org/10.1016/S1161‐0301(02)00103‐X.  79. APSIM  Initiative  APSIM  7.10  Documentation.  Available  online:  https://www.apsim.info/documentation/model‐ documentation/ (accessed on 24 August 2021).  80. Qi, X.; Mize, C.W.; Batchelor, W.D.; Takle, E.S.; Litvina, I.V. SBELTS: A Model of Soybean Production under Tree Shelter. Agrofor.  Syst. 2001, 52, 53–61.  81. Mayus, M.; Van Keulen, H.; Stroosnijder, L. A model of tree‐crop competition for windbreak systems in the Sahel: Description  and  evaluation.  In  Agroforestry  for  Sustainable  Land‐Use  Fundamental  Research  and  Modelling  with  Emphasis  on  Temperate  and  Mediterranean Applications; Auclair, D., Dupraz, C., Eds.; Forestry Sciences; Springer: Dordrecht, The Netherlands, 1999; Volume  60, pp. 183–201. ISBN 978‐90‐481‐5258‐2.  82. Smethurst, P.J.; Comerford, N.B. Potassium and Phosphorus Uptake by Competing Pine and Grass: Observations and Model  Verification. Soil Sci. Soc. Am. J. 1993, 57, 1602–1610. https://doi.org/10.2136/sssaj1993.03615995005700060034x.  83. Vezy, R.; le Maire, G.; Christina, M.; Georgiou, S.; Imbach, P.; Hidalgo, H.G.; Alfaro, E.J.; Blitz‐Frayret, C.; Charbonnier, F.;  Lehner, P.; et al. DynACof: A Process‐Based Model to Study Growth, Yield and Ecosystem Services of Coffee Agroforestry  Systems. Environ. Model. Softw. 2020, 124, 104609. https://doi.org/10.1016/j.envsoft.2019.104609.  84. Mobbs, D.C.; Cannell, M.G.R.; Crout, N.M.J.; Lawson, G.J.; Friend, A.D.; Arah, J. Complementarity of Light and Water Use in  Tropical Agroforests: I. Theoretical Model Outline, Performance and Sensitivity. For. Ecol. Manag. 1998, 102, 259–274.  85. Salazar,  O.;  Casanova,  M.;  Kätterer,  T.  The  Impact  of  Agroforestry  Combined  with  Water  Harvesting  on  Soil  Carbon  and  Nitrogen  Stocks  in  Central  Chile  Evaluated  Using  the  ICBM/N  Model.  Agric.  Ecosyst.  Environ.  2011,  140,  123–136.  https://doi.org/10.1016/j.agee.2010.11.019.  86. Kay, S.; Crous‐Duran, J.; Ferreiro‐Domínguez, N.; de Jalón, S.G.; Graves, A.; Moreno, G.; Mosquera‐Losada, M.R.; Palma, J.H.;  Roces‐Díaz, J.V.; Santiago‐Freijanes, J.J. Spatial Similarities between European Agroforestry Systems and Ecosystem Services at  the Landscape Scale. Agrofor. Syst. 2018, 92, 1075–1089.  87. Shachak, M.; Boeken, B.; Groner, E.; Kadmon, R.; Lubin, Y.; Meron, E.; Ne’Eman, G.; Perevolotsky, A.; Shkedy, Y.; Ungar, E.D.  Woody  Species  as  Landscape  Modulators  and  Their  Effect  on  Biodiversity  Patterns.  BioScience  2008,  58,  209–221.  https://doi.org/10.1641/B580307.  88. Prevedello, J.A.; Gotelli, N.J.; Metzger, J.P. A Stochastic Model for Landscape Patterns of Biodiversity. Ecol. Monogr. 2016, 86,  462–479.  89. Sybertz, J.; Matthies, S.; Schaarschmidt, F.; Reich, M.; von Haaren, C. Biodiversity Modelling in Practice—Predicting Bird and  Woody Plant Species Richness on Farmlands. Ecosyst. People 2020, 16, 19–34. https://doi.org/10.1080/26395916.2019.1697900.  90. Jarrah, M.; Mayel, S.; Tatarko, J.; Funk, R.; Kuka, K. A Review of Wind Erosion Models: Data Requirements, Processes, and  Validity. Catena 2020, 187, 104388. https://doi.org/10.1016/j.catena.2019.104388.  91. Fryrear, D.W.; Sutherland, P.L.; Davis, G.; Hardee, G.; Dollar, M. Wind Erosion Estimates with RWEQ and WEQ. In Proceedings  of the Conference Sustaining the Global Farm, 10th International Soil Conservation Organization Meeting, West Lafayette, IN, USA, 24– 29 May 1999; Purdue University: pp. 760–765.  92. Wischmeier, W.H.; Smith, D.D. Predicting Rainfall Erosion Losses; Agricultural Handbook 537; U.S. Department of Agriculture  Agricultural Research Service: Washington, DC, USA, 1978.  93. Vigiak, O.; Sterk, G.; Warren, A.; Hagen, L.J. Spatial Modeling of Wind Speed around Windbreaks. Wind Eros. Eur. 2003, 52,  273–288. https://doi.org/10.1016/S0341‐8162(03)00018‐3.  94. Bala, G.; Caldeira, K.; Wickett, M.; Phillips, T.J.; Lobell, D.B.; Delire, C.; Mirin, A. Combined Climate and Carbon‐Cycle Effects  of Large‐Scale Deforestation. Proc. Natl. Acad. Sci. USA 2007, 104, 6550–6555. https://doi.org/10.1073/pnas.0608998104.  95. Kirschbaum, M.U.F.; Whitehead, D.; Dean, S.M.; Beets, P.N.; Shepherd, J.D.; Ausseil, A.‐G.E. Implications of Albedo Changes  Following Afforestation on the Benefits of Forests as Carbon Sinks. Biogeosciences 2011, 8, 3687–3696. https://doi.org/10.5194/bg‐ 8‐3687‐2011.  96. Palma, J.H.N.; Crous‐Duran, J.; Graves, A.R.; de Jalon, S.G.; Upson, M.; Oliveira, T.S.; Paulo, J.A.; Ferreiro‐Domínguez, N.;  Moreno, G.; Burgess, P.J. Integrating Belowground Carbon Dynamics into Yield‐SAFE, a Parameter Sparse Agroforestry Model.  Agrofor. Syst. 2018, 92, 1047–1057. https://doi.org/10.1007/s10457‐017‐0123‐4.    Agronomy 2021, 11, 2106  24  of  24  97. Haas, E.; Klatt, S.; Fröhlich, A.; Kraft, P.; Werner, C.; Kiese, R.; Grote, R.; Breuer, L.; Butterbach‐Bahl, K. LandscapeDNDC: A  Process Model for Simulation of Biosphere–Atmosphere–Hydrosphere Exchange Processes at Site and Regional Scale. Landsc.  Ecol. 2013, 28, 615–636. https://doi.org/10.1007/s10980‐012‐9772‐x.  98. Parton, W.J.; Hartman, M.; Ojima, D.; Schimel, D. DAYCENT and Its Land Surface Submodel: Description and Testing. Glob.  Planet. Chang. 1998, 19, 35–48. https://doi.org/10.1016/S0921‐8181(98)00040‐X.  99. Palma, J.H.N.; Graves, A.R.; Burgess, P.J.; Keesman, K.J.; van Keulen, H.; Mayus, M.; Reisner, Y.; Herzog, F. Methodological  Approach for the Assessment of Environmental Effects of Agroforestry at the Landscape Scale. Carbon Sequestration Landsc. Ecol.  West. Eur. 2007, 29, 450–462. https://doi.org/10.1016/j.ecoleng.2006.09.016.  100. Nearing, M.A.; Foster, G.R.; Lane, L.J.; Finkner, S.C. A Process‐Based Soil Erosion Model for USDA‐Water Erosion Prediction  Project Technology. Trans. ASAE 1989, 32, 1587–1593.  101. Onsamrarn,  W.;  Chittamart,  N.;  Tawornpruek,  S.  Performances  of  the  WEPP  and  WaNuLCAS  Models  on  Soil  Erosion  Simulation in a Tropical Hillslope, Thailand. PLoS One 2020, 15, e0241689. https://doi.org/10.1371/journal.pone.0241689.  102. Hernandez, M.; Miller, S.N.; Goodrich, D.C.; Goff, B.F.; Kepner, W.G.; Edmonds, C.M.; Jones, K.B. Modeling Runoff Response  to Land Cover and Rainfall Spatial Variability in Semi‐Arid Watersheds. Environ. Model. Assess. 2000, 64, 285–298.  103. Ryan, J.; McAlpine, C.; Ludwig, J.; Callow, J. Modelling the Potential of Integrated Vegetation Bands (IVB) to Retain Stormwater  Runoff on Steep Hillslopes of Southeast Queensland, Australia. Land 2015, 4, 711–736. https://doi.org/10.3390/land4030711.  104. Agroforestry for Sustainable Agriculture; Mosquera‐Losada, M.R., Prabhu, R., Eds.;; Burleigh Dodds Science Publishing Limited:  Cambridge, UK;, 2019; ISBN 978‐1‐78676‐220‐7.  105. Liu, S.; Baret, F.; Abichou, M.; Manceau, L.; Andrieu, B.; Weiss, M.; Martre, P. Importance of the Description of Light Interception  in Crop Growth Models. Plant Physiol. 2021, 186, 977–997.  106. Talbot,  G.;  Dupraz,  C.  Simple  Models  for  Light  Competition  within  Agroforestry  Discontinuous  Tree  Stands:  Are  Leaf  Clumpiness  and  Light  Interception  by  Woody  Parts  Relevant  Factors?  Agrofor.  Syst.  2012,  84,  101–116.  https://doi.org/10.1007/s10457‐011‐9418‐z.  107. Buytaert, W.; Reusser, D.; Krause, S.; Renaud, J.P. Why Can’t We Do Better than Topmodel? Hydrol. Process. 2008, 22, 4175–4179.  https://doi.org/10.1002/hyp.7125.  108. Burgess, P.; Graves, A.; de Jalón, S.G.; Palma, J.; Dupraz, C. Modelling agroforestry systems. In Agroforestry for Sustainable  Agriculture;  Burleigh  Dodds  Science  Publishing  Limited:  Cambridge,  UK,  2019;  p.  29.  https://doi.org/10.19103/AS.2018.0041.13  109. Clark, M.P.; Kavetski, D.; Fenicia, F. Pursuing the Method of Multiple Working Hypotheses for Hydrological Modeling. Water  Resour. Res. 2011, 47. https://doi.org/10.1029/2010WR009827.  110. Fenicia, F.; Kavetski, D.; Savenije, H.H.G. Elements of a Flexible Approach for Conceptual Hydrological Modeling: 1. Motivation  and Theoretical Development. Water Resour. Res. 2011, 47. https://doi.org/10.1029/2010WR010174.  111. Kraft,  P.;  Vaché,  K.B.;  Frede,  H.‐G.;  Breuer,  L.  CMF:  A  Hydrological  Programming  Language  Extension  for  Integrated  Catchment Models. Environ. Model. Softw. 2011, 26, 828–830. https://doi.org/10.1016/j.envsoft.2010.12.009.  112. Biernath, C.; Gayler, S.; Bittner, S.; Klein, C.; Högy, P.; Fangmeier, A.; Priesack, E. Evaluating the Ability of Four Crop Models  to Predict Different Environmental Impacts on Spring Wheat Grown in Open‐Top Chambers. Eur. J. Agron. 2011, 35, 71–82.  https://doi.org/10.1016/j.eja.2011.04.001.  113. Gaiser, T.; Perkons, U.; Küpper, P.M.; Kautz, T.; Uteau‐Puschmann, D.; Ewert, F.; Enders, A.; Krauss, G. Modeling Biopore  Effects on Root Growth and Biomass Production on Soils with Pronounced Sub‐Soil Clay Accumulation. Ecol. Model. 2013, 256,  6–15. https://doi.org/10.1016/j.ecolmodel.2013.02.016.  114. Andrén, O.; Kätterer, T. ICBM: The Introductory Carbon Balance Model for Exploration of Soil Carbon Balances. Ecol. Appl.  1997, 7, 1226–1236.  115. Palma, J.; Graves, A.R.; Crous‐Duran, J.; Upson, M.A.; Paulo, J.A.; Oliveira, T.; Garcia de Jalón, S.; Burgess, P. Yield‐SAFE Model  Improvements—AGFORWARD  (613520)  Milestone  29  (6.4):  Yield‐SAFE  Model  Improvements.  Available  online:  https://www.repository.utl.pt/handle/10400.5/12337 (accessed on 30 August 2021).  116. Vezy, R. VEZY/DynACof: 1.3.0 Release; Zenodo, Geneva, Switzerland: 2020. https://doi.org/10.5281/zenodo.3613877  117. EPIC | EPIC & APEX Models. Available online: https://epicapex.tamu.edu/epic/ (accessed on 6 August 2021).  118. Williams,  J.R.;  Jones,  C.A.;  Dyke,  P.T.  A  Modeling  Approach  to  Determining  the  Relationship  between  Erosion  and  Soil  Productivity. Trans. Am. Soc. Agric. Eng. 1984, 27, 129–144.  119. WaNuLCAS  A  Model  of  Water,  Nutrient  and  Light  Capture  in  Agroforestry  Systems.  Available  online:  https://www.worldagroforestry.org/output/wanulcas‐model‐water‐nutrient‐and‐light‐capture‐agroforestry‐systems  (accessed  on 6 August 2021).  120. Dufour‐Kowalski,  S.;  Courbaud,  B.;  Dreyfus,  P.;  Meredieu,  C.;  De  Coligny,  F.  Capsis:  An  Open  Software  Framework  and  Community for Forest Growth Modelling. Ann. For. Sci. 2012, 69, 221–233.  121. Brisson, N.; Launay, M.; Mary, B.; Beaudoin, N. Conceptual Basis, Formalisations and Parameterization of the STICS Crop Model;  Editions Quae c/o Inra, RD 10, 78026 Versailles Cedex, France; 2008; ISBN 2‐7592‐0169‐4.  http://www.deepdyve.com/assets/images/DeepDyve-Logo-lg.png Agronomy Multidisciplinary Digital Publishing Institute

Modelling Agroforestry’s Contributions to People—A Review of Available Models

Loading next page...
 
/lp/multidisciplinary-digital-publishing-institute/modelling-agroforestry-s-contributions-to-people-a-review-of-available-gZoc9tnm6C
Publisher
Multidisciplinary Digital Publishing Institute
Copyright
© 1996-2021 MDPI (Basel, Switzerland) unless otherwise stated Disclaimer The statements, opinions and data contained in the journals are solely those of the individual authors and contributors and not of the publisher and the editor(s). MDPI stays neutral with regard to jurisdictional claims in published maps and institutional affiliations. Terms and Conditions Privacy Policy
ISSN
2073-4395
DOI
10.3390/agronomy11112106
Publisher site
See Article on Publisher Site

Abstract

Review  Modelling Agroforestry’s Contributions to People—A Review  of Available Models  1, 2 1,3 2,4 1,3 Philipp Kraft  *, Ehsan Eyshi Rezaei  , Lutz Breuer  , Frank Ewert  , André Große‐Stoltenberg  ,   1,3 2 2,5 Till Kleinebecker  , Diana‐Maria Seserman   and Claas Nendel      iFZ Research Centre for Biosystems, Institute for Landscape Ecology and Resource Management, Justus  Liebig University, Heinrich‐Buff‐Ring 26, 35392 Gießen, Germany;   Lutz.Breuer@umwelt.uni‐giessen.de (L.B.); andre.grosse‐stoltenberg@umwelt.uni‐giessen.de (A.G.‐S.);  Till.Kleinebecker@umwelt.uni‐giessen.de (T.K.)    Leibniz Centre for Agricultural Landscape Research (ZALF), Eberswalder Straße 84, 15374 Müncheberg,  Germany; EhsanEyshi.Rezaei@zalf.de (E.E.R.); frank.ewert@zalf.de (F.E.); seserman@zalf.de (D.‐M.S.);  Claas.Nendel@zalf.de (C.N.)    Centre for International Development and Environmental Research (ZEU), Justus Liebig University   Giessen, Senckenbergstrasse 3, 35390 Giessen, Germany    Institute of Crop Science and Resource Conservation (INRES), University of Bonn, Katzenburgweg 5, 53115  Bonn, Germany    Institute of Biochemistry and Biology, University of Potsdam, Am Mühlenberg 3, 14476 Potsdam, Germany  *  Correspondence: philipp.kraft@umwelt.uni‐giessen.de  Abstract: Climate change, increasing environmental pollution, continuous loss of biodiversity, and  a  growing  human  population  with  increasing  food  demand,  threaten  the  functioning  of  agro‐ Citation: Kraft, P.; Rezaei, E.E.;  ecosystems and their contribution to people and society. Agroforestry systems promise a number  Breuer, L.; Ewert, F.; Große‐ of  benefits  to  enhance  nature’s  contributions  to  people.  There  are  a  wide  range  of  agroforestry  Stoltenberg, A.; Kleinebecker, T.;  systems implemented representing different levels of establishment across the globe. This range  Seserman, D.‐M.; Nendel, C.  Modelling Agroforestry’s  and the long time periods for the establishment of these systems make empirical assessments of  Contributions to People—A Review  impacts on ecosystem functions difficult. In this study we investigate how simulation models can  of Available Models. Agronomy 2021,  help to assess and predict the role of agroforestry in nature’s contributions. The review of existing  11, 2106. https://doi.org/10.3390/  models  to  simulate  agroforestry  systems  reveals  that  most  models  predict  mainly  biomass  agronomy11112106  production  and  yield.  Regulating  ecosystem  services  are  mostly  considered  as  a  means  for  the  assessment of yield only. Generic agroecosystem models with agroforestry extensions provide a  Academic Editors: Rüdiger Graß and  broader scope, but the interaction between trees and crops is often addressed in a simplistic way.  Ralf Bloch  The  application  of  existing  models  for  agroforestry  systems  is  particularly  hindered  by  issues  related  to  code  structure,  licences  or  availability.  Therefore,  we  call  for  a  community  effort  to  Received: 30 August 2021  connect existing agroforestry models with ecosystem effect models towards an open‐source, multi‐ Accepted: 18 October 2021  effect agroforestry modelling framework.  Published: 20 October 2021  Keywords: agroforestry; modelling; nature’s contribution to people; ecosystem functions  Publisher’s  Note:  MDPI  stays  neutral with  regard  to jurisdictional  claims  in  published  maps  and  institutional affiliations.  1. Introduction  Nature provides food, feed, energy and materials, as well as serving cultural needs,  and regulates the earth system’s functions. Termed “nature’s contributions to people”, or  Copyright:  ©  2021  by  the  authors.  in  short  NCPs,  they  have  been  described  by  the  Intergovernmental  Science‐Policy  Licensee  MDPI,  Basel,  Switzerland.  Platform on Biodiversity and Ecosystem Services (IPBES) as a further development of the  This article  is an open access article  ecosystem service concept [1,2]. Annual cropping systems provide only a limited range of  distributed  under  the  terms  and  such contributions, their purpose lies in the provisioning of either food, feed, materials or  conditions of the Creative Commons  energy. Building on a base of sole cropping, any addition of complexity to the cropping  Attribution  (CC  BY)  license  system is believed to increase its ecological value. Agroforestry systems, where annual  (https://creativecommons.org/license s/by/4.0/).  crops are mixed with perennial trees in a single field at the same time, are at the high end  Agronomy 2021, 11, 2106. https://doi.org/10.3390/agronomy11112106  www.mdpi.com/journal/agronomy  Agronomy 2021, 11, 2106  2  of  24  of complexity. Such systems generally show a more diverse provisioning of NCP’s [3], not  only by the simultaneous production of different crops and materials, but also through an  alteration in the regulation of ecosystem services [4–7]. Mixed cropping of annual crop  plants with  perennial trees allows  farmers to gain a higher diversification of products  within the same field and can result in a higher overall yield per area due to storey effects  [8,9]. However, perennials limit mechanization, the flexibility of land management, and  they  increase  the  complexity  of  overall  management  [10].  Other  priorities,  including  enhanced climate regulation, erosion control and/or increased landscape diversity, have  boosted interest in agroforestry systems for stakeholders outside the farming sector, who  view agroforestry as a tool to meet mitigation goals for climate change, increase habitats  for insects and birds, or to make landscapes more attractive for tourists or recreationists.  Agroforestry systems are more diverse than conventional agricultural systems [11],  as different tree species and crops multiply the possible combinations. In silvo‐pastoral  systems, tree crops are aligned with meadows suitable for pastorage, while silvo‐arable  systems combine tree crops with annual arable crops [12]. More complex combinations  are also in use. The density of tree/annual crop interactions varies from alley cropping  systems with wide row distances to wood pasture systems with an almost closed canopy.  This diversity, which is specific to agroforestry, adds to the variability of conventional  annual cropping systems, which is caused by climate, soil and topography. There have  been  only  a  limited  number  of  established  experimental  sites  where  the  effects  of  agroforestry on multiple NCP’s have been studied. This limitation is especially apparent  for temperate regions while more research has been conducted in the tropics. The number  of experiments in temperate regions, however, is growing, with newly designed studies,  but it will take several years to decades until the trees planted are mature enough to enable  detailed investigations of the long‐term system effects [13].  The time gap between the design of an experiment and the availability of its results  makes  the  design  and  planning  of  an  agroforestry  system  crucial.  While  it  is  easy  to  change a crop rotation that is based on annual plants, this is not the case for perennial  systems  and  especially  not  for  trees  that  might  have  a  turn‐around  time  of  decades.  Statistical  approaches  to  predict  optimized  designs  for  different  goals  suffer  from  an  incomplete knowledge base. Upscaling and design optimization are hindered by the small  number of agroforestry sites, and the consequent low number of observations of system  responses to interacting environmental and management factors [11]. However, policy  makers  who  work  at  a  regional,  national  and  international  scale  need  to  know  which  effects are to be expected from large‐scale promotion of agroforestry systems, before they  design and implement their policies. While experiments are few, simulation models can  be  used  to  predict  the  effects  of  introducing  agroforestry  systems;  several  of  those  currently available have been reviewed by Lüdeling et al. [14].   The  models  can  be  roughly  separated  into  three  classes:  (a)  simplistic  large‐scale  effect  models,  (b)  simplified  models  with  limited  data  requirements  for  agricultural  extension and modelling landscape‐scale effects, and (c) process‐based research tools on  the plot‐to‐field scale. In general, models of type (a) are built using informed hypotheses  about agroforestry functioning and analogies with annual agro‐ecosystems and forestry  upscale effects to regional or even continental scale, such as the ESAT‐A [15] indicator  system, similar to the well‐known InVEST system [16]. Simplified, data‐sparse, process‐ oriented growth models, type (b), e.g., YieldSAFE [17] can be used by practitioners for  agricultural  extension  services.  Such  models  have  been  created  to  represent  different  designs of agroforestry systems with process complexity adjusted to publicly available  data. Models of this complexity level can be used at a landscape scale without the need  for  specialist  computation  hardware.  However,  their  simplicity  limits  their  ability  to  predict  effects  that  emerge  from  interdependencies  of  various  ecological  effects.  In  contrast,  process‐based  models,  type  (c),  in  which  the  spatial  configuration  of  species  composition and the interaction between trees and annual crops is represented in detail,  often benefit from a long development legacy in either agroecosystems or forestry, and    Promotion, funding, agricultural extension Agronomy 2021, 11, 2106  3  of  24  include  a  well‐tested  body  of  algorithms.  Their  biophysical  nature  makes  them  transferable and these models have been successfully applied in agroforestry  systems.  However, the demand for input data, the prevailing lack of knowledge on the driving  mechanisms of the competition or facilitation (tree‐crop) for resources, and computational  limitations, preclude detailed process models for regional applications (eg. WaN  uLCAS) [18]. One of the key features of process‐oriented agroforestry models is the  ability to simulate interactions between trees and crops in the same field, including the  competition for light, water and nutrients, and changes in the microclimate [14]. General  land‐use models usually do not consider this interaction, even though they are developed  to model both annual crop growth and perennial tree growth individually on different  patches. However, applying process‐based models on scales larger than a field requires  large computational resources and detailed datasets for  model calibration and testing,  which is why simpler models are often preferred on larger scales. A particular strength of  the  process‐based  models  then  lies  in  their  ability  to  investigate  complex  feed‐back  mechanisms in the represented system.  Especially for agroforestry systems, the contribution of system features, management  and design, to NCPs is not fully understood [19]. Here, process‐based models have great  value for testing hypotheses, increasing system understanding, and informing on‐field  experimentation  prior  to  establishment,  through  virtual  experiments  [20,21].  This  is  particularly relevant for agroforestry systems because of the long timeframes required for  their establishment and their large number of designs. Once designed and parameterised,  process‐based  models  can  create  a  space  of  possible  agroforestry  system  responses  to  external variables, which can then be picked up by simpler models (emulators), meta‐ models, or form the basis of indicator systems for scaling to larger areas or over longer  time  spans,  which  is  often  required  for  policy  support  [22,23].  Figure  1  shows  the  conceptual relations and feedback between real agroforestry systems, agroforestry models  and policymaking, highlighting the benefits of decision support by use of models.  Agroforestry systems Inspiration Traditional Detailed process model framework Validation Application Calibration Experimental  Simulation of virtual  Simulation of real  Observations experiments experiments Management  Modern decision support Design decision support Future Synthesis Policy decision Landscape‐effect meta‐models AF system policy support Agroforestry policy Figure 1. Relationships and feedbacks between established agroforestry systems, models and policy. Agroforestry systems  are  divided  into  traditional  smallholder  systems  that  have  developed  at  local  or  regional  scale  over  long  timespans,  experimental systems managed by research institutions, modern operative systems managed by farmers for production,  and not yet established future systems in a model‐guided design phase towards optimized contributions to people.  Agroforestry models Agronomy 2021, 11, 2106  4  of  24  In  this  framework,  detailed  process‐oriented  models  are  calibrated  and  validated  against existing experiments. These models can be used to quantify and optimize nature’s  contributions to people (NCP) in existing agroforestry systems, according to the needs of  the  stakeholders.  With  virtual  experiments,  new  designs  and  layouts  of  agroforestry  systems  can  be  tested  prior  to  establishment  with  respect  to  the  productivity  and  ecosystem services (ES) rendered by such systems. In virtual landscapes, they can be used  to identify gradients of agroforestry system design and create indicator systems and meta‐ models for large‐scale application.   Objective  In this study, we reviewed available biophysical agroforestry models for their ability  to  assess  relevant  ecosystem  services,  using  the  concept  of  nature’s  contributions  to  people, as suggested by Fagerholm et al. 2016 [19]. We identified structural, technical and  legal problems for cooperative model development to solve problems associated with the  current state of agroforestry models.  Biophysical  models  do  not  assess  NCP’s  directly,  but  they  predict  effects  on  ecosystem  properties  such  as  wind  speed,  carbon  storage  or  groundwater  recharge.  Section 2 compiles the ecosystem properties (or model output variables) relevant for the  provision of NCP’s and stakeholders based on a review of the current literature. Section 2  also introduces the groups of NCPs to be used in Section 3.  Section 3 provides an overview of current biophysical agroforestry models and lists  which NCP relevant system properties are covered by their model outputs. The model  outputs from Section 2 covered by the models in this review are shown in Table A1.   Section  4  discusses  the  structural,  technical  and  legal  properties  of  agroforestry  models, in order to investigate their potential to be extended by the scientific community  to cover a broader set of NCP‐related model outputs and processes.  2. Agroforestry Ecosystem Properties Contributing to People  2.1. Groups of Nature’s Contributions to People (NCP)  Agroforestry’s contributions to people are different as compared to landscapes in  which patches used  for agriculture and forestry are spatially  separated. Process‐based  models  calculate  states  and  fluxes  of  the  biophysical  properties  of  nature.  These  biophysical properties of agroforestry systems need then to be translated to NCPs. We  demonstrate  this  using  the  system  of  18  NCPs  as  presented  by  Díaz  et  al.  [1].  Their  approach,  however,  is  partially  redundant  in  terms  of  ecosystem  properties:  e.g.,  provisioning of habitats for various animals and plants (NCP 1) mostly includes the ability  to provide habitats for seed and pollen dispersing animals (NCP 2), although the type of  contribution differs.  To  overcome  these  redundancies,  in  this  paper,  we  propose  links  between agroforestry system properties and NCP groups (Table 1). We identified NCPs  related to biodiversity (NCP 1, 2, 10, and 14), air quality (NCP 3), climate (NCP 4), water  percolation (NCP 6–8), surface protection (NCP 8–9), production (NCP 11–13) and the  group of socio‐cultural NCPs (NCP 15–17). Ocean acidification (NCP 5) is only indirectly  related to agroforestry and was excluded from this study. Nature contributes to people  by enabling opportunities, to benefit humanity in ways to be discovered (NCP 18). As  models can only be based on already existing knowledge, NCP 18 is not part of this study,  although it is perceived as one of the major benefits of agroforestry [24].        Agronomy 2021, 11, 2106  5  of  24  Table  1.  Groups  of  nature’s  contributions  to  people,  summarized  from  Table  S1  in  Díaz  et  al.  (2018).  The  types  are  regulating (R), material (M), cultural (C), and options (O).  Group  #NCP  Type  NCP‐Name  Exemplary System Property  1  R  Habitat  Animal diversity  2  R  Seed/pollen dispersal  Biodiversity  Plant diversity  10  R  Pest regulation  Landscape diversity  14  M  Biotechnology  Air quality  3  R  Air quality  Pollution filtering, dust prevention  4  R   Climate regulation  CO2 emission, C‐sequestration, Surface cooling,  Climate  Evapotranspiration  5  R  Ocean acidification  6  R  Water quantity  GW recharge  Water  7  R  Water quality  N/P‐load, water supply, N supply  8  R  Soil protection  Soil functioning, vegetation cover,  Surface protection  9  R  Hazard regulation  wind/water erosion  11  M  Energy  Woody biomass, Crop biomass, Fruit biomass,  Production  12  M  Food & feed  timber biomass  13  M  Materials  15  C  Learning & inspiration  Landscape character/beauty  Culture  16  C  Experience  Culture heritage  17  C  Identities    18  O  Options  Not part of this study  2.2. Linking NCP Groups with Agroforestry System Properties  2.2.1. Biodiversity  Agroforestry increases the compositional heterogeneity (i.e., the number of different  habitat types, NCP 1), as well as habitat connectivity (i.e., higher field border density, NCP  2) which are both primary factors benefitting biodiversity at the landscape scale [6]. High  edge density and increased connectivity in agricultural landscapes were also shown to  promote  functional  biodiversity  of  arthropod  pest  antagonists,  which  in  turn  enhance  yields (NCP 10) [25]. Aside from their habitat function, supporting a multitude of different  plant  and  animal  species,  agroforestry  systems  can  also  serve  as  an  important  gene  reservoir, such as for old varieties of fruit trees (NCP 14) [26].  2.2.2. Air Quality  Aerosol deposition increases due to the increased surface roughness, which reduces  the velocity of air flows [27]. This creates a sink for air pollutants. Shelter belts can reduce  the odour diffusion of livestock production and manure application [28], depending on  the density, geometry and the shape of the selected tree species’ leaves. Urban trees filter  pollutants in a similar manner in cities [29]. Due to the decreased wind speed at the crop  level,  alley‐cropping  systems  can  significantly  reduce  drift  emissions  during  the  application of fertilizer and pesticides [30]. Fine, respirable mineral dust, originating from  wind  erosion,  is  another  threat  to  air  quality,  which  agroforestry  systems  have  the  potential to mitigate. The system property regulating air quality is the altered wind field,  with decreased velocity and enhanced turbulence of the air flow.  2.2.3. Climate Regulation  Agroforestry systems can enhance the resilience of agro‐ecosystems towards climate  change  [31].  Important  biophysical  vegetation‐atmosphere  interactions  include  energy  exchange  through  latent  heat,  radiation  transfer,  storage  of  carbon  below  and  above  ground,  and  the  emissions  of  greenhouse  gasses  (NCP  4,  NCP  5).  For  example,  agroforestry  can  reduce  the  net  loss  in  long‐wave  radiation  from  plant  surfaces  and    Agronomy 2021, 11, 2106  6  of  24  protect plants from radiation frosts locally [32], alleviate drought stress of the crop [33,34],  and alter the temperature, with positive and negative effects on the crop depending on  the growth stage [33]. Agroforestry can further alter surface roughness and thus airflows  [35], with potential effects on plant productivity through the reduction of  wind speed  [33,36], and reduce evapotranspiration of the crop [37] with potential effects of the tree  age [38].   Agroforestry is also capable of directly mitigating climate change. Several studies  have reported on the positive effects on C storage in such systems [4,39,40]. Much less  information  has  been  published  on  the  role  of  agroforestry  systems  and  trace  gas  emissions. Reduced CO2 and N2O emissions and increased CH4 sinks have been reported  for the humid tropics [41]. However, the effects of agroforestry for other climates are less  clear from reported reduced emissions [42] but also from higher emissions during freeze‐ thaw cycles [43].  2.2.4. Water Regulation  Soils are important filter systems for rainwater to percolate through. Nutrients and  pollutants undergo a complex interaction with soil minerals and biota, and purified water  adds  to  groundwater  resources  from  which  drinking  water  is  then  retrieved  [44].  In  contrast to forests with minimal percolation beyond the rooting zone [45,46], croplands  and grasslands play an important role in groundwater replenishment. However, as they  are often heavily fertilized to ensure production, groundwater quality is at risk. Adding  trees to a site that is otherwise cropped with annual plants adds another rain interceptor  [47]  and  water  consumer,  whose  roots  may  eventually  grow  underneath  the  annuals  [48,49]. This increases the water and nutrient use efficiency of the system [50], but leaves  even less water for deep percolation and groundwater recharge. Reducing the radiation  input  through  shading  improves  the  growth  condition  for  the  annuals  in  most  circumstances, so that reduced radiation input is compensated for by less stress through  high temperatures and slower development [51,52], despite higher night temperatures  [53].  A  better  growing  crop,  however,  consumes  more  water  and  nutrients.  If  wide  agroforestry architectures are employed, deep percolation of water and, consequently,  leaching of nutrients occurs in the centre rows between tree lines with higher probability,  compared to   the field edge in the vicinity of the tree row [54]. In some circumstances,  trees increase the water percolation, which leads to an optimum tree share that balances  positive and negative effects on deep percolation [55].  2.2.5. Surface Protection  The long‐term development of soils is crucial as they are a natural resource for the  provisioning of most NCPs as a habitat for animals and plants, (NCP 1, 2, 10), regulation  of water quality and quantity (NCP 6, 7), and as a basis for land production (NCP 11–13).  The effect of wind erosion on air quality has already been addressed in Section 2.2.2. The  physical protection of the on‐site surface is therefore a future contribution of nature to  people (NCP 8). The tree canopy protects the surface from the destructive kinetic energy  of rain drops. Tree roots reduce soil disturbance, stabilize aggregates, develop preferential  flow path in soils, and lead to higher infiltration capacities [56]. This can, depending on    design,  slow  down  surface  runoff  by  increasing  the  surface  the  agroforestry  system roughness.  Higher  surface  water  retention  in  the  field  means  less  flash  floods  and  sediment deposition  off‐site,  protecting  surrounding  dwellings  from  hazards (NCP  9).  Increasing  the  share  of  agroforestry  systems  in  a  watershed  can  therefore  change  the  runoff characteristics of a landscape. Relevant properties include the surface roughness,  the physical protection of the soil from splash and detachment, the infiltration capacity,  and changes in micro‐topography.        Agronomy 2021, 11, 2106  7  of  24  2.2.6. Production  Tree  and  crop  combinations  in  agroforestry  systems  provide  a  wide  range  of  products  (NCP  11–13)  to  people,  which  contribute  to  food  security  (food  and  feed),  income (wood and timber), and specific products (rubber, coffee, tea, and cacao) [57–59].  The  ecological  nature  of  the  interactions  between  tree  and  crop  components  in  agroforestry  systems  can  lead  to  improvements  in  overall  product  quantity  without  suppressing the benefits of other ecosystem services to people [60]. Agroforestry models  can address the crop‐related NCPs by simulation of crop biomass and grain yield (NCP12)  in reasonable detail; however, most of these models have failed to simulate tree growth  processes (NCP11) and by‐products such as rubber and fruits (NCP13) [14].  2.2.7. Socio Cultural Contributions  Agroforestry systems have been a commonly applied land‐use system across Europe  before mechanization and mineral fertilizer application changed agricultural production  [61]. As parts of a lost landscape of the past, Elbakidze et al. [24] showed, for four Baltic  countries, that the benefits of agroforestry are predominantly perceived as socio‐cultural  contributions. However, modelling agroforestry systems as places to support identities,  for  learning,  and  to  generate  physical  and  psychological  experiences,  is  extremely  dependent  on  the  location  and  historic  uses  of  agroforestry.  There  is  no  distinct,  measurable property  of agroforestry  systems that can be used as a global indicator of  socio‐cultural  contributions.  By  the  diversification  of  agricultural  landscapes  and  by  increasing  biodiversity,  agroforestry  can  support  human  well‐being  and  people’s  identification  with  their  home  region  [62].  For  regional  studies,  additional  indicators  producible  by  models  may  exist,  like  the  abundance  of  free‐standing  oaks  in  central  Sweden [63] or apple trees in central Germany [26].  2.3. Stakeholders for Modelling NCPs of Agroforestry Systems  Different  stakeholders  expect  predictions  of  different  NCPs  (ref.  Table  1)  and  knowledge  generation  at  various  scales  from  agroforestry  models.  We  classified  the  interest  groups  of  agroforestry  models  into  farmers,  agribusiness  (including  advisors,  companies  and  insurance  providers),  researchers,  non‐governmental  organizations  (NGOs), and policymakers.   Farmers  are  generally  interested  in  site‐specific  simulations  providing  crop  yield,  fruit,  timber,  and  wood  production  (NCP  11–13)  [64].  Furthermore,  near‐real‐time  predictions  of  soil  variables  covering  the  spatial  heterogeneity  of  the  field  are  in  high  demand  by  farmers,  as  they  promise  valuable  information  towards  improved  tactical  management [65]. Agroforestry models suitable for farmers should therefore cover the  effect of various management practices for decision support from field‐to‐farm scale [66],  including biotic (biodiversity, particularly NCP 2 and NCP 10) and abiotic stresses (e.g.,  water and nutrient deficiency, heat; NCP 4, NCP 6) affecting production [67]. In response  to policy regulations, they need to consider the environmental impact of their activities  on air (NPC 3), water (NCP 6), and soil (NCP 8) quality. Many farmers are an essential  part of a tradition‐oriented rural society with strong cultural aspects (NPC 16 and NCP  17).  Agribusiness  companies  are  mainly  concerned  with  employing  models  for  simulating crop yield or wood/fruit production (NCP 11–13), depending on their service  portfolio  for  field  and  farm  scale  [68].  Agroforestry  models  used  by  agribusiness  companies  should  ideally  focus  on  specific  processes  or  field  management  options  in  detail [69] particularly with respect to pest and disease control (NCP 10). For instance,  fertilizer or pesticide producers are interested in the responses of crops and trees to the  application of their products. They also require the models to trace the impact of chemicals  on water quality (NCP 7) and soil health (NCP 8). Insurance companies are interested in  farm to regional‐scale simulations that relate production (NCP 11–13) to extreme events    Agronomy 2021, 11, 2106  8  of  24  (e.g.,  heavy  rain/hail,  drought  and  frost)  covered  by  NCP  4  and  NCP  9.  They  seek  to  separate the effects of mismanagement from meteorological variables, which are beyond  farmersʹ control. In addition, analyses of inter‐annual yield variability and spatial yield  maps are target outcomes for such companies. The product market is interested in reliable  predictions  of  the  upcoming  harvest  to  adjust  logistics  and  sales.  Agribusiness  is  also  sometimes interested in developing their own models but their intention for doing so is  purely market oriented.   In contrast, researchers develop models to answer specific scientific questions and  gain  process  understanding  (NCP  15).  They  are  interested  in  simulation  of  processes,  effects and feedback loops across different spatial and temporal scales, to disentangle the  complex interactions among management, environments, and plants. A perfect model for  researchers simulates various products such as crop yield, fruit, timber, and wood (NCP  11–13) and impacts on the regulation of NCPs (1–10) depending on the research question  [70].  Researchers  need  modelling  platforms  with  a  nested  structure  that  simulates  different processes with various degrees of complexity for each process depending on the  application  scale,  considering  the  available  observed  data  for  model  calibration  and  validation. Researchers’ expectations from a model can cover all NCPs.   Stemming from a desire to help people to both receive and deliver sufficient, safe and  nutritious food, feed and materials, NGOs target most of the NCPs identified in this study.  From  providing  educational  resources  to  consulting  other  stakeholders  regarding  agroforestry practices, NGOs support the continuous development and improvement of  such systems through information campaigns and on‐site projects [71]. For this, NGOs  sometimes use models or model results to revise their goals and evaluate their projects, in  a similar way to policy‐making in governmental organizations.  Lastly,  policymakers  are  one  of  the  main  stakeholders  using  the  output  of  agroforestry models with interested in a regional or national context [72], as advised by  their supporting agencies. Since high‐resolution model inputs are often not available at  the  regional  scale,  models  with  a  simple  structure  are  preferred  to  those  that  require  detailed information for model calibration [73]. Such models should be able to project  strategies  for  adaptation  to  and  mitigation  of  climate  change  impacts  and  weather  extremes (NCP 4, NCP 5, NCP 9). Other environmental impacts of concern are impacts on  air (e.g., NH3 emissions or particulate matter exposure PM2.5; NCP 3) and water quality  (NCP  7).  More  recently,  the  impact  of  agricultural  activity  on  biodiversity,  especially  insect diversity, has gained momentum and has led to interest in NCP 1 and NPC 2. For  future planning and exploration of policy options, policymakers might be interested in  coupling such agroforestry growth models with economic models. Given that political  decisions  are  responsible  for  landscape  planning,  NCP  15–17  should  be  addressed  by  specific models as well.  3. Assessing Nature’s Contribution to People with Existing Models  3.1. Existing Agroforestry Models  Lüdeling  et  al.  [14]  described  and  compared  eight  different  agroforestry  models  selected for their ability to directly model the interaction between annual crops and trees.  We have extended this list to a total of 13 models, to include all biophysical agroforestry  models we identified in the peer‐reviewed literature addressing the mixed cultivation of  annual crops/grassland and trees (table 2). The list of models includes detailed generic  growth models, encompassing different  tree species and crops (Hi‐sAFe, WaNuLCAS,  SCUAF, APSIM, and EPIC). Hi‐sAFe, WaNuLCAS and SCUAF have been designed for  agroforestry systems specifically, while APSIM and EPIC are general plant growth models  that have later been adapted to simulate agroforestry systems. APSIM is a full‐bodied  mechanistic simulation model that describes agroforestry systems in a high level of detail.  In  the  case  of  EPIC,  Easterling  et  al.  [33]  varied  the  weather  input  file  to  account  for  windbreaks and shading. Another family of models includes highly specialized process    Agronomy 2021, 11, 2106  9  of  24  models  built  for  specific  cropping  systems:  SBELTS  (soy  with  shelterbelts),  WIMISIA  (millet  with  wind  breaks),  COMP8  (pine  and  grassland)  and  DynACof  (coffee  under  shade trees). The HyPAR model connects a generic tropical broadleaf tree growth model  with a specific sorghum crop model (PARCH). A similar approach exists in combination  with a cassava model (GUMCAS [74]) with the name HyCAS [75]. ESAT‐A is an indicator  system for agroforestry effects without explicit temporal dynamics.  Table 2. Agroforestry models considered in this study.  Model  Reference  Type of Model  Spatial Representation  Detailed generic process  Hi‐sAFe  [76]  3D structure  model  Detailed generic process  WaNuLCAS  [18]  2D hillslope  model  Detailed generic process  SCUAF  [77]  unclear  model  Detailed multi‐crop  APSIM  [67,78,79]  2.5D area  process model  Detailed generic  EPIC for AF  [33]  2.5D area  conceptual model   Soy growth model with  SBELTS  [80]  1D horizontal  shelterbelt effects  Millet growth model with  WIMISIA  [81]  2D vertical plane  wind break effects  Competition between  COMP8  [82]  Pines and surface cover  2D vertical plane  vegetation (weeds, crops)  Detailed process model for  Meta model from 3D  DynACof  [83]  coffee under shade trees  canopy shading model  Conceptual model for  HyPAR  [84]  sorghum with tropical  Field level  hybrid broadleaf trees  Yield‐sAFe  [17]  Generic conceptual model  Field level  ICBM/N  [85]  Water balance model  Field level  ESAT‐A  [15]  Indicator system  Landscape level  3.2. Assessment of NCP Relevant Ecosystem Properties by Existing Agroforestry Models  Each of the listed models has been developed to answer different research questions.  It was not the main purpose of these models to capture nature’s contributions to people  in  general,  rather  models  have  mainly  been  developed  to  capture  the  productivity  response  of  agroforestry  systems  to  environmental  and  management  drivers.  An  exception is the indicator system ESAT‐A, which has been developed to assess the impact  of agroforestry on ecosystem services for large‐scale applications. However, it does not  consider feedback loops and system dynamics. We show in the following sections which  of the available models assess the relevant ecosystem properties from Section 2.  3.2.1. Biodiversity  Biodiversity plays a subordinate role in agroforestry research [19]. Agroforestry has  been  shown  to  particularly  improve  regulating  services  including  biodiversity  [86]  by  increasing both the number of different habitats and the edge density.   With a focus on production, recent agroforestry models do not contain procedures to  characterize habitats for animals, unplanned successional plants, or microbial diversity,    Agronomy 2021, 11, 2106  10  of  24  although feedbacks between the population density of seed dispersing insects and yields  exist.  Only  ESAT‐A  uses  an  indicator  to  estimate  effects  on  plant  biodiversity  by  introducing  agroforestry,  but  in  a  very  simplified  manner.  Although  not  directly  incorporating biodiversity as a driver for outcomes such as crop yield, the Hi‐sAFe model  uses competition and facilitation, which are important mechanisms explaining positive  biodiversity‐productivity  relationships  in  biodiversity  ecosystem  functioning  research  [76].  Independent  from  the  agroforestry  models  in  this  review,  Shachak  et  al.  [87]  provided  a  theoretical  framework  for  studying  the  environmental  impacts  of  woody  plants to understand their effects on biodiversity. Woody biomass patches differ from the  surrounding in variables such as shade, water, and litter regimes. The contrast between  woody patches and their surroundings affects organism assemblages and biodiversity.  Prevedello et al. [88] presented a simple, synthetic, individual‐based model that generates  realistic  patterns  of  species  richness  and  density  as  a  function  of  landscape  structure.  Sybertz  et  al.  [89]  developed  a  simple  model  to  predict  bird  and  plant  richness  in  farmland;  bird  richness  was  able  to  be  successfully  modelled.  However,  biodiversity  models of any scale are often site‐specific and can have a narrow scope of application.  3.2.2. Air Quality  No model subject to this review includes a detailed mixing routine to simulate the  exchange of aerosols between the free atmosphere and the surface. SBELTS, WIMISIA and  EPIC include routines to model vertical wind profiles for agroforestry systems, which can  be  used to  extend  the  models  with  emission/deposition  models. Explicit  wind  erosion  models are also not included in the agroforestry models. Only the EPIC/APEX modelling  family, a land use modelling package often applied for agroforestry systems, contains an  empirical risk assessment formulation for wind erosion impact. The number of available  wind erosion models is generally limited, as reported in a review by Jarrah et al. [90].  Large scale applications are dominated by empirical simplified models for wind erosion  like the WEQ/RWEQ [91] model family with an approach comparable to the universal soil  loss  equation  (USLE)  [92]  for  soil  loss  by  water;  the  EPIC/APEX  model  family  uses  a  similar approach. Differences in design between agroforestry systems, like row distance,  tree geometry and spacing can only be captured by an integrated factor, which is yet to be  defined by the scientific community. The WEPS model is predominantly used in process‐ based wind erosion modelling studies [90]. It can simulate the spatial explicit impact of  tree patterns [93] and provides a time‐continuous modelling of the top soil moisture.   3.2.3. Climate Regulation  Changes in biophysical feedbacks between vegetation cover and atmosphere albedo,  long‐wave‐radiation,  evapotranspiration,  surface  roughness  and  cloud  formation  can  have both positive and negative NCP‐related effects [1]. In current agroforestry models,  such  parameters  are  rather  poorly  covered.  This  contrasts  with  their  importance  in  physical models to assess the potential cooling effects of afforestation [94]. They are highly  relevant in terms of NCPs, as afforestation (e.g., for carbon sequestration) changes the land  surface  reflectance,  which  affects  land  surface  temperature  positively  and  negatively,  depending  on  climate  zone  and  latitude  [94].  Furthermore,  the  offset  between  the  potential warming effects of afforestation and carbon storage has a temporal dimension  [95]. While cloud formation is only partly considered in one current agroforestry model  (APSIM),  albedo  and  long‐wave  radiation  are  covered  in  two  recent  models  (APSIM,  DynACof). Solar radiation is more commonly used as an input parameter that defines  plant growth (e.g., EPIC), rather than as an output variable. Similarly, surface roughness  is  only  computed  in  one  model  (SBELTS,  “roughness  height”).  In  contrast,  evapotranspiration  can  be  retrieved  from  most  existing  models,  sometimes  even  separately  for  soil  evaporation  and  plant  transpiration  (WaNuLCAS).  Therefore,  we  identify  a  need  to  represent  the  biophysical  feedbacks  between  vegetation  cover  and  atmosphere  both  spatially  and  temporally  in  future  agroforestry  models  to  explore    Agronomy 2021, 11, 2106  11  of  24  potential cooling or warming effects of systems, particularly regarding interactions with  other NCPs related to carbon sequestration.   The  soil  carbon  cycle  is  poorly  represented  in  most  of  the  agroforestry  systems  models (Table A1). While more than half of the models simulate at least some aspects of  plant‐based carbon storage (including roots) only the comprehensive modelling platforms  APSIM and EPIC can simulate the complex C and N turnover belowground, and their  effect on soil carbon storage. This is astonishing, to say the least, when one takes into  account  that  agroforestry  systems  are  often  primarily  implemented  to  increase  carbon  storage in terrestrial ecosystems [39,40]. Emphasis is put on aboveground carbon storage,  neglecting the fact that soils can store vast amounts of carbon. The YieldSAFE model has  been extended with soil carbon storage routines [96] to address this gap.   Equivalently important are greenhouse gas emissions and how they are influenced  by  agroforestry  system  design  and  their  management  [41].  Surprisingly,  we  found  no  study where greenhouse gas emissions have been quantified in model‐based assessments  for agroforestry systems. However, APSIM and EPIC are generally capable of simulating  greenhouse  gas  emissions.  For  the  further  consideration  of  greenhouse  emissions,  process‐based  models  such  as  LandscapeDNDC  [97]  or  DAYCENT  [98]  could  be  considered in agroforestry model systems.   3.2.4. Water Regulation  Water and nutrient dynamics are often central when agroforestry is suggested as an  option  to  increase  nature’s  contributions  to  people.  The  main  assumptions  on  micro‐ climate regulation through agroforestry have direct consequences for plant growth and  subsequent water and nutrient consumption and loss. The different hypotheses on the  benefits of additional trees in croplands have been partly tested in field experiments, but  the  interactions  of  plant  growth,  water  and  nutrient  dynamics  are  so  diverse  that  mechanistic simulation models need to be employed to fully disentangle the individual  contributions  of  the  different  factors  involved.  From  a  human  perspective,  the  main  concern lies with the effects of agroforestry on groundwater replenishment, groundwater  quality, and water and nutrient supply to plants for biomass growth and yield formation.  Among  the  existing  models,  many  do  simulate  drainage  and  nitrate  leaching  in  a  mechanistic way (e.g., HyPAR, WIMISIA). However, nutrient dynamics or, specifically,  the  release  of  nutrients  from  soil  organic  matter  turnover  is  often  not  considered.  DynACof 3D models contribute here with their ability to separate different zones of root  distribution  across  an  agroforestry  site.  This  allows  testing  of  whether,  and  at  which  distance, the presence of trees affects the drainage of water and subsequent leaching of  nutrients. Such ‘leaky’ zones could be simulated as a major contributor to nutrient losses  underneath agroforestry systems, but also for potential groundwater replenishment.   The water consumption of crops and trees influences the soil water budget. A full  consideration  should  include  the  interception  of  rain  in  different  canopy  storeys,  the  spatial  redistribution  of  rain  through  stem  flow  and  canopy  drip,  and  a  plausible  representation  of  crop  and  tree  transpiration  and  water  uptake  from  soil.  Here,  agroforestry models benefit from existing agro‐ecosystem models, from which some have  borrowed modules for soil water and nutrient dynamics (e.g., SBELTS, APSIM). However,  a 3D structure would be required to represent the spatial pattern and identify hotspots of  drainage.  The resulting soil moisture, in turn, has effects on soil organic matter turnover, for  which an optimum soil moisture exists. The resulting nutrient release adds to the nutrient  availability for plant uptake, but also for losses. In the case of N, both nitrate (leaching)  and nitrous oxide (gaseous emissions) formation are affected; in the case of C, it is the  building up of recalcitrant soil C stocks and the emission of CO2. This feedback is included  in the mechanistic agro‐ecosystem models. Phosphorus release and availability is only  considered in a few models (e.g., WaNuLCAS, Hi‐sAFe, APSIM), with various levels of    Agronomy 2021, 11, 2106  12  of  24  complexity. Feedback to erosion, an important pathway for P losses, is not considered in  any of the agroforestry models reviewed.   The Hi‐sAFe model is potentially able to address all the above‐mentioned feedback  loops,  and  has  done  so  with  many  of  them  already  [51].  What  is  still  missing  is  the  feedback between soil moisture and soil organic matter mineralization/plant N uptake,  and the question of whether agroforestry would really reduce N leaching or would just  make zoning of N fertilizer demand even more complicated, with undesired effects on N  leaching. Some of the agroforestry models do not consider deep percolation of water and  nutrients as an output, as their focus lies solely on the feedback between soil moisture and  plant growth (e.g., Yield‐sAFe), or on the dynamics of soil C stocks (ICBM/N).   3.2.5. Surface Protection  Water erosion is integrated into SCUAF, EPIC/APEX and APSIM using the USLE  model family. The USLE [92] is an overlay of empirically derived factors describing the  erosivity of rainfall events, the erodibility of the soil, topography, soil cover by crops, and  factors affecting the effectiveness of soil protection measures, e.g., contour ploughing. In  an application study of the Farm‐sAFe model, the soil erosion protection of agroforestry  was  calculated  by  factoring  the  tree  canopies  into  the  soil  cover  factor  [99].  Process‐ oriented modelling of soil erosion is deliberately left out of the agroforestry process model  Hi‐sAFe [76]. The WaNuLCAS model contains a mechanistic approach to water erosion  running, as does the rest of the model, on a daily time step. A comparison of a calibrated  WaNuLCAS model  with the  erosion  model  WEPP [100]  for  an agroforestry  system in  Thailand  showed  a  strong  overestimation  of  the  surface  runoff  [101].  The  rangeland  hydrology and erosion model (RHEM) [102] is based on WEPP, but has been extended  with parameters for a better capture of woody  patches, but this model  package omits  routines for plant growth in the herbal/crop and tree layer and is therefore not a subject  of this study.   The integrated modelling systems available do not directly capture roughness and  infiltration effects. However, at least WaNuLCAS can be setup with a predefined macro  pore regime. Plant growth and the presence of trees changes the surface roughness. A  modelling  study  for  wide  tree  strips  in  Australia  showed  a  strong  effect  on  the  soil  moisture  distribution  by  changes  in  surface  roughness  and  infiltration  capacity  [103],  which is missing in available integrated crop‐tree interaction models.   3.2.6. Production  The primary motive behind developing and applying most agroforestry models is to  simulate  crop  and  tree  products  under  various  environmental  conditions  and  management  practices  [14].  The  main  products  of  the  crop  component  simulated  are  above‐ground  biomass  and  marketable  yield  [104].  The  tree  component  generally  simulates wood, timber, and in rare cases, fruit yield [104]. The simulation of fruit yield is  complicated  since  the  fruit  quality  properties  (such  as  size,  shape,  colour,  and  water  content) are the more critical variables for marketability in most cases, and not the fruit  quantity,  where  approaches  that  are  more  generic  can  be  employed.  Most  of  the  agroforestry models use the light use efficacy concept [105] for biomass accumulation and  partitioning coefficients to distribute the assimilates across the organs in both crop and  tree components [14]. However, a few models employ a daily net photosynthesis concept  to simulate above‐ground biomass [84]. Water and N deficiencies are the only biomass  and yield‐limiting factors considered by agroforestry models, generally represented by  using simple reduction factors, while P deficiency is usually missing. Nevertheless, Hi‐ sAFe simulates water and nitrogen stress using a process‐based approach that affects leaf  area index, light use efficiency, and allometric coefficients. Agroforestry models mainly  consider the competition for light as the primary driver of direct interactions between crop  and  tree  components  [106].  On  the  other  hand,  the  direct  competition  for  water  and  nitrogen  are  not  adequately  represented  due  to  the  lack  of  data  for  calibration  and  a    Agronomy 2021, 11, 2106  13  of  24  knowledge  gap  in  process  understanding.  A  few  models  partly  reproduce  the  below‐ ground competition between species, considering the difference in transpiration demand,  available water, and N in the overlapping root zone, the difference in potential uptake  rate of roots, relative root length density, and pre‐defined resource distribution among  crops and trees (Hi‐sAFe, Yield‐sAFe, WaNuLCAS).  There is a trade‐off between the numbers of processes considered by models and the  parameterisation efforts needed to simulate yield and tree products [104]. The 3‐D and 2‐ D models which consider impacts of a broad range of management options, including  thinning,  branch/root  pruning,  fertilization,  irrigation,  mulching,  etc.,  require  more  intensive parametrization efforts especially with parameters that are mainly available at  field scale, making upscaling a challenge for the users [14]. Another shortcoming of the  current agroforestry models, being species‐specific, is the lack of generic crop and tree  components in the modelling platforms, limiting their application across environments.   3.2.7. Socio Cultural Contributions  As discussed in Section 2.2.7, there exists no global indicator or ecosystem property,  with a universal translation into social cultural contributions. Consequently, none of the  model  descriptions  mentions  usage  of  the  model  to  address  the  socio‐cultural  contributions of agroforestry systems to people.  3.3. Summarizing the Models Abilities to Assess NCP Related Ecosystem Properties  Table A1 list all of the models considered in this review and their ability to model the  ecosystem properties connected with specific NCPs as structured by Díaz et al. [1]. Every  ecosystem  property  that  is  fully  assessed  by  a  model  is  marked  with  100%,  partial  coverage with 50%. Table 3 summarizes this information with the mean values of each  model for the NCP groups.  Table 3. Average coverage value for the models to assess NCP‐related ecosystem properties. Shading emphasizes higher  coverages. The coverage percentage is derived from Table A1.  Hi‐sAFe  WaNuLCAS  SCUAF  APSIM  EPIC  SBELTS  WIMISA  COMP8  DynACof  Hypar  Yield‐SAFE  ICBM/N  ESAT‐A  Biodiversity  0%  0%  0%  0%  0%  0%  0%  0%  0%  0%  0%  0%  33%  Air quality  0%  0%  0%  33%  67%  33%  33%  0%  0%  0%  0%  0%  33%  Climate  20%  15%  5%  90%  45%  20%  15%  0%  40%  15%  15%  0%  5%  Water  100%  100%  40%  100%  80%  40%  20%  100%  40%  100%  100%  0%  60%  Surface protection  25%  63%  50%  50%  50%  0%  25%  0%  0%  25%  50%  25%  50%  Productivity  75%  75%  63%  50%  50%  38%  38%  0%  50%  50%  75%  0%  0%     Process models for agroforestry systems have mainly been developed to optimize  productivity of the systems, which is therefore the focus for all models. Generic modelling  of  multiple  crop  and  tree  species,  including  wood  and  fruit  production,  is  almost  not  possible (Table A1). Due to the role of water and nutrient supply in productivity, water  quantity and quality regulation is also a core feature of the available models. Impacts on  the biodiversity‐related contribution to people are not a subject for the existing models,  except for the indicator system ESAT‐A, which offers at least some indicators for plant  diversity. Other groups of NCPs are also covered by only a few models, like air quality  and surface protection, often by rather large‐scale conceptual models, and not by process‐ oriented models. Properties for climate regulation effects are only scarcely modelled, with  the mechanistic crop growth models APSIM and EPIC as exceptions.  None of the models produces output to assess all of nature’s contributions to people.  To cover a broader range, existing process models need to be enhanced or coupled with    Agronomy 2021, 11, 2106  14  of  24  adequate routines from other models, if possible. Such a framework of integrated models  and routines from different disciplines needs to overcome technical, conceptual and legal  barriers to become possible.  4. Towards a Multi‐Effect Modelling Framework for Agroforestry  Section  3  shows  that  the  state  of  modelling  agroforestry  systems  with  regard  to  NCP’s is still lacking the tools to assess a broad and relevant set of ecosystem services [19].  The complexity of agroforestry systems results in complex models. Extending agrofor‐ estry models to cover all NCPs requires more work than a single group of experts can  deliver in the scope of a project. Instead of solving all links between NCPs and manage‐ ment at once, we would like to propose building step‐by‐step on existing models from  within and from outside the agroforestry modelling community to form a multi‐effect  modelling framework. How well existing models fit into a community led framework de‐ pends on technical, conceptual and legal issues relating to the models’ source code. Such  a framework will be complex to build and use and would result in a research tool and not  necessarily an operational tool directly useable by modelling stakeholders outside of the  research community.  4.1. Technical and Conceptual Requirements  Lüdeling et al. [14] have already sketched a “way forward” for agroforestry model  development, highlighting some features for the future of agroforestry modelling includ‐ ing flexibility through interoperability, model simplicity, and model longevity. These re‐ quirements are even more necessary for a multi‐effect modelling framework that enables  the simultaneous assessment of various regulating NCPs. We expand on this here with  more features, incorporating the earlier ideas of Buytaert et al. [107] on modularity, port‐ ability and accessibility.  4.1.1. Accessibility and Model Longevity  Model source code that is widely accessible has a higher chance of being taken up by  others and developed further, even if the original developers subsequently lost their in‐ terest or means. Model code becomes accessible if it is: (i) published with a code license  approved by the free software community [107], (ii) well‐structured and documented, and  (iii) written in an appropriate and widely used programming language. If any of these  aspects is missing, the model code cannot easily be passed from one developer or institu‐ tion to another, with a view to reducing the risk that society might lose model applications  at the end of a specific project or initiative, as described by Burgess et al. [108]. Accessible  source code is the prime requisite of model properties for further development. We use  level indicators to describe a gradual shift from no accessibility at all to full accessibility,  as follows: (0) no published information concerning the model implementation, (1) men‐ tioning of a few implementation details (e.g., platform), but no information about code  access, (2) published promise on code access on request, unclear terms and licenses ex‐ pressed, (3) published promise on code access on request, proprietary license and/or spe‐ cial legal requirements on usage, (4) download of source code from public repository with  proprietary license, (5) download of source from repository with a free license approved  by the Free Software Foundation. All accessibility levels below (5) are not sufficient to  integrate a model code into a community framework.  4.1.2. Portability  Portability describes the potential to run a model across a wide range of hard‐ and  software platforms. It is important for users interested in running single scenarios and for  developers working on specific model mechanics to run a model code on a normal PC.    Agronomy 2021, 11, 2106  15  of  24  These users can also profit from a graphic user interface. For large‐scale applications, sta‐ tistical parameter optimization and uncertainty assessment, the same model code should  be run massively parallelised on a high‐performance computing cluster using different  operating systems and hardware components. Graphical interfaces bound into the model  code can prohibit these kinds of applications. Programming languages lacking support  across operating systems or depending on expensive runtimes pose another problem for  portable model frameworks.  4.1.3. Interoperability, Modularity and Simplicity  The term flexibility is mainly used by Lüdeling et al. [14] to describe the possibility  to interface agroforestry models in a broader framework; we call it interoperability here.  A flexible agroforestry model can be used as a module to be interfaced with other models  like economic or catchment hydrology models, depending on the stakeholder’s needs. In‐ teroperability addresses the environment of the model.  Modularity, as required by Buytaert et al. [107] for hydrologic models, refers to the  internal structure. Clark et al. [109] describe environmental models as a network of inter‐ acting hypotheses and assumptions and recommends that models are modifiable at the  level of individual processes so that these assumptions can be tested individually. Such  modular model kits are now available in hydrology, such as SuperFLEX [110] or CMF  [111], which can be used to construct new models. Models for plant growth and soil chem‐ istry are usually more complex. Modular approaches tend to refer to the replacement of  complete  sub‐models  describing  a  compartment.  For  example,  in  the  biogeochemical  models LandscapeDNDC [97], ExpertN [112] or SIMPLACE [113], different models are  available for plant growth, biogeochemical processes in soil solution, and transport by  water. However, the need for re‐parameterisation of newly configured models remains a  challenge.  The term simplicity, as used in Lüdeling et al. [14], means that a model should have  a balanced complexity. However, the target complexity in each domain depends on the  research question and on the NCP relevant for the stakeholders. The ability to change  model  components  in  a  modular  modelling  framework,  allows  for  the  adjustment  of  model complexity with regard to the research question; hence modularity is also a tool to  keep model simplicity balanced in an evolving modelling framework.  However, coupling existing sub‐models to compose a flexible and modular super‐ model is still challenging, even if the models have been developed with the previously  stated goals in mind. From our experience, major technical roadblocks for model integra‐ tion include missing portable interfaces to internal states, boundary conditions and fluxes,  incompatible  spatial  and  temporal  resolution  and  scope,  incompatible  licenses  of  the  source code, and missing documentation at the implementation level. Interfacing different  models creates an additional challenge: most environmental models have been validated  for their predicted lumped effects and not at the process level. Combining processes from  previously validated models does not automatically create a new valid model. The newly  composed model needs to be validated against experimental observations.  4.2. Conceptual and Technical Issues of the Existing Agroforestry Models   details, especially  Modelling research  articles often  omit technical and conceptual earlier articles. The availability of source code, or even executables, is not reported for  most of the reviewed models. There is no mention of the source code availability, the pro‐ gramming language, or modelling platform used, for SCUAF, SBELTS, HyPAR, WIMI‐ SIA, ICBM/N, COMP8 and ESAT‐A (accessibility level 0). While the mathematical model‐ equations can be reprogrammed in a new approach, code reuse for interoperability is not  possible. Re‐implementing the models for integration into a larger framework is demand‐ ing and error prone or not possible at all, if the original implementation cannot be used  for guidance and verification.    Agronomy 2021, 11, 2106  16  of  24  ICBM/N or its basis ICBM [114] (SAS and Microsoft Excel, respectively) was origi‐ nally available online but the links for download in the references are no longer active. As  a spreadsheet application, this model did not provide defined interfaces, modularity, or  portability (accessibility level 1).  The process‐based Yield‐sAFe model has been implemented initially in Matlab and  later as an Excel spreadsheet applications [17]. The Matlab version is not publicly availa‐ ble, the Excel used to have link for download which is now non‐functional. A Python  version of the code has been developed recently [115], but not made publicly accessible.  This latest version has defined interfaces for interoperability and is portable across plat‐ forms (accessibility level 2).  The source code of the DynACof model is unconditionally available in a public online  repository [116]. The model code is licensed under the GNU Public License (GPL) and can  therefore be obtained, changed and applied and published without further approval of  the developer. The model has therefore ensured longevity and can be used or adapted in  future, reaching accessibility level 5. However, the DynACof model is, by design, a highly  specialized model for the specific needs of coffee production and provides no defined in‐ terfaces for interoperability.  The EPIC model in its original form, including its source code, is freely available  [117]. The modifications by Easterling [33] to the weather generator for simulating agro‐ forestry systems, however, are not publicly available (accessibility level 0). The original  EPIC code [118] has been developed and has been updated continuously. The EPIC im‐ plementation is in the form of a monolithic structure and is not designed for modularity  and tightly coupled interoperability. EPIC is written in a widely used programming lan‐ guage (FORTRAN) and released under the GPL license in a repository (accessibility level  5), so it is possible to reuse parts of the source code in another context—either adapted or  fully translated to another programming language. The portable code can be compiled for  most operating systems.  WaNuLCAS is developed inside of the commercial modelling system STELLA by  iseesystems.com. The project files are hosted by the World Agroforestry Center (ICRAF)  [119]. The license allows free non‐commercial use of the code but does not mention rights  for reuse and changes—both conditions make the license incompatible with licenses ap‐ proved by the Free Software Foundation (accessibility level 4). The dependency on third‐  party commercial software prohibits interoperability in a framework and modular use of  sub‐models.  Hi‐sAFe’s code is available from the projects homepage and is written in JAVA on  top of the forest modelling platform Capsis [120] and integrates the generic crop growth  model STICS [121], written in FORTRAN. Both foundation models are highly modular  and well suited for model interoperability, as Hi‐sAFe itself proves. Hi‐sAFe can be ob‐ tained from the authors free of charge, albeit with very limited rights for the user to ex‐ tend, change or distribute these changes (accessibility level 3), with the additional require‐ ment that publications containing a Hi‐sAFe application must include a co‐author from  the original development team. It is therefore not possible to include Hi‐sAFe’s code in a  larger  independent  framework  and  hence,  enhancements  to  cover  more  NCP  relevant  properties would require a formal authorisation and support from the development team.  The modifications to APSIM by Huth et al. [78] to model agroforestry systems, that  include eucalyptus trees as shading and wind shelter elements for various annual crops,  have recently been further developed and integrated into the APSIM modelling system  [67]. The APSIM framework is highly modular in its design and for many processes con‐ tains alternative sub‐models to choose from and runs on most operating systems. The  source code is publicly available and model usage is free of charge for public research [79]  (accessibility level 4). A commercial license can be obtained. The non‐commercial license  is free of charge and limited to three years and must be renewed regularly. New features  can be contributed to APSIM, if the copyright of that development is given to the APSIM    Agronomy 2021, 11, 2106  17  of  24  initiative (AI). Modifications, enhancements and related work cannot be published with‐ out the agreement of the AI. Coupling with code published under the GPL is not possible.  4.3. Do We need to Start the Multi‐Effect Framework from Scratch?  The road to multi‐effect multi‐crop frameworks to predict the ecological impacts of  agroforestry practices at the field/landscape level starts with combining existing multi‐ crop growth models with existing tree growth models to allow consideration of relevant  agroforestry‐specific light, water and nutrient dynamics among interacting plant types.  Only the detailed generic crop models Hi‐sAFe, EPIC and APSIM are suitable to model  practice gradients at the field scale and provide a basis for large scale meta‐models. The  model Hi‐sAFe is built in this way and provides the widest range of tree/crop combina‐ tions. EPIC, WaNuLCAS and APSIM are the two other options for process‐based generic  models in this review. EPIC’s approach to tree/crop interaction is rather simplistic [33]  and  lacking  indirect  effects  of  joint  resource  consumption  of  trees  and  ground  crops;  WaNuLCAS’s design decision prevents its use in a wider framework [14].  The APSIM modelling framework covers most ecosystem properties that translate  into NCPs. Smethurst et al. [67] introduced an agroforestry module for APSIM simulating  shading and competition for nutrients and water, without the use of a proper tree growth  model. Nutrients and water demand of trees are modelled as a sink term. Lateral fluxes  of water and nutrients between tree and crop patches are not considered. The APSIM  framework provides modularity, portability and interoperability as the source code of the  respective modules is publicly accessible but restricted by the APSIM licence. As such, the  APSIM approach to agroforestry modelling is promising, but lacks the freedom to inde‐ pendently develop modules within the framework.  5. Conclusions  Do agroforestry models currently include a “broad and relevant set of ecosystem services  at multiple spatial scales” [19]? We have shown in Section 3 that current agroforestry models  still focus predominantly on production and consider NCP regulation mainly as a means  for biomass production and yield. That is to be expected, since other ecosystem services  were  not  considered  as  target  variables  alongside  production  in  agroforestry  systems.  Most agroforestry models have been developed with an even narrower scope, with spe‐ cific combinations of a single tree species with a single crop species. Extending process  models is a task for researchers as well as filling empirical gaps with virtual experiments.  Such a new detailed modelling framework can be used for studies at the field scale and to  derive simplified approaches, e.g., as meta‐models for policy decision support and  by  NGOs for strategic decision support. Stakeholders with a focus on production, like farm‐ ers, and agricultural extension are already well equipped with existing, production fo‐ cussed tools available for use at multiple scales.  With respect to nature’s contributions to people, agroforestry models require further  development and a broader scope. To include existing research work in further model  enhancement, open‐code policy is essential. To this end, stakeholders using models or  model results to address knowledge gaps, offering advice and contributing to a broad  range of NCPs, would also benefit from the structure highlighted in this study. Detailed,  modular frameworks at the field level can help to improve simplified models and indica‐ tor systems. Currently, we see a lack of sufficiently modular, freely accessible and re‐usa‐ ble simulation frameworks (see Section 4), in which tree growth, crop growth, and com‐ ponents accounting for species competition, which could be further developed by other  than the original research group. The ambition to produce a modelling framework that  facilitates the simulation of a wide range of agroforestry’s contributions to people is a  great challenge, and it requires a community effort to advance in this field.    Agronomy 2021, 11, 2106  18  of  24  Author Contributions: Conceptualization, P.K., E.E.R., L.B., F.E., T.K., A.G.‐S. and C.N.; methodol‐ ogy, P.K., E.E.R., L.B., F.E., C.N.; writing—original draft preparation, P.K., E.E.R., L.B., T.K., A.G.‐S.  and C.N.; writing—review and editing, P.K., E.E.R., L.B., F.E., T.K., D.‐M.S., A.G.‐S. and C.N.; su‐ pervision, L.B. and C.N. All authors have read and agreed to the published version of the manu‐ script.  Funding:  P.K.  and  L.B.  acknowledge  funding  from  the  Hessisches  Landesamt  für  Naturschutz,  Umwelt  und  Geologie  (HLNUG)  for  the  project  “Innovativer  Erosionsschutz  für  Hessen  unter  Klimawandel (Z1‐15C c 01.02.)“; L.B. received further funding from the Hessisches Ministerium für  Umwelt,  Klima,  Landwirtschaft  und  Verbraucherschutz  (HMUKLV)  in  the  frame  of  the  project  „Agroforstsysteme Hessen”; F.E. acknowledges support by the Deutsche Forschungsgemeinschaft  (DFG,  German  Research  Foundation)  under  Germany’s  Excellence  Strategy—EXC  2070— 390732324.  Data Availability Statement: No additional datasets have been used  Acknowledgments:   We  acknowledge the editors  and reviewers for  their  helpful advice  to im‐ prove the manuscript  Conflicts of Interest: The authors declare no conflict of interest. The funders had no role in the  design of the study; in the collection, analyses, or interpretation of data; in the writing of the manu‐ script, or in the decision to publish the results.  Appendix A  Table A1. Agroforestry’s ecosystem properties, assessed by the existing models. This table is the basis for Table 2. The  symbols represent values for averaging. Legend: green: covered by model (1), amber: partly or overly simplistic coverage  (0.5), red: ecosystem property not covered by model (0).  Hi‐ Yield‐ ESAT‐ Group  Variable  sAFe  WaNuLCAS  SCUAF  APSIM  EPIC  SBELTS  WIMISA  COMP8  DynACof  Hypar  SAFE  ICBM/N  A  Biodiversity  Plant species diversity  0%  0%  0%  0%  0%  0%  0%  0%  0%  0%  0%  0%  100%  Biodiversity  Animal species diversity  0%  0%  0%  0%  0%  0%  0%  0%  0%  0%  0%  0%  0%  Biodiversity  Landscape diversity  0%  0%  0%  0%  0%  0%  0%  0%  0%  0%  0%  0%  0%  Air quality  Aerosol mixing model  0%  0%  0%  0%  0%  0%  0%  0%  0%  0%  0%  0%  0%  Air quality  Wind profile  0%  0%  0%  100%  100%  100%  100%  0%  0%  0%  0%  0%  0%  Air quality  Wind erosion  0%  0%  0%  0%  100%  0%  0%  0%  0%  0%  0%  0%  100%  Climate  Plant C storage  100%  100%  50%  100%  100%  0%  0%  0%  100%  50%  50%  0%  0%  Climate  Soil C storage  0%  0%  0%  100%  100%  0%  0%  0%  0%  0%  100%  0%  50%  Climate  CO2 emission  0%  0%  0%  100%  100%  0%  0%  0%  0%  0%  0%  0%  0%  Climate  N2O emission  0%  0%  0%  100%  0%  0%  0%  0%  0%  0%  0%  0%  0%  Climate  CH4 emission  0%  0%  0%  100%  0%  0%  0%  0%  0%  0%  0%  0%  0%  Climate  Albedo  0%  0%  0%  100%  0%  0%  0%  0%  100%  0%  0%  0%  0%  Climate  long‐wave radiation  0%  0%  0%  100%  0%  0%  0%  0%  100%  0%  0%  0%  0%  Climate  ET (incl. moisture recycling)  100%  50%  0%  100%  100%  100%  100%  0%  100%  100%  0%  0%  0%  Climate  Surface roughness  0%  0%  0%  50%  50%  100%  50%  0%  0%  0%  0%  0%  0%  Climate  Cloud formation  0%  0%  0%  50%  0%  0%  0%  0%  0%  0%  0%  0%  0%  Water  Groundwater recharge  100%  100%  0%  100%  100%  100%  0%  100%  0%  100%  100%  0%  100%  Water  N leaching  100%  100%  0%  100%  100%  100%  0%  100%  0%  100%  100%  0%  100%  Water  P export to water bodies  100%  100%  0%  100%  0%  0%  0%  100%  0%  100%  100%  0%  100%  Water supply to plants/Com‐ Water  petetion  100%  100%  100%  100%  100%  0%  100%  100%  100%  100%  100%  0%  0%    Agronomy 2021, 11, 2106  19  of  24  N supply to plants/Competi‐ Water  tion  100%  100%  100%  100%  100%  0%  0%  100%  100%  100%  100%  0%  0%  Surface  protection  Water erosion  0%  100%  100%  100%  100%  0%  0%  0%  0%  0%  100%  0%  100%  Surface  protection  Surface friction  0%  0%  0%  0%  100%  0%  0%  0%  0%  0%  0%  0%  0%  Surface  protection  Vegetation cover  100%  100%  100%  100%  0%  0%  100%  0%  0%  100%  100%  100%  100%  Surface  Preferential flow path  protection  infiltration  0%  50%  0%  0%  0%  0%  0%  0%  0%  0%  0%  0%  0%  Productivity  Harvested crop yield  100%  100%  100%  100%  100%  100%  100%  0%  100%  100%  100%  0%  0%  Productivity  Timber production  0%  0%  0%  0%  0%  0%  0%  0%  0%  0%  100%  0%  0%  Productivity  Wood production  100%  100%  100%  0%  0%  0%  0%  0%  100%  100%  0%  0%  0%  Productivity  Fruit production  0%  0%  100%  0%  0%  0%  0%  0%  0%  0%  0%  0%  0%  Productivity  Single crop  100%  100%  100%  100%  100%  100%  100%  0%  100%  100%  100%  0%  0%  Productivity  Multiple crops  100%  100%  0%  100%  100%  0%  0%  0%  0%  0%  100%  0%  0%  Productivity  Specific trees  100%  100%  100%  100%  100%  100%  100%  0%  100%  100%  100%  0%  0%  Productivity  Multiple trees  100%  100%  0%  0%  0%  0%  0%  0%  0%  0%  100%  0%  0%  Yield‐ Group Variable Hi‐sAFe WaNuLCAS SCUAF APSIM EPIC SBELTS WIMISA COMP8 DynACof Hypar SAFE ICBM/N ESAT‐A Biodiversity Plant species diversity Biodiversity Animal species diversity Biodiversity Landscape diversity Air quality Aerosol mixing model Air quality Wind profile Air quality Wind erosion Climate Plant C storage Climate Soil C storage Climate CO  emission Climate N O emission Climate CH4 emission Climate Albedo Climate long‐wave radiation Climate ET (incl. moisture recycling) Climate Surface roughness Climate Cloud formation Water Groundwater recharge Water N leaching Water P export to water bodies Water Water supply to plants/Competetion Water N supply to plants/Competition Surface protection Water erosion Surface protection Surface friction Surface protection Vegetation cover Surface protection Preferential flow path infiltration Productivity Harvested crop yield Productivity Timber production Productivity Wood production Productivity Fruit production Productivity Single crop Productivity Multiple crops Productivity Specific trees Productivity Multiple trees References    Agronomy 2021, 11, 2106  20  of  24  1. Díaz, S.; Pascual, U.; Stenseke, M.; Martín‐López, B.; Watson, R.T.; Molnár, Z.; Hill, R.; Chan, K.M.A.; Baste, I.A.; Brauman, K.A.;  et al. Assessing Nature’s Contributions to People. Science 2018, 359, 270–272. https://doi.org/10.1126/science.aap8826.  2. Brauman, K.A.; Garibaldi, L.A.; Polasky, S.; Aumeeruddy‐Thomas, Y.; Brancalion, P.H.S.; DeClerck, F.; Jacob, U.; Mastrangelo,  M.E.; Nkongolo, N.V.; Palang, H.; et al. Global Trends in Nature’s Contributions to People. Proc. Natl. Acad. Sci. USA 2020, 117,  32799–32805. https://doi.org/10.1073/pnas.2010473117.  3. Smith, J.; Pearce, B.D.; Wolfe, M.S. Reconciling Productivity with Protection of the Environment: Is Temperate Agroforestry the  Answer? Renew. Agric. Food Syst. 2013, 28, 80–92. https://doi.org/10.1017/S1742170511000585.  4. Cardinael, R.; Chevallier, T.; Cambou, A.; Béral, C.; Barthès, B.G.; Dupraz, C.; Durand, C.; Kouakoua, E.; Chenu, C. Increased  Soil Organic Carbon Stocks under Agroforestry: A Survey of Six Different Sites in France. Agric. Ecosyst. Environ. 2017, 236, 243– 255. https://doi.org/10.1016/j.agee.2016.12.011.  5. Pavlidis,  G.;  Tsihrintzis,  V.A.  Environmental  Benefits  and  Control  of  Pollution  to  Surface  Water  and  Groundwater  by  Agroforestry Systems: A Review. Water Resour. Manag. 2018, 32, 1–29. https://doi.org/10.1007/s11269‐017‐1805‐4.  6. Udawatta,  R.P.;  Rankoth,  L.;  Jose,  S.  Agroforestry  and  Biodiversity.  Sustainability  2019,  11,  2879.  https://doi.org/10.3390/su11102879.  7. Marsden, C.; Martin‐Chave, A.; Cortet, J.; Hedde, M.; Capowiez, Y. How Agroforestry Systems Influence Soil Fauna and Their  Functions—A Review. Plant Soil 2020, 453, 29–44. https://doi.org/10.1007/s11104‐019‐04322‐4.  8. Mead, R.; Willey, R. The Concept of a Land Equivalent Ratio and Advantages in Yields from Intercropping. Exp. Agric. 1980, 16,  217–228. https://doi.org/10.1017/S0014479700010978.  9. Seserman, D.‐M.; Freese, D.; Swieter, A.; Langhof, M.; Veste, M. Trade‐Off between Energy Wood and Grain Production in  Temperate Alley‐Cropping Systems: An Empirical and Simulation‐Based Derivation of Land Equivalent Ratio. Agriculture 2019,  9, 147. https://doi.org/10.3390/agriculture9070147.  10. Graves, A.; Burgess, P.; Liagre, F.; Dupraz, C. Farmer Perception of Benefits, Constraints and Opportunities for Silvoarable  Systems:  Preliminary  Insights  from  Bedfordshire,  England.  Outlook  Agric.  2017,  46,  74–83.  https://doi.org/10.1177/0030727017691173.  11. Luedeling, E.; Kindt, R.; Huth, N.I.; Koenig, K. Agroforestry Systems in a Changing Climate—Challenges in Projecting Future  Performance. Sustain. Chall. 2014, 6, 1–7. https://doi.org/10.1016/j.cosust.2013.07.013.  12. McAdam, J.H.; Burgess, P.J.; Graves, A.R.; Rigueiro‐Rodríguez, A.; Mosquera‐Losada, M.R. Classifications and Functions of  Agroforestry Systems in Europe. In Agroforestry in Europe; Rigueiro‐Rodróguez, A., McAdam, J., Mosquera‐Losada, M.R., Eds.;  Advances in Agroforestry; Springer: Dordrecht, The Netherlands, 2008; Volume 6, pp. 21–41. ISBN 978‐1‐4020‐8271‐9.  13. Giannitsopoulos, M.L.; Graves, A.R.; Burgess, P.J.; Crous‐Duran, J.; Moreno, G.; Herzog, F.; Palma, J.H.N.; Kay, S.; García de  Jalón, S. Whole System Valuation of Arable, Agroforestry and Tree‐Only Systems at Three Case Study Sites in Europe. J. Clean.  Prod. 2020, 269, 122283. https://doi.org/10.1016/j.jclepro.2020.122283.  14. Luedeling, E.; Smethurst, P.J.; Baudron, F.; Bayala, J.; Huth, N.I.; van Noordwijk, M.; Ong, C.K.; Mulia, R.; Lusiana, B.; Muthuri,  C.; et al. Field‐Scale Modeling of Tree–Crop Interactions: Challenges and Development Needs. Agric. Syst. 2016, 142, 51–69.  https://doi.org/10.1016/j.agsy.2015.11.005.  15. Tsonkova, P.; Quinkenstein, A.; Böhm, C.; Freese, D.; Schaller, E. Ecosystem Services Assessment Tool for Agroforestry (ESAT‐ A): An Approach to Assess Selected Ecosystem Services Provided by Alley Cropping Systems. Ecol. Indic. 2014, 45, 285–299.  https://doi.org/10.1016/j.ecolind.2014.04.024.  16. Chaplin‐Kramer, R.; Sharp, R.P.; Weil, C.; Bennett, E.M.; Pascual, U.; Arkema, K.K.; Brauman, K.A.; Bryant, B.P.; Guerry, A.D.;  Haddad,  N.M.;  et  al.  Global  Modeling  of  Nature’s  Contributions  to  People.  Science  2019,  366,  255–258.  https://doi.org/10.1126/science.aaw3372.  17. van der Werf, W.; Keesman, K.; Burgess, P.; Graves, A.; Pilbeam, D.; Incoll, L.D.; Metselaar, K.; Mayus, M.; Stappers, R.; van  Keulen, H.; et al. Yield‐SAFE: A Parameter‐Sparse, Process‐Based Dynamic Model for Predicting Resource Capture, Growth,  and Production in Agroforestry Systems. Ecol. Eng. 2007, 29, 419–433. https://doi.org/10.1016/j.ecoleng.2006.09.017.  18. Van  Noordwijk,  M.;  Lusiana,  B.  WaNuLCAS,  a  model  of  water,  nutrient  and  light  capture  in  agroforestry  systems.  In  Agroforestry for Sustainable Land‐Use Fundamental Research and Modelling with Emphasis on Temperate and Mediterranean Applications;  Springer: Dordrecht, Netherlands, 1999; pp. 217–242.  19. Fagerholm,  N.;  Torralba,  M.;  Burgess,  P.J.;  Plieninger,  T.  A  Systematic  Map  of  Ecosystem  Services  Assessments  around  European Agroforestry. Ecol. Indic. 2016, 62, 47–65.  20. Leroy, C.; Sabatier, S.; Wahyuni, N.S.; Barczi, J.‐F.; Dauzat, J.; Laurans, M.; Auclair, D. Virtual Trees and Light Capture: A  Method for Optimizing Agroforestry Stand Design. Agrofor. Syst. 2009, 77, 37–47. https://doi.org/10.1007/s10457‐009‐9232‐z.  21. Weiler,  M.;  McDonnell,  J.  Virtual  Experiments:  A  New  Approach  for  Improving  Process  Conceptualization  in  Hillslope  Hydrology. J. Hydrol. 2004, 285, 3–18.  22. Coutts, S.R.; Yokomizo, H. Meta‐Models as a Straightforward Approach to the Sensitivity Analysis of Complex Models. Popul.  Ecol. 2014, 56, 7–19. https://doi.org/10.1007/s10144‐013‐0422‐1.  23. Franke, J.A.; Müller, C.; Elliott, J.; Ruane, A.C.; Jägermeyr, J.; Snyder, A.; Dury, M.; Falloon, P.D.; Folberth, C.; François, L.; et al.   CO2, Temperature, Water, and Nitrogen  The GGCMI Phase 2 Emulators: Global Gridded Crop Model Responses to Changes in (Version 1.0). Geosci. Model Dev. 2020, 13, 3995–4018. https://doi.org/10.5194/gmd‐13‐3995‐2020.    Agronomy 2021, 11, 2106  21  of  24  24. Elbakidze, M.; Surová, D.; Muñoz‐Rojas, J.; Persson, J.‐O.; Dawson, L.; Plieninger, T.; Pinto‐Correia, T. Perceived Benefits from  Agroforestry Landscapes across North‐Eastern Europe: What Matters and for Whom? Landsc. Urban Plan. 2021, 209, 104044.  https://doi.org/10.1016/j.landurbplan.2021.104044.  25. Staton, T.; Walters, R.; Smith, J.; Breeze, T.; Girling, R. Management to Promote Flowering Understoreys Benefits Natural Enemy  Diversity,  Aphid  Suppression  and  Income  in  an  Agroforestry  System.  Agronomy  2021,  11,  651.  https://doi.org/10.3390/agronomy11040651.  26. Geske, C. Streuobstwiesen in Hessen—ein Landschaftselement mit agrarpolitischer und ökonomischer Geschichte. In Jahrbuch  Naturschutz in Hessen; Nordhessische Gesellschaft für Naturkunde und Naturwissen schaften (NGNN) e. V: Kassel, Germany,  2018; Volume 17.  27. Yengwe, J.; Amalia, O.; Lungu, O.I.; De Neve, S. Quantifying Nutrient Deposition and Yield Levels of Maize (Zea Mays) under  Faidherbia Albida Agroforestry System in Zambia. Eur. J. Agron. 2018, 99, 148–155. https://doi.org/10.1016/j.eja.2018.07.004.  28. Tyndall, J.; Colletti, J. Mitigating Swine Odor with Strategically Designed Shelterbelt Systems: A Review. Agrofor. Syst. 2006, 69,  45–65. https://doi.org/10.1007/s10457‐006‐9017‐6.  29. Barwise, Y.; Kumar, P. Designing Vegetation Barriers for Urban Air Pollution Abatement: A Practical Review for Appropriate  Plant Species Selection. Npj Clim. Atmos. Sci. 2020, 3, 12. https://doi.org/10.1038/s41612‐020‐0115‐3.  30. Pavlidis, G.; Karasali, H.; Tsihrintzis, V.A. Pesticide and Fertilizer Pollution Reduction in Two Alley Cropping Agroforestry  Cultivating Systems. Water. Air. Soil Pollut. 2020, 231, 241. https://doi.org/10.1007/s11270‐020‐04590‐2.  31. Schoeneberger, M.; Bentrup, G.; de Gooijer, H.; Soolanayakanahally, R.; Sauer, T.; Brandle, J.; Zhou, X.; Current, D. Branching  out: Agroforestry as a Climate Change Mitigation and Adaptation Tool for Agriculture. J. Soil Water Conserv. 2012, 67, 128A– 136A. https://doi.org/10.2489/jswc.67.5.128A.  32. Feldhake,  C.M.  Forage  Frost  Protection  Potential  of  Conifer  Silvopastures.  Agric.  For.  Meteorol.  2002,  112,  123–130.  https://doi.org/10.1016/S0168‐1923(02)00058‐8.  33. Easterling, W. Modelling the Effect of Shelterbelts on Maize Productivity under Climate Change: An Application of the EPIC  Model. Agric. Ecosyst. Environ. 1997, 61, 163–176. https://doi.org/10.1016/S0167‐8809(96)01098‐5.  34. Schmidt, M.; Nendel, C.; Funk, R.; Mitchell, M.G.E.; Lischeid, G. Modeling Yields Response to Shading in the Field‐to‐Forest  Transition Zones in Heterogeneous Landscapes. Agriculture 2019, 9, 6. https://doi.org/10.3390/agriculture9010006.  35. Kanzler,  M.;  Böhm,  C.;  Mirck,  J.;  Schmitt,  D.;  Veste,  M.  Microclimate  Effects  on  Evaporation  and  Winter  Wheat  (Triticum  Aestivum L.) Yield within a Temperate Agroforestry System. Agrofor. Syst. 2019, 93, 1821–1841. https://doi.org/10.1007/s10457‐ 018‐0289‐4.  36. Cleugh, H.A. Effects of Windbreaks on Airflow, Microclimates and Crop Yields. Agrofor. Syst. 1998, 41, 30.  37. Karki, U.; Goodman, M.S. Microclimatic Differences between Young Longleaf‐Pine Silvopasture and Open‐Pasture. Agrofor.  Syst. 2013, 87, 303–310. https://doi.org/10.1007/s10457‐012‐9551‐3.  38. Karki, U.; Goodman, M.S. Microclimatic Differences between Mature Loblolly‐Pine Silvopasture and Open‐Pasture. Agrofor.  Syst. 2015, 89, 319–325. https://doi.org/10.1007/s10457‐014‐9768‐4.  39. Lorenz, K.; Lal, R. Soil Organic Carbon Sequestration in Agroforestry Systems. A Review. Agron. Sustain. Dev. 2014, 34, 443–454.  https://doi.org/10.1007/s13593‐014‐0212‐y.  40. Zomer, R.J.; Neufeldt, H.; Xu, J.; Ahrends, A.; Bossio, D.; Trabucco, A.; van Noordwijk, M.; Wang, M. Global Tree Cover and  Biomass Carbon on Agricultural Land: The Contribution of Agroforestry to Global and National Carbon Budgets. Sci. Rep. 2016,  6, 29987. https://doi.org/10.1038/srep29987.  41. Mutuo,  P.K.;  Cadisch,  G.;  Albrecht,  A.;  Palm,  C.A.;  Verchot,  L.  Potential  of  Agroforestry  for  Carbon  Sequestration  and  Mitigation  of  Greenhouse  Gas  Emissions  from  Soils  in  the  Tropics.  Nutr.  Cycl.  Agroecosystems  2005,  71,  43–54.  https://doi.org/10.1007/s10705‐004‐5285‐6.  42. Franzluebbers,  A.J.;  Chappell,  J.C.;  Shi,  W.;  Cubbage,  F.W.  Greenhouse  Gas  Emissions  in  an  Agroforestry  System  of  the  Southeastern USA. Nutr. Cycl. Agroecosystems 2017, 108, 85–100. https://doi.org/10.1007/s10705‐016‐9809‐7.  43. Kwak, J.‐H.; Lim, S.‐S.; Baah‐Acheamfour, M.; Choi, W.‐J.; Fatemi, F.; Carlyle, C.N.; Bork, E.W.; Chang, S.X. Introducing Trees  to Agricultural Lands Increases Greenhouse Gas Emission during Spring Thaw in Canadian Agroforestry Systems. Sci. Total  Environ. 2019, 652, 800–809. https://doi.org/10.1016/j.scitotenv.2018.10.241.  44. Keesstra, S.; Geissen, V.; Mosse, K.; Piiranen, S.; Scudiero, E.; Leistra, M.; van Schaik, L. Soil as a Filter for Groundwater Quality.  Terr. Syst. 2012, 4, 507–516. https://doi.org/10.1016/j.cosust.2012.10.007.  45. Harsch, N.; Brandenburg, M.; Klemm, O. Large‐Scale Lysimeter Site St. Arnold, Germany: Analysis of 40 Years of Precipitation,  Leachate and Evapotranspiration. Hydrol. Earth Syst. Sci. 2009, 13, 305–317. https://doi.org/10.5194/hess‐13‐305‐2009.  46. Ouyang, Y.; Jin, W.; Grace, J.M.; Obalum, S.E.; Zipperer, W.C.; Huang, X. Estimating Impact of Forest Land on Groundwater  Recharge in a Humid Subtropical Watershed of the Lower Mississippi River Alluvial Valley. J. Hydrol. Reg. Stud. 2019, 26, 100631.  https://doi.org/10.1016/j.ejrh.2019.100631.  47. Riedel,  T.;  Weber,  T.K.D.  Review:  The  Influence  of  Global  Change  on  Europe’s  Water  Cycle  and  Groundwater  Recharge.  Hydrogeol. J. 2020, 28, 1939–1959. https://doi.org/10.1007/s10040‐020‐02165‐3.  48. Das,  D.K.;  Chaturvedi,  O.P.  Root  Biomass  and  Distribution  of  Five  Agroforestry  Tree  Species.  Agrofor.  Syst.  2008,  74,  223.  https://doi.org/10.1007/s10457‐008‐9159‐9.  49. Upson, M.A.; Burgess, P.J. Soil Organic Carbon and Root Distribution in a Temperate Arable Agroforestry System. Plant Soil  2013, 373, 43–58. https://doi.org/10.1007/s11104‐013‐1733‐x.    Agronomy 2021, 11, 2106  22  of  24  50. Mugendi, D.N.; Kanyi, M.; Kung’u, J.B.; Wamicha, W.; Mugwe, J.N. The Role of Agroforestry Trees in Intercepting Leached  Nitrogen  in  the  Agricultural  Systems  of  the  Central  Highlands  of  Kenya.  East  Afr.  Agric.  For.  J.  2003,  69,  69–79.  https://doi.org/10.4314/eaafj.v69i1.1807.  51. Reyes, F.; Gosme, M.; Wolz, K.J.; Lecomte, I.; Dupraz, C. Alley Cropping Mitigates the Impacts of Climate Change on a Wheat  Crop  in  a  Mediterranean  Environment:  A  Biophysical  Model‐Based  Assessment.  Agriculture  2021,  11,  356.  https://doi.org/10.3390/agriculture11040356.  52. Inurreta‐Aguirre,  H.D.;  Lauri,  P.‐É.;  Dupraz,  C.;  Gosme,  M.  Yield  Components  and  Phenology  of  Durum  Wheat  in  a  Mediterranean Alley‐Cropping System. Agrofor. Syst. 2018, 92, 961–974. https://doi.org/10.1007/s10457‐018‐0201‐2.  53. Gosme, M.; Dufour, L.; Inurreta Aguirre, H.D.; Dupraz, C. Microclimatic Effect of Agroforestry on Diurnal Temperature Cycle.  In Proceedings of the 3rd European Agroforestry Conference (EURAF 2016), Montpellier, France, 23–25 May 2016; p. 466.  54. Göbel, L.C. Nutrient Response Efficiencies, Leaching Losses and Soil‐N Cycling in Temperate Grassland Agroforestry and Open Grassland  Management Systems; Georg‐August‐Universität: Göttingen, Germany, 2020.  55. Ilstedt, U.; Bargués Tobella, A.; Bazié, H.R.; Bayala, J.; Verbeeten, E.; Nyberg, G.; Sanou, J.; Benegas, L.; Murdiyarso, D.; Laudon,  H.; et al. Intermediate Tree Cover Can Maximize Groundwater Recharge in the Seasonally Dry Tropics. Sci. Rep. 2016, 6, 21930.  https://doi.org/10.1038/srep21930.  56. Seobi, T.; Anderson, S.H.; Udawatta, R.P.; Gantzer, C.J. Influence of Grass and Agroforestry Buffer Strips on Soil Hydraulic  Properties for an Albaqualf. Soil Sci. Soc. Am. J. 2005, 69, 893–901. https://doi.org/10.2136/sssaj2004.0280.  57. Picchio, R.; Spina, R.; Sirna, A.; Monaco, A.L.; Civitarese, V.; Giudice, A.D.; Suardi, A.; Pari, L. Characterization of Woodchips  for Energy from Forestry and Agroforestry Production. Energies 2012, 5, 3803–3816. https://doi.org/10.3390/en5103803.  58. Torralba, M.; Fagerholm, N.; Burgess, P.J.; Moreno, G.; Plieninger, T. Do European Agroforestry Systems Enhance Biodiversity  and Ecosystem Services? A Meta‐Analysis. Agric. Ecosyst. Environ. 2016, 230, 150–161.  59. van Noordwijk, M.; Tata, H.L.; Xu, J.; Dewi, S.; Minang, P.A. Segregate or Integrate for Multifunctionality and Sustained Change  Through Rubber‐Based Agroforestry in Indonesia and China. In Agroforestry—The Future of Global Land Use; Nair, P.K.R., Garrity,  D., Eds.; Advances in Agroforestry; Springer: Dordrecht, The Netherlands, 2012; Volume 9, pp. 69–104. ISBN 978‐94‐007‐4675‐ 6.  60. Fagerholm,  N.;  Oteros‐Rozas,  E.;  Raymond,  C.M.;  Torralba,  M.;  Moreno,  G.;  Plieninger,  T.  Assessing  Linkages  between  Ecosystem Services, Land‐Use and Well‐Being in an Agroforestry Landscape Using Public Participation GIS. Appl. Geogr. 2016,  74, 30–46. https://doi.org/10.1016/j.apgeog.2016.06.007.  61. Mosquera‐Losada, M.R.; Moreno, G.; Pardini, A.; McAdam, J.H.; Papanastasis, V.; Burgess, P.J.; Lamersdorf, N.; Castro, M.;  Liagre, F.; Rigueiro‐Rodríguez, A. Past, Present and Future of Agroforestry Systems in Europe. In Agroforestry—The Future of  Global Land Use; Nair, P.K.R., Garrity, D., Eds.; Advances in Agroforestry; Springer: Dordrecht, The Netherlands, 2012; Volume  9, pp. 285–312. ISBN 978‐94‐007‐4675‐6.  62. Bieling, C.; Plieninger, T. Recording Manifestations of Cultural Ecosystem Services in the Landscape. Landsc. Res. 2013, 38, 649– 667.  63. Garrido, F.; Hénault, C.; Gaillard, H.; Germon, J.C. Inhibitory Capacities of Acetylene on Nitrification in Two Agricultural Soils.  Soil Biol. Biochem. 2000, 32, 1799–1802.  64. Raj, A.; Jhariya, M.K.; Yadav, D.K.; Banerjee, A.; Meena, R.S. Agroforestry: A holistic approach for agricultural sustainability.  In Sustainable Agriculture, Forest and Environmental Management; Springer,: Singapore, Singapore 2019; pp. 101–131.  65. Isaac, M.E.; Borden, K.A. Nutrient Acquisition Strategies in Agroforestry Systems. Plant Soil 2019, 444, 1–19.  66. Meylan, L.; Merot, A.; Gary, C.; Rapidel, B. Combining a Typology and a Conceptual Model of Cropping System to Explore the  Diversity of Relationships between Ecosystem Services: The Case of Erosion Control in Coffee‐Based Agroforestry Systems in  Costa Rica. Agric. Syst. 2013, 118, 52–64.  67. Smethurst, P.J.; Huth, N.I.; Masikati, P.; Sileshi, G.W.; Akinnifesi, F.K.; Wilson, J.; Sinclair, F. Accurate Crop Yield Predictions  from  Modelling  Tree‐Crop  Interactions  in  Gliricidia‐Maize  Agroforestry.  Agric.  Syst.  2017,  155,  70–77.  https://doi.org/10.1016/j.agsy.2017.04.008.  68. Rigueiro‐Rodríguez,  A.;  McAdam,  J.;  Mosquera‐Losada,  M.R.  Agroforestry  in  Europe:  Current  Status  and  Future  Prospects;  Springer Science & Business Media B.V., Netherlands, 2008; Volume 6. ISBN 1‐4020‐8272‐X.  69. Cacho, O.J.; Marshall, G.R.; Milne, M. Smallholder Agroforestry Projects: Potential for Carbon Sequestration and Poverty  Alleviation.    ESA Working Papers 289093, Food and Agriculture Organization of the United Nations, Agricultural Development  Economics Division (ESA), 2003. https://doi.org/10.22004/ag.econ.289093  70. Anderson,  L.S.;  Muetzelfeldt,  R.I.;  Sinclair,  F.L.  An  Integrated  Research  Strategy  for  Modelling  and  Experimentation  in  Agroforestry. Commonw. For. Rev. 1993, 72, 166–174.  71. Cardoso, I.M.; Guijt, I.; Franco, F.S.; Carvalho, A.F.; Ferreira Neto, P.S. Continual Learning for Agroforestry System Design:  University, NGO and Farmer Partnership in Minas Gerais, Brazil. Agric. Syst. 2001, 69, 235–257. https://doi.org/10.1016/S0308‐ 521X(01)00028‐2.  72. Zeng, X.; Li, T.; Chen, C.; Si, Z.; Huang, G.; Guo, P.; Zhuang, X. A Hybrid Land‐Water‐Environment Model for Identification of  Ecological Effect and Risk under Uncertain Meteorological Precipitation in an Agroforestry Ecosystem. Sci. Total Environ. 2018,  633, 1613–1628. https://doi.org/10.1016/j.scitotenv.2018.03.224.    Agronomy 2021, 11, 2106  23  of  24  73. Keesman,  K.J.;  Graves,  A.;  van  der  Werf,  W.;  Burgess,  P.J.;  Palma,  J.;  Dupraz,  C.;  Van  Keulen,  H.  A  System  Identification  Approach for Developing and Parameterising an Agroforestry System Model under Constrained Availability of Data. Environ.  Model. Softw. 2011, 26, 1540–1553.  74. Matthews, R.B.; Hunt, L.A. GUMCAS: A Model Describing the Growth of Cassava (Manihot Esculenta L. Crantz). Field Crop.  Res. 1994, 36, 69–84. https://doi.org/10.1016/0378‐4290(94)90054‐X.  75. Atangana, A.; Khasa, D.; Chang, S.; Degrande, A. Agroforestry Modeling. In Tropical Agroforestry; Springer: Dordrecht, The  Netherlands, 2014; pp. 367–373. ISBN 978‐94‐007‐7722‐4.  76. Dupraz, C.; Wolz, K.; Lecomte, I.; Talbot, G.; Vincent, G.; Mulia, R.; Bussière, F.; Ozier‐Lafontaine, H.; Andrianarisoa, S.; Jackson,  N.; et al. Hi‐SAFe: A 3D Agroforestry Model for Integrating Dynamic Tree–Crop Interactions.  Sustainability 2019,  11, 2293.  https://doi.org/10.3390/su11082293.  77. Young, A.; Menz, K.M.; Muraya, P.; Smith, C. SCUAF‐Version 4: A Model to Estimate Soil Changes under Agriculture,  Agroforestry  and  Forestry.  Technical  Reports  113819,  Australian  Centre  for  International  Agricultural  Research,  1998.  https://doi.org/10.22004/ag.econ.113819  78. Huth, N.I.; Carberry, P.S.; Poulton, P.L.; Brennan, L.E.; Keating, B.A. A Framework for Simulating Agroforestry Options for the  Low Rainfall Areas of Australia Using APSIM. Eur. J. Agron. 2002, 18, 171–185. https://doi.org/10.1016/S1161‐0301(02)00103‐X.  79. APSIM  Initiative  APSIM  7.10  Documentation.  Available  online:  https://www.apsim.info/documentation/model‐ documentation/ (accessed on 24 August 2021).  80. Qi, X.; Mize, C.W.; Batchelor, W.D.; Takle, E.S.; Litvina, I.V. SBELTS: A Model of Soybean Production under Tree Shelter. Agrofor.  Syst. 2001, 52, 53–61.  81. Mayus, M.; Van Keulen, H.; Stroosnijder, L. A model of tree‐crop competition for windbreak systems in the Sahel: Description  and  evaluation.  In  Agroforestry  for  Sustainable  Land‐Use  Fundamental  Research  and  Modelling  with  Emphasis  on  Temperate  and  Mediterranean Applications; Auclair, D., Dupraz, C., Eds.; Forestry Sciences; Springer: Dordrecht, The Netherlands, 1999; Volume  60, pp. 183–201. ISBN 978‐90‐481‐5258‐2.  82. Smethurst, P.J.; Comerford, N.B. Potassium and Phosphorus Uptake by Competing Pine and Grass: Observations and Model  Verification. Soil Sci. Soc. Am. J. 1993, 57, 1602–1610. https://doi.org/10.2136/sssaj1993.03615995005700060034x.  83. Vezy, R.; le Maire, G.; Christina, M.; Georgiou, S.; Imbach, P.; Hidalgo, H.G.; Alfaro, E.J.; Blitz‐Frayret, C.; Charbonnier, F.;  Lehner, P.; et al. DynACof: A Process‐Based Model to Study Growth, Yield and Ecosystem Services of Coffee Agroforestry  Systems. Environ. Model. Softw. 2020, 124, 104609. https://doi.org/10.1016/j.envsoft.2019.104609.  84. Mobbs, D.C.; Cannell, M.G.R.; Crout, N.M.J.; Lawson, G.J.; Friend, A.D.; Arah, J. Complementarity of Light and Water Use in  Tropical Agroforests: I. Theoretical Model Outline, Performance and Sensitivity. For. Ecol. Manag. 1998, 102, 259–274.  85. Salazar,  O.;  Casanova,  M.;  Kätterer,  T.  The  Impact  of  Agroforestry  Combined  with  Water  Harvesting  on  Soil  Carbon  and  Nitrogen  Stocks  in  Central  Chile  Evaluated  Using  the  ICBM/N  Model.  Agric.  Ecosyst.  Environ.  2011,  140,  123–136.  https://doi.org/10.1016/j.agee.2010.11.019.  86. Kay, S.; Crous‐Duran, J.; Ferreiro‐Domínguez, N.; de Jalón, S.G.; Graves, A.; Moreno, G.; Mosquera‐Losada, M.R.; Palma, J.H.;  Roces‐Díaz, J.V.; Santiago‐Freijanes, J.J. Spatial Similarities between European Agroforestry Systems and Ecosystem Services at  the Landscape Scale. Agrofor. Syst. 2018, 92, 1075–1089.  87. Shachak, M.; Boeken, B.; Groner, E.; Kadmon, R.; Lubin, Y.; Meron, E.; Ne’Eman, G.; Perevolotsky, A.; Shkedy, Y.; Ungar, E.D.  Woody  Species  as  Landscape  Modulators  and  Their  Effect  on  Biodiversity  Patterns.  BioScience  2008,  58,  209–221.  https://doi.org/10.1641/B580307.  88. Prevedello, J.A.; Gotelli, N.J.; Metzger, J.P. A Stochastic Model for Landscape Patterns of Biodiversity. Ecol. Monogr. 2016, 86,  462–479.  89. Sybertz, J.; Matthies, S.; Schaarschmidt, F.; Reich, M.; von Haaren, C. Biodiversity Modelling in Practice—Predicting Bird and  Woody Plant Species Richness on Farmlands. Ecosyst. People 2020, 16, 19–34. https://doi.org/10.1080/26395916.2019.1697900.  90. Jarrah, M.; Mayel, S.; Tatarko, J.; Funk, R.; Kuka, K. A Review of Wind Erosion Models: Data Requirements, Processes, and  Validity. Catena 2020, 187, 104388. https://doi.org/10.1016/j.catena.2019.104388.  91. Fryrear, D.W.; Sutherland, P.L.; Davis, G.; Hardee, G.; Dollar, M. Wind Erosion Estimates with RWEQ and WEQ. In Proceedings  of the Conference Sustaining the Global Farm, 10th International Soil Conservation Organization Meeting, West Lafayette, IN, USA, 24– 29 May 1999; Purdue University: pp. 760–765.  92. Wischmeier, W.H.; Smith, D.D. Predicting Rainfall Erosion Losses; Agricultural Handbook 537; U.S. Department of Agriculture  Agricultural Research Service: Washington, DC, USA, 1978.  93. Vigiak, O.; Sterk, G.; Warren, A.; Hagen, L.J. Spatial Modeling of Wind Speed around Windbreaks. Wind Eros. Eur. 2003, 52,  273–288. https://doi.org/10.1016/S0341‐8162(03)00018‐3.  94. Bala, G.; Caldeira, K.; Wickett, M.; Phillips, T.J.; Lobell, D.B.; Delire, C.; Mirin, A. Combined Climate and Carbon‐Cycle Effects  of Large‐Scale Deforestation. Proc. Natl. Acad. Sci. USA 2007, 104, 6550–6555. https://doi.org/10.1073/pnas.0608998104.  95. Kirschbaum, M.U.F.; Whitehead, D.; Dean, S.M.; Beets, P.N.; Shepherd, J.D.; Ausseil, A.‐G.E. Implications of Albedo Changes  Following Afforestation on the Benefits of Forests as Carbon Sinks. Biogeosciences 2011, 8, 3687–3696. https://doi.org/10.5194/bg‐ 8‐3687‐2011.  96. Palma, J.H.N.; Crous‐Duran, J.; Graves, A.R.; de Jalon, S.G.; Upson, M.; Oliveira, T.S.; Paulo, J.A.; Ferreiro‐Domínguez, N.;  Moreno, G.; Burgess, P.J. Integrating Belowground Carbon Dynamics into Yield‐SAFE, a Parameter Sparse Agroforestry Model.  Agrofor. Syst. 2018, 92, 1047–1057. https://doi.org/10.1007/s10457‐017‐0123‐4.    Agronomy 2021, 11, 2106  24  of  24  97. Haas, E.; Klatt, S.; Fröhlich, A.; Kraft, P.; Werner, C.; Kiese, R.; Grote, R.; Breuer, L.; Butterbach‐Bahl, K. LandscapeDNDC: A  Process Model for Simulation of Biosphere–Atmosphere–Hydrosphere Exchange Processes at Site and Regional Scale. Landsc.  Ecol. 2013, 28, 615–636. https://doi.org/10.1007/s10980‐012‐9772‐x.  98. Parton, W.J.; Hartman, M.; Ojima, D.; Schimel, D. DAYCENT and Its Land Surface Submodel: Description and Testing. Glob.  Planet. Chang. 1998, 19, 35–48. https://doi.org/10.1016/S0921‐8181(98)00040‐X.  99. Palma, J.H.N.; Graves, A.R.; Burgess, P.J.; Keesman, K.J.; van Keulen, H.; Mayus, M.; Reisner, Y.; Herzog, F. Methodological  Approach for the Assessment of Environmental Effects of Agroforestry at the Landscape Scale. Carbon Sequestration Landsc. Ecol.  West. Eur. 2007, 29, 450–462. https://doi.org/10.1016/j.ecoleng.2006.09.016.  100. Nearing, M.A.; Foster, G.R.; Lane, L.J.; Finkner, S.C. A Process‐Based Soil Erosion Model for USDA‐Water Erosion Prediction  Project Technology. Trans. ASAE 1989, 32, 1587–1593.  101. Onsamrarn,  W.;  Chittamart,  N.;  Tawornpruek,  S.  Performances  of  the  WEPP  and  WaNuLCAS  Models  on  Soil  Erosion  Simulation in a Tropical Hillslope, Thailand. PLoS One 2020, 15, e0241689. https://doi.org/10.1371/journal.pone.0241689.  102. Hernandez, M.; Miller, S.N.; Goodrich, D.C.; Goff, B.F.; Kepner, W.G.; Edmonds, C.M.; Jones, K.B. Modeling Runoff Response  to Land Cover and Rainfall Spatial Variability in Semi‐Arid Watersheds. Environ. Model. Assess. 2000, 64, 285–298.  103. Ryan, J.; McAlpine, C.; Ludwig, J.; Callow, J. Modelling the Potential of Integrated Vegetation Bands (IVB) to Retain Stormwater  Runoff on Steep Hillslopes of Southeast Queensland, Australia. Land 2015, 4, 711–736. https://doi.org/10.3390/land4030711.  104. Agroforestry for Sustainable Agriculture; Mosquera‐Losada, M.R., Prabhu, R., Eds.;; Burleigh Dodds Science Publishing Limited:  Cambridge, UK;, 2019; ISBN 978‐1‐78676‐220‐7.  105. Liu, S.; Baret, F.; Abichou, M.; Manceau, L.; Andrieu, B.; Weiss, M.; Martre, P. Importance of the Description of Light Interception  in Crop Growth Models. Plant Physiol. 2021, 186, 977–997.  106. Talbot,  G.;  Dupraz,  C.  Simple  Models  for  Light  Competition  within  Agroforestry  Discontinuous  Tree  Stands:  Are  Leaf  Clumpiness  and  Light  Interception  by  Woody  Parts  Relevant  Factors?  Agrofor.  Syst.  2012,  84,  101–116.  https://doi.org/10.1007/s10457‐011‐9418‐z.  107. Buytaert, W.; Reusser, D.; Krause, S.; Renaud, J.P. Why Can’t We Do Better than Topmodel? Hydrol. Process. 2008, 22, 4175–4179.  https://doi.org/10.1002/hyp.7125.  108. Burgess, P.; Graves, A.; de Jalón, S.G.; Palma, J.; Dupraz, C. Modelling agroforestry systems. In Agroforestry for Sustainable  Agriculture;  Burleigh  Dodds  Science  Publishing  Limited:  Cambridge,  UK,  2019;  p.  29.  https://doi.org/10.19103/AS.2018.0041.13  109. Clark, M.P.; Kavetski, D.; Fenicia, F. Pursuing the Method of Multiple Working Hypotheses for Hydrological Modeling. Water  Resour. Res. 2011, 47. https://doi.org/10.1029/2010WR009827.  110. Fenicia, F.; Kavetski, D.; Savenije, H.H.G. Elements of a Flexible Approach for Conceptual Hydrological Modeling: 1. Motivation  and Theoretical Development. Water Resour. Res. 2011, 47. https://doi.org/10.1029/2010WR010174.  111. Kraft,  P.;  Vaché,  K.B.;  Frede,  H.‐G.;  Breuer,  L.  CMF:  A  Hydrological  Programming  Language  Extension  for  Integrated  Catchment Models. Environ. Model. Softw. 2011, 26, 828–830. https://doi.org/10.1016/j.envsoft.2010.12.009.  112. Biernath, C.; Gayler, S.; Bittner, S.; Klein, C.; Högy, P.; Fangmeier, A.; Priesack, E. Evaluating the Ability of Four Crop Models  to Predict Different Environmental Impacts on Spring Wheat Grown in Open‐Top Chambers. Eur. J. Agron. 2011, 35, 71–82.  https://doi.org/10.1016/j.eja.2011.04.001.  113. Gaiser, T.; Perkons, U.; Küpper, P.M.; Kautz, T.; Uteau‐Puschmann, D.; Ewert, F.; Enders, A.; Krauss, G. Modeling Biopore  Effects on Root Growth and Biomass Production on Soils with Pronounced Sub‐Soil Clay Accumulation. Ecol. Model. 2013, 256,  6–15. https://doi.org/10.1016/j.ecolmodel.2013.02.016.  114. Andrén, O.; Kätterer, T. ICBM: The Introductory Carbon Balance Model for Exploration of Soil Carbon Balances. Ecol. Appl.  1997, 7, 1226–1236.  115. Palma, J.; Graves, A.R.; Crous‐Duran, J.; Upson, M.A.; Paulo, J.A.; Oliveira, T.; Garcia de Jalón, S.; Burgess, P. Yield‐SAFE Model  Improvements—AGFORWARD  (613520)  Milestone  29  (6.4):  Yield‐SAFE  Model  Improvements.  Available  online:  https://www.repository.utl.pt/handle/10400.5/12337 (accessed on 30 August 2021).  116. Vezy, R. VEZY/DynACof: 1.3.0 Release; Zenodo, Geneva, Switzerland: 2020. https://doi.org/10.5281/zenodo.3613877  117. EPIC | EPIC & APEX Models. Available online: https://epicapex.tamu.edu/epic/ (accessed on 6 August 2021).  118. Williams,  J.R.;  Jones,  C.A.;  Dyke,  P.T.  A  Modeling  Approach  to  Determining  the  Relationship  between  Erosion  and  Soil  Productivity. Trans. Am. Soc. Agric. Eng. 1984, 27, 129–144.  119. WaNuLCAS  A  Model  of  Water,  Nutrient  and  Light  Capture  in  Agroforestry  Systems.  Available  online:  https://www.worldagroforestry.org/output/wanulcas‐model‐water‐nutrient‐and‐light‐capture‐agroforestry‐systems  (accessed  on 6 August 2021).  120. Dufour‐Kowalski,  S.;  Courbaud,  B.;  Dreyfus,  P.;  Meredieu,  C.;  De  Coligny,  F.  Capsis:  An  Open  Software  Framework  and  Community for Forest Growth Modelling. Ann. For. Sci. 2012, 69, 221–233.  121. Brisson, N.; Launay, M.; Mary, B.; Beaudoin, N. Conceptual Basis, Formalisations and Parameterization of the STICS Crop Model;  Editions Quae c/o Inra, RD 10, 78026 Versailles Cedex, France; 2008; ISBN 2‐7592‐0169‐4. 

Journal

AgronomyMultidisciplinary Digital Publishing Institute

Published: Oct 20, 2021

Keywords: agroforestry; modelling; nature’s contribution to people; ecosystem functions

There are no references for this article.