Biomasseschätzung für Wälder mittels Fernerkundung und

Transkrypt

Forst
Eberswalder Forstliche Schriftenreihe Band 56
Biomasseschätzung für Wälder
mittels Fernerkundung und
Modellierung
Ergebnisse des deutsch-polnischen
Verbundprojekts „ForseenPOMERANIA“
Eberswalder Forstliche Schriftenreihe
Band 56
Modellierung
Eberswalder Forstliche Schriftenreihe
Band 56
Modellierung
Impressum
Herausgeber: Landesbetrieb Forst Brandenburg
Landeskompetenzzentrum Forst Eberswalde (LFE)
Alfred-Möller-Straße 1 | 16225 Eberswalde
Telefon: 033 34 / 275 92 05 | Fax: 033 34 / 275 92 06
E-Mail: [email protected]
Internet: www.forst.brandenburg.de
Redaktion:
Fotos:
Titelbild:
Innentitelfoto:
Jens Schröder, LFE
Von den Autoren der Beiträge, wenn nicht anders vermerkt
Karte erstellt von Martin Fimiarz, Berlin
Andrzej Węgiel, Poznań
Satz und
Bildbearbeitung:
Druck:
1. Auflage: Petra Lindemann | P.L.us Kommunikation & Werbung
Ruksaldruck GmbH & Co. KG | Berlin | www.ruksaldruck.de
500 Exemplare
Das Projekt „ForseenPOMERANIA“ wurde 2011-2014 realisiert mit Mitteln der Europäischen Union
unter Beteiligung des Europäischen Fonds für regionale Entwicklung (EFRE) im Programm „INTERREG
IV A“ mit dem Titel „Gemeinsame Region – Gemeinsame Ziele / Wspólny Region – Wspólne Cele“.
Entsprechend dem grenzüberschreitenden Charakter des Projekts erscheint diese Publikation sowohl
auf Polnisch als auch auf Deutsch in gleicher Auflagenhöhe.
Eberswalde, im Juli 2014
Diese Druckschrift wird im Rahmen der Öffentlichkeitsarbeit des Landes Brandenburg kostenlos abgegeben und ist nicht zum
Verkauf bestimmt. Sie darf weder von Parteien noch von Wahlwerbern während des Wahlkampfes zum Zwecke der Wahlwerbung verwendet werden. Dies gilt für Landtags-, Bundestags- und Kommunalwahlen sowie Wahlen zum Europäischen Parlament. Missbräuchlich sind insbesondere die Verteilung auf Wahlveranstaltungen, an Informationsständen von Parteien sowie das
Einlegen, Aufdrucken oder Aufkleben parteipolitischer Informationen und Werbemittel. Untersagt ist gleichfalls die Weitergabe
an Dritte zum Zwecke der Wahlwerbung. Unabhängig davon, wann, auf welchem Weg und in welcher Anzahl diese Schrift dem
Empfänger zugegangen ist, darf sie auch ohne zeitlichen Bezug zu einer Wahl nicht in einer Weise verwendet werden, die als
Parteinahme der Landesregierung Brandenburgs zugunsten einzelner Gruppen verstanden werden könnte.
6
Inhaltsverzeichnis
1Einführung11
1.1Projektziele. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2Projektmanagement. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2
Methoden und Ergebnisse15
2.1Biomasseschätzung auf Grundlage verschiedener Fernerkundungssysteme . . . . . . . . . 15
2.1.1
Terrestrisches Laserscanning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.1.1.1Einleitung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.1.1.2Methodik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.1.1.3Ergebnisse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.1.1.4Diskussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.1.2Flugzeuggetragenes Laserscanning für die Oberförsterei Drawno . . . . . . . . . . . . . . . . . 35
2.1.2.1 Laserscanbefliegung und Gewinnung weiterer Fernerkundungsdaten . . . . . . . . . . . . . . 35
2.1.2.2 Bearbeitung der Daten aus der Lasercanbefliegung für die Oberförsterei Drawno . . . . . 38
2.1.2.3Zusammenfassung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.1.3
Gewinnung forstlicher Informationen durch flugzeuggetragenes Laserscanning . . . . . . 45
2.1.3.1Einleitung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.1.3.2Datengrundlagen und Methoden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.1.3.3Ergebnisse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.1.3.4Fazit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.1.4Satellitenbilder . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
2.1.4.1 Hintergrund und Zielstellungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
2.1.4.2Grundlagen der Satellitenfernerkundung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.1.4.3Untersuchungsgebiet, Daten und Methoden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
2.1.4.4Darstellung der wichtigsten Ergebnisse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
2.1.5
Fernerkundung zur Vitalitätseinschätzung unter Klimaeinfluss . . . . . . . . . . . . . . . . . . . . 80
2.1.5.1Klimamodell . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
2.1.5.2Überwachung von Kronenveränderungen durch Satellitenbildauswertung . . . . . . . . . . . 88
2.1.5.3Nutzung von Luftbildern zur Vitalitätsinventur am Beispiel der Esche . . . . . . . . . . . . . 109
2.1.5.4Nutzung von Luftbildern zur Ableitung von Höheninformationen . . . . . . . . . . . . . . . . . 114
2.2Biomasseschätzung auf Grundlage von Modellen . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
2.2.1
Funktionen zur Schätzung von Biomasse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
2.2.1.1Schätzfunktionen für Kiefer (Pinus sylvestris L.) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .123
2.2.1.2Biomasseschätzfunktionen für Eiche (Quercus petraea [MATT.] LIEBL.) . . . . . . . . . . . . 133
2.2.2BWINPro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
2.2.2.1Einleitung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
2.2.2.2Erfassung und Zuwachsschätzung von Biomassezuwachs mit BWINPro . . . . . . . . . . 147
2.2.2.3 Modifikation, Anwendung und Ergebnisse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
2.2.2.4Ergebnisse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
2.2.2.5 Fazit und Ausblick . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
2.2.3BMP: Ein Prozessmodell zur Biomasseschätzung in der POMERANIA-Region . . . . . . 157
2.2.3.1Ausgangssituation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
2.2.3.2Das regionale Biomassemodell RBM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
2.2.3.3Anpassung des Modells für die Region POMERANIA . . . . . . . . . . . . . . . . . . . . . . . . . . 160
2.2.3.4Berechnung der NPP mit dem Modell BMP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182
7
Inhaltsverzeichnis
2.3Biomasse-Informationssystem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
2.3.1
Technische Umsetzung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
2.3.2Funktionalitäten und Werkzeuge im Kartenclient . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
2.3.3
Veröffentlichte Geodaten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192
2.3.4Fazit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193
3Diskussion und Zusammenfassung194
3.1Bewertung der Fernerkundungs- und Biomasseschätzverfahren . . . . . . . . . . . . . . . . . 194
3.1.1
Terrestrisches Laserscanning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194
3.1.2Flugzeuggetragenes Laserscanning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195
3.1.3Satellitengestützte Fernerkundungsverfahren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197
3.1.4Luftbilder . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 198
3.1.5Schätzung von Biomasse und Elementgehalten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199
3.1.6Das Simulations- und Prognoseprogramm BWINPro . . . . . . . . . . . . . . . . . . . . . . . . . . 201
3.1.7Das Biomassemodell POMERANIA (BMP) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 202
3.1.8Das Geoportal „POMERANIA“ als Informationssystem . . . . . . . . . . . . . . . . . . . . . . . . . 203
3.2Allgemeines Fazit mit Blick auf die Projektziele . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
4Literaturverzeichnis208
8
Folgende Autoren haben mitgewirkt
Mgr. inż. Radomir Bałazy, Forstliches Forschungsinstitut IBL, Warschau
Dr. inż. Mariusz Bembenek, Naturwissenschaftliche Universität Poznań
Dr. Annett Degenhardt, Landeskompetenzzentrum Forst Eberswalde
Mgr. inż. Krzysztof Gajko, Büro für Waldbestandsregulierung und Waldgeodäsie Białystok
Mgr. inż. Wojciech Gdaniec, Oberförsterei Drawno
Jan-Henrik Hofmann, Hochschule für nachhaltige Entwicklung Eberswalde
Dr. inż. Andrzej M. Jagodziński, Polnische Akademie der Wissenschaften
Albert Janzen, Hochschule für nachhaltige Entwicklung Eberswalde
Kai Jütte, Landesforst Mecklenburg-Vorpommern A. ö. R.
Stefan Kärgel, Landeskompetenzzentrum Forst Eberswalde
Simon Klinner, Landeskompetenzzentrum Forst Eberswalde
Mgr. inż. Kamil Kondracki, Naturwissenschaftliche Universität Poznań
Michael Körner, Landeskompetenzzentrum Forst Eberswalde
Mgr. inż. Jacek Ksepko, Büro für Waldbestandsregulierung und Waldgeodäsie Białystok
Dr. inż. Marek Ksepko, Büro für Waldbestandsregulierung und Waldgeodäsie Białystok
Philipp Lehmann, DELPHI IMM GmbH Potsdam
Dr. Rolf Lessing, DELPHI IMM GmbH Potsdam
Dr. habil. Jens Schröder, Landeskompetenzzentrum Forst Eberswalde
Theresia Stampfer, Landesforst Mecklenburg-Vorpommern A. ö. R.
Dr. inż. Krzysztof Stereńczak, Forstliches Forschungsinstitut IBL, Warschau
Dr. inż. Pawel Strzeliński, Naturwissenschaftliche Universität Poznań
Mgr. inż. Sławomir Sułkowski, Naturwissenschaftliche Universität Poznań
Janos Treuheit, Landesforst Mecklenburg-Vorpommern A. ö. R.
Dr. inż. Andrzej Węgiel, Naturwissenschaftliche Universität Poznań
Ina Wiegand, DELPHI IMM GmbH Potsdam
Dr. hab. inż. Michal Zasada, Universität für Lebenswissenschaften Warschau
9
Abkürzungsverzeichnis
ALS / TLS
Airborne Laser Scanning / Terrestrial Laser Scanning
BEF
Biomass Expansion Factor / Biomasse-Expansionsfaktor
BHD / DBH
Brusthöhendurchmesser, Durchmesser auf 1,3 m Höhe / Diameter at Breast
Height
BHE
Behandlungseinheit
BMP
Biomassemodell für die POMERANIA-Region
D/d
Durchmesser eines Baumes
Dg / dg
Grundflächenmitteldurchmesser = Durchmesser des Baumes, dessen Grundfläche dem arithmetischen Mittel der Grundfläche aller Bäume des betrachteten Kollektivs entspricht
DGM
Digitales Geländemodell
DOM / nDOM
Digitales Oberflächenmodell / normaliertes DOM
DOY
Day Of Year
DSW 2
Datenspeicher Wald Version 2
G
Grundfläche (Kreisfläche)
H/h
Höhe (Baumhöhe)
Hg / hg
Höhe eines Baumes mit BHD = dg (s. o.)
Landesforst MV
Landesforst Mecklenburg-Vorpommern a. ö. R.
LFE
Landeskompetenzzentrum Forst Eberswalde
LIDAR / LiDAR
Light detection and ranging
NDVI
Normalized Difference Vegetation Index
nF / nFK
Nutzbare Feldkapazität
NPP
Nettoprimärproduktion / Net Primary Production
Pkt./m2
Punkte je m2
RBM
Regionales Biomassemodell
RESA
RapidEye Science Archive
UP Poznań
Uniwersytet Przyrodniczy w Poznaniu / Naturwissenschaftliche Universität
Poznań
VD
Vorratsvolumen Derbholz, d. h. über 7 cm Durchmesser
Vfm
Vorratsfestmeter (= m³)
10
1Einführung
Annett Degenhardt, Jens Schröder
Unter dem Titel „Gemeinsame Region – Gemeinsame Ziele / Wspólny Region – Wspólne Cele“
fördert die Europäische Union unter Beteiligung
des Europäischen Fonds für regionale Entwicklung (EFRE) die grenzüberschreitende territoriale Zusammenarbeit zwischen den Ländern
Mecklenburg-Vorpommern und Brandenburg in
Deutschland sowie der Wojewodschaft Zachodniopomorskie in der Republik Polen. Das auch als
„INTERREG IV A“ bezeichnete operationelle Programm dient dem weiteren Zusammenwachsen
und der Entwicklung der beteiligen Regionen. Als
eines seiner Ziele ist die „Förderung von grenzübergreifenden Kooperationen und Netzwerken
von Wissenschafts-, Forschungs- und
Technologieeinrichtungen zur Verbesserung des Zugangs zu
wissenschaftlichen Kenntnissen und des Technologietransfers“ definiert (EFRE
2013). In diesem Rahmen
hat von 2011 bis 2014
das Projekt „Entwicklung
eines grenzüberschreitenden
Entscheidungsunterstützungssystems zur fernerkundungs- und modellbasierten
Schätzung der Holzbiomasse in
den Wäldern der Förderregion POMERANIA (ForseenPOMERANIA)“ gearbeitet. Das
Projekt greift eine Reihe von Forschungsansätzen und praktischen Vorhaben zur Einbindung
von Fernerkundungsverfahren in die Erarbeitung
von Grundlagen für Planungen und Entscheidungen zur Nutzung der Holzbiomasse im POMERANIA-Gebiet auf und stellt diese konzeptionell auf
eine neue Stufe. Mit ihren umfangreichen Ressourcen an Holzbiomasse, ihren ähnlichen Naturräumen und vergleichbaren wirtschaftlichen wie
sozialen Fragestellungen sind die beteiligten Regionen prädestiniert für die gemeinsame Bearbeitung zukünftiger Herausforderungen auf diesem
Gebiet. Deshalb sind neben drei Institutionen aus
Mecklenburg-Vorpommern und dem Landkreis
Barnim auch drei Partner aus der Republik Polen am Projekt beteiligt. Sie können zum einen
auf eine mehrjährige intensive Vorbereitungszeit,
zum anderen auf eine gewachsene gemeinsame
Struktur aufbauen, in der Behörden, Forschungseinrichtungen und Unternehmen beiderseits der
Oder seit langem eng zusammenarbeiten.
Die vorliegende Schrift stellt die wesentlichen Ergebnisse der dreijährigen gemeinsamen Arbeit im
Projekt „ForseenPOMERANIA“ vor. Ihre Schwerpunkte liegen analog zur Planung und Durchführung des Projekts auf zwei Gebieten. Zum einen
werden vielfältige Methoden beschrieben, mit
denen durch Fernerkundung in Kombination mit
terrestrisch erhobenen Daten die großräumige Schätzung von Biomassevorräten und –zuwächsen in
Wäldern verbessert werden
kann. Zum anderen werden
ausgewählte
Ergebnisse der Anwendung dieser
Verfahren im Projektgebiet vorgestellt. Außerdem
werden die Erfahrungen
diskutiert, die in diesem
Rahmen gemacht wurden,
und Schlussfolgerungen für
die Übertragbarkeit von Methoden und Ergebnissen gezogen. Die
Schrift richtet sich an alle, die mit der Nutzung,
dem Schutz und der Erhaltung der Wälder in der
POMERANIA-Region befasst sind: Verwaltungen
und Forschungseinrichtungen genauso wie Naturschutzverbände, Unternehmen der Holzindustrie, Forstbetriebe und andere Interessenträger
aus angrenzenden Bereichen der Landnutzung.
In Form und Sprache wurde versucht, interessierten Praktikern und Behördenvertretern genauso
entgegen zu kommen wie Spezialisten der Fernerkundung, Forstwissenschaftlern und Ökologen.
Die Autorinnen und Autoren wünschen sich, dass
die zusammengetragenen Ergebnisse eine weite
Verbreitung finden, vielfältig angewandt und in
aufbauenden Vorhaben weiterentwickelt werden.
11
1 | Einführung
1.1Projektziele
Das Hauptziel des Projektes „ForseenPOMERANIA“ bestand in der Entwicklung eines fernerkundungsbasierten grenzüberschreitenden forstwirtschaftlichen Informationssystems zur Sicherung
einer nachhaltigen und umweltverträglichen Holzund Energieproduktion.
Die Menge der in den Wäldern gespeicherten
Holz- bzw. Kohlenstoffvorräte ist Entscheidungsgrundlage vieler Akteure in verschiedenen Landnutzungsformen wie auch in der Politik. Neben
der holzverarbeitenden Industrie sind es vor allem auch regionale Waldbesitzer und Vertreter
der Politik, denen diese Informationen zur Sicherstellung von Nachhaltigkeitsgesichtspunkten, als
Planungsinstrument oder zur Beantwortung fachlicher Fragen des Naturschutzes sowie des Waldes als Landschaftselement dienen.
Die Abschätzung der Holzvorräte ist in der Regel
mit einem hohen Messaufwand im Wald verbunden und daher für größere Regionen nicht aktuell
und umfassend verfügbar. Die Fernerkundung als
interdisziplinäres Werkzeug bietet dagegen eine
große Vielfalt von Möglichkeiten der flächendeckenden Schätzung und Prognose der Holz- und
Kohlenstoffvorräte in Wäldern gerade für größere
Bezugsregionen.
Im Rahmen des 2011 gestarteten deutsch-polnischen Projektes haben sich die sechs Partner der
Euroregion POMERANIA deshalb das Ziel gesetzt,
die Möglichkeiten des Einsatzes verschiedenster
Verfahren der Fernerkundung zu prüfen und kostengünstige, flächendeckende und ausreichend
genaue Methoden der Vorratsschätzung (Kap.
2.1) für den praktischen Einsatz zu entwickeln.
Im Verbundprojekt „ForseenPOMERANIA“ sind
Fernerkundungsmethoden
unterschiedlichster
geometrischer und zeitlicher Auflösung getestet
und im Hinblick auf ihre Einsetzbarkeit und die zu
erwartenden Kosten verglichen worden. Eine Abschätzung der Genauigkeit der Verfahren erfolgte
auf der Basis sehr genauer terrestrischer Referenzaufnahmen im Wald. Eingang finden neben verschiedenen Satellitendaten (Kap. 2.1.4) sowohl
Messungen mittels terrestrischer und flugzeuggetragener Laserscanner (Kap. 2.1.1 und 2.1.2) als
auch Luftbildbefliegungen (Kap. 2.1.5.3).
Auf der Basis von Modellen ist darüber hinaus
12
eine Prognose der Entwicklung verfügbarer Biomassevorräte möglich (Kap. 2.2). Zur Schätzung
des Biomassezuwachses wurde neben dem einzelbaumbasierten Wachstumssimulationsmodell
BWINPro Brandenburg (Kap. 2.2.2) ein auf Fernerkundungsdaten basierendes Prozessmodell (Kap.
2.2.3) an Brandenburger bzw. mitteleuropäische
Verhältnisse angepasst und erprobt. Zur Vereinfachung der Biomassenvorratsschätzung und Prognose auf Bestandesebene dienen dagegen Biomasseschätzfunktionen, die aus umfangreichen
terrestrischen Messungen an Einzelbäumen der
Baumarten Eiche und Kiefer parametrisiert wurden (Kap. 2.2.1).
Neben der Schätzung der Holzvorräte wurde außerdem nach Technologien gesucht, mit denen
sich forstwirtschaftlich relevante, aber terrestrisch
sehr aufwändig zu erhebende Parameter, insbesondere die Vitalität von Einzelbäumen und Beständen (Kap. 2.1.5), aus Fernerkundungsdaten
zeitnaher, effektiver und präziser erfassen lassen.
Alle abgeleiteten Ergebnisse wurden schließlich in
einem forstlichen Informationssystem in Form von
webbasierten Geodiensten zusammengeführt
(Kap. 2.3), das schnell, aktuell und grenzüberschreitend Informationen zu den nachwachsenden Stoff- und Energieressourcen in Wäldern der
POMERANIA-Region einem breiten Nutzerkreis
zur Verfügung stellt und den Wissenstransfer in
die Praxis auch über die Projektlaufzeit sichert.
Aufbauend auf dem Vergleich der verschiedenen,
auf fernerkundungs- und terrestrischen Daten basierenden Schätzverfahren werden abschließend
die einzelnen Technologien diskutiert und Empfehlungen für deren praktischen Einsatz formuliert
(Kap. 3).
1.2Projektmanagement
Als grenzüberschreitendes, multidisziplinäres
Vorhaben war das Projekt „ForseenPOMERANIA“
mit hohen Anforderungen an seine Planung und
Durchführung verbunden. An der mehrjährigen
Vorbereitung des Projektantrags waren Verwaltungsbehörden wie auch Forschungseinrichtungen aus dem deutschen und dem polnischen
Teil der POMERANIA-Region beteiligt. Entsprechende Abstimmungen erfolgten außerdem mit
Einführung | 1
der Woiwodschaft Zachodniopomorskie (Westpommern) in Szczecin, dem für die Durchführung
des INTERREG-IVa-Programms beauftragten
Gemeinsamen Technischen Sekretariat in Schwerin und Löcknitz sowie dem Ministerium für Wirtschaft und Europaangelegenheiten des Landes
Brandenburg.
Im Einklang mit der Aufgabenstellung und dem
räumlichen Rahmen fanden sich zur Bearbeitung
des Projekts Partner aus Brandenburg, Mecklenburg-Vorpommern und Nordwestpolen zusammen (siehe Abb. 1). In der folgenden Tab. 1
sind die beteiligten Institutionen aufgeführt. Der
Hauptsitz des Ministeriums für Landwirtschaft,
Umwelt und Verbraucherschutz des Landes
Mecklenburg-Vorpommern in Schwerin sowie die
Naturwissenschaftliche Universität Poznań liegen
zwar nicht direkt im Projektgebiet, beide Partner
waren aber für die erfolgreiche Projektbearbeitung
unerlässlich und beteiligten sich aktiv an den Untersuchungen in der POMERANIA-Region.
Tab. 1:
Projektpartner in „ForseenPOMERANIA“
1
Landeskompetenzzentrum Forst
Eberswalde (LFE; Leadpartner)
2
Ministerium für Landwirtschaft,
Umwelt und Verbraucherschutz des
Landes Mecklenburg-Vorpommern
mit Sitz in Schwerin
3
Landesforst MecklenburgVorpommern A. ö. R. mit Sitz in
Malchin
4
Regionales Direktorat des
Polnischen Staatsforstes Szczecin
5
Oberförsterei Drawno
6
Naturwissenschaftliche Universität
Poznań (UP Poznań)
Abb. 1: Die Region „POMERANIA“ und die Standorte der Projektpartner
13
1 | Einführung
An jeder der beteiligten Einrichtungen gab es eine
Ansprechperson für das administrative, finanzielle und inhaltliche Projektmanagement. Der entsprechende Mitarbeiter am LFE war gleichzeitig
für die Koordination und das Management des
Gesamtprojekts verantwortlich. Die Arbeit des
Projekts begann mit der Zuschlagserteilung am
01.01.2011. Während eines „Kick-off-Meeting“ im
Mai 2011 in der Nähe von Eberswalde wurde der
Rahmen für die weitere arbeitsteilige Kooperation abgesteckt. Im Fortgang des Projekts trafen
sich die beteiligten Partner jährlich zwei Mal zu
Abstimmungs- und Planungstreffen, um sich über
Methoden und Zwischenergebnisse auszutauschen, gemeinsame Aktivitäten zu planen sowie
Maßnahmen zur Öffentlichkeitsarbeit abzustimmen. Zu diesen Treffen gehörte in der Regel jeweils eine Exkursion in das Gebiet des organisierenden Partners oder eine Vortragsveranstaltung
für die interessierte Öffentlichkeit wie zum Beispiel im April 2013 in Eberswalde (SCHRÖDER et
al. 2013). Bei Bedarf wurden zusätzlich themenbezogene kleinere Treffen organisiert, um zum
Beispiel über methodische Schwerpunkte wie
das terrestrische Laserscanning zu informieren
oder die Anforderungen an das Biomasse-Informationssystem zu definieren. Zusätzlichen inhaltlichen und persönlichen Austausch gab es durch
Forschungsaufenthalte von Projektmitarbeitern
des LFE an der UP Poznań und umgekehrt von
Kollegen aus Poznań am LFE in Eberswalde.
Auch gemeinsame Präsentationen des Projekts
zum Beispiel beim „ScanBalt-Forum“ im September 2011 in Heringsdorf/Usedom sind Ausdruck
der kooperativen Arbeitsweise.
Die inhaltliche Ausrichtung und die Ablaufplanung
des Projekts wurden von einer projektbegleitenden Arbeitsgruppe (PAG) vor allem von der wissenschaftlichen Seite her kompetent unterstützt.
Ihre Mitglieder begleiteten bereits den Prozess
der Antragstellung und beteiligten sich seitdem
14
an einer Reihe von Projektaktivitäten wie zum Beispiel den Projektmeetings.
Von polnischer Seite gehörten zur PAG:
• Herr Prof. Dr. Tomasz Zawiła-Niedźwiecki,
Vorsitzender des IBL (Forstliches Forschungsinstitut, Warschau)
• Herr Dr. Andrzej Jagodziński (Naturwissenschaftliche Universität Poznań)
• Herr Radomir Bałazy
(Oberförsterei Swieradow Zdroj)
Mitglieder der PAG aus Deutschland waren:
• Frau Prof. Dr. Birgit Kleinschmit
(Technische Universität Berlin)
• Herr Dr. Thomas König (Landesforst Mecklenburg-Vorpommern A. ö. R.)
• Herr Dr. Thomas Riedel (Thünen-Institut für
Waldökosysteme Eberswalde)
Die PAG unterstützte wesentlich die Aktivitäten des
Projekts zur Öffentlichkeitsarbeit. Dazu gehörten
diverse Fachartikel in polnischen und deutschen
Zeitschriften sowie die Tagung „Biomasseschätzung durch Fernerkundung im POMERANIA-Gebiet“, die im April 2013 in Eberswalde vom Projekt veranstaltet wurde. Auch die Form und der
Inhalt dieser zweisprachigen Abschlusspublikation gehen auf Anregungen aus der PAG zurück.
Eine weitere wichtige Aufgabe bestand darin, die
Arbeiten des Projekts mit den fachlich verwandten Aktivitäten in den Forschungseinrichtungen
und Behörden des POMERANIA-Gebiets abzustimmen. Dadurch konnte die Kongruenz der
Planungen und Arbeitsschritte der Projektpartner
mit dem Bedarf seitens der Entscheidungsträger
gesteigert werden. Außerdem stieg so die Aussicht auf eine nachhaltige Verwendung der erarbeiteten Methoden, Prozessketten und Ergebnisse in der Projektregion auch nach Ende der
Projektlaufzeit.
2
Methoden und Ergebnisse
2.1Biomasseschätzung auf
Grundlage verschiedener
Fernerkundungssysteme
2.1.1Terrestrisches Laserscanning
Pawel Strzeliński, Sławomir Sułkowski
2.1.1.1Einleitung
Die aktuelle und komplexe Charakteristik der
Waldökosysteme mit den detaillierten biometrischen Angaben zu den Einzelbeständen, ihrem
Gesundheitszustand und vielfältigen Waldfunktionen sind zurzeit die Bewertungsgrundlagen für
die Prinzipien nachhaltiger Forstwirtschaft. Für
die genaue Beschreibung der Waldbestände werden verschiedene Methoden der Waldinventur
angewandt, beginnend mit klassischen Einrichtungsverfahren über großräumige Stichprobenverfahren bis hin zu Fernerkundungsverfahren.
Einer der wichtigsten Arbeitsschritte ist die Erhebung von genauen Messdaten, die zur präzisen
Schätzung der Biomasse allgemein sowie der
Menge und Qualität der Holzvorräte als Rohstoff
notwendig sind.
Zurzeit beruhen die Inventurarbeiten für Waldbestände hauptsächlich auf den traditionellen
Feldmessungen, bei denen Geräte wie Maßband,
Forstmesskluppe und Höhenmesser angewendet
werden. Im Forstmanagement werden jedoch seit
zwanzig Jahren immer häufiger moderne Geodatentechnologien in Anspruch genommen. Eine
dieser Technologien ist das Laserscanning, das
dank der hohen Arbeitsproduktivität und Messgenauigkeit immer öfter auch in der Forstwirtschaft
seine Anwendung findet.
Laserscanning, auch LiDAR (engl. Light Detection
And Ranging) genannt, wird zu den Fernerkundungssystemen gezählt, die sich durch Datengewinnung mit hoher Auflösung auszeichnen. Da
bei LiDAR-Verfahren infrarotnahe Laserstrahlen
verwendet werden, kann man die Daten unter jeglichen Lichtbedingungen, sogar nachts, gewinnen. Nach der Arbeitshöhe des Laserscannings
sind das Satellitenbildscanning, das flugzeuggetragene und das terrestrische Laserscanning zu
unterscheiden. In der Forstwirtschaft fand zuerst
das flugzeuggetragene Laserscanning (engl. Airborne Laser Scanning – ALS) Anwendung. In den
letzten Jahren hat sich die Datengewinnung zu
den im Bestand aufgenommenen Bäumen mittels
des terrestrischen Laserscannings (engl. Terrestrial Laser Scanning – TLS) rasch entwickelt.
LiDAR-Technologien, dank denen das gescannte
Gebiet in Form einer dreidimensionalen Punktwolke dargestellt wird, ermöglichen u. a. eine
Bewertung verschiedener Eigenschaften sowohl
der Einzelbäume als auch ganzen Bestandsstrukturen. Die Auswertung kann sowohl die Lokalisierung der Bäume als auch die Kronen- und
Stammmessung sowie Messungen von Kronenund Stammteilen betreffen. Selbstverständlich ist
eine viel höhere Genauigkeit durch die Anwendung von TLS zu erreichen. Aufgrund der hohen Gerätekosten und vor allem wegen der fehlenden Software zur automatischen Auswertung
befindet sich das terrestrische Laserscanning in
der Forstwirtschaft aber immer noch in der Untersuchungs- und Überprüfungsphase. Die von
den Mitarbeitern des Lehrstuhles für Forstmanagement der Naturwissenschaftlichen Universität Poznań bei der Durchführung von zahlreichen
Projekten gemachten Erfahrungen beweisen hingegen, dass die Ergebnisse aus TLS u. a. die mittels der anderen photogrammetrischen Verfahren
gewonnenen Daten wesentlich ergänzen können.
Im folgenden Kapitel werden die Einsatzmöglichkeiten von TLS zur automatischen Schätzung der oberirdischen Baumbiomasse und der
Waldbestände vorgestellt. Im Mittelpunkt steht
die Anwendung von Algorithmen zur Analyse
und Verarbeitung der 3D-Punktwolke, die aus
dem terrestrischen Laserscanning entstanden
ist. Zur Bewertung der LiDAR-Daten wurde u. a.
die Software tScan eingesetzt, die sich im Besitz des Forstlichen Forschungsinstitutes befindet und, kraft des Vertrages mit der Forstfakultät
der Naturwissenschaftlichen Universität Poznań, zu Bildungszwecken und zur Durchführung
wissenschaftlicher Arbeiten zugängig gemacht
wurde.
15
2 | Methoden und Ergebnisse
Ziel und Umfang der Untersuchung
Literaturübersicht
Die Untersuchung hatte die Schätzung der grundlegenden biometrischen Eigenschaften der Testgebiete und Einzelbäume der Waldkiefer (Pinus
sylvestris L.) in Waldbeständen mit verschiedenen Dichtestufen mittels des terrestrischen Laserscannings zum Ziel.
Die Feldaufnahmen einschließlich des TLS wurden auf allen Testgebieten, die aufgrund der dort
vorhandenen Modellbäume gewählt wurden,
durchgeführt. Die Testgebiete befinden sich im
Gebiet Dominikowo der Oberförsterei Drawno
(Regionales Direktorat der Polnischen Staatsforsten in Szczecin).
Nachdem die übrigen Felddaten gewonnen worden waren, wurden zwei terrestrische Laserscanner angewendet – FARO LS 880 (2011) und FARO
Focus 3D (2012-2013).
Nach dem Scannen der Modellbäume und der
Überarbeitung der 3D-Punktwolken wurden die
Hauptparameter dieser Bäume zwecks Schätzung ihrer oberirdischen Biomasse gemessen.
Die aufgrund der Messungen in den Programmen
FARO Scene, AutoCAD und tScan (seit dem Jahr
2012) erhaltenen Ergebnisse wurden miteinander
und danach mit den Daten aus traditionellen Messungen, die als Referenzdaten galten, verglichen.
Außer den Modellbäumen wurden auch die zentralen Gebiete der Testflächen gescannt, um Daten zur Schätzung der grundlegenden biometrischen Bestandeseigenschaften zu sammeln.
Insgesamt wurden auf den zehn Testgebieten 100
Modellbäume (je zehn Modellbäume auf fünf Flächen in der 3. Altersklasse und auf fünf Flächen in
der 5. Altersklasse) sowie die Mittelpunkte dieser
Flächen gescannt. Auf allen untersuchten Flächen
stockten Kiefernreinbestände (Pinus sylvestris L.).
Die aufbauenden Analysen umfassten die Bearbeitung der gewonnenen Daten und Messungen in den Fachprogrammen FARO Scene v. 5.0
(www.faro.com), AutoCAD (www.autodesk.com)
und tScan (www.taxussi.com.pl).
} Anwendung des terrestrischen
Laserscannings
Der Einsatz von TLS ermöglicht die Durchführung
komplexer Analysen und Bearbeitungen, die für
die derzeitigen konventionellen Messtechniken
unerreichbar wären. Durch Laserscanning erhält
man sehr schnell eine große Menge von Daten,
aufgrund derer man beliebige Mengen von Ansichten, Auf-/Grundrissen und Überblicken bilden
sowie beliebige Teile der aufgenommenen Punktwolken messen kann (MITKA 2007).
Der Anwendungsumfang von TLS ist sehr breit.
Mit der Popularisierung dieser Technik wächst die
Zahl möglicher Anwendungen.
16
Beispielhaft sind hier zu nennen:
• Architektur und Bauingenieurwesen,
• Denkmalschutz,
• Qualitätskontrolle und Reverse Engineering,
• Industrie-Bestandsaufnahme,
• Dokumentation archäologischer
Fundobjekte,
• Dokumentation der Straftatorte und
Verkehrsunfälle,
• Bergbau,
• Umweltuntersuchungen
(auch in der Forstwissenschaft),
• Erstellung virtueller Exkursionen
(MITKA 2007, PILECKI 2012).
Das Laserscannig wurde in Polen zum ersten Mal in der Forstwissenschaft in einem Forschungsprojekt in größerem Maßstab angewandt
(OLENDEREK 2010). Dieses Projekt wurde in den
Jahren 2006-2008 durch die Forstfakultät der
Warschauer Hochschule für Wirtschaft auf Antrag
des Hauptdirektorats der Polnischen Staatsforsten durchgeführt. Ziel war es, eine separate Waldmessungsmethode zum Zweck der zyklischen
Planung mittels geomatischer Techniken (u. a.
mittels des terrestrischen Laserscannings) zu bearbeiten.
Die seit über einer Dekade dauernden Forschungen an der Laserscananwendung in der Forstwirtschaft weisen auf einige potentielle Anwendungen hin (ZAWIŁA-NIEDŹWIECKI et al. 2006,
CHIRREK et al. 2007):
Methoden und Ergebnisse | 2
•
•
ufnahmen für die Waldinventur in der
A
Praxis: Brusthöhendurchmesser, Baumhöhe,
Kronenlänge und –breite, Kronendichte,
Baumart, Stammlänge ohne Äste, Baumdichte pro Hektar,
Aufnahmen hauptsächlich für die wissenschaftliche Forschung: Abholzigkeit, Dicke
auf verschiedenen Stammlängen, Blattflächen-Index, Kronenverlichtung, Stammlage in 3D, Ansatzwinkel der Äste und
Vertikalprofil der Biomassevarianz.
Aus den durch TLS gewonnenen Daten können
auch weitere Eigenschaften abgeleitet werden, z.
B. Grundflächenwerte, Baummasse und Holzvorräte. Zurzeit dient das Laserscanning nicht nur zur
Messung der biometrischen Baumeigenschaften,
sondern auch dazu, Sortimente für Bäume und
Holzvorräte automatisiert zu bestimmen. Die
Laserdaten ermöglichen eine deutlich genauere Bestimmung der Baumeigenschaften und die
Analyse der Waldstruktur als die mittels der terrestrischen Messungen mit den traditionellen Techniken gewonnenen Daten (STRZELIŃSKI 2010).
Die Anwendung des Laserscannings in der Forstwirtschaft ist nicht auf die Messung von Baumbeständen beschränkt. Die Technologie ermöglicht
auch die Inventur von Naturdenkmälern und die
3D-Visualisierung zu forstwirtschaftlichen und
Umwelt-Zwecken.
} Charakterisierung des terrestrischen
Laserscannings
Die steigende Nachfrage nach genauen und
schnellen Messsystemen regte Ende des 20.
Jahrhunderts zur Entwicklung der ersten terrestrischen Laserscanner an. Seit der Einführung dieser Technologie kommt es zu immer höherer Differenzierung bzw. Spezialisierung in den Geräten.
Auf den Markt werden außerdem Produkte immer
weiterer Hersteller gebracht, darunter vor allem
folgende: FARO, Optech, Leica, 3rdTech, Riegel,
Callidus, Sick, Trimble, Topcon, Zoller&Fröchlich,
Surphaser, Konica Minolta und Cyrax (STRZELIŃSKI 2010, WĘŻYK 2010).
Die terrestrischen Laserscanner werden vor allem
nach der Technologie der Entfernungsmessung
in drei Gruppen unterschieden: Impuls-Scanner,
Wechselscanner und Triangulationsscanner. Eine
zweite Unterscheidung bezieht sich auf die maximale Scanreichweite:
• Scanner mit sehr kurzer Reichweite
(bis 1 m),
• Scanner mit kurzer Reichweite (bis 100 m),
• Scanner mit mittlerer Reichweite
(bis 1000 m),
• Scanner mit hoher Reichweite
(über 1000 m).
Daneben gibt es weitere Unterteilungen, u. a. nach
Scanfläche, Raumauflösung, Scangeschwindigkeit, Spektrumumfang des Scanners und Arten
der Farbenaufnahme.
Die hohe Differenzierung der terrestrischen Laserscanner hat zu Folge, dass nicht alle Scannerarten in der Forstwirtschaft anzuwenden sind.
Wegen der Messbedingungen im Wald ist es erforderlich, dass die Geräte einen möglichst breiten horizontalen und vertikalen Winkel aufnehmen
und die maximale Reichweite nicht weniger als 20
m beträgt. Ein weiterer bedeutender Parameter
jedes Scanners ist seine Arbeitsgeschwindigkeit.
Zurzeit scannen die schnellsten Geräte mit einer
Geschwindigkeit von einer Million Punkten pro
Sekunde. Ein genauso wichtiger Parameter ist die
Scannerauflösung. Im Fall des Baumscannings
sind Geräte mit einer höheren Auflösung als die
minimale Messgenauigkeit von 10 mm anzuwenden (BIENERT et al. 2006, STRZELIŃSKI 2010).
Datengewinnung
} Scanmethoden und Datenvorbearbeitung
Es werden zwei Hauptverfahren der TLS-Messungen in Wäldern unterschieden (THIES und
SPIECKER 2004), der Einzelscan („single scan“)
und der Mehrfachscan („multiple scan“). Das
Verfahren „single scan“ beruht darauf, dass der
Scanner im Flächenmittelpunkt (meistens eine
kreisförmige Fläche) platziert wird und von dort
aus die Einzelaufnahmen gemacht werden. Dabei
handelt es sich um eine vergleichsweise schnelle Methode des Datengewinns, da z. B. Markiergeräte zur Verbindung mehrerer Scanbilder nicht
angewendet werden müssen. Dieses Verfahren ist
17
aber begrenzt, da die Bäume nur von einer Seite
aufgenommen werden und die Sicht wegen der
sich einander verdeckenden Bäume umso eingeschränkter wird, je weiter der Scanner von einem
Baum entfernt steht (ZASADA et al. 2013).
Ein viel genaueres Verfahren, mit dem eine höhere Baumanzahl und die vollständigen 3D-Modelle
dieser Bäume registriert werden können, ist der
Modus „multiple scan“. In diesem Verfahren wird
von mindestens drei Stellen um den Flächenmittelpunkt der kreisförmigen Fläche oder eines zu darstellenden Modellbaumes gescannt. Ein Nachteil
dieses Verfahrens ist eine sehr zeitintensive Datengewinnung. Die Stellen, von denen gescannt
wird, und die Platzierung von Referenzelementen
müssen genau geplant werden (ASCHOFF et al.
2004a, 2004b, THIES und SPIECKER 2004, BIENERT et al. 2006, WĘŻYK 2010).
} Auswertungsmethoden
Zunehmend werden bei der LiDAR-Datenauswertung Methoden der automatischen Baumerkennung in einer Punktwolke angewandt. Diese
können angewandt werden sowohl beim „multiple scan“ als auch beim „single scan“ – im zweiten Fall besteht das Scanergebnis aus einem ca.
160°-Querschnitt des Objektes (SIMONSE et al.
2003, HOPKINSON et al. 2004, BIENERT et al.
2006, ZASADA et al. 2013).
Eines der populärsten automatischen Verfahren beruht auf der Anwendung von HOUGHS
2-D-Transformation und auf der Einpassung
der Kreise bzw. Bogen in die Anhäufungen von
Punkten. Eine Anhäufung von Punkten wird als
ein Baum bestimmt, wenn der Bogenradius oder
Radius eines eingepassten Kreises höher als
der niedrigste Grenzwert ist und wenn die Standard-Strahldivergenz σ um den Abstand von einem Bogen oder Kreisen niedriger ist als der
bestimmte Maximalwert σmax. Die Baumkoordinaten werden durch den Mittelpunkt des Kreises
bestimmt (SIMONSE et al. 2003, ASCHOFF et al.
2004a, HOPKINSON et al. 2004, BIENERT et al.
2006, ZAWIŁA-NIEDŹWIECKI et al. 2006, CHMIELEWSKI et al. 2010).
PFEIFER und WINTERLANDER (2004) haben eine
Methode erarbeitet, in der die Bäume aufgrund
der 3D-Punktwolke automatisch erkannt werden
können. In diesem Verfahren werden weitere Zy-
18
linder an den Baumstamm mittels der Methode
„nichtlineare kleinste Quadrate“ schätzweise angepasst.
} Durchmesserbestimmung
Die durch TLS gewonnenen Daten ermöglichen
die Bestimmung von Durchmessern nicht nur
auf Brusthöhe, sondern auch auf jeder Stammhöhe. Bei der Anwendung der dem Scanner eingelegten Software ist die Messung am Bild der
Reflexintensität möglich (SIMONSE et al. 2003).
Nach den oben genannten Autoren beruht die
Messung des Brusthöhendurchmessers mittels
des automatischen Verfahrens auf Algorithmen,
die zur Baumerkennung dank der Kreiseinpassung dienen. HOPKINSON et al. (2004) beschreiben ein Verfahren, das auf der Anpassung des
Zylinders an den Punktesektor basiert, der aus
den zwei Stammquerschnitten (unter und über
dem BHD) abgegrenzt wurde. Dank der Information zum Durchmesser auf verschiedenen Höhen
können die Holzvorräte genau bestimmt und ein
Längs-Formmodell gestaltet werden (ZAWIŁANIEDŹWIECKI et al. 2006).
} Messung der Baumhöhe
Die Bestimmung der Baumhöhe aus TLS-Daten
beruht auf der Bestimmung der Höhendiskrepanz
zwischen dem höchsten Punkt der den Baum
darstellenden Punktwolke und einem digitalen
Geländemodell (DGM) (BIENERT et al. 2006). Die
Baumhöhenmessung aus Laserscanning kann
fehlerhaft sein, da die Baumspitze nicht immer
vom höchsten Punkt getroffen wird und die Fläche, auf der sich ein Baum befindet, die richtige
Ablesung der Stammfußlage erschweren kann.
Überdies ist die Baumhöhe in dichten Beständen
durch Laserscanner schwer direkt zu messen.
In solchen Fällen kann die Höhe durch Durchmesserabnahme-Modelle abgeleitet werden.
Genauigkeit der gewonnenen Ergebnisse
Zurzeit fehlt es an einem Verfahren, das eine fehlerfreie Bestimmung der biometrischen Eigenschaften der Waldbestände ermöglicht. Jedoch
sind wir bei der Anwendung des terrestrischen
Laserscannings imstande, Messfehler in hohem
Maße auszuschließen. Über die Genauigkeit von
TLS-Messungen entscheiden die Baumartenstruktur, die räumliche Struktur der Bestände und
die technischen Geräteigenschaften. Untersuchungen haben bewiesen, dass die Anwendung
von TLS in Waldbeständen mit einfacher Struktur am effektivsten ist (HOPKINSON et al. 2004,
THIES und SPIECKER 2004, FLECK et al. 2007).
In Waldbeständen mit komplexer Struktur treten
folgende Probleme bzgl. der Datengewinnung auf
(FLECK et al. 2007):
•
•
•
ie Geometrie mancher Scanner verursacht
d
einen fehlenden Zugang zur Überschirmung
der Baumbestände, was Messfehler erzeugen kann – vor allem bei Objektscanning aus
weiterer Entfernung,
die irreguläre Gestalt von hauptsächlich
älteren Bäumen verursacht Fehler bei den
gewonnenen Daten und verkompliziert die
Anwendung der Algorithmen zur halb- und
automatischen Messung,
das Überdecken der Kronen begrenzt wesentlich die Datengewinnung der höheren
Teile des Baumbestandes.
} Genauigkeit der Baumerkennung
Die Raum- und Baumartenstruktur der Baumbestände determinieren die Messgenauigkeit. THIES
und SPIECKER (2004) untersuchten einen mehrstufigen Mischbestand auf einem steilen Abhang.
Wenn von einer Stelle gescannt wurde, wurden 22
% der Bäume erkannt, beim Scanning von mehreren Stellen betrug dagegen die Genauigkeit 52
%. Obwohl damit nur ein niedriges Niveau der
Baumerkennung erreicht wurde, war die Genauigkeit bei der Bestimmung der Baumkoordinaten
hoch. In anderen Untersuchungen (HOPKINSON
et al. 2004) wurden 95-97 % der Bäume richtig erkannt. Andere Ergebnisse wurden in Forschungsarbeiten in einem Mischwald in Sachsen erzielt,
wo bei der Anwendung von TLS von zwei und drei
Stellen alle Bäume korrekt erkannt wurden. Beim
Scanning nur von einer Stelle betrug die Erkennungsgenauigkeit der Bäume zwischen 87 und
100 % (BIENERT et al. 2006). Genauere Ergebnisse werden nach mehreren Autoren in den gut
zugänglichen Waldbeständen mit einer einfachen
Struktur erreicht.
} Messgenauigkeit der Dicke auf verschiedenen Stammlängen
Bei Aufnahmen in Sachsen, wo die Methode der
Kreisanpassung angewendet wurde, erreichte
man eine Standardabweichung des Brusthöhendurchmessers von 0,5 cm. Die Ergebnisdifferenz
der Standardabweichungen zwischen den mittels
des Scanners und mittels der Messkluppe gewonnenen Brusthöhendurchmessern betrug im
Durchschnitt 1,5 cm. Diese Ungenauigkeit kann
an der Größe des Laserstrahls liegen (BIENERT
et al. 2006).
In den von HENNING und RADKE 2003 durchgeführten Untersuchungen wurden nur unbedeutende Unterschiede bei der Durchmessermessung
auf verschiedenen Höhen nachgewiesen. Die mittels Klupp-Messungen gewonnenen Ergebnisse
schwankten von 2,76 cm bis +1,32 cm. HOPKINSON et al. (2004) stellten in ihren Forschungen
keine Tendenz zur Über- oder Unterschätzung
des BHD fest. Bei der Messung mit dem Laserscanner hatten die Autoren größere Schwierigkeiten mit der Bestimmung des BHD in einem
Nadelwaldbestand mit gleichartigen Bäumen als
in einem Mischlaubwaldbestand mit differenzierter Struktur, was widersprüchlich erscheint.
In den von THIES und SPIECKER (2004) durchgeführten Untersuchungen wurden die Brusthöhendurchmesser mit verschiedenen Methoden
gemessen. Die Datengewinnung mittels „single
scan“-TLS wies die höchsten Prozentdifferenzen
auf – von -82,3 bis 109,5 %, im Durchschnitt 4,1
%. Die handgemessenen BHDs wiesen geringere Prozentdifferenzen auf, und zwar von -90 bis
103,4 %, im Durchschnitt -3,5 %. Die durchschnittlichen Differenzen mit den niedrigsten
Werten wurden mittels „multi scan“-TLS von fünf
Punkten aus gewonnen. Die Ergebnisse variierten
hier von -84,0 bis 111,6 %. Der Messfehler im
TLS war mit den ungenauen Weite- und Intensitätsmessungen verbunden. Diese wurden verursacht durch den kreisförmigen Querschnitt des
Stammes, auf den der Laser gerichtet wurde. Ein
Bild des Brusthöhendurchmessers zeichnet sich
durch eine zu 70 % nicht einheitliche Reflexintensität aus (THIES und SPIECKER 2004, WATT et
al. 2003).
Bei in Polen durchgeführten Analysen in einem
artenreichen Baumbestand der Försterei Sławno
19
betrug die BHD-Differenz zwischen den Messungen mit dem Scanner FARO LS 880 und denen mit der traditionellen Forstmesskluppe im
Durchschnitt 2,4 cm (WENCEL et al. 2007, ZAWIŁA-NIEDŹWIECKI et al. 2007). Weitere Arbeiten,
die vom gleichen Team in Buchenreinbeständen
durchgeführt wurden, wiesen eine Durchschnittsdifferenz zwischen den TLS-Daten und den Daten aus traditioneller Messung von -0,07 cm auf
(bei 102 untersuchten Bäumen und Differenzen
von minimal -5,80 cm und maximal 3,98 cm), was
einen Durchschnittunterschied von 1,37 % ergibt
(STRZELIŃSKI 2008).
} Genauigkeit der Höhenmessungen
In der Arbeit von BIENERT et al. (2006) wurden
Höhendifferenzen in Messungen von zwei Bäumen von 0,22 m und 1,47 m ermittelt. Der Durchschnittsfehler für vier Bäume betrug 80 cm. Aus
diesen Ergebnissen wurden keine Schlüsse gezogen, da die Genauigkeit der von den Autoren
genutzten Referenzinformationen zweifelhaft war.
Ähnliche Probleme beschreiben CHIRREK et al.
(2007) sowie ZAWIŁA-NIEDŹWIECKI et al. (2007)
für die Aufnahmen in der Försterei Sławno. Sie
nennen eine Durchschnittsdifferenz der Baumhöhe von 2,70 m.
In der Studie von THIES und SPIECKER (2004)
war die Durchschnittshöhe, die aufgrund der
TLS-Daten bestimmt wurde, um 7 % höher als die
mit dem Höhenmesser ermittelte Durchschnittshöhe. Der hohe Standardabweichungswert der
Höhenbestimmung von 5,6 m und die signifikanten Differenzen in Einzelfällen von 54,6 bis
190,7 % des Realwertes sind Gründe dafür, dass
diese Messergebnisse bei der Waldinventur nicht
angewendet wurden.
Verbesserung der Genauigkeit möglich (ZAWIŁANIEDŹWIECKI et al. 2006). Zur fehlerfreien Verbindung der LiDAR-Daten mit den Geodaten ist der
richtige Standort im geographischen Raum wichtig. Dazu ist das gleiche Koordinatensystem, z. B.
WGS 84 (WĘŻYK 2006), anzuwenden. Die Möglichkeiten, aus mehreren Quellen (darunter auch
TLS) gewonnene Daten zu integrieren, wurde u. a.
im oben genannten Forschungsprojekt an der
Warschauer Hochschule für Wirtschaft genutzt
(OLENDEREK 2010).
2.1.1.2Methodik
Spezifikation der eingesetzten Scanner
Zum Scannen der Testgebiete und Modellbäume
wurden zwei Scanner der Firma FARO [www.faro.
com] angewendet. Im September 2011 wurde
zwecks Feldforschungen ein terrestrischer Laserscanner FARO LS 880 (Abb. 2) benutzt. Die
Hauptparameter des Scanbildes stellt Tab. 2 dar.
Wegen der im Scanner FARO LS 880 angewandten Art der Digitalkamera-Montage und wegen der
bei der Einteilung der Punktwolke entstehenden
Parallaxenfehler wurde bei der Arbeit die Farboption nicht benutzt.
In den Jahren 2012 und 2013 benutzte man den
Scanner FARO Focus 3D (Abb. 3). Während der
Verbindung der LiDAR-Daten mit
weiteren Informationen
Die Ergebnisse des TLS sind eine ideale Ergänzung der durch Satellitenbilder und flugzeuggetragenes Laserscanning erlangten Informationen,
mit denen allein die Ableitung von Informationen
über die Bestandesstruktur nicht möglich wäre.
Dank der Verbindung der Daten ist die Ausdehnung des Analyseumfangs und somit auch die
20
Abb. 2: Scanner FARO LS 880,
Foto: P. Strzeliński
Tab. 2: Hauptparameter von FARO LS 880
Umfang
Auflösung
Systematischer
Distanzmessfehler
Laserleistung
Wellenlänge
Strahldivergenz
Strahldurchmesser
(bei Austritt)
Vertikales Sichtfeld
Horizontales Sichtfeld
Vertikale Auflösung
Horizontale Auflösung
Max. Messrate (vertikal)
Scandauer:
Eingebauter PC
Datenspeicherung
Datentransfer
Farboption
Set-Gewicht
(Scanner und Batterie)
70 m
17 Bit - Entfernung / 9 Bit – Intensität
±3 mm bei 25 m
20 mW
785 nm
0,25 mrad (0,014°)
3 mm
320° (unsichtbar ist die Fläche unter dem Scanner)
360°
0,009° (40.000 3D-Pixel auf 360°)
0,00076° (470.000 3D-Pixel auf 360°)
250 000 Punkte/Sekunde
1/10 – ca. 1,5 Min.; ¼ – ca. 8 Min.; ½ – ca. 40 Min.; volle
Auflösung – ca. 1 Std. 45 Min.
Pentium III 700 MHz, 256 MB RAM, 40GB HDD; Windows
XP
lokal auf einer internen Festplatte oder remote auf PC (über
Ethernet) oder Laptop
online während des Scannens über Fast-Ethernet
Nikon D70 oder Nikon D200 + Objektiv fish-eye Nikkor AF
DX 10,5 mm f/2.8 G ED (ACHTUNG: diese Option wurde bei
dem POMERANIA-Projekt nicht benutzt)
18 kg
Abb. 3: Scanner FARO Focus 3D,
Foto P. Strzeliński
Projektdurchführung entschied man sich wegen der viel günstigeren Parameter des neuen
Scanners (u. a. kleineres Gewicht, schnellere Montage, Touchscreen, eingebaute Kamera,
schnelleresDaten-Kopieren)undderbesserenArbeitsbedingungen für eine Änderung der Methodik
hin zu diesem Gerät. Der im Gehäuse des FARO
Fokus 3D eingebaute Touchscreen ermöglicht
eine schnelle Änderung der Arbeitsparameter. Die
RGB Digitalkamera bildet die fotorealen und zugleich die fotogrammetrischen Punktwolken ab.
Eine detaillierte Spezifikation des Scanners FARO
Focus 3D enthält Tab. 3.
Wegen des Gewichts des FARO LS 880 (14,5 kg)
mit Akku (3,5 kg) musste ein stabiles Stativ benutzt werden, was das Set-Gewicht bis zu 21,5 kg
erhöhte. Im Fall des leichteren Scanners FARO
21
Tab. 3: Hauptparameter von FARO Focus 3D
Umfang:
120 m
Systematischer
Distanzmessfehler:
±2 mm bei 25 m
Laserleistung:
20 mW
Wellenlänge:
905 nm
Strahldivergenz:
0,16 mrad (0,009°)
Strahldurchmesser
(bei Austritt):
3,8 mm
Vertikales Sichtfeld:
305° (unsichtbar ist die Fläche unter dem Scanner)
Horizontales Sichtfeld:
360°
Vertikale Auflösung:
0,009° (40.960 3D-Pixel auf 360°)
Horizontale Auflösung:
0,00076° (470.000 3D-Pixel auf 360°)
Max. Messrate (vertikal):
976 000 Punkte/Sekunde
Scandauer:
1/10 – ca. 1,5 Min.; ¼ – ca. 8 Min.; ½ – ca. 40 Min.;
volle Auflösung – ca. 1 Std. 45 Min.
Datenspeicherung:
auf den Speicherkarten SD, SDHC, SDXC (bis 32 GB)
Datentransfer:
online während des Scannens über WiFi
Farboption:
eingebaute Kamera RGB, ein Bild bis 70 MP besteht aus
84 Fotos
5,0 kg
Set-Gewicht
(Scanner und Batterie):
Focus 3D konnte man ein leichteres Stativ von
ca. 1,5 kg Gewicht verwenden. Dadurch wog das
ganze Set lediglich 6,5 kg.
Bei beiden Scannern wurde ein Set von fünf Referenzkugeln mit einem Durchmesser von 200 mm
auf Stützstäben benutzt.
Feldaufnahmen
} Scannen der Modellbäume
Hauptziel der Feldaufnahmen war das Scannen
der Modelbäume. Auf jedem Testgebiet wurden
zehn Modellbäume gescannt. Bevor das geschehen konnte, mussten zuerst die Vorbereitungsarbeiten durchgeführt werden, die auf der FARO
Scene-Konfiguration beruhten, um die Geräte
22
entsprechend zu verbinden und die Dateinamen
richtig zuzuordnen. Es wurde eine Grundauflösungskonfiguration angewendet, d. h. ¼ der Vollleistung des Geräts. Eine solche Auflösungseinstellung ermöglicht, ca. 50 Mio. Scanpunkte von
einem Messplatz innerhalb von acht Minuten zu
speichern (bei voller Auflösung dauert dies 116
Minuten). Um die Modellbäume möglichst präzise
darzustellen, wurden sie von drei Positionen aus
gescannt.
Die Messpunkte waren 10-15 m voneinander entfernt. Die Modellbäume waren von den Scanstellen aus gut sichtbar. Den nächsten Schritt bildete
die korrekte Platzierung der fünf Referenzkugeln,
so dass jede Kugel von jeder der drei Scanstellen
sichtbar ist und dass sie weder eine andere Kugel noch den gescannten Baum verhüllt (Abb. 4).
Damit das Programm FARO Scene die Scanbilder korrekt in einer Punktwolke verbindet, sollten
mindestens drei gleiche Kugeln auf jedem Scan
sichtbar sein.
das Gerät an der nächsten Messstelle platziert.
Die gewonnenen Daten wurden im Scanner-Speicher abgelegt und nach Beendigung der Arbeiten
an einer Stelle in ein angeschlossenes Notebook
kopiert, an dem danach auch die Korrektheit der
Scanbilder geprüft wurde. Diese Prozedur betraf
ausschließlich den Scanner FARO LS 880, der
infolge der Scanner-Kopfverschiebung einmal
pro einiger Dutzend Bilder ein fehlerhaftes Bild
erzeugte (Abb. 6). Wurde ein Fehler festgestellt,
so entfernte man aus dem Scanner-Speicher die
fehlerhaften Daten und wiederholte die Scanprozedur auf der gegebenen Stelle.
Abb. 4: Schema der Scanner- und Referenzkugelverteilung auf einer Messstelle,
PROCYK 2008, geändert
Nachdem die Setteile zusammengesetzt waren,
wurde der Scanner platziert und über dem Messplatz in eine waagerechte Position gebracht.
Anschließend begann das Scannen des ersten
Modellbaums (Abb. 5). Während des Scannens
entfernte man sich von dem Gerät, um einen Sicherheitsabstand für die Augen zu gewährleisten.
Der Sicherheitsabstand bei der Auflösung von ¼
des vollen Leistungsvermögens betrug für den
Scanner FARO LS 880 9,5 m. Beim Scannen war
auch darauf zu achten, sich nicht zwischen dem
Scanner und dem gescannten Objekt zu befinden, da dies die gewonnenen Daten verformen
könnte. Nachdem ein Objekt gescannt war, wurde
Abb. 5: Scanner und Referenzkugeln,
vorbereitet zum Scannen des Modellbaumes Nummer 164, Foto: P. Strzeliński
Abb. 6: Intensitätsbild der Punktwolke, generiert durch den Scanner FARO LS 880 mit einer
sichtbaren Lücke in dem aufgenommenen Gebiet (rot markiert). Bearbeitet von P. Strzeliński.
Deutlich einfacher war die Arbeit mit dem Scanner
FARO Focus 3D. Mit Hilfe des im Gerät installierten Displays konnten nach der Scanbeendigung
die gewonnenen Daten am Gerät durchgesehen
werden. Der FARO Focus 3D zeigt automatisch
das Intensitätsbild der Punktwolke (Abb. 7) an.
Von diesem Bild lässt sich sowohl bewerten, ob
Abb. 7: Ein Intensitätsbild der Punktwolke
auf dem Touchscreen des Scanners FARO
Focus 3D, angezeigt automatisch nach der
Arbeitsbeendigung, Foto: P. Strzeliński
23
z. B. ein ganzer Baum und alle Referenzkugeln
aufgenommen wurden, als auch die Scanvollständigkeit prüfen (ob es zu keinen Fehlern kam
wie bei der Arbeit mit dem Scanner FARO LS 880
oben geschildert).
Ein weiterer Vorteil bei der Arbeit mit dem FARO
Focus 3D war die Möglichkeit der Farboption, mit
der Foto-Reihen in den Naturfarben durch die im
Scanner integrierte Kamera aufgenommen wurden. Diese Fotos ermöglichen fotogrammetrisch
die Konfiguration der Punktwolke ohne Parallaxenfehler. Dadurch ist u. a. die Korrektur mancher
Elemente möglich, die in der standardgemäß in
max. 256 Grautönen aufgenommenen Punktwolke sonst schwer zu identifizieren sind (Abb. 8).
A
bei wurde angenommen, dass er möglichst nah
des geometrischen Mittelpunkts der Fläche liegen und zugleich mindestens ca. 1,5 m von den
nächststehenden Bäumen entfernt sein sollte (so
dass beim Scan nicht zu viele Bäume verdeckt
waren). Der Punkt wurde mit einem weißen Pfählchen markiert, das mit den Buchstaben „śr“ (aus
dem Polnischen „Mitte”) beschriftet war. An den
Bäumen wurde eine zusätzliche Bezeichnung
(Nummer und Markierung der Messstelle des
BHD) so angebracht, dass sie „Richtung Flächenmitte” sichtbar war. Diese zusätzlichen Markierungen betrafen alle Bäume, die von dem die
Flächenmitte anweisenden Pfählchen bis zu 20 m
entfernt waren.
Beim Scan von den Flächenmitten nahm der
Scanner die Baumbestände in vollem Winkelbereich auf, d. h. 360-Grad-Winkel für das horizontale Sichtfeld und 320-Grad-Winkel für das vertikale
Sichtfeld (FARO LS 880) oder 305-Grad-Winkel
(FARO Focus 3D). Die Scanauflösung wurde auf
½ der vollen Leistung eingestellt.
Am Scanner FARO Focus 3D wurde wie beim
Scan der Modellbäume die Farboption gewählt.
Mit diesen Parametern dauerte ein Scan vom Flächenmittelpunkt ca. 45 Min.
Auswertung
B
Abb. 8: Vergleich des Intensitätsbildes der
Punktwolke, die in Grautönen aufgenommen wurde (A) mit den Bildern aus der
in dem Scannen FARO Focus 3D eingebauten Kamera (B). Foto: P. Strzeliński
} Scannen aus Flächenmittelpunkten
Auf jedem Testgebiet wurden Scanbilder der zehn
Modellbäume und ein Scan „aus dem Flächenmittelpunkt“ gemacht. Dieser Mittelpunkt wurde
nicht mittels Messungen festgestellt, sondern
gutachtlich danach festgelegt, ob er die Scanbedingungen erfüllte und schätzungsweise in der
Nähe des geometrischen Mittelpunkts der Fläche
lag. Er wurde schon während der Nummerierung
der Bäume auf den Testgebieten bestimmt. Da-
24
} Datenaufbereitung
Die Aufbereitung der Daten begann mit der Filterung der Scanbilder und Verbindung der Aufnahmen in 3D-Punktwolken, die den einzelnen
Bildern der Modellbäume entsprachen. Die gewonnenen Daten waren auf der Festplatte als digitale Punktwolken in 120-139 MB (FARO LS 880)
bzw. ca. 100 MB (FARO Focus 3D) großen Dateien gespeichert. Mittels der Software FARO Scene
5.0 wurden dann alle Verformungen beseitigt, die
infolge der Differenzierungen der Umwelt, in denen die Bilder augenommen wurden, entstanden.
Der Großteil der auftretenden Störungen – sog.
„Nebengeräusche“, die die Aufnahme nicht existierender Voxel verursachte, wurde lokalisiert und
durch die Scanner-Software aufgrund der deutlichen Intensitätsdifferenz zwischen sowohl den
einzelnen Scanbildern als auch der Entfernungen
zwischen den Bildern automatisch gelöscht. An-
schließend wurden mittels FARO Scene die Referenzkugeln auf den drei Bildern des gescannten
Baumes gesucht, bezeichnet und nummeriert,
um eine Punktwolke für einen Modellbaum zu erhalten (Abb. 9).
Abb. 9: Verbindung der Punktwolke aus
drei Scanstellen um den Modellbaum
Einen weiteren Schritt der Bildbearbeitung bildete das Ausschneiden einer Punktwolke für den
Stamm1 eines Modellbaumes (Abb. 10). Die erhaltenen Scanpunkte wurden in die Formate *.xyz
und *.dxf exportiert.
Abb. 10: Ein aus der Punktwolke mittels der
Software SCENE abgetrennter Modellbaum
Anschließend wurde das im Format *.xyz gespeicherte 3D-Stammbild im Programm tScan ausgewertet, das die Hauptparameter des Stammes
generierte (d. h. Baummasse, Höhe und BHD des
Modellbaumes) (Abb. 11). Die Dateien im Format
*.dxf wurden dagegen im Programm AutoCad
bearbeitet, in dem die Höhe und der BHD des
Baumstammes gemessen wurden.
Abb. 11: Fenster des Programmes, tScan mit
Ergebnissen für die Punktwolke des Modellbaumes
Außer der biometrischen Haupteigenschaften des
analysierten Stammes (BHD, Höhe, Baummasse,
Höhe des Kronenansatzes, Kronenlänge) wird von
dem Programm tScan der Standort des Stammes
(in einem internen X,Y-Bezugssystem) sowie der
Azimut und die von dem Punkt, an dem der Scanner stand, gerechneten Entfernungen angegeben.
Die oben beschriebenen Eigenschaften sind vom
Programm in einem Fenster, das in der Abbildung
mit einem roten Rahmen markiert wurde, verzeichnet. Außerdem nimmt das Programm eine
automatische Klassifizierung vor, durch die es
die erstellbaren Sortimente (der gelbe Rahmen)
herleitet. Andere Funktionen der Software tScan
stellt Abb. 12 dar.
In Abb. 12 sind die analytischen Möglichkeiten des
Programmes tScan im Bereich der Berechnungen
von biometrischen Eigenschaften der Einzelbäume (roter Rahmen) und Bestandsaufnahme-Parameter des ganzen gescannten Baumbestandteils
(gelber Rahmen) dargestellt. Ein bedeutender Aspekt des Programms ist die sortimentsbezogene
1
Der Stamm wurde als ein gerader Abschnitt zwischen der Bodenschicht und dem Kronenansatz definiert (für den Kronenansatz
wurde die tiefste Lage der Belaubung auf den über 2,5 cm dicken Trieben angenommen); außerdem wurde angenommen, dass
zur Krone nicht die weniger als 2,5 cm dicken Triebe, die außerhalb der Krone wachsen (z. B. im unteren Teil des Stammes),
sowie einzelne, lebendige über 2,5 cm dicke Äste und Triebe gezählt werden, soabld sie vom Kronenansatz über 1,5 m entfernt
sind.
25
Klassifizierung der Baumbestände (blauer Rahmen). Interessant ist überdies die Möglichkeit der
Größenänderung des auszuwertenden Gebiets,
z. B. durch die Wahl des Kreisflächenradius, der
das gescannte Gebiet begrenzt (grüner Rahmen).
Ein weiteres Werkzeug ermöglicht das Verrücken
des Mittelpunktes einer Kreisfläche auf dem Lageplan der gescannten Stämme (orangefarbener
Rahmen).
Abb. 12: Fenster des Programmes tScan mit
Auswertungsergebnissen für die Punktwolke,
die einen Waldbestandteil repräsentiert
} Messungen von den Brusthöhendurchmessern und Baumhöhen
Der BHD der einzelnen Modellbäume wurde mittels des Intensitätsbildes und der Werkzeuge des
Programms FARO Scene 5.0 sowie in den Programmen tScan und AutoCad gemessen. Die
Messgenauigkeit betrug laut der „Anleitung zur
Durchführung der großräumigen Inventur von
dem Forstzustand“ (2004) 1 mm.
Dank der Markierung der Höhe von 1,30 m auf jedem Baum mit einer weißen Linie zur Durchmessermessung mittels der traditionellen Methode
wurde die Bestimmung des BHD in FARO Scene
erheblich erleichtert (Abb. 13). Dies ist auch deshalb wichtig, weil bei der Messung in FARO Scene 5.0 die Ansicht der Messwerte in Echtzeit nicht
möglich ist. Dadurch ist es problematisch, z. B.
die Höhe festzustellen, auf der sich der BHD befindet. Bei den Höhenmessungen traten Schwierigkeiten auf, die Stammfußlage wegen der verdeckenden Bodendeckerpflanzen und anderen
Elemente, die sich auf dem Waldboden befinden,
zu bestimmen. Die Stammhöhe wurde auf 1 cm
genau in FARO Scene 5.0 gemessen, nachdem
die ausgeschnittene Punktwolke mittels der Programme AutoCad und tScan exportiert wurde.
26
Abb. 13: Bäume mit einer markierter Brusthöhendurchmesser-Stelle und mit einer Nummer,
die für das Testgebiet festgelegt wurde
} Referenzdaten
Die Referenz für die Messungen in der Software
bildeten die Messergebnisse von den stehenden
Modellbäumen, durchgeführt mit den traditionellen Methoden. Der BHD wurde mit der elektronischen Forstmesskluppe Mantax (Genauigkeit
1 mm) und die Höhe mit dem Suunto und Vertex
IV (Genauigkeit bis zu 0,1 m) gemessen.
2.1.1.3Ergebnisse
Ergebnisse der Messungen von Brusthöhendurchmessern und Höhen
In diesem Kapitel sind die Beispielergebnisse der
Messungen von Brusthöhendurchmessern und
Höhen für die Modellbäume aus der Abteilung 6f
(zwei Flächen) und der Abteilung 100f dargestellt.
Tab. 4 bis Tab. 9 zeigen die Ergebnisse der Messungen von BHD und Höhe in den Testgebieten
mit dem Laserscanner FARO LS 880 sowie mit
den traditionellen Methoden (= Referenzdaten). In
den Tabellen befinden sich außerdem die Messdifferenzen zwischen FARO und tScan, traditioneller Methode und FARO sowie traditioneller
Methode und tScan.
terschätzung der Ergebnisse durch tScan (100 %
der Messungen sind kleiner als die Messungen in
der Software FARO) (Tab. 4).
Die Differenz zwischen den Messergebnissen
des BHD mit der traditionellen Methode und
FARO ist gering und erreicht maximale Werte von
0,1 cm (Nr. 206) bzw. -0,1 cm (Nr. 344). Die Durchschnittsdifferenz betrug 0,29 cm. Die höchste Differenz zwischen dem Messergebnissen mit der
traditionellen Methode und tScan betrug 2,8 cm
(Nr. 299) und die kleinste 0,2 cm (Nr. 344). Es zeigt
sich eine deutliche Tendenz zur Unterschätzung
durch tScan im Vergleich zu den mit der traditio-
} Fläche Nr. 1 – Abteilung 6f W
Die größte Differenz zwischen den Messergebnissen des BHD mittels FARO und tScan betrug
2,0 cm (Baum Nr. 206), die kleinste 0,3 cm (Nr.
344). Die Durchschnittsdifferenz zwischen den
Messungen mit FARO und tScan betrug 1,34 cm.
Festgestellt wird eine deutliche Tendenz zur Un-
Tab. 4: Messergebnisse des BHD mit verschiedenen Methoden auf der Fläche Nr. 1
Fläche
BHD [cm]
Differenzen [cm]
ModellbaumNr.
referenz
186
16,8
17,5
17,0
15,6
-0,7
-0,2
1,2
1,4
238
24,1
24,9
23,7
22,2
-0,8
0,4
1,9
1,5
299
22,1
22,3
21,0
19,3
-0,2
1,1
2,8
1,7
344
19,9
20,2
20,0
19,7
-0,3
-0,1
0,2
0,3
398
19,9
19,7
20,1
18,3
0,2
-0,2
1,6
1,8
409
21,9
21,3
20,7
19,6
0,6
1,2
2,3
1,1
19
29,4
29,0
28,4
27,9
0,4
1,0
1,5
0,5
43
17,0
16,8
17,2
15,5
0,2
-0,2
1,5
1,7
151
26,1
26,9
26,3
24,9
-0,8
-0,2
1,2
1,4
206
16,8
15,0
16,7
14,7
1,8
0,1
2,1
2,0
10
10
10
10
10
10
10
10
0,04
0,29
1,63
1,34
1. 6f_W
Auto
CAD
FARO
tScan
ref. Auto
Cad
ref. FARO
ref. tScan
FARO tScan
Menge
Pn
Arithm.
Mittel
X
21,40
21,36
21,11
19,77
Median
Me
20,90
20,75
20,40
19,45
0,00
0,00
1,55
1,45
unteres
Quartil
Q1
16,95
17,33
17,15
15,58
-0,72
-0,20
1,20
0,95
oberes
Quartil
Q3
24,60
25,40
24,35
22,88
0,45
1,03
2,15
1,73
Minimum
Min
16,80
15,00
16,70
14,70
-0,80
-0,20
0,20
0,30
Maximum
Max
29,40
29,00
28,40
27,90
1,80
1,20
2,80
2,00
Spannweite
R
12,60
14,00
11,70
13,20
2,60
1,40
2,60
1,70
StandardS
abweichung
4,00
4,27
3,75
4,03
0,76
0,56
0,68
0,53
17,81
20,30
15,65
18,01
0,64
0,35
0,51
0,31
18,71 % 20,01 % 17,78 % 20,36 %
–
–
–
–
0,02
0,01
0,01
0,01
Variation
S3
Variationskoeffizient
VQ [%]
Konfidenzintervall
P
[α=0,05]
0,08
0,08
0,07
0,08
27
} Fläche Nr. 2 – Abteilung 6f
Die größte Differenz bei den Messergebnissen
des BHD zwischen FARO und tScan war 5,1 cm
(Nr. 8). Die kleinste Differenz betrug in diesen
Messungen 0,8 cm (Nr. 113). Die Durchschnittsdifferenz zwischen den mittels der o. g. Methoden
gemessenen BHD betrug 2,35 cm. Alle mittels
tScan erzielten Messergebnisse lagen niedriger
als die mittels der Methode FARO erzielten Ergebnisse (Tab. 6).
Der größte Unterschied der Messergebnisse betrug -3,6 cm (Nr. 212) und ergab sich zwischen
der traditionellen Methode und FARO. Die Er-
nellen Methode gewonnenen Ergebnissen (100 %
der Messergebnisse sind kleiner als die Referenzdaten). Die Durchschnittsdifferenz der Messungen
mit den o. g. Methoden betrug 1,63 cm (Tab. 4).
Die Differenz der Ergebnisse der Höhenmessungen mittels FARO und tScan erreichte den höchsten Betrag bei -3,0 m (Nr. 19) und den kleinsten
bei 0,02 m (Nr. 299). Es besteht eine deutliche
Tendenz zur Unterschätzung der Ergebnisse
durch tScan (80 % der Ergebnisse hatten einen
kleineren Wert als die mittels FARO gewonnenen
Ergebnisse). Die Durchschnittsdifferenz zwischen
FARO und tScan betrug -0,9 m (Tab. 5).
Tab. 5: Messergebnisse der Höhe mit verschiedenen Methoden auf der Fläche Nr. 1
Fläche
Höhe [m]
Differenzen [m]
ModellbaumNr.
referenz
19
6,7
6,8
6,6
9,6
1. 6f_W
Auto
CAD
FARO
tScan
ref. Auto
Cad
ref. FARO
ref. tScan
FARO tScan
-0,1
0,1
-2,9
-3,0
43
11,7
11,4
11,7
13,0
0,4
0,1
-1,2
-1,3
151
12,1
12,3
12,1
14,3
-0,2
0,0
-2,2
-2,2
186
12,4
12,4
12,3
14,3
0,0
0,1
-1,9
-2,0
206
13,5
13,6
13,5
13,6
0,0
0,1
-0,1
-0,2
238
13,0
12,7
12,8
13,9
0,3
0,2
-0,9
-1,1
299
13,4
13,3
13,2
13,2
0,1
0,2
0,3
0,0
344
13,3
13,2
13,3
14,0
0,1
0,0
-0,7
-0,8
398
12,3
12,4
12,4
10,0
0,0
0,0
2,3
2,4
409
11,1
11,2
11,2
–
-0,1
0,0
–
–
10
10
10
10
10
10
9
9
Menge
Pn
Arithm.
Mittel
X
11,96
11,91
11,88
12,87
0,05
0,08
-0,81
-0,90
Median
Me
12,36
12,37
12,32
13,60
0,01
0,08
-0,90
-1,05
unteres
Quartil
Q1
11,59
11,35
11,55
11,49
-0,07
0,01
-2,04
-2,12
oberes
Quartil
Q3
13,31
13,19
13,19
14,14
0,16
0,14
0,10
-0,07
Minimum
Min
6,72
6,78
6,60
9,60
-0,15
-0,04
-2,88
-3,00
Maximum
Max
13,54
13,55
13,45
14,32
0,35
0,24
2,31
2,35
Spannweite
R
6,82
6,77
6,85
4,72
0,50
0,28
5,19
5,35
StandardS
abweichung
1,90
1,86
1,89
1,70
0,15
0,08
1,45
1,47
Variation
S3
3,99
3,83
3,97
3,24
0,03
0,01
2,37
2,44
VQ [%]
15,84 % 15,58 % 15,91 % 13,19 %
–
–
–
–
Konfidenzintervall
P
[α=0,05]
0,00
0,00
0,03
0,03
28
0,04
0,04
0,04
0,03
Fläche
Brusthöhendurchmesser [cm]
ModellbaumNr.
referenz
2. 6f_E
Auto
CAD
FARO
Differenzen [cm]
tScan
ref. Auto
Cad
ref. FARO
ref. tScan
FARO tScan
8
33,7
34,2
35,2
30,1
-0,5
-1,5
3,6
5,1
10
23,8
22,7
24,7
22,3
1,1
-0,9
1,5
2,4
22
25,9
25,6
25,2
23,2
0,3
0,7
2,7
2,0
65
24,0
24,3
25,0
21,9
-0,3
-1,0
2,1
3,1
91
29,1
29,8
30,0
28,4
-0,7
-0,9
0,7
1,6
98
17,3
17,1
16,6
15,8
0,2
0,7
1,5
0,8
113
22,1
22,1
22,7
21,1
0,0
-0,6
1,0
1,6
115
19,9
19,9
20,9
19,1
0,0
-1,0
0,8
1,8
212
22,1
25,8
25,7
24,6
-3,7
-3,6
-2,5
1,1
213
25,9
25,7
27,7
23,7
0,2
-1,8
2,2
4,0
10
10
10
10
10
10
10
10
Menge
Pn
Arithm.
Mittel
X
24,38
24,72
25,37
23,02
-0,34
-0,99
1,36
2,35
Median
Me
23,90
24,95
25,10
22,75
0,00
-0,95
1,50
1,90
unteres
Quartil
Q1
21,55
21,55
22,25
20,60
-0,55
-1,58
0,77
1,48
oberes
Quartil
Q3
26,70
26,80
28,28
25,55
0,22
-0,27
2,33
3,33
Minimum
Min
17,30
17,10
16,60
15,80
-3,70
-3,60
-2,50
0,80
Maximum
Max
33,70
34,20
35,20
30,10
1,10
0,70
3,60
5,10
Spannweite
R
16,40
17,10
18,60
14,30
4,80
4,30
6,10
4,30
StandardS
abweichung
4,41
4,59
4,78
3,94
1,21
1,17
1,55
1,28
21,65
23,44
25,36
17,22
1,64
1,51
2,65
1,82
18,11 % 18,58 % 18,83 % 17,10 %
–
–
–
–
0,02
0,02
0,03
0,03
Variation
S3
VQ [%]
Konfidenzintervall
P
[α=0,05]
0,09
0,09
0,09
gebnisse der BHD-Messungen mittels AutoCAD
waren den mittels der traditionellen Methode
erzielten Ergebnissen am nächsten; die Durchschnittsdifferenz betrug -0,34 cm. Die höchste
Differenz bei den Brusthöhendurchmesser-Messungen zeigte sich zwischen der traditionellen
Methode und der Software tScan bei Baum Nr.
8 (3,6 cm); die kleinste Differenz betrug 0,7 cm
bei Nr. 91. Die Messergebnisse wurden durch das
Programm tScan häufig unterschätzt (90 % der
Messergebnisse waren geringer als die mittels
der traditionellen Methoden gewonnenen Ergebnisse). Die Durchschnittsdifferenz der Messungen
0,08
betrug 1,36 cm. Die größte Differenz bei den Höhenmessungen mittels FARO und tScan betrug
4,7 m (Nr. 65), die kleinste war -0,2 m (Nr. 22 und
Nr. 115). Die Durchschnittsdifferenz der Messergebnisse zwischen FARO und tScan betrug
-0,43 m (Tab. 7).
} Fläche Nr. 3 – Abteilung 100f
Die höchste Messdifferenz für den BHD wurde
zwischen FARO und tScan festgestellt – sie betrug
3 cm für den Baum Nr. 228. Die kleinste Differenz
betrug 0,2 cm (Nr. 248). Es besteht eine leichtere
Tendenz zur Unterschätzung der Messergebnisse
29
Fläche
Höhe [m]
Differenzen [m]
ModellbaumNr.
referenz
8
13,4
13,7
13,3
14,1
-0,3
0,1
-0,7
-0,8
10
13,8
13,8
13,8
15,9
-0,1
0,0
-2,1
-2,1
22
15,6
15,6
15,6
15,8
0,0
0,0
-0,2
-0,2
65
13,6
13,5
13,5
8,8
0,1
0,1
4,8
4,7
91
11,9
11,9
11,9
13,4
0,0
0,0
-1,5
-1,5
98
12,2
12,4
12,1
13,6
-0,1
0,1
-1,4
-1,5
113
12,2
12,1
12,2
14,5
0,1
0,1
-2,3
-2,3
115
13,5
13,5
13,5
13,7
0,1
0,0
-0,1
-0,2
212
13,4
13,4
13,4
14,3
0,1
0,1
-0,9
-0,9
213
14,0
13,9
14,4
13,6
0,2
-0,4
0,4
0,8
10
10
10
10
10
10
10
10
2. 6f_E
Auto
CAD
FARO
tScan
ref. Auto
Cad
ref. FARO
ref. tScan
FARO tScan
Menge
Pn
Arithm.
Mittel
X
13,36
13,36
13,34
13,77
0,00
0,02
-0,41
-0,43
Median
Me
13,49
13,46
13,41
13,90
0,04
0,05
-0,80
-0,89
unteres
Quartil
Q1
12,22
12,30
12,14
13,55
-0,08
0,01
-1,66
-1,67
oberes
Quartil
Q3
13,82
13,82
13,93
14,81
0,10
0,09
0,00
0,05
Minimum
Min
11,90
11,89
11,87
8,80
-0,34
-0,36
-2,27
-2,33
Maximum
Max
15,58
15,61
15,56
15,88
0,18
0,13
4,75
4,65
Spannweite
R
3,68
3,72
3,69
7,08
0,52
0,49
7,02
6,98
StandardS
abweichung
1,02
1,02
1,07
1,85
0,14
0,13
1,90
1,91
Variation
S3
1,15
1,15
1,27
3,82
0,02
0,02
4,03
4,05
VQ [%]
7,62 %
7,62 %
8,0 % 13,47 %
–
–
–
–
Konfidenzintervall
P
[α=0,05]
0,02
0,02
0,00
0,00
0,04
0,04
0,02
des BHD durch tScan (60 % der Messergebnisse
waren geringer als die mittels FARO gewonnenen
Ergebnisse). Die durchschnittliche Messdifferenz
betrug 0,82 cm (Tab. 8).
Der Vergleich der Messergebnisse für den BHD
zwischen der traditionellen Methode und FARO
zeigte die höchste Differenz von 1,8 cm für Baum
193, die kleinste von 0,1 bzw. 0,1 cm bei den
Bäumen 249 und 228. Die Durchschnittsdifferenz zwischen den mittels FARO gewonnenen
Messergebnissen und den Referenzdaten betrug
0,74 cm. Die höchste Differenz der Messergeb-
30
0,04
nisse des BHD zwischen traditioneller Methode
und tScan betrug 3,3 cm für Baum Nr. 130, die
kleinste lag bei 0,1 cm für Baum 166. Es zeigt sich
eine Tendenz zur Unterschätzung des BHD durch
tScan (80 % der Messergebnisse lagen unter den
mittels der traditionellen Methode gewonnenen
Ergebnissen). Die höchste Differenz der Höhenmessungen entstand zwischen den Programmen FARO und tScan und betrug -4,7 m (Nr. 19).
Der kleinste Wert von 0,1 m ergab sich für Baum
258. Die durchschnittliche Messdifferenz betrug
-1,02 m (Tab. 9).
Fläche
Brusthöhendurchmesser [cm]
Differenzen [cm]
ModellbaumNr.
referenz
19
20,0
19,0
19,3
20,2
44
17,3
16,1
16,4
58
30,1
30,6
29,7
130
27,9
26,4
166
22,0
193
3. 100f
Auto
CAD
FARO
tScan
ref. Auto
Cad
ref. FARO
ref. tScan
FARO tScan
1,0
0,7
-0,2
-0,9
14,6
1,2
0,9
2,7
1,8
27,6
-0,5
0,4
2,5
2,1
26,3
24,6
1,5
1,6
3,3
1,7
22,1
21,6
21,9
-0,1
0,4
0,1
-0,3
26,0
24,7
24,2
26,2
1,3
1,8
-0,2
-2,0
228
34,3
34,4
34,4
31,4
-0,1
-0,1
2,9
3,0
248
23,9
23,4
22,9
23,1
0,5
1,0
0,8
-0,2
249
24,1
24,6
24,0
22,6
-0,5
0,1
1,5
1,4
258
17,3
16,9
16,7
15,1
0,4
0,6
2,2
1,6
10
10
10
10
10
10
10
10
Menge
Pn
Arithm.
Mittel
X
24,29
23,82
23,55
22,73
0,47
0,74
1,56
0,82
Median
Me
24,00
24,00
23,45
22,85
0,45
0,65
1,85
1,50
unteres
Quartil
Q1
19,33
18,48
18,65
18,93
-0,20
0,32
0,03
-0,45
oberes
Quartil
Q3
28,45
27,45
27,15
26,55
1,23
1,15
2,75
1,88
Minimum
Min
17,30
16,10
16,40
14,60
-0,50
-0,10
-0,20
-2,00
Maximum
Max
34,30
34,40
34,40
31,40
1,50
1,80
3,30
3,00
Spannweite
R
17,00
18,30
18,00
16,80
2,00
1,90
3,50
5,00
StandardS
abweichung
5,21
5,48
5,33
4,96
0,71
0,58
1,28
1,49
30,16
33,31
31,56
27,33
0,57
0,37
1,81
2,48
21,4 %
23,0 %
22,6 %
21,8 %
–
–
–
–
0,10
0,11
0,11
0,10
0,01
0,01
0,03
0,03
Variation
S3
VQ [%]
Konfidenzintervall
P
[α=0,05]
Bessere Ergebnisse erreichte die Software tScan,
wo die durchschnittliche Messdifferenz im Vergleich zu den Referenzdaten -0,97 m und die
höchste Diskrepanz -4,5 m (Nr. 19) betrug. Die
Höhenmessungen mit tScan lagen bei 80 % der
Bäume höher als die Referenzdaten.
Abb. 14 bis Abb. 16 vergleichen die Messergebnisse für Brusthöhendurchmesser und Höhen in
Abhängigkeit von der angewandten Messmethode.
Die Modellbäume im Diagramm wurden ihrer
Höhe nach, wie sie mit der traditionellen Metho-
de gemessen wurde (beschrieben als „referen.”),
angeordnet. Für den letzten Baum (Nr. 409) wurde keine Referenzhöhe angegeben; dargestellt ist
ausschließlich der Vergleich der Höhen, die in den
Programmen AutoCAD, FARO und tScan gemessen wurden.
2.1.1.4 Diskussion
Die Messungen von BHD und Baumhöhen in FARO
und die auf dieser Grundlage errechneten Baummassen wurden mit den durch tScan gewonnenen Ergebnissen verglichen. Die durchschnittliche
31
Fläche
Höhe [m]
Differenzen [m]
ModellbaumNr.
referenz
19
10,7
10,6
10,6
15,2
0,1
0,1
-4,5
-4,7
44
12,0
12,0
11,9
13,8
0,0
0,1
-1,8
-1,9
58
14,7
14,6
14,6
12,1
0,2
0,1
2,6
2,5
130
12,0
11,9
12,0
13,9
0,0
0,0
-1,9
-1,9
166
10,3
10,2
10,2
12,5
0,0
0,1
-2,3
-2,4
193
13,0
13,0
13,1
13,7
0,1
0,0
-0,7
-0,6
228
13,8
13,8
13,8
14,0
-0,1
0,0
-0,2
-0,2
248
14,1
14,1
14,0
14,7
0,0
0,2
-0,6
-0,8
249
14,2
14,0
14,0
14,2
0,3
0,2
0,0
-0,2
258
14,5
14,5
14,6
14,7
0,0
-0,1
-0,3
-0,1
10
10
10
10
10
10
10
10
3. 100f
Auto
CAD
FARO
tScan
ref. Auto
Cad
ref. FARO
ref. tScan
FARO tScan
Menge
Pn
Arithm.
Mittel
X
12,93
12,87
12,87
13,89
0,06
0,06
-0,97
-1,02
Median
Me
13,40
13,40
13,43
13,95
0,04
0,09
-0,63
-0,69
unteres
Quartil
Q1
11,65
11,60
11,56
13,40
0,01
-0,04
-2,02
-2,02
oberes
Quartil
Q3
14,29
14,21
14,17
14,71
0,10
0,15
-0,18
-0,18
Minimum
Min
10,25
10,21
10,15
12,14
-0,06
-0,12
-4,50
-4,65
Maximum
Max
14,72
14,57
14,64
15,20
0,25
0,20
2,58
2,50
Spannweite
R
4,47
4,36
4,49
3,06
0,31
0,32
7,08
7,15
StandardS
abweichung
1,53
1,52
1,55
0,91
0,08
0,10
1,75
1,77
Variation
S3
2,60
2,56
2,67
0,92
0,01
0,01
3,40
3,47
VQ [%]
11,8 %
11,8 %
12,0 %
6,6 %
–
–
–
–
Konfidenzintervall
P
[α=0,05]
0,03
0,03
0,03
0,02
0,00
0,00
0,03
0,04
Abb. 14: Vergleich der
BHD-Messungen der
Modellbäume mit verschiedenen Methoden
32
Höhenmessungen der
Modellbäume mit verschiedenen Methoden
Abb. 16: Vergleich
der Höhenkurven für
die Modellbäume
Differenz der BHD-Messungen zwischen der traditionellen Methode und FARO betrug 0,7 cm. Die
Vergleiche zwischen traditioneller Methode und
tScan bzw. zwischen FARO und tScan zeigte höhere Differenzen von im Mittel jeweils 1,6 cm. Die
Ergebnisse der Höhenmessungen in FARO und
tScan unterschieden sich voneinander nur geringfügig; die Durchschnittsdifferenz betrug 0,10
m. Die Höhenmessungen durch FARO lagen bei
73,33 % der Bäume höher als die mittels tScan
gewonnenen Ergebnisse.
Ein Direktvergleich der Ergebnisse mit denen anderer Autoren ist kaum möglich. Dies folgt nicht
nur aus Unterschieden in den angewandten Methoden oder in der Struktur der untersuchten Bestände, sondern vor allem auch aus der Art der
angewandten Geräte. Außerdem gibt es noch
immer nur wenige Publikationen über die Anwendung terrestrischen Laserscannings in der Forstwirtschaft. Tab. 10 enthält Vergleiche der Ergebnisse zu relevanten Publikationen.
So wie im Fall des BHD wurden bei den Höhenmessungen sowohl positive als auch negative
Differenzen zwischen den Messergebnissen der
traditionellen Methode und des Scanners FARO
LS 880 erreicht.
Es ist darauf hinzuweisen, dass die zur Evaluierung heranziehbaren Studien bzw. Messungen
von Brusthöhendurchmessern und Höhen mittels verschiedener Scanner durchgeführt wurden:
ILRIS-3D (HOPKINSON et al. 2004), Riegl LMS
Z210 (HENNING und RADTKE 2003), Riegl LMS
Z420i (BIENERT et al. 2006a) und Z&F Imager
5003 (THIES und SPIECKER 2004). In den übrigen Fällen wurden die Aufnahmen mittels FARO
LS 880 durchgeführt. Nur CHIRREK et al. (2007)
sowie teilweise HOPKINSON et al. (2004) führten
ihre Untersuchungen in Kiefern-Beständen durch.
Andere Erhebungen konzentrierten sich auf Testgebiete in Mischbeständen mit unterschiedlicher
Baumartenstruktur. In der Regel wurde bei jeder
Studie eine andere Methodik angewandt. Die Unterschiede betrafen vor allem die Form von Testgebieten und die Art des Scans (d. h. Anzahl der
Scanbilder aus einem Testgebiet). Überdies ist zu
betonen, dass nur manche Autoren die Algorithmen, die die halb- bzw. vollautomatischen Messungen ermöglichen, anwandten.
33
Tab. 10: Beispiele der Unterschiede in biometrischen Eigenschaften aus Messungen mittels der
traditionellen Methoden und Messungen in der Punktwolke aus dem terrestrischen Laserscanning
Quelle
angewandter
Scanner
Zahl der
Bäume
durchschnittliche
Messdifferenzen
d1,3 [cm]
h [m]
121/132
1
-1,5
HOPKINSON et al. (2004]
ILRIS-3D
BIENERT et al. (2006a]
Riegl LMS Z420i
32
0,9
0,85
CHIRREK et al. (2007]
FARO LS 880
15
-1,5
0,3
ZAWIŁA-NIEDŹWIECKI et al. (2007)
FARO LS 880
74
-2,40
-2,70
PROCYK (2008)
FARO LS 880
174
0,4
-0,07
Projekt ForseenPOMERANIA
FARO LS 880
30
0,7
0,8
Der Vergleich der Messungen durch TLS mit den
Referenzdaten belegt zwar Differenzen, die in den
meisten Fällen jedoch nur geringfügig sind – sowohl im Fall der Messungen von BHD und Höhen
als auch bei den errechneten Baummassen sowie
vor allem in Bezug auf die Durchschnittswerte der
Messungen.
Zu beachten ist, dass sich diese Differenzen sowohl aus Fehlern oder Ungenauigkeiten bei den
Messungen selbst als auch aus der Ungenauigkeit der Referenzmessungen ergeben können.
Beide Methoden können außerdem mit subjektiven Fehlern behaftet sein. Statistische Auswertungen bestätigen, dass es keine signifikanten
Differenzen zwischen den mittels des Scanners
erlangten Ergebnissen und den traditionellen
Messungen gibt. Daraus kann man schlussfolgern, dass die ständigen Verbesserungen der
TLS-Methode immer effektiver und die gewonnenen Informationen über Einzelbäume und ganze
Baumbestände genauer, verlässlicher und glaubwürdiger werden.
Zusammenfassung und
Schlussfolgerungen
Unter den Programmen, die für die Auswertung
der biometrischen Eigenschaften der Bäume angewandt wurden, weist die Software tScan eindeutig das höchste Potential auf. Aus den in der
Bearbeitung dargestellten Ergebnissen ergeben
34
sich folgende Schlussfolgerungen:
• tScan ermöglicht eine völlig automatische
Messung der wichtigsten Dimensionsparameter der Bäume (u. a. des Brusthöhendurchmessers und der Höhe)
• Mit tScan lässt sich die genaue Höhe bestimmen – der durchschnittliche Messfehler
betrug nur 0,8 m
• Die höchste Fehlerquote wurde bei den
BHD-Messungen zwischen der traditionellen
Methode und FARO Scene festgestellt (Differenz = 1,5 cm)
• tScan-Ergebnisse für den BHD liegen tendenziell unter den traditionellen Messungen
(90,0 % der Bäume) wie auch unter den
Messungen mittels FARO Scene (86,7 %)
Die Software tScan ist jedoch nicht fehlerlos. Zurzeit besteht ihr größter Nachteil in der Notwendigkeit, die Daten speziell vorzubereiten, da das
Programm die originalen, vom Scanner erzeugten
Dateien nicht einliest. Da die Dateien im Format
*.txt vorbereitet sein müssen, entstehen beim
Export aus den ursprünglichen vom Scanner erzeugten Daten sehr große Dateien. Dies erfordert
wiederum eine sehr hohe Rechenleistung seitens
der genutzten Hardware.
In dem Programm ist außerdem keine detaillierte
Kronenauswertung und vor allem keine Analyse
des Assmilationsapparates möglich (z. B. Berechnen des Leaf-area index LAI oder der Überschirmungsdichte).
Auf der anderen Seite hat die Software tScan
jedoch mehrere Vorteile, wie die Möglichkeit der
automatischen Sortiments-Klassifizierung der
Stämme von analysierten Bäumen. Diese einzigartigen Möglichkeiten bietet zurzeit nur noch die
Software AutoStem der irischen Firma Treemetrics.
2.1.2Flugzeuggetragenes Laserscanning für die Oberförsterei
Drawno
Radomir Bałazy, Krzysztof Gajko,
Wojciech Gdaniec, Kamil Kondracki,
Jacek Ksepko, Marek Ksepko,
Krzysztof Stereńczak
2.1.2.1Laserscanbefliegung und Gewinnung
weiterer Fernerkundungsdaten
Gegenstand
Am 20.06.2011 veröffentlichte die Oberförsterei
Drawno die Ausschreibung zur „Ausführung eines Laserscannings und Auswertung der Daten
für die Oberförsterei Drawno“. Gegenstand des
Auftrags war die Durchführung nachfolgender
Dienstleitungen:
(1) Durchführung einer Laserscanbefliegung
(Abb. 17) einschließlich Registrierung der
RGB- und Wärmefotos des Geländes im
Bereich der Oberförsterei Drawno und auf
dieser Grundlage Anfertigung eines digitalen
Oberflächenmodells (DOM/NMPT) sowie
eines digitalen Geländemodells
(DGM/NMT).
Technische Anforderungen:
• Auflösung 16 Pkt./m² für fünf rechteckige
Geländeteile von je 10 ha Fläche,
• Auflösung 4 Pkt/m² für das übrige Gelände,
• Transversale Bedeckung 60 %,
• Datenformat der Laserbefliegungsdaten:
LAS,
• Format der Geländemodelle GRID mit einer
Auflösung von 5 m.
Atmosphärische Bedingungen bei der Durchführung des Laserscanning:
• Windstilles Wetter.
Abb. 17: Veranschaulichung des Fragments
einer Punktwolke des Laserscannings
(Punktwolke eingefärbt nach Höhenlage der
Punkte im Raum); Bearbeitung: K. Kondracki,
Datenquelle: Archiv der Oberförsterei Drawno
(2)Erstellung einer Ortho-Fotokarte auf der
Grundlage der digitalen Flugfotos RGB und
CIR für das Gelände innerhalb der Verwaltungsgrenzen der Oberförsterei Drawno.
(3)Erstellen von Wärmebildern für das Gelände innerhalb der Verwaltungsgrenzen der
Oberförsterei Drawno.
(4) Lieferung von orthorektifizierten Satellitenbildern für das Gelände innerhalb der Verwaltungsgrenzen der Oberförsterei Drawno.
(5)Durchführung eines mobilen Laserscannings
der Umgebung der Straßen mit der Gesamtlänge 30 km mit gleichzeitiger Registrierung
der Digitalfotos im System MMS.
(6)Katalogisierung, Beschreibung und Lieferung
der Fernerkundungsdaten und sonstigen
Datengrundlagen auf gesicherten Magnetträgern.
• Gesamtkapazität der Festplatten 24 TB,
• Zugriffszeit je Festplatte nicht mehr als
8,5 ms,
• Datensicherung nach dem Standard RAID 6,
• Nominale Geschwindigkeit des Interface mit
dem Server nicht niedriger als 8 GB/s,
• Stabile Verkleidung, die den Einbau in den
Schrank RACK 19“ ermöglicht und eine wiederholte Einspeisung sichert,
35
•
usstattung mit einem Cache-Speicher von
A
mindestens 2 GB, mit Erweiterungsmöglichkeit auf 4 GB.
Im Hinblick auf günstigste Witterungsbedingungen bei der Durchführung der Laserscanbefliegungen und der Gewinnung einer Reihe weiterer
Daten für die Realisierung des Auftrags wurden
die Flüge in der zweiten Augusthälfte und zu Beginn des Monats September 2011 durchgeführt.
Daran schloss sich die Durchführung des Laserscannings der Umgebung der Straßen mit einer Gesamtlänge von 30 km mit gleichzeitiger Registrierung der Digitalfotos im System MMS an.
Bewertung der gelieferten Daten
Entsprechend der Auftragsbedingungen sollten
die Daten aus der Laserscanbefliegung folgenden technischen Anforderungen genügen (siehe
oben):
• Auflösung 16 Pkt./m² für fünf rechteckige
Geländeflächen von je 10 ha sowie 4 Pkt./m²
für das übrige Gelände, transversale Bedeckung 60 %,
• LAS-Format für die Daten der Befliegung und
GRID-Format für die Geländemodelle mit der
Auflösung 5 m.
Die Punktangaben enthielten Informationen von
maximal 5 Reflexionen des ausgesandten Impulses sowie die Zugehörigkeit zur Bodenklasse
(2), niedrigste Punkte (7) und andere (1). Die Daten wurden im Standard Las 1.2 geliefert.
} Laserscandaten mit der Auflösung
von 4 Pkt./m2
Zur Verifizierung der Qualität der erhaltenen Daten wurde eine Überprüfung der Bedeckung für
fünf ausgewählte Flächenkomplexe durchgeführt.
1 Datei Nummer N-33-104-A-a-4-2
5291969, 24 m² = 529,2 ha
Fläche voll bewaldet;
2 Datei Nummer N-33-104-A-d-2-2
5278994,22 m² = 527,9 ha
Fläche nur zu einem geringen Teil bewaldet;
3 Datei Nummer N-33-104-A-d-3-3 5299578,90 m² = 529,9 ha
Fläche fast vollständig bewaldet;
4 Datei Nummer N-33-104-B-d-2-3
5208816,16 m² = 520,9 ha
Fläche fast vollständig bewaldet mit einem
bedeutenden Anteil von Gewässern;
5 Datei Nummer N-33-104-D-a-1-13
5284639,45 m² = 528,5 ha
Fläche fast vollständig bewaldet.
Wegen des Umfangs der Daten wurden Teile ausgewählt, die gleichmäßig über das gesamte Gelände der Oberförsterei Drawno verteilt sind. In
der Summe nehmen sie eine Gesamtfläche von
etwa 2.600 ha ein.
} Dichteanalyse der Laserscandaten
Die folgende Tab. 11 stellt die Dichte der Punktwolke der Laserscandaten dar, unterteilt nach den
oben genannten Flächenkomplexen.
Die registrierte Punktwolke hatte eine höhere
Dichte als angenommen (4 Pkt./m2), im Mittel betrug sie 9,91 Pkt./m2.
Tab. 11: Ergebnisse für die Analysen der Dichte der Punktwolke. Die Zeilen beziehen sich auf die
oben genannten Flächenkomplexe.
Fläche
Gesamtdaten
Punkte, die als „Boden“
klassifiziert wurden
Punkte, für die der Wert der
Kategorie „Nr. der Reflektion“ = 1*
1
13,23 p/m2
1,44 p/m2
11,86 p/m2
2
11,22 p/m2
2,01 p/m2
10,45 p/m2
3
12,45 p/m2
0,86 p/m2
9,27 p/m2
4
11,83 p/m2
1,17 p/m2
8,44 p/m2
5
12,41 p/m2
1,31 p/m2
9,53 p/m2
* Anzahl der Laserimpulse, die zum Empfänger zurückgekehrt sind, für die wenigstens eine effektive Reflexion erhalten wurde; p = Punkte.
36
} Analyse der Abdeckung der Oberfläche durch
die Punktwolke
Die Gleichmäßigkeit der Abdeckung der Daten
wurde am Beispiel des Flächenkomplexes Nr. 1
überprüft (Abb. 18 und Abb. 19). Dazu wurden
Punkte ausgewählt, für die in der Spalte „Nr. der
Reflektion“ der Wert 1 stand. Die Analyse wurde
durchgeführt mit der Anwendung eines Rasters
von 25 m2 Fläche. In der untenstehenden Zeichnung ist deutlich der Einfluss der Wasserbecken
zu erkennen, die den Laserstrahl absorbieren, so
dass jede Art Rückinformation fehlt. Sie erscheint
in Form eines schwarzen Polygons im östlichen
Teil des analysierten Gebietes (Abb. 18). Abb. 19
stellt eine deutliche räumliche Variabilität der registrierten Punktwolke dar.
Die Bedeckung mit Daten des Laser-Flugscannings auf dem überwiegenden Teil der Fläche war
um vieles größer als geplant (Tab. 11 und Abb.
20). Daher kann festgestellt werden, dass das
gesteckte Ziel bezüglich der Dichte und Gleichmäßigkeit der Bedeckung mit Daten aus der Laserscanbefliegung mit einem Wert von 4 Pkt./m2
erreicht wurde. Zusätzlich bestätigte die visuelle
Beobachtung weiterer Beispielgebiete dieses Ergebnis.
Abb. 19: Räumliche Variabilität der Bedeckung
der Fläche N-33-104-D-a-1-1 mit Punkten.
Die weißen Pixel bedeuten das Fehlen von
Reflexionspunkten.
Bearbeitung der Abbildung: K. Stereńczak
Tab. 12: Prozentualer Anteil von Pixeln im Raster mit der Auflösung von 1 m bei unterschiedlicher Bedeckung durch die Punktwolke
Abb. 18: Räumliche Bedeckung der Fläche
N-33-104-D-a-1-1 mit Punkten. Die weißen
Pixel bedeuten das Fehlen von Reflektionspunkten.
Anzahl Punkte auf
1 m²
Anteil an der Fläche
[%]
1 bis 4
0,56
mehr als 4
99,44
37
klassifizierte Punkte zugelassen, wobei unter
den fehlerhaft klassifizierten Punkten sich
Punkte befinden können, deren Abstand vom
Boden nicht mehr als 0,50 m beträgt (z. B.
zur Klasse „niedrige Vegetation“ gehörig).
• Für die verbleibenden Klassen werden nicht
mehr als 5 % fehlerhaft klassifizierte Punkte
zugelassen, wobei nicht klassifizierte Punkte
darin eingeschlossen sind.
Abb. 20: Verteilung der Zahl der Punkte innerhalb der Pixel von 25 m2 Größe,
} Laserscandaten mit der Auflösung
von 16 Pkt./m2
Ähnliche Analysen der Dichte der Punktwolke sowie der Bedeckung der Fläche durch die Punktwolke wurden für fünf Rechteckflächen zu je 10
Hektar mit der Auflösung 16 Pkt./m2 durchgeführt. Die registrierte Punktwolke besaß bei einem
Mittelwert von 52,26 Pkt./m2 eine höhere Punktdichte als angenommen (16 Pkt./m2). Die Bedeckung mit Daten aus der Laserscanbefliegung auf
dem überwiegenden Teil der Fläche war höher als
angenommen. Auch in diesem Fall wurde also
das zu Grunde gelegte Ziel bezüglich der Dichte und Gleichmäßigkeit der Bedeckung mit Daten
erreicht.
2.1.2.2Bearbeitung der Daten aus der Laserscanbefliegung für die Oberförsterei
Drawno
Gegenstand
Um die LIDAR-Punktwolke aus der Laserscanbefliegung zu bearbeiten, hat die Oberförsterei eine
Ausschreibung veröffentlicht, deren Gegenstand
die Ausführung folgender Dienstleistungen war:
(1) Durchführung der Klassifizierung einer georeferenzierten Punktwolke LIDAR im Format
LAS für das Gelände innerhalb der Verwaltungsgrenzen der Oberförsterei Drawno.
• Für die Klasse „auf dem Boden liegende
Punkte” sind nicht mehr als 1 % fehlerhaft
38
(2)Bestimmung der maximalen Höhe, der
Oberhöhe, der mittleren Höhe und der
Höhensumme für die Waldflächen der
Oberförsterei Drawno auf der Grundlage
der Daten aus der Laserscanbefliegung,
(3)Bestimmung der Bestandesdichte des
Baumbestandes (Bestockungsgrad),
(4)Ableitung eines Schätzwertes für die Nutzholzmasse des Baumbestandes in Anlehnung an die Höhen und Bestockungsdichten
(Vorratsvolumen),
(5)Bestimmung des Grades der Abdeckung
durch die Kronen der höchsten Schicht des
Baumbestandes (Überkronungs-/Überschirmungsgrad).
Die Bestimmung der oben angegebenen
Parameter sollte entsprechend für die ausgewählten Bestände sowie für die Rasterpixel
der Auflösung 5, 10 und 20 Meter durchgeführt werden.
(6)Durchführung einer Analyse der Holzmengenflüsse für das kommende Jahrzehnt für
die Waldflächen der Oberförsterei Drawno
auf der Grundlage der Daten aus der Laserscanbefliegung sowie aus Inventurergebnissen zum Baumbestand. Ein Ergebnis der Analyse sollte die Lage der Straßen mit den damit
verbundenen Holzmassen sein, deren Gewinnung im laufenden Jahrzehnt geplant ist.
(7)Auf der Grundlage eines aus den LIDAR-Daten generierten digitalen Geländemodells
sollten die Wassereinzugsgebiete auf dem
Gebiet der Oberförsterei Drawno abgegrenzt
werden. Das Ergebnis dieser Analyse sollte
eine Zuordnung aller Flächen innerhalb der
Grenzen der Oberförsterei sein. Zusätzlich
sollten thematische Karten mit der durchgeführten Analyse geliefert werden, die zur
Präsentation und zur Edition im Programm
ArcGIS Desktop zur Verfügung stehen.
Das Ergebnis der Ausarbeitung war in folgender
Form zu übermitteln.
• eine mobile Festplatte im Format 2,5 Zoll
• Datenformate: für Textdaten – ein Format,
das die Bearbeitung im Programm MS Word
erlaubt, für Datenbanke – ein Format, das
die Bearbeitung im Programm MS Access
erlaubt, für LIDAR-Daten – Format LAS, für
Geodaten – ein Format, das die Bearbeitung
im Programm ArcGIS erlaubt.
Zum Zweck der Bearbeitung der Daten stellte der
Auftraggeber dem Ausführenden die Daten aus
der Laserbefliegung im Format LAS mit der minimalen Auflösung 4 Pkt./m2, die aktuellen Bestandesinformationen sowie die Lage der Waldwege
des Geoinformationssystems der Oberförsterei
im Format SHP zu Verfügung.
Klassifikation der LIDAR-Punktwolke
Die Klassifizierung der Punktwolke wurde in drei
Etappen durchgeführt: automatisch, halbautomatisch und manuell. Die Punktwolke wurde zunächst automatisch klassifiziert auf der Grundlage
interner Programmierungsalgorithmen der Firma
Terrasolid sowie experimentell ausgewählter Parameter. Ergänzend, in Abhängigkeit von den Erfordernissen (visuelle Bewertung der Ergebnisse),
wurden eine manuelle sowie eine halbautomatische Klassifizierung angewendet (MYSZKOWSKI,
KSEPKO 2010).
Die Klassifizierung der LIDAR-Daten im Format
LAS geschah wie folgt:
a) verarbeitete, aber nicht klassifizierte Punkte,
b) Punkte, die „am Boden liegen“,
c)niedrige Vegetation,
d. h. im Bereich 0–0,5 m,
d) mittlere Vegetation im Bereich 0,5–1,3 m,
e) mittlere Vegetation im Bereich 1,3–4,0 m,
f) hohe Vegetation über 4,0 m,
g)Punkte, die Straßen, Gebäude und Bauten
sowie Ingenieurobjekte, d. h Brücken, Überführungen, Wehre, andere Konstruktionen
repräsentieren,
h)Rauschen (irrtümliche Punkte: unterhalb des
theoretischen Bodenniveaus oder oberhalb
der Geländeoberfläche befindlich).
} Bewertung der Klassifizierung der
LIDAR-Punktwolke
Die klassifizierten LIDAR-Daten wurden Analysen
zur Korrektheit der Klassifizierung unterzogen.
Die Bewertung wurde durchgeführt durch eine
Analyse von Histogrammbündeln der Verteilung
der Zahl der Punkte der Punktwolke in den einzelnen Klassen, und anschließend wurde jede
Klasse einer zusätzlichen visuellen Bewertung
unterzogen.
Wegen der großen Zahl von Daten sowie des Arbeitsaufwandes für die Kontrollanalysen wurden
fünf ausgewählte Ausschnitte aus dem gesamten
Datenbereich der Bewertung unterzogen:
1.N-33-104-A-c-2-2-3.las,
2.N-33-104-A-d-2-2-1.las,
3.N-33-104-B-c-3-2-4.las,
4.N-33-104-C-b-2-3-1.las,
5.N-33-104-D-a-1-1-2.las.
Die einleitende Bewertung bestand aus einer
Analyse statistischer Kennwerte (generiert mit
Hilfe des Programms FUSION, Version 3.10,
MCGAUGHEY 2012) zur Verteilung der Punkte
in den einzelnen Klassen (Tab. 13 bis Tab. 14).
Zusätzlich wurden Informationen über die räumliche Lage der Daten (Minimum und Maximum X
bzw. Y), den Höhenbereich der Punkte (Minimum,
Maximum Z), die mittlere Punktdichte sowie die
Gesamtzahl der Punkte ausgewertet.
Die tabellarischen Daten zur Verteilung der Anzahl
der Punkte in den einzelnen Klassen sind in den
folgenden Diagrammen grafisch dargestellt (Abb.
21 bis Abb. 25).
Auf der Grundlage der Tabellen sowie einer Analyse der Diagramme (Abb. 21 bis Abb. 25) lässt sich
feststellen, dass die größte Anzahl von Punkten
auf die Klassen 2, 3 und 6 entfällt, also die auf
39
Tab. 13: Statistische Kennwerte der Punktwolke für die ausgewählten Datenbereiche
Parameter
1.
2.
3.
4.
5.
Minimum X
272723,73
281114,71
286065,22
278494,14
283821,48
Minimum Y
601358,79
602128,34
596103,31
590644,9
592722,92
Minimum Z
76,54
96,43
81,07
80,25
80,99
Maximum X
273820,79
282209,5
287159,95
279591,95
284917,49
Maximum Y
602566,23
603333,85
597307,57
591850,91
593927,75
Maximum Z
166,93
149,92
151,12
139,79
167,63
Dichte der Punktwolke
[Punkte/m2]
10,3
10,75
10,99
9,8096
11,9
Gesamtzahl der Punkte
13.641.669
14.184.282
14.491.479
12.987.642
15.710.202
Tab. 14: Verteilung der Zahl der Punkte auf die einzelnen Klassen für die ausgewählten
Datenbereiche
Anzahl
Klasse
1.
2.
3.
4.
5.
umgewandelte, nicht
klassifizierte Punkte
1.639
2.371
3.719
3.719
1.888
nicht klassifiziert
1.553
0
487
487
148
11.432.347
11.871.895
11.882.163
11.882.163
5.373.623
niedrige Vegetation
(Bereich 0-0,5 m)
644.993
1.270.005
924.903
924.903
1.586.741
mittlere Vegetation
(Bereich 0,5-1,3 m)
52.788
99.202
25.351
25.351
166.828
mittlere Vegetation
(Bereich 1,3-4,0 m)
145.724
178.339
24.623
24.623
326.692
hohe Vegetation
(Bereich über 4,0 m)
1.362.587
756.455
124.052
124.052
8.254.191
Gebäude
0
5.925
1.711
1.711
0
Rauschen
38
90
633
633
91
Boden
Abb. 21: Prozentuale
Verteilung der Anzahl der
Punkte in den einzelnen
Klassen für den Bereich
N-33-104-A-c-2-2-3.las,
Bearbeitung:
K. Kondracki, auf
der Grundlage von
MGGP Aero 2011
40
N-33-104-A-d-2-2-1.las,
Bearbeitung:
K. Kondracki, auf
der Grundlage von
MGGP Aero 2011
N-33-104-B-c-3-2-4.las,
Bearbeitung:
K. Kondracki, auf
der Grundlage von
MGGP Aero 2011
N-33-104-C-b-2-3-1.las,
Bearbeitung:
K. Kondracki, auf
der Grundlage von
MGGP Aero 2011
N-33-104-D-a-1-1-2.las,
Bearbeitung:
K. Kondracki, auf
der Grundlage von
MGGP Aero 2011
41
Abb. 26: Datenbereich N-33-104-C-b-2-3-1.las
– Bedeckung der Fläche mit der Klasse 6
(hohe Vegetation im Bereich über 4 m),
Bearbeitung: K. Kondracki auf Grundlage von
MGGP Aero 2011
dem Boden liegenden Punkte, die niedrige Vegetation (im Bereich 0-0,5 m) sowie die hohe Vegetation (im Bereich über 4 m).
Die Anzahl der Punkte ist für jeden Bereich in der
gegebenen Klasse u. a. von der Spezifik des gescannten Geländes abhängig (Bodenform / Relief,
Bedeckung des Bodens und ähnliches) und damit variabel (MYSZKOWSKI et al. 2010). Beispiele
zeigen Abb. 26 und Abb. 27.
Die statistischen Informationen über die Verteilung der Anzahl der Punkte in den einzelnen
Klassen für jeden der analysierten Bereiche wurden für die manuelle Bewertung der Klassifikation genutzt. Die Bewertung beruhte auf der Filterung der einzelnen Klassen für jeden Bereich
in individuelle Dateien im Format „*.las“. Auf der
Grundlage der visuellen Bewertung wurde für
jeden Bereich die Korrektheit der Klassifikation
der Punkte nach den entsprechenden Klassen
überprüft (als Referenzmaterial dienten ebenfalls
die zugänglichen photogrammetrischen Materialien).
Abb. 28 stellt die Visualisierung der Punktwolke
auf der Grundlage ihrer Klassifikation dar – es ist
eine deutliche Abgrenzung zwischen den zu den
entsprechenden Klassen klassifizierten Punkten
zu erkennen.
42
Abb. 27: Datenbereich N-33-104-D-a-1-1-2.las
– Bedeckung der Fläche mit der Klasse 6
(hohe Vegetation im Bereich über 4 m),
Bearbeitung: K. Kondracki auf Grundlage von
MGGP Aero 2011
Abb. 28: Visualisierung einer Punktwolke auf
der Grundlage der Klassifizierung der LAS-Daten, Bearbeitung: K. Kondracki auf Grundlage
von MGGP Aero 2011
Eine indirekte Kontrolle der Qualität der vorgenommenen Klassifizierung wurde über die Verarbeitung der Punktwolke zum DGM (digitales Geländemodell), DOM (digitales Oberflächenmodell)
sowie nDOM (normalisiertes DOM) zwecks Gewinnung von Parametern, die im folgenden Punkt
genannt werden, durchgeführt.
Bestimmung ausgewählter Parameter
des Baumbestandes
Für die Waldgebiete der Oberförsterei Drawno
wurden auf Grundlage der Daten aus der Laserscanbefliegung folgende Werte bestimmt:
•
•
•
•
•
•
•
Maximalhöhe,
Oberhöhe,
Mittelhöhe,
Höhensumme,
Bestandesdichte (Bestockungsgrad),
Vorratsvolumen (Nutzholz),
Überkronungs- bzw. Überschirmungsgrad.
Die Ableitung der genannten Parameter wurde
auf der Grundlage der Analyse einzelner Bäume
durchgeführt, die den ausgewählten Beispielbeständen sowie zu den Pixeln der Raster mit der
Auflösung 5, 10 und 20 m gehörten. Die Lokalisierung der Baumgipfel und die Kronengrößen
wurden automatisch bestimmt mit Hilfe des Programmpaketes TIFFS (Toolbox for Lidar Data Filtering and Forest Studies) der Firma Globalidar.
Mit diesen Ausgangsdaten wurden die Punktwolken zu Rastermodellen konvertiert (DGM, DOM,
nDOM).
Endnutzungsschlägen überprüft wurde. Dabei
wurden die Zuordnung der Holzmengen zum
nächstgelegenen Abfuhrweg sowie die Errechnung der summarischen Mengen auf den Wegen
selbst überprüft. Eine Abweichung von der Zuordnung der Holzmengen, die ausschließlich von
der Hangneigung verursacht war, sollte im Falle
der Oberförsterei Drawno in den Analysen berücksichtigt werden. Nach Auswertung der Untersuchungen wurde festgestellt, dass die Analyse
der Holzmengenflüsse richtig durchgeführt wurde
(Abb. 30).
Abb. 30: Übersichtskarte der Ergebnisse der
Analysen der Holzmengenflüsse, dargestellt
sind Abteilungen mit dem zugeordneten
Holzvolumen im Rahmen von Hiebsmaßnahmen, Bearbeitung: R. Bałazy auf Grundlage
von MGGP Aero 2011
Abb. 29: Ein ausgewählter Beispielbestand mit
Tabelle der Attribute (maximale Höhe, Oberhöhe usw.), Bearbeitung: K. Kondracki auf
Grundlage von MGGP Aero 2011
Analyse der Holzmengenflüsse
Die Analyse des Anfalls von Holzmengen für das
nächste Jahrzehnt wurde auf der Grundlage der
Daten aus der Laserscanbefliegung für die Waldgebiete der Oberförsterei Drawno sowie aus Inventurergebnissen zum Baumbestand erstellt.
Um die Korrektheit der diesbezüglichen Analysen zu prüfen, wurden per Los zehn Abteilungen
ausgewählt, wobei die Richtigkeit der Zuordnung
der Erntevolumina in den Durchforstungs- und
Abb. 31: Ergebnisse der Analysen der Holzmengenflüsse, dargestellt sind Puffer (500 m)
entlang der Abfuhrwege, Bearbeitung:
R. Bałazy auf Grundlage von MGGP Aero 2011
43
Abb. 32: Ergebnisse der Analysen der Holzmengenflüsse, dargestellt sind Puffer (500 m)
entlang der Abfuhrwege, vergrößerter Ausschnitt mit Abteilungsgrenzen, Bearbeitung:
R. Bałazy auf Grundlage von MGGP Aero 2011
Analyse der Wassereinzugsgebiete auf
dem Gelände der Oberförsterei Drawno
Die Auftragsbedingungen zeigen, dass die Analysen zu Einzugsgebieten auf der Grundlage eines
aus den LIDAR-Daten generierten DGM erfolgen
sollten. Ergebnis der Analyse sollte eine Klassifizierung des Geländes der Oberförsterei nach
Wassereinzugsgebieten sein, die im Rahmen der
Grenzen der Oberförsterei vorhanden sind. Es
muss aber festgestellt werden, dass unter hydrologischen Gesichtspunkten eine solche Analyse
innerhalb der vollen Grenzen der elementaren
Abb. 33: Ausschnitt eines
Wassereinzugsgebietes in
der Oberförsterei Drawno
auf dem Hintergrund einer
Orthofotokarte mit
Abteilungsgrenzen,
Bearbeitung:
K. Kondracki auf
Grundlage von MGGP
Aero 2011
44
Haupt-Einzugsgebiete (KSEPKO, ISZKUŁO 2008)
durchgeführt werden sollte. Wegen der fehlenden
Kongruenz zwischen den Grenzen der Oberförsterei (als verwaltungswirtschaftliche Gliederung)
und der natürlichen Gliederung des Naturraumes
(Grenzen der Einzugsgebiete) wurde vorgeschlagen, dass das endgültige Produkt des Auftrags
eine Darstellung der Lage der Haupt-Einzugsgebiete sein sollte, die mit der Karte der hydrologischen Gliederung Polens übereinstimmt
(Grundlage: topographische Karten im Maßstab
1:50.000, IMGW), spezifiziert im Bereich der aus
der Laserscanbefliegung gewonnenen Modelle
(Abb. 33).
Es gibt viele Verfahren zur Definition der Grenzen
der Haupt-Einzugsgebiete, die Mehrzahl von ihnen beruht auf der Analyse topographischer Daten (Höhenangaben). Unter Berücksichtigung der
aus den LIDAR-Daten gewonnenen Geländemodelle bei hydrologischen (hydrographischen) Berechnungen unter Beachtung ihrer großen geometrischen Genauigkeit und präzisen Darstellung
des Geländereliefs (GAJKO et al. 2009) sind die
anthropogenen Veränderungen in der natürlichen
Umwelt zu berücksichtigen, insbesondere in Bezug auf die Formung der Oberfläche. In hydrographischen Analysen sind nämlich alle Verlagerungen von Wasserläufen von Bedeutung, auch
unterirdische. Das hat besonders große Bedeutung in Niederungen, wo die Einzugsgebiete oft
einen unsichtbaren Verlauf haben. Da die Daten
aus dem Laserscanning diese Information nicht
wirklich ergänzen, können sie in Niederungsgebieten lediglich zur endgültigen Präzisierung lokaler Grenzen und insbesondere zur zusätzlichen
Berücksichtigung des Verlaufs der topographischen Siedlungsgrenzen dienen.
Auf der Grundlage der genannten Prämissen und
unter Nutzung der vektoriellen Form der Karte
der hydrologischen Gliederung Polens sowie einer Reihe kartografischer Daten, darunter der
hauptsächlich durch Laserscanning gewonnenen,
wurde der theoretische Verlauf der Grenzen der
Haupt-Einzugsgebiete mit einer der räumlichen
Auflösung der Geländemodelle und der Geländebedeckung, unter Anwendung des Gaußschen
Algorithmus, entsprechenden Genauigkeit präzisiert. Oben wurde das Beispiel des Verlaufs der
Grenzen der Einzugsgebiete auf Waldgelände,
Nichtwaldgelände und in der Nachbarschaft größerer Wasserspeicher (unmittelbare Einzugsgebiete) dargestellt. Auf der Grundlage einer visuellen Bewertung des vektoriellen Layers auf dem
Hintergrund der Orthofotokarte kann man annehmen, dass der Verlauf der auf Grundlage der aus
der Punktwolke gewonnenen Modelle präzisierten Grenzen die Variabilität der lokalen Bedingungen des Wasserkreislaufs in der Landschaft, besonders der an der Oberfläche, um vieles genauer
wiedergibt (KSEPKO 2006).
2.1.2.3Zusammenfassung
In Auswertung der beschriebenen Daten, Methoden und Ergebnisse lässt sich feststellen, dass die
gewonnenen Daten eine hohe Qualität aufweisen.
Davon zeugt zum Beispiel die Dichte der registrierten Punktwolke aus der Laserscanbefliegung
– im Mittel 9,91 Pkt./m2 bei einer angenommenen
Dichte von 4 Pkt./m2). In Verbindung mit den aus
anderen Quellen stammenden Geo- und Naturaldaten ist nun die Durchführung verschiedenartiger räumlicher Analysen möglich, deren Ergebnisse die Planung und Leitung der Waldwirtschaft
auf dem Niveau einer Oberförsterei unterstützen
können.
Die Daten können ebenfalls als hochklassiges
Forschungsmaterial für Fernerkundungsverfahren zur Bestimmung von Taxationsparametern
von Baumbeständen Anwendung finden und
stellen die Grundlage für das Fernmonitoring von
Waldökosystemen dar.
2.1.3Gewinnung forstlicher Informationen durch flugzeuggetragenes
Laserscanning
Michael Körner
2.1.3.1Einleitung
Die Messung von flächenweisen Bestandeskenngrößen stellt eines der aufwändigsten Verfahren
der Waldinventur dar. Aufgrund geringer personeller Kapazitäten nutzt man aus diesem Grund
in verschiedenen Bundesländern Stichprobenverfahren, die Bestandeswerte an zuvor festgelegten
Inventurpunkten ermitteln. Mithilfe dieser Daten
lassen sich Informationen auf der Basis administrativer Einheiten generieren. Die Übertragung dieser eher großflächigen Angaben auf den einzelnen Waldbestand ist in diesem Zusammenhang
jedoch als problematisch anzusehen. Als operationale Alternative bieten sich Methoden des flugzeuggetragenen Laserscannings an, mit deren
Hilfe Informationen von Stichprobeninventuren in
die Fläche übertragen werden können.
Die Erhebung der Laserscandaten erfolgt beispielsweise mit einem Flugzeug, in dessen Rumpf
ein Laserscanner eingebaut ist. Als Alternative
kann auch ein Helikopter eingesetzt werden. Bei
beiden Möglichkeiten wird das Untersuchungsgebiet entlang von geplanten Linien überflogen
und gescannt. Der Laserscanner sendet dabei
kontinuierlich Laserimpulse in Richtung Erdoberfläche aus, die an einzelnen Objekten wie Bäumen oder Gebäuden reflektiert werden. Die zurückgesendeten Impulse werden wiederum vom
Scanner erfasst. Anhand der Laufzeit des jeweiligen Signals kann eine genaue Entfernung zum reflektierenden Objekt ermittelt werden. Mithilfe der
Position des Flugzeugs, die permanent erfasst
wird, kann dann jedem reflektierten Laserimpuls
eine genaue Position bzw. eine x-y-z-Koordinate
in einem geografischen Koordinatensystem zugewiesen werden. In diesem Zusammenhang muss
erwähnt werden, dass pro ausgesandtem Laserimpuls mehrere Registrierungen erfasst werden
können. Herkömmliche Laserscanner erfassen in
der Regel zwei Registrierungen. Es handelt sich
dabei um den Firstpulse, also um die erste signifikante Reflexion des Laserstrahls, und um den
Lastpulse, der die letzte signifikante Reflexion
darstellt. Moderne Laserscanner sind außerdem
45
in der Lage, weitere Zwischenregistrierungen aufzuzeichnen.
In Summe bilden alle erfassten Laserpunkte eine
georeferenzierte dreidimensionale Punktwolke.
Aus ihr lassen sich verschiedene digitale Höhenmodelle (DHM) ableiten. Beispielsweise kann
durch Filterung und Interpolation der bodennahen
Punkte ein digitales Geländemodell (DGM) erzeugt werden. Nutzt man ausschließlich die erste
signifikante Reflexion der Laserstrahlen und füllt
die Lücken durch Interpolation, so erhält man das
digitale Oberflächenmodell (DOM). Die Differenz
zwischen DOM und DGM stellt das normalisierte Oberflächenmodell (nDOM) dar. Es spiegelt
im Wald Informationen über die Vegetationshöhe
wider. Zur Ermittlung von Bestandeskennwerten
können sowohl normalisierte 3D-Punktwolken als
auch normalisierte Oberflächenmodelle, die durch
Interpolation entstanden sind, herangezogenen
werden. Die Datengrundlage und eine detaillierte Beschreibung der Methodik sind nachfolgend
aufgeführt.
2.1.3.2 Datengrundlagen und Methoden
Die Datengrundlage für die vorliegende Untersuchung bilden Laserscandaten, die durch eine
Befliegung im März 2013 erhoben wurden. Zum
Einsatz kam ein Laserscanner der Firma Riegl mit
der Bezeichnung LMS-Q 680i, die Befliegungshöhe wurde mit 600 m über dem Gelände gewählt.
Das 62 km² große Gebiet, das sich in der Nähe
der Stadt Eberswalde befindet, wurde mit einer
geplanten Punktdichte von 25 Punkten je m² beflogen. Die Punkte wurden mit Koordinaten im
Basisbezugssystem des Landes Brandenburg
ETRS89/UTM abgelegt. Aufgrund der hohen
Punktdichte und der daraus resultierenden Datenmenge erfolgte eine 500 x 500 m Kachelung
der Daten. Zusätzlich wurde eine Einteilung der
Punkte in fünf Klassen vorgenommen. Bei dieser
Klassifikation und der sich anschließenden interaktiven Nachbearbeitung wurden die Klassen
niedrige, mittlere und hohe Vegetation, Boden
und Gebäude vergeben. Aufgrund der Ablage der
Laserdaten im LAS-Format der Version 1.2 können diese Informationen an die einzelnen Laserpunkte angehängt werden.
Einen weiteren Datensatz stellen terrestrische
Informationen dar. Hierbei handelt es sich um
46
Bestandeskennwerte, die im Rahmen einer parallel durchgeführten Holzvorratsinventur erhoben
wurden. Das Inventurdesign bestand aus der Aufnahme von Daten an Punkten, die sich in einem
Raster von 400 x 500 m über die Landeswaldflächen des Befliegungsgebietes verteilen. An den
Inventurpunkten, die mittels differenziellem GPS
lokalisiert wurden, erfolgte die Vermessung aller Bäume mit einem Brusthöhendurchmesser
(BHD) über 7 cm mit Rinde in einem Radius von
12 m. Zusätzlich wurden die Baumart und die
Höhe von 15 Bäumen je Baumart und Schicht erfasst. Mittels eines am Landeskompetenzzentrum
Forst Eberswalde (LFE) vorhandenen Programms
konnten anhand der aufgenommenen Baumparameter Ertragskennwerte für jeden Inventurpunkt
berechnet werden. Die gewonnenen Daten bilden
die Grundlage zur Bestimmung der Korrelation
von terrestrischen Informationen und Laserscandaten.
Zur Bearbeitung der Daten kam neben der Standardsoftware ArcGIS 10.0 auch die speziell für die
Auswertung von Laserdaten entwickelte Software
Fusion/LDV (MCGAUGHEY 2012) zum Einsatz.
Es handelt sich dabei um ein Softwarepaket, das
neben der reinen Visualisierung von Laserdaten
auch zur Stapelverarbeitung eingesetzt werden
kann. Nach der Erstellung einer dafür notwendigen Batch-Datei können so Bearbeitungsschritte
sukzessive auf alle Kacheln angewendet werden.
Diese Möglichkeit erleichtert die zeitintensive Bearbeitung großer Flächen.
Den ersten Bearbeitungsschritt stellt die Erzeugung eines normalisierten digitalen Oberflächenmodells dar. Hierzu wurde zunächst ein DGM mit
dem Befehl /gridsurfacecreate erzeugt. Aufgrund
der hohen Punktdichte war es möglich ein DGM
mit einer Auflösung von 0,2 m zu berechnen. Analog zu diesem Berechnungsschritt erfolgte die
Erstellung eines normalisierten digitalen Oberflächenmodells. Zu diesem Zweck konnte auf den
Befehl /canopymodel zurückgegriffen werden,
der aus den Firstpulse-Daten unter Zuhilfenahme
eines DGMs direkt ein nDOM berechnen kann.
Um nun aus den vorhandenen Daten einen Zusammenhang zu den terrestrischen Informationen
herstellen zu können, wurden an den GPS-Positionen der Inventurpunkte kleinere Datensätze mit
einem Radius von 12 m aus dem nDOM ausge-
schnitten und separat analysiert. Die gesonderte
Analyse beschränkt sich in diesem Zusammenhang auf die Berechnung von Metriken (Maßzahlen), die die vertikale Verteilung von Höheninformationen auf einem Plot beschreiben (Abb. 34).
Abb. 34: Höhenmetriken für einen Ausschnitt
aus einem beispielhaften Inventurpunkt. Die
Metrik h25 z. B. gibt die Höhe wieder, unter der
sich 25 % der nDOM-Höhenwerte befinden.
Sie stellen den Verknüpfungspunkt zwischen Inventurdaten und nDOM dar. Die Berechnung der
Metriken wurde mit dem Befehl /cloudmetrics
vorgenommen. Zur genauen Beschreibung des
Zusammenhangs zwischen Ertragskenngrößen
und Metriken waren im Anschluss statistische
Analysen und die Ermittlung einer Regressionsfunktion zur Beschreibung des Zusammenhangs
notwendig. Zu diesem Zweck wurde die Statistiksoftware R und speziell die Funktion step()
aus dem Paket {stats} verwendet. Die Funktion
step() nutzt zur Modellauswahl das AIC-Kriterium
(SAKAMOTO et al. 1986) in einem schrittweisen
Algorithmus. Die Prädiktorensuche kann in die-
sem Zusammenhang durch Vorwärts- und Rückwärtsschritt sowie beidseitig erfolgen. Für die
vorliegende Arbeit wurde die default-Einstellung
„beidseitig“ verwendet.
Nach der Identifizierung einer geeigneten Schätzfunktion für das gewünschte Bestandeskriterium
ist es möglich, den gewählten Ansatz auf das
gesamte Untersuchungsgebiet zu übertragen.
Hierfür muss zunächst eine flächendeckende
Berechnung aller verwendeten Prädiktoren bzw.
Metriken erfolgen. Zu diesem Zweck wurde ein
Raster mit einer Zellengröße von 20 m gebildet,
die einen ähnlichen Flächeninhalt wie die zur
Verfügung stehenden Inventurplots abbildet. Für
jede Zelle müssen alle benötigen Prädiktoren
vorliegen, damit die Regressionsfunktion angewendet werden kann. Der sich anschließende Berechnungsschritt kann in ArcGIS mit dem „Raster
Calculator“ durchgeführt werden. Das Ergebnis
stellt ein Raster mit den Schätzwerten auf Basis
von Höhenmetriken dar. Zur Aggregierung der
Werte auf einen Bestand kann abschließend auf
die Funktionalität des „Spatial Analyst“ zurückgegriffen werden. Mit dem Befehl „Zonal Statistics“
oder „Zonal Statistics as Table“ lassen sich so
Bestandeswerte erzeugen. Für diesen Arbeitsschritt wurde auf die Bestandesabgrenzung der
Forstgrundkarte zurückgegriffen.
2.1.3.3Ergebnisse
Im Zusammenhang mit der vorliegenden Untersuchung konzentrierten sich die Analysen auf die
flächige Berechnung des Bestandesderbholzvolumens VD [m³/ha]1. Zur Ermittlung einer Schätzfunktion konnten insgesamt 165 Inventurplots im
Befliegungsgebiet herangezogen werden. Diese
Ausgangsdaten weisen ein Minimum von 2,8 m³/
ha und ein Maximum von 822,7 m³/ha auf. Der
Mittelwert liegt bei 332,0 m³/ha. In Abb. 35 ist die
Verteilung des Bestandesderbholzvolumens mit
Hilfe eines Boxplots dargestellt.
Neben dem VD [m³/ha], das die abhängige Variable innerhalb der Schätzfunktion darstellt, stand
eine Reihe von Lasermetriken zur Verfügung. Insgesamt wurden 14 Höhenperzentile und ein Maß
1
Grundsätzlich lassen sich aus den Laserdaten auch andere forstlich relevante Parameter wie Bestandesmittelhöhen oder Schlussgrade ableiten.
Wegen seiner größeren Bedeutung für die Schätzung von Biomassevorräten ist im Rahmen dieser Veröffentlichung das Volumen als Zielgröße
ausgewählt worden.
47
auf dieser Linie zu finden. Das vorliegende Resultat weist hingegen eine gewisse Streuung um den
Idealzustand auf.
Abb. 35: Boxplot des Bestandesderbholzvolumens von 165 Inventurpunkten, die für die
Auswertung der Laserscandaten zur Verfügung
standen
für die Überschirmung des Bestandes genutzt.
Bei den Höhenperzentilen standen alle Dezile von
h10 bis h90, die Quartile h25 und h75 sowie die
Perzentile h5, h95 und h99 zur Verfügung. Der
Überschirmungsgrad „cover“ stellt das Verhältnis aller Höhenwerte über einem Schwellwert von
2 m zu allen Höhenwerten innerhalb eines Plots
bzw. eines Pixels dar. Nach der Durchführung der
schrittweisen linearen Regression blieben vier
Prädiktoren übrig, die demnach für die Beschreibung des statistischen Zusammenhangs am besten geeignet sind. Hierbei handelt es sich um die
Perzentile h25, h40, h60 und h90. Die mit diesen
Höhenmetriken parametrisierte Schätzfunktion ist
in Tab. 15 aufgeführt.
Das korrigierte Bestimmtheitsmaß beträgt 0,704.
Es werden somit rund 70 % der in den Daten
vorhandenen Streuung durch das gewählte Modell repräsentiert. Das AIC-Kriterium konnte im
Vergleich zu dem Modell, in das alle möglichen
Variablen einbezogen wurden, von 1479,79 auf
1460,47 verbessert werden. In Abb. 36 sind die
modellierten Werte des Bestandesderbholzvolumens den terrestrisch ermittelten Werten gegenübergestellt. Die in diesem Diagramm dargestellte
rote Linie repräsentiert die Winkelhalbierende. Bei
theoretischer Übereinstimmung der modellierten
und gemessenen Werte wären alle Wertepaare
Abb. 36: Modellierte Bestandesderbholzvolumina für die Inventurplots im Vergleich mit den
terrestrisch ermittelten Werten
Bis auf einige Ausreißer befinden sich jedoch viele
Punkte in der Nähe der Geraden. Das relativ gute
Ergebnis wird durch eine weitere Auswertung der
Residuen untermauert. Das 1. Quartil aller residualen Abweichungen liegt bei -42,74 m³. Für das
3. Quartil konnte ein Wert von 31,63 m³ ermittelt
werden. Diese beiden Werte repräsentieren die
Grenzen, zwischen denen sich die Residuen von
50 % der zur Verfügung stehenden Inventurplots
befinden.
Die mit der vorgestellten Methodik parametrisierte Schätzfunktion kann durch weitere Berechnungen auf das gesamte Untersuchungsgebiet
übertragen werden. Die hierfür notwendigen Höhenmetriken sind anhand einer einzelnen Kachel
in Abb. 37 exemplarisch dargestellt. Für die einzelnen Pixel innerhalb einer Kachel stehen somit
die benötigten unabhängigen Variablen zur Verfü-
Tab. 15: Parametrisierungsergebnis für die Schätzung des Bestandesderbholzvolumens
(VD [m³/ha]) auf der Grundlage von Höhenmetriken aus einem normalisierten Oberflächenmodell,
das anhand von Daten des flugzeuggetragenen Laserscannings generiert wurde
Modell
VD = -119,100 + 5,559 • h25 + 4,343 • h40 + 7,681 • h60 + 9,270 • h90
48
Statistische Kenngrößen
RMSE
AIC
R2adj
85,57
1460,47
0,704
gung. Nach Anwendung der Schätzfunktion entsteht eine neue Kachel mit der abhängigen Variable Bestandesderbholzvolumen in der Einheit m³/
ha. Dieses Ergebnis liegt zunächst in Form eines
Rasters mit einer Pixelgröße von 20 × 20 m vor
(Abb. 38). In einem sich anschließenden Berechnungsschritt können Gesamtwerte für einzelne
Behandlungseinheiten aggregiert werden. Das
so erzeugte Produkt stellt das abschließende Ergebnis der vorliegenden Untersuchung dar und
ist in Abb. 39 dargestellt. Im Vergleich zum Raster in Abb. 38 zeigt sich die gute Abbildungsgüte
der vorgestellten Methodik. Dies wird besonders
durch niedrigere Volumenwerte in der Nähe von
Bestandesgrenzen sichtbar. Mögliche Ursachen
hierfür sind deutliche Bestandeshöhen- oder Bestandesvolumenunterschiede benachbarter Bestände, sowie Waldwege, die zu einer Reduktion
der einzelnen Pixelwerte führen.
Abb. 38: Darstellung des Bestandesderbholzvolumes VD [m³/ha] in Form eines Rasters mit
einer Pixelgröße von 20 × 20 m
Abb. 37: Exemplarische Darstellung der benötigten Höhenmetriken, die für die gesamte
Berechnung des Bestandesderbholzvolumens
VD [m³/ha] flächendeckend zur Verfügung
stehen müssen. Bei den vier Kacheln handelt
es sich in aufsteigender Reihenfolge um die
Höhenmetriken h25, h40, h60 und h90, wobei
dunklere Farben höhere Werte repräsentieren.
2.1.3.4Fazit
In Verbindung mit Inventurinformationen können
Daten des flugzeuggetragenen Laserscannings
zur flächendeckenden Schätzung von Ertragskenngrößen wie dem Bestandesderbholzvolumen
genutzt werden. Um eine hohe Korrelation zwischen Lasermetriken und den terrestrisch erhobenen Bestandesdaten sicherzustellen, müssen
hohe Anforderungen an die Lagegenauigkeit der
Inventurpunkte und der Laserdaten gestellt werden. Die Einmessung der Plotmittelpunkte mittels
GPS unter Waldbedingungen stellt eine nicht zu
Abb. 39: Aggregierte Bestandeswerte [m³/ha]
auf Basis der Forstgrundkarte
unterschätzende Fehlerquelle dar, die nach Möglichkeit reduziert werden sollte. Darüber hinaus
könnte eine Stratifizierung der Bestände und eine
gezielte Anlage von Inventurplots die Genauigkeit
der angewendeten Methodik verbessern. Eine
weitere Option bietet sich durch die Verwendung
von Lasermetriken, die direkt aus der georeferenzierten 3D-Punktwolke stammen, oder durch
die separate Verwendung von First- und Lastpulse-Metriken.
49
Interessant erscheint an der aktuellen Auswertung mittels eines normalisierten digitalen Oberflächenmodells (nDOM), dass der berechnete
Überschirmungsgrad (cover) nur einen geringen
Einfluss auf die Berechnung des Bestandesvolumens hat. Diese Beobachtung kann beispielsweise in der geringen Variation des Überschirmungsgrades begründet liegen, die wiederum
aus einem homogenen und geschlossenen Bestandesaufbau auf den Inventurplots resultiert.
Ein weiterer Grund könnte in der vorgeschalteten
Berechnung eines nDOMs liegen, die zu einer zu
starken Vereinheitlichung der Höheninformationen führt.
Abschließend ist zu sagen, dass ein wichtiger
Vorteil des flugzeuggetragenen Laserscannings
im hohen Automatisierungsgrad bei der Datenauswertung besteht und dass sich neben der
flächendeckenden Schätzung von Ertragskenngrößen weitere Nutzungsmöglichkeiten ergeben.
Hierzu zählen beispielsweise die Ermittlung von
Baumpositionen und Einzelbaumparametern wie
z. B. der Kronenschirmfläche, die Charakterisierung der Bestandesstruktur, die Bestandesabgrenzung sowie die Erkennung von Sonderstrukturen im digitalen Geländemodell (DGM). In der
Fähigkeit zur dreidimensionalen Durchdringung
der Waldbestände zeigt sich besonders die Überlegenheit von Laserdaten gegenüber anderen
Fernerkundungsverfahren.
2.1.4Satellitenbilder
Stefan Kärgel, Albert Janzen, Jan-Hendrik Hofmann, Simon Klinner
2.1.4.1 Hintergrund und Zielstellungen
Die Gewinnung und Aktualisierung von Informationen zum Waldzustand und zu forstlicher
Biomasse spielt für viele nationale und internationale Entscheidungsträger in den Bereichen
Umwelt, Politik, Wirtschaft, Landwirtschaft und
Naturschutz eine große Rolle. Neben der holzverarbeitenden Industrie sind es auch regionale
Waldbesitzer und politische Entscheidungsträger,
denen diese Informationen als Planungsgrundlage dienen. Die Datengewinnung mittels Satellitenfernerkundung bietet sich dabei für die Bereitstellung flächendeckender Informationen für
50
größere Gebiete an. Deshalb wurden im Rahmen
des Projektes „ForseenPOMERANIA“ neben anderen Methoden auch Verfahren der Satellitenfernerkundung auf Ihre Anwendbarkeit für die Forstwirtschaft untersucht.
Im Bereich der Satellitenfernerkundung wurden
folgende Zielstellungen verfolgt:
• Baumartenerfassung für eine definierte
Fläche in einer höchstmöglichen Genauigkeit
und Bereitstellung der gewonnenen Daten in
ein Biomasseinformationssystem (Geodatenportal);
• Ableitung des Holzvorrats für eine definierte
Fläche in einer höchstmöglichen Genauigkeit
und Bereitstellung der gewonnenen Daten in
ein Biomasseinformationssystem (Geodatenportal);
• Vergleich der Erfassungsmethoden auf Kosten, Genauigkeit und Nutzen.
Quelle der Daten und Akteure
Im folgenden Kapitel werden die Projektergebnisse aus dem Bereich Satellitenfernerkundung zur
Gewinnung forstlicher Informationen dargestellt.
Der Fokus liegt auf den Satellitensystemen RapidEye und Landsat. Dabei werden die Skalenebenen der Makro- (Gesamt-POMERANIA) und
Mesoskala (Landkreise Barnim und Uckermark)
betrachtet.
Die Satellitendaten konnten kostenfrei beschafft
werden, zum einen über einen Forschungsantrag
im Rahmen des RESA (RapidEye-Science-Archiv)
Programms der RapidEye AG und des Deutschen
Zentrums für Luft- und Raumfahrt (DLR) und zum
anderen durch den Download vom Geologischen
Dienst der USA. Die terrestrischen Daten wurden
aus dem Datenbestand des Landesbetriebes
Forst Brandenburg genutzt sowie vom Johann
Heinrich von Thünen-Institut, Bundesforschungsinstitut für Ländliche Räume, Wald und Fischerei
(TI), und dem Polnischen Staatsforstbetrieb „Lasy
Panstwowe“ zur Verfügung gestellt (zum Beispiel
forstliche Großinventurdaten). Bei der Auswertung gab es eine intensive Zusammenarbeit des
LFE mit der Hochschule für nachhaltige Entwicklung Eberswalde. Studenten haben sich im Rah-
men von Forschungsarbeiten (Forschungsprojekt,
Praktikum, Bachelorarbeit) in das Projekt eingebracht, wobei die Betreuung der Forschungsarbeiten und die Bereitstellung der Daten durch das
LFE erfolgten.
2.1.4.2 Grundlagen der
Satellitenfernerkundung
Satelliten-Fernerkundungs-(FE-)Systeme
Optische Fernerkundungs-Systeme nutzen atmosphärische Fenster. Das sind die Bereiche des
elektromagnetischen Strahlenspektrums, die am
wenigsten durch die Atmosphäre beeinflusst werden.1 Die einzelnen Abschnitte in den genutzten
Spektralbereichen sind in Kanäle 2 (bzw. Bänder)
aufgeteilt, die zur Interpretation der Daten unterschiedlich kombiniert werden können. Dabei hat
die räumliche, zeitliche, spektrale und radiometrische Auflösung einen wichtigen Einfluss auf die
Nutzbarkeit von Fernerkundungsdaten. Die räumliche Auflösung bezeichnet die Größe der Fläche
auf der Erdoberfläche, die durch einen Bildpunkt
(Pixel) dargestellt werden kann. Mit zeitlicher Auflösung ist der zeitliche Abstand zwischen zwei
Aufnahmen desselben Gebietes mit einem Sensor gemeint. Das Vermögen eines Sensors, einzelne Wellenlängen zu unterscheiden, wird als
spektrale Auflösung bezeichnet. Diese wird durch
die Anzahl und Breite der Spektralkanäle eines
Satelliten-Systems bestimmt. Die radiometrische
Auflösung ist die Fähigkeit eines Satelliten-Systems, bestimmte Wellenlängenbereiche nach deren Intensität abzustufen, z. B. in verschiedene
Graustufen (ALBERTZ 2009).
Auswahl des Satelliten-Systems für die
Untersuchung
Die Verwendung eines Satelliten-Systems mit seinen jeweiligen unterschiedlichen Eigenschaften3
sollte von der konkreten Zielstellung abhängig gemacht werden. So ist es sinnvoll, bei der Betrachtung von großen räumlichen Skalen (Makroskala
= Länder- bis Kontinent-Ebene) Daten von Systemen mit einer geometrisch geringeren Auflösung
zu nutzen, wie z. B. MODIS (250–1.000m) oder
AVHRR (1.100m). Dabei wird für jedes Pixel eine
relativ große Fläche der Erde quantifiziert. Das hat
für kleinflächig strukturierte Landschaften, wie sie
in vielen Regionen Mitteleuropas vorkommen, den
Nachteil, dass sich bei der Auswertung der Satelliten-Daten viele Mischpixel bilden und die Ergebnisse einer höheren Ungenauigkeit unterworfen
sind. Bei der Betrachtung von kleinen räumlichen
Skalen (Mikroskala = Hektarebene) werden Daten
von Systemen mit einer höheren geometrischen
Auflösung wie z. B. Worldview 2 (0,5–1,8 m) genutzt. Eine hohe geometrische Auflösung und ein
höheres Datenvolumen ziehen jedoch wesentlich höhere Kosten und eine schlechtere Datenverfügbarkeit nach sich. Für diese Arbeit wurden
deshalb keine Satelliten-Systeme mit sehr hoher
Auflösung, sondern mit einer mittleren geometrischen und spektralen Auflösung gewählt4. Dies
geschah vor dem Hintergrund, dass die untersuchten Waldgebiete der Landkreise Barnim und
Uckermark (Fläche von ca. 4.500 km²) möglichst
flächendeckend und in ausreichender Genauigkeit untersucht werden sollten.
Daten der Fernerkundungssysteme
Landsat und RapidEye
Für das Projekt wurden die Satelliten-FE-Systeme
Landsat TM und RapidEye genutzt. Ihre wichtigsten Eckdaten sind in Tab. 16 zusammengefasst.
Insbesondere diese Bereiche sind für die Atmosphäre der Erde durchlässig. Die wichtigsten atmosphärischen Fenster befinden sich im Bereich
des sichtbaren Lichtes (VIS) und des nahen Infrarot (NIR) (ALBERTZ 2009).
1
2
Kanal (bzw. Band), in der Fernerkundung ist ein genau definierter Bereich des elektromagnetischen Spektrums. Für den Empfang und die digitale
Speicherung von Signalen in solchen Bereichen ist der jeweils spezielle Sensor eines Satelliten zuständig (LEXIKON DER FERNERKUNDUNG
2010).
3
bedingt durch die unterschiedlichen geometrischen, spektralen und zeitlichen Auflösungen
4
geometrische Auflösung der verwendeten Systeme: 5 bis 30 m / spektrale Auflösung 5 bis 7 Kanäle
51
Tab. 16: Eckdaten der benutzten Satellitensysteme
Eigenschaften
Landsat 5 TM
RapidEye
30 m (multispektral)
5 m (6,5 m)
Spektrale Auflösung
7 Kanäle
5 Kanäle
Zeitliche Auflösung
16 Tage
< 2 Tage
Ausdehnung einer
Kachel
34.225 km²
(185 km*185 km)
625 km²
(25 km*25 km)
1984
2008
1
5
Geometrische Auflösung
Im Orbit seit
Anzahl der Satelliten
} Das FE-System Landsat
Bei dem gewählten FE-System Landsat handelt
es sich um eine Serie von zivilen Erdbeobachtungssatelliten der NASA. Seit 1972 wurden acht
Satelliten in ihre Umlaufbahn gebracht. Für die
Auswertung kam der Landsat 5 TM (=Thematic
Mapper) zum Einsatz, er besitzt eine spektrale
Auflösung von 7 Kanälen. Die geometrische Auflösung der multispektralen Kanäle liegt bei 30 m.
Aufgrund der gröberen geometrischen Auflösung
können großflächige Gebiete (> 5.000 km²) mit einer moderaten geometrischen Genauigkeit analysiert werden können. Eine Landsat-Kachel nimmt
eine Fläche von 185 km × 185 km ein. Seit Februar 2009 lassen sich Landsat-Aufnahmen kostenlos vom Geologischen Dienst der Vereinigten
Staaten herunterladen (USGS-Archiv1).
} D
as FE-System RapidEye
Das RapidEye-System ist in der Lage, auf regionaler und globaler Ebene die Erdoberfläche flächendeckend zu erfassen. Das System besteht
aus fünf Satelliten und besitzt eine geometrische
Auflösung von 5 m im multispektralen Bereich2.
Seit Februar 2009 werden Daten geliefert. Das
optische System liefert multispektrale Bilder in
fünf Bändern innerhalb des Wellenlängenbereichs
von 440 nm bis 850 nm.
Der große Vorteil des RapidEye-Systems besteht
in der Nutzung des Red-Edge Kanals (SCHUSTER et al. 2010), der im elektromagnetischen
Spektrum auf den Bereich von 680 bis 740 nm
sensibilisiert ist. Dieser Kanal reagiert besonders
sensitiv auf den pflanzlichen Chlorophyllgehalt
und scheint somit für die Erfassung der unterschiedlichen spektralen Signatur von Waldflächen
sehr gut geeignet zu sein. Anhand dieses Sachverhalts wird eine höhere Detailschärfe bei der
Klassifikation von Waldflächen erwartet. Die Szenen liegen als 625 km² große Kacheln (25 km ×
25 km) vor. Der Vertrieb der Daten erfolgt über die
RapidEye AG.
Reflexionsverhalten der Vegetation
} Reflexionsverhalten von Pflanzenbeständen
Für die Fernerkundung sind die Reflexionseigenschaften der Oberflächen von Pflanzenbeständen
von besonderem Interesse, da jede Mess- bzw.
Abbildungsfläche (ein Bildelement bzw. Pixel) immer einen Integrationswert der Reflexion darstellt
(HILDEBRANDT 1996).
Zu Erklärung des Reflexionsverhaltens von Waldbeständen müssen nachfolgende Faktoren beachtet werden:
• morphologische Faktoren: Größe und
Stellung der Blattorgane, Kronenaufbau,
Belaubungsdichte und somit das Verhältnis
zwischen Reflexionsanteilen beleuchteter
und beschatteter Blätter/Nadeln, anderer
1
Geologisches Informationsportal der NASA
2
Die Daten werden zwar mit einer räumlichen Auflösung von 6,5 m aufgenommen, aber von der Firma RapidEye auf 5 m resampled.
52
•
•
Pflanzenteile, des Bodens und Unterwuchses,
phänologische Faktoren: Belaubungszustand
(Austrieb oder Verfärbung), Knospen, Blüten
und Früchte, und pflanzensoziologische Faktoren: Artenzusammensetzung und Form der
Vergesellschaftung, Bestockungsdichte, Alter
bzw. Alterszusammensetzung des Bestandes
und vertikale Gliederung,
pflanzensoziologische Faktoren: Artenzusammensetzung und Form der Vergesellschaftung, Bestockungsdichte, Alter bzw. Alterszusammensetzung des Bestandes und vertikale
Gliederung (Rauhigkeit der Oberfläche).
Die genannten Faktoren bestimmen sowohl die
Art und Variabilität der spektralen Reflexion als
auch deren Richtungsverteilung. Außerdem ist
sie von den Einstrahlungsbedingungen abhängig; Einstrahlungsart (direkt oder diffus), Beleuchtungsverhältnisse (besonnt oder beschattet), Einstrahlungswinkel und Atmosphärenzustand (klar
oder dunstig) wirken sich ebenfalls auf die Reflexionsstärke aus.
} Reflexionsverhalten von Waldbeständen
Bei Waldbeständen spielen insbesondere die Artenzusammensetzung, der Schlussgrad von Nadel- und Laubwäldern, das Bestandsalter sowie die
Phänologie für die spektrale Reflexion eine Rolle.
Einfluss der Baumartenzusammensetzung
Die räumliche Struktur eines Waldbestandes wird
u. a. durch die Anzahl der Baumarten auf der Fläche, die Summe der Einzelbäume und ihre Konkurrenz untereinander bestimmt. Dabei ist von
Bedeutung, ob es sich um einen Reinbestand mit
einer homogenen Oberschicht, einen Mischwald
mit zwei oder mehr Baumarten mit unterschiedlichen Mischungsanteilen und -formen oder einen
plenterwaldartigen Bestand mit einer heterogenen Struktur handelt (HILDEBRANDT 1996). In
Abhängigkeit von der phänologischen Phase bestimmt das Vorkommen verschiedener Arten die
spektrale Reflexion oft sehr stark, so dass Rückschlüsse auf das Vorkommen bestimmter Arten,
deren örtliche Verteilung und Mischungsanteile
gezogen werden können.
Einfluss des Schlussgrades und des Alters
Der Schluss- bzw. Überschirmungsgrad in Waldbeständen beeinflusst den Reflexionsanteil des
Bodens, der Bodenvegetation und der Beschattung. Diese Effekte können bisher nur für Reinbestände modellhaft beschrieben werden (HILDEBRANDT 1996). Bei Nadelbaumbeständen spielt
aufgrund ihrer spitz zulaufenden Kronen die Reflexion des Bodens bzw. der Bodenobjekte eine
große Rolle, so dass ca. 90 % der Bildelemente
aus Mischpixeln bestehen (HILDEBRANDT 1996).
Bei Laubwäldern mit geschlossenem Kronendach
bestimmen die Blattorgane die spektrale Reflexion, bei Beständen mit Lücken und Auflichtungen
beeinflussen hingegen die Reflexion des Bodens
und Beschattungen die Spektralsignatur.
Nach HILDEBRANDT (1996) gilt für geschlossene, gleichaltrige, gesunde sowie gleich beleuchtete Reinbestände:
• junge Nadelbaumbestände, besonders
Aufforstungen mit viel Bodenvegetation und
noch nicht geschlossene Kulturen reflektieren
in sämtlichen Spektralbereichen stärker als
ältere Bestände.
• Laubbaumbestände aller Altersklassen reflektieren im Spektrum des sichtbaren Lichts
gleichartig, im nahen Infrarot hingegen nimmt
die Reflexion der Laubbäume mit zunehmendem Alter ab.
In Waldbeständen mit verschiedenen Altersklassen bestimmen die höchsten Bäume der oberen
Schicht das Maß der Reflexion.
Multispektral-Klassifikation
Die von Sensoren aufgenommen Bilder müssen
im zweiten Schritt je nach Fragestellung und
Untersuchungsobjekt ausgewertet werden (ALBERTZ 2009). Großflächige manuelle Bildinterpretationen sind aufwändig (IMMITZER et al. 2012).
Das automatische Identifizieren von bestimmten
Objektarten und -Strukturen ist bisher jedoch nur
in Ansätzen möglich (ALBERTZ 2009). Bei der so
genannten Multispektral-Klassifikation bedient
man sich sehr häufig hybrider interaktiver Verfahren, bei dem die Vorteile des menschlichen Auges
53
und der rechnergestützten Analyse kombiniert
werden. Der Interpret steuert den Prozess der
Klassifikation dabei durch seine Stereointerpretation, Eingabe und Kontrolle (ALBERTZ 2009).
roregion POMERANIA (Abb. 40 links) betrachtet,
zum anderen der brandenburgische Teil dieser
Region (Abb. 40 rechts), der die Landkreise Barnim und Uckermark umfasst.
} Erkennung von Baumarten
Bei der visuellen Stereointerpretation von Farbinfrarot-Luftbildern können Baumarten generell
sehr gut erfasst werden, u. a. durch die charakteristische Farbe, Kronenform und -struktur (ALBERTZ 2009). Nadel- und Laubwälder bzw. deren
Baumarten sind außerdem gut spektral unterscheidbar (HILDEBRANDT 1996, IMMITZER et
al. 2012). Je heterogener Waldbestände in der
horizontalen, vertikalen und temporalen Struktur
sind, desto schwieriger wird jedoch die Unterscheidung einzelner Baumarten.
Blätter von Laubbäumen reflektieren die eingefallene Strahlung im nahen Infrarot deutlich mehr als
Nadeln, Laubbaumkronen prägen zudem i. d. R.
ein unregelmäßiges Muster aus (HILDEBRANDT
1996). Die meisten mitteleuropäischen Laubbaumarten gelten bei intensiver Interpretation
als sicher bis relativ sicher unterscheidbar (HILDEBRANDT 1996). Nadelbaumbestände bilden
häufig regelmäßige Muster, wobei insbesondere
die mittleren und alten Baumbestände als sicher
identifizierbar gelten. Lärche reflektiert stärker als
Fichte, Kiefer und Tanne (HILDEBRANDT 1996).
Bäume in Reinbeständen sind sicherer als die in
artenreichen Mischbeständen anzusprechen.
Fernerkundungsdaten
2.1.4.3Untersuchungsgebiet, Daten und
Methoden
Das Untersuchungsgebiet wurde auf zwei Ebenen
ausgewertet: Zum einen wurde die gesamte Eu-
} Landsat-Daten
Der Download der Daten erfolgte über das Portal
des Geologischen Dienstes der USA (USGS-Archiv/Abb. 41). Für die Auswertung wurden ausschließlich Daten des Satelliten Landsat 5 (Thematic Mapper) verwendet.
Abb. 41: Portal des Geologischen Dienstes
der Vereinigten Staaten
Die verwendeten Landsat-Szenen stammen vom
02.06.2011 (Abb. 42) und vom September 2006.
Bei den Daten handelt es sich um wolkenfreie
Aufnahmen.
} RapidEye-Daten
Die RapidEye-Daten wurden im Rahmen des RapidEye Science Archiv beantragt. Sie sollten die
Landkreise Uckermark und Barnim möglichst
komplett wolkenfrei abdecken. Außerdem sollte
Abb. 40: Gesamt-POMERANIA (Makroskala; links), POMERANIA-Region Brandenburgs (Mesoskala; rechts)
54
Abb. 42: Landsat-Szene vom 2.6.2011 in der
Kanalkombination 7-4-1
zur Berücksichtigung multitemporaler Aspekte
die Aufnahmetermine unterschiedliche phänologische Entwicklungsphasen der Jahre 2009 bis
2011 erfassen (Aufnahmezeiträume für Mai, Juni,
September und den Winter).
Es wurden insgesamt 148 RapidEye-Kacheln
(Abb. 43) für die Jahre 2009 bis 2011 geliefert.
Die Daten besitzen die Vorprozessierungsstufe
Level 3A und sind somit vollständig geometrisch,
radiometrisch sowie atmosphärisch korrigiert.
Die Qualität der Daten ist dabei unterschiedlich.
Einige Szenen besitzen eine hervorragende Datenqualität (Abb. 44 links), so dass sie ohne Einschränkungen genutzt werden können. Andere
sind z. B. aufgrund starker Bewölkungsanteile nur
eingeschränkt nutzbar (Abb. 44 rechts).
Die im RESA-Antrag definierte Fläche, die die
Landkreise Uckermark und Barnim rechteckig
Abb. 43: Einzelne RapidEye-Szene vom
2.5.2009 für ein Gebiet um den Werbellinsee
(Kanalkombination 5-3-2)
abdeckt, umfasst ca. 8.000 km² und wird von
mehr als 20 Kacheln eingenommen. Für keinen
Aufnahmetermin liegt eine vollständige Abdeckung der Fläche in Form von RapidEye-Szenen
für das komplette Untersuchungsgebiet vor (Abb.
45). Schließlich wurden RapidEye-Daten für zwei
Aufnahmetermine für die Untersuchungen ausgewählt, die das Untersuchungsgebiet fast vollständig abdecken und wolkenfrei sind. Es handelt sich
dabei um einen Frühjahrstermin, den 02.05.2009
mit insgesamt 18 Szenen, und einen Spätsommertermin (24.09.2010/20 Szenen).
} Corine Land Cover Daten 2006
Das europaweite Projekt CORINE Land Cover
(CLC) hat die Bereitstellung von einheitlichen und
damit vergleichbaren Daten der Bodenbedeckung
für Europa zum Ziel. Es ist Teil des Programms
55
Abb. 44: Ausschnitt der RapidEye-Szene Werbellinsee: links unbewölkt, nach Haze-Korrektur
vom 02.05.2009; rechts bewölkt, ohne Haze-Korrektur vom 12.09.2009
a)
b)
Abb. 45: Die Landkreise Barnim und Uckermark (blau gekennzeichnete Polygone) sind nicht
vollständig durch RapidEye-Szenen abgedeckt. Zudem sind die Szenen einzelner Termine von
Wolken bedeckt. a) RapidEye-Szenen für den 02.05.2009 (flächendeckend wolkenfrei) und b)
12.09.2009 (teils bewölkt).
„Coordination of Information on the Environment“
der Europäischen Union. Die Kartierung der Bodenbedeckung und Landnutzung wurde europaweit auf der Basis von Satellitendaten im Maßstab
1:100.000 durchgeführt. Die Ersterfassung (CLC
1990) erfolgte einheitlich nach 44 Landnutzungsklassen, von denen 37 Klassen in Deutschland relevant sind. Für das Projekt sind CLC-Daten von
besonderem Interesse, weil sie grenzübergreifende Informationen über die Waldflächen liefern.
Die Informationen des Corine Produkts wurden
für die Auswertung der gesamten POMERA-
56
NIA-Region genutzt. Anhand der Corine-Daten
wurden die Waldklassen Laub-, Nadel- und Mischwald abstrahiert und für die weitere Analyse
maskiert (Abb. 46).
Terrestrische Daten
Zur Analyse der Fernerkundungsdaten kommen
für das sogenannten „Ground truthing“ (vgl. LÜBKER und SCHAAB 2008) zwei unabhängige terrestrische Referenzdatensätze (Inventurdaten und
Abb. 46: Maskierung der Waldklassen für die POMERANIA-Region
Forsteinrichtungsdaten) zum Einsatz, zusätzlich
wurden Forststrukturdaten verwendet.
} Forststrukturdaten
Die Forststrukturdaten sind ein hierarchisch
aufgebauter Geodatensatz mit Unterscheidung folgender Kategorien: Oberförsterei, Revier, Abteilung, Unterabteilung, Teilfläche und
Behandlungseinheit. Die kleinste Einheit ist die
Behandlungseinheit (BHE), welche nach forstwirtschaftlichen Aspekten auch einen Bestand
definiert. Für die Landkreise Barnim und Uckermark können 52.200 BHE’s unterschieden werden (Abb. 47).
Abb. 47: Behandlungseinheiten (BHE) der
Forststrukturdaten (schwarze Umrandungen)
auf einem Ausschnitt einer RapidEye-Szene
} Inventurstudie 2008
Bei der Inventurstudie 2008 handelt es sich um
eine bundesweite forstliche Großrauminventur
mit Stichtag am 01.10.2008. Ihr Ziel bestand in
der Bestimmung des Anfangsvorrates an Kohlenstoff für die “erste Verpflichtungsperiode“ des
Kyoto Protokolls (2008-2012). Das Inventurdesign
orientiert sich an der zweiten Bundeswaldinventur (BWI²) und basiert auf einem Gitternetz von
8 × 8 km (vgl. OEHMICHEN et al. 2011). In Brandenburg wurde das Gitternetz auf die im 4 × 4 km
Abstand liegenden Punkte der BWI² verdichtet
(vgl. MLUV 2008). An jedem Schnittpunkt des
Netzes befindet sich ein quadratischer Trakt mit
einer Kantenlänge von 150 m (Abb. 48 links). Jede
im Wald liegende Ecke des Traktes ist Zentrum
mehrerer konzentrischer Probekreise sowie einer
Winkelzählprobe zur Auswahl von Probebäumen.
Für die Probebäume werden die wesentlichen
dendrometrischen Parameter und ihre Zugehörigkeit zu Arten bzw. Artgruppen bestimmt. In
der höchsten Aggregationsebene dieser Untersuchung werden alle Probebaumvolumina der
Traktecke addiert und ergeben den Derbholzvorrat in m³ pro Hektar. Die so erzeugten Inventurdaten wurden anhand ihrer Traktkoordinaten für das
Untersuchungsgebiet selektiert und dem Projekt
„ForseenPOMERANIA“ zur Verfügung gestellt.
Sie dienten im Rahmen der Untersuchung als terrestrischer Referenzdatensatz zur Klassifikation
der Fernerkundungsdaten.
} Forsteinrichtung
Die Forsteinrichtung in Brandenburg basiert auf
einer in der Regel alle 10 Jahre wiederholten
einzelflächenweisen Inventur. Jede dieser inventarisierten Waldflächen ist durch gleichartige
Bestockungs- wie auch Standortsverhältnisse
57
Abb. 48: Inventurpunkte der Landkreise (links) und die Verbindung des DSW2 mit den Forststrukturdaten, sowie ein Ausschnitt einer RapidEye-Szene um den Werbellinsee (rechts)
gekennzeichnet und erlaubt so eine einheitliche
Bewirtschaftung. Im Gegensatz zu bestandesübergreifenden Inventuren wie der Inventurstudie
2008 liegen für jeden einzelnen Bestand quantitative Angaben vor.
Im Land Brandenburg werden die von der Forsteinrichtung erfassten Bestandesmerkmale des
Landeswaldes im naturalen Informationssystem
„Datenspeicher Wald 2“ (DSW 2) verwaltet und
gepflegt. Mithilfe von in Algorithmen hinterlegten
Zuwachsschätzungen lassen sich die Daten so
jährlich fortschreiben und im Falle forstlicher Eingriffe auch zeitnah aktualisieren (vgl. REDMANN
und REGENSTEIN 2010). Die verwendeten Inventurdaten basieren auf einem DSW 2-Auszug
vom November 2011 und wurden mit forstlichen
Geodaten, den Forstgrunddaten, verknüpft (Abb.
48 rechts). Es wurden ausschließlich Angaben zur
Bestandesschicht „Oberstand“ verwendet. Inventurdaten der Forsteinrichtung dienten zur Validierung der generierten Klassifikationen.
} Inventurdaten für Gesamt-POMERANIA
In die Untersuchungen gingen auf deutscher Seite die Daten der Bundeswaldinventur von 2002
ein, die in einem Raster von 4 km für Brandenburg und 2 km für Mecklenburg vorliegen. Zudem
wurden polnische Inventurdaten (WISL) genutzt,
58
die uns vom Projektpartner der Regionaldirektion
Szczecin zur Verfügung gestellt wurden (Abb. 49).
Die WISL-Daten wurden zwischen 2002 und 2006
erhoben.
Abb. 49: Inventurpunkte für Gesamt-Pomerania
nach Regionen (grün: Bundesland Mecklenburg Vorpommern, blau: Bundesland Brandenburg, rot: Wojewodschaft Westpommern)
Methoden
Es wurden für die definierten Zielstellungen unterschiedliche methodische Schritte gewählt, im
Mittelpunkt stand dabei aber die Bearbeitung von
multispektralen Satellitendaten in Verbindung mit
den terrestrischen Daten. Die Holzvorrats- und
Baumartenklassifikation auf der Basis von RapidEye-Daten gliederte sich in Arbeitsschritte
der Vorprozessierung, der Klassifikation und der
Nachprozessierung.
} Akquise & Aufbereitung der Fernerkundungsdaten (Vorprozessierung)
Die Vorprozessierung der Daten umfasst folgende
methodische Schritte:
• Aufbereitung der terrestrischen Daten (DSW
und Inventurdaten),
• Hazekorrektur, Anbindung der Inventurpunkte an die Inventurdatenbank,
• Mosaikieren der Landsat- und RapidEye-Daten (Abb. 50),
• Maskieren der Forstflächen.
die zu erstellenden Klassen und deren spektrale Merkmale vorher festgelegt. Die Identifikation
der Bildelemente erfolgt nach der Ähnlichkeit zu
„Trainingsgebieten“ (die gebräuchlichsten Kriterien sind maximum likelihood und minimum distance). Anhand von „ground truth“ Informationen
und/oder aufgrund von Geländekenntnis werden
diese Trainingsgebiete als homogene Vorkommen
von Landnutzungs- oder Vegetationseinheiten
bestimmt. Aus der statistischen Analyse dieser
„Proben“ werden spektrale Signaturen abgeleitet
und der Rest eines Bildes auf Ähnlichkeiten gegenüber diesen Signaturen hin untersucht und
klassifiziert (ALBERTZ 2009).
Bei den unüberwachten Klassifikationsverfahren
werden über verschiedene Arten der Clusteranalyse Klassen gebildet, die jedoch nicht a priori
Abb. 50: Mosaik der RapidEye-Daten für die brandenburgische POMERANIA-Region mit den
Gebietsgrenzen der Landkreise Barnim und Uckermark
} Klassifikation mittels Satellitendaten
Die Extraktion von Informationen im Sinne einer
Klassifikation ist eine der Hauptanwendungen von
Satellitenbildverarbeitung. Die Grauwerte der einzelnen Kanäle werden dabei in einen geordneten
Zusammenhang gestellt, indem ihre Beziehungen untereinander auf Regelmäßigkeit untersucht
werden. Die verschiedenen Klassifikationsverfahren lassen sich in zwei große Gruppen unterteilen:
Bei überwachten Klassifikationsverfahren werden
unmittelbar mit den angestrebten realen Landnutzungs- und Vegetationsklassen übereinstimmen
müssen. Ergebnisklassen werden nachträglich
durch Vergleich mit der Realität identifiziert. Die
Auswahl eines konkreten Klassifikationsverfahrens wird letztlich von der jeweiligen Fragestellung
bestimmt. Für dieses Projekt wurden vornehmlich
überwachte Klassifikationsmethoden für die unterschiedlichen Satelliten-Systeme durchgeführt.
Dabei wurden anhand des vorliegenden Daten-
59
speichers DSW 2 bzw. den Inventurdaten die jeweiligen Klassen als Trainingsgebiete festgelegt.
} Die überwachte multispektrale Klassifikation
Die überwachten Klassifikationstechniken sind in
der digitalen Bildverarbeitung weit verbreitet, vor
allem in der Fernerkundung. Der methodische
Hintergrund liegt vorwiegend im Bereich der multivariaten Statistik. Die multivariaten Eigenschaften ergeben sich aus der simultanen Messung
verschiedener Spektralbereiche und den jeweiligen Wellenlängen im elektromagnetischen Spektrum. Die Anzahl der verschiedenen Spektralbereiche ist mit der Anzahl der Kanäle gleichzusetzen.
Die Ergebnisse auch unterschiedlicher Verfahren
besitzen folgende Gemeinsamkeiten:
• Spektral ähnliche Objekte (meist Pixel) werden in Klassen zusammengefasst.
• Diese Klassen werden in eine thematische
Dimension abgeleitet (z. B. Waldklassen
(nach dominierender Baumart) oder Holzvorratsklassen).
• Die thematische Ergebnisdimension ist meist
auf nominalen Datenniveau.
• Das Ergebnis sind Raumtypen.
Die Schwierigkeit der Problematik liegt darin abzugrenzen, ab welchem Grad ähnliche Pixel in
eine Gruppe zugewiesen werden.
Der Analyseablauf gliedert sich in vier Stufen:
(1)Auswahl und Bewertung der Trainingsgebiete
je Klasse,
(2)Bestimmung der „spektralen Signaturen“ der
Klassen,
(3) Klassifikation des gesamten Untersuchungsgebietes,
(4)Qualitätsanalyse und Nachbearbeitung des
Ergebnisses (LANG und BLASCHKE 2007).
} Nachbearbeitung der Ergebnisse
(Nachprozessierung)
Nach der Klassifizierung der Satellitenbilder ergibt
sich oft eine große Zahl an Fehlern. Diese resultieren daraus, dass sich die angewendeten Methoden der Klassifizierung auf den spektralen Raum
(Merkmalsraum) beziehen und nicht auf den geographischen Raum. Das Bildverarbeitungsprogramm „Erdas Imagine“ besitzt zwar eine Reihe
60
von Funktionen, die entstandene Fehler korrigieren bzw. verringern können. Trotzdem kann selbst
ein akzeptiertes Ergebnis noch folgende Fehler
aufweisen, die durch gezielte Nachbearbeitung
der Ergebnisse verbessert werden müssen. Dafür
wurden folgende Techniken genutzt:
Reklassifizierung bzw. Recode
Es handelt sich um eine GIS-Analyse-Methode,
durch die Signaturen der gleichen Klasse zu einer
Signatur zusammengefügt bzw. zu einer Klasse
verschmolzen werden (z. B. Kiefernforst 1, Kiefernforst 2, … zu Kiefernforst).
Analyse der Nachbarschaft
(Neighborhood-Analysis)
Für die Analyse der Nachbarschaft werden verschiedene Filtertechniken der digitalen Bildverarbeitung verwendet. Dadurch können Einzelpixel eliminiert und Kanten geglättet werden (Abb.
51). Am häufigsten wird die „Majority“-Methode
verwendet, bei der die Mehrheit der Pixel in einer
vordefinierten Nachbarschaft zusammengefasst
wird (z. B. nach 3 × 3 Nachbarschaft oder 5 × 5
Nachbarschaft). Zudem wurde ein Kantenfilter
(Boundary Filter) verwendet.
Evaluation der Klassifikationsergebnisse
durch „Accuracy Assessment“
Es handelt sich hierbei um die Abschätzung des
Grades der Übereinstimmung zwischen der Klassifikationskarte und einer geeigneten Referenzinformation (z. B. der bekannte Wert aus dem DSW
2). Für die Beurteilung der Klassifikationsgenauigkeit werden unabhängige Pixel gewählt, die nicht
mit den Trainingsgebieten übereinstimmen. Diese
als Zufallsstichproben erfassten Verifizierungsgebiete sollten gleichmäßig über das gesamte Bild
verteilt sein. Es sollte eine möglichst hohe Anzahl
an Referenz-Pixeln bestimmt werden, um die
mittlere Klassifikationsgenauigkeit einer Klasse
mit einem Fehler von ± 5 % abzuschätzen. Dafür
wird jeder einzelne zufällige Wert auf Richtigkeit
überprüft, das heißt ob der Zufallswert (der einer
bestimmten Klasse angehört) in der Klassifikationskarte mit der Klasse der Referenzkarte übereinstimmt. Als Ergebnis erhält man eine Statistik
zu den einzelnen Klassen, sowie eine Statistik zur
Gesamtklassifizierung.
Abb. 51: Klassifikation vor (links) und nach (rechts) dem Einsatz von Filtertechniken (Nachbarschaftsanalyse)
2.1.4.4Darstellung der wichtigsten Ergebnisse
a) Ableitung von Baumarten auf der
Basis von Satellitendaten für die
Landkreise Barnim und Uckermark
Waldklassifikation auf der Basis von
Landsat
Als Ergebnis liegt eine aktuelle Thematische
Waldkarte vor (siehe Anhang). Diese stellt anhand
der Fernerkundungsdaten unterschiedliche Waldklassen dar. Die Karte zeigt die Landkreise Barnim und Uckermark mit einer Gesamtfläche von
etwa 4.500 km². Sie unterteilt sich in fünf Waldtypenklassen sowie zwei Nichtwaldklassen (Wasser und Nichtwald). Dabei wurden nur relevante,
das heißt aus der Forstgrundkarte ausmaskierte,
Forstflächen betrachtet. Anhand der Klassifikati-
on können drei Klassen mit Beständen von dominierenden Baumarten (Kiefer, Buche und Eiche)
und zwei Mischwaldklassen (Laubmischwald:
Buche-Eiche, Mischwald: Laub- und Nadelwald)
unterschieden werden. Die Auswertung basiert
auf einer Landsat-Szene vom 02.06.2011. Es
konnte für jede Behandlungseinheit (insgesamt
ca. 52.200 BHE‘s) der Waldtyp aus der Waldklassifikation zugeordnet (Abb.52) werden. Die Validierung ergab eine Gesamtübereinstimmung von
70,68 %.
Die Genauigkeit der Waldklassifikation mit
Landsat ist unter zwei Aspekten zu beurteilen:
(a) Zusammenhang mit der geometrischen Auflösung (30 m) und der Skala
(b) Klassifikationsgenauigkeit in Bezug zum
Gesamtgütemaß
Grundlegend für (a) ist die Frage, welche Ska-
Abb. 52: Ausschnitt
der Waldklassifikation
(Landsat) für die Waldflächen um Eberswalde
61
Abb. 53: Ausschnitt der
hergestellten Baumartenkarte (Landkreise
Barnim und Uckermark)
für ein Gebiet der
südlichen Schorfheide
am Werbellinsee
la in Abhängigkeit der Flächengröße betrachtet
wird. Für diese Untersuchung wurde eine mittlere
(Meso-) Skala betrachtet (Fläche ca. 4.500 km²).
Dabei nimmt ein einzelner Pixel immerhin eine
Fläche von 900 m² (30 m × 30 m) ein, was eine
gewisse Ungenauigkeit in Bezug auf die Erfassung von Baumarten(gruppen) impliziert. Durch
die gröbere Pixelgröße (bzw. geometrische Auflösung) kann andererseits relativ schnell und kostengünstig eine große Fläche (4.500 km²) ausgewertet werden.
Zu (b): Das Gesamtgütemaß beträgt 70,68 %
und ist somit eher moderat. Es zeigt die Übereinstimmungsgenauigkeit zwischen der Klassifikationskarte und der Referenzkarte anhand zufällig
ausgewählter Punkte. Dabei muss man allerdings
bedenken, dass die Referenzkarte durch z. B. falsche oder veraltete Angaben im DSW 2 fehlerhaft
sein und die Genauigkeit der Klassifikationskarte
höher sein könnte. Im Rahmen der Bestimmung
des Gesamtgütemaßes werden außerdem nicht
Pixel mit Pixel zwischen den Karten geprüft, sondern der Pixelwert der Klassifikationskarte mit
den BHE‘s der Referenzkarte (Information aus
dem DSW2). Da bei manchen BHE‘s in der Referenzkarte mehrere Baumarten aufgezeigt sind,
kann es bei der Prüfung der Stichproben zu einer
Überschätzung der Klassifikationsgüte für einzelne Punkte kommen.
Klassifikation der Baumarten auf der
Basis von RapidEye
Auf Grundlage von 18 mosaikierten RapidEyeKacheln wurde für die Landkreise Barnim und
Uckermark eine nahezu flächendeckende Bau-
62
martenklassifikation erzeugt (siehe Anhang).
Abb. 53 zeigt einen vergrößerten Ausschnitt der
Klassifikation im Bereich des Werbellinsees. Die
gesamte Baumartenkarte umfasst ca. 50.000
Behandlungseinheiten als kleinste einheitlich beschriebene Flächen der Forststruktur, für die Informationen zur Baumartenzusammensetzung
vorliegen. Ziel der Untersuchung war die Unterscheidung möglichst vieler Baumartenklassen.
Letztlich konnten drei Laubwaldklassen (Buche,
Eiche, sonstige Laubhölzer) und zwei Nadelwaldklassen (Kiefer-Lärche, Fichte-Douglasie) mit hinreichender Genauigkeit ausgewiesen werden.
Mit einem Gesamtgütemaß von 81,3 % konnte für
die Baumartenklassifikation ein sehr gutes Ergebnis erzielt werden. Weitere Baumarten bzw. Baumartenklassen lassen sich bei monotemporalen
Auswertungen aufgrund ihrer ähnlichen spektralen Signatur nur schwierig voneinander differenzieren. Diesen Zusammenhang zeigen IMMITZER
et al. (2012) für die Baumarten Kiefer und Lärche
sowie Fichte und Douglasie auf.
Im Vergleich zur Waldklassifikation mittels
Landsatdaten war die Klassifikation mit RapidEye
Daten wesentlich genauer. Zum einen konnten
über die RapidEye-Daten einzelne Baumarten
sowie Gruppen von zwei oder mehr Baumarten
ausgewiesen werden (z. B. die Klassen Kiefer-Lärche; Fichte-Douglasie; andere Laubhölzer). Zum
anderen liegt die geometrische Auflösung bei der
Auswertung der Rapideye Daten mit 5 m um den
Faktor 36 höher (5 m × 5 m = 25 m²) im Vergleich zu den Landsat Daten (900 m²). Auf dieser Skalenebene können wesentlich kleinräumigere Unterschiede detektiert werden (Meso- bis Mikroskala).
Allerdings ist eine Betrachtung auf Einzelbaumebene nicht möglich. Zur Überprüfung der Klassi-
Tab. 17: Produzenten (PG)- und Nutzergenauigkeit (NG) der einzelnen Baumartenklassen
Klassenname
Kiefer/
Lärche
Eiche
Buche
Fichte/
Douglasie
Sonstige
Laubhölzer
PG
88 %
73 %
74 %
56 %
63 %
NG
98 %
62 %
82 %
63 %
32 %
fikationsgüte wurden wieder zufällig ausgewählte
Stichprobenpunkte (Pixel) der Baumartenkarte
mit einem unabhängigen Referenzdatensatz, hier
Forsteinrichtungsdaten des DSW2, verglichen.
Die daraus resultierende Übereinstimmungsgenauigkeit (Gütemaß) stellt Tab. 17 dar. Die Produzenten- und Nutzergenauigkeit lässt darüber
hinaus die Beurteilung der Übereinstimmungsgenauigkeit einzelner Klassen zu (CONGALTON
1991).
Die Kennzahlen werden wie folgt definiert:
Produzenten-Genauigkeit (PG) = Beschreibt
das Verhältnis aus korrekt klassifizierten Pixeln einer Klasse und der Anzahl aller überprüften Pixel
in der Klasse
Nutzer-Genauigkeit (NG) = Beschreibt das Verhältnis aus korrekt klassifizierten Pixeln einer
Klasse und der Anzahl aller klassifizierten Pixel in
der Klasse
Die Genauigkeitswerte der einzelnen Baumartenklassen liegen vornehmlich zwischen 60 und
90 %. Am eindeutigsten lässt sich dabei die Baumartenklasse „Kiefer-Lärche“ klassifizieren (88 %
und 98 %). Die Klasse „sonstige Laubhölzer“
lässt sich lediglich befriedigend bis mäßig (63 %
und 32 %) klassifizieren.
b) Vergleich der Klassifikationsgenauigkeiten zwischen den Satellitensystemen Landsat und RapidEye
Hauptziel der Untersuchung ist der Vergleich von
Satelliten-Fernerkundungs-Systemen mit mittlerer (Landsat TM) und hoher Auflösung (RapidEye).
Dafür wurden Waldtypen mittels Klassifikation abgeleitet und miteinander verglichen. Ein weiterer
Fokus lag auf einer genauen Klassifikation der
RapidEye-Daten.
GesamtGütemaß
81,3 %
Untersuchungsgebiet
Der Landkreis Barnim liegt im Nordosten
Deutschlands, im Bundesland Brandenburg. Er
hat eine Fläche von etwa 1.495 km² und wurde als Beispiel ausgewählt, da hier viele der im
Gebiet POMERANIA vorkommenden Waldtypen
vertreten sind.
Die Informationen über die Bewaldung im Untersuchungsgebiet wurden aus dem DSW 2 hergeleitet. Danach wird der Wald im Landkreis Barnim,
der etwa 46 % der Gesamtfläche einnimmt, von
der Gemeinen Kiefer (Pinus sylvestris) dominiert
(LBV 2006). Diese stockt auf etwa 56 % der Waldfläche (3.955 ha). Die in dieser Region am häufigsten vorkommende Laubbaumart ist die Eiche mit
etwa 15 %, gefolgt von der Buche mit etwa 7 %
der Waldfläche. Der restliche Wald ist gemischt
mit einer Reihe von Baumarten, die für das Gebiet
POMERANIA typisch sind, wie Birke, Lärche und
Fichte.
Klassifikationsergebnisse
Die unüberwachte Klassifikation wurde für beide
Satellitenbildtypen zuerst mit sieben, dann mit
zwölf Klassen umgesetzt. Es wurde beobachtet,
dass das System automatisch Klassen für bestimmte Waldtypen festlegt. Hier wurden für beide Datentypen automatisiert die drei Waldtypen
Kiefer, Laubwald und Mischwald (dominiert durch
Koniferen) ermittelt.
Die überwachte Klassifikation wurde für beide
Datentypen zuerst mit vier Klassen realisiert (Abb.
54). Hier wurde zwischen den Klassen Kiefer, Mischwald dominiert durch Koniferen, Laubwald
und Mischwald dominiert durch Laubbäume differenziert.
Bei dieser Art der Klassifikation wurden für das
Landsatbild eine Genauigkeit von 77 % und
63
Abb. 54: Ergebnis der
überwachten
Klassifizierung für die
Landsat-TM-Daten
ein Kappa1 von 0,6685 erreicht. Für das Rapid
Eye-Bild erreichte man eine Genauigkeit von 89 %
und ein Kappa von 0,8452.
Das RapidEye-Satellitenbild wurde anschließend
in sechs Klassen unterteilt (Abb. 55), um zu ermitteln, ob eine genauere Unterscheidung zwischen Buche- und Eiche-dominierten Waldtypen
möglich ist. Für diese Art der Klassifikation lag
die generelle Genauigkeit bereits deutlich niedriger bei etwa 67 %, der Kappa-Koeffizient bei
0,542. Aufgrund der niedrigeren Genauigkeit
wurde die Klassifikation der RapidEye-Daten mit
sechs unterschiedlichen Klassen für nur eine der
acht Kacheln wiederholt. Die Genauigkeit lag bei
dieser Methode bei etwa 85 % bei einem Kappa
von 0,715.
Diskussion & Ausblick
Betrachtet man die unüberwachte Klassifikation
bei beiden Datentypen, kann deutlich zwischen
Waldgebiet und Nichtwaldgebiet unterschieden
werden. Das Waldgebiet unterteilt sich in zwei
Typen. Überprüfungen ergaben, dass diese Unterteilung jedoch keine Unterscheidung zwischen
Laub- und Nadelwald ermöglicht.
Die unüberwachte Klassifikation zeigt, dass eine
Einteilung in vier unterschiedliche Waldtypen für
die überwachte Klassifikation sinnvoll scheint.
Literaturrecherchen unterstützen diese Einschätzung. Für die überwachte Klassifikation mit vier
Klassen sind die erreichten Genauigkeiten zwischen 77 % (Landsat TM) und 89 % (RapidEye)
Abb. 55: Ergebnis der
überwachten
Klassifizierung der
RapidEye-Daten
1
Der Kappa-Koeffizient ist ein Maß, um die Güte der Klassifikation abzuschätzen. Er gibt die Stärke des Zusammenhangs zwischen dem Klassifikationsergebnis und den Referenzdaten wieder und kann Werte zwischen -1 (alle Übereinstimmungen sind zufällig) und 1 (es gibt keine zufälligen
Übereinstimmungen) annehmen.
64
sehr hoch. Bei ähnlichen Untersuchungen durch
HINZ im Jahr 2010 wurde ebenfalls eine Genauigkeit von 89 % erreicht. Betrachtet man die Kappa- Koeffizienten mit 0,6685 und 0,8452, sind diese im Vergleich zu ALTMAN (1990) ebenfalls sehr
hoch.
Die Genauigkeit wurde mit ERDAS ermittelt. Nach
VAN GENDEREN (1978) kann der Umfang der
Referenzpunkte starke Auswirkungen auf die Verwertbarkeit der Genauigkeitsergebnisse haben.
Außerdem muss bei Betrachtung der Ergebnisse
berücksichtigt werden, dass die aus dem DSW2
hergeleiteten Informationen nicht tagesaktuell gehalten werden. Daher kann selbst eine geprüfte
Genauigkeit von 100 % noch mit Fehlern behaftet sein. Eine Überprüfung der Referenzpunkte im
Feld wäre sinnvoll gewesen, wurde jedoch aus
Zeit- und Kostengründen nicht realisiert.
Betrachtet man die Klassifikation der RapidEyeDaten, fällt besonders auf, dass bei einer Unterscheidung in sechs Klassen für das einzelne Bild
eine deutlich genauere Klassifikation erreicht werden konnte, als für das aus acht Kacheln zusammengesetzte Bild. Ein Grund dafür könnte der
Bildqualitätsverlust bei der Mosaikierung der einzelnen Kacheln sein. Die Ergebnisse der Klassifikation mit vier Klassen für die mosaikierten acht
Kacheln und die Klassifikation in sechs Klassen
für eine Kachel, zeigen eine sehr hohe Genauigkeit mit über 85 % und einen Kappa-Wert von
über 0,715.
Bei einer groben Einteilung von Waldtypen in Nadelbäume, Laubbäume und Mischwald zeigten
die verwendeten Landsatdaten gute Ergebnisse.
Diese Methode kann in großen Gebieten eine
schnelle Möglichkeit sein, sich einen Überblick
zu verschaffen. Für eine detaillierte Biomasseabschätzung reichen die Informationen jedoch nicht
aus. Hier lässt sich aus den Ergebnissen erschließen, dass eine Herleitung weiterer Parameter aus
den Landsat TM-Daten nicht möglich scheint.
Selbst die Bestimmung von Parametern wie
Dichte ist bei einer Pixelgröße von 30 m × 30 m
unrealistisch. Auch im Hinblick auf die RapidEyeDaten mit einer Auflösung von 5 m × 5 m scheint
eine Abschätzung von Parametern wie der Bestands-Dichte, vor allem in jüngeren Beständen mit einem geringen Kronendurchmesser,
schwierig.
Methodisch stützte sich die gesamte Untersuchung auf eine pixel-basierte Klassifikation. Hier
könnte als nächster Schritt eine Segmentierung
des Forstgebietes oder eine objektorientierte
Klassifikation durchgeführt werden und ein Vergleich zeigen, welche Methode höhere Genauigkeit liefert.
Nicht nur eine Anpassung der Methode, auch
die Kombination mit anderen Daten kann die erhaltenen Ergebnisse verbessern. So könnte die
Auswertung auf Basis von Luftbildern mit einer
räumlichen Auflösung von 0,2 m × 0,2 m oder die
Kombination mit LIDAR-Daten z. B. eine Herleitung von Höheninformationen der Bestände ermöglichen.
c) Baumartenerkennung auf der Basis
von multitemporalen RapidEyeSatellitenbildern
Durch die Verwendung von Satelliten-Szenen, die
zu unterschiedlichen jahreszeitlichen Perioden
aufgenommen wurden, lässt sich die Genauigkeit der Baumartenidentifikation sowie die Anzahl
der klassifizierten Baumarten verbessern. Dabei
sind Aufnahmen zu nutzen, die wichtige phänologische Stadien erfassen. So sind insbesondere Aufnahmen im Frühjahr vom Austrieb bis zum
Erreichen der Blatt- bzw. Nadelreife sowie in der
Zeit der herbstlichen Blattverfärbung geeignet
(HILDEBRANDT 1996). Als Untersuchungsgebiet
wurde wiederum der Landkreis Barnim ausgewählt.
Das Ziel der Analysen war eine möglichst genaue
Baumartenklassifikation für die acht Baumarten,
die im Landkreis am häufigsten vorkommen.
Methodische Besonderheiten
Für die Untersuchungen wurden die Forsteinrichtungsdaten des Datenspeichers Wald (DSW 2)
genutzt. Auf dieser Basis konnten die aktuellen
Reinbestände der im Landkreis Barnim vorkommenden Baumarten für die Eigentumsart Landeswald ermittelt werden. Die Landeswaldflächen
umfassen ca. 44.400 ha und nehmen einen Anteil
von 56,7 % des Gesamtwaldes ein. Abb. 56 zeigt
den Flächenanteil der wichtigsten Baumarten.
65
Abb. 56: Anteil der
Baumarten (Reinbestände)
im Landeswald des
Landkreises Barnim aus
dem DSW 2
Demnach bilden die Baumarten Kiefer, Rot-Buche und Eiche einen Anteil von zusammen rund
83,7 %. Die anderen für diese Arbeit relevanten
Baumarten machen jeweils nur einen Anteil von
ca. 2–5 % aus. Terrestrische Ausgangsdaten für
diese Klassifikation waren die Forsteinrichtungsdaten aus dem DSW 2 (Reinbestände des Landeswaldes). Aus den Reinbeständen wurden für
jede Objektklasse (Baumart) 50 möglichst homogen verteilte und repräsentative Trainingsflächen
für die Klassifikation bestimmt.
Als Fernerkundungsdaten für die Klassifikation
wurden RapidEye-Aufnahmen vom 2. Mai 2009
und 24. September 2010 ausgewählt, da diese
Daten flächendeckend (für den gesamten Landkreis) und in ausreichender Qualität zur Verfügung
standen. Es wurden drei unabhängige Klassifikationen durchgeführt:
a) Klassifikation für den 02.05.2009 (phänologischer Zeitraum des Blattaustriebs)
b) Klassifikation für den 24.09.2010 (phänolog.
Zeitraum der Blattverfärbung)
c) Multitemporale Klassifikation für die kombinierten Szenen
Ergebnisse
a)Klassifikation für den 02.05.2009
(phänologischer Zeitraum des
Blattaustriebs)
Die Validierung der Szene vom 2. Mai 2009 ergab
die Werte in Tab. 18. Das Gesamtgütemaß liegt
bei 43,9 % und der Kappa-Koeffizient bei 0,357.
66
Die Trennung von Nadelbaum- und Laubbaumarten gelang mit einer Genauigkeit von 85,8 %; die
Gesamtgenauigkeit innerhalb der Nadelbaumarten liegt bei 48,5 % und innerhalb der Laubbaumarten bei 53,3 %. Die höchsten Produzentengenauigkeiten (PGs) erreichten die Objektklassen
GKI (83,7 %) und RBU (78,7 %); die anderen PGs
liegen alle unter 50 %. Die Nutzergenauigkeit bewegt sich im Bereich zwischen 31,3 und 51,4 %.
b)Klassifikation für den 24.09.2010
(phänologischer Zeitraum der Blattverfärbung)
Das Validierungsergebnis der Szene vom 24.
Sept. 2010 ist in Tab. 19 dargestellt. Das Gesamtgütemaß ergab eine Genauigkeit von 33 % und
der Kappa-Koeffizient liegt bei 0,230. Die Trennung von Nadelbaum- und Laubbaumarten gelang zu 84 %. Die Gesamtgenauigkeit innerhalb
der Nadelbaumarten liegt bei 40,3 % und bei den
Laubbaumarten bei 38,5 %. Die Klassen GKI und
EI erreichten im Vergleich zu den anderen beiden
Layern die höchste Produzentengenauigkeit mit
93,9 bzw. 86,4 %.
Die anderen Klassen liegen alle unter 40 % und
erreichten die geringsten PGs. Die höchsten Nutzergenauigkeiten (NGs) erreichten im Vergleich zu
den anderen Layern die Klassen GFI und GBI mit
66,7 bzw. 65,2 %.
Tab. 18: Klassifikationsmatrix für die RapidEye-Szene vom 2. Mai 2009 mit 5 Kanälen
Referenz
GKI
Klassifiziert als
LAE
GFI
GDG
RBU
EI
GBI
RER
NW
∑
PG
GKI
LAE
GFI
GDG
RBU
EI
GBI
RER
41
14
19
10
0
0
2
1
7
2
0
0
0
0
0
10
15
0
0
1
7
7
1
2
0
2
0
3
NW
∑
NG
0
86
0,477
4
2
16
0,438
0
0
0
25
0,400
0
0
0
0
15
0,467
0
37
15
1
16
72
0,514
1
1
3
14
9
2
32
0,438
21
4
3
4
3
20
6
64
0,313
1
1
0
0
3
12
4
18
39
0,462
0
0
1
0
0
0
1
0
49
46
44
36
47
44
41
44
0,837
0,152
0,227
0,194
0,787
0,318
0,488
0,409
0
2
351
0,439
Kappa = 0,357
Tab. 19: Klassifikationsmatrix für die RapidEye-Szene vom 24. September 2010 mit 5 Kanälen
Referenz
GKI
Klassifiziert als
LAE
GFI
GDG
RBU
EI
GBI
RER
NW
∑
PG
GKI
LAE
GFI
GDG
RBU
EI
GBI
RER
46
31
25
18
0
1
12
0
0
1
0
0
0
0
1
8
2
0
0
0
2
0
0
2
0
3
12
0
NW
∑
NG
1
134
0,343
0
0
1
0,000
0
0
1
12
0,667
0
0
0
0
2
0,000
0
9
2
2
10
25
0,360
7
14
36
38
10
29
149
0,255
0
0
2
2
1
15
3
23
0,652
0
0
0
0
0
2
2
0
4
0,000
0
0
1
0
0
0
0
0
49
46
44
36
47
44
41
44
0,939
0,000
0,182
0,000
0,191
0,864
0,366
0,000
0
1
351
0,330
Kappa = 0,230
GKI = Pinus sylvestris, LAE = Larix decidua, GFI = Picea abies, GDG = Pseudotsuga menziesii, RBU =
Fagus sylvatica, EI = Quercus spec., GBI = Betula pendula, RER = Alnus glutinosa, NW = Nadelwald,
NG = Nutzergenauigkeit, PG = Produzentengenauigkeit
c)Multitemporale Klassifikation für die
kombinierten Szenen
Die Validierung des kombinierten Layers ergab
die Werte in Tab. 20. Das Gesamtgütemaß liegt
bei 60,4 % und der Kappa-Koeffizient bei 0,546.
Die Unterscheidung von Nadelbaum- und Laubbaumarten gelang zu 92 %, die Gesamtgenauigkeit innerhalb der Nadelbaumarten liegt bei
66,7 % und innerhalb der Laubbaumarten bei
64,7 %. Hier wurden sowohl die höchsten PGs
erreicht (mit Ausnahme der Klassen GKI und EI),
67
Tab. 20: Klassifikationsmatrix für die kombinierten Szenen mit 10 Kanälen
Referenz
GKI
Klassifiziert als
LAE
GFI
GDG
RBU
EI
GBI
RER
NW
∑
PG
GKI
LAE
GFI
GDG
RBU
EI
GBI
RER
42
9
11
9
0
0
1
0
26
5
0
0
0
0
1
16
10
0
0
0
5
16
1
3
0
3
0
2
NW
∑
NG
0
72
0,583
0
1
32
0,813
0
0
0
27
0,593
0
0
0
0
21
0,762
0
42
16
4
14
80
0,525
0
1
1
22
6
2
35
0,629
7
5
0
2
1
24
3
44
0,545
1
0
1
0
2
5
5
24
38
0,632
0
0
1
0
0
0
1
0
49
46
44
36
47
44
41
44
0,86
0,56
0,36
0,44
0,89
0,50
0,58
0,54
0
2
351
0,60
Kappa = 0,546
GKI = Pinus sylvestris, LAE = Larix decidua, GFI = Picea abies, GDG = Pseudotsuga menziesii, RBU =
Fagus sylvatica, EI = Quercus spec., GBI = Betula pendula, RER = Alnus glutinosa, NW = Nadelwald,
NG = Nutzergenauigkeit, PG = Produzentengenauigkeit
die zwischen 36,4 und 89,4 % liegen, als auch
höchste NGs (mit Ausnahme der Klassen GFI und
GBI), die zwischen 52,5 % und 81,3 % liegen. Die
vollständige Klassifikationskarte der kombinierten
Szenen ist im Anhang dargestellt.
Diskussion
Der kombinierte Layer erreichte das beste Ergebnis und zeigte somit, dass multitemporale
Multispektral-Klassifikationen eine Verbesserung
bei Baumartenerkennungen bewirken können. Im
Vergleich der Szenen erzielte die Mai-Szene insgesamt das bessere Ergebnis mit 43,9 zu 33,0 %,
weil sie wahrscheinlich in einem günstigeren phänologischen Stadium lag. Die Hauptbaumarten
Gemeine Kiefer, Rotbuche und Eichen mit den
größten Flächenanteilen erreichten durchschnittlich höhere Genauigkeiten als die Nebenbaumarten. Die Trennung von Nadel- und Laubbaumarten gelang mit Genauigkeiten zwischen 84 % und
92 %, wobei die meisten Fehlklassifikationen in
der Verwechslung von Birke und Lärche oder in
der Überschätzung der Hauptbaumarten ihre
Ursache hatten. Die Ergebnisse lassen darauf
68
schließen, dass phänologische Stadien eine bedeutende Rolle bei der Erkennung von Baumarten
einnehmen.
Abschließend lässt sich sagen, dass eine detaillierte Differenzierung von acht oder mehr Baumarten für das Satellitensystem RapidEye nur für
multitemporale Betrachtungen sinnvoll ist. Dabei
wäre es ein vielversprechender Ansatz, weitere
phänologische Zeiträume in die multitemporale
Auswertung einzubeziehen und auszuwerten.
d) Holzvorratsschätzung
Als Ergebnis entstand zunächst eine kategoriale
Holzvorratskarte (siehe Anhang und Abb. 57) für
die Hauptbaumarten Kiefer, Buche und Eiche für
ein Gebiet von 625 km² (25 km × 25 km). Hierzu
wurde eine einzelne RapidEye-Szene verwendet.
Analog erfolgte eine zweite Holzvorratsklassifikation für ein 18 RapidEye-Szenen umfassendes
Mosaik der Landkreise Barnim und Uckermark
(siehe 2.1.4.3). Die vier gebildeten Holzvorratsklassen konnten in Stufen von 150 Vfm/ha erfolgreich klassifiziert und flächendeckend abgeleitet
werden. So wurde für jeden Bestand der betrach-
Abb. 57: Holzvorratskarte
für die drei Hauptbaumarten (Kiefer, Buche, Eiche)
abgeleitet aus terrestrischen Daten und einer
RapidEye-Kachel (625 km²)
teten Untersuchungsflächen die dominierende
Baumart und der Holzvorrat als Vorratsklasse bestimmt.
Die Genauigkeitsüberprüfung erfolgte analog zur
Baumartenklassifikation über einen Vergleich der
Ergebnisse der Baumart und des Holzvorrates mit
dem DSW 2. Dabei wurde die Genauigkeitsanalyse für beide Holzvorratskarten durchgeführt. Das
Gesamtgütemaß der Holzvorratsklassifikation für
eine betrachtete RapidEye-Szene beträgt 75,4 %.
Es verringert sich für die Gesamtfläche Barnim und Uckermark mit 18 mosaikierten Rapid
Eye-Szenen) auf 54,2 %.
Zur Bestimmung des Holzvorrats auf Ebene der
Behandlungseinheiten (BHE) wurden die Pixelwerte des Holzvorrats der einzelnen BHEs aus
der kategorialen Holzvorratskarte über das ArcGIS-Tool „Zonal Statistics“ aggregiert. Ergebnis
ist eine flächengenaue und detailscharfe Holzvorratskarte (siehe Anhang), die Informationen über
den Holzvorrat je Hektar (Vfm/ha) und über den
absoluten Holzvorrat (Vfm) für jeden Bestand enthält (Abb. 58, Tab. 21). Die Ergebnisse liegen in
tabellarischer Form vor und können der Attributtabelle der Forstgrunddaten hinzugefügt werden.
Insgesamt konnte so für ca. 12.000 BHE‘s der
Holzvorrat über Satellitendaten geschätzt werden
(siehe Anhang). Der Vergleich der Holzvorratskarte mit dem Datenspeicher Wald ergab eine mittlere Abweichung pro BHE von 23 % für den Holzvorrat (Vfm/ha).
Tab. 21: Kennwerte für die ausgewertete Fläche
von 625 km²
Gesamtfläche
625 km²
Gesamt-Waldfläche
370,1 km²
mittlere Flächengröße
2,93 ha
mittlerer Vorrat pro ha
296,5 Vfm
Holzvorrat (insgesamt)
12,5 Mill. Vfm
Abb. 58: Ausschnitt der
Holzvorratskarte mit Holzvorrat je Hektar (Vfmha)
(links) und
absolutem Holzvorrat (Vfm)
(rechts) für eine Behandlungseinheit mit visualisierter Attributtabelle
69
Diskussion
Bei der Holzvorratsklassifikation verschlechtert
sich das Gesamtgütemaß bei Verwendung eines
Mosaiks aus 18 RapidEye-Szenen um 21,2 % gegenüber der Bearbeitung einer einzelnen Kachel.
Dies ist mit großer Wahrscheinlichkeit auf die Mosaikierung zurückzuführen. In diesem Prozess erfolgt eine Neuberechnung der Grauwerte der einzelnen RapidEye-Kanäle für die verwendeten 18
Szenen, wodurch die Klassifikationsgenauigkeit
bei der Unterscheidung einzelner Holzvorratsklassen erheblich einschränkt wird. Eine hinreichende
Unterscheidbarkeit war aus diesem Grund nur
für die Vorratsklassen der drei Hauptbaumarten
(Kiefer, Buche und Eiche) möglich. Hinzu kommt,
dass die Inventurdaten (Trainingsdaten) nur in
einem Gitternetz von 4 × 4 km vorliegen. Durch
eine Erhöhung der Anzahl an Trainingsgebieten
würden sich die Klassifikationsergebnisse deutlich verbessern lassen.
Für die auf Behandlungseinheiten aggregierten
Holzvorräte wurde eine mittlere Abweichung von
23 % ermittelt. Gründe für diese Abweichung sind
darin zu sehen, dass bei einer Klassifikation durch
Satelliten-Daten nur der „Blick von oben“ gegeben ist. Aussagen über die Bestandeshöhe können somit nicht getroffen werden, stellen jedoch
eine wichtige Ertragskenngröße für die Ableitung
des Bestandesvorrats dar. Unter diesem Aspekt
könnte die Holzvorratsschätzung durch die Einbeziehung von Ergebnissen des flugzeuggetragenen Laserscannings verbessert werden.
Abb. 59:
Holzvorratskarte für die
Nadelwälder der
POMERANIA-Region
70
e) Ableitung einer Holzvorratskarte für
die POMERANIA-Nadelwaldflächen
Für die gesamte POMERANIA-Region wurde eine
thematische Karte abgeleitet (siehe Anhang und
Abb. 59). Die Karte zeigt die Gesamtholzvorräte
der Landkreise für alle Nadelwälder in Millionen
Vorratsfestmeter.
Tab. 22 zeigt die Gesamtfläche der Landkreise,
die Fläche und den Anteil der Klasse Nadelwald
für die Landkreise, den Holzvorrat und den mittleren Holzvorrat für alle Nadelwaldflächen der
Landkreise und für Gesamt-POMERANIA. Der
Nadelwaldholzvorrat in diesem Gebiet ist enorm,
er beträgt ca. 195,2 Millionen Vorratsfestmeter
bzw. Kubikmeter (m³). Dabei schwanken sowohl
die Vorräte für die einzelnen Landkreise als auch
der Anteil der Klasse Nadelwald an der Gesamtfläche stark. So liegt der Nadelholzvorrat für den
Landkreis Koszalinski (Fläche ca. 10.257 km²) bei
82,38 Millionen Vorratsfestmeter, während er für
den flächenmäßig ebenfalls relativ großen Landkreis Rügen (ca. 964 km²) bei 0,86 Millionen m³
liegt. Der Anteil der Nadelwaldflächen zur Gesamtfläche schwankt zwischen 3,5 % für den
Landkreis Demmin und 34,6 % für den Landkreis
Barnim. Der mittlere Holzvorrat der Landkreise
schwankt dabei von 177,3 m³ für den Kreis Demmin bis 318,2 m³ für Stettin als Kreisfreie Stadt.
Methodische Besonderheiten
Für die Ableitung der Holzvorratskarte für die
gesamte POMERANIA-Region (Abb. 59) wurde
Tab. 22: Gesamtfläche, Fläche und Anteil der Klasse Nadelwald (NW), Holzvorrat und mittlerer
Holzvorrat für die Landkreise der POMERANIA-Region
Landkreis
Barnim
Demmin
Koszalinski
Mecklenburg-Strelitz
Nordvorpommern
Ostvorpommern
Rügen
Stargardzki
Szczecinski
Uckermark
Uecker-Randow
Kreisfreie Städte
(Szczecin, Neubrandenburg, Greifswald)
Gesamt
Gesamtfläche
des
Landkreises
(km²)
Anteil der
Klasse NW
zur Gesamtfläche (%)
Holzvorrat
(Millionen)
m³
Fläche Nadelwald (ha)
mittlerer
Holzvorrat
(m³/ha)
1.480,59
34,6
14,05
51.196
274,4
1.908,57
3,5
1,18
6.655
177,3
10.257,37
28,5
82,38
292.178
282
2.072
19,9
10,58
41.147
257,1
2.107,90
4,1
1,53
8.633
177,2
1.876,23
8,4
4,34
15.775
275,1
964,95
3,8
0,86
3.715
231,5
6.765,13
15,5
27,42
104.884
261,4
4.819,56
21
30,33
101.337
299,3
3.033,60
15,2
11,77
46.130
255,1
1.479,16
22,9
10,09
33.890
297,7
432,38
4,6
0,63
1.980
318,2
ca. 37.750
18, 8
195,16
707.520
275,8
zunächst eine Holzvorratsklassifikation mit einer
Pixelauflösung von 30 m durchgeführt. Für diese
konnten wiederum vier Holzvorratsklassen in Stufen von 150 m³/ha sowie drei Nichtwaldklassen
unterschieden werden (Ausschnitt der Klassifikation, siehe Abb. 61 unten links). Ausgangsdaten für die Klassifikation sind sechs mosaikierte
Landsat TM-Szenen von 2006 sowie Inventurdaten für die gesamte POMERANIA-Region (siehe
Kapitel 2.1.4.3). Dabei wurden als terrestrische
Ausgangsdaten die deutschen Inventurdaten der
Bundeswaldinventur von 2002 und die Daten der
polnischen Forstinventur (WISL) 2002-2006 genutzt.
Eine Ableitung auf Baumartenebene war aufgrund der gröberen Pixelauflösung von 30 m des
Landsat-Systems nicht zielführend. Die Maskierung der Waldklassen erfolgte mittels des Corine
Landcover Produktes aus dem Jahre 2006.
Anteil der Waldflächen und Waldklassen in den
Großregionen
Tab. 23 und Abb. 60 zeigen den Anteil der Waldflächen für die POMERANIA-Region, eine Übersicht des Waldanteils, sowie den Anteil der drei
Waldklassen für die drei Großregionen Westpommern, östliches Mecklenburg-Vorpommern sowie
Barnim und Uckermark. Der Waldanteil ist für
die Woiwodschaft Westpommern mit 38,4 % am
größten, für den POMERANIA-Teil Brandenburgs
(Uckermark und Barnim) liegt dieser bei 32 % und
für den POMERANIA-Teil Mecklenburg-Vorpommerns bei 22 %.
Für die Waldflächen überwiegt die Klasse Nadelwald, diese beträgt laut Corine-Landbedeckungs-Klassifikation für die Gesamtregion
ca. 7.075 km², was 18,6 % der Gesamtfläche
ausmacht. Die Laubwaldfläche nimmt in etwa
3.092 km² ein (8,2 % der Gesamtfläche) und die
Mischwaldfläche beträgt 2.322 km² (6,2 %) (siehe
Tab. 23). Der Anteil der Waldklassen ist in den drei
Großregionen unterschiedlich, die Nadelwaldflächen nehmen in Westpommern und Brandenburg
(Uckermark und Barnim) einen Anteil von mehr als
20 % (21,3 % und 22 %) der Gesamtfläche ein. Der Anteil der Nadelwaldflächen für Mecklenburg-Vorpommerns POMERANIA-Gebiet umfasst
hingegen nur 10,3 %. Die einzelnen Werte sind
Tab. 23 und dem gestapelten Balkendiagramm in
Abb. 60 (unten rechts) zu entnehmen.
71
Abb. 60 links: Verteilung
der Waldflächen für
POMERANIA /oben
rechts: Anteil der Waldfläche zur Gesamtfläche der
drei Großregionen in %
(nach Corine Landcover)/
unten rechts: Waldanteil
der Waldklassen (%)
Laub-,Nadel- und
Mischwald zur Gesamtfläche in den Hauptregionen
von POMERANIA (nach
Corine Landcover)
Tab. 23: Gesamtfläche, Waldanteile für POMERANIA und in den drei Großregionen abgeleitet aus
Corine-Landcover 2006
Region
Flächengröße
(Absolut /%)
Waldanteil
(absolut /%)
Fläche
Nadelwald
(absolut /%)
Fläche
Laubwald
(absolut /%)
Fläche
Mischwald
(absolut /%)
POMERANIA
37.751 km² 100 %
12.432 km² 32,9 %
7.075 km²
18,6 %
3.092 km²
8,2 %
2.322 km²
6,2 %
Mecklenburg-Vorp.
(POMERANIA-Gebiet)
10.723 km² 28,4 %
2.354 km² 22,0 %
1.098 km² 10,3 %
963 km²
9,0 %
292 km²
2,7 %
Barnim und Uckermark
4.574 km²
12,1 %
1.462 km² 32 %
973 km²
21,3 %
387 km²
8,5 %
102 km²
2,2 %
Westpommern
22.430 km² 59,4 %
8.614 km² 38,4 %
4.984 km² 22,2 %
1.742 km² 7,8 %
Analyse des Holzvorrates für die einzelnen
Nadelwaldflächen der Gesamtregion
Durch die Corine Landcover Daten wurden für
jede Waldklasse (Nadel-, Laub- und Mischwald)
Polygone vektorisiert und in einer Geodatenbank
abgelegt. Insgesamt wurden so für die gesamte
POMERANIA-Region 2.594 Nadelwald-, 3.740
Laubwald- und 2.260 Mischwaldflächen ausgewiesen.
Für die Holzvorratskarte wurden bisher alle Nadelwaldflächen der POMERANIA-Region ausgewertet. Als Ergebnis konnten für jede Nadelwaldfläche der mittlere Holzvorrat pro Hektar sowie
der absolute Holzvorrat pro Polygon abgeleitet
werden. Die Ergebniswerte können für jedes Polygon, das sich in der Projektregion befindet, aus
dem Geodatenportal des Projektes entnommen
72
1.930 km² 8,6 %
werden. Abb. 61 zeigt beispielhaft für einen Ausschnitt (Stadt Swinemünde, Insel Usedom an der
deutsch-polnischen Grenze) (Abb. 61 oben links)
die nach der Corine-Klassifikation abgegrenzten Nadelwaldpolygone (Abb. 61 oben rechts).
Dabei ist anhand des Ausschnittes der Holzvorratsklassifikation (Abb. 61 unten links) ersichtlich,
dass die einzelnen Flächen nicht homogen einer
Vorratsklasse angehören, sondern durch unterschiedliche Vorratsbereiche gekennzeichnet sind.
Zudem konnten auch andere Landnutzungsklassen wie z. B. Wasser-, Grün- und Brachflächen
für die einzelnen Nadelwaldpolygonen klassifiziert
werden. In Abb. 61 unten rechts sind die Absolutvorräte der jeweiligen Nadelwaldpolygone (in
Vorratsfestmeter pro Polygon) als metrischer Wert
dargestellt. Die Ergebniswerte (mittlerer Holzvor-
Abb. 61 oben links: Karte
der Stadt Swinemünde
und Umgebung (Quelle:
Google Maps), oben
rechts: Luftbild aus dem
Jahre 2013 mit den markierten Nadelwaldpolygonen (vektorisiert aus
Corine Landcover Daten
und Google Earth), unten
links: Luftbild mit Ausschnitt der klassifizierten
Nadelwaldpolygone aus
der Holzvorratsklassifikation (Ausgangsdaten 2006)
für GesamtPOMERANIA,
unten rechts: Nadelwaldpolygone mit abgeleitetem Absolut-Holzvorrat
in m³ pro Fläche.
rat pro Hektar, absoluter Holzvorrat für jedes Polygon) sind im Geodatenportal (siehe Kapitel 2.3)
abrufbar.
Kennwerte des Holzvorrates für die
Nadelwaldflächen der Gesamtregion
Tab. 24 zeigt den Gesamtholzvorrat und den
mittleren Holzvorrat für alle Nadelwaldflächen
der Großregionen und des gesamten POMERANIA-Gebietes, die flächendeckend aus den einzelnen Nadelwaldpolygonen berechnet wurden.
Der Nadelwaldholzvorrat für die Gesamtregion
beträgt demnach ca. 194,5 Millionen Vorratsfestmeter bzw. Kubikmeter (m³). Davon befinden
sich 72 % (140,1 Millionen m³) in Westpommern,
14,7 % auf dem POMERANIA-Gebiet von Mecklenburg-Vorpommern (28,6 Millionen m³) und
13,3 % (25,8 Mill. m³) im Brandenburger Teil der
POMERANIA-Region (Uckermark und Barnim).
Abb. 62 und Tab. 25 zeigen die Wertebereiche der
Flächengrößen der Nadelwaldpolygone (in km²)
und des Holzvorrats pro Polygon (Absolut-Vorrat
in m³) (Abb. 62 links) und des mittleren Vorrats in
m³ pro Hektar (Abb. 62 rechts). Diagramm 1 (Abb.
Tab. 24: Gesamtholzvorrat und mittlerer Holzvorrat für Nadelwaldflächen nach Großregionen in
der POMERANIA-Region (abgeleitet aus den Nadelwaldflächen)
Gesamt-Holzvorrat
Nadelwald
Gesamt-Fläche
Nadelwald
mittlerer
Holzvorrat
POMERANIA (Gesamt)
194,53 Mill. m³
7.055,2 km²
275,8 m³/ha
Mecklenburg-Vorpommern
(POMERANIA-Gebiet)
28,58 Mill. m³
1.098,15 km²
260,3 m³/ha
Barnim und Uckermark
25,82 Mill. m³
973,26 km²
265,3 m³/ha
Westpommern
140,13 Mill. m³
4.983,99 km²
281,2 m³/ha
Region
73
Abb. 62 links: Flächengrößen der Nadelwaldpolygone (in km²) gegen Holzvorrat pro Polygon
(Absolut-Vorrat in m³×10³ / rechts: Flächengrößen der Nadelwaldpolygone (in km²) im Vergleich
zum mittleren Holzvorrat je Nadelwaldpolygon (in m³ pro Hektar).
62 links) zeigt die Verteilung der Polygonflächen in
Bezug zum Absolut-Vorrat. Es ist ersichtlich, dass
weniger große Nadelwaldpolygone als kleine vorkommen. Das Polygon mit der größten zusammenhängenden Waldfläche (1.046 km²) besitzt
einen beträchtlichen Holzvorrat von 32,75 Millionen m³. Weitere verhältnismäßig große Polygone
(> 100 km²) besitzen Holzvorräte von mehreren
(zwei bis zehn) Millionen Vorratsfestmeter (siehe
Abb. 62 links). Die meisten Polygone besitzen allerdings „nur“ eine Flächengröße im zweistelligen
Hektarbereich, mit dementsprechend geringerem
Holzvorrat. So liegt der Medianwert von allen Polygonflächen bei 29 Hektar und der Median des
Absolut-Vorrats bei 5.100 m³ pro Fläche (siehe
Tab. 25). Das bedeutet, es gibt viele Polygone mit
kleinerer Flächengröße und dementsprechend
niedrigem Absolut-Vorrat und wenige große Flä-
chen, die allerdings verhältnismäßig einen sehr
hohen Absolut-Vorrat ausmachen. Das Diagramm
rechts zeigt den mittleren Vorrat in Abhängigkeit
zur Flächengröße. Es ist sichtbar, dass die größeren Polygonflächen (> 100 km²) einen mittleren
Holzvorrat von 280 bis 330 m³ pro Hektar besitzen.
Zur Evaluierung der Ergebnisse wurden Vergleichswerte aus der nationalen polnischen
Waldinventur von 2006–2010 für die Woiwodschaft Westpommern genutzt. Danach liegt der
mittlere Holzvorrat für Kiefer1 bei 283 m³/ha (nach
BULIGL 2011) und somit nur sehr geringfügig über
dem mittleren Holvorrat von 281 m³/ha, der durch
die Klassifikationskarte für Nadelwald abgeleitet
wurde (siehe Tab. 24). Ein Vergleich für einzelne
Polygone konnte mangels Vergleichsdaten nicht
durchgeführt werden.
Tab. 25: Wichtige Kennwerte der Nadelwaldpolygone
1
Charakteristika
Min.
Max.
Mittelwert
Median
Flächengröße der Nadelwaldpolygone (km²)
0,01
1.046
2,72
0,29
abgeleiteter Absolut-Vorrat der
Polygone (Vfm = m³)
140
32.750.000
75.610
5.100
90 % der Nadelwaldbestände in Westpommern sind der Baumart Kiefer zuzuordnen (BULIGL 2011)
74
f) Kosten, Genauigkeit, Verwertbarkeit
und voraussichtlicher Nutzen der
Ergebnisse
Tab. 26 zeigt einen Überblick über die wichtigsten
Kenndaten der produzierten Ergebniskarten. Die
Karten 1 bis 3 befassen sich thematisch mit der
Identifikation von Baumarten (bzw. Waldklassen),
der Fokus der Karten 4 bis 6 liegt auf den Holzvorräten. Die Karten unterscheiden sich in der
Flächengröße, in der Genauigkeit, in der Anzahl
der verwendeten Kacheln, sowie in den Kosten,
die durch die genutzten Fernerkundungsdaten
entstanden sind.
Die einzelnen Karten wurden nach unterschiedlichen Methoden entwickelt, bei denen jeweils der
Klassifikationsprozess im Mittelpunkt stand (siehe auch 2.1.4.3).
Für die Auswertung der Daten wurde geeignete Software herangezogen, die gegebenenfalls
mit Kosten für Anschaffung und Lizenzgebühren verbunden ist. Im Projekt wurden das Bildverarbeitungsprogramm Erdas Imagine und die
GIS-Software ArcGIS 10 sowie die Erweiterung
„spatial analyst“ verwendet. Die Software und die
dazugehörigen Lizenzen wurden im Rahmen des
Projektes beschafft. Auf die Kosten der Software
soll hier nicht weiter eingegangen werden. Die
terrestrischen Daten (Forsteinrichtungs- und Inventurdaten) stammen vom LFE oder wurden uns
kostenlos zur Verfügung gestellt.
Tab. 26: Kenndaten der Ergebniskarten
Klassifikationskarte
Flächengröße
Was wurde
klassifiziert?
Anzahl der
Kacheln
1. Waldklassifikation (Landsat)
4.500 km²
5 Waldklassen
2. Baumartenkarte
(RapidEye)
ca. 4.000 km²
3. multitemporale
Baumartenkarte
(RapidEye)
4. kategoriale
Holzvorratskarte
(RapidEye)
5. detailscharfe
Holzvorratskarte
(Ableitung aus der
Holzvorratsklassifikation)
6. Holzvorratskarte
POMERANIA
(Landsat)
Genauigkeit als
Gütemaß und
als
Auflösung
Kosten der
Fernerkundungsdaten
(als Basis)
1
70,7 % /
30 m
kostenfrei
5 Baumartenklassen
18
81,3 % /
5m
10.800 €
ca. 1.500 km²
8 Baumartenklassen
16 (2 × 8)
60,4 % /
5m
9.600 €
625 km² und
ca. 4.000 km²
3 Hauptbaumarten mit
jeweils 4 Vorratsklassen
1 / 18
75,4 %
(1 Kachel) /
54,3 %
(18 Kacheln) /
5m
600 € und
10.800 €
625 km²
Ableitung der
Vorratswerte
(metrisch)
1
mittlere
Abweichung
pro
BHE bei 23 %
–
ca. 38.000 km²
4 Vorratsklassen für
Nadelwald
6
Vergleich mit
BULIGL 2011 /
Auflösung
30 m
kostenfrei
75
Kosten und Genauigkeit der
Baumartenerfassung (Karten 1 bis 3)
} Waldklassifikation (Landsat) Ú Einschätzung:
moderate Genauigkeit
Die Kosten der Herstellung einer solchen Karte
sind gering, da die Landsat-Szenen kostenlos
sind, es fallen lediglich die Kosten für die Bearbeitung der Klassifikation und für die terrestrischen Daten an. Die Genauigkeit der Karte ist
bei einer Unterscheidung in fünf Waldklassen
mäßig, da die Auflösung „nur“ 30 m umfasst
und das Gesamtgütemaß bei 70,7 % liegt. Es ist
eher sinnvoll, mittels Landsat-Klassifikation eine
Einteilung nach groben Waldtypen, z. B. in drei
Waldklassen (Laub-, Nadel- und Mischwald),
vorzunehmen.
} Baumartenkarte (RapidEye) Ú
hohe Genauigkeit
Es konnten für ein relativ großes Gebiet (ca. 4.000
km²) flächendeckend fünf Baumartenklassen mit
einem Gütemaß von 81,3 % abgeleitet werden.
Dabei mussten einzelne Baumarten (unter anderen Kiefer-Lärche und Fichte-Douglasie), aufgrund
der ähnlichen spektralen Signatur zu einer Baumartenklasse zusammengefasst werden. Durch die
im Vergleich zu Landsat wesentlich höhere Auflösung von 5 m wird die Genauigkeit der Karte insgesamt als gut eingeschätzt. Die Kosten der Herstellung sind vergleichsweise hoch, da allein für
die genutzten Fernerkundungsdaten (18 RapidEye-Szenen) mindestens 10.800 € ausgegeben
werden müssen. Bei der Klassifikation wurden
alle Eigentumsarten betrachtet.
} Multitemporale Baumartenkarte (RapidEye) Ú
moderate Genauigkeit
Die multitemporale Betrachtung erhöht die Anzahl der klassifizierbaren Baumarten. Es konnten hierbei acht Baumarten für eine Fläche von
1.500 km² unterschieden werden. Das Gütemaß
beträgt 60,4 % bei einer Auflösung von 5 m. Allerdings wurden dabei nur die Landeswaldflächen
betrachtet. Die Kosten der Fernerkundungsdaten
liegen hierbei bei mindestens 9.600 €.
76
Verwertbarkeit der Baumartenkarten
Abschließend lässt sich sagen, dass eine aktuelle großflächige Identifikation von Baumarten auf
der Basis von Satelliten- und terrestrischen Daten
gut möglich ist. Dabei zeigten insbesondere die
RapidEye-Daten mit einer Bodenauflösung von
5 m ein gutes Ergebnis. So konnten durch die
multitemporale Analyse bis zu acht verschiedene
Baumarten mit einem Gütemaß von 60,4 % unterschieden werden. Das beste Ergebnis zeigte
die Klassifikation in fünf Baumartenklassen mit
einem Gütemaß von 81,3 %, bei der zum Teil
einzelne (seltener vorkommende) Baumarten in
Klassen zusammengefasst wurden. Das Ergebnis
zeigt, dass auch für eine Region mit besonders
heterogenen Waldbeständen eine flächengenaue
Auswertung von Satellitendaten eine gute Genauigkeit erzielen kann.
Bei der Waldklassifikation auf der Basis von
Landsat (Karte 1) ist eine gröbere Einteilung in die
drei Waldtypen, Nadelbäume, Laubbäume und
Mischwald am sinnvollsten. Diese Methode kann
für große Gebiete (> 10.000 km²) eine schnelle
Möglichkeit sein, sich einen Überblick zu verschaffen.
Kosten und Genauigkeit der
Holzvorratsschätzung (Karten 4 bis 6)
} kategoriale Holzvorratskarte (RapidEye) Ú
gute Genauigkeit (1 Kachel) und mäßige
Genauigkeit (18 Kacheln)
Die Bestimmung der Holzvorratskarte erfolgte auf
Basis der gleichen Ausgangsdaten wie bei Karte 2 (18 RapidEye-Szenen), deshalb müssten die
Daten nur einmal angeschafft werden, ohne dass
zusätzliche Kosten entstehen. Die Genauigkeit
unterscheidet sich stark und ist abhängig davon,
ob eine oder 18 Kacheln (75,4 % zu 54,3 %) ausgewertet wurden.
} detailscharfe Holzvorratskarte (Ableitung aus
der Holzvorratsklassifikation) Ú befriedigende
Genauigkeit.
Es wurde für ca. 12.000 Bestandsflächen der
Holzvorrat auf der Basis einer RapidEye-Kachel
abgeleitet. Für die auf Behandlungseinheiten ag-
gregierten Holzvorräte wurde eine mittlere Abweichung von 23 % ermittelt. Es fallen keine zusätzlichen Kosten für die Satellitendaten an, da die
Daten der kategorialen Holzvorratskarte (Karte 4
/ 1 Kachel) weiterbearbeitet wurden.
} Holzvorratskarte POMERANIA (Landsat)
Es wurden die kompletten Inventurdaten der
POMERANIA-Region von den Projektpartnern
Landesforst Mecklenburg-Vorpommern und Direktorat der Polnischen Staatsforsten in Szczecin kostenfrei bereitgestellt. Zudem wurden die
Landsat-Daten kostenlos genutzt.
Verwertbarkeit und Nutzen der
Baumarten- und Holzvorratskarten
Die Ergebniskarten liefern eine aktuelle und großflächige Information über die Baumarten (bzw.
Waldtypen) und den Holzvorrat der Region unabhängig von der jeweiligen Eigentumsart und
können als eine wichtige Informationsquelle für
nationale und internationale Entscheidungsträger
sowie für regionale Waldbesitzer dienen. Die Bereitstellung der Daten erfolgt über das im Projekt
erstellte Geodatenportal des LFE.
Fazit
Es konnten auf der Basis von Satellitendaten und
pixelbasierter Klassifikationstechniken aktuelle
und großflächige forstliche Informationen abgeleitet werden. Im Mittelpunkt standen dabei die
Identifikation von Baumarten und die Erfassung
des Holzvorrats vornehmlich für das Beispielgebiet der Landkreise Barnim und Uckermark.
Die erzeugten Karten werden in einem nächsten
Schritt der Öffentlichkeit im Rahmen eines Geodatenportals zur Verfügung gestellt und können
so als Informationsquelle z. B. für regionale Waldbesitzer genutzt werden. Die Arbeit zeigt, dass
es durchaus sehr sinnvoll ist Satellitendaten in
Verbindung mit terrestrischen Daten für die großflächige Bestimmung von forstlichen Informationen zu nutzen. Die Verfahren sind im Vergleich zu
großflächigen terrestrischen Aufnahmeverfahren
erheblich kostengünstiger. Allerdings konnten für
die angewendeten Methoden auch keine sehr hohen Genauigkeiten erzielt werden. Deshalb können Fernerkundungsmethoden wie die Satellitenfernerkundung als zusätzliche Informationsquelle
genutzt werden, werden aber die terrestrischen
Aufnahmenverfahren nicht vollständig ersetzen
können, die ihrerseits unerlässliche Referenzdaten für die Anwendung der neuen Methoden liefern.
Ausblick
In der bisherigen Arbeit stand die Anwendung
von Methoden im Vordergrund, die für große
Flächen eine Auswertung ermöglichen (Untersuchung auf der Makro- und Mesoskala). Dies geschah vor dem Hintergrund, dass möglichst viele
Informationen für das das Fördergebiet „POMERANIA“ in einem Biomasseinformationssystem
(Geodatenportal) flächendeckend erzeugt werden sollten. Da die großflächig durchgeführten
satellitendatenbasierten Analysen aber zu Lasten der Genauigkeit gehen, konnten bisher z. B.
keine Analysen auf Einzelbaumebene durchgeführt werden. In einem nächsten Schritt sollten
deshalb sowohl geometrisch höchstaufgelöste
Satellitendaten, als auch Inventurdaten mit einer
hohen Gitternetzdichte für einen mikroskaligen
Bereich genutzt werden. Es ist geplant, in einem nächsten Schritt dafür das Satellitensystem
Worldview-2 mit einer geometrischen Auflösung
von 0,46 m (panchromatischer Bereich) und
1,8 m (multispektraler Bereich) zu nutzen. Die zu
nutzenden terrestrischen Daten sollten ein dichtes Gitternetz besitzen (z. B. 400 m), das z. B.
bei einer regionalen Stichprobeninventur erzeugt
werden kann. Die Erarbeitung derartiger regionaler Inventurdaten erfolgt gegenwärtig am LFE im
Rahmen dieses Projektes.
Zudem könnten in einem weiteren Schritt hyperspektrale Daten und Luftbilder getestet werden
(u.a. Hymap-Daten und Stereoluftbilder). Ein interessanter Forschungsansatz wäre es, geometrisch höchstaufgelöste Satellitendaten wie
Worldview-2 oder Geoeye in Verbindung mit terrestrischen regionalen Inventurdaten für die Ableitung von Bestandsinformationen zu nutzen. Dabei ließe sich eine sehr hohe Genauigkeit erzielen
77
(z. B. Baumartenerfassung auf Einzelbaumebene, Biomassebestimmung, vgl. IMMITZER et al.
2012). In diesem Rahmen wäre auch der Einsatz
von objektorientierten Klassifikationsverfahren zu
untersuchen sowie die zusätzliche Nutzung von
Vegetationsindizes, die die Klassifikationsgenauigkeit zusätzlich verbessern sollten.
Neueste Forschungsergebnisse zeigen, dass die
Ableitung von Höhenmodellen (Digitale Gelände- und Höhenmodelle) aus höchstaufgelösten
optischen Satellitendaten (auf der Basis von Stereobildpaaren) und Radardaten möglich ist (vgl.
JACOBSEN 2013), was z. B. die Ableitung der
Bestandshöhen ermöglichen würde.
Es gibt eine Vielzahl von weiteren Ansätzen für die
Satellitenfernerkundung in der Forstwirtschaft, die
im Rahmen der Projektlaufzeit nicht alle verwirklicht werden konnten. Deshalb wäre es sinnvoll,
die Forschung in diesem Bereich auch in Zukunft,
z. B. im Rahmen von Kooperationen mit anderen
Forschungsinstituten, fortzuführen.
Danksagung
Wir bedanken uns bei der RapidEye AG und dem
RapidEye Science Archive (RESA) des DLR für die
Bereitstellung der Fernerkundungsdaten.
Anhang
Karte 1:
Waldklassifikation auf der Basis von Landsat
78
Karte 2:
Baumartenkarte auf der Basis von RapidEye
Karte 3:
Baumartenklassifikation auf der Basis von
multitemporalen RapidEye-Satellitenbildern
Karte 4:
Kategoriale Holzvorratskarte auf der Basis
einer RapidEye-Kachel
Karte 5:
Detailscharfe Holzvorratskarte auf der Basis
einer RapidEye-Kachel
Karte 6:
Holzvorratskarte POMERANIA (für Nadelwaldbestände) auf Basis von Landsat
79
Abb. 63: Übersichtskarte
des INTERREG-VIaProjektgebietes mit den
Testgebieten in
Mecklenburg-Vorpommern
2.1.5Fernerkundung zur Vitalitätseinschätzung unter Klimaeinfluss
Kai Jütte, Theresia Stampfer,
matiken behandelt werden (Abb. 63). Testgebiet
Schuenhagen behandelt das Eschentriebsterben,
Testgebiet Malchow Sturm- und Hagelschäden
an Gemeinen Kiefern.
Neben der Biomasse ist die Bestimmung der Vitalität der Waldbestände ein wichtiger forstlicher Parameter. Das Ziel des vorliegenden Projektabschnitts
ist die Vitalitätsüberwachung von Waldbeständen
durch Fernerkundung, d. h. es soll die Frage geklärt werden, welche Daten (Luftbild-, Satellitenoder Radardaten in verschiedener Auflösung) und
welche Verarbeitungsverfahren sich für die frühzeitige Erkennung und sowie die Folgenabschätzung
forstlicher Schadereignisse am besten eignen. Die
Hauptdatengrundlagen lieferten Luftbildbefliegungen (Landesvermessungsamt und Landesforst
Mecklenburg-Vorpommern) und die Satelliten WorldView-2, TerraSAR-X, Terra und Aqua.
2.1.5.1Klimamodell
Janos Treuheit
Das Projekt gliedert sich in zwei Arbeitsbereiche:
• Entwicklung eines Klimamodells, um Klimaextreme zu lokalisieren,
• Überwachung von Kronenveränderungen für
Einzelbäume und Bestände.
Dafür wurden zwei Testgebiete ausgewählt, auf
denen verschiedene, aktuelle Waldschutzproble-
80
Testgebiet
Im Rahmen dieses Projekts sollten durch die Extraktion von Oberflächentemperatur und -feuchte über ein einfaches Klimamodell mögliche Klimaextreme ermittelt werden. Diese deuten dann
auf Hot Spots hin, bei denen es zu Waldschäden
- Vitalitätsänderungen kommen könnte. Hierfür
wurde im Testgebiet Malchow eine Fläche ausgewiesen, auf der die nötigen Untersuchungen
vorgenommen wurden (Abb. 64 und Abb. 65).
Das Gebiet befindet sich im südlichen Mecklenburg-Vorpommern zwischen Plauer See und Müritz.
Zu Beginn werden die verschiedenen Klimadaten,
die zur Gewinnung der Temperatur- und Feuchtewerte herangezogen wurden, und deren Vorprozessierung beschrieben.
Danach erfolgt die Zusammenführung dieser Datengrundlagen innerhalb des Klimamodells, wie
es Abb. 66 darstellt.
Abb. 64: Testgebiet
Malchow (rote Umrandung)
wird von etwa 13 Pixeln abgedeckt, wodurch die
kleinstrukturellen Temperaturunterschiede nicht
erfasst werden konnten. Um die räumliche Auflösung zu erhöhen und damit die Detektion von
Klimaextremen in kleineren Flächeneinheiten,
z. B. einzelne Bestände, zu ermöglichen, wurden
Sekundärparameter mit einer höheren räumlichen
Auflösung wie Digitale Oberflächen- und Geländemodelle sowie deren Ableitungen herangezogen. Zur Kalibrierung und Validierung des Modells
wurden hoch aufgelöste Temperaturwerte aus einer Thermalbefliegung und terrestrische Aufnahmen durch Datalogger verwendet. Anschließend
wurde die Genauigkeit der grob aufgelösten Satellitentemperaturen über ein Regressionsmodell
erhöht.
Temperaturwerte
der ErdbeobachtungsSatelliten Terra und
Aqua
Abb. 65: Untersuchungsgebiet für das Klimamodell im Testgebiet Malchow; die pinkfarbenen Punkte und Nummern markieren die Lage
der 18 Datalogger (siehe Tab. 28)
Als Eingangsdaten wurden Temperaturdaten
von Erdbeobachtungssatelliten verwendet, deren Daten kostenlos zur Verfügung stehen. Der
Nachteil dabei liegt in der sehr groben räumlichen
Auflösung von mindestens 1 km. Das Testgebiet
Temperaturwerte
aus der Thermalbefliegung und
den Datenloggern
Kalibrierung /
Validierung
Sekundärparameter:
DOM, DGM, Ableitungen
(aspect, slope)
Modell
Detektion von
Klimaextremen
Abb. 66: Schematische Darstellung der Eingangs- und Ausgangsdaten des Klimamodells
81
Klimadatenbeschaffung und
-auswertung
} Erdbeobachtungssatelliten
Es wurden Daten der Satelliten Terra und Aqua
verwendet. Beide tragen den Sensor MODIS an
Bord, ein Bildgebungs-Radiospektrometer mittlerer Auflösung, das die elektromagnetische Strahlung im Wellenlängenbereich von 0,4 bis 14,4 µm
aufnimmt. Die für die Oberflächentemperatur verantwortlichen Kanäle 20-23 haben eine Bandbreite von ca. 3,7-4,1 µm.
Terra und Aqua fliegen täglich über das Testgebiet, somit kann auch eine beliebige Zeitreihe
aufgearbeitet werden. Jedoch führt die häufig
wolkige Wetterlage zu vielen Fehltagen. Für den
Zeitraum vom 01.05. bis zum 31.05.2012 konnten
z. B. nur für 18 Tage verwendbare Temperaturdaten von Terra und 14 von Aqua gewonnen werden. Der Satellit Terra fliegt täglich zwischen 9.15
und 11.30 Uhr, Aqua zwischen 11.00 und 13.00
Uhr über das Testgebiet. Die Satelliten nehmen
auch Nachtemperaturen auf. Terra fliegt zwischen
20.15 und 22.00 Uhr und Aqua zwischen 0.30 und
3.00 Uhr über das Gebiet.
} Thermalbefliegung
Innerhalb des Klimamodells sollten die grobaufgelösten Satellitentemperaturen über eine Regression zu einer höheren Auflösung gebracht
werden. Um die Ergebnisse daraus zu kalibrieren
bzw. zu validieren, wurde eine Thermalbefliegung
durchgeführt.
Diese fand am 14.04. und 19.04.2012 in den Vormittagsstunden statt und wurde durch die Firma Geofly ausgeführt. Geflogen wurde mit einer
Längsüberlappung von 60 % und einer Querüberlappung von 30 %. Die Überlappung soll eine
spätere stereoskopische Auswertung ermöglichen. Die mittlere Fluggeschwindigkeit betrug ca.
150 km/h.
Zum Einsatz kam die Industrievariante der DigiTHERM der Firma IGI, die in einer kreiselstabilisierten Plattform befestigt war. Die Kamera basiert auf einer IR-TCM 640hr der Firma Jenoptik
mit einem ungekühlten Microbolometer Focal Plane Array (FPA) und einer Bildauflösung von 640 x
480 Pixeln. Mit der DigiTHERM kann die Thermalstrahlung im langwelligen spektralen Bereich von
82
7,5 bis 14 μm erfasst werden. Gegenüber dem
technisch möglichen Temperaturmessbereich
wurde für die vorliegende Arbeit ein Bereich von
-40 bis 120 °C gewählt. Die Temperaturauflösung
(NETD) beträgt 0,05 Kelvin. Die Messgenauigkeit
ist vom gewählten Temperaturbereich abhängig.
Die für die Untersuchung verwendete Kamera hat
eine Genauigkeit von 1,5-2 Kelvin. Eine detaillierte Übersicht der Kameraparameter kann Tab. 27
entnommen werden.
Tab. 27: Parameter der Kamera DigiTHERM
(IGI, 2012)
Geometrische
Auflösung
Spektralbereich
640 x 480 IR-Pixel
7,5 – 14 μm
Thermische
Auflösung
0,05 K
Detektorgröße
(Pixel)
25 μm
Sensorgröße
16 x 12 mm
Temperaturmessbereich
-40 - 1200 °C (-40 - 120
°C)
Objektiv
12,5 – 75 mm
Meßgenauigkeit
1,5 - 24 K (1,5 - 2 K)
Maße
153 x 91 x 111 mm
Gewicht
Schnittstellen
1050 g
RS232, S/C-Video,
IEEE1394 FireWire,
Gigabit Ethernet, USB,
CameraLink lub WLAN
In Klammern sind die Spezifikationen für die in
der Untersuchung zum Einsatz gekommene Kamera aufgeführt.
Die durch die Befliegung gewonnenen Rohdaten wurden zunächst in Bilddaten umgewandelt.
Dabei wurden den Grauwerten Temperaturwerte zugewiesen. Um den Geobezug herzustellen,
mussten die Bilddaten anschließend trianguliert
und mosaikiert werden. In Abb. 67 ist das Ergebnis dieses Vorgangs dargestellt.
Abb. 67: Ergebnis-Mosaik aus den Thermalbildern vom 19.04.2012. Je heller das Gebiet,
desto höher sind die Temperaturen dort.
Für die weiteren Auswertungen wurden nur die
Bilder vom 19.04.2012 benutzt, da am 14.04. der
Himmel über dem Untersuchungsgebiet zur Zeit
der Befliegung bewölkt war und somit keine Vergleichsdaten der Erdbeobachtungssatelliten vorhanden waren.
Über das Identifizieren-Tool in ArcMap wurden die
am Boden gemessenen Temperaturen bei jedem
Loggerstandort abgefragt und den Logger- und
Satelliten-Temperaturen gegenübergestellt. Anhand dieses ersten Vergleichs konnten die tendenziellen Unterschiede dargestellt werden (siehe
Abb. 68 und Abb. 69).
Für das Klimamodell wurden die Temperaturen
aus der Thermalbefliegung nicht nur bei den Loggerstandorten, sondern über mehrere Schritte auf
einem großen Teil des Untersuchungsgebiets erfasst und weiterverarbeitet.
} Datalogger für Temperatur und Feuchtigkeit
Neben den Daten aus der Thermalbefliegung
dienten auch Temperaturen, die direkt an der Erdoberfläche bzw. in Baumwipfeln erfasst wurden,
der Kalibrierung/Validierung des Klimamodells.
Aufgenommen wurden diese durch Datalogger,
die sowohl die Temperatur als auch die Feuch-
te messen. Die Logger wurden so programmiert
und auf der Fläche platziert, dass ein möglichst
genaues, lokales Temperaturprofil erstellt werden
konnte. Vor allem Gradienten von Freiflächen über
Bestandesränder und Bestandesböden bis hin zu
Bestandesoberflächen verschiedener Baumarten
und Bestandesentwicklungsphasen sollten abgedeckt werden. Dadurch sollte herausgefunden
werden, welche Temperaturen von den Satelliten
erfasst wurden.
Als Datalogger wurden LOG32 der ASP Messtechnik GmbH (http://www.atp-messtechnik.de/
product/USB-Datenlogger-fuer-Temperaturund-Feuchte/5005-0171/USB-Datenlogger%20,
08.04.2013) verwendet.
Um eine repräsentative Aussage treffen zu können, wurden bei der Loggerpositionierung Nadel- und Laubholzbestände unterschiedlicher Alters- und Bestandesstruktur in die Untersuchung
einbezogen. Sie wurden innerhalb der Untersuchungsfläche auf Freiflächen (5), an einem Waldrand, Waldböden (6) und in Baumkronen (6) platziert (siehe Abb. 65, Tab. 28).
Die Daten wurden wie folgt ausgewertet: Für den
19.04.2012 wurden die jeweiligen Temperaturen
der Logger untereinander und mit den Werten
aus den Satelliten- und Thermalbefliegungen verglichen. Da die Überflugszeiten von Satellit und
Thermalbefliegung nicht identisch waren, wurden
unterschiedliche Uhrzeiten gewählt und die Loggertemperaturen angepasst.
Nachfolgende Abb. 68 und Abb. 69 zeigen die
Temperaturen der Logger von Terra und der Thermalbefliegung zur Zeit des Satellitenüberflugs
und zu den Zeiten der Thermalbefliegung.
Auf der X-Achse sind die Nummern der Logger
aufgetragen. Die linke Y-Achse bezieht sich auf
die Temperaturwerte der Säulen und Linien, die
rechte auf die Höhe der abgebildeten Bäume (Roteiche (18|17), Gemeine Kiefern, Gemeine Fichte (10|9) und Lärche (14|13). Die gelben Säulen
stellen die Temperaturen der Logger am Boden
dar. Die grünen geben die Temperaturwerte der
Logger in den Baumkronen wieder. Da der Logger
Nr. 1 nach der Thermalbefliegung am 14.04.2012
entnommen wurde, sind für den 19.04.2012 keine Temperaturwerte vorhanden. Die braune Linie
stellt die Temperatur des Satelliten Terra an der
Stelle des jeweiligen Loggers (1–18) dar, die hell-
83
blaue Linie die der Thermalbefliegung an gleicher
Stelle.
Der Linienverlauf zwischen Abb. 68 und Abb. 69
unterscheidet sich nicht, da diese Werte nur einmal erhoben wurden und daher fix sind. Jedoch
gibt es geringe Unterschiede bei den Temperaturen der Logger, da sie die Werte verschiedener
Zeiten wiedergeben. Der Mittelwert der Unterschiede zwischen Terra und Thermalbefliegung
liegt bei 0,3 °C (Standardabweichung 3,2), zwischen Terra/Thermalbefliegung und Logger bei
etwa -4 °C (Stabw. 2,5). Die Temperaturen des
Satelliten liegen demnach tendenziell höher als
die der Thermalbefliegung, während die Loggertemperaturen über denen des Satelliten und der
Befliegung liegen. Jedoch schwanken in allen Fällen die Temperaturen stark.
In der Abb. 70 wurden nur die Temperaturen der
Logger abgebildet, die sich an der Oberfläche befanden, also diejenigen auf den Freiflächen und in
den Baumkronen. Die Mittelwerte der Unterschiede ändern sich dadurch nur gering.
Um herauszufinden, ob die Satellitendaten genau
genug sind und die Temperaturextreme detektiert
Tab. 28: Liste der Datalogger und deren Lage auf der Untersuchungsfläche.
Hellblau = Freifläche, hellgrün = Waldrand, dunkelgrün = Baumkrone, orange = Bestandesboden
Logger-Nr.
Lagebeschreibung
1
Blöße in ehemaligem Kiefern-Baumholz
2
Maisacker
3
Wildacker
4
Fichten-Verjüngungsfläche; Baumhöhe ca. 50 cm
5
Getreideacker
6
Waldrand, im Traufbereich eines Kiefernbestandes (siehe Loggernr. 7)
7
Kiefernkrone eines Kiefern-Baumholzbestandes mit Rotbuche-Unterstand;
Alter ca. 75 Jahre; Höhe des Baumes ca. 30 m; Schlussgrad Oberstand 0,4;
Schlussgrad Unterstand 1,3
8
Bestandesboden in Kiefern-Baumholzbestand siehe Loggernr. 7
9
Fichtenkrone einer Fichtendickung; Alter ca. 14 Jahre; Höhe ca. 6 m; Schlussgrad 1,2
10
Bestandesboden in Fichtendickung siehe Loggernr. 9
11
Kiefernkrone eines Kiefern-Jungwuchses; Alter ca. 6 Jahre; Höhe ca. 2 m;
Schlussgrad 1,2
12
Bestandesboden in Kiefern-Jungwuchs siehe Loggernr. 11
13
Lärchenkrone eines Lärchen-Jungbestandes; Alter ca. 13 Jahre; Höhe ca. 10 m
14
Bestandesboden in Lärchen-Jungbestand siehe Loggernr. 13
15
Kiefernkrone eines Kiefern-Baumholzbestandes mit Fichten-Unterstand;
16
Bestandesboden in Kiefern-Baumholzbestand siehe Loggernr. 15
17
Roteichenkrone eines Roteichen-Baumholzbestandes mit Rotbuchen-Unterstand;
18
Bestandesboden in Roteichen-Baumholzbestand siehe Loggernr. 17
84
werden können, wurden zwischen dem 27.04.
und 16.07.2012 alle Loggerwerte zur jeweiligen
Überflugszeit von Terra und Aqua einander und
den Satellitenwerten gegenübergestellt, siehe
Abb. 71 bis Abb. 73.
Im ersten und zweiten Diagramm (Abb. 71 und
Abb. 72) sind die Temperaturen aller Oberflächen-Logger zur Zeit der Terra- bzw. Aqua-Überflüge aufgetragen. Die grünen und blauen Lini-
en mit den Dreiecken stellen die Logger in den
Beständen dar, die rötlichen mit den Kreisen die
auf den Freiflächen. Gut zu erkennen sind die
sehr hohen Temperaturen (bis zu 60 °C) und die
starken Temperaturschwankungen auf den Freiflächen im Gegensatz zu den ausgeglichenen
Temperaturen in den Beständen. Im Zeitraum zwischen dem 19.05. und dem 29.05.2012 gab es
ein Temperaturextrem, welches vor allem durch
Temperaturen von
Loggern, Terra und
Thermalbefliegung zur Zeit
des Satellitenüberflugs
Temperaturen von
Loggern, Terra und
Thermalbefliegung zu den
Zeiten der Thermalbefliegung
Temperaturen der oberflächlichen Logger, Terra
und Thermalbefliegung
zur Zeit des Satellitenüberflugs
85
die Freiflächen-Logger aufgenommen wurde. Im
dritten Diagramm (Abb. 73) sind die gemittelte
Temperatur über alle Logger hinweg je Tag, sowie
die gemittelten Temperaturen über alle Logger,
aufgezeichnet von Aqua und Terra, aufgetragen.
Gut zu erkennen ist die lückenhafte Aufzeichnung
Abb. 71: Vergleich
der Temperaturen der
oberflächlichen Logger
zum Zeitpunkt der Terra-Überflüge je Tag
Temperaturen der
oberflächlichen Logger
zum Zeitpunkt der
Aqua-Überflüge je Tag
gemittelten Temperaturen
über alle oberflächlichen
Logger hinweg zu den
Zeiten der Satellitenüberflüge mit den gemittelten
Satelliten-Temperaturen
von Terra und Aqua an der
Stelle der Logger je Tag
86
von Aqua und Terra. Dies rührt daher, dass auf
Grund von Bewölkung keine Temperaturen aufgenommen werden konnten. Der Verlauf der Linie
der Datalogger ähnelt derjenigen in Abb. 71 und
Abb. 72. Durch die bruchstückhafte Aufzeichnung
der Temperaturen durch die Satelliten fällt ein Ver-
gleich mit den Loggertemperaturen schwer. Tendenziell jedoch folgen die Satellitentemperaturen
den Loggertemperaturen. Ansatzweise ist auch
das Temperaturextrem zwischen dem 19.05. und
29.05.2012, v. a. in den Aqua-Temperaturen, zu
erkennen. Die Temperaturen der Logger liegen
meist über denen der Satelliten.
Qualität her noch nicht ausreichend und mit
der Erstellung des Berichtes noch nicht abgeschlossen.
(6) Verbesserung der grobaufgelösten Satellitendaten
(7) Vergleich mit terrestrischen Aufnahmen (Datalogger) im Jahresgang
Datenzusammenführung, -validierung
und -verbesserung
Fazit
Da am 19.04.2012 zur Zeit des Aqua-Überflugs
der Himmel bewölkt war, konnten keine Temperaturwerte gewonnen werden. In das Modell flossen
daher nur die Temperaturen von Terra ein.
} Workflow
(1) Erzeugung eines Layer-Stacks aus den vorhandenen Daten von Terra, den verschiedenen
Digitalen Oberflächen- und Geländemodellen
der Fläche und der Thermalbefliegung.
(2) Erzeugung eines 10x10 m-Rasters über die
gesamte Fläche und Auswahl der Grids, die
sich vollständig innerhalb des Untersuchungsgebietes befinden.
(3) Zufällige Auswahl von 10/30 % des Rasters,
die für die Modellentwicklung verwendet wurden (Abb. 74).
(4) Export der Werte
(5) Ableitung eines Korrekturmodells (Regression)
Für die Korrektur fließen noch die Geländehöhe, die Bestandeshöhe und die Bestandesausrichtung ein. Leider sind die Ergebnisse
zur Erstellung eines Korrekturmodells von der
Mit den beiden Erdbeobachtungssatelliten Terra
und Aqua stehen uns zwei Systeme zur Verfügung,
die permanent Daten aufzeichnen, aus denen die
Oberflächentemperatur abgeleitet werden kann.
Jedoch zeigte sich in den Untersuchungen, dass
die häufige Bewölkung eine tägliche Auswertung
negativ beeinflussen oder behindern kann. Aufgrund der Flugbahn kommt es zu einer täglichen
Verschiebung des Aufnahmezeitpunktes.
Man kann jedoch durch den direkten Vergleich
mit den terrestrisch ausgebrachten Datenloggern
sehr gut Temperaturtrends und Temperaturveränderungen aus den Satellitendaten ableiten. Eine
Verbesserung der räumlichen Auflösung mit Hilfe
von sekundärer Information, wie Geländehöhe,
Exposition, Bestandeshöhe etc., war noch nicht
erfolgreich.
Abb. 74: 10x10 m Raster
auf der Untersuchungsfläche mit 30 % selektierten Grids (gelb). Links
gesamtes Gebiet, rechts
vergrößerter Ausschnitt.
87
2.1.5.2Überwachung von Kronenveränderungen durch Satellitenbildauswertung
Testgebiete und verwendete Fernerkundungssysteme
Für die Überwachung der Kronenveränderungen wurden die Testgebiete Schuenhagen und
Malchow herangezogen. Beim Testgebiet Schuenhagen handelt es sich um ein Waldgebiet im
Forstamt Schuenhagen, Forstrevier Lendershagen, in dem flächig Eschentriebsterben auftritt
(siehe Abb. 75). Das Gebiet liegt im Wuchsgebiet
„Ostholsteinisch-Westmecklenburger Jungmoränenland“ im Wuchsbezirk „Richtenberger Flachmoräne“ und ist geprägt durch das Nordostniedersächsisch-Mecklenburger Binnenplanarklima
mit der Klimastufe feuchtes Tieflandsklima.
Dieses zeichnet sich durch Niederschläge von
im Mittel 600-680 mm/Jahr und eine Jahresmitteltemperatur von 7,95 °C (1961-1990) aus. Die
vorwiegend sandigen und lehmigen Substrate
bilden kräftige und reiche Standorte. Zur Zeit der
Untersuchungen waren sie wie folgt bestockt:
22 % Rot-Buche, 21 % Stiel-Eiche, jeweils 17 %
Gemeine Esche und Rot-Erle sowie 9 % Gemeine
Fichte, 10 % sonstige Laubhölzer und 4 % sonstige Nadelhölzer.
Abb. 75: Testgebiet Schuenhagen
Das Testgebiet Malchow umfasst ein vom Sturmund Hagelereignis (11.06.2010) betroffenes Waldgebiet, das sich über die Forstämter Karbow,
(Forstreviere Retzow und Karbow) und Wredenhagen (Forstreviere Stuer, Satow und Biestorf) erstreckt (siehe Abb. 64). Es befindet sich in zwei
unterschiedlichen Naturräumen:
88
Der westliche Teil im Forstamt Karbow gehört
zum Wuchsbezirk „Parchim-Meyenburger Sandhochfläche“. Das Klima entspricht dem des Testgebietes Schuenhagen, jedoch mit etwas höheren
Niederschlägen. Die sandigen Standorte besitzen
nur eine mittlere bis kräftige Nährkraft. Die Bestockung setzt sich aus 82 % Gemeiner Kiefer, 7 %
Gemeiner Birke, 6 % sonstigen Laubhölzern und
5 % sonstigen Nadelhölzern zusammen.
Der östliche Teil im Forstamt Wredenhagen liegt
mit den Forstrevieren Satow und Biestorf im
Wuchsgebiet „Mittelmecklenburger Jungmoränenland“, Wuchsbezirk „Petersdorfer Sandhochfläche mit Teilareal Plauer See“. Er ist geprägt
durch das Ostmecklenburg-Nordbrandenburger
Seenplanarklima mit der Klimastufe feuchtes Tieflandklima. Die Jahresniederschläge liegen hier im
Mittel bei 540-600 mm, die Jahresmitteltemperatur beträgt 8,03 °C (1961-1990). Die Standorte
sind wie im westlichen Teil durch Sand geprägt
und daher mittel, teilweise ziemlich arm bis kräftig. Die Bestockung besteht aus 76 % Gemeiner
Kiefer, 5 % Trauben-Eiche, 10 % sonstigen Laubhölzern und 9 % sonstigen Nadelhölzern.
ur Überwachung wurden folgende
Z
Fernerkundungssystem ausgewählt:
Ú Passive Systeme, die die in der Natur vorhandene elektromagnetische Strahlung benutzen.
Dabei handelt es sich um Sonnenstrahlung,
die an der Erdoberfläche reflektiert wird (ALBERTZ 2001).
Optischer Satellit WorldView-2: Die Vorteile
liegen in der großräumigen Abdeckung und der
hohen räumlichen und spektralen Auflösung (acht
multispektrale Kanäle). Nachteil dieser Bilddaten
ist die große Qualitätsheterogenität. Liegen Wolken über dem Gebiet, können hier keine oder nur
sehr schlechte Daten gewonnen werden. Außerdem sind die Satellitenbilder relativ teuer. Ein weiteres Manko liegt im Aufnahmewinkel, der durch
den schwenkbaren Sensor meist nicht bei 0° liegt.
Dadurch kommt es oftmals statt zu einer Nadirzu einer Schrägaufnahme, bei der die erfassten
Objekte nicht lagegenau sind.
Luftbilder aus professionellen und eigenen Befliegungen: Hier liegen die Vorteile in der sehr hohen räumlichen Auflösung und der schnellen und
flexiblen Beschaffung. Für die Orthophoto- und
Stereoauswertung müssen die Bilder allerdings
trianguliert werden, die Befliegungen sind teilweise sehr teuer und die Flächenabdeckung ist im
Gegensatz zu den Satellitenbildern relativ klein.
Ú
Aktive Systeme, die eine Energiequelle zur
Bestrahlung der Erdoberfläche enthalten, zum
Beispiel Mikrowellenstrahlung einer bestimmten Frequenz. Aufgenommen wird dann vom
Flugzeug oder Satelliten aus der vom Gelände
reflektierte Anteil dieser künstlich erzeugten
Strahlung (ALBERTZ 2001).
Radarsatellit TerraSAR-X: Die Vorteile liegen in
der großräumigen Abdeckung, den verschiedenen zur Verfügung stehenden Polarisationen und
der Wetterunabhängigkeit bei der Bildaufnahme.
Allerdings ist die Auswertung der Radarbilder
sehr kompliziert und setzt gute Kenntnisse und
viel Erfahrung auf dem Gebiet der Radardatenauswertung voraus. Zudem besteht auch hier das
Problem des Aufnahmewinkels, der zu einem Versatz der Objekte führt, sodass die genaue Lokalisierung z. B. von Einzelkronen schwierig ist.
WorldView-2
} Sensorcharakteristika und Datenbeschaffenheit
World-View-2 (WV-2) ist ein kommerzieller, optischer Satellit der Firma DigitalGlobe (http://www.
digitalglobe.com). Er wurde am 8. Oktober 2009
gestartet und soll für etwa 7 Jahre panchromatische (PAN) und multispektrale (MS) Bilddaten in 8
Kanälen aus 770 km Höhe liefern. Die räumliche
Auflösung beträgt dabei 0,5 m (PAN) bzw. 2,0 m
(MS). Abb. 76 enthält die spektrale Abdeckung
von WorldView-2.
Die Daten wurden als GeoOrthokit, d. h. mit einer
durchschnittlichen Lagegenauigkeit zwischen 4
und 10 Metern, geliefert. Mit der Fein-Georeferenzierung in ERDAS LPS durch das Sachverständigenbüro für Luftbildauswertung und Umweltfragen (SLU) in München wurde anschließend über
Passpunkte und ein digitales Geländemodell eine
Lagegenauigkeit von weniger als 50 cm erreicht.
Die Überflüge fanden am 01.06. (Testgebiet Malchow) und 04.06.2011 (Testgebiet Schuenhagen)
statt und waren von sehr heterogener Qualität.
Abb. 76: Reflexionseigenschaften sowie spektrale Abdeckung der WorldView-2-Kanäle
Abb. 77: Ausschnitt einer WV-2-Szene vom
01.06.2011
Wie in Abb. 77 ersichtlich, beeinflussten Dunst
und Wolken die Qualität.
} Vorprozessierung
Um die Qualität der Originalbilder und damit die
Klassifizierung unterschiedlich vitaler Bäume und
Bestände zu verbessern, wurden verschiedene
Vorprozessierungsschritte getestet. Die Verarbeitung gabelte sich dabei zunächst in zwei Stränge
und wurde dann über das Pan-Sharpening wieder
zusammengeführt.
} Ergebnisse: Schärfung der PAN-Bilder und
Pan-Sharpening
Die Schärfung der panchromatischen („PAN“-)
Bilder konnte sehr wirkungsvoll auf die Originaldaten angewandt werden (siehe Abb. 78), sie
führte zu einer Verbesserung, die dem späteren
Pan-Sharpening zugute kam.
Das Pan-Sharpening auf Grundlage der geschärften PAN-Bilder führte zu guten Ergebnissen. Die
so höher aufgelösten Bilder flossen später in die
Berechnung der Vegetationsindizes ein.
89
Abb. 78: Ausschnitte des original PAN-Bildes
(oben links) und darunter die beiden Schärfungs-Ergebnisse, die mit modifizierten 3 x 3
Sharpen-Matrizen gefiltert wurden
markant waren diese im Kanal 5 (Rot). Auf Grund
der schlechten Ergebnisse von ATCOR wurden
die entstandenen Bilder nicht weiter verwendet.
Auch die serienmäßige Haze Reduction von ERDAS IMAGINE 2010 lieferte zwar klarere Bilder,
jedoch wurden auch hier wieder die Histogramme
extrem verändert, sodass diese Datensätze nicht
mehr in die Vegetationsindexberechnungen miteinbezogen wurden.
Vegetationsindizes
Auf die besten Ergebnisse der Pan-Sharpening-Prozesse wurden anschließend 25 Vegetationsindizes (siehe Tab. 29) angewandt. Ein
Vegetationsindex ist ein Parameter, mit dem über
die charakteristische spektrale Reflexion von lebender, grüner Vegetation und die sich daraus
ergebenden spektralen Signaturen Oberflächen
mit vitaler Vegetation von unbewachsenen oder
Oberflächen mit nicht-vitaler Vegetation unterschieden werden können (HILDEBRANDT 1996).
Die Indices im Rahmen dieser Untersuchung wurden so ausgewählt, dass Veränderungen in der
Vitalität der Bäume (wichtige Kanälen: Grün, Rot,
Red-Edge und Nahes Infrarot) sichtbar gemacht
werden (siehe Abb. 80).
Abb. 79: Oben: Ausschnitt der WorldView-2Originaldaten, Mitte: Ergebnis nach De-Hazing
+ Atmospheric Correction, unten: Ergebnis zur
reinen Atmospheric Correction. Am rechten
Rand die Histogramme des 5. Kanals (Rot) zu
den jeweiligen Bildern
Das Tool ATCOR erbrachte unbefriedigende Ergebnisse. Durch das De-Hazing entstanden im
Vergleich zu den Ursprungsbildern (siehe Abb. 79
oben) klare Bilder, die jedoch Artefakte aufwiesen,
die auch nach der anschließenden Atmosphärenkorrektur sichtbar blieben (siehe Abb. 79 Mitte).
Bei der Atmosphärenkorrektur ohne vorheriges
De-Hazing entstanden klare Bilder ohne Artefakte
(siehe Abb. 79 unten). Dennoch kam es bei jedem
Bearbeitungsschritt zu starken Veränderungen
im Histogramm der einzelnen Kanäle. Besonders
90
Abb. 80: Ausschnitte der besten Ergebnisse
nach der Anwendung der Vegetationsindizes.
Oben links: NDVI,
oben rechts: NDVI_3_5,
Mitte links: SA, Mitte rechts: R/Y,
unten links: GI2, unten rechts: DD.
Die in Tab. 29 hervorgehobenen Indizes lieferten
visuell betrachtet die besten Ergebnisse. Die Berechnung des NDVI, der als Standardindex bei
der Vitalitätseinschätzung gilt, erbrachte hingegen nur sehr unscharfe Ergebnisbilder (siehe Abb.
80 oben links).
Nach der Vorprozessierung wurden pixel- und objektbasierte Klassifizierungen durchgeführt. Diese
dienten als erste Grobauswertung und werden im
folgenden Kapitel näher beschrieben.
Tab. 29: Angewandte Indizes. Die Buchstaben in den Formeln geben die Kanäle des WorldView-2
an. B = Blue, G = Green, NIR = Near Infrared, NIR2 = Near Infrared 2, R = Red, RE = Red-Edge, Y =
Yellow, L= empirische Konstante, die die Empfindlichkeit des Vegetationsindex auf die Bodenreflexion vermindert.
Index
Name
Referenz
Formel
ARI
Anthocyanin Reflectance
Index
FILCHEV (2010)
(1/G)-(1/RE)
ARVI
Atmospherically Resistent
Vegetation Index
FRITSCH et al. (2011) und
FILCHEV (2010)
(NIR-(R-(B-R)))/(NIR+(R(B-R)))
selbstentwickelt
(R/B)*(G/B)*(RE/B)*(NIR/B)
(2*NIR-R)-(G-B)
Blau
DD
Difference Difference
Vegetation Index
HILDEBRANDT (1996)
EVI
Enhanced Vegetation Index
ENVI (2012)
GI2
Greenness Index 2
GWATA (2011)
Green NDVI
ALSDORF (2007)
2,5*((NIR-R)/(NIR+6*R7,5*B+L)); L=1
(B*-0,2848+G*-0,2434+R*0,5436+NIR*0,7243+N
IR2*0,0840)*5
(NIR-G)/(NIR+G)
selbstentwickelt
G/R
GNDVI
G/R
MSAVI
Modified soil-adjusted
Vegetation Index
QUI et al. (1994)
((2*NIR+1)-SQRT
((2*NIR+1)^2-8*(NIR-R)))/2
NDVI
Normalized Difference
Vegetation Index
HILDEBRANDT (1996)
(NIR-R)/(NIR+R)
KUMAR et al. (2011)
(G-R)/(G+R)
NDVI (8,4)
KUMAR et al. (2011)
(NIR2-Y)/(NIR2+Y)
NORM NIR
ALSDORF (2007)
NIR/(NIR+R+G)
LANFRI (2011)
(R-B)/RE
CHAVÉZ und CLEVERS (2011)
(NIR-RE)/(NIR+RE)
GWATA (2011)
(RE-Y)/(RE+Y)
selbstentwickelt
(NIR/R)*(G/R)*(NIR/RE)
HILDEBRANDT (1996)
NIR/R
GWATA (2011)
(NIR1)/(R+Y)
NDVI (3,5)
PSRI
RE NDVI
Plant Senescence
Reflectance Index
Red-Edge NDVI
RE/Y
Rot
RVI
Ratio Vegetation Index
R/Y
SA
((Y+R)*0,35)/2+(0,7*(NIR+N
IR2))/2-0,69
((NIR-R)/(NIR+R+L))*1+L;
L=0,5
Surface Albedo
ALKEVLI (2011)
SAVI
Soil-adjusted Vegetation
Index
QUI et al. (1994)
TSS
Total Suspended Sediment
ALKEVLI (2011)
((R*4462,21)+((((B+G)/0,21/R)
*35,26)-((1/G+Y)/0,19)-R)
*0,18-190,232)/100
WALZ und HOU (2011)
(10000*NIR)/(RE)^2
CHAVÉZ und CLEVERS (2011)
NIR/RE
LANFRI (2011)
NIR1/NIR2
VI1
VI RE
WBI
Water Band Index
91
Grobauswertung: Klassifikation/
Segmentationen von Gemeinen Eschen
und Kiefern sowie Schadstufen 1–4 in
ausgewählten Probebeständen
Die Grobauswertungen der WorldView-2-Daten
wurde vom Sachverständigenbüro für Luftbildauswertung und Umweltfragen (SLU) in München für zwei Teilbereiche innerhalb des Testgebiets erarbeitet. Ziel der Klassifizierung war die
schrittweise Differenzierung des Testgebietes
nach Wald- und Nichtwald, nach Laub- und Nadelwald sowie nach dem Kronenzustand der mit
Gemeinen Eschen bestockten Flächen. Bei den
optischen WorldView2-Daten wurden die Methoden der pixel- und objektbasierten Klassifizierung
verwendet.
Zusammenfassend kann gesagt werden, dass bei
der Grobauswertung mit beiden Methoden Wald
von Nichtwald sowie Laub- von Nadelwald getrennt werden konnte. Weitere Differenzierungen,
z. B. verschiedene Schadstufen bei Kiefern und
Eschen, konnten jedoch nicht klassifiziert werden. Die ausführlichen Methodenbeschreibungen
und Ergebnisse können in einem umfassenden
Bericht der Landesforst Mecklenburg-Vorpommern nachgelesen werden.
Spezifische Auswertung und Validierung
} Ziel der spezifischen Auswertung
Die spezifische Auswertung schloss an die Grobauswertung an und diente der Detektion von Kronenveränderungen an den Beispielen Sturm-/Hagelschaden an Kiefer sowie Eschentriebsterben.,
Außerdem sollten verschiedener Baumarten anhand von Einzelkronen durch WorldView-2 identifiziert werden.
Schadstufen:
1 = 0-25 % die Krone ist geschädigt
2 = 26-50 % geschädigt
92
Baumarten:
BPA = Balsam-Pappel (Populus balsamifera)
GES = Gemeine Esche (Fraxinus excelsior)
RBU = Rot-Buche (Fagus sylvatica)
RER = Rot-Erle (Alnus glutinosa)
SEI = Stiel-Eiche (Quercus robur)
GDG = Douglasie (Pseudotsuga menziesii)
GFI
= Gemeine Fichte (Picea abies)
LA = Lärche (Larix decidua/kaempferi)
} Datengrundlage für Klassifizierung und Validierung der Ergebnisse
Für die Klassifizierung standen folgende Daten
zur Verfügung:
• WorldView-2-Originaldaten vom 01.06.2011
(Malchow) und 04.06.2011 (Schuenhagen)
sowie auf deren Grundlage jeweils 19 berechnete Vegetationsindizes, zusammengefasst in einem Layer-Stack (siehe Abb. 81 und
Tab. 30). Die Bilddaten wurden im Gegensatz
zur Grobauswertung roh, ohne vorheriges
Pan-Sharpening und ohne Fein-Georeferenzierung verwendet, um herauszufinden, ob
eine aussagekräftige Klassifikation trotz fehlender, zeitintensiver Vorprozessierung möglich ist.
• Luftbildmosaike der Testgebiete von 2010
und 2011 als Referenz
• 345 bzw. 1140 (Malchow bzw. Schuenhagen)
Einzelkronenpolygone aus Luftbildaufnahmen
mit Schadeinstufung als Signatur. Die jeweiligen Anzahlen pro Schadstufe und Baumart in
den Testgebieten sind in Tab. 31 bis Tab. 33
dargestellt
Für die Validierung der Klassifizierungsergebnisse wurden im Schnitt 75 % der Anzahl der Signaturbäume zusätzlich digitalisiert (siehe Tab. 31
bis Tab. 33). In der Literatur werden verschiedene
Werte für die zur Validierung verwendeten Stichproben genannt (z. B. VAN GENDEREN 1978,
CONGALTON 1991 und IOST et al. 2010). In der
Schadstufe 4 konnten wenige Bäume auf den
Flächen digitalisiert werden, da sie auf Grund ihres fortgeschrittenen Absterbeprozesses (hoher
Nadel-/Blattverlust) oder vorangegangener Erntemaßnahmen auf den WorldView-2- und Luftbildern schlecht bis gar nicht mehr detektiert werden konnten.
Abb. 81: WorldView-2Originaldaten (Multispektralbilder, jeweils
links) und Layer-Stacks
(rechts) der WorldView-2-Indizes für die
beiden Testgebiete
Malchow (oben) und
Schuenhagen (unten)
Tab. 30: Übersicht der berechneten Vegetationsindizes für die WorldView-2-Klassifikationen der
Testgebiete Malchow und Schuenhagen. B = Blue, G = Green, NIR = Near Infrared, NIR2 = Near
Infrared 2, R = Red, RE = Red-Edge, Y = Yellow
Layer-Stack Indizes Malchow und Schuenhagen
Nr.
Layer-Name
Beschreibung
1
ARI
(1/G)-(1/RE)
2
ARVI
(NIR-(R-(B-R)))/(NIR+(R-(B-R)))
3
Blau
(R/B)*(G/B)*(RE/B)*(NIR/B)
4
DD
(2*NIR-R)-(G-B)
5
GI2
(b2*-0,2848+b3*-0,2434+b5*-0,5436+b7*0,7243+b8*0,0840)*5
6
GNDVI
(NIR-G)/(NIR+G)
7
NDVI
(NIR-R)/(NIR+R)
8
NDVI_3_5
(G-R)/(G+R)
9
NDVI_8_4
(NIR2-Y)/(NIR2+Y)
10
NORM NIR
NIR/(NIR+R+G)
11
PSRI
(R-B)/RE
12
R/Y
(NIR1)/(R+Y)
13
RE NDVI
(NIR-RE)/(NIR+RE)
14
RE/Y
(RE-Y)/(RE+Y)
15
Rot
(NIR/R)*(G/R)*(NIR/RE)
16
RVI
NIR/R
17
SA
((b4+b5)*0,35)/2+(0,7*(b7+b8))/2-0,69
18
VI RE
NIR/RE
19
VI1
(10000*NIR)/(RE)^2
93
Tab. 31: Anzahl der für die WorldView-2-Klassifizierung und Validierung digitalisierten Kiefernkronen pro Schadstufe im Testgebiet Malchow.
N = Anzahl
Schadstufe
1
2
Tab. 32: Anzahl der für die WorldView-2-Klassifizierung und Validierung digitalisierten
Eschenkronen pro Schadstufe im Testgebiet
Schuenhagen. N = Anzahl
3
4
Gesamt
Schadstufe
1
2
3
4
Gesamt
N (Signaturbäume)
115 113
60
57
345
N (Signaturbäume)
98
101 101
74
374
N (Validierungsbäume)
60
60
60
240
75
80
60
290
60
75
Tab. 33: Anzahl der für die WorldView-2-Klassifizierung und Validierung digitalisierten Baumkronen
pro Baumart im Testgebiet Schuenhagen. N = Anzahl
Baumart
BPA
GES
RBU
RER
SEI
GDG
GFI
LA
Gesamt
N (Signaturbäume)
126
374
112
108
101
100
110
109
1140
75
290
76
75
76
75
75
75
817
} Klassifikation der Schadstufen und Baumarten in den Testgebieten
Die Schad- und Baumartenklassifikationen erfolgten durch vier verschiedene Institute (siehe
Tab. 34).
Neben den genannten Instituten führte auch das
Sachverständigenbüro für Luftbildauswertung
und Umweltfragen (SLU) die objektbasierte Klassifikation mit ERDAS Objective durch. Im Fall der
spezifischen Auswertung wurde die Methode nur
auf das Testgebiet Schuenhagen angewandt,
hier jedoch auf das gesamte Gebiet und nicht
wie bei der Grobauswertung nur auf zwei Teilbereiche.
Tab. 34: Für die Klassifizierung der Schadstufen und Baumarten in den Testgebieten Malchow und
Schuenhagen zuständige Institute und angewandte Methoden
Institut
EFTAS Fernerkundung Technologietransfer GmbH, Münster
Luftbild Umwelt Planung GmbH
(LUP), Potsdam
Eidg. Forschungsanstalt für
Wald, Schnee und Landschaft
(WSL), Birmersdorf/Schweiz
Earth Observation Services
GmbH (EOS), Jena
94
Methode
Conditional Random Fields (CRF)
Partial Least Squares Regression (PLSR)
Regelbasierte Regressionsbaummodellierung (Cubist/See5)
Image Support Vector Machine (SVM)
Multinomial Regression Models
Random Forest
} Validierung der Klassifikationsergebnisse
Zunächst wurden die Ergebnislayer in ArcMap
gesichtet und überprüft, welche Layer abgeliefert
wurden und ob die Layer im Raster- oder Vektorformat vorlagen (siehe Tab. 35).
Anschließend wurden die Raster-Layer zum Polygon umgerechnet. In der Attributtabelle der
Validierungsbäume wurde die Fläche der Kronenpolygone berechnet und in eine neue Spalte
geschrieben. Danach wurden die vektorisierten
Raster-Layer mit dem Shape der Validierungsbäume verschnitten. Die neuen Flächen der Kronenpolygonfragmente wurden berechnet und in
eine zweite Flächenspalte geschrieben. Das so
entstandene Shape bzw. die Attributtabelle wurde konvertiert und in Excel weiterverarbeitet. Nun
wurde der Flächenanteil der Kronenpolygonfragmente an dem gesamten Kronenpolygon berechnet. Die Prozentwerte wurden in folgende Klassen
eingeteilt:
25 = 0-25 %, 50 = 26-50 %, 75 = 51-75 % und
100 = 76-100 %.
Anschließend wurde in einer neuen Spalte „Güte
(1–3)“ den klassifizierten Schadstufen/Baumarten
eine Gütestufe zugewiesen.
1 = e
ntsprechende Krone wurde zu 100 % einer
Schadstufe/Baumart zugeordnet
2 = Krone wurde zu 76–100 % zu einer, sowie
zu wenigen Prozent anderen Schadstufen/
Baumarten zugeordnet (z. B. 80 % GES und
20 % RBU)
3 = Krone wurde maximal zu 75 % einer einzigen Baumart zugeordnet (z. B. 70 % Schadstufe 3, 20 % Schadstufe 1, 10 % Schadstufe 2 oder 40 % GES, 30 % RBU, 20 %
SEI und 10 % LA)
In Abb. 82 sind drei Baumkronen nach der Baumartenklassifikation abgebildet, die jeweils eine
Güte repräsentieren. Allen drei Polygonen wurde
in der Validierung aufgrund ihres Flächenanteils
die Baumart GES zugeordnet.
Tab. 35: Gelieferte Ergebnisse der Institute je Methode und Datengrundlage
Methode
Ergebnisse WorldView-2
Ergebnisse TerraSAR-X
Datenformat
CRF
Schadstufen und Baumarten (Baumarten auf Grundlage der Originaldaten und
des Layer-Stacks)
–
Schadstufen: klassifizierte Vektordaten (*.shp);
Baumarten: klassifizierte
Raster (*.tif)
PLSR
Schadstufen (auf Grundlage der Originaldaten und
des Layer-Stacks)
–
unklassifizierte Raster
(*.tif) und klassifizierte
Vektordaten (*.shp)
Cubist/See5
Schadstufen und Baumarten (jeweils auf Grundlage
des Layer-Stacks)
Schadstufen und Baumarten (jeweils auf
Grundlage der LayerStacks)
klassifizierte Raster
(*.tif/*.img)
SVM
des Layer-Stacks)
Schadstufen und Baumarten (jeweils auf
Grundlage der LayerStacks)
klassifizierte Raster (*.tif)
Multinomial
Regression
Models
der Originaldaten und des
Layer-Stacks zusammen
Schadstufen und Baumarten (auf Grundlage
des Layer-Stacks der
15 bzw. 22 Filterbilder)
klassifizierte Raster (*.tif),
segmentiertes Raster
(*.shp)
Random Forest
der Originaldaten und des
Layer-Stacks zusammen)
–
unklassifizierte Raster
(*.tif)
95
Abb. 82: Ergebnispolygone
nach Baumartenklassifikation. Links Güte 1,
Mitte Güte 2, rechts Güte 3.
Baumartenzuordnung: Türkis = GES, orange = GDG, gelb = LA,
dunkelgrün = SEI, hellgrün = RBU, dunkelblau = BPA
Bei der Klassifikation durch ERDAS Objective entstanden zusätzlich Kronenpolygone, die zwar aus
mehreren Segmenten, jedoch nur einer Schadstufe/Baumart bestehen. Diese wurden trotz gleicher
Schadstufe/Baumart Güte 2 oder 3 zugeordnet.
Weiter wurden alle Kronen mit Güte 3 überprüft,
der vorherrschenden Schadstufe/ Baumart zugeordnet und in eine weitere Spalte „Schaden/
Baumart (min. 76 %)“ eingetragen, wo auch die
Kronen der Güte 1 und 2 unverändert übernommen wurden. Die Werte dieser Spalte konnten
nun direkt den Werten der Validierung in einer
Konfusionsmatrix gegenübergestellt werden. Die
Diagonale der Matrix entspricht den Übereinstimmungen zwischen klassifizierten Objekten und
den entsprechenden Referenzdaten einer Objektklasse (VAN GENDEREN 1978, CONGALTON
1991 und IOST et al. 2010). Eine einfache, beschreibende Statistik ist die Gesamtgenauigkeit
(Overall Accuracy, OA), das heißt, der Quotient
aus Anzahl der korrekt klassifizierten Baumkronen
und Gesamtanzahl der Baumkronen. Des Weiteren gibt es bei der Bewertung der Matrix noch andere Genauigkeitsparameter:
Producer’s Accuracy (PA): Anteil der richtig
klassifizierten Baumkronen an der Gesamtanzahl
Referenzbaumkronen einer Klasse. Das Ergebnis
entspricht der Wahrscheinlichkeit, dass Referenzbaumkronen richtig klassifiziert wurden.
User’s Accuracy (UA): Anteil der richtig klassifizierten Baumkronen an der Gesamtanzahl der
Baumkronen einer Klasse des thematischen Layers. Das Ergebnis gibt die Wahrscheinlichkeit wieder, mit der klassifizierte Baumkronen der Karte/
thematischen Layer diese Klasse in der Realität
darstellen. Obwohl z. B. 80 % der Baumart „4“
korrekt klassifiziert wurden (= Producer‘s Accuracy), sind bei einer User’s Accuracy von 50 %
96
nur die Hälfte der als Baumart „4“ benannten Flächen tatsächlich mit der Baumart „4“ bestockt.
Kappa-Koeffizient (KK): Maß für die Übereinstimmung. Er ist definiert über die Elemente der
Konfusionsmatrix, die Gesamtanzahl der Referenzbaumkronen und die Anzahl der Klassen
(IOST et al. 2010). Der KK drückt die entsprechende Reduzierung des Fehlers beim Klassifikationsprozess im Vergleich zum Fehler einer vollständig zufälligen Klassifizierung aus. Bei einem
Kappa-Koeffizient von 0,42 vermeidet der Klassifikationsprozess z. B. 42 % der Fehler, die bei einer komplett zufälligen Klassifizierung entstehen
würden.
Ergebnisse der Klassifikationen und der
Validierung
In Abb. 84 und Abb. 85 werden sämtliche Klassifikationen der Schadstufen in den Testgebieten
auf Grundlage der WorldView-2-Daten je Klassifikationsmethode für einen repräsentativen Bildausschnitt gegenübergestellte. Die markierten
Flächen stellen unterschiedlich geschädigte Gemeine Kiefern- bzw. Eschen-Flächen dar, wie sie
in der Realität vorkommen.
Anhand der Konfusionsmatrizen konnten die im
folgenden Diagramm (Abb. 85) dargestellten Gesamtgenauigkeiten (Overall Accuracy) ermittelt
werden. Die Säulen markieren die Gesamtgenauigkeiten, wie sie durch die Validierung der Ergebnisse berechnet wurden. Die Punkte stellen die
Gesamtgenauigkeiten der durch die Institute intern durchgeführten Validierungen der jeweiligen
Methoden dar. Bei der Methode Random Forest
der Firma EOS und bei ERDAS Objective wurden
keine internen Validierungen durchgeführt.
Abb. 84: Gegenüberstellung der je nach Klassifikationsmethode unterschiedlich klassifizierten
Schadstufen bei der Gemeinen Kiefer im Testgebiet Malchow. Die schwarz umrandeten
Gebiete repräsentieren verschieden stark geschädigte Bereiche. Oben links: SVM – WorldView-2-Indizes, oben rechts: Random Forest,
unten links: Multinomial Regression Models
Abb. 83: Luftbildmosaik vom 26.08.2011 mit
geschädigten Hagelflächen im Testgebiet
Malchow (oben) sowie WorldView-2-Originaldaten (CRF, links; PLSR, rechts) und Auswertungen mit Cubist/See5 (unten) ohne und mit
Texturparametern (links bzw. rechts).
Umrandete Flächen repräsentieren die geschädigten Bereiche.
Abb. 85: Erzielte Gesamtgenauigkeiten bei den
Kiefern-Schadstufen je nach Klassifikationsmethode im Testgebiet Malchow
Die Methoden CRF und Cubist/See5 mit Texturparametern schnitten mit etwa 36 % Gesamtgenauigkeit und einem KK von 0,14 bzw. 0,16 am
besten ab. Tab. 36 und Tab. 37 stellen die Konfusionsmatrizen der beiden genannten Methoden
dar.
Tab. 36: Konfusionsmatrix der Schadklassifikation durch CRF
Referenz
Klassifikation
Schadstufe
1
2
3
4
Summe
Producer’s Accuracy
1
54
1
1
4
60
0,900
2
49
1
1
9
60
0,017
3
39
6
15
60
0,100
4
19
3
13
25
60
0,417
Summe
161
5
21
53
240
86
User’s Accuracy
0,335
0,200
0,286
0,472
97
Tab. 37: Konfusionsmatrix der Schadklassifikation durch Cubist/See5
Referenz
Klassifikation
Schadstufe
1
2
3
4
Summe
1
43
14
2
4
60
0,717
2
41
13
6
9
60
0,217
3
30
14
9
15
60
0,150
4
9
15
13
25
60
0,383
Summe
123
56
30
53
240
88
User’s Accuracy
0,350
0,232
Abb. 86: Gegenüberstellung der je nach
Methode unterschiedlich klassifizierten Schadstufen bei Esche im Testgebiet Schuenhagen
(oben) sowie WorldView-2-Originaldaten
(CRF, links; PLSR, rechts)
98
0,300
0,472
Abb. 87: Auswertungen der Eschen-Schadaufnahmen mit Cubist/See5 ohne und mit Texturparametern (links bzw. rechts oben),
mit SVM-Indizes und Random Forest (links
bzw. rechts mitte) sowie mit Multinomial
Regression Models (unten).
Umrandete Flächen repräsentieren die geschädigten Bereiche.
Abb. 88: Gesamtgenauigkeiten bei den
Eschen-Schadstufen je nach Klassifikationsmethode im Testgebiet Schuenhagen
Beide Methoden klassifizierten die Schadstufen 1
(90/72 % Producer‘s Accuracy „PA“) und 4 (etwa
40 % PA) gut. Die Schadstufen 2 und 3 hingegen
wurden mit maximal 22 % PA schlecht klassifiziert. Während die Methode CRF in den Güten 1
und 2 klassifizierte, waren es bei Cubist/See5 die
Güten 2 und 3, d. h. hier kamen die Kronenpolygone selten in Reinform vor. Besonders schlecht
scheinen sich die Methoden PLSR und SVM für
die Klassifikation der Kiefern-Schadstufen zu
eignen. Bei PLSR wurden viele Kronen fälschlicherweise der Schadstufe 2 zugeordnet. SVM
erkannte Schadstufe 3 nicht. Bei den restlichen
Methoden wurden die falsch klassifizierten Kronen hauptsächlich der Schadstufe 1 zugeordnet.
Deshalb schnitt diese in allen Fällen relativ gut ab.
In Abb. 88 werden die Gesamtgenauigkeiten der
Klassifikationsmethoden dargestellt. Wiederum
wurden für die Methoden Random Forest und
ERDAS Objective keine internen Validierungen
durchgeführt.
Die Methoden SVM, PLSR jeweils auf Grundlage
der Indizes und CRF auf Grundlage der Originaldaten schnitten mit etwa 40 % Gesamtgenauigkeit und einem durchschnittlichen KK von 0,2 am
besten ab (siehe Tab. 38 bis Tab. 40).
Während die Methode SVM die Schadstufen 1
(76 % PA) und 4 (48 % PA) am besten unterschied,
Tab. 38: Konfusionsmatrix der Schadklassifikation durch SVM
Referenz
Klassifikation
Schadstufe
1
2
3
1
57
9
9
2
52
8
14
3
34
9
4
14
Summe
157
4
Summe
75
0,760
6
80
0,100
24
8
75
0,320
2
16
28
60
0,467
28
63
42
290
117
User’s Accuracy
0,363
0,286
0,381
0,667
Tab. 39: Konfusionsmatrix der Schadklassifikation durch PLSR
Referenz
Klassifikation
Schadstufe
1
2
3
1
5
56
14
2
4
42
33
3
29
4
Summe
9
4
Summe
75
0,067
1
80
0,525
44
2
75
0,587
10
27
22
59
0,373
137
118
25
289
113
User’s Accuracy
0,556
0,307
0,373
0,880
99
Tab. 40: Konfusionsmatrix der Schadklassifikation durch CRF
Referenz
Klassifikation
Schadstufe
1
2
3
4
Summe
1
12
46
14
3
75
0,160
2
6
36
31
7
80
0,450
30
37
6
75
0,493
14
21
25
60
0,417
126
103
41
290
3
4
Summe
2
20
110
User’s Accuracy
0,600
0,286
waren es bei PLSR und CRF die Schadstufen 2
(53/45 % PA) und 3 (59/49 % PA). SVM und PLSR
klassifizieren dabei in den Güten 2 und 3. CRF
in der Güte 1 und 2. Besonders schlecht scheint
sich die Methode Cubist/See5 für die Klassifikation der Eschen-Schadstufen zu eignen.
In Abb. 89 bis Abb. 93 werden die klassifizierten Baumarten Balsampappel, Gemeine Esche,
Rot-Buche und Gemeine Fichte je Klassifikationsmethode im Testgebiet Schuenhagen gegenübergestellt. Die farbigen Flächen in Abb. 89 oben dienen der Orientierung, in welchen Beständen welche
Baumart in der Realität die Hauptbaumart ist.
folgenden Diagramm (Abb. 94) dargestellten Gesamtgenauigkeiten (Overall Accuracy) ermittelt
Methoden dar. Bei der Methode Random Forest
der Firma EOS und bei ERDAS Objective wurden
keine internen Validierungen durchgeführt.
Die Methode Multinomial Regression Models
schnitt mit 73 % Gesamtgenauigkeit und einem
KK von 0,67 am besten ab. Die Tab. 41 stellt die
Konfusionsmatrix der genannten Methode dar.
100
0,359
0,610
Abb. 89: Gegenüberstellung der mit den
Methoden CRF (links oben: WorldView-2-Originaldaten, rechts oben: WorldView-2-Indizes)
und Cubist/See5 (links: WorldView-2-Indizes
ohne Texturparameter, rechts: WorldView-2Indizes mit Texturparameter) klassifizierten
Balsampappeln im Testgebiet Schuenhagen.
Die schwarz umrandeten Gebiete repräsentieren die untersuchten Bestände.
Methoden SVM-WorldView-2-Indizes (links
oben), Random Forest (rechts oben), Multinomial Regression Models (links unten) sowie
ERDAS Objective (rechts unten) klassifizierten
Balsampappeln im Testgebiet Schuenhagen.
Die schwarz umrandeten Gebiete repräsentieren die untersuchten Bestände.
Methode unterschiedlich klassifizierten
Rot-Buchen im Testgebiet Schuenhagen.
Methoden CRF-WorldView-2-Originaldaten
und -Indizes, Cubist/See5-WorldView-2Indizes ohne und mit Texturparameter, SVMWorld-View-2-Indizes, Random Forest, Multinomial Regression Models sowie ERDAS
Objective (von links oben nach rechts unten)
klassifizierten Gemeinen Eschen im Testgebiet
Schuenhagen. Die schwarz umrandeten
Gebiete repräsentieren die untersuchten
Bestände.
Die Baumarten GFI (99 % PA), GDG (88 % PA)
und SEI (83 % PA) wurden am besten klassifiziert. GES (65 % PA) und BPA (76 % PA) schnitten, anders als bei der internen Validierung, etwas schlechter ab. RBU wurde mit 41 % PA am
schlechtesten erkannt.
Es wurde hauptsächlich in den Güten 1 und 2
klassifiziert, d. h. es gab nur in wenigen Fällen
heterogene Kronenpolygone. Die Zuordnung zu
einer Baumart war daher eindeutiger.
101
Abb. 94: Erzielte Gesamtgenauigkeiten bei den
Baumarten je nach Klassifikationsmethode im
Testgebiet Schuenhagen.
Eine rein visuelle Begutachtung der Klassifikationsergebnisse ergab, dass die Baumart BPA (Populus balsamifera), außer bei ERDAS Objective,
auf der gesamte Fläche klassifiziert wurde, obwohl sie tatsächlich nur in einem kleineren Areal
im Westen des Testgebiets vorkommt (vgl. Abb.
89). Besonders bei der Balsampappel wurde der
Unterschied in der Klassifikationsgenauigkeit
zwischen groß- und kleinkronigen Bäumen sichtbar. Die großkronigen Bäume wurden bei allen
Methoden fast vollständig erkannt, die kleinkronigen jedoch kaum. Das liegt einerseits vermutlich daran, dass die Signaturbäume, die zum Training der jeweiligen Methode genutzt wurden, nur
großkronige Bäume waren. Andererseits besitzen
kleine Kronen weniger Pixel, wodurch auch weniger Grauwerte zur Klasseneinteilung zur Verfügung stehen. Die kleinkronigen Balsampappeln
Methode unterschiedlich klassifizierten Gemeinen Fichten im Testgebiet Schuenhagen.
Die Trennung zwischen Laub- und Nadelhölzern
gelang allen Methoden relativ sicher. Innerhalb
dieser Gruppen jedoch gab es viele Fehlklassifizierungen.
Tab. 41: Konfusionsmatrix der Baumartenklassifikation durch Multinomial Regression Models
Referenz
Klassifikation
BA
1
2
3
4
5
6
7
1
2
3
4
5
6
7
189
29
6
26
31
55
11
62
1
5
5
2
55
3
8
4
66
2
4
61
76
73
3
8
74
Summe
2
3
229
16
73
1
130
67
5
89
Summe Producer’s Accuracy
290
76
75
72
75
74
75
737
0,652
0,408
0,827
0,764
0,880
0,824
0,987
538
User’s
Accuracy
102
0,825
0,425
0,477 0,821 0,868 0,836 0,831
wurde daher in den meisten Fällen RBU, SEI oder
GES zugeordnet. Dieses Phänomen wird auch
bei der Baumart RER (Alnus rubra) sichtbar, die
im Testgebiet hauptsächlich sehr kleine Kronen
ausbildet. Nur mit der Methode CRF auf Grundlage der WorldView-2-Originaldaten konnte diese
zu fast 100 % korrekt klassifiziert werden. Betrachtet man jedoch das gesamte Testgebiet, so
wurde Alnus rubra mit genannter Methode oftmals auch dort klassifiziert, wo sie in der Realität nicht vorkommt. Bei allen andern Methoden
wurde sie, teilweise komplett, Fraxinus excelsior
zugeordnet.
Bezüglich der Gemeinen Esche fällt auf, dass fast
alle Methoden außer CRF auf Grundlage der Originaldaten flächendeckend Eschen klassifizierten
(vgl. Abb. 91), auch dort, wo sie nicht vorkommt.
Die Methode Multinomial Regression Models differenzierte im Vergleich genauer. Dennoch wurde
auch durch diese Methode das Vorkommen der
Esche auf der gesamten Fläche überschätzt. Ein
Grund dafür ist, dass die falsch klassifizierten
Kronenpolygone der anderen Baumarten in den
meisten Fällen den Baumarten GES und SEI zugeordnet wurden.
Die Klassifizierung der Nadelbaumarten zeigte
ähnliche Probleme wie bei den Laubhölzern. Besonders gut wurde bei allen Methoden die Fichte
erkannt. Eine Ausnahme bildet CRF auf Grundlage der WorldView-2-Indizes. Hier wurden erstaunlicherweise keine Fichten klassifiziert (vgl.
Abb. 93). Die Konfusionsmatrix bestätigt, dass
sämtliche Fichten fälschlicherweise der Douglasie
zugeordnet wurden. Häufig wurden auch Lärchen
mit Douglasien verwechselt.
TerraSAR-X
Die folgenden Ausführungen stammen aus dem
Endbericht des Sachverständigenbüros für Luftbildauswertung und Umweltfragen (SLU). Die Untersuchung fand auch im Rahmen des wissenschaftlichen Programms von TerraSAR-X beim Deutschen
Zentrum für Luft- und Raumfahrt (DLR) im Proposal LAN0010 „Using TerraSAR-X data for land use
mapping and environmental research“ statt.
} Sensorcharakteristika, Aufnahmemodi und
Datenbeschaffung
TerraSAR-X ist der erste Erdbeobachtungssatellit, der kontinuierlich globale SAR-Daten im
X-Band (9,65 GHz) für die Dauer von mindestens
fünf Jahren liefert. Die Wiederholungsrate der
Aufnahmen ist 11 Tage. TerraSAR-X operiert in
drei verschiedenen Basismodi, dem ScanSAR,
StripMap und SpotLight Mode, wobei die geometrische Auflösung zwischen 1 und 16 Metern
variiert. TerraSAR-X stellt wahlweise single oder
dual polarisierte Daten zur Verfügung. Der Sensor arbeitet in verschiedenen Betriebsmodi (vgl.
Tab. 42 und Abb. 95). Zudem erlaubt TerraSAR-X
Tab. 42: ScanSAR, StripMap und SpotLight Charakteristik. pol. = polarisation
Auflösung range
(quer)
Auflösung Azimut
(Flugrichtung)
Streifenbreite
Streifenlänge
Schrägansicht
(Incidence Angle)
Polarisation
StripMap (SM)
ScanSAR (SC)
SpotLight (SL)
High Resolution
Spotlight (HS)
1,5 m-3,2 m
1,5 m-3,2 m
1,34 m-3,21 m
1,34 m-3,21 m
3m
16 m
2 m (single pol.)
4 m (dual pol.)
1 m (single pol.)
2 m (dual pol.)
30 km (single pol.)
15 km (dual pol.)
< 1.650 km
100 km
10 km
10 km
< 1.650 km
10 km
5 km
20°-45°
20°-45°
20°-55°
20°-55°
HH, VV (single pol.)
HH/VV, HH/HV, VV/
HV (dual pol.)
HH, VV
(single pol.)
HH, VV
(single pol.)
HH/VV (dual pol.)
HH, VV
(single pol.)
HH/VV (dual pol.)
103
Abb. 95: Betriebsmodi von
TerraSAR-X (Quelle: Byrd
Polar Research Center
(BPRC), 2008)
Abb. 97: Visualisierung des gelieferten TerraSAR-Streifens in Google Earth (Szenenabdeckung in lila)
Abb. 96: MAP-Plot als Übersicht zu dem
gelieferten TerraSAR Streifen
die Erfassung interferometrischer Radardaten zur
Erstellung digitaler Höhenmodelle. Weitere Informationen auch unter http://www.dlr.de/dlr/desktopdefault.aspx/tabid-10377/565_read-436/
Abb. 98: Verwendete
TerraSAR-Aufnahmen;
links: Gesamtszene,
rechts: Testgebiet
104
Zusammen mit den Bilddaten werden die GIM
(Geocoded Incidence Angle Mask) und verschiedene Infos zum Datensatz geliefert, wie z. B. ein
MAP-Plot und ein Quicklook als Übersicht sowie
eine kml-Datei, mit der in Google Earth der gelieferte TerraSAR Streifen visualisiert werden kann
(siehe Abb. 96 bis Abb. 98).
Die originalen Singleband-Daten wurden mit einer
Bodenauflösung von 1,25 x 1,25 Metern geliefert.
Aus der gelieferten Szene wurde das Testgebiet
herausgeschnitten (Abb. 98 rechts). Die Vorprozessierung wurde von dem Sachverständigenbüro für Luftbildauswertung und Umweltfragen
(SLU) durchgeführt.
Aufnahmetag
Modus
Polarisation
Flugrichtung
14.07.2010
StripMap
Single HH
Ascending
14.08.2011
StripMap
Single HH
Ascending
Qualitätsanalyse der TerraSAR-XDaten-Vorprozessierungsergebnisse für
das Gebiet Schuenhagen
geeignet. Das Change-Detection (Veränderungsfeststellung) lieferte jedoch keine aussagekräftigen Ergebnisse.
Die Qualitätsanalyse vorangegangener Radardaten-Vorprozessierung wurde so strukturiert, dass
ein umfassendes Bild der Möglichkeiten entstand, verschiedene Schadstufen und Baumarten
durch die Verarbeitung von TerraSAR-X-Daten
unterscheidbar zu machen. Der Fokus lag hierbei
wieder auf den Baumarten Esche und Kiefer. Im
Nachfolgenden werden die Ergebnisse zusammengefasst.
} Testgebiet Malchow:
Unterschiede zwischen den unterschiedlich stark
geschädigten Kiefernflächen (Hagel und Tornado)
konnten allenfalls bei den sehr stark geschädigten Flächen erkannt werden. Bei den hagelgeschädigten Einzelkronen unterschieden sich die
Schadstufen nicht eindeutig voneinander.
Wie im Testgebiet Schuenhagen konnten auch
hier wieder gut Nadel- von Laubholz unterschieden werden. Die Unterschiede zwischen den einzelnen Entwicklungsphasen der Baumarten fielen
sehr heterogen aus.
Die Landnutzungsarten konnten anders als im
Testgebiet Schuenhagen nur teilweise differenziert werden. Am besten gelang es bei Bundesstraßen/Autobahnen und Gewässern. Rückegassen in Waldbeständen wurden nie erkannt.
Das Change-Detection, die automatische und
objektbasierte Klassifizierung erbrachten jeweils
keine aussagekräftigen Ergebnisse.
Fazit zur Qualitätsanalyse
} Testgebiet Schuenhagen:
Durch die Grobauswertung der TerraSAR-X-Bilder konnten nur in geringem Maße Unterschiede
zwischen verschieden geschädigten Eschenflächen und -kronen sichtbar gemacht werden.
Dabei gelang dies auf den Flächen eher als bei
den Einzelkronen. Die verschiedenen Entwicklungsphasen hatten bei den Eschenflächen keinen Einfluss auf die Erkennbarkeit. Nur der ungeschädigte Eschen-Jungbestand hob sich von den
anderen Flächen häufig ab. Die Eschen-Altholzkronen eigneten sich besser zur Unterscheidung
der Schadstufen als mittelalte Bäume. Es konnten
allerdings meist nur Schadstufen 1 und 4 deutlich
voneinander getrennt werden.
Bei der Unterscheidung verschiedener Baumarten differenzierten sich Laub- und Nadelwälder
gut voneinander. Das jeweilige Baumholz einzelner Baumarten, wie Buche, Eiche und Fichte,
konnte am häufigsten von den Eschenflächen
unterschieden werden. Innerhalb der Laub- und
Nadelhölzer konnten nur vereinzelt Unterschiede
zwischen deren Entwicklungsphasen festgestellt
werden.
Zur Unterscheidung verschiedener Landnutzungsarten waren die TerraSAR-X-Daten gut
Grobauswertung: Klassifikation/
Segmentationen von Eschen und
Kiefern sowie Schadstufen 1–4 in
ausgewählten Probebeständen
Die folgenden Auswertungen der TerraSAR-X-Daten wurden ebenfalls vom Sachverständigenbüro
SLU erarbeitet.
Um einen ersten Überblick über die Qualität und
das Potential der TerraSAR-X-Daten bezüglich
der Überwachung von Kronenveränderungen
zu bekommen, wurde eine erste grobe Auswertung vorgenommen. Nach der Vorprozessierung,
die eine Auswertung der Einzelbilder, sowie ein
Change-Detection beinhaltete, wurden die Resultate daraus mittels pixel- und objektbasierter
Klassifikation klassifiziert. Wie schon in anderen
105
Studien bestätigt wurde, zeigt auch diese Untersuchung, dass sich TerraSAR-X-Daten mit single Polarisation nur eingeschränkt bzw. gar nicht
für die Klassifizierung von Wald eignen. Klassifizierungstests zur Trennung von Laub- und Nadelwald sowie von unterschiedlichen Baumarten
führten zu keinem brauchbaren Ergebnis.
Spezifische Auswertung und Validierung
Die spezifische Auswertung schloss an die Grobauswertung an und diente der Detektion von
Kronenveränderungen am Beispiel von Sturm-/
Hagelschaden an Kiefer (Pinus sylvestris) und von
Eschentriebsterben an der Esche (Fraxinus excelsior). Außerdem sollten verschiedene Baumarten
anhand von Einzelkronen durch TerraSAR-X identifiziert werden. Die Schadstufen und Baumarten
entsprechen denen der WorldView-2-Auswertung.
Für die Klassifizierung standen folgende Daten
zur Verfügung:
• TerraSAR-X-Rohdaten, vom 05.08.2011 (Malchow), 14.07.2011 und 14.08.2011 (Schuenhagen), sowie auf deren Grundlage 15/22/7
berechnete Filterbilder, jeweils zusammengefasst in einem Layer-Stack
Tab. 43: Anzahl der für die TerraSAR-X-Klassifizierung und Validierung digitalisierten Kiefernkronen pro Schadstufe im Testgebiet Malchow.
N = Anzahl
•
uftbildmosaike der Testgebiete vom 2010
L
und 2011 als Referenz
• 309 bzw. 1136 (Malchow bzw. Schuenhagen)
Einzelkronenpolygone aus Luftbildaufnahmen mit Schadeinstufung als Signatur. Diese
wurden mit Hilfe von Stereoluftbildern und
dem panchromatischen WordView-2-Bild (die
räumliche Auflösung liegt hier bei ca. 0,5 m
und damit höher als bei den multispektralen
Bildern; die Kronen lassen sich daher besser
detektieren) in ArcMap digitalisiert und auf
die TerraSAR-X-Bilder möglichst genau platziert. Die jeweiligen Anzahlen pro Schadstufe
und Baumart in den Testgebieten sind in Tab.
43 bis Tab. 45 dargestellt.
Für die Validierung der Klassifizierungsergebnisse
standen ebenso wie bei der WorldView-2-Auswertung im Schnitt 75 % der Anzahl der Signaturbäume zusätzlich zur Verfügung.
Klassifikation der Schadstufen und
Baumarten in den Testgebieten
Die Klassifikations-Methoden entsprechen den
weiter oben dargestellten der WorldView-2-Auswertung. Auch die Validierung wurde in gleicher
Weise wie bei den WorldView-2-Daten durchTab. 44: Anzahl der für die TerraSAR-X-Klassifizierung und Validierung digitalisierten Eschenkronen pro Schadstufe im Testgebiet Schuenhagen. N = Anzahl
Schadstufe
1
2
3
4
Gesamt
Schadstufe
1
N (Signaturbäume)
104
99
51
55
309
N (Signaturbäume)
98
60
60
60
60
240
75
2
3
4
Gesamt
101 101
74
374
80
60
290
75
Tab. 45: Anzahl der für die TerraSAR-X-Klassifizierung und Validierung digitalisierten Baumkronen
pro Baumart im Testgebiet Schuenhagen. N = Anzahl
Baumart
BPA
GES
RBU
RER
SEI
GDG
GFI
LA
Gesamt
N (Signaturbäume)
126
374
112
105
100
100
110
109
1136
75
290
76
75
76
75
75
75
817
106
geführt. Die gelieferten Daten sind in Tab. 35
aufgeführt. In Abb. 99 bis Abb. 101 werden die
Klassifikationsergebnisse der Schadstufen auf
Grundlage der TerraSAR-X-Daten je Klassifikationsmethode gegenübergestellt.
Abb. 100: Gesamtgenauigkeiten bei KiefernSchadstufen je nach Klassifikationsmethode im
Testgebiet Malchow
geschädigten Hagelflächen. Gegenüberstellung
(oben) sowie Ergebnisse der Klassifikation für
Kiefer im Testgebiet Malchow auf Basis der
Daten aus TerraSAR-X-Filter_050811 mit Cubist/
See5 (Mitte links), SVM (Mitte rechts) und
Multinomial Regression Models (unten links)
folgenden Diagramm (Abb. 100) dargestellten
Gesamtgenauigkeiten (Overall Accuracy) ermittelt
Methoden dar. Es liegen nur die internen Validierungen der Multinomial Regression Models vor.
Die Methoden schnitten mit etwa 25-26 % Gesamtgenauigkeit und einem KK von etwa 0 im
Gegensatz zu denen auf Grundlage der WorldView-2-Daten relativ schlecht ab.
geschädigten Eschenflächen (oben) sowie
Ergebnisse der Klassifikation für Esche im
Testgebiet Schuenhagen auf Basis der Daten
aus TerraSAR-X-Filter_140710 mit Cubist/See5
(Mitte links), SVM (Mitte rechts) und Multinomial Regression Models (unten rechts). Unten
links: Klassifikation der Daten aus TerraSAR-X-Filter 140811 mit SVM.
107
In Abb. 102 werden die Gesamtgenauigkeiten der
Klassifikationsmethoden für die Schadstufen im
Testgebiet Schuenhagen dargestellt. Wiederum
wurde nur für die Methode Multinomial Regression Models eine interne Validierung durchgeführt.
Abb. 102: Gesamtgenauigkeiten bei EschenSchadstufen je nach Klassifikationsmethode im
Testgebiet Schuenhagen
Die Methoden Cubist/See5 vom 14.07.2010, SVM
vom 14.08.2011 und Multinomial Regression Models erreichten eine Gesamtgenauigkeit von je
etwa 28 % mit einem sehr niedrigen KK von teilweise kleiner 0. Die Methode SVM auf Grundlage
der TerraSAR-X-Szene vom 14.07.2010 lag etwas
darunter.
In Abb. 103 bis Abb. 106 werden die klassifizierten Baumarten Balsampappel, Gemeine Esche,
Rot-Buche und Gemeine Fichte je Klassifikationsmethode im Testgebiet Schuenhagen gegenübergestellt. Die farbigen Flächen in Abb. 103 oben dienen der Orientierung, in welchen Beständen welche
Baumart in der Realität die Hauptbaumart ist.
In der Abb. 107 werden die Gesamtgenauigkeiten der Klassifikationsmethoden für die Baumarten im Testgebiet Schuenhagen dargestellt. Nur
für die Methode Multinomial Regression Models
wurde eine interne Validierung durchgeführt.
Durch die Multinomial Regression Models konnte
eine Gesamtgenauigkeit von über 40 % erreicht
werden. Der KK liegt jedoch nur bei 0,18 und
suggeriert etwas Übereinstimmung. Die interne
Validierung fiel mit 56 % Gesamtgenauigkeit und
einem KK von 0,32 etwas besser aus. Dennoch
wurde nur etwa die Hälfte der Baumkronen richtig
klassifiziert.
108
Abb. 103: Mosaik des Testgebiets Schuenhagen
zur Verdeutlichung der Verteilung der Hauptbaumarten (oben) sowie Ergebnisse der Klassifikation für Balsampappel im Testgebiet Schuenhagen auf Basis der Daten aus TerraSAR-X-Filter_140710 mit Cubist/See5 (Mitte links), SVM
(Mitte rechts) und Multinomial Regression Models (unten rechts). Unten links: Klassifikation der
Daten aus TerraSAR-X-Filter 140811 mit SVM.
Abb. 104: Ergebnisse der Klassifikation für
Esche im Testgebiet Schuenhagen. Anordnung
der Methoden wie in Abb. 103.
2.1.5.3Nutzung von Luftbildern zur Vitalitätsinventur am Beispiel der Esche
lassifikation/Segmentation von BaumK
arten im Testgebiet Schuenhagen
Rot-Buche im Testgebiet Schuenhagen.
Anordnung der Methoden wie in Abb. 103.
Gemeine Fichte im Testgebiet Schuenhagen.
Anordnung der Methoden wie in Abb. 103.
Abb. 107: Gesamtgenauigkeiten bei den
Baumarten je nach Klassifikationsmethode im
Testgebiet Schuenhagen
Die Klassifikation der Baumarten in diesem Arbeitsschwerpunkt erfolgte auf Basis eines Luftbildmosaiks. Die Referenzbaumkronen wurden
bereits in Kapitel 2.1.5.2 beschrieben. Die Luftbilder stammen vom 24.07.2012 und wurden von
der Firma Geoplana mit einer DMC II 140 aufgenommen. Die Klassifikation wurde von dem Unternehmen SLU mit ERDAS Objective durchgeführt (siehe 2.1.5.2). Ihre Ergebnisse werden in
Abb. 108 dargestellt.
Abb. 108: Klassifikationsergebnis durch ERDAS
Objective für die Baumarten im Testgebiet
Schuenhagen auf Grundlage des Luftbildmosaiks vom 24.07.2012. Die weißen Flächen stellen
Nichtwald dar.
Wie bei der Klassifikation durch ERDAS Objective auf Grundlage der WorldView-2-Indizes wurden auch hier nicht alle Baumarten erkannt. Balsam-Pappel wurde fast komplett den Stiel-Eichen,
Douglasie den Gemeinen Eschen und Lärchen zugeordnet. Wegen des großen Datenvolumens des
Lufbildmosaiks aufgrund der räumlichen Auflösung
von 20 cm konnte nur ein Teilbereich des gesamten
Testgebiets klassifiziert werden. Bei der Signatur
lagen 220, bei der Validierung 130 Kronenpolygone
außerhalb des klassifizierten Gebiets. Die fehlenden Kronenpolygone sind hauptsächlich Eschen,
Rot-Buchen und Stiel-Eichen. Die Gesamtgenauigkeit der Validierung lag mit 45,7 % und einem Kappa-Koeffizienten von 34 % etwas höher als bei der
Klassifikation mit Hilfe von WorldView-2-Indizes.
109
Inventur von Vitalitätsveränderungen
am Beispiel der Esche – Entwicklung
von Inventurverfahren für geschädigte
Eschenbestände
} Einleitung
Neben der Erfassung der Vitalitätsveränderungen aus Satellitenbilder und Radardaten war
ein weiterer Schwerpunkt die Erfassung dieses
Parameters aus Luftbildern. Hierfür wurden das
Low-cost System der Landesforst MV und zwei
verschiedene professionelle Systeme verwendet.
Die Untersuchungen wurden im gleichen Projektgebiet (Schuenhagen) wie die Auswertungen zu
den Radar- und Satellitendaten durchgeführt. Seit
2009 werden in diesem Gebiet zehn Probeflächen
mit jeweils sechs Bäumen über alle Alters- und
Schädigungsklassen exemplarisch vom Boden
und mit Luftbildern beobachtet.
} Vitalitätsansprache am Einzelbaum
2009 bis 2013
Nach dem vermehrten Auftreten des Eschentriebsterbens galt es zu prüfen, in wieweit dieser
Schaden auch in den Luftbildern erkannt und kar-
tiert werden kann. Dazu wurde das Projektgebiet
seit 2009 im Sommer beflogen. Um Aussagen zur
Qualität des Verfahrens zu prüfen und die möglichen Unterschiede der terrestrischen Inventur
zur Inventur aus Luftbildern aufzudecken, wurde
zeitgleich eine terrestrische Ansprache von 60
Einzelbäumen über alle Altersklassen vorgenommen. Diese Aufnahmen wurden jährlich zeitnah
zur Befliegung von den Spezialisten des Fachgebiets Waldschutz durchgeführt. Für die einheitliche Ansprache wurde ein Schema (siehe Tab. 46)
entworfen, nach dem alle Bäume angesprochen
wurden. Darin finden sich nicht nur die Einteilung
der Ansprache im Luftbild, sondern auch die Kronenverlichtung und die waldbauliche Einteilung.
Diese Einteilung wurde sowohl mit den Praktikern
vor Ort als auch mit den Spezialisten des Forstschutzes und der Luftbildauswertung abgestimmt.
Bei der Durchführung solch einer luftbildgestützten Inventur ist es wichtig, dass der photogrammetrische Arbeitsablauf konsequent eingehalten
wird. Dieser besteht aus Befliegung, Triangulation, stereoskopischer Auswertung und Darstellung der Ergebnisse in Karten (mit und ohne Luftbild als Hintergrund). Werden die Auswertungen
Tab. 46: Schema zur Einteilung der Ansprache terrestrisch bzw. im Luftbild und waldbauliche Einordnung
Luftbildklassen
Kronenverlichtung
0
0%
Waldbauliche Einordnung
A
1
0–25%
2
25–50%
B – hiebsnotwendig
3
50–75%
4
75–100%
C – hiebsdringlich
5
110
abgestorben
monoskopisch auf digitalen Ortholuftbildern mit
„normalen“ Befliegungsparametern (60 % Längsund 40 % Querüberlappung) durchgeführt, können die Bäume nicht eindeutig angesprochen
werden. Sie werden überwiegend verkippt dargestellt, der Auswerter schaut auf die Seiten der
Baumkrone, terrestrische Daten werden durch
die Verkippung in den Luftbildern scheinbar lagefalsch dargestellt. Dieses ist gerade bei Folgeinventuren besonders problematisch, da jede
Luftbildbefliegung eine andere Verkippung der
hohen Objekte erzeugt und so eine Vergleichbarkeit nicht gewährleistet werden kann. Bei der
stereoskopischen Darstellung und Auswertung
werden die hohen Objekte „aufgerichtet“ und so
lagerichtig dargestellt. Bei der Ansprache schaut
man auch direkt auf die Kronen. Durch die stereoskopische-räumliche Darstellung werden auch
viel deutlicher morphologische Veränderungen
wie teilweise geschädigte Kronen sichtbar. Aber
auch eine Schichtzuordnung der Kronenblattmasse ist hier gut möglich. Dieses ist gerade
beim Eschensterben sehr wichtig, da die Esche
bei Schädigung sekundäre Kronen im Kroneninneren bildet (so genannte Pudelschwanzkronen).
Weitere Ausführungen dazu finden sich in einer
speziellen Dokumentation zum Eschentriebsterben der Landesforst MV.
Bei der Auswertung wurde festgestellt, dass die
terrestrische Ansprache und die photogrammetrische Ansprache erheblich von einander abweichen. Dieses hat verschiedene Ursachen:
(1) Die verschiedenen Blickwinkel. Bei der terrestrischen Aufnahme wird ein Baum von unten
mit einem Blickwinkel zwischen 10° und 45°
(abhängig von der Einsehbarkeit des Baumes)
angesprochen. Bei der Luftbildauswertung
wird immer von oben im Nadir auf die Bäume
geschaut. Somit wird bei dem einen Verfahren mehr die Oberkrone beurteilt und bei dem
anderen die Unterkrone. Zudem ist die anzusprechende Baumsilhouette länger als bei der
Draufsicht im Luftbild.
(2) Hintergrund der Krone. Bei der terrestrischen
Ansprache ist der Himmel der Hintergrund,
bei Luftbildauswertung der Boden mit Unterwuchs und Unterstand. Somit können bei dem
einen Verfahren die Kronen lichter erscheinen
als bei dem anderen.
(3) Die unterschiedliche Ansprache der Bäume,
terrestrisch in 5 % Schritten und im Luftbild
in fünf Klassen, kann sich negativ auswirken.
Gerade zwischen den Klassen 2 und 3 sowie
zwischen 3 und 4 ist es schwer, die genaue
Grenze zu bestimmen.
Im nachfolgenden Diagramm der Auswertung
(Abb. 109) sieht man zum einen den oben beschriebenen Effekt deutlich. So wurden ca. 60 bis
70 % der Bäume terrestrisch und im Luftbild gleich
angesprochen. Im Vergleich terrestrische Aufnahme zur Luftbildauswertung wurden ca. 20 % der
Bäume in der Ansprache überschätzt und ca.
15 % unterschätzt. Zum anderen sieht man die
Verbesserung der Qualität der Auswertung ab
2011. Seit diesem Zeitpunkt wurde konsequent
der neu entwickelte Interpretationsschlüssel angewendet, in dem die Erfahrungen aus den Aufnahmen von 2009 und 2010 Grundlage waren.
Die Schadklasse 0 (entspricht 100 % ungeschädigt), wurde im gesamten Untersuchungsgebiet
nicht nachgewiesen, gleiches gilt für die Klasse 5.
Bei dieser Klasse kann jedoch das Problem eine
Rolle spielen, dass die Bäume im Luftbild nicht
einer Laubbaumart zugeordnet werden können.
Vergleicht man die Veränderung der Schadverteilung im Zeitraum 2009 bis 2013, so kann man
Abb. 109: Übereinstimmung der terrestrischen
Auswertung mit der
Luftbildauswertung
111
Abb. 110: Anteile der
Schadklassen der Eschen
zwischen 2009 und 2013
nach den terrestrischen
Aufnahmen
Abb. 111: Anteile der
Schadklassen der Eschen
zwischen 2009 und 2013
nach den Luftbildauswertungen
auch hier deutliche Unterschiede in den ersten
Jahren sehen. Mit Steigerung der Übereinstimmungsquote ab 2011 ist die Verteilung der Schädigung ähnlich (Abb. 110, Abb. 111). Somit kann
die Luftbildauswertung als Inventurmethode benutzt werden.
} Vitalitätsansprache am Bestand
In der Forstpraxis ist die Information über den Bestand wichtiger als die über den Einzelbaum. Um
die Eignung verschiedenen flächigen Inventurverfahren zu prüfen, wurden im Revier Lendershagen
acht Eschenbeständen terrestrisch nach der flächenbezogenen Schädigung angesprochen und
das Eignung der verschiedenen Inventurverfahren
aus dem Luftbild gegenüber gestellt. Angewandt
wurden folgende Aufnahmemuster:
(1) Flächige Schätzung – Aufsuchen der Versuchsfläche im Stereoluftbild und visuelles
Schätzen des Anteils der Bäume, die geschädigt sind, das heißt entsprechend des Schemas Klasse B (hiebsnotwendig) und C (hiebsdringend)
(2) Probekreisansprache Schätzung – Über die
Versuchsflächen wurden zufällig Probekreise
mit einem Durchmesser von 12,75 m gelegt.
Die Anzahl der Probekreise musste in Summe
5 % der Fläche abdecken. Anschließend wur-
112
de in jedem Probekreis geschätzt, wie hoch
der Anteil der geschädigten Bäume war (siehe
unter 1.). Die Ergebnisse aus den Probekreisen
je Probefläche wurden dann gemittelt auf die
Probefläche bezogen.
(3) Probekreisansprache Zählung – Das Verfahren wurde wie unter (2) beschrieben durchgeführt, nur wurde hier jeder Baum im Probekreis
nach seiner Schädigung in den Klassen A, B
und C angesprochen. Die Ergebnisse aus den
Probekreisen je Probefläche wurden dann auf
die Probefläche gemittelt.
} Ergebnisse
Der Vergleich der Auswertungen (siehe Tab. 47,
Abb. 112 und Abb. 113) zeigt annähernd eine
Übereinstimmung der Schadklasseneinteilung.
Abweichungen sollten nicht zu negativ gewertet werden, da hier grundlegende Probleme
enthalten sind, die nicht eliminiert werden können. Die terrestrischen Einschätzungen wurden
zwar mit großer Sorgfalt vorgenommen, in diesen mehrschichtigen Beständen, die zum Teil
sehr schwer zugänglich sind, war eine flächige
Einschätzung jedoch kaum möglich. Im Luftbild hat man über die Flächen dagegen einen
guten Überblick, besonders über die Schadverteilung. Hier war jedoch das große Problem, ob
in diesen Mischbeständen die Baumart richtig
angesprochen wurde. Außerdem zeigen die Ergebnisse der Einzelbaumauswertung, dass eine
Über- oder Unterschätzung der Schadeinteilung im Luftbild im Vergleich zur terrestrischen
Aufnahme auftreten kann. Die Flächenanzahl
(Grundgesamtheit) für die Auswertung muss kritisch betrachtet werden, war jedoch dem sehr
hohen terrestrischen Aufwand geschuldet. Die
Methode „Probekreisansprache-Zählung“ kann
als die genauste, aber auch als die aufwändigste eingeschätzt werden.
Tab. 47: Darstellung der Ergebnisse der Vergleichsauswertung zum Schädigungsgrad bei den
verschiedenen Methoden
Probekreisansprache Probekreisansprache
Schätzung
Zählung
(Methode 2),
(Methode 3),
Schädigungsgrad
Schädigungsgrad
ForstAdresse
terrestrische
Einschätzung,
Schädigungsgrad
Flächenschätzung
(Methode 1),
Schädigungsgrad
3315 a2
61–70 %
70 %
75 %
54 %
3316 a1
61–70 %
50 %
79 %
50 %
3388 a4
61–70 %
80 %
78 %
69 %
3277 b4
61–70 %
60 %
63 %
68 %
3309 b1
71–80 %
50 %
77 %
63 %
3305 a2
71–80 %
40 %
87 %
48 %
3284 b4/5
81–90 %
40 %
84 %
50 %
3267 a7
81–90 %
60 %
69 %
68 %
Abb. 112: Darstellung der
Übereinstimmung des
Schädigungsgrades der
verschiedenen Inventurmethoden – als Basis
wurde die terrestrische
Aufnahme verwendet
Abb. 113: Darstellung der
Übereinstimmung des
Schädigungsgrades der
verschiedenen Luftbildbasierende Inventurmethoden – als Basis wurde die
Methode Probekreisansprache – Zählung
verwendet
113
Fazit und Ausblick
Im Ergebnis der Untersuchung kann man zusammenfassen, dass die Inventur des Eschentriebsterbens über Luftbilder eine sehr gute Methode
darstellt. Dieses gilt vor allem in Waldbeständen,
die zum Teil schwer zugänglich und mehrschichtig sind. Hier ist es terrestrisch fast unmöglich,
einen Überblick über das tatsächliche aktuelle
Schadgeschehen zu bekommen. Die Kosten für
eine Luftbildauswertung sind abhängig vom Aufnahmeverfahren (Methode 1, 2 oder 3) mit ca. 3
bis 6 € je ha erheblich günstiger. Zudem liegen
anschließend digitale Daten vor, die für weitere
Planungen genutzt werden können. Auch kann
mit Hilfe der aufgenommenen Bilder jederzeit die
Situation zum Aufnahmezeitpunkt beurteilt werden. Jedoch hat die Untersuchung ergeben, dass
es im Vergleich zwischen den einzelnen Aufnahmeverfahren immer zu Abweichungen kommen
wird, die oben beschrieben wurden.
Aus den Ergebnissen dieser und der Untersuchung aus den Satellitendaten kann folgendes
Verfahren für eine großräumige Schadinventur
empfohlen werden.
(1) Vorstratifikation der mit Esche bestocken
Flächen aus dem DSW 2 und Verschnitt mit
der digitalen Forstgrundkarte auf Bestandsebene
(2) Vorstratifikation der mit Esche bestocken
Flächen aus Luft- bzw. Satellitenbildern. Dieses gilt besonders für Waldbestände, wo keine Informationen aus dem DSW 2 vorliegen.
Hierbei haben sich die WorldView-2-Daten der
Firma Digital Globe als gutes Mittel erwiesen.
Jedoch ist die Beschaffung von wolkenfreien
Satellitenscenen für Mecklenburg-Vorpommern sehr schwer. Anschließend können die
Daten mittels Klassifikation (hier vor allem mit
der Methode Multinomial Regression Models)
für wichtige Baumarten ausgewertet werden.
Als Alternative oder als Ersatz könnten die
vom Landesvermessungsamt alle fünf Jahre
im Sommer aufgenommenen Luftbilder eingesetzt werden. Hierzu laufen noch Untersuchungen, die aber in Kürze abgeschlossen
werden.
(3) Befliegung der Eschengebiete mit professioneller Kamera und stereoskopischer Auswer-
114
tung bei großen Gebieten (z. B. komplette Forstämter)
(4) Befliegung der Eschengebiete mit Low-cost
Kamera und stereoskopischer Auswertung bei
kleinen Gebieten bis Revier
(5) Flächige Auswertung: Schadprozent schätzen
(6) Flächige Auswertung Probekreis: Schadprozent genau bestimmen.
Somit stehen für die unterschiedlichen Anforderungen verschiedene Bausteine für eine Schadinventur zum Eschensterben zur Verfügung. Eine
genaue Kostenabschätzung für die einzelnen
Schritte ist pauschal jedoch kaum möglich und
wird stark von den Rahmenbedingungen abhängen.
2.1.5.4Nutzung von Luftbildern zur Ableitung
von Höheninformationen
Die Baumhöhe, einer der wichtigsten Parameter
zur Beschreibung von Waldbeständen, kann seit
einigen Jahren aus Laserdaten extrahiert werden.
Durch die rasante Entwicklung der digitalen Kameratechnik und der verschiedenen Algorithmen
zur Ableitung von Oberflächenmodellen aus Luftbildern hat die Lasertechnik erhebliche Konkurrenz bekommen. Dieses ist gerade aufgrund der
Kosten interessant, da vorhandene Luftbildbefliegungen (Landesbefliegung) zur Ableitung der
Oberflächendaten benutzt werden können. Ein
Vergleich der heute vorhandenen Algorithmen
und die Bewertung dieser Modelle, vor allem in
der Eignung für den Wald, fehlten jedoch bisher.
Einführung
Das Ziel der Analysen sind der Vergleich und die
Bewertung der unterschiedlichen Aufnahmeverfahren „Airborne Laserscanning“ und „digitale
Luftbildaufnahme“ in ihrer Eignung zum Ableiten
von Baumhöhen. Die Erfassung der Erdoberfläche mittels Laser ist ein direktes Messverfahren.
Durch die Laseraufnahme erhält man eine dreidimensionale Punktwolke, die die Oberfläche des
beflogenen Gebietes darstellt. Die Erfassung der
Erdoberfläche mittels Stereoluftbilder stellt ein
indirektes Messverfahren dar. Das Digitale Oberflächenmodell (DOM) erhält man nach der Triangulation und dem Matching der triangulierten
Stereoluftbilder. Die Daten der Laserbefliegung
sind in der Regel genauer als die Ergebnisse der
Luftbildbefliegung, aber auch teurer. Als Kontrolldatensatz dienten terrestrische und stereoskopische Messungen von ausgewählten Bäumen.
Für das Projekt standen Laser- und Luftbildbefliegungen des Landesvermessungsamtes sowie
Luftbildbefliegungen mit einem Ultraleichtflugzeug zur Verfügung. Für das Ableiten der Oberflächenmodelle aus den Stereoluftbildern wurden
unterschiedliche Softwarepakete (LPS/ eATE,
PhotoScan, Pix4D, MicMac, ImageStation, Correlator3D etc.) getestet.
Testgebiet und Datenerhebung
Als Testgebiet für die Untersuchungen wurde
die Region um Feldberg (Mecklenburg-Vorpommern) ausgewählt. Sie ist gekennzeichnet durch
welliges bis sehr hügeliges Gelände. Die Gebiete
wurden so ausgewählt, dass alle vier in Mecklenburg-Vorpommern vorkommenden Hauptbaumarten vertreten sind. Zudem wurde versucht,
vorherrschende Bestände in dichte (gedrängt und
geschlossen) und lichte (locker, licht und räumdig)
zusammenzufassen. Daraus ergeben sich für die
Untersuchung folgende Klassen:
• dichte Laub- und Nadelwälder (Eiche, Buche,
Kiefer, Fichte),
• lichte Laub- und Nadelwälder (Eiche, Buche,
Kiefer, Fichte),
• flache und hügelige landwirtschaftliche Flächen,
• Siedlungsflächen.
Ziel dieser Klasseneinteilung ist es, die Anwendungsgrenzen der Digitalen Oberflächenmodelle zu bestimmen. Dabei soll festgestellt werden,
welche Klasse sich besser für das Ableiten von
Forstparametern aus DOMs eignet als andere. In
die Bewertungen werden zusätzlich Siedlungsflächen und landwirtschaftliche Flächen eingeführt,
um einen Vergleich zu eindeutigen Objekten vornehmen zu können und eine Orientierungshilfe für
die Lage- und Höhengenauigkeit der Waldklassen
zu bekommen.
} Laserbefliegung
Die Laserbefliegungen wurden im Jahr 2010
durch die Firma BLOM Deutschland und im Jahr
2011 durch die Firma BSF-Swissphoto im Auftrag
des Landesvermessungsamt Mecklenburg-Vorpommern durchgeführt, die die Daten für die
Untersuchung kostenlos zur Verfügung stellten.
Beide Firmen verwendeten den Laserscanner
Optech ALTM 3100. Für die Aufnahme wurde die
Messmodi First pulse und Last pulse verwendet.
Beim First pulse wird nur der zuerst reflektierte
Signalanteil registriert, während beim Last pulse
der zuletzt reflektierte Signalanteil aufgezeichnet
wird. Die First pulse Daten enthalten die höchstgelegenen Stellen von Häusern und Bäumen und
stellen das Digitale Oberflächenmodell dar. Die
Last pulse Daten können als Digitales Geländemodell verwendet werden.
Die Punktdichte beträgt jeweils 1 Punkt/m². Die
Höhengenauigkeit der Laserdaten wurde mit Hilfe
von terrestrisch vermessenen Kontrollflächen, die
Lagegenauigkeit mit Hilfe von Luftbildpasspunkten, ALK-Gebäudegrundrissen bzw. Dachpunkten überprüft.
} Luftbildbefliegung
Für das Projekt standen zwei professionelle Luftbildbefliegungen zur Verfügung, deren Daten vom
Landesvermessungsamtes bereitgestellt wurden.
Da diese Aufnahmen im Frühjahr 2010 und 2011
stattfanden, waren die Laubbäume unbelaubt.
Im Frühjahr und im Sommer des Jahres 2012
wurde das Untersuchungsgebiet mit dem LowCost-System aus zwei baugleichen Nikon D300s
Kameras des Landesforstes in einem Ultraleichtflugzeug beflogen. Durch die Sommerbefliegung
im belaubten Zustand kann nicht nur ein Vergleich
zwischen den Systemen vorgenommen werden,
sondern auch ein Vergleich zwischen den unterschiedlichen Jahreszeiten und der damit verbundenen Belaubung. Die Unterschiede zwischen
der UltraCamD und der Nikon D300s Befliegungen sind in Tab. 48 dargestellt. Die wesentlichsten
Unterschiede sind die spektrale Auflösung und
das Bildformat.
Aufgrund des großen Bildformates und der vorhandenen eo-Parameter ist die Triangulation der
UltraCam-Luftbilder gegenüber den Nikon-Befliegungen weniger aufwändig. Für das Ableiten
115
Tab. 48: Aufnahmeparameter der Luftbildbefliegungen
Zeitpunkt Kamera
Bildformat
Brennweite
Farbtiefe
Flughöhe
GSD
Längs-/
Querüberlappung
Spektrale
Auflösung
UltraCamD
11500 x
101,4 mm
7500 Pixel
32 bit
1170 m
0,1 m
60 % /
30 %
RGB +
NIR
UltraCamD
11500 x
101,4 mm
7500 Pixel
32 bit
2300 m
0,2 m
60 % /
30 %
RGB +
NIR
22.03.12
NIKON
D300s
4288 x
23,64 mm
2848 Pixel
24 bit
870 m
0,2 m
80–90 % /
30–60 %
RGB
10.09.12
NIKON
D300s
4288 x
23,64 mm
2848 Pixel
24 bit
871 m
0,2 m
80–90 % /
50–60 %
RGB
25.04.10
01.03.11
11.04.11
der digitalen Oberflächenmodelle steht zudem
der Nahe Infrarotkanal, der auch die Vitalität der
Bäume sichtbar macht, zur Verfügung. Die hohe
Längs- und Querüberlappung der Nikonbefliegungen ermöglicht eine detaillierte Erfassung von
erhöhten Objekten im Digitalen Oberflächenmodell. Dadurch lassen sich auch Baumlücken besser erfassen.
} Terrestrische Messungen
Die terrestrischen Messungen fanden im November und Dezember 2011 statt. Im unbelaubten
Zustand konnte die Baumhöhe gut gemessen
werden. Die Position der Bäume wurde mittels
Theodolit hochgenau eingemessen.
Datenaufbereitung
} Verwendete Software-Systeme
Für das Ableiten von digitalen Oberflächenmodellen wurden unterschiedliche Softwarepakete
genutzt (Tab. 49). Ein Teil der Oberflächenmodelle
wurde selbst errechnet, die Software wurde kostenlos von den Herstellerfirmen zur Verfügung gestellt. Die Berechnung der übrigen Oberflächenmodelle erfolgte durch Firmen und Institutionen.
Als Ausgangsbasis für die Berechnungen dienten
immer die von uns triangulierten Luftbildblöcke
der oben geannten Befliegungen. Zudem wurden
allen Firmen als Kontrolle die verwendeten Passpunkte und Referenzluftbilder mitgeliefert. So war
sichergestellt, dass die Ergebnisse vergleichbar
sind. Anschließend erfolgte über alle Modelle
116
die Bewertung. Da die Analyse noch nicht abgeschlossen ist, werden in der Ergebnisdarstellung
nicht alle errechneten Modelle aufgeführt.
} Aerotriangulation und Extrahierung von
Digitalen Oberflächenmodellen
Bevor aus den digitalen Stereopaaren Oberflächenmodelle abgeleitet werden, müssen die
Orientierungsparameter von jedem Luftbild bestimmt oder gegebenenfalls verbessert werden.
Der Prozess zur Bestimmung der Orientierungsparameter wird als Aerotriangulation bezeichnet.
Nach erfolgreicher und exakter Aerotriangulation
kann mit der Extraktion der Oberflächenmodelle
begonnen werden. Hierfür werden verschieden
Bildkorrelationsverfahren eingesetzt. Die Qualität
kann durch eine Reihe von Problemen beeinflusst
werden, die nachfolgend an Beispielen erläutert
werden.
Probleme bei der Erstellung von Digitalen
Oberflächenmodellen
Ziel der Bildkorrelationsverfahren ist es, homologe Punkte (korrespondierende Bildstellen mit
gleichen Grauwertmustern) in zwei oder mehreren Stereobildern mit Hilfe von Suchmatrizen zu
finden. Die häufigsten Gründe für mögliche Fehlzuordnungen sind die Mehrdeutigkeiten und Geometrische Verzerrungen in den Stereobildern.
Mehrdeutigkeiten
Mehrdeutigkeiten entstehen, wenn ein Bildpunkt
nicht eindeutig oder gar nicht einem korrespondierenden Punkt im benachbarten Bild zugeord-
Tab. 49: Zusammenstellung der getesteten Softwarepakete (Low-cost = bis 5.000 €; Middle-cost =
5.000 bis 10.000 €, High-cost = über 10.000 €)
Hersteller
Software
Berechnung
Preiskategorie
Leica Photogrammetry
Suite (LPS) und Enhanced
Automatic Terrain
Extraction (eATE)
Landesforst MV
High-cost
RACURS
Photomod
Landesforst MV
Middle-cost
ICAROS
Icaros Photogrammetric
Suite (IPS)
Landesforst MV
High-cost
Agisoft
PhotoScan Professional
Landesforst MV
Low-cost
HEXAGON/ INTERGRAPH
Institut Geographique
National
SimActive
Multi Image CorrespondanGRID-IT Gesellschaft für
ces par Methodes Autoangewandte
matiques de Correlation
Geoinformatik mbH
(MicMac)
Low-cost
(free Software)
Correlator3D
GeoContent (Geofly)
Middle-cost
Pix4D
Pix4uav Desktop
GRID-IT Gesellschaft für
angewandte
Geoinformatik mbH
Middle-cost
Trimble
INPHO MATCH-T – DTM/
DSM Generator
Landesvermessungsamt MV
(Hr. Baltrusch)
High-cost
Stuttgarter Software
Landesvermessungsamt Bayern (Hr. Stark)
Low-cost
(free Software)
ImageStation Automatic
Elevation Extended
Z/I Imaging GmbH
High-cost
PhoTopoL
Tschechisches Forst
Management Institut in
Frýdek-Místek
(Dr. Filip Hájek)
Middle-cost
Noah Snavely/
Dr. Yasutaka Furukawa
Bundler/ PMVS
HafenCity University
Hamburg (Prof. Kersten)
Low-cost
(free Software)
University of Washington at Seattle
(Changchang Wu)
VisualSFM
HafenCity University
Hamburg
(Prof. Kersten)
Low-cost
(free Software)
HEXAGON/
INTERGRAPH
TopoL
net werden kann. Dieses kommt vor allem in sehr
homogenen/ kontrastarmen Bilddaten vor. Das
bedeutet, dass die umgebenden Pixel eines Zielpixels sehr geringe Grauwertunterschiede aufweisen. Dieses tritt häufig in Wald- und Ackerflächen
auf.
Gar keine Lösungen treten häufig bei unterschiedlicher Beleuchtung der Oberfläche auf. Dadurch
kann es zu Reflexionen bei der Bildaufnahme
kommen. Die homologen Punkte werden dann
in den Stereobildern unterschiedlich dargestellt.
Aufgrund dieser extremen Grauwertunterschiede zwischen den Bildern (Bildbereichen) fällt die
Zuordnung des homologen Punktes aus. Typische Flächen für das Auftreten von Reflexionen
sind Wasserflächen, Flächen mit Gewächshäusern und Städtische Flächen (Dach und Fenster).
Mehrdeutigkeiten und die damit verbundenen
Fehlmessungen können nicht abgestellt, aber minimiert werden.
117
Geometrische Verzerrungen
Aufgrund der unterschiedlichen Aufnahmeposition der Stereobilder wird die abgebildete Oberfläche in den jeweiligen Bildern (unterschiedlich
stark) verzerrt dargestellt. Dieses macht sich vor
allem in Bereichen mit großen Höhenunterschieden deutlich bemerkbar. Zudem werfen die hohen
Objekte einen deutlichen Schatten, der sich kontinuierlich verändert und so als Fehler wirkt. Hohe
Objekte mit großen Höhenunterschieden wie Bäume und Häuser werden stärker verzehrt und verkippt. So kann es in Waldbereichen vorkommen,
dass Bestandeslücken nur in einem Bild sichtbar
sind. In dem korrespondierenden Bild werden sie
durch die Verkippungseffekte der angrenzenden
Bäume verdeckt oder überlagert und im Digitalen
Oberflächenmodell nicht erfasst. Dieses Problem
kann man bei der Bildaufnahme mit einem höheren Überlappungsbereich umgehen.
Datenanalyse
} Klassendefinition der Parameter Punktdichte
und Höhenabweichung anhand von idealisierten Oberflächentypen
Für die Beurteilung der verschiedenen Oberflächenmodelle wurde ein Bewertungskatalog
erarbeitet, der aus den Parametern Punktdichte und Höhenabweichung besteht. Diese Parameter wurden an definierten Oberflächentypen
analysiert, die im Testgebiet Feldberg festgelegt
wurden (Tab. 50). Jeder Oberflächentyp besitzt
Objekte, die ihn charakterisieren und von den
anderen Oberflächentypen unterscheiden. Diese
Oberflächeneigenschaften sind nachfolgend beschrieben.
Oberflächentyp Siedlung (S)
Der Oberflächentyp Siedlung ist durch anthropogene Objekte definiert. Typische Objekte im Testgebiet sind rechtwinklige, kantige Strukturen wie
Häuser, Straßen oder Friedhofsmauern. In den
Bildern herrscht ein hoher Kontrast vor. Höhenunterschiede (z. B. zwischen Hauswand und Boden)
sind unstetig und werden im DOM meist nicht
korrekt dargestellt.
118
Landwirtschaftliche Fläche flach (LFf )
Der Oberflächentyp LFf ist durch geringe Steigung charakterisiert. Diese Flächen werden zum
Anbau von Pflanzen genutzt. Der Kontrast in den
Bildern ist gering. Es treten keine hohen Höhenunterschiede auf, aber durch Mehrdeutigkeiten
in den Grasflächen kann es zu Fehlmessungen
kommen.
Landwirtschaftliche Fläche hügelig (LFh )
Dieser Oberflächentyp zeichnet sich durch mittlere Steigungen im Gelände aus. Flächen werden
meist als Viehweide genutzt. Der Kontrast in den
Bildern ist gering. Es treten keine hohen Höhenunterschiede auf, aber durch Mehrdeutigkeiten
in den Grasflächen kann es zu Fehlmessungen
kommen.
Nadelwald licht (NWl )
Typische Baumvertreter der Klasse Nadelwald
licht im Testgebiet sind Kiefern. Die Abstände zwischen den Bäumen betragen mehrere Meter, so
dass es möglich ist, den Erdboden zu erkennen.
In den Bildern besteht nur ein geringer Kontrast
(Nadelbaum, Erdboden und Unterholz). Es treten
große Höhenunterschiede auf. Zusätzlich kann es
durch Mehrdeutigkeiten in den Baumkronen sowie Erdboden und Unterholz zu Fehlmessungen
kommen.
Nadelwald dicht (NWd )
Die Abstände zwischen den Bäumen sind geringer als in der Klasse Nadelwald licht. Es treten
kaum Waldlücken auf. Die geschlossene Nadelwalddecke erzeugt nur einen geringen Kontrast in
den Bildern. Es treten große Höhenunterschiede
auf. Zusätzlich kann es durch Mehrdeutigkeiten
in den Baumkronen zu Fehlmessungen kommen.
Laubwald licht (LWl )
Typische Baumvertreter der Klasse Laubwald
licht im Testgebiet sind Buchen und Linden. Die
Abstände zwischen den Bäumen betragen mehrere Meter, so dass es möglich ist, den Erdboden
zu erkennen. In den Bildern besteht nur ein geringer Kontrast (Laubbaum, Erdboden und Unterholz). Es treten große Höhenunterschiede auf.
Zusätzlich kann es durch Mehrdeutigkeiten in den
Baumkronen sowie Erdboden und Unterholz zu
Oberflächentypen
Schematisches Profil
Visualisierung
Tab. 50: Beschreibung der
Oberflächentypen im Testgebiet Feldberg
Siedlung, S
Landwirtschaftliche
Fläche,
flach LFf
Landwirtschaftliche
Fläche,
hüglig LFh
Nadelwald,
licht NWl
Nadelwald,
dicht NWd
Laubwald,
licht LWl
Fehlmessungen kommen. Die Qualität der Messung ist abhängig von der Jahreszeit.
Laubwald dicht (LWd )
Die Abstände zwischen den Bäumen sind gering,
in der Regel herrscht eine geschlossene Laubwalddecke vor. Der Kontrast in den Bildern ist
gering, es treten große Höhenunterschiede auf.
Durch Mehrdeutigkeiten in den Baumkronen kann
es zu Fehlmessungen kommen. Die Qualität der
Messung ist abhängig von der Jahreszeit.
Das Testgebiet wurde in 25 x 25 m große Probeflächen eingeteilt. Jeder Probefläche wurde dann
ein Oberflächentyp zugeordnet. Die Oberflächenmodelle, die mit den verschiedenen Algorithmen
erstellt wurden, konnten dann mit Hilfe dieses
Probeflächengitters einzeln ausgewertet werden.
Dabei erfolgte die Bewertung jeweils nach den
definierten Oberflächentypen.
Punktdichte
Der Parameter Punktdichte (Pd) ist eine wichtige Kenngröße, die die Güte der Abbildung einer
Oberfläche eines Objektes im Oberflächenmodell
beeinflusst. Je höher die Punktdichte je Quadratmeter, desto detaillierter kann eine Objektoberfläche im Oberflächenmodell abgebildet werden.
Um eine Beurteilung der notwendigen Punktdichte vornehmen zu können, wurde zuerst eine theoretische Ableitung durchgeführt, auf die hier nicht
weiter eingegangen werden soll.
Nachdem so die notwendige Punktdichte für einzelne Objekte berechnet wurde, konnten nun die
119
Tab. 51: Klassenbewertung des Parameters Punktdichte (Pd) für die unterschiedlichen
Oberflächentypen
Beurteilungsklassen
Oberflächentyp
Siedlung
in Punkte/m²
Oberflächentyp
Landwirtschaftliche Fläche
(flach, hügelig)
in Punkte/m²
Oberflächentyp
Nadelwald
(dicht, licht)
in Punkte/m²
Oberflächentyp
Laubwald
(dicht, licht)
in Punkte/m²
1
0,44 < Pd
0,36 < Pd
2,25 < Pd
1 < Pd
2
0,44 >= Pd <= 9
0,36 >= Pd <= 4
2,25 >= Pd <= 9
1 >= Pd <= 4
3
9 >= Pd
4 >= Pd
9 >= Pd
4 >= Pd
Beurteilungsklassen für die oben beschriebenen
Oberflächentypen bestimmt werden (Tab. 51).
Diese setzten sich aus dem kleinsten und dem
größten zu erkennenden Einzelobjekt je Oberflächentypen zusammen. So setzt sich zum Beispiel
der Oberflächentyp „Siedlung“ zusammen aus
den zu erkennenden Objekten Mauer, mit einer
minimalen Punktdichte von 9 Punkten/m², und
dem Objekt Haus, mit einer minimalen Punktdichte von 0,44 Punkten/m².
Oberflächenmodelle mit einer hohen Punktdichte
je m² bekommen in der Bewertung nach dem beschriebenen Schema eine hohe Punktzahl. Wurde
in einem erstellten Oberflächenmodell, zum Beispiel im Oberflächentyp Siedlung, jedoch nur eine
Punktdichte von 0,3 Punkte/m² festgestellt, wird
ihm die niedrigste Bewertungsklasse 1 zugeteilt.
Höhenabweichung
Der Parameter Höhenabweichung (Ha) gibt die
Höhengenauigkeit der Oberflächenpunkte wieder.
Die Höhenabweichung wird berechnet aus der
Soll-Höhe HSoll und der Ist-Höhe HIst. Die Soll-Höhe wird durch die Laserdaten repräsentiert. Die
Ist-Höhe wird durch die errechneten DOMs repräsentiert. Die Höhenabweichung (Ha) wird durch
folgende Klassen beschrieben: Für die Bewertung
der Höhenabweichung sind 0 bis 7 Punkte zu vergeben. Je geringer die Höhenabweichung, desto
höher ist die Punktanzahl.
Tab. 52: Klassenbewertung der Befliegungen UltraCamD 2010 und NIKON D300s im März und
September 2012
Oberflächentyp
Landwirt- Bewertung
Oberflächen- Bewertung
Kassen
schaftliche
typ Siedlung
BHa
BHa
Fläche
(flach, hügelig)
Oberflächentyp
Nadel- und
Laubbaum
(dicht, licht)
Bewertung
BHa
1
0 – 40 cm
7
0 – 48 cm
7
0 – 202 cm
7
2
40 – 80 cm
6
48 – 96 cm
6
202 – 404 cm
6
3
80 – 120 cm
5
96 – 144 cm
5
404 – 606 cm
5
4
120 – 160 cm
4
144 – 192 cm
4
606 – 808 cm
4
5
160 – 200 cm
3
192 – 240 cm
3
808 – 1.010 cm
3
6
200 – 240 cm
2
240 – 288 cm
2
1.010 – 1.212 cm
2
7
240 – 280 cm
1
288 – 336 cm
1
1.212 – 1.414 cm
1
8
> 280 cm
0
> 336 cm
0
> 1.414 cm
0
120
Tab. 53: Klassendefinition der Befliegungen UltraCamD 2011
Oberflächentyp
Landwirt- Bewertung
Oberflächen- Bewertung
Kassen
schaftliche
typ Siedlung
BHa
BHa
Fläche
(flach, hügelig)
Oberflächentyp
Nadel- und
Laubbaum
(dicht, licht)
Bewertung
BHa
1
0 – 34 cm
7
0 – 42 cm
7
0 – 202 cm
7
2
34 – 68 cm
6
42 – 84 cm
6
202 – 404 cm
6
3
68 – 102 cm
5
84 – 126 cm
5
404 – 606 cm
5
4
102 – 136 cm
4
126 – 168 cm
4
606 – 808 cm
4
5
136 – 170 cm
3
168 – 210 cm
3
808 – 1.010 cm
3
6
170 – 204 cm
2
210 – 252 cm
2
1.010 – 1.212 cm
2
7
204 – 238 cm
1
252 – 294 cm
1
1.212 – 1.414 cm
1
8
> 238 cm
0
> 294 cm
0
> 1.414
0
} Darstellung der Ergebnisse in einem
Portfoliodiagramm
Für eine übersichtlichere Darstellung werden die
Ergebnisse aus den Bewertungen Punktdichte
und Höhenabweichung in ein Portfolio eingetragen. Die Einzelbewertung je erstelltem Oberflächenmodell aller Oberflächentypen wird dazu in
so genannten Punktdichtequoten (PQ) und Höhenabweichungsquoten (HQ) zusammengefasst.
Dabei ergeben sich vier Fälle für die Bewertung
von Digitalen Oberflächenmodellen (Abb. 114).
Ein Beispiel für die detaillierte Auswertung zeigen
Tab. 54 und Abb. 115.
(PQ)
Punktdichtequoten
(HQ)
Höhenabweichungsquoten
Abb. 114: Aufteilung der vier Fälle im Portfolio
Tab. 54: Ergebnisse der Digitalen Oberflächenmodelle des dichten Nadelwaldes aus der
Befliegung UltraCam 2010
Software
DOM-Besonderheit
Portfolio-Nummer
PQ
HQ
eATE
Kanal_Blau
1
83,33%
57,14%
eATE
Kanal_Gruen
2
83,33%
57,14%
eATE
Kanal_Rot
3
83,33%
57,14%
eATE
Kanal_NIR
4
83,33%
42,86%
ImageStation
RGB
5
100,00%
57,14%
MicMac
–
6
100,00%
85,71%
Correlator3D
–
7
66,67%
71,43%
AgiSoft
sharp_medium
8
66,67%
85,71%
AgiSoft
smooth_medium
9
50,00%
85,71%
121
(PQ)
Punktdichtequoten
(HQ)
Höhenabweichungsquoten
Abb. 115: Ergebnisse der Digitalen Oberflächenmodelle des dichten Nadelwaldes aus
der Befliegung UltraCam 2010, siehe Tab. 54
} Bewertung
Bis auf das DOM der Software eATE (Kanal_NIR)
bilden alle den dichten Nadelwald sehr gut ab. In
der Abb. 115 sind zwei Cluster zu erkennen. Das
erste Cluster bilden die Softwarepakete eATE und
ImageStation. Sie werden durch eine hohe Punktdichtenquote beschrieben. Das zweite Cluster
stellen die Software AgiSoft und Correlator3D. Sie
weisen eine hohe Höhenabweichungsquote auf.
122
Das beste Verhältnis zwischen Punktdichtenquote und Höhenabweichungsquote repräsentiert die
Software MicMac. Sie bildet den dichten Nadelwald am besten ab.
Als Zusammenfassung der analogen Bewertung
aller Befliegungen konnten folgende Ergebnisse
erzielt werden:
1. Die mit den Laserdaten vergleichbare Punktdichte der DOMs ist ausreichend für eine Segmentierung von Einzelbäumen.
2. Die Höhengenauigkeit der DOMs im Vergleich
zu den Laserdaten ist gut. Die minimale Höhenabweichung der DOMs liegt zwischen 1,0 m bis
1,5 m.
3. Die Befliegungen im Sommer und im Winter
weisen große Unterschiede auf. In der Winterbefliegung werden Kiefern und Laubwälder
nicht erkannt, dafür aber dichte Nadelwälder
sehr gut. In der Sommerbefliegung werden Nadelwälder und Laubwälder erkannt, dafür aber
dichte Nadelwälder schlechter als in der Winterbefliegung.
4. Die aus Luftbildern abgeleiteten DOMs sind
auf Grund ihrer geringeren Gesamtgenauigkeit
den Laserdaten unterlegen.
2.2Biomasseschätzung auf
Grundlage von Modellen
2.2.1Funktionen zur Schätzung von
Biomasse
2.2.1.1Schätzfunktionen für Kiefer
(Pinus sylvestris L.)
Andrzej Węgiel, Mariusz Bembenek,
Andrzej M. Jagodziński, Michał Zasada
Einführung
Die Biomasse von Bäumen kann man nach der
direkten Methode durch Wägung des ganzen
Baumes bestimmen (am häufigsten mit Unterteilung nach den einzelnen Kompartimenten:
Stamm, Zweige, Laub, usw.), oder nach der indirekten Methode unter Anwendung der Beziehungen zwischen den einzelnen Baumparametern
(meist BHD und Höhe) und ihrer Biomasse, die
mit Hilfe allometrischer Funktionen beschrieben
werden (z. B. PARRESOL 1999, ZIANIS et al.
2005, FEHRMANN und KLEIN 2006, MUUKKONEN 2007, NAVAR 2009). Obgleich die direkte
Methode die genaueste ist, findet sie in der Praxis
keine Anwendung. Erstens ist sie sehr arbeitsaufwendig und damit teuer. Zweitens ist sie technisch schwierig in der Durchführung, denn um die
Wägung eines Baumes durchzuführen, ist seine
Fällung (oder Ausgrabung mit Wurzelstock) erforderlich, die Aufteilung in kleine Elemente (d. h.
praktisch die Zerstörung) und Trocknung mit speziellen Trocknern. Drittens macht die Bestimmung
der Biomasse eines Baumes nach der direkten
Methode stets eine erneute Messung unmöglich,
z. B. nach einigen Jahren, um den Biomassezuwachs eines Baumes zu bestimmen. Die direkte
Methode wird daher nur für die Parametrisierung
von Funktionen zur Schätzung der Biomasse angewendet. Ganze Bäume werden in frischem Zustand gewogen und ihre trockene Biomasse wird
auf der Grundlage des Verhältnisses zwischen der
Trocken- und der Frischmasse von Proben bestimmt, die den einzelnen Kompartimenten entnommen werden.
Bei der Schätzung der Biomasse hat die Größenordnung des Vorhabens, für die sie ausgeführt
wird, eine Schlüsselbedeutung. Einige Methoden
werden bei der Bestimmung der Biomasse einzelner Bäume, andere für ganze Baumbestände und
noch andere für große Flächen, wie eine Region
oder ein Land, angewendet.
Bei der Bestimmung der Biomasse einzelner
Bäume finden die sog. allometrischen Beziehungen die häufigste Anwendung. Je Baumart sind
demnach die Beziehungen zwischen Merkmalen
wie Höhe und BHD, Kronenoberfläche und BHD,
Biomasse und BHD sowie vielen anderen im Allgemeinen für alle Bäume dieselben, unabhängig
von ihrer Größe, natürlich unter der Annahme,
dass die Bäume unter ähnlichen Bedingungen
wachsen. Dieses grundlegende Prinzip der Allometrie kann für die Bestimmung eines ausgewählten Merkmales eines Baumes, das schwierig
zu messen ist (z. B. die Biomasse), auf der Grundlage anderer Merkmale, die leicht zu messen sind
(z. B. Brusthöhe und Höhe), angewendet werden.
Die allometrischen Gleichungen sind mathematische Funktionen, die diese Beziehung quantitativ
bestimmen (PICARD et al. 2012).
Zur Bestimmung der Biomasse ganzer Baumbestände können ebenfalls allometrische Funktionen genutzt werden, jedoch unter der Bedingung,
dass grundlegende Informationen zu den Baumparametern in dem jeweiligen Baumbestand
(wenigstens Baumart, Brusthöhe und Anzahl der
Bäume) vorliegen. In der Praxis sind für Baumbestände unter der Verwaltung der polnischen
Staatsforsten (LP) diese Daten zumeist vorhanden. Sie stammen aus dem SILP (Informationssystem der staatlichen Wälder) und wurden im
Ergebnis einer Terraininventarisierung bei der Anfertigung der Waldanlagepläne gewonnen. In dieser Datenbank sind zwar für jeden Baumbestand
die mittlere Brusthöhe und die mittlere Höhe der
dort hauptsächlich vorkommenden Baumarten
angegeben, oft fehlt aber die Information über
die Anzahl der Bäume in der Flächeneinheit. Daher wird für die Schätzung der Biomasse ganzer Baumbestände (auch mit Unterteilung in die
einzelnen Baumkomponenten) die Methode mit
Anwendung von Umrechnungskoeffizienten der
Biomasse (engl. biomass expansion factor, BEF)
genutzt. Die Koeffizienten der BEF werden durch
unmittelbare Messung oder unter Nutzung allometrischer Formeln bestimmt und dienen zur
123
Ermittlung des Verhältnisses zwischen der Masse der Bäume (dem Holzvolumen) oder anderer
Merkmale des Baumbestandes und der Biomasse. Die Zahlenwerte der Umrechnungskoeffizienten der Biomasse werden zumeist als Quotient
aus der Biomasse des Baumes oder seiner Teile
und der Masse des nutzbaren Holzes (sog. Erntevolumen) berechnet. Die Umrechnungskoeffizienten für die Biomasse BEF erlangten breite
Anwendung vor allem wegen der Einfachheit ihrer
Anwendung in der Praxis, denn die Masse bzw.
das Volumen eines Baumbestandes ist ein in den
Datenbasen der Wälder in der Regel allgemein
zugänglicher Parameter.
Die Schätzung der Biomasse großer Gebiete
(Bezirk, Land, Erdteil) wird mit Hilfe von Fernerkundungsmethoden durchgeführt. Dazu werden
optische Satellitensensoren (Landsat, MODIS),
Satellitenabbildungen hoher Auflösung (Ikonos,
Quickbird), Flugbilder geringer Auflösung, satellitengestützte Radar- oder Mikrowellensensoren
ERS, JERS, Envisat, PALSAR) sowie das Laserscanning vom Flugzeug aus (Lidar) genutzt.
Diese Verfahren nutzen terrestrische Messungen für die Skalierung der Modelle zur Biomasseschätzung und der Fernerkundungsdaten. Die
Angaben sind unentbehrlich für die Kalibrierung
des Verhältnisses zwischen der Biomasse und
verschiedenen Vegetationsindizes (NDVI, NDFI,
AVI, GVI u. a.). Als erdgebundene Daten werden
gewöhnlich Taxierungsangaben von Baumbeständen oder die Ergebnisse der großflächigen
Inventarisierung eines Waldes genutzt (PICARD
et al. 2012).
Versuchsflächenanlage
Für den Bedarf der vorliegenden Untersuchungen wurden Versuchsflächen in den Wäldern der
Oberförsterei Drawno, Bereich Dominikowo (Regionaldirektion Szczecin der polnischen Staatsforsten) angelegt. Die Oberförsterei Drawno befindet sich in der Euroregion POMERANIA und im
Gebiet des Projekts ForseenPOMERANIA. Der
Bereich Dominikowo ist durch arme Waldstandorte gekennzeichnet, in denen die Wald-Kiefer (Pinus sylvestris) die dominierende Baumart
darstellt. Überwiegend bildet sie nach Alter und
124
Baumart einheitliche Bestände mit geringer
Beimischung anderer Baumarten, meist Birke
(Betula pendula).
Im Bereich Dominikowo wurden 60 Versuchsflächen in Baumbeständen der Altersklassen III
(41 bis 60 Jahre), IV (61 bis 80 Jahre) und V (81
bis 100 Jahre) angelegt, je 20 Flächen in jeder
Altersklasse. Die Flächen waren rechteckig, ihre
Größe war für die einzelnen Altersklassen verschieden, 0,3 ha in der Klasse III, 0,4 ha in der
Klasse IV und 0,5 ha in der Klasse V. Die Versuchsflächen wurden so ausgewählt, dass die
auf den Wuchs und die Entwicklung der Bäume
wirkenden Faktoren sowie die durchgeführten
wirtschaftlichen Tätigkeiten so weit wie möglich
ähnlich waren, dagegen war das Unterscheidungsmerkmal die Bestandesdichte (Anzahl der
Bäume pro Flächeneinheit). In jeder Altersklasse
wurden die Versuchsflächen nach zunehmender
Bestandesdichte geordnet (Abb. 116, Abb. 117).
Abb. 116: Verteilung der Bestände, auf denen
die Versuchsflächen im Territorium des Gebietes Dominikowo in der Oberförsterei Drawno
abgesteckt wurden (A – III. Altersklasse, B – IV.
Altersklasse, C – V. Altersklasse)
Um die Möglichkeit des Vergleichs verschiedener
Baummerkmale zu gewährleisten, die mit der Biomasse zusammenhängen, wurde festgelegt, dass
die ausgewählten Versuchsflächen folgende Bedingungen erfüllen sollen:
• gleiche Größe der Fläche im Bereich einer
Altersklasse,
• Baumzahl je Fläche nicht kleiner ist als 200,
Abb. 117: Bestandesdichte (Stammzahl/ha)
auf den Versuchsflächen
in den Altersklassen III, IV
und V
•
einschichtige, gleichaltrige Reinbestände der
Baumart Kiefer (Anteil anderer Arten soll 1 %
nicht überschreiten),
• ebene Fläche ohne Senken und Hügel,
• gleicher Bodentyp (bestimmt auf Grundlage
einer Standortsuntersuchung),
• Fehlen deutlicher Beschädigungen und Verformungen,
• geschlossene Bestände ohne Naturverjüngungen und Unterpflanzungen,
• Abstand vom Waldrand nicht kleiner als eine
Baumhöhe,
• charakteristischer Waldbodenzustand für
Nadelwald (nicht mit Rasen bedeckt)
• keine Durchforstungen im Baumbestand in
den letzten fünf Jahren.
Jede Versuchsfläche wurde im Terrain durch Einschlagen von Holzpflöcken an den Ecken und Anstrich der Randbäume mit Farbe gekennzeichnet.
Die Koordinaten der Eckpfähle wurden mit Hilfe
moderner geodätischer Methoden unter Verwendung eines hochklassigen GPS-Empfängers und
eines Tachymeters bestimmt.
Messungen und Wägungen der Bäume
Alle Bäume auf den 60 ausgewählten Versuchsflächen wurden nummeriert und dauerhaft gekennzeichnet, weil die weiteren Messungen zu
unterschiedlichen Zeiten erfolgten. Dazu wurde
mit Hilfe eines Schabeisens an der Nordseite des
Stammes die obere Schicht der Rinde in einer
Höhe von 1,5 m bis 1,8 m abgeschabt. Auf diese
Fläche wurden mit weißer Farbe die Baumnummer und der gemessene BHD aufgebracht. Nummern wurden ebenfalls an abgestorbenen stehen-
den Bäumen angebracht, jedoch wurden diese
Bäume bei den Messungen nicht berücksichtigt.
Die Nummern dienten auch als Identifikatoren der
Bäume in der Computerdatenbasis, in die alle
Messergebnisse eingegeben wurden.
Die Messung des Baumdurchmessers in 1,3 m
Höhe wurde mit Hilfe eines elektronischen Durchmessermessgerätes mit einer Genauigkeit auf
1 mm vorgenommen. Die Bäume wurden in zwei
zueinander senkrechten Richtungen gemessen (Nord-Süd und Ost-West). Die Höhenmessung erfolgte mit Hilfe eines Höhenmessgerätes
„Haglöf Vertex Laser“ mit einer Genauigkeit auf
10 cm. Auf jeder Fläche wurde an 20 % der Bäume, die die einzelnen BHD-Stufen repräsentieren,
die Höhe gemessen. Die durchgeführten Messungen dienten der Anfertigung von BHD-Höhen-Diagrammen, die mathematisch mit Hilfe der
NÄSLUND-Funktion ausgeglichen wurden. Auf
Grundlage der entstandenen Bestandeshöhenkurven wurde allen Bäumen auf den einzelnen
Versuchsflächen die Höhe zugeordnet.
Die biosoziale Stellung der Bäume wurde unter Anwendung der Klassifizierung nach KRAFT in der Modifikation von SCHÄDELIN unter Berücksichtigung
des Standortes des Baumes, der Form und Qualität des Stammes sowie des Zustandes der Krone
bestimmt. Für jeden Baum wurde eine dreiziffrige
Kennzahl nach folgendem Schema bestimmt, die
die beschriebenen Merkmale charakterisiert:
(a) Stellung des Baumes im Baumbestand:
• 100 – Herrschende Bäume
(1. und 2. Klasse nach KRAFT),
• 200 – mitherrschende Bäume
(3. Klasse nach KRAFT),
• 300 – beherrschte Bäume (4. Klasse nach
KRAFT),
125
• 400 – untergeordnete, unterdrückte Bäume
(5. Klasse nach KRAFT).
(b) Form und Qualität des Stammes:
• 10 – guter Stamm, mit vollwertigem Holz,
• 20 – Stamm mittlerer Qualität, mit Mängeln,
die den Holzwert herabsetzen,
• 30 – schlechter Stamm mit deutlichen
Mängeln, Brennholzware.
(c) Zustand der Krone:
• 1 – Krone gut, symmetrisch, gut belaubt
und vital,
• 2 – Krone mittel, eingeengt, asymmetrisch,
noch vital,
• 3 – Krone schlecht, schwach belaubt,
degeneriert, absterbend.
Für die spezielle Bestimmung der Biomasse wurden fünf Versuchsflächen mit einem Baumbestand der V. Klasse in der Weise ausgewählt, dass
sie die Spannweite der Bestandesdichten repräsentieren (Tab. 55). Die ausgewählten Flächen
wurden mit einem Zahlen-Buchstabencode bezeichnet, der der Kennzeichnung der Unterabteilung entspricht, in der sie sich befinden: 1) 6f_E,
2) 6f_W, 3) 96b, 4) 97b, 5) 100f. Da die ersten beiden Flächen in derselben Unterabteilung liegen,
wurde zur Unterscheidung ihr Code um die zusätzlichen Buchstaben „E“ und „W“ erweitert, die
den Himmelsrichtungen entsprechen.
Auf den ausgewählten fünf Versuchsflächen wurden je 10 Modellbäume bestimmt, also insgesamt
50 Modellbäume. Ihre Auswahl erfolgte nach BHD
und Höhe, so dass sie eine repräsentative Stichprobe aller Bäume auf der Versuchsfläche darstellten (Abb. 118).
Die ausgewählten Bäume wurden gefällt und anschließend vermessen und gewogen. An jedem
Baum wurden folgende Messungen durchgeführt:
• Länge des Stammes,
• Höhe des Ansatzes des ersten lebenden
Astes,
• Stammdurchmesser in Abständen von
jeweils 1 m,
• Durchmesser am Ansatz des ersten lebenden
Astes.
Der gesamte oberirdische Teil des Baumes wurde in frischem Zustand gewogen mit Einteilung
in seine einzelnen Bestandteile (Kompartimente): Stamm, lebende Zweige, tote Zweige, Nadeln und Zapfen. Für die Wägung der einzelnen
Baumteile unmittelbar auf den Versuchsflächen
wurden Hängewaagen der Firma AXIS mit einer
Abb. 118: Brusthöhendurchmesser der auf den
fünf Versuchsflächen
ausgewählten
Modellbäume
Tab. 55: Versuchsflächen der Altersklasse V, in denen die Modellbäume ausgewählt wurden
Bezeichnung
Größe (ha)
Bestandesdichte
(N/ha)
Mittlerer BHD
(cm)
Mittlere Höhe
(m)
Anzahl der
Modellbäume
6f_W
0,5
824
21,8
19,3
10
100f
0,5
756
23,9
20,1
10
6f_E
0,5
672
23,6
19,6
10
97b
0,5
570
25,7
20,8
10
96b
0,5
476
28,2
22,9
10
126
Genauigkeit von 50 g, zur Wägung kleiner Proben
Standwaagen der Firma Ohaus mit einer Genauigkeit von 0,1 g verwendet. Von jedem Teil eines
Modellbaumes wurden Proben zur Bestimmung
der Trockenmasse entnommen, die danach ins
Biomasselabor nach Borowec (Oberförsterei Drawno) gebracht wurden.
Die Modellbäume wurden mit Hilfe einer Kettensäge gefällt, danach wurden alle Zweige bis zur
Spitze entfernt. Die Zweige wurden getrennt nach
lebenden und abgestorbenen auf Planen gelagert.
Der liegende Stamm wurde in Abschnitte von je
1 m Länge geteilt. An den Trennstellen wurden zuerst die Stammdurchmesser ermittelt (zweimalige
Messung mit einem Durchmesser-Messgerät),
dann wurden an diesen Stellen mit einer Kettensäge Scheiben von 10 cm Breite entnommen
(Abb. 119). Die Scheiben wurden mit Etiketten
versehen, die die Nummer der Versuchsfläche,
die Nummer des Baumes sowie die Höhenlage
auf dem Stamm enthielten. Die Stammabschnitte
zwischen den ausgesägten Scheiben (Walzen von
90 cm Länge) wurden nur im frischen Zustand
gewogen, dagegen die ausgeschnittenen Scheiben sowohl in frischem Zustand und nach Austrocknung im Labor auch in trockenem Zustand.
Auf diese Weise konnte nach Umrechnung die
Trockenmasse jedes Meterabschnitts und nach
anschließender Addition die Masse des ganzen
Stammes ermittelt werden.
Die toten Zweige wurden im Ganzen gewogen.
Anschließend wurde von ihnen eine Probe in der
Weise entnommen, dass deren Dickestruktur der
Dickestruktur aller toten Zweige entsprach. Die
entnommene Probe wurde nach der Wägung
in frischem Zustand in einem entsprechend beschrifteten Umschlag ins Labor gebracht. Nach
der Trocknung und erneuten Wägung erfolgte die
Berechnung der Trockenmasse aller toten Zweige. In analoger Weise wurde mit den Zapfen verfahren.
Die lebenden Zweige erforderten eine weitere Unterteilung in Fraktionen, dabei insbesondere die
Abtrennung der Nadeln. Um die Homogenität der
Probe zu erhöhen, wurden die Zweige mit Nadeln
zuerst in drei Fraktionen aufgeteilt: Die erste Fraktion umfasste die Zweige aus dem oberen Teil der
Krone (die am besten belichtet waren), die zweite
die Zweige aus dem mittleren Teil und die dritte die
Zweige aus dem unteren Teil (beengt, in schlechtestem Zustand). In jeder der Fraktionen wurden
mit Hilfe von Baumscheren die benadelten Zweige von den stärkeren nadellosen Teilen getrennt.
Die abgetrennten starken Zweige wurden in frischem Zustand gewogen, anschließend entnahm
man ihnen Proben für das Labor, wobei man sie
wie die toten Zweige behandelte. Jede der drei
Fraktionen kleiner Zweige wurde mit Nadeln in frischem Zustand gewogen, anschließend entnahm
man ihnen ebenfalls Proben zu Bestimmung der
Abb. 119: Die aus dem
Holz des Stammes
ausgeschnittenen Scheiben, Aufteilung der
Zweige nach Fraktionen,
Abtrennung der Nadeln
von den Zweigen, Proben
im Biomasselabor
(von oben links nach
unten rechts),
Fotos: A. Wegiel
127
Proportionen zwischen Zweigen und Nadeln. Die
Proben wurden durch manuelles Abstreifen der
Nadeln in zwei Fraktionen eingeteilt. Beide Fraktionen wurden gewogen und zur Bestimmung des
Verhältnisses von Trockenmasse zu frischer Masse ins Labor gebracht. Zum Schluss wurden die
Ergebnisse der einzelnen Teile der Krone addiert.
Damit erhielt man die Trockenmasse der Nadeln
und die Trockenmasse der lebenden Zweige für
den ganzen Baum.
Im Biomasselabor wurden die Proben von den einzelnen Teilen des Baumes in Labortrocknern UFE
700 der Firma Memmert bei einer Temperatur von
65 °C zur Ermittlung der Trockenmasse getrocknet. Anschließend bestimmte man auf Grund des
Verhältnisses von Trocken- zu Frischmasse der
Abb. 120: Mittlerer
Durchmesser auf Brusthöhe der Bäume (DBH) in
den Beständen der
Altersklasse V bei unterschiedlicher Bestandesdichte (Sp)
Abb. 121: Mittlere Höhe
der Bäume (H) in den
Beständen der Altersklasse V bei unterschiedlicher
Bestandesdichte (Sp)
Abb. 122: Der Vorrat an
nutzbarer Biomasse (VB)
in den Beständen der
Altersklasse V bei unterschiedlicher Bestandesdichte (Sp)
128
Proben die Trockenmasse der einzelnen Komponenten der Bäume und nach der Summierung die
oberirdische Trockenmasse des Baumes.
Charakteristik der untersuchten
Bestände
Auf den in den Kiefernbeständen der Altersklasse
V angelegten Versuchsflächen variierte die Bestandesdichte zwischen 476 und 836 Bäumen je
Hektar. Nach den Messergebnissen weisen die
beiden wichtigsten Parameter der Bäume, der
BHD und die Höhe, unterschiedliche Tendenzen
auf. Der mittlere BHD der Bäume (D) zeigte in
Übereinstimmung mit der Erwartung eine deut-
liche Abhängigkeit von der Bestandesdichte. Je
mehr Bäume auf der Versuchsfläche standen,
desto kleiner waren ihre BHDs (Abb. 120). Dagegen zeigte die mittlere Höhe der Bäume (H) keine
Beziehung zur Bestandesdichte (Abb. 121). Der
dritte Parameter, der Vorrat an nutzbarer Biomasse (VB), der eine Ableitung der beiden vorherigen
ist, zeigte ebenfalls keine Abhängigkeit von der
Bestandesdichte (Abb. 122). Das ergibt sich aus
der Tatsache, dass sich zwei deutliche Tendenzen ausgleichen: Je mehr Bäume auf der Fläche,
desto kleiner waren sie, so dass sich ihr kumulierter Vorrat (Holzvolumen pro Flächeneinheit) kaum
veränderte.
Allometrische Funktionen
Biomasse [kg]
Der erste Teil der Analysen bestand in der Auswahl der Funktionen, die die Abhängigkeit zwischen der Bíomasse der einzelnen Baumteile
(Stammholz, tote Zweige, starke Zweige, dünne
Zweige, Nadeln und Zapfen) und den unabhängigen Variablen BHD (Abb. 123) und Baumhöhe
am besten beschreiben. Zum Testen wurden fünf
verschiedene Gleichungen ausgewählt (Tab. 56),
die aus der Literatur bekannt sind (PARRESOL
2001, BALBOA-MURIAS et al. 2006, ZASADA et
al. 2008).
Die Auswahl der an die Trockenmasse der einzelnen Komponenten am besten angepassten
Gleichungen erfolgte unter Beachtung folgender
Faktoren:
• die Bewertung des Modells auf der Grundlage des Standardfehlers der Residuen
(residual standard error – RSE), des Regressionskoeffizienten R2 und des AIC (Akaike’s
Information Criterion),
• die Analyse der Residuen (Normalverteilung,
Trendmangel, zeitliche Konstanz der Variation),
• die Nutzung der unabhängigen Variablen, die
im Baumbestand am häufigsten gemessen
werden (BHD und Baumhöhe),
• die Verwendung einer minimalen Anzahl von
Parametern, die zur Erzielung eines zufriedenstellenden Ergebnisses erforderlich sind.
Bei der Aufstellung der Gleichungen zur Bestimmung der Trockenmasse der Bäume und ihrer
Teile war die Erfüllung der logischen Voraussetzung wichtig, dass die Summe der Massen
der einzelnen Teile des Baumes der Masse des
ganzen Baumes gleich sein muss (PARRESOL
1999). Nach der Wahl der partiellen Gleichungen
für die Bestimmung des endgültigen Wertes der
Abb. 123: Abhängigkeit
zwischen BHD und
oberirdischer Trockenmasse für alle 50 Modellbäume
Tab. 56: Gleichungen zur Beschreibung der Abhängigkeit zwischen Biomasse (W) und BHD (D)
bzw. Baumhöhe (H)
Nr.
Form der Gleichung
D [cm]
H [m]
Parameter
1
W = b0∙ D b1
x
–
b0 , b1
2
3
4
5
W = b0∙ H –
x
b0 , b1
b2
W = b0∙ D ∙ H x
x
b0 , b1, b2
W = b0∙ (D 2∙ H) b1
x
x
b0 , b1
W = b0∙ (D ∙ H ) x
x
b0 , b1
b1
b2
2
2 b1
129
Parameter der Formeln für die einzelnen Komponenten sowie der Trockenmasse des ganzen
Baumes wurde die Methode der seemingly unrelated regression (SUR) genutzt. Sie besteht in der
Schaffung eines Vielgleichungsmodells, in dem
vorausgesetzt wird, dass die Bestandteile der
einzelnen Gleichungen des Systems untereinander korreliert und die Parameter der Gleichungen
insgesamt mit Hilfe der Methode der kleinsten
Quadrate geschätzt sind (ZELLNER 1962). Die
Berechnungen und Analysen wurden unter Anwendung des Moduls „systemfit“ (HENNINGSEN
und HAMANN 2006) des Programmes „R“ (IHAKA
und GENTLEMEN 1996) durchgeführt.
Tab. 57 enthält die Werte der Parameter, die ausschlaggebend für die Beurteilung der Anpassungsgüte der einzelnen Modelle zur Biomasseschätzung sind. Auf ihrer Grundlage wurden die
Gleichungen gewählt, die das jeweilige Merkmal
am besten beschreiben.
Tab. 57: Kriterien zur Beurteilung der Anpassungsgüte für die Formeln zur Bestimmung der
Trockenmasse der einzelnen Kompartimente eines Baumes
Formel
Anpassungsmaße
AIC
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
1
2
3
4
5
R²
Optimale Anpassung
RSE
Komponente: Stammholz
475,287
0,90506
26,9596
531,586
0,70727
47,3391
457,709
0,93582
22,4007
459,288
0,93106
22,9738
455,804
0,9357
22,1871
Komponente: Nadeln
214,281
0,74991
1,98235
249,922
0,48989
2,83116
216,099
0,75082
1,99968
214,886
0,74687
1,99438
217,444
0,73358
2,04606
Komponente: kleine Zweige und Zapfen
190,093
0,66258
1,55644
209,793
0,49963
1,89535
190,238
0,67487
1,54401
188,313
0,67438
1,52898
188,532
0,67295
1,53233
Komponente: starke Zweige
367,039
0,70913
9,1327
408,693
0,33087
13,8517
365,657
0,72815
8,92248
372,505
0,67552
9,64583
377,506
0,64139
10,1404
Komponente: tote Zweige
270,055
0,72323
3,4626
315,47
0,31356
5,45306
267,825
0,74568
3,35431
276,523
0,685
3,69399
282,259
0,64671
3,91207
–
–
–
–
x
x
–
–
–
–
–
–
–
x
–
–
–
x
–
–
x
-
AIC = Akaike’s Information Criterion, R2 = Regressionskoeffizient, RSE = Standardfehler der
Residuen (residual standard error)
130
Die endgültige Abschätzung der Parameter wurde
nach der Methode SUR (scheinbar unabhängige
Gleichungen) vorgenommen. Für ausgewählte
Formeln wurden die entsprechenden Parameter
errechnet (Tab. 58) und ein Gesamtheitsmodell
der Biomasse eines Baumes erstellt:
Mdrs = b0∙ (D 2∙ H2) b1
Mis = b2∙ D b8
Mdgs = b4∙ (D 2∙ H) b5
Mggs = b6∙ D b7∙ Hb8
Msgs = b9∙ D b10 ∙ Hb11
M Alls = Mdrs + Mis + Mdgs + Mggs + Msgs
worin bedeuten:
• Mdrs = Trockenmasse des Stammes (kg)
• Mis = Trockenmasse der Nadeln (kg)
• Mdgs = Trockenmasse der kleinen Zweige
und Zapfen (kg)
• Mggs = Trockenmasse der starken
Zweige (kg)
• Msgs = Trockenmasse der toten Zweige (kg)
• M Alls = oberirdische Trockenmasse des
Baumes (kg)
Das geschaffene Modell ermöglicht eine sehr
leichte und schnelle Berechnung der Biomasse
der einzelnen Komponenten eines Baumes auf
der Grundlage nur zweier Eingangsangaben: des
BHD und der Höhe. Die Struktur der mathema-
tischen Funktion gestattet ihre leichte Einbeziehung in Computerprogramme und eine Automatisierung der Berechnungen.
Umrechnungskoeffizienten der
Biomasse (BEF)
Der nächste Schritt war die Erarbeitung empirischer Formeln für die Umrechnungskoeffizienten der Biomasse (BEF), die es gestatten, die
gesamte oberirdische Biomasse der Baumteile
und ihrer einzelnen Komponenten zu bestimmen
in Anlehnung an Taxationsdaten, die im Informationssystem der Staatsforsten zugänglich sind
(SILP).
Bei dieser Aufgabe wurden auch empirische Formeln zur Bestimmung der Formzahlen verwendet. Die gemessenen BHDs, die Formzahlen und
die aus den Bestandeshöhenkurven abgeleiteten
Höhen wurden zur Bestimmung des Volumens
der Bäume auf den einzelnen Versuchsflächen
verwendet (BUCHWALD, RYMER-DUDZIŃSKA
1998). Das Volumen jedes Bestandes wurde als
Summe der Volumina der einzelnen Bäume berechnet (Abb. 124). Auf der Grundlage allometrischer Formeln wurden seine gesamte Biomasse
sowie die Biomasse getrennt nach den einzelnen
Kompartimenten der Bäume bestimmt:
Tab. 58: Werte der Parameter für die Formeln zur Bestimmung der Trockenmasse von Kiefern mit
den Mittelwerten von BHD und Höhe auf den einzelnen Versuchsflächen
Parameter
96b
97b
6f_E
100f
6f_W
b0
0,0219325
0,0100322
0,0108315
0,0069801
0,001247
b1
0,7224234
0,7775312
0,7776171
0,8093581
0,9495071
b2
0,0317854
0,0029826
0,0089777
0,0059666
0,0005053
b3
1,70680654
2,348296
2,056712
2,24706141
2,974456
b4
0,03777417
0,00015575
0,0000000001
0,00131856
0,0000214
b5
0,52502138
1,07245
2,475642
0,853325536
1,28233
b6
0,0502238
0,0001326
0,0031372
0,0004167
0,0001522
b7
3,0639978
2,62741
3,937338
2,5840885
4,68005
b8
-1,2152666
1,022994
-1,314302
0,8009247
-1,071321
b9
57,4730365
0,0000000052
0,421231
0,00359443
0,000000445
b10
4,36160618
1,157709
5,723371
2,03746399
4,635055
b11
5,18273703
5,617328
5,227738
0,4036130569
0,5688678
131
Abb. 124: Beziehung
zwischen Volumen und
oberirdischer
Trockenmasse für alle
50 Modellbäume
Biomasse [kg]
Das Resultat der Berechnungen war eine Sammlung von Daten, die für die 20 Versuchsflächen
u. a. Informationen über ihre gesamte Biomasse
und die Biomasse der Komponenten der Bäume
enthielt, außerdem über das Volumen, den mittleren BHD und die mittlere Höhe. Diese Daten gestatteten die Berechnung der Werte der Umrechnungskoeffizienten für die Biomasse (BEF) für alle
analysierten Baumbestände (auch bei Aufteilung
auf die Komponenten der Bäume) in Übereinstimmung mit der Gleichung:
BEFx = Biomassex /V
worin bedeuten:
• BEFx = Umrechnungskoeffizient für die gewählte Komponente,
• Biomassex = Biomasse der gewählten Komponente des Baumbestandes,
• V = Masse des Baumbestandes in Rinde.
Eine Zusammenstellung der grundlegenden Charakteristiken der Umrechnungskoeffizienten enthält die Tab. 59.
Die Analyse der Daten wies eine Abhängigkeit
zwischen den Werten der Umrechnungskoeffizienten der Biomasse und den Parametern der
Baumbestände aus. Deshalb wurde versucht,
Gleichungen aufzustellen, die die Bestimmung
der BEF auf Grundlage ausgewählter Parameter der Baumbestände ermöglichen würden. Als
Grundlage für die Aufstellung der Formeln zur
Schätzung der BEF wurden folgende Gleichungsformen genutzt:
BEF = b0 ‧ x
BEF = b0 ‧ xb1
BEF = b0 ‧ xb1 ‧ yb2
BEF = b0 ‧ exp (b2 ‧ x)
wobei bedeuten:
• x, y = Parameter des Baumbestandes,
• b0, b1, b2 = Koeffizienten der Gleichung.
Im Ergebnis der durchgeführten Analysen wurde
ein System kompatibler Gleichungen gewonnen,
die zur Bestimmung der Umrechnungskoeffizienten der Biomasse (BEF) für den gesamten ober-
Tab. 59: Statistische Charakteristika der Umrechnungskoeffizienten der Biomasse (BEF) für verschiedene Kompartimente der Bäume sowie für die gesamte oberirdische Biomasse der Bestände
Statistik
BEF_Mdrs
BEF_Mis
BEF_Mdgs
BEF_Mggs
BEF_Msgs
BEF_Malls
min.
0,3701
0,0133
0,0090
0,0363
0,0134
0,4614
max.
0,3956
0,0163
0,0096
0,0504
0,0194
0,4723
mittlere
0,3824
0,0149
0,0092
0,0432
0,0163
0,4660
Standardabw.
0,0076
0,0009
0,0002
0,0043
0,0019
0,0026
veränd. Koeff.
1,98%
6,07%
1,89%
10,06%
11,41%
0,55%
132
irdischen Teil der Bäume wie auch der einzelnen
Komponenten der Bäume dienen. Die erhaltenen
Formeln lauten:
BEFMdrs = 0,25455 ‧ hg 0,13239
BEFMis = 0,036335 ‧ exp (–0,04133 ‧ hg)
BEFMdgs = 0,011846 ‧ exp (–0,01147 ‧ hg)
BEFMdgs = 0,011846 ‧ exp (–0,01147 ‧ hg)
BEFMggs = 0,109520 ‧ exp (–0,04302 ‧ hg)
BEFMsgs = 0,38437 ‧ hg – 1,02931
BEFMalls = BFEMdrs + BEFMis + BEFMdgs + BEFMggs + BEFMsgs
wobei hg = mittlere Höhe des Bestandes.
Trotz Berücksichtigung einer Reihe von Bestandesparametern wurde wegen der größten Korrelation mit den BEF sowie des Strebens nach einer
möglichst einfachsten Form der Gleichungen in
ihnen lediglich die mittlere Höhe (hg) als Parameter genutzt. Die statistische Wertung der erarbeiteten Gleichungen enthält Tab. 60.
Die erarbeiteten Gleichungen gestatten die Berechnung der Biomasse sowohl auf der Grundlage von Einzelbaumparametern als auch mit Hilfe
von Bestandesmittelwerten. Das zur Schätzung
benutzte Merkmal (Bestandesmittelhöhe) kann
zur Charakterisierung der Bestände verwendet
werden und gehört zum Informationsumfang
der Datenbank SILP. Die Verwendung dieses
Parameters gestattet auch die Bestimmung des
Wertes BEF auf Grundlage von Fernerkundungsdaten (z. B. Satellitenfotos oder Flugzeug-Laserscanning).
2.2.1.2Biomasseschätzfunktionen für Eiche
(Quercus petraea [MATT.] LIEBL.)
Simon Klinner, Michael Körner
Hintergrund
Als nachwachsender Rohstoff erfreut sich forstliche Biomasse einer kontinuierlich steigenden
Nachfrage. Für die energetische Verwertung ist
besonders ihr Gehalt an Trockensubstanz von Interesse. Im Hinblick auf den im Kyoto-Protokoll
vereinbarten Emissionsrechtehandel spielt die
Menge des in Wäldern gespeicherten Kohlenstoffs eine entscheidende Rolle. Da beide Partnerländer des Projektes sich dazu verpflichtet
haben, die Waldbewirtschaftung in ihre jährlichen
Treibhausgasbilanzen einzubeziehen (vgl. KOBIZE 2011, UBA 2012), besteht zusätzlich eine
rechtliche Notwendigkeit zur zuverlässigen Abschätzung des Kohlenstoffvorrates. Darüber hinaus bedeutet die Nutzung forstlicher Biomasse
auch einen Eingriff in den Nährstoffhaushalt des
Waldes. Eine dauerhafte Erhaltung der Bodenfruchtbarkeit setzt dabei insbesondere Wissen
über die Nährelementgehalte der verschiedenen
Biomasse-Fraktionen voraus.
Um diesem breit gefächerten Informationsbedarf
zu forstlicher Biomasse gerecht zu werden, reichen die klassischerweise im Rahmen von Waldinventuren erhobenen Merkmale nicht mehr aus.
Erst die Verknüpfung von Waldinventurdaten mit
statistischen Modellen lässt eine Beantwortung
dieser komplexen Fragestellungen zu. Für viele
der flächenmäßig bedeutenden Baumarten in Eu-
Tab. 60: Statistische Parameter für die Herleitung der Biomasse-Umrechnungskoeffizienten
Parameter
BEFMdrs
BEFMis
BEFMdgs
BEFMggs
BEFMsgs
BEFMalls
R2
0,2243
0,9809
0,8334
0,4411
0,3857
0,3839
ME
0,00000091 0,00000322 0,00000096 0,00000132
-0,00000949
-0,00000309
MSE
0,00004432 0,00000002 0,00000003 0,00001057
0,00000212
0,00000407
0,001458
0,002017
RMSE
0,006657
0,000125
0,000167
0,003251
R2 = Regressionskoeffizient, ME = mittlerer Fehler, MSE = mittlerer Standardfehler,
RMSE = Wurzel des mittleren Standardfehlers
133
ropa existieren zumindest Modelle zur Ableitung
der Trockensubstanz (vgl. ZIANIS et al. 2005).
Allerdings ist nicht sicher, ob regional angepasste Modelle auch außerhalb ihres Gültigkeitsbereiches zuverlässige Schätzungen liefern (vgl.
MENCUCCINI & GRACE 1994 sowie ZELL 2008).
Daher sind Modelle vorzuziehen, die auf Stichproben im Untersuchungsgebiet basieren oder
dessen Besonderheiten anderweitig berücksichtigen. Abb. 125 zeigt die Anteile der Baumarten
in der Projektregion POMERANIA an der gesamten Waldfläche. Als Berechnungsgrundlage für
die gesamten Waldfläche dient die Forest Type
Map aus dem Jahr 2006 (vgl. KEMPENEERS et
al. 2011). Die Daten der Inventurstudie des Bundes (vgl. OEHMICHEN et al. 2011) sowie der Zwischeninventur des Waldes im Land Brandenburg
(vgl. MLUV 2008), beide mit dem Stichjahr 2008,
liefern die Baumartenanteile im deutschen Teil
des Projektgebietes. Die Daten des polnischen
Teils der Projektregion entstammen der polnischen Großraum-Waldinventur „WISL“ aus den
Jahren 2006 – 2010 (vgl. BULIGL 2011).
Die mit 57,9 % häufigste Baumart im Projektgebiet, die Kiefer (Pinus sylvestris L.), wird unter
anderem durch HEINSDORF und KRAUß (1990)
beschrieben. Ihre Untersuchung stützt sich auf 82
Probebäume aus vollbestockten 6, 14 und 103
Jahre alten Beständen. Die daran angepassten
Modelle schätzen mithilfe von Baumhöhe und –
durchmesser die Trockensubstanz und Nährelementmengen unterschiedlicher Baumkompartimente.
Als zweithäufigste Baumart kommt die Birke (Betula pendula) auf über 9 % der gesamten Waldfläche vor. Im Vergleich zu anderen Baumartengruppen weist sie im polnischen (vgl. BULIGL 2011)
Abb. 125: Baumartenanteile in der Projektregion
134
wie auch im deutschen Projektgebiet (vgl. MLUV
2005 und MLUV-MV 2007) die geringsten Hektarvorräte auf. Da sie zudem oft als Mischbaumart
auftritt, ist ihre waldbauliche und wirtschaftliche
Bedeutung bisher eher begrenzt (vgl. HOLLENDER 2000). Dies spiegelt sich unter anderem in
der geringen Anzahl an Biomasseschätzfunktionen für Mitteleuropa wider (vgl. ZIANIS et al.
2005). Die Rot-Buche (Fagus sylvatica) ist die
bedeutendste Baumart des Waldumbaus im
nordostdeutschen Tiefland (MÜLLER und LUTHARDT 2009, RÖHE 2010) und kommt auch im
polnischen POMERANIA-Gebiet großflächig vor.
Anhand von 14 Probebäumen aus 24, 25, 64 und
91 Jahre alten Beständen erarbeiteten KRAUß
und HEINSDORF (2008) für diese ähnliche Modelle wie die der Kiefer.
Der Anteil der Eichen (Quercus robur und Quercus
petraea) im Projektgebiet beträgt 6,8 % und ist
aufgrund des Waldumbaus auf deutscher Seite im
Steigen begriffen (vgl. MUGV & LFE 2006, RÖHE
2010, STÄHR & OLDORFF 2013). Dem steht jedoch nach ZIANIS et al. (2005) eine geringere Anzahl an Biomasseschätzfunktionen als für Birke
gegenüber. Ein Schwerpunkt des Projektes liegt
daher auf der Entwicklung regional angepasster
Modelle für die Eiche.
Methodik
} Zielgrößen und Ausgangsdaten
In Anlehnung an die Untersuchung von KRAUß
und HEINSDORF (2008) zur Buche wird nicht nur
die gesamte oberirdische Biomasse des Baumes
betrachtet, sondern auch seine einzelnen Kompartimente:
• Derbholz mit Rinde (Ø > 7 cm),
• Grobäste mit Rinde (Ø = 2 – 7 cm),
• Reisig mit Rinde (Ø < 2 cm),
• Blätter.
Pro Kompartiment beschreiben jeweils acht einzelne Modelle dessen Menge an Trockensubstanz sowie den Makronährelementen Kohlenstoff,
Stickstoff, Calcium, Kalium, Magnesium, Phosphor und Schwefel. Für oberirdische Biomasse,
Derbholz und Grobäste wird darüber hinaus das
Volumen geschätzt. Grundlage der Arbeit sind 22
Trauben-Eichen (Quercus petraea) aus den brandenburgischen Landkreisen Barnim und Oberhavel (Tab. 61). Bei der Auswahl der Bäume wurde
auf ein möglichst weites Spektrum an Brusthöhendurchmessern (BHD) Wert gelegt.
Entsprechend der Verbreitung der Trauben-Eiche
(vgl. MUGV & LFE 2006) entstammt die überwiegende Zahl der Probebäume der Stammstandortsgruppe „M2“, durchschnittlich wasserver-
sorgten und mäßig nährstoffversorgten Böden.
Im September 2012 wurden 10 der 22 Bäume im
voll belaubten Zustand gefällt und anschließend
beprobt. Die Höhe des Einzelbaumes entspricht
hier dem Mittelwert aus vier unabhängigen Messungen mit Laserhöhenmesser und Stativ. Die
Daten der restlichen 12 Eichen waren Teil einer
bundesweiten Messkampagne in Vorbereitung
der Bundeswaldinventur 3 (KÄNDLER et al.
2010) und wurden uns freundlicherweise durch
die Forstliche Versuchs- und Forschungsanstalt
Baden-Württemberg (FVA-BW) zur Verfügung
gestellt. Sie fanden in erster Linie Eingang in die
Modelle zur Schätzung der Derbholzvolumen und
–trockensubstanz.
} Feldaufnahmen
Um den Messaufwand im Wald so gering wie
möglich zu halten, wurde auf das vollständige
Zerlegen und Wiegen der Bäume (Vollerhebung)
Tab. 61: Kennwerte der Probebäume
Baum Nr.
1
BHD [cm]
Höhe [m]
Alter
Standort
Region
Modellierung
2
8,0
7,1
27
M2
Barnim
alle Kompartimente
10,0
11,7
27
M2
Barnim
alle Kompartimente
15,4
14,1
27
M2
Barnim
alle Kompartimente
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
18,4
21
50
M2
Oberhavel
nur Derbholz
20,1
21,5
50
M2
Oberhavel
nur Derbholz
20,5
15,2
27
M2
Barnim
alle Kompartimente
22,1
21,3
50
M2
Oberhavel
nur Derbholz
23
24,4
60
M2
Oberhavel
nur Derbholz
23,2
19,8
44
M2
Barnim
alle Kompartimente
23,5
21,5
50
M2
Oberhavel
nur Derbholz
23,8
23,6
50
M2
Oberhavel
nur Derbholz
24,1
19,9
44
M2
Barnim
alle Kompartimente
24,2
22,1
60
M2
Oberhavel
nur Derbholz
24,4
23,4
80
M2
Oberhavel
nur Derbholz
24,6
24,8
50
M2
Oberhavel
nur Derbholz
26,6
21,7
60
M2
Oberhavel
nur Derbholz
30,4
23,9
111
M2
Barnim
alle Kompartimente
30,6
26,3
90
M2
Oberhavel
nur Derbholz
35,0
23,4
111
M2
Barnim
alle Kompartimente
35,6
24,3
110
M2
Oberhavel
nur Derbholz
38,6
30,6
148
K2
Barnim
alle Kompartimente
40,0
30,7
148
K2
Barnim
alle Kompartimente
135
verzichtet. Stattdessen kam das Randomized
Branch Sampling (vgl. JESSEN 1955), ein mehrstufiges und statistisch auswertbares Stichprobenverfahren, zum Einsatz. Es nutzt die natürliche
Verzweigung innerhalb der Krone des Baumes für
eine durchmesserabhängige Zufallsauswahl von
Stichproben (Abb. 126).
Konkret dienen die Astdurchmesser an aufeinander folgenden Verzweigungen zur Auswahl eines
„Pfades“ aus Internodien im Baum (vgl. v. LAAR &
AKÇA 2007). Der mit roten Pfeilen markierte Pfad
in Abb. 126 zeigt die bedingten Auswahlwahrscheinlichkeiten (q1, q2, q3) seiner Internodien.
Jedes dieser Internodien wird zur Berechnung des
Volumens vermessen. Das Ende des letzten Inter-
Abb. 126: Ausgewählter Pfad innerhalb eines
Baumes mit bedingten Auswahlwahrscheinlichkeiten der Internodien
(Bild: HEIMSCH 2011).
nodiums eines Pfades ist durch einen frei wählbaren Astdurchmesser definiert. Multipliziert man
den Kehrwert der Auswahlwahrscheinlichkeiten
aller Internodien mit deren Volumina ergibt sich
eine Schätzung über das Volumen des gesamten
Baumes bis zur Grenze des gewählten Astdurchmessers (vgl. CANCINO 2003 und HEPPERLE
2010). Die Menge der Trockensubstanz berechnet
sich dabei als Produkt dieses Volumens und der
Raumdichte des Holzes. Für die Bestimmung der
Dichte bietet sich die Analyse von Stammscheiben des betreffenden Baumes an.
Mithilfe von Importance Sampling, einem Verfahren zur repräsentativen Auswahl von Stichproben
(vgl. SANDMANN 2004), wurde im Derb- und
Nichtderbholz jeweils eine Messstelle ausgewählt,
dort eine Stammscheibe von ca. 10 cm Stärke
136
entnommen, diese im waldfrischen Zustand vermessen und gewogen. Über den gesamten Querschnitt der Stirnseite jeder Stammscheibe wurde
zudem eine Probe herausgetrennt, gewogen und
ins Labor gegeben. Die im Anschluss ermittelten
Gehalte an Trockensubstanz und Nährelementen
lassen dadurch eine Berechnung der Dichte für
die Kompartimente Derb- und Nichtderbholz zu.
Für alle Äste unterhalb des gewählten Astdurchmessers wird anstelle des Volumens ihr Gewicht
geschätzt. Dazu wird der gesamte Ast am Ende
des jeweiligen Pfades vom Baum abgetrennt, im
Frischzustand gewogen und zur weiteren Laboranalyse aufbereitet. Um die Trockensubstanzund Nährelementmengen von Blättern und Reisig
getrennt auswerten zu können, wurde der Ast in
die beiden Kompartimente unterteilt, diese separat gewogen und analysiert. Aus dem über das
Volumen hergeleiteten Wert und der Menge in
allen Ästen unterhalb des gewählten Durchmessers ergibt sich eine Schätzung für den gesamten
Baum.
Zur Beurteilung des Standardfehlers auf Einzelbaumebene bedarf es mindestens zwei Schätzungen. In der Praxis wird das Mittel aus mindestens
drei Pfaden pro Baum empfohlen (vgl. KÄNDLER & BÖSCH 2009, v. WILPERT et al. 2011 und
CHIRICI et al. 2014). Die vorliegende Arbeit
schätzt das Volumen wie auch die Trockensubstanz- und Nährelementmengen der 10 Probebäume anhand von jeweils drei gemessenen Pfaden
pro Baum. In jedem Pfad wurde jeweils eine Probe
aus dem Derbholz, dem Nichtderbholz sowie aus
Blättern und Reisig entnommen und analysiert.
Die Nährelementgehalte an Ca, K, Mg, P und S
basieren nur auf je einer Probe pro Kompartiment
und Baum. Die Probenaufbereitung und -analyse
im Labor orientierte sich an den Vorgaben des
Handbuchs Forstliche Analytik (GFA 2009).
Verfahren wie Randomized-Branch-Sampling und
Importance-Sampling führen aufgrund der zu generierenden Zufallszahlen sowie des zu erfassenden Datenumfangs zu einem komplexen Aufnahmedesign. Sie lassen sich daher nur mithilfe von
Software sinnvoll für Feldaufnahmen einsetzen.
Die hier genutzte Software basiert auf einer durch
Herrn Dr. Bernhard Bösch an der FVA-BW entwickelten Microsoft Access Datenbank. Bei der
Auswertung der Daten kam ein durch Herrn Prof.
Nagel und Herrn Husmann an der Nordwestdeutschen Forstlichen Versuchsanstalt (NW-FVA) entwickeltes Java-Programm zur Anwendung.
} Modellierung
Die berechneten Einzelbaumwerte dienten anschließend der Anpassung von Modellen. Ziel dieser Modelle ist es, den Einfluss der unabhängigen
Variablen BHD und Baumhöhe auf die abhängige
Variable Volumen bzw. die Menge der Nährelemente im betreffenden Kompartiment zu quantifizieren. Neben dem am häufigsten in Biomassefunktionen verwendeten Typ, der Potenzfunktion
(vgl. ZIANIS et al. 2005), wurden Expotential- und
Linearfunktionen auf ihre Eignung hin untersucht.
Zur Regressionsanalyse der nichtlinearen Funktionen wurden die abhängigen und unabhängigen
Variablen (Potenzfunktion) oder nur die abhängige Variable (Expotentialfunktion) logarithmiert und
damit linearisiert. Erstes Auswahlkriterium waren
die korrigierten Bestimmtheitsmaße R²korr. der
Regressionsfunktionen. Zudem wurde die Signifikanz der unabhängigen Variablen anhand eines
zweiseitigen T-Tests auf einem Signifikanzniveau
α = 0,05 überprüft. Lag für einen der Regressionskoeffizienten keine Signifikanz vor, wurde das
Modell verworfen und aufbauend auf der verbleibenden unabhängigen Variable neu berechnet.
Letztendlich wurden aus den Modellen mit signifikanten Regressionskoeffizienten die mit den
jeweils höchsten R²korr. ausgewählt.
Ergebnisse
} Schätzfehler
Anhand der drei unabhängig voneinander ausgewählten Pfade pro Probebaum lässt sich die
Genauigkeit der Schätzung statistisch auswerten.
Die Schätzfehler der Nährelementmengen verhalten sich analog zu denen von Holzvolumen und
Trockensubstanz, da ihre Berechnung auf diesen
Parametern basiert. Es wird daher hier nur auf
die Genauigkeit der Schätzung von Volumina und
Trockensubstanzen eingegangen. Tab. 62 zeigt
deren maximalen Schätzfehler für die Konfidenzniveaus 80 % und 95 %.
Unterschiedliche Größenordnungen des zu messenden Merkmals, das heißt der Volumina und
Trockensubstanzmengen, bewirken unterschiedlich große absolute Schätzfehler. In Abb. 127 ist
zu erkennen, dass beispielsweise die absoluten
Schätzfehler mit dem BHD des Baumes ansteigen. Um die Schätzfehler für verschiedene Zielgrößen und Kompartimente unabhängig von
der Größenordnung des Merkmals vergleichen
zu können, bietet sich der geometrische Variationskoeffizient an (vgl. BLAND & ALTMAN 1996a,
1996b).
Der maximale Schätzfehler in Tab. 62 entspricht
dem prozentual ausgedrückten geometrischen
Variationskoeffizienten. Er bezieht sich auf den
Erwartungswert des jeweiligen Baumes, also
den Mittelwert der Stichproben bzw. Pfade, der
Tab. 62: Schätzfehler für Volumen und Trockensubstanz von Einzelbäumen
Zielgröße
Volumen
Trockensubstanz
maximaler Schätzfehler (μ ± in %)
Kompartiment
Probebäume [n]
oberirdische
Biomasse
10
6,6 %
10,3 %
Derbholz
22
4,3 %
6,6 %
Grobäste
10
89,4 %
165,6 %
oberirdische
Biomasse
10
8,4 %
13,2 %
Derbholz
22
5,2 %
8,0 %
Grobäste
10
45,4 %
77,2 %
Reisig
10
188,1 %
404,4 %
Blätter
10
343,7 %
876,5 %
80% Konfidenzniveau 95% Konfidenzniveau
137
sich bei einer unbegrenzten Anzahl an Wiederholungen ergeben würde. So liegen beispielsweise
95 % aller Schätzwerte für die Trockensubstanz
der oberirdischen Biomasse des Probebaumes
maximal ± 13,2 % von dessen Erwartungswert μ
entfernt (Abb. 127, Abb. 128).
Abb. 127: Konfidenzintervalle für Schätzfehler
der Derbholztrockensubstanz in Abhängigkeit
vom BHD
Abb. 128: Konfidenzintervalle für Schätzfehler
des Derbholzvolumens in Abhängigkeit vom
BHD.
} Nährelementgehalte auf Ebene der
Kompartimente
Tab. 63 stellt die Gehalte an Nährelementen, jeweils untergliedert nach den verschiedenen Kompartimenten des Baumes dar. Die Angaben zum
Mittelwert x-, Minimum XMin, Maximum XMax und
der Standardabweichung Sx beziehen sich dabei
auf den Anteil des Nährelementes am Gewicht
der Trockensubstanz. Die Signifikanzniveaus mit
α = 0,05 / 0,01 / 0,001 werden als + / ++ / +++
dargestellt. Aufgrund von drei doppelt ausgewählten und damit identischen Pfaden basieren
die C- und N-Gehalte auf je 27 anstatt 30 Proben
138
pro Kompartiment. Allen anderen Werten liegen je
10 Proben pro Kompartiment zugrunde. Mithilfe
eines F-Tests kann nachgewiesen werden, dass
sich der Nährelementgehalt innerhalb der Kompartimente bei α = 0,05 signifikant von deren Gesamtmittelwert unterscheidet. Der C-Gehalt in der
Trockensubstanz variiert über alle Kompartimente
kaum und beträgt ca. 50 %. Mit einer Spannweite
von 47,48 % – 52,88 % weisen die Blätter hier
die größte absolute Streuung auf. Demgegenüber steigt der N-Gehalt vom Derbholz über die
Grobäste hin zum Reisig stark an. Die Blätter beeinhalten mit 2,34 % im Mittel etwa das 14,6-fache des Stickstoffanteils im Derbholz. Ein ähnlicher, wenn auch deutlich schwächerer Trend lässt
sich beim Ca-Gehalt beobachten. In den Blättern
liegt er um das 2,8-fache über dem Gehalt des
Derbholzes. Nach den Werten des Kohlenstoffs
ist das die geringste kompartimentübergreifende
Spannweite der Nährelemente. Es bleibt zu beachten, dass der Ca-Gehalt des Reisigs, aber besonders innerhalb der Blätter und Grobäste auch
den stärksten Schwankungen aller untersuchten
Nährelemente unterliegt. Der K-Gehalt des Derbholzes liegt in etwa auf dem Niveau des N-Gehalts. Zu den Blättern hin steigt er allerdings nur
um das 5,7-fache auf ca. 0,86 % an. Schwefel,
Magnesium und Phosphor stellen die geringsten
beobachteten Anteile aller Nährelemente an der
Trockensubstanz.
Während die Blätter jeweils zwischen 0,21 % –
0,15 % Schwefel, Magnesium und Phosphor speichern, sinkt der Gehalt im Derbholz auf nur noch
0,02 %. Mit einem Faktor von 12,9 weist Phosphor
hier, nach den Werten des Stickstoffs die größte
kompartimentübergreifende Spannweite auf. Zusammenfassend lässt sich sagen, dass die Blätter das Kompartiment mit den höchsten Gehalten
aller untersuchten Nährelemente sind. Im Mittel
liegt ihr Nährstoffgehalt bei dem Achtfachen des
Derbholzes, wobei Kohlenstoff und Calcium die
geringsten Unterschiede zu diesem zeigen. Reisig ist im Durchschnitt drei Mal so nährstoffreich
wie das Derbholz. Auch hier sind die Unterschiede
bei Kohlenstoff und Calcium am geringsten. Das
Kompartiment Grobäste weist einen immer noch
zweifach höheren Nährstoffgehalt als das Derbholz auf. Die geringsten Unterschiede zu den Gehalten im Derbholz zeigen Kohlenstoff und Kalium.
Tab. 63: Nährelementgehalte in den untersuchten Baumkompartimenten der Trauben-Eiche
Kompartiment
Derbholz
Grobäste
Reisig
Blätter
Derbholz
Grobäste
Reisig
Blätter
Derbholz
Grobäste
Reisig
Blätter
Derbholz
Grobäste
Reisig
Blätter
Derbholz
Grobäste
Reisig
Blätter
Derbholz
Grobäste
Reisig
Blätter
Derbholz
Grobäste
Reisig
Blätter
Nährelement
C
N
Ca
K
Mg
P
S
x- [%]
XMin [%]
XMax [%]
Sx [%]
49,95
48,85
51,19
0,62
49,71
48,37
50,71
0,57
49,91
47,33
51,34
0,81
50,68
47,48
52,88
1,36
0,16
0,09
0,36
0,06
0,33
0,25
0,62
0,09
0,66
0,49
0,85
0,08
2,34
1,84
2,91
0,29
0,28
0,13
0,43
0,10
0,45
0,20
0,70
0,16
0,59
0,45
0,79
0,12
0,79
0,59
1,37
0,23
0,15
0,10
0,35
0,07
0,24
0,18
0,37
0,05
0,34
0,24
0,50
0,07
0,86
0,59
1,13
0,16
0,02
0,01
0,04
0,01
0,05
0,03
0,06
0,01
0,08
0,06
0,10
0,01
0,15
0,10
0,22
0,03
0,02
0,01
0,04
0,01
0,05
0,03
0,07
0,01
0,08
0,06
0,10
0,01
0,21
0,13
0,33
0,06
0,02
0,01
0,02
0,00
0,03
0,02
0,05
0,01
0,05
0,04
0,06
0,01
0,15
0,12
0,18
0,02
} Nährelementmengen auf Ebene der
Probebäume
Das Produkt aus Nährelementanteil und Trockensubstanz ist die absolute Menge der Nährelemente im Kompartiment. In Summe ergeben die
Kompartimente wiederum einen absoluten Wert
für den gesamten Baum. Abb. 129 bis Abb. 136
stellen den Anteil der Kompartimente an der gesamten Menge des jeweiligen Elements pro Baum
dar. Der besseren Übersichtlichkeit halber wurden
die Kompartimentanteile den BHDs und absoluten Mengen der Probebäume gegenübergestellt.
Sign. (F-Test)
+++
+++
+++
+++
+
+++
++
Abb. 129: Anteil der Kompartimente an der
Trockensubstanz des Baumes
139
Kohlenstoffmenge des Baumes
Magnesiummenge des Baumes
Stickstoffmenge des Baumes
Phosphormenge des Baumes
Calciummenge des Baumes
Schwefelmenge des Baumes
Kaliummenge des Baumes
Zur Trockensubstanz der Probebäume trägt das
Derbholz mit 39 % bis 93 % bei. Sein Anteil steigt
dabei mit zunehmender Dimension der Bäume
an. Der Anteil der anderen Kompartimente sinkt
hingegen von über 61 % beim schwächsten Probebaum auf knapp 14 % beim stärksten Probebaum. Im Hinblick auf die Kompartimentanteile
beim Kohlenstoff zeigt sich ein ähnliches, wenn
auch etwas differenziertes Bild. So steigt der Anteil
des Derbholzes zwar ebenfalls mit zunehmenden
Baumdimensionen, allerdings bleibt er in allen Fällen unterhalb der Werte für die Trockensubstanz.
140
Auch Grobäste und Reisig weisen geringere Anteile auf. Allein das Kompartiment Blätter steigert seinen Anteil gegenüber den Werten der Trockensubstanz über alle Probebäume hinweg um ca. 4 %.
Der mit durchschnittlich 13,2 % höchste Anteil der
Blätter ergibt sich für das Nährelement Stickstoff.
Er liegt damit in der überwiegenden Mehrzahl der
Probebäume auch über dem Anteil des Reisigs.
Derbholz und Grobäste tragen mit durchschnittlich
41 % bzw. 37 % annähernd gleich viel zur gesamten Stickstoffmenge bei. Mit im Mittel 4,1 % hat
Calcium den geringsten Anteil aller untersuchten
Nährelemente an der Blattbiomasse. Das Derbholz
trägt dagegen mit über 55 % am stärksten zur Calciumausstattung der Bäume bei. Der Calciumgehalt der Grobäste beträgt durchschnittlich 34 %,
variiert aber zwischen den Probebäumen um bis
zu 38 %. Beim Kalium zeigt sich eine dem Calcium ähnliche Verteilung der Kompartimentanteile,
wenngleich sich der Beitrag des Derbholzes zugunsten von Grobästen und Blättern auf ca. 49 %
verringert. Magnesium ist mit einem mittleren Anteil
von 48,2 % besonders in den Grobästen vertreten,
der in größeren Baumdimensionen auch den Anteil
des Derbholzes übersteigt. Zudem sind Magnesium und Phosphor die einzigen der untersuchten
Nährelemente, bei denen der Anteil des Derbholzes keinen Zusammenhang mit der Baumdimension erkennen lässt. Blätter und Reisig tragen mit
zunehmenden Baumdimensionen dagegen stetig
weniger zur gesamten Magnesiummenge der Probebäume bei. Den mit ca. 32 % geringsten Anteil
an der Nährstoffausstattung zeigt das Kompartiment Derbholz beim Phosphor. Die Grobäste sind
währenddessen durch ähnliche Anteile und Trends
wie beim Magnesium gekennzeichnet. Nach Stickstoff und gleichauf mit Schwefel liegt der Anteil
der Blätter bei ca. 10 % des gesamten Baumes.
Bei der Menge an Schwefel im Derbholz zeigt sich
wieder ein leichter Trend zu dimensionsabhängig
steigenden Anteilen. Während die Anteile von Blättern und Reisig mit zunehmenden Baumdimensionen sinken, weisen die Grobäste keinen eindeutigen Zusammenhang auf.
} Allometrische Funktionen
Auf Basis der Probebaumdaten wurden Modelle, sogenannte allometrische Funktionen, angepasst. Für die gesamte oberirdische Biomasse
eines Baumes sowie für jedes einzelne Kompartiment liegen so Funktionen zur Ableitung von
Trockensubstanz und Nährelementmengen vor.
Die Funktionen mit den höchsten R²korr. folgen in
allen Fällen entweder der einfachen linearen Form
mit den zwei unabhängigen Variablen BHD und
Baumhöhe H
Log(M) = a + b × Log(BHD) + c × Log(H)
oder lassen aufgrund fehlender Signifikanz nur
eine unabhängige Variable eingehen, sodass die
Koeffizienten b oder c den Wert Null annehmen.
Tab. 64 enthält die Koeffizienten der allometrischen Funktionen und Angaben zu deren maximalen Schätzfehlern für die Konfidenzintervalle
mit μ ± ~ 1,28σ und μ ± ~ 1,96σ. Innerhalb dieser
angegebenen Grenzen befinden sich damit 80 %
bzw. 95 % aller Schätzwerte. So liegen zum Beispiel 95 % aller Schätzungen zum Volumen der
oberirdischen Biomasse maximal ± 5,5 % von
deren Erwartungswert μ entfernt.
Die Signifikanz der unabhängigen Variablen wurde
anhand eines T-Tests überprüft und zeigt im Falle
zweier unabhängiger Variablen deren geringstes
gemeinsames Niveau. Die Baumhöhe zeigte für das
Volumen, die Trockensubstanz und den Kohlenstoffgehalt der oberirdische Biomasse sowie des
Derbholzes einen signifikanten Einfluss. Darüber
hinaus dient sie in der Funktion zur Bestimmung
des K-Gehaltes der Grobäste und des Mg-Gehaltes der Blätter als einzige unabhängige Variable.
In alle anderen Funktionen geht ausschließlich der
BHD als erklärende Größe ein. Zudem lässt sich
erkennen, dass Kompartimente mit einem größeren Anteil an der oberirdischen Biomasse des Baumes im Mittel exakter bestimmt werden können.
Bei einem Konfidenzintervall von 95 % schwanken
Schätzungen für die oberirdische Biomasse zwischen 5,5 % (Volumen) und 53,1 % (Menge des
Calciums). Im gleichen Konfidenzintervall gehen
die Schätzfehler für das Kompartiment der Blätter
hingegen von 132,5 % (Menge der Trockensubstanz) bis zu 568,4 % (Menge des Kohlenstoffs).
} Nährelementmengen auf Ebene des
Bestandes
Eine Möglichkeit zur Berechnung bestandesbezogener Nährelementmengen sind traditionelle Ertragstafeln. Der Durchmesser dg und die Höhe hg
des Grundflächenmittelstammes gehen in diesem
141
Tab. 64: Koeffizienten und statistische Kennwerte der allometrischen Funktionen
Zielgröße
Kompartiment
Volumen
[m³]
Σ oberirdisch
Derbholz
Grobäste
Trockensubstanz
[kg]
Σ oberirdisch
Derbholz
Grobäste
Reisig
Blätter
Kohlenstoff
[kg]
Stickstoff
[kg]
Calcium
[kg]
Kalium
[kg]
Σ oberirdisch
Derbholz
Grobäste
Reisig
Blätter
Σ oberirdisch
Derbholz
Grobäste
Reisig
Blätter
Σ oberirdisch
Derbholz
Grobäste
Reisig
Blätter
Σ oberirdisch
Derbholz
Grobäste
Reisig
Blätter
Σ oberirdisch
Derbholz
Magnesium
Grobäste
[kg]
Reisig
Blätter
Koeffizienten
a
-4,33311
-4,85456
-3,32421
-1,38595
-2,10813
-0,77550
-0,80133
-1,16190
-1,70293
-2,51112
-1,07977
-1,11034
-1,44361
-3,46442
-4,34174
-4,26839
-3,03910
-2,66301
-3,73051
-4,29491
-4,48797
-3,21148
-3,31152
-3,51773
-4,31614
-4,04522
-2,86751
-3,07496
-4,16609
-4,46001
-5,09706
-3,72556
-4,12522
b
2,03026 0,96462
2,10843 1,23828
1,39726
2,03781 0,84160
2,06951 1,27464
1,71209
1,26313
1,22370
2,01564 0,87691
1,68872 1,77220
1,70999
1,26845
1,21263
2,49942
2,85721
2,77142
1,29946
1,12809
2,76501
2,98416
2,96127
1,39420
1,24894
2,61429
2,79353
0,95576
1,10536
2,33101
2,21205
2,77323
1,11842
Phosphor
[kg]
Σ oberirdisch
Derbholz
Grobäste
Reisig
Blätter
-4,35080
-5,13320
-5,05918
-3,67923
-3,43499
2,46325
2,67169
2,75448
1,11462
0,90836
Schwefel
[kg]
Σ oberirdisch
Derbholz
Grobäste
Reisig
Blätter
-4,58194
-5,44202
-5,22720
-4,07514
-3,84443
2,52692
2,91347
2,65731
1,22680
1,11310
142
c
2,63858
1,40210
R²korr.
Sign.
(T-Test)
0,999
0,993
0,861
+++
+++
+++
0,999
0,992
0,799
0,629
0,470
+++
+++
+++
++
+
max. S.-fehler
( μ ± in % )
α = 0,80 α = 0,95
3,5%
8,8%
28,5%
3,2%
9,4%
46,5%
52,7%
73,6%
5,5%
13,8%
46,7%
4,9%
14,8%
79,3%
91,0%
132,5%
9,0%
16,0%
75,9%
90,8%
568,4%
+++
++
+++
++
+
5,8%
10,2%
44,7%
52,6%
246,3%
0,952
0,930
0,901
0,584
0,370
+++
+++
+++
++
+
32,1%
44,3%
55,4%
66,6%
96,1%
53,1%
75,2%
96,2%
118,4%
180,0%
0,983
0,919
0,958
0,616
0,430
+++
+++
+++
++
+
14,6%
34,2%
29,6%
46,9%
74,7%
23,2%
56,9%
48,7%
80,1%
134,8%
0,999
0,995
0,809
0,632
0,457
0,988
0,980
0,978
0,616
0,412
0,930
0,940
0,721
0,537
0,352
0,978
0,909
0,969
0,549
0,241
0,988
0,981
0,942
0,567
0,452
+++
+++
+++
++
+
+++
+++
++
++
+
+++
+++
+++
++
ns.
+++
+++
+++
++
+
13,2%
20,2%
20,4%
56,3%
75,8%
30,3%
37,3%
81,4%
46,5%
85,2%
19,2%
45,9%
24,9%
54,6%
86,7%
13,4%
19,8%
34,6%
59,0%
67,9%
20,9%
32,5%
32,9%
98,0%
137,0%
50,0%
62,3%
148,6%
79,3%
156,6%
30,9%
78,2%
40,4%
94,7%
159,9%
21,2%
31,8%
57,5%
103,3%
120,9%
Fall als unabhängige Variable in die allometrische
Funktion ein. Das Produkt aus deren Funktionswert und der Stammzahl pro Hektar ergibt eine
Schätzung für den gesamten Bestand. Die vorliegende Arbeit stützt sich auf die von MUCHIN
(2005) entwickelte Ertragstafel für Trauben-Eiche
im Nordostdeutschen Tiefland. Zum Vergleich
unterschiedlicher Wuchsverhältnisse wurden die
Werte der schwächsten Ertragsklasse denen der
stärksten gegenübergestellt. Da die untersuchten
Probebäume nur Durchmesser zwischen 8,0 cm
bis 40,0 cm aufweisen, können auch nur Bestände innerhalb dieses Bereiches abgebildet werden. In Beständen der besten Ertragsklasse überschreiten die 20 % stärksten Bäume bereits im
Alter von 70 Jahren einen mittleren Durchmesser
von 40,0 cm. Daher beschränkt sich der Vergleich
zwischen den Wuchsverhältnissen auf einen Zeitraum bis zum Alter von 65 Jahren. Abb. 137 zeigt
die Spannweite der Gesamtwuchsleistung von
Eichenbeständen im Alter von 65 Jahren bezogen
auf die in ihnen oberirdisch gespeicherten Nährelementmengen. Die unteren Grenzen der Balken entsprechen der schwächsten Ertragsklasse,
d. h. einer Weise‘schen Oberhöhe von 20 m im
Alter von 100 Jahren. Die jeweils oberen Grenzen der Nährelementmengen werden durch die
stärkste Ertragsklasse mit einer Weise´schen
Oberhöhe von 32 m im Alter von 100 Jahren festgelegt. Wie aufgrund ihrer höheren Konzentration zu erwarten, liegen die absoluten Mengen an
Stickstoff, Kalium oder Calcium mit 500 kg bis
1550 kg pro Hektar deutlich über den 40 kg bis
150 kg für Magnesium, Phosphor oder Schwefel.
Abb. 137: Nährelementproduktion in Abhängigkeit von der Gesamtwuchsleistung von
Eichenbeständen mit Oberhöhenbonitäten von
20 (untere Grenzen) bis 32 (obere Grenzen) im
Alter von 65 Jahren
Den geringsten prozentualen Unterschied zwischen den Ertragsklassen weist Kalium auf. Hier
beinhaltet der Bestand der stärksten Ertragsklasse einen um 79,8 % höheren Vorrat als der der
schwächsten Ertragsklasse. Calcium zeigt mit
einer Differenz von 203,4 % dagegen die größte
Spannweite. Im Vergleich dazu steigt die Gesamtwuchsleistung an Kohlenstoff von 75 t auf 216 t pro
Hektar (187,7 %) während die Trockensubstanz
Größenordnungen von 151 t bis 432 t (186,7 %) erreicht. Da die Nährelementmengen der Einzelbäume wie auch des Bestandes insbesondere von der
Menge der Trockensubstanz in den verschiedenen
Kompartimenten abhängen, konzentrieren sich die
folgenden Betrachtungen auf deren Veränderung.
Abb. 138 und Abb. 139 stellen die Entwicklung
der Gesamtwuchsleistung an Trockensubstanz in
den Kompartimenten dar. Am Ende des betrachteten Zeitraumes im Alter von 65 Jahren liegt die
Gesamtwuchsleistung der Derbholz-Trockensubstanz in der stärksten Ertragsklasse um ca. 275 %
bzw. 240 t/ha über der Menge der schwächsten
Ertragsklasse. Die Grobäste weisen mit ca. 42 %
(18,9 t/ha) einen geringeren Unterschied zwischen
den Ertragsklassen auf. Das Kompartiment Reisig
liegt mit 3 % bzw. 0,5 t/ha Differenz noch einmal
darunter. Die Gesamtwuchsleistung der Blätter in
der stärksten Ertragsklasse unterscheidet sich mit
einer Differenz von 0,1 % (4 kg/ha) kaum noch von
den Werten der schwächsten. Im Hinblick auf den
laufenden jährlichen Zuwachs zeigt sich in Abb.
140 und Abb. 141 ein ähnliches Bild. Der Zuwachs
an Derbholztrockensubstanz beschleunigt sich im
betrachteten Zeitraum, während der Anstieg der
anderen Kompartimente nachlässt. Besonders die
Entwicklung der Kompartimente Reisig und Blätter
verändert sich zwischen den Ertragsklassen kaum.
Abb. 138: Gesamtwuchsleistung (GWL) von
Trockensubstanz bei Eichenbeständen der
Oberhöhenbonität 32 vom Alter 15 bis 65 Jahre
143
Abb. 139: Gesamtwuchsleistung (GWL) von
Trockensubstanz bei Eichenbeständen der
Abb. 140: Laufender jährlicher Zuwachs (LZ)
von Trockensubstanz bei Eichenbeständen der
Abb. 141: LZ von Trockensubstanz bei Eichenbeständen der Oberhöhenbonität 20 vom Alter
25 bis 65 Jahre
Diskussion
} Schätzgenauigkeit der Ausgangsdaten
Die Ergebnisse dieser Untersuchung basieren auf
Ausgangsdaten aus Stichprobenverfahren. Ihre
Aussagekraft wird maßgeblich von der Genauigkeit der geschätzten Werte bestimmt. Da die wahren Volumina, Trockensubstanzen und Nährelementmengen der Probebäume nicht bekannt sind,
kann nur ihr Erwartungswert zu den Mengen der
ausgewählten Pfade ins Verhältnis gesetzt werden.
Darüber hinaus wird von konstanten Raumdichten
144
und Nährelementgehalten in den Kompartimenten
ausgegangen. Diese Vereinfachung lässt mögliche
Einflüsse wie die des Lichtgenusses oder der Konkurrenzstellung (vgl. GROTE et al. 2003) außen vor.
Die Berücksichtigung der Jahrringbereite sowie
sonstiger allometrischer wie auch dimensionsbezogener Größen ließe bei ausreichender Datengrundlage genauere Ergebnisse erwarten (vgl. SEIFERT et al. 2006). Der Quotient aus der Wurzel der
mittleren quadratischen Abweichung (RMSE) für
die einzelnen Stichprobenpfade je Baum bezogen
auf deren Erwartungswert (μ) wird auch als Variationskoeffizient (CV) bezeichnet und liegt für die
Trockensubstanz der oberirdischen holzigen Biomasse von zehn Probebäumen zwischen 0,24 %
und 7,99 %. Der prozentual ausgedrückte Fehler
für alle Probebäume beträgt 3,02 %. Unter der Annahme, dass der Erwartungswert der Probebäume
nahe an deren tatsächlichem Wert liegt, sind die
erzielten Schätzgenauigkeiten mit vorangegangenen Studien vergleichbar. So erzielten ÖZÇELIK
& ERASLAN (2012) bei ihrer Untersuchung von
14 Schwarzkiefern (Pinus nigra) Schätzfehler von
2,51 % bis 22,63 % des Frischgewichtes, für alle
Probebäume zusammen hingegen 2,65 %. VALENTINE et al. (1984) stellten für acht Laubbäume aus sechs unterschiedlichen Arten Schätzfehler von 4,9 % bis 14,4 % des Frischgewichts der
oberirdischen Biomasse fest. Der Fehler für die
gesamten Stichprobenbäume betrug dort 4,9 %.
WILLIAMS (1989) analysierte fünf Weihrauchkiefern (Pinus taeda) und beobachtete für die frische
oberirdische Biomasse Schätzfehler von 5,3 %
bis 28,9 %, über die gesamten Stichprobenbäume
hinweg 3,3 %. Ähnlich geringe Schätzfehler ergaben Untersuchungen von SCHUCK (2013) an fünf
Buchen (Fagus sylvatica).
Hinsichtlich der Schätzwerte zur oberirdischen Biomasse kann somit von einer akzeptablen Genauigkeit ausgegangen werden. Dabei ist anzunehmen,
dass für das Kompartiment Derbholz vergleichbare
Schätzfehler auftreten. Zu Schätzfehlern bei anderen Baumkompartimenten sind den Autoren keine
Untersuchungen bekannt.
Aufgrund der höheren Stichprobenvarianz der
Kompartimente Grobäste, Reisig und insbesondere der Blätter kann aber von steigenden Schätzfehlern ausgegangen werden. Grundsätzlich eignet
sich das RBS-Verfahren für statistisch auswertbare
und zeitsparende Feldaufnahmen, wobei der Rationalisierungseffekt mit steigenden Baumdimensionen zunimmt.
}E
inordnung der Nährelementgehalte
Die Gehalte an N, P, K, Ca und Mg in allen Kompartimenten liegen meist auf dem Niveau der Eichen
in den von JACOBSEN et al. (2003) zusammengetragenen Studien. Da deren Angaben keine Unterscheidung von Grob- und Feinästen zulassen,
wurden die Elementgehalte mit dem anteilig bedeutenderen Kompartiment Grobäste der Probebäume verglichen. Auffällig ist hierbei der geringe
Mg- (65,6 %) und Ca-Gehalt (69,1 %) der Blätter
sowie der geringe N-Gehalt (53,5 %) der Äste im
Verhältnis zu den Angaben von JACOBSEN et al..
Auch in den Kompartimenten Derbholz (78,3 %)
und Blätter (91,4 %) liegt der N-Gehalt hier etwas
niedriger. Alle weiteren Nährelemente weisen im
Vergleich höhere Konzentrationen auf. Insbesondere die K- und P-Gehalte im Derbholz liegen um
42,1 % bzw. 35,1 % über den Werten von JACOBSEN et al..
} Güte der allometrischen Funktionen
Der Zusammenhang zwischen den Dimensionensgrößen (Durchmesser und / oder Höhe) der
Probebäume und ihren Volumina sowie Stoffgehalten konnte für das Kompartiment oberirdische
Biomasse mit sehr hohen R²korr. (0,99 – 0,93) ausgeglichen werden (Abb. 142). Ähnlich hohe Werte erzielen die allometrischen Funktionen für das
Kompartiment Derbholz (0,99 – 0,91). Der Anteil
der erklärten Streuung sinkt beim Kompartiment
Grobäste auf R²korr. zwischen 0,98 und 0,72.
Noch schwächere Zusammenhänge zeigen sich
bei den Kompartimenten Reisig (0,63 – 0,54) und
Blätter (0,47 – 0,35). Die Unterschiede zwischen
den Nährelementen innerhalb eines Kompartiments sind meist weniger gravierend. Abb. 142
stellt einen Vergleich zwischen verschiedenen europäischen Funktionen zur Schätzung der oberirdischen Biomasse dar. Funktionen, in denen
neben dem BHD noch die Baumhöhe als unabhängige Variable eingeht, weisen hier Sprünge im
Verlauf auf. Die neu entwickelte Funktion verläuft
den größten Teil des untersuchten Durchmesserbereiches zwischen den Modellen von HOCHBICHLER (2002) aus Österreich und CIENCIALA
(2008) aus Tschechien. Der Verlauf der Funktion
lässt sich als plausibel beurteilen. Grundsätzlich
besteht allerdings das Problem, dass die Baumhöhe nur in 8 der 43 Beziehungen signifikant war
und daher nur dort als unabhängige Variable Eingang fand. Die Übertragbarkeit allometrischer
Funktionen, in die nur der BHD als unabhängige
Variable eingeht, ist aufgrund unterschiedlicher
Schaftformen allerdings eingeschränkt (vgl. SEIFERT et al. 2006, LEDERMANN und GSCHWANTER 2006). Eine weitere Ursache für mögliche
Ungenauigkeiten ist die Verwendung des BHD
als solcher. Allometrische Funktionen beschreiben das Verhältnis zweier oder mehrerer relativer
Wachsumsraten zueinander, beispielsweise das
Verhältnis von BHD und Baumhöhe zur Biomasse
des Baumes. Da der BHD immer in einer absoluten Höhe von 1,30 m gemessen wird, verändert
sich die relative Höhe der Messung in Bezug zur
Baumhöhe. Bäume mit gleichem BHD und unterschiedlichen Höhen werden damit nicht an der
gleichen relativen Position gemessen. Dieser Widerspruch zu den Grundlagen allometrischer Beziehungen führt zu bedeutenden Unterschieden
(vgl. FEHRMANN 2006).
Abb. 142: Vergleich
allometrischer Funktionen
zur Trockensubstanz der
oberirdischen Biomasse
145
} Einordnung der Nährelementmengen auf
Ebene des Bestandes
Die Größenordnung der ermittelten Nährelementmengen entsprechen grundsätzlich Angaben aus
ähnlichen Studien (vgl. JACOBSEN et al. 2003
und BLOCK et al. 2007). Stickstoff, Calcium und
Kalium nehmen aufgrund ihrer hohen Gehalte in
den Kompartimenten somit auch auf Massenbasis in t/ha den größten Posten aller untersuchten
Nährelemente ein. Magnesium, Phosphor und
Schwefel treten dagegen in deutlich geringeren
Konzentrationen auf und liegen in dementsprechend geringeren absoluten Mengen im Bestand
vor. Die Entwicklung der Trockensubstanz in den
Kompartimenten zeigt eindrücklich, wie sich deren Anteile im Laufe des Bestandeslebens zugunsten des Derbholzes verschieben.
Sobald der Bestand geschlossen ist, sinkt der Anteil der Kompartimente Blätter, Reisig und Grobäste kontinuierlich (vgl. JACOBSEN et al. 2003). Die
absolute Menge dieser Kompartimente bleibt
dann annähernd konstant, während das Derbholz
weiterhin stark zunimmt. Schlechtere Ertragsklassen weisen hier den gleichen, wenn auch verlangsamten Trend auf. Diese Ergebnisse decken sich
auch mit Studien von NEBE & HERRMANN (1987)
an Fichte und RADEMACHER et al. (1999) an Kiefer. Im Hinblick auf die Nährelementausstattung
des Bestandes zeigt sich ein ähnliches Bild. Mit
steigendem Alter sinken die Anteile von Blättern
und Reisig, während der Anteil des Derbholzes
ständig steigt. Ein Unterschied im Vergleich zur
Entwicklung der Trockensubstanz besteht darin, dass der Anteil des Kompartiments Grobäste
ebenfalls ansteigt. Bei Magnesium und insbesondere Phosphor steigt er in höherem Alter sogar
schneller als der des Derbholzes.
Zusammenfassung und Ausblick
Das Ziel der beschriebenen Arbeiten bestand
in der regionalen Anpassung allometrischer
Funktionen zur Ableitung von Volumina, Trockensubstanz- und Nährelementmengen für die
Baumart Eiche (Quercus petraea). Die dafür angewandte Regressionsanalyse basiert auf 22
Probebäumen, die mit den Stichprobenverfahren Randomized-Branch-Sampling (RBS) und
146
Importance-Sampling (IS) beprobt wurden. Für
alle Probebäume standen somit Daten über ihr
Derbholz-Volumen und die Menge an Derbholz-Trockensubstanz zur Verfügung. 10 der 22
Probebäume wurden getrennt nach den Kompartimenten Derbholz, Grobäste, Reisig und Blättern
beprobt und zudem auf ihre Gehalte an Kohlenstoff, Stickstoff, Kalium, Calcium, Magnesium
und Schwefel hin untersucht. Die daran angepassten allometrischen Funktionen schätzen mithilfe des BHD und / oder der Höhe eines Baumes
dessen Volumen, Trockensubstanz- und Nährelementmenge. Anhand der Ertragstafelkennwerte
dg, hg und Stammzahlen wurden im Anschluss
Daten für ganze Bestände berechnet. Ein Ergebnis dieser Auswertungen ist, dass die Menge der
Derbholz-Trockensubstanz mit steigender Dimension der Bäume überproportional stark zunimmt.
Die Trockensubstanz der anderen Kompartimente steigt währenddessen kaum an bzw. bleibt im
Fall von Reisig und Blättern annähernd konstant.
Bis auf das mit den Baumdimensionen weiterhin
ansteigende Kompartiment der Grobäste verhält
sich die Entwicklung der Nährelementmengen
analog.
Um die hier angepassten Funktionen in praktische
Anwendungen zu überführen, ist eine Integration
in Waldwachstumssimulatoren wie BWINPro angeraten (vgl. MEIWES et al. 2012). Erst dadurch
wird ein konkreter Vergleich verschiedener Formen der Waldbewirtschaftung wie Vollbaumoder Stammholznutzung möglich. Um kritische
Nährstoffentzüge im Wald zu quantifizieren, sind
zudem Daten über die standortsspezifische Nährstoffausstattung nötig. Darüber hinaus ist der zulässige Parametrisierungsbereich der entwickelten Funktionen mit 8 – 40 cm Durchmesser zu
gering, um höhere Alter besserer Ertragsklassen
abbilden zu können. Die geringe Datengrundlage
wird dadurch unterstrichen, dass die Baumhöhe
in der Mehrzahl der Funktionen keinen signifikanten Einfluss ausübte. Eine größere Anzahl an Probebäumen könnte diese Unsicherheiten beheben.
2.2.2BWINPro
Michael Körner, Simon Klinner, Jens Schröder
2.2.2.1Einleitung
Das Programm „BWINPro“ dient zur Zustandsanalyse und Wachstumsprognose von Waldbeständen (NAGEL 1999, SCHMIDT und ALBERT 2002,
NAGEL 2013). Kern der Wachstumssimulation ist
ein statistisch-empirisches Modell, das auf der
Basis von Versuchsflächendaten vor allem aus
Nordwestdeutschland entwickelt wurde. Zusätzlich gibt es eine Reihe regionaler Varianten des
Programms, die an die spezifischen Standortsbedingungen und das resultierende Wuchsverhalten
zum Beispiel in Sachsen oder in Brandenburg
angepasst wurden (SCHRÖDER et al. 2007, DEGENHARDT 2011). Das auf der Windows-Oberfläche laufende Programm, ein kurzes Handbuch
und der entsprechende Java-Quelltext sind online
über die Seiten der Nordwestdeutschen Forstlichen Versuchsanstalt (NW-FVA) frei verfügbar1.
BWINPro eignet sich vor allem zur einzelflächenbezogenen Auswertung des aktuellen Zustands
von Rein- und Mischbeständen und ermöglicht
Entwicklungsprognosen unter dem Einfluss verschiedenster, frei wählbarer Behandlungsvarianten für einen Zeitraum von 30 bis 40 Jahren. Als
Eingangsdaten lassen sich einfache Schätzgrößen bzw. Bestandesmittelwerte einsteuern, die
automatisch zu Einzelbaumdaten ergänzt werden, es können aber auch detaillierte Aufnahmen in Form von Einzelbaumlisten verarbeitet
werden. Die regionale BWINPro-Variante für das
nordostdeutsche Tiefland baut bei den Baumarten Kiefer und Eiche auf Versuchsflächendaten
aus Brandenburg und die regional verwendeten
Ertragstafeln auf (DEGENHARDT 2007, LASCH
et al. 2009). Ein Teilziel des Projekts ForseenPOMERANIA bestand darin, die Funktionen zur
Datenergänzung und Wachstumssteuerung für
die Rot-Buche an die Wuchsbedingungen in Nordostdeutschland anzupassen und damit die Anwendbarkeit in der POMERANIA-Region weiter
zu erhöhen.
1
2.2.2.2Erfassung und Zuwachsschätzung
von Biomassezuwachs mit BWINPro
Die Herleitung von Biomassevorräten und –zuwächsen erfolgt in BWINPro auf Basis des Holzvolumens. Für die einzelnen Kompartimente
Stamm, Äste, Reisig, Rinde sind im Modul „Biomasse“ Schätzfunktionen hinterlegt, die baumartspezifisch auf Basis des BHD und zum Teil
auch der Baumhöhe die entsprechenden Biomassen berechnen. Auch für den Gehalt der Elemente Kohlenstoff, Stickstoff, Schwefel, Phosphor, Kalium, Calcium, Magnesium, Mangan und
Eisen enthält das Programm Richtwerte zu ihrem
Anteil in der Biomasse, vor allem bei Entnahmen
wie Durchforstungen. Diese Standardwerte sind
aus Erhebungen der NW-FVA, vorrangig auf Versuchsflächen in Nordwestdeutschland, abgeleitet. Im Projekt ForseenPOMERANIA wurden für
Eiche durch eigene Untersuchungen Nährelement-Gehalte für das nordostdeutsche Tiefland
bestimmt (2.2.1.2). Diese sollen ebenso wie die
aus der Literatur hergeleiteten Werte für Kiefer
(HEINSDORF und KRAUß 1990) und Rot-Buche
(KRAUß und HEINSDORF 2008) in Zukunft für
biomassebezogene Auswertungen und Simulationen herangezogen werden. Die Genauigkeit der
entsprechenden Schätzungen für Waldbestände
soll außerdem dadurch gesteigert werden, dass
die Eignung des Simulators BWINPro für die Nutzung unter den Wuchsbedingungen in der Projektregion für die Baumart Rot-Buche verbessert
wird (siehe oben). Der dabei identifizierte Bedarf
und die Schritte zur regionalen Anpassung werden im Folgenden näher erläutert.
2.2.2.3Modifikation, Anwendung und
Ergebnisse
Das Ziel der vorliegenden Untersuchungen bestand in der Anpassung eines Wachstumsmodells
für die Baumart Rot-Buche in Brandenburg, das
in den Simulator BWINPro implementiert werden
kann. Um diese Aufgabenstellung zu realisieren
sollten sich Änderungen hauptsächlich auf die Anpassung geeigneter Funktionen beschränken und
dabei die grundsätzliche Konzeption sowie der
http://www.nw-fva.de/?id=194#524
147
Ablauf der Wachstumssimulation innerhalb von
BWINPro erhalten bleiben. Die mit diesem Ziel
verbundenen Arbeiten beschränken sich somit
auf die Bereitstellung neuer Basisinformationen.
Entsprechend Abb. 143, in der die Struktur und
der Ablauf von BWINPro schematisch dargestellt
sind, müssen Aktualisierungen bei den Modellparametern im Bereich Datenergänzung, Wachstum
sowie Mortalität vorgenommen werden. In den
einzelnen Bereichen dient eine Vielzahl von Funktionen dazu, das Wachstum des Einzelbaumes
adäquat nachzubilden. Da sich in der forstwissenschaftlichen Forschung teilweise verschiedene mathematische Ansätze als brauchbar herausgestellt haben, wurden verschiedene statistische
Kenngrößen zum Vergleich und zur Auswahl eines
geeigneten Ansatzes für die Baumart Rot-Buche
herangezogen.
Die Untersuchung beschränkt sich jedoch auf
drei wichtige Kenngrößen zur Modellauswahl, die
nachfolgend beschrieben werden. Der RMSEWert ist als Wurzel des mittleren quadratischen
Fehlers definiert. Für die Auswahl eines Modells
stellt sich ein geringer RMSE-Wert als vorteilhaft
dar. Die Komplexität des getesteten Modells wird
jedoch nicht berücksichtigt. Aus diesem Grund
wurde von AKAIKE (1973) das „An Information
Criterion“ oder kurz der „AIC-Wert“ vorgeschla-
Abb. 143: Struktur und
Ablaufschema des
Programmes BWINPro
(nach DÖBBELER et al.
2011) mit den markierten
Anpassungsschwerpunkten
148
gen. Hierbei handelt es sich um ein Informationskriterium, das die Anzahl der verwendeten
Parameter als „strafend“ in die Berechnung einbezieht. Grundsätzlich sollte dem Ansatz der
Vorzug gegeben werden, der den geringsten AICWert hervorbringt. Bei linearen und multiplen linearen Regressionen wird ergänzend das korrigierte
bzw. adjustierte Bestimmtheitsmaß angegeben.
Es spiegelt den erklärten Anteil der Varianz einer
abhängigen Variablen durch das entsprechend
angepasste Modell wider. Die Formeln der verwendeten statistischen Kenngrößen sind nachfolgend aufgeführt.
Wurzel des mittleren
quadratischen Fehlers
Messwerte
Modellwerte
Zahl der zu schätzenden
Parameter
adjustiertes bzw. korrigiertes
Bestimmtheitsmaß
Akaikes „An
Information Criterion“
unkorrigiertes Bestimmtheitsmaß
Anzahl unabhängiger Variablen
Loglikelihood-Funktion
Stichprobenumfang
Datengrundlage
Die Datengrundlage für die Anpassung des Einzelbaumwachstumsmodells für Bestände im
Waldumbau mit Kiefer und Buche setzt sich sowohl aus vorhandenen Informationen langfristiger
Versuchsflächen als auch aus neu angelegten
temporären Probeflächen zusammen. Beispielsweise wurden Daten der Durchforstungsversuche Eberswalde 134, Eberswalde 45, Eberswalde
21/22 und Senftenthal 183 in die Untersuchung
einbezogen. Die Versuche bestehen aus mehreren
Parzellen, die alle genutzt werden konnten. Die
Parzellen bilden jeweils auf einheitlichen Standorten unterschiedliche Behandlungskonzepte und
damit Bestandesdichten ab, die zur Erhöhung
der Variabilität des Durchmesserzuwachses und
der Einzelbaumkonkurrenz führen. Einzelne neu
angelegte Probeflächen wurden genutzt, um die
vorhandenen Datenlücken zu schließen. In diesem Zusammenhang sind die vier Neuanlagen im
Stadtwald Lychen zu nennen. Weitere Probeflächen wurden in Reiersdorf, Liepe und Kahlenberg
angelegt. Insgesamt fließen Daten von 32 Flächen
in die Parametrisierung ein, von denen neun neu
angelegt wurden. Bei der Auswahl und Neuanlage
der Flächen wurde auf eine Verteilung anhand von
Kriterien des Standorts und des Bestandesalters
geachtet, so dass für die Stammnährkraftstufen
K („kräftig“) und M („mittel“) die Altersklassen von
20 bis 140 Jahren abgedeckt sind.
Anpassung der Datenergänzung
Die Simulation eines Bestandes in BWINPro setzt
einen kompletten Ausgangsdatensatz voraus.
Für alle Bäume müssen Durchmesser, Bäumhöhe sowie Kronenbreite und Kronenansatzhöhen
vorhanden sein. Da derartige Datensätze hauptsächlich im Bereich der forstwissenschaftlichen
Forschung vorliegen und in der Praxis eher die
Ausnahme darstellen, dienen einzelne Funktionen
der Erzeugung von fehlenden Ausgangsinformationen. Die Generierung von Durchmessern kann in
diesem Zusammenhang mit statistischen Verteilungen erfolgen. Als besonders geeignet hat sich
hierbei die Weibull-Verteilung herausgestellt. Sie
wurde bereits von GEROLD (1988, 1990), NAGEL
und BIGING (1995) und DEGENHARDT (2009) an
empirische Durchmesserverteilungen in Waldbeständen angepasst. Charakterisiert wird diese
Verteilung durch drei Parameter. Der Lageparameter a legt das Minimum der Verteilung fest. Der
Maßstabsparameter b bestimmt die Variationsbreite und der Formparameter c namensgebend
die Form der Verteilung. Die Anpassung erfolgte
zunächst für die Durchmesserlisten der einzelnen
Versuchs- bzw. Probeflächen. In diesem Zusammenhang kam die Maximum-Likelihood-Routine
in R zum Einsatz, mit der die Parameter b und c
geschätzt werden können. Der Parameter a wird
nicht angepasst und auf den Wert 0 gesetzt. Im
Anschluss an die Schätzung der Parameter aller
empirischen Durchmesserhäufigkeitsverteilungen
können Schätzfunktionen parametrisiert werden,
mit denen sich die Parameter einzelner Flächen
aus Ertragskenngrößen wie dem Mitteldurchmesser dg und dem Maximaldurchmesser dmax
berechnen lassen. Zur Erzeugung einer Durchmesserliste benötigt man entsprechend dieses
Ansatzes ausschließlich Bestandesdurchmesserwerte sowie die gewünschte Grundfläche. Die
Generierung einzelner Durchmesser wird so oft
wiederholt, bis die Summe der Kreisflächen aller Einzelbäume der Bestandesgrundfläche entspricht.
Im Anschluss an die Erzeugung einer Durchmesserliste müssen den einzelnen Bäumen entsprechende Baumhöhen zugewiesen werden. Dies
erfolgt in der aktuellen Version von BWINPro unter Nutzung eines Einheitshöhenkurvenmodells
von SLOBODA et al. (1993) (vgl. DÖBBELER et
al. 2011). Als Eingangsdaten für die Berechnung
von Einzelbaumhöhen werden neben dem Durchmesser des Einzelbaumes auch der Mitteldurchmesser dg und die Mittelhöhe hg benötigt. Darüber
hinaus wurde die Funktion von ARCANGELI et al.
(2014) in die Untersuchung einbezogen.
Da in Beständen Bäume mit gleichen Durchmessern unterschiedliche Baumhöhen aufweisen können, musste zusätzlich eine Funktion
zur Beschreibung der Standardabweichung der
Höhenresiduen parametrisiert werden. In Anlehnung an die Arbeit von ALBERT (2000) wurden
Schätzfunktionen mit der Standardabweichung
der Durchmesser eines Bestandes als Eingangsgröße und auf Basis des Mitteldurchmessers dg
149
angepasst. Die Werte der Höhenresiduen wurden
in einem vorgelagerten Berechnungsschritt durch
die Anpassungen der Bestandeshöhenkurve nach
MICHAILOFF (1943) abgeleitet.
Für die Ergänzung der Kronenbreite und der Kronenansatzhöhe wurden verschiedene Schätzfunktionen auf ihre Eignung hin getestet. Speziell bei der Kronenbreite konnten die Modelle aus
dem Wachstumssimulator SILVA (PRETZSCH
2001) und aus der niedersächsischen Version
von BWINPro (DÖBBELER et al. 2011) an das
aus 891 Messungen bestehende Datenmaterial
angepasst werden. Bei beiden Funktionen handelt es sich um nichtlineare Gleichungen, die den
Durchmesser als unabhängige Variable in die
Kronenbreitenschätzung einbeziehen. Zusätzlich wird im Modell von PRETZSCH (2001) die
Baumhöhe genutzt. Die Kronenansatzhöhe wurde als die Höhe des ersten lebenden Astes definiert. Insgesamt stand ein Datensatz von 1230
Messwerten zur Verfügung. Die Beschreibung
des Zusammenhangs zwischen unabhängigen
Variablen wie Baumhöhe und Durchmesser erfolgte analog zur Kronenbreite mittels nichtlinearer Schätzfunktionen. In diesem Zusammenhang
wurden die Modelle von PRETZSCH (2001), VAN
DEUSEN & BIGING (1985), SCHMIDT (2001) und
Abwandlungen der genannten Modelle getestet.
Neben Bäumhöhe und Durchmesser bezieht die
Gleichung von SCHMIDT (2001) zusätzlich die
Oberhöhe h100 in die Berechnung ein.
Anpassung der
Wachstumskomponenten
Der Kern der Wachstumsprognose in BWINPro
besteht aus einem Modell, das den Grundflächenzuwachs des Einzelbaumes in Abhängigkeit
von seinem Konkurrenzverhältnis innerhalb des
Bestandes schätzt. Dieses kann durch verschiedene Indizes numerisch beschrieben werden und
geht als unabhängige Variable in die Schätzfunktion des Grundflächenzuwachses ein. Im Rahmen
der vorliegenden Untersuchung wird in diesem
Zusammenhang der BAL-Index verwendet. Hierbei handelt es sich um die Grundfläche der größeren Bäume, was sich aus der englischen Bezeichnung „BAL=basal area of the larger trees“
150
ableitet (v. GADOW 2003). Weitere Eingangsgrößen stellen beispielsweise der Durchmesser oder
die Kronenmantelfläche dar. Näherungsweise
wurde für die Berechnung der Kronenmantelfläche der apollonische Paraboloid als Modellkörper verwendet (vgl. KRAMER und AKÇA 1982).
Durch die Kombination von Konkurrenzindizes
und Baummerkmalen wie Durchmesser und Kronenmantelfläche wird erreicht, dass Bäume mit
gleicher individueller Leistungsfähigkeit (Durchmesser, Kronenmantelfläche) aber unterschiedlichem Konkurrenzdruck (BAL) auch unterschiedliche Durchmesser- bzw. Grundflächenzuwächse
hervorbringen.
Die Schätzung des einzelbaumbezogenen Höhenzuwachses wurde von NAGEL (1999) analog
zum Durchmesser- bzw. Grundflächenzuwachs
vorgenommen. Für die Nutzung eines derartigen
Ansatzes sind plausible Einzelbaumhöhenzuwachse nötig, die jedoch nicht in ausreichender
Anzahl zur Verfügung standen. Als Lösung für
dieses Problem dient eine Abwandlung des von
KAHN & ĎURSKÝ (1999) vorgestellten Ansatzes.
Hierfür werden zunächst die Mittelhöhen hg zu
Beginn und am Ende der Zuwachsperiode benötigt. Zu diesem Zweck kann auf die Mittelhöhenentwicklung aus der DDR-Buchenertragstafel von
DITTMAR, KNAPP und LEMBCKE (1983) und
deren Korrektur durch DITTMAR und DEGENHARDT (2000) zurückgegriffen werden. Die in dieser Ertragstafel verwendete Funktion beschreibt
die Entwicklung der Mittelhöhe bis zum Alter von
170 Jahren und kann in Abhängigkeit von Bonität und Bestandesalter für die Berechnung der
Mittelhöhe hg genutzt werden. Als weitere Eingangsgröße für die Höhenzuwachsschätzung
dient der Mitteldurchmesser dg des Bestandes.
Er wird ebenfalls für den Zeitpunkt am Anfang und
am Ende einer Zuwachsschätzung benötigt. Um
die Werte der beiden Zeitpunkte zu erhalten, berechnet man zunächst den dg für die Durchmesserliste des Ausgangsbestandes, schreibt dann
die einzelnen Durchmesser mithilfe der Grundflächenzuwachsfunktion fort und berechnet den
dg für die neu erzeugte Durchmesserliste. Die
so ermittelten Bestandesdurchmesser- und -höhenwerte dienen im Anschluss als Eingangsgrößen für das Einheitshöhenkurvenmodell, mit dem
Bestandeshöhenkurven für den Anfang und das
Tab. 65: Verwendete Gleichungen zur Beschreibung der Durchmesserverteilung, des Einheitshöhenkurvenmodells, der Höhenvariation, der Kronenbreite (kb), des Kronenansatzes (ka) und des
Grundflächenzuwachses (iG). STABW = Standardabweichung, h = Höhe, h100 = Oberhöhe, BHD_
STD = Standardabweichung der Durchmesserverteilung, p = Koeffizienten.
Funktion
Quelle
Bezeichnung
PRETZSCH (2001)
KA-Mod1
VAN DEUSEN & BIGING
(1985)
KA-Mod2
SCHMIDT (2001)
KA-Mod3
SCHMIDT (2001) ohne
h/d-Verhältnis
KA-Mod4
VAN DEUSEN & BIGING
(1985) ohne Exponent
KA-Mod5
PRETZSCH (2001)
KB-Mod1
DÖBBELER et al. (2011)
KB-Mod2
SLOBODA et al. (1993)
EH-Mod1
ARCANGELI et al. (2014)
EH-Mod2
ALBERT (2000)
Hvar-Mod1
ALBERT (2000)
Hvar-Mod2
Weibull-Verteilung
Wb-Mod1
Wc-Mod1
Wc-Mod2
Wc-Mod3
d-Mod
Ende der Zuwachsperiode erstellt werden können. Die Höhen für einen einzelnen Baum können
nun mittels seiner Durchmesser aus den beiden
Bestandeshöhenkurven abgegriffen werden. Der
Höhenzuwachs stellt in diesem Zusammenhang
die Veränderung zwischen den beiden ermittelten
Höhen dar.
2.2.2.4Ergebnisse
Ergebnisse im Bereich der
Datenergänzung
Die Weibull-Verteilung konnte erfolgreich an alle
empirisch ermittelten Durchmesserhäufigkeitsverteilungen angepasst werden. In Abb. 144 befindet sich exemplarisch für diese Berechnung die
Darstellung einer einzelnen Fläche. Die Durchmesser dieser Fläche sind in 1-cm-Durchmesser-
151
klassen zusammengefasst. Insgesamt stand ein
Datensatz von 145 Durchmesserverteilungen zur
Verfügung. Der nach diesem Muster angepasste
Maßstabsparameter b nimmt Werte von 3,74 bis
54,59 an.
ringsten RMSE-Wert und mit 193,28 den niedrigsten AIC-Wert auf. Es ist somit den anderen beiden
Modellen zur Beschreibung des Formparameters
c deutlich überlegen. Die Strukturen der einzelnen
Modelle können Tab. 65 und die Koeffizienten sowie statistischen Kenngrößen Tab. 66 weiter unten entnommen werden.
Abb. 144: Empirische Durchmesserhäufigkeitsverteilung und angepasste Weibullverteilung für
die Aufnahme einer einzelnen Fläche
Die funktionale Beschreibung des Zusammenhangs zwischen Parameter b und dem Mitteldurchmesser dg ist sehr eng. Das ermittelte adjustierte Bestimmtheitsmaß beträgt 0,998. Es
werden somit ca. 99,8 % der Streuung innerhalb
der Daten mithilfe des verwendeten linearen Models Wb-Mod1 erklärt. Abb. 145 verdeutlicht diesen engen linearen Zusammenhang, für den aufgrund der hohen statistischen Anpassungsgüte
die Suche nach einem geeigneteren Modell nicht
notwendig erscheint. Darüber hinaus ist in Abb.
145 zusätzlich der Formparameter c der einzelnen
Flächen über dem Mitteldurchmesser dg dargestellt. Anhand dieser Punktwolke wird ersichtlich,
dass der Mitteldurchmesser dg als einzige unabhängige Variable zur Abbildung des Zusammenhangs nicht ausreichend ist. Das einfach lineare
Modell Wc-Mod1 erreicht lediglich ein adjustiertes Bestimmtheitsmaß von 0,289. Nach Einbeziehung weiterer Variablen wie dem Maximaldurchmesser dmax und dem kleinsten Durchmesser
dmin konnte das adjustierte Bestimmtheitsmaß
bei Wc-Mod3 auf 0,670 gesteigert werden. Das
so parametrisierte Modell weist mit 0,455 den ge-
152
Abb. 145: Maßstabsparameter b (oben) und
Formparameter c (unten) über dem Mitteldurchmesser dg der einzelnen Aufnahmen und
deren Modellierung mit linearen bzw. multiplen
linearen Ansätzen
Bei der Auswahl des Einheitshöhenkurvenmodells hat sich der Ansatz von SLOBODA et al.
(1993) (EH-Mod1) als geeignet herausgestellt.
Der Wert für das AIC-Kriterium dieses Modells
ist mit 4022,389 gegenüber dem Modell von
ARCANGELI et al. (2014) (EH-Mod2) mit einem
Wert von 4466,654 deutlich geringer. Die Abdeckung der Punktwolke bestehend aus Durchmesser-Höhen-Wertepaaren von EH-Mod1 und der
verwendeten Messwerte kann ebenfalls als gut
bewertet werden. Eine entsprechende Gegenüberstellung befindet sich in Abb. 146. Die Modellwerte
decken besonders den mittleren Baumhöhenbereich ab, wohingegen niedrige und hohe Werte
der einzelnen Flächen nicht erfasst werden. Betrachtet man die Residuen des bevorzugten Modells (Abb. 147), so lässt sich kein ungewöhnli-
cher Trend feststellen. Ein Großteil der Residuen
nimmt Werte zwischen -5 und 5 m an, wodurch
sich ein relativ gleichmäßiges Residuenband für
modellierte Baumhöhen von 0 bis 40 m ergibt.
Insgesamt konnten 907 Baumhöhen für die Ermittlung der Koeffizienten des Einheitshöhenkurvenmodells genutzt werden.
Um eine realitätsnahe Streuung der Baumhöhen
bei gleichem Durchmesser zu erzeugen, wurde
eine Schätzfunktionen für die Standardabweichung der Höhenresiduen angepasst. Mithilfe
dieser Funktion kann eine Normalverteilung mit
dem Mittelwert 0 und der geschätzten Standardabweichung der Höhenresiduen erzeugt
werden. Aus dieser Verteilung lassen sich im
Anschluss Zufallszahlen generieren, die auf die
Baumhöhen aus der Einheitshöhenkurve addiert
werden können. Da diese Zufallszahlen positiv
oder negativ sein können, ergeben sich schlussendlich größere oder kleinere Baumhöhen. In Abb.
148 ist der beschriebene Ansatz exemplarisch
anhand der Aufnahme einer einzelnen Fläche
Abb. 146: Gegenüberstellung von Mess- und
Modellwerten (EH-Mod1) der Baumhöhe über
dem Durchmesser d1.3 der einzelnen Bäume
Abb. 148: Verwendung der Schätzfunktion für
die Standardabweichung der Höhenresiduen
zur realitätsnahen Generierung von Baumhöhen
Abb. 147: Residuen des Einheitshöhenkurvenmodells EH-Mod1 über den modellierten
Baumhöhen
dargestellt. Für gegebene Durchmesser wurden
zunächst die Baumhöhen mithilfe des Modells
EH-Mod1 berechnet, woraus sich die Baumhöhen ohne Variation ergeben. Im Anschluss erfolgte unter Nutzung des Modells Hvar-Mod2
die Schätzung von Baumhöhen mit Variation.
Grundsätzlich muss erwähnt werden, dass sich
153
die beiden getesteten Modelle nur marginal unterscheiden. Das adjustierte Bestimmtheitsmaß
beider Ansätze liegt mit 0,226 und 0,227 dicht
beieinander. Die schlechte Anpassungsgüte liegt
wahrscheinlich in der Verwendung von nur 27
Flächen zur Parametrisierung der Schätzfunktionen begründet. Da es sich jedoch ausschließlich um Funktionen zur Erhöhung der Variation
innerhalb der Baumhöhenschätzung eines Ausgangsdatensatzes handelt, kann der Ansatz trotz
schlechter statistischer Kenngrößen verwendet
werden. Das Modell Hvar-Mod2 ist trotz ähnlicher Anpassungsgüte gegenüber Hvar-Mod1
zu empfehlen, da in dieser Gleichung direkt der
Mitteldurchmesser dg als unabhängige Variable
verwendet werden kann.
Aufbauend auf die Durchmesser- und Baumhöhengenerierung müssen zur Vervollständigung
des Ausgangsdatensatzes in BWINPro die Kronenbreite und die Kronenansatzhöhe aller Bäume geschätzt werden. Das Kronenbreitenmodell (KB-Mod1) von PRETZSCH (2001) weist mit
1,948 einen geringfügig besseren RMSE-Wert als
KB-Mod2 auf. Dies konnte auch beim Wert für
das AIC-Kriterium beobachtet werden. Der Wert
für KB-Mod1 liegt hier bei 3722,619 gegenüber
3746,134 bei EH-Mod2. In beide Modelle gehen
vier Koeffizienten ein, wobei jeweils ein Koeffizient nicht auf dem gleichen Signifikanzniveau
einbezogen wird. In KB-Mod1 ist dieser Koeffizient mit der unabhängigen Variable Baumhöhe
verknüpft. Die Koeffizienten, die bei der Parametrisierung vom Durchmesser beeinflusst werden,
sind alle als hochsignifikant zu bewerten. Hieraus
lässt sich schließen, dass die Abhängigkeit zwischen Baumhöhe und Kronenbreite nicht so stark
ist, wie der Zusammenhang zwischen Durchmesser und Kronenbreite. Dennoch wird KB-Mod1
aufgrund der etwas besseren statistischen Kenngrößen als Modell favorisiert.
In Abb. 149 sind die ermittelten Modellwerte den
891 verwendeten Messwerten gegenübergestellt.
Während sich die Punktwolken der Kronenbreite
über der Baumhöhe sehr stark ähneln, kann KBMod1 die Streuung der Kronenbreite über dem
Durchmesser nicht vollständig abfangen. Die Residuen, die in Abb. 150 dargestellt sind, weisen
keine unerwünschten Effekte wie beispielsweise
Heteroskedastizität auf.
154
Abb. 149: Mess- und Modellwerte (KB-Mod1)
der Kronenbreite über dem Durchmesser d1.3
(oben) und über der Baumhöhe h (unten)
Abb. 150: Darstellung der Residuen des
Kronenbreitenmodells KB-Mod1 über den
modellierten Kronenbreiten
Analog zur Kronenbreitenschätzung wurden verschiedene Modelle zur Beschreibung der Kronenansatzhöhe getestet. Das Modell KA-Mod3
weist zwar den geringsten und damit besten RMSE-Wert von 3,148 auf, jedoch handelt es sich
in diesem Zusammenhang auch um den Ansatz
mit den meisten Koeffizienten. Darüber hinaus
sind zwei der vier verwendeten Koeffizienten
nicht signifikant. Aus diesem Grund wurde versucht, dieses Modell derart abzuwandeln, dass
die vergleichsweise hohe Anpassungsgüte gewahrt bleibt und dennoch alle Koeffizienten als
signifikant aus der Parametrisierung hervorgehen.
Zu diesem Zweck wurde das h/d-Verhältnis aus
der Schätzgleichung entfernt (KA-Mod4). Die in
dieser Form verwendete Gleichung weist einen
RMSE-Wert von 3,150 auf, der mit dem Wert von
KA-Mod3 vergleichbar ist. Das AIC-Kriterium liegt
bei 6315,951 und ist damit etwas besser zu bewerten. Durch die genannte Veränderung sind die
verbleibenden drei Koeffizienten mindestens auf
einem Niveau von 0,05 signifikant. In Abb. 151
sind die zu KA-Mod4 zugehörigen Modellwerte
den verwendeten Messwerten gegenübergestellt.
Die Kronenansatzhöhen wurden analog zur Kronenbreite jeweils über dem Durchmesser und
der Baumhöhe abgebildet. In der Darstellung der
Punktwolke über der Baumhöhe liegen die modellierten Kronenansatzhöhen einzelner Flächen
auf einer Geraden. Es handelt sich hierbei wahrscheinlich um den Einfluss der Oberhöhe h100, die
diesen linearen Zusammenhang hervorbringt.
Die Residuen von KA-Mod4 sind in Abb. 152
dargestellt. Die Verteilung der einzelnen Abweichungen liegt in einem akzeptablen Rahmen.
Der Hauptanteil der Residuen befindet sich in
einem Wertebereich von -5 bis 5 m. Interessant
erscheint eine Art Grenzbeziehung, die sich im
negativen Residuenbereich abbildet. Die Streuung nimmt in diesem Zusammenhang vom Punkt
(0; 0) bis zum Punkt (15; -13) kontinuierlich zu. Es
liegt hier also eine gewisse Heteroskedastizität
vor, die jedoch aufgrund der geringen Anzahl an
betroffenen Werten vernachlässigt werden kann.
Abb. 151: Mess- und Modellwerte (KA-Mod4)
des Kronenansatzes über dem Durchmesser
d1.3 (oben) und der Baumhöhe h (unten)
Abb. 152: Residuen der Schätzfunktion für die
Kronenansatzhöhe (KA-Mod4) über den modellierten Kronenansatzwerten
155
Ergebnisse der Parametrisierung der
Wachstumskomponenten
Für die Parametrisierung des einzelbaumbezogenen Grundflächenzuwachsmodells standen
insgesamt 4476 Zuwachswerte zur Verfügung. In
diesem Zusammenhang wurde darauf geachtet,
dass im Rahmen der Modellierung ausschließlich Werte > 0 Eingang fanden. Die Prädiktoren
quadratischer Durchmesser, Kronenmantelfläche
sowie der BAL-Index gehen signifikant in die lineare Ausgleichsfunktion ein. Das adjustierte Bestimmtheitsmaß ist mit 0,8417 relativ hoch und
resultiert wahrscheinlich aus dem großen Stichprobenumfang. In Abb. 153 sind die modellierten
jährlichen Grundflächenzuwächse den aus Messwerten ermittelten Grundflächenzuwächsen ge-
Abb. 153: Modellwerte des einzelbaumbezogenen Grundflächenzuwachses über den aus
Messwerten ermittelten jährlichen Grundflächenzuwächsen der Einzelbäume
genübergestellt. Es wird ersichtlich, dass die Variation mit dem Grundflächenzuwachs steigt. Des
Weiteren ist zu beobachten, dass die modellierten
Grundflächenzuwächse zum Teil niedriger als die
Messwerte sind. Dies wird anhand des Schwerpunkts der Punktwolke ersichtlich, der unterhalb
der Winkelhalbiertenden liegt.
Für die Nachbildung der Mittelhöhenentwicklung wurde auf die DDR-Buchenertragstafel
(DITTMAR, KNAPP und LEMBCKE 1983) und Korrektur durch DITTMAR und DEGENHARDT (2000)
zurückgegriffen. Eine Darstellung des gesamten
156
Mittelhöhenfächers ist in Abb. 154 zu finden. Er
bildet die Grundlage für den bereits erwähnten
Ansatz der Höhenzuwachsmodellierung.
Abb. 154: Entwicklung der Mittelhöhe hg über
dem Bestandesalter t entsprechend der DDRBuchenertragstafel (DITTMAR, KNAPP und
LEMBCKE 1983)
Zur Verdeutlichung des empfohlenen Ansatzes
ist in Abb. 155 die Mittelhöhenentwicklung einer
einzelnen Bonität dargestellt. Der zu simulierende
Ausgangsbestand kann mit seinem Bestandesalter t und seiner Mittelhöhe hg alt auf dem Kurvenverlauf eingeordnet werden. Der Zeitraum für
einen Simulationsschritt beträgt in der Regel fünf
Jahre und ist in der Darstellung durch ∆t symbolisiert. Mit der Verlagerung des Bestandesalters t
auf der x-Achse kann ein neues Bestandesalter
errechnet und eine neue Mittelhöhe hg neu auf der
Mittelhöhenkurve abgegriffen werden. Diese stellt
eine Eingangsgröße für das Einheitshöhenkurvenmodell dar.
Einen weiteren Wert bildet der Mitteldurchmesser
dg, der nach der Fortschreibung der Einzelbaumdurchmesser errechnet werden kann. Mithilfe
der so erzeugten Mitteldurchmesser und –höhen
können anhand des Einheitshöhenkurvenmodells
zwei Bestandeshöhenkurven berechnet werden.
Zur Ermittlung des Höhenzuwachses eines Einzelbaumes werden seine Durchmesser zum Beginn und am Ende der Simulation benötigt. Durch
Berechnen der zugehörigen Baumhöhen und anschließender Differenzbildung kann der Höhenzuwachs ∆h abgeleitet werden. In Abb. 156 ist der
beschriebene Ansatz grafisch dargestellt.
Abb. 155: Verlagerung der Mittelhöhe hg im
Zuge der Simulation eines Bestandes für den
Zeitraum ∆t
Abb. 156: Darstellung des Ansatzes zu Berechnung des Einzelbaumhöhenzuwachses über
das Einheitshöhenkurvenmodell
Die folgende Tabelle (Seite 156) stellt die Einzelmodelle mit ihren Koeffizienten und den statistischen Evaluierungskenngrößen noch einmal zusammen. Durch Fettdruck hervorgehoben sind
die Varianten, die für die Integration in den Waldwachstumssimulator BWINPro vorgeschlagen
werden.
geklärt werden. Außerdem ist darauf hinzuweisen,
dass die parametrisierten Funktionen noch nicht
im Rahmen der Simulation einzelner Bestände
getestet wurden. Es besteht somit die Möglichkeit, dass unerwünschte Wechselwirkungen zwischen den einzelnen Funktionen auftreten, die
das Simulationsergebnis verfälschen. Aus diesem
Grund sind Simulationen mit Zusammenwirken
aller Teilmodelle zum Test der Plausibilität notwendig.
2.2.2.5 Fazit und Ausblick
Das für die Baumart Rot-Buche in Brandenburg
parametrisierte Wachstumsmodell, das in den
Simulator BWINPro implementiert werden kann,
sollte als Grundstein für die weitere Entwicklung
und Anpassung von Wachstumsmodellen im Untersuchungsgebiet gesehen werden. Besonders
im Bereich des einzelbaumbezogenen Grundflächenzuwachses, des Einzelbaumhöhenzuwachses sowie der Mortalität der Baumart Rot-Buche
besteht weiterer Forschungsbedarf. Die Mortalität kann anhand des vorliegenden Datenmaterials
derzeit nicht funktional beschrieben werden. Es
fehlen die in diesem Zusammenhang notwendigen detaillierten Informationen von Einzelbäumen,
die aufgrund dichtebedingter Mortalität abgestorben sind. Aus diesem Grund wird im Rahmen der
Mortalitätsschätzung vorerst auf den Ansatz und
die geschätzten Koeffizienten der Nordwestdeutschen Forstlichen Versuchsanstalt zurückgegriffen. Ob und in wieweit sich die Mortalität von den
Verhältnissen in Niedersachsen unterscheidet,
muss somit in weiterführenden Untersuchungen
2.2.3BMP: Ein Prozessmodell zur
Biomasseschätzung in der
POMERANIA-Region
Philipp Lehmann, Ina Wiegand, Rolf Lessing, Michael Körner
2.2.3.1Ausgangssituation
Ein Arbeitsschwerpunkt des Projekts „ForseenPOMERANIA“ bestand darin, ein geeignetes prozessorientiertes Modell zu entwickeln, dass unter
Nutzung biogeophysikalischer Daten vorrangig
aus Fernerkundungsverfahren die dynamische,
flächendeckende Schätzung der Nettoprimärproduktion (NPP) in der POMERANIA-Region ermöglicht. Mit den notwendigen Arbeiten wurde die
DELPHI IMM GmbH aus Potsdam beauftragt. Als
Ausgangspunkt der Entwicklung diente das gemeinsam ausgewählte Regionale Biomassemodell (RBM) nach RICHTERS (2005), das wesentlich
157
Tab. 66: Koeffizienten und statistischen Kenngrößen der einzelnen Modelle. Die favorisierten Ansätze sind fett hervorgehoben
Modell
Wb-Mod1
Wc-Mod1
Wc-Mod2
Wc-Mod3
EH-Mod1
EH-Mod2
Hva-Mod1
Koeffizienten
Statistische Kenngrößen
p0
p1
-0,7526932
1,0755483
***
***
2,07058227
0,03583495
2,89179523
0,13234903
-0,0679051
2,80034302
0,09458622
-0,0573260
0,06843812
***
***
***
***
0,2819453
2,1534454
***
***
***
***
***
***
p2
***
p3
-7,626292
***
RMSE
AIC
R2adj
0,568
253,228
0,9981
0,673
302,727
0,289
0,483
208,442
0,6314
0,455
193,280
0,6702
2,215
4022,389
2,833
4466,654
0,3442385
0,6580110
0,622
56,960
0,226
Hva-Mod2
0,1007562
0,5318026
0,622
56,947
0,227
KB-Mod1
1,322899
0,097702
1,943
3722,619
***
***
.
***
KB-Mod2
3,000014
0,130089
2,332517
1,424117
1,969
3746,134
KA-Mod1
0,415732
0,0979214
0,003389
3,229
6377,126
KA-Mod2
0,810476
-0,019467
3,254
6394,205
KA-Mod3
-0,613305
0,048233
-0,000509
3,148
6316,165
KA-Mod4
-0,557590
-0,001371
0,362622
3,150
6315,951
***
*
***
KA-Mod5
0,655815
-0,030019
3,254
6394,236
d-Mod
-6,042618
-0,0001465
1,736390
-0,029365
12,089
7305,611
***
***
***
***
**
**
***
***
***
***
***
***
*
0,007260
***
*
***
erweitert und an die Bedingungen in der Projektregion angepasst wurde. Mit Hilfe des prozessorientierten Modellansatzes sollte außerdem untersucht werden, welchen Einfluss die Qualität der
Eingangsdaten auf die Ergebnisse hat. Während
auf der gesamten Fläche der POMERANIA-Region Daten mittlerer Auflösung getestet wurden,
kamen in einem Modellgebiet, einem Ausschnitt
aus dem Untersuchungsgebiet, Eingangsdaten
höherer Auflösung zum Einsatz. Der Vergleich
der Ergebnisse sollte Aufschluss darüber geben,
welche Ergebnisqualität bei unterschiedlicher Da-
158
-0,708355
0,356813
***
0,7156
tenverfügbarkeit zu erwarten ist, und damit die
Überführung des zu entwickelnden Modells in die
praktische Anwendung erleichtern.
2.2.3.2Das regionale Biomassemodell RBM
Beschreibung des Modells
Für das Regionale Biomassemodell nach RICHTERS (2005), das zur Biomasseschätzung ausgewählt wurde, sind die Modellannahmen sowie
die Berechnungen der einzelnen Parameter in der
entsprechenden Dissertation enthalten. Demnach
wird für die Berechnung der Nettoprimärproduktion (NPP) der Ansatz von MONTEITH (1972) verwendet. Dieser nimmt grundsätzlich an, dass die
Produktivität der Biomasse mit der von der Vegetation aufgenommenen solaren Strahlung in Zusammenhang steht (POTTER et al. 1993).
Dieser Sachverhalt ist in der folgenden Formel
dargestellt. PAR beschreibt die photosynthetisch
aktive Strahlung, APAR den absorbierten Anteil
der PAR.
NPP = APAR × ε
ε ist der biophysikalische Konversionsfaktor und
beschreibt die Fähigkeit der Pflanze, auf dem
jeweiligen Standort in Abhängigkeit von Temperatur, Wasser, Standortfaktoren in der Lage ist,
APAR in Biomasse (NPP) umzuwandeln. APAR
lässt sich substituieren durch das Produkt von
PAR und FPAR, dem Anteil der absorbierten photosynthetisch wirksamen Strahlung.
FPAR = APAR / PAR
FPAR ≈ NDVI
FPAR lässt sich annähernd mit dem NDVI (Normalized Differenced Vegetation Index) nach TUCKER
(1979) beschreiben, der mit Fernerkundungsdaten ermittelt werden kann:
NDVI = (NIR – RED) / (NIR + RED)
Die Formel zur Berechnung der NPP setzt sich
danach aus drei Faktoren zusammen, die sich mit
Fernerkundungs- und Standortdaten ermitteln
lassen. Sie beschreibt den Zuwachs der Vegetation eines betrachteten Gebietes in einem bestimmten Zeitfenster:
NPP = PAR × FPAR × ε
In der folgenden Abb. 157 ist die Vorgehensweise
bei der Berechnung der NPP graphisch dargestellt, wie sie von RICHTERS (2005) für die Region
Nordwest-Namibia angewandt wurde.
RICHTERS hat die Formel zur Berechnung der
NPP weiter spezifiziert. PAR wird beeinflusst
durch Sonnenscheinintensität und Wolken, FPAR
wird im Wesentlichen ermittelt durch den NDVI
aus Satellitenbilddaten. Den biophysikalischen
Konversionsfaktor ε teilt RICHTERS auf in εmax
und εeff. εmax beschreibt den maximal erreichbaren Konversionsfaktor an einem Standort, der
abhängt von der Light Use Efficiency (LUE), einem Faktor für den Boden und einem Faktor für
das Relief. Die Wasserhaushaltssituation an dem
Abb. 157: Darstellung der Grundlagen für das
Modell zur Berechnung der NPP nach
RICHTERS (2005)
Standort sowie der Temperatureinfluss ergeben
εeff, mit dem beschrieben wird, inwieweit der maximal erreichbare Konversionsfaktor gemindert
wird.
Das Modell von RICHTERS wurde für in die Region NW-Namibia mit ihren ariden Halbwüsten und
semiariden Savannen entwickelt. Für die Region
POMERANIA sollten die einzelnen Komponenten
angepasst und überarbeitet werden. Dabei wurde der Faktor „Relief“ konstant gesetzt, weil die
Geländeunterschiede in der Region POMERANIA
gering ausfallen. Das angepasste Modell ist in der
folgenden Abb. 158 dargestellt.
Abb. 158: Darstellung des an die Verhältnisse
in der Region POMERANIA angepassten
Regionalen Biomassemodells (temp. = Temperatur)
159
Die Anpassung des Modells ist für alle Komponenten in den folgenden Kapiteln beschrieben.
Alle Komponenten wurden einer Sensitivitätsanalyse unterzogen, um ihren Einfluss auf die NPP
beschreiben zu können. Die Formel zur Berechnung der NPP lautet demnach
NPP = PAR × FPAR × LUE × tempstress ×
waterstress × soilstress
2.2.3.3Anpassung des Modells für die
Region POMERANIA
Bestimmung der PAR
Die Berechnung der PAR erfolgt nach folgender
Formel:
PAR = potin × 0,48 × (1 - cloudFAKTOR × 0,25)
Dabei ist „potin“ die potentielle Insolation an einem Standort und cloudFAKTOR ein Faktor, mit
dem der Einfluss der Bewölkung an einem Tag beschrieben werden kann. Die Faktoren 0,48 sowie
0,25 wurden von RICHTERS (2005) übernommen.
} Potentielle Insolation
Die potentielle Insolation (Einstrahlung) geht als
ein Faktor in das Modell ein, der nur vom Standort (Winkel zur Sonne) abhängig ist (Abb. 159). Je
nach Jahreszeit variiert der Wert.
Die potentielle Insolation wurde im Rahmen der
Sensitivitätsanalyse nicht variiert. Die Unterschiede in der NPP-Jahressumme zwischen den
nördlichsten und südlichsten Teilen des Untersuchungsgebiets liegen unter Annahme der in Tab.
67 aufgeführten Eingangsparameter bei maximal
94 g C/m², d. h. bei etwa 2 %.
} Behandlung des Wolkeneinflusses
Im Biomassemodell von RICHTERS (2005) gehen die Wolken als konstanter Faktor ein (siehe
oben). Das hat zur Folge, dass sich die photosynthetisch aktive Strahlung (PAR) auf 75 % reduziert, sobald Bewölkung im Satellitenbild ermittelt
wird. Da bei den meisten Eingangsdaten (MODIS)
für jeden Tag nur der Wert ‚ja‘ oder ‚nein‘ für Wolkenereignisse ermittelt werden kann, erfährt die
NPP einen „Zackenverlauf“ wie in der Abb. 160
dargestellt.
Da die Ermittlung der Bewölkung aus Satellitenbilddaten sehr stark vom Aufnahmezeitpunkt abhängig ist, wurde ein weiterer Ansatz entwickelt,
um für zukünftige Berechnungen die Sonnenscheindauer, die die meteorologischen Dienste
zur Verfügung stellen, als Berechnungsgröße mit
in das Modell zu integrieren. Die vorangegangene
Formel ändert sich dann entsprechend wie folgt:
PAR = potin × 0,48 × (1 - (1 - effSd/maxSd) × 0,25)
Abb. 159: Potentielle
Insolation
Tab. 67: Eingangsparameter für die Berechnung des Einflusses der standortabhängigen, potentiellen Insolation
Standort
clouds
tempstress
Soil
waterstress
LUE
NDVI
NPP Summe
52,64° Nord
0
1
1
1
1.18
Mittel
4398
54,57° Nord
0
1
1
1
1.18
Mittel
4304
160
mit effSd = effektive Sonnenscheindauer und
maxSd = maximale Sonnenscheindauer je Tag.
Die maxSd berechnet sich nach BIRKY (2001):
maxSd = (24/π) × arccos[–tan(λ) × tan(δ)] mit δ = Sonnenwinkel = -0,408 cos [(π/180) ×
(d+10)] , d = Tagesnummer (0-360) und λ = geographische Breite.
Der Vorteil dieses Ansatzes ist, dass für jeden Tag
ein Faktor, der mehr der Realität entspricht, zur
Verfügung steht würde und die NPP keine so starke „Zackenkurve“ annimmt. In der folgenden Abb.
160 ist der Einfluss beider Ansätze graphisch dargestellt.
Die Abb. 161 zeigt einen Vergleich des
cloud-Faktors für die beiden Ansätze zwischen
dem 150ten und dem 240ten Tag. Der Ansatz
unter Berücksichtigung der täglichen Sonnenscheindauer bewirkt eine deutlich sichtbare
Glättung des cloud-Faktors. Selbst an Tagen, an
denen der erste Ansatz keine Wolken „meldet“,
weist der Ansatz, der die Sonnenscheindauer
berücksichtigt, zeitweise Wolken aus. Umgekehrt findet sich an Wolkentagen auch Sonnenschein.
Ermittelt man die Summe der Tage mit Wolken
für die beiden Ansätze für die oben ausgesuchten Beispiele, erhält man bei dem Ansatz, der
die Sonnenscheindauer berücksichtigt, 20 Tage
mehr mit Wolken, in der Vegetationszeit jedoch
den fast identischen Wert. Deshalb ist auch in
der NPP-Summe (siehe Tab. 68) kein Unterschied
festzustellen.
Abb. 160: Der Einfluss
der Wolken auf die NPP
(graue Linie = ohne
Wolken, blaue Linie = mit
Wolken auf Basis von
Tageswerten, rote Linie =
Berücksichtigung der
Sonnenscheindauer je
Tag)
cloud-Faktoren für die
beiden Ansätze zwischen
dem 150. und 240. Tag
(blaue Linie = mit Wolken
auf Basis von Tageswerten, rote Linie = Berücksichtigung der Sonnenscheindauer je Tag)
Tab. 68: Eingangsparameter Wolkeneinfluss
Wolken
PotIN
Temp Boden
Relief
Wasser
LUE
NDVI
NPP Summe
%
Ohne
MAX
1
1
1
1
1.18
Mittel
2696
100
mit Tageswerten
MAX
1
1
1
1
1.18
Mittel
2364
88
mit Sonnenscheindauer
MAX
1
1
1
1
1.18
Mittel
2363
88
161
} Sensitivität
Die Sensitivität des Faktors PAR lässt sich folgendermaßen beschreiben:
• Die Unterschiede in der NPP auf Grund des
Standortes können bis zu 2 % betragen, die
auf Grund des Wolkeneinflusses bis zu 20 %.
Die Bedeutung des Verfahrens zur Abschätzung der Wolken spielt eine Rolle, sofern man
sich für kürzere Zeiträume als ein Jahr (z. B.
10-Tages-Komposite) interessiert.
• Der Fehler, den der Faktor PAR beinhaltet,
wird im Wesentlichen durch Fehler bei der
Abschätzung des Einflusses durch die Wolken bestimmt. Hierbei ist entweder die Tagesschätzung (Wolke ja/nein) fehlerhaft oder
die Sonnenscheindauer (bei Verwendung der
zweiten Formel). Betrachtet man nur einen
Tag, kann der Fehler bei der ersten Methode
bis maximal 20 % betragen. Geht man davon
aus, dass effSd bis maximal 4 % falsch ermittelt wird, wirkt sich dieser Fehler auf die
PAR mit maximal 1 % aus. Da sich der Fehler aber bei mehreren Tagen ausgleicht, kann
davon ausgegangen werden, dass der Fehler
deutlich geringer wird, insbesondere bei der
Anwendung der zweiten Methode. Er wird auf
maximal 1 % geschätzt.
Bestimmung der FPAR
RICHTERS (2005) benutzt für die Bestimmung
der FPAR folgende Formel:
FPAR = NDVI × 1,67 – 0,07.
Allerdings wird in RUIMY (1994) angemerkt, dass
für Grasland und Nadelwald die linearen Zusammenhänge zwischen NDVI und FPAR sehr ver-
Abb. 162: Beziehung
zwischen NDVI und FPAR
nach KNYAZIKHIN et al.
(1999) (rote Symbole =
Laubwald, blaue Symbole
= Nadelwald; r² = 0,975)
162
schieden sind. Ebenso merkt LOTSCH (1999) an,
dass es in der NDVI/FPAR-Beziehung deutliche
Unterschiede zwischen verschiedenen Biomen
gibt. Aus diesem Grund wurde nach einer NDVI/
FPAR-Beziehung für Wald gesucht. Für das MODIS-FPAR-Produkt werden in KNYAZIKHIN et al.
(1999) Regressionen der NDVI/FPAR-Beziehung
für sechs verschiedene Biome, darunter auch für
Laub- und Nadelwald beschrieben. Diese sind in
der folgenden Abb. 162 dargestellt.
Die Formel für den FPAR ändert sich dementsprechend:
FPAR = NDVI × 1,1116 – 0,0918
Bei der Umsetzung werden Werte für FPAR < 0
auf 0 gesetzt und Werte für FPAR > 0,95 auf 0,95.
} Zeitreihen des NDVI aus MODIS-Daten
Für eine tägliche Berechnung der NPP sind tägliche NDVI-Werte erforderlich, aus denen die FPAR
ermittelt wird. Ein solch konstanter Eingangsdatensatz liegt für den gesamten Zeitraum nicht vor,
da gerade in der Region POMERANIA oftmals
Wolken die Ermittlung eines NDVI verhindern.
Mit dem Ziel, realistische Werte für jeden Tag zur
Verfügung zu haben, wurde ein mehrstufiges Korrekturverfahren für die MODIS MOD09GQ Daten
entwickelt. Die einzelnen Bearbeitungsschritte
des mehrstufigen Verfahrens werden im Folgenden näher erläutert (Abb. 163).
} Einfluss der Wolken
Die Bewölkung beeinflusst zum einen die Qualität
der Fernerkundungsdaten und zum anderen massiv die Quantität der Aufnahmen. Hinzu kommt,
dass die Bewölkung als Parameter in die Modellberechnung einfließt und somit die Erfassung der
Wolken eine besondere Rolle einnimmt. Die Be-
Abb. 163: mehrstufiges Korrekturverfahren zur
Berechnung von NDVI-Zeitreihen
wölkung mit all ihren für die weitere Verarbeitung
negativen Effekten wie Schatten, Schleier, Dunst
muss mit geeigneten Mitteln gefiltert werden.
Anschaulich wird der Effekt der Wolken auf den
gemessen NDVI in Abb. 164. Für das Jahr 2006
sind für einen Pixel die NDVI-Messungen aus den
MODIS Daten aufgetragen. Innerhalb der Vege-
tationszeit sind NDVI Werte unter 0,2 als Wolken
einzustufen. Stark streuende Werte um den zu
erwartenden NDVI sind beeinflusst von Schatten
und Dunst oder sind Fehlmessungen des MODIS-Instruments. Für den unten dargestellten
MODIS-Pixel sind über 200 Tage als Wolke klassifiziert worden. Knapp 180 Tage haben einen NDVI
von unter 0,2 und können als Wolkentage eingestuft werden. An einigen Wolkentagen ist der
NDVI deutlich zu hoch gegenüber dem zu erwartenden Wert. Diese Werte werden durch weitere
Filter von der Modellberechnung ausgeschlossen
(siehe unten: Plausibilitätsprüfung).
Die Bewölkung wird für jeden MODIS-Pixel anhand von festgelegten Grenzwerten, adaptiert
nach RICHTERS (2005), in den MOD09GQ-Bändern 1 und 2 erfasst. Damit durchläuft jeder
MODIS-Pixel eine Wolkenklassifikation und die
Zeitreihe wird vom Störeinfluss „Wolke“ weitestgehend bereinigt. Um den starken Einfluss der
Wolken auf die NPP Modellierung nochmals zu
verdeutlichen, sind in Abb. 165 für einen MODIS-Pixel die Anzahl der Wolkentage innerhalb
eines 10-Tages-Intervalls aufgetragen.
Abb. 164: NDVI für einen
Pixel im Jahr 2006
Abb. 165: Anzahl der
berechneten Wolkentage
eines MODIS-Pixels
innerhalb von 10-Tagesintervallen
163
} Dunst und sonstige Datenfehler
Wie oben beschrieben, werden die Wolken anhand von Wertebereichen aus den Kanälen eins
und zwei für jeden MODIS-Pixel erfasst. Die Erfassung über diese Grenzwerte trifft jedoch nur
dicke, weiße Wolken. Der Einfluss von Schleier,
Schatten und Fehlmessungen (z. B. durch starke
Reflektionen über Dunst) kann dadurch nicht immer erkannt werden.
Nachdem die Wolken erfasst wurden, sind die
oben beschriebenen Störeinflüsse noch in den
Daten vorhanden. Dieser Sachverhalt wird in
Abb. 9 deutlich. Für einen Pixel ist der NDVI nach
der Filterung der Wolken aufgetragen. Der NDVI-Jahresverlauf lässt sich anhand der dichteren
Punktwolken erkennen. Die gröberen Abweichungen vom Jahrestrend sind Fehlmessungen und
müssen in einem weiteren Arbeitsschritt entfernt
werden. Derartige NDVI-Fehlmessungen sind an
exemplarischen Tagen rot markiert.
Abb. 166: NDVI eines
Pixels nach der Entfernung der Wolken
(rot = Fehlmessungen)
Abb. 167: NDVI Verlauf
von MOD09Q1-Daten
(rot) und die Bereichsgrenzen für den täglichen
NDVI aus MOD09GQ
(schwarz)
164
} Plausibilitätsprüfung der Daten mit MODIS
Produkt MOD09Q1
Das MOD09Q1 Datenprodukt von MODIS liefert
für alle 16 Tage einen aus den MOD09 errechneten, operationell geprüften NDVI Wert. Für eine
Abschätzung der Validität der gefilterten MOD09GQ-NDVI-Werte werden diese mit dem NDVI
aus dem MOD09Q1 Produkt geprüft.
Für jeden MOD09GQ NDVI Pixel wird als Plausibilitätsprüfung abgefragt, ob die NDVMOD09 Werte innerhalb eines Bereiches liegen, der von
einem Verlauf der NDVIMOD09Q1 - Werte (zwischen 0,85 × NDVIMOD09Q1 und 1,1 × NDVIMODQ1) beschrieben wird. Für jeden Zeitpunkt und
Pixel lassen sich die Grenzen ableiten, in denen
sich die tatsächlichen NDVI Berechnungen aus
den MOD09GQ Daten befinden müssten. Ausreißer lassen sich somit identifizieren und ausschließen. Die ausgeschlossenen Messwerte werden
bei der Weiterverarbeitung nicht mehr beachtet.
In Abb. 167 sind die NDVI Grenzen für einen MODIS-Pixel über das Jahr dargestellt.
} Lineare Interpolation der validen Werte
Ein Verfahren zur Glättung von Zeitreihen ist eine
Schrittweise lineare Interpolation zwischen den
vorhandenen Werten und im Anschluss die Anwendung des SAVITZKY-GOLAY-Filters. Dieses
Verfahren wird im Folgenden beschrieben. Die
lineare Interpolation verfolgt das Ziel, aus den validen (gültigen) NDVIs (Abb. 168) tägliche NDVIs
abzuleiten und somit für die Weiterverarbeitung
einen äquidistanten Datensatz zu erzeugen
Nachdem aus den Daten die Wolken und Ausreißer mit den oben genannten Methoden identifiziert
und entfernt wurden, werden die gültigen NDVI-Werte auf 365 Tage linear interpoliert. Für die
Berechnung von 365 Tageswerten stehen nach
Abb. 168 49 Stützstellen zur Verfügung. Das Ergebnis der Interpolation ist in Abb. 169 dargestellt.
} Glättung der NDVI-Zeitreihe mit Hilfe des
SAVITZKY-GOLAY-Filters
Die lineare Interpolation liefert für jeden Tag einen
Wert zurück. Die erstellten Zeitreihen weisen jedoch immer noch erhebliche Schwankungen bzw.
Rauschen auf. Der SAVITZKY-GOLAY-Filter ist ein
Glättungsfilter, der jeden Wert der Zeitreihe durch
einen Neuen ersetzt. Der Algorithmus führt eine
schrittweise polynomiale Regression auf der Basis der Least-Square-Methode an der Kurve durch
und berechnet so anhand der gleichbleibenden
unabhängigen Variable x einen neuen, geglätte-
Abb. 168: Nach dem
Einsatz der Filter:
49 valide (gültige)
NDVI-Messungen eines
MODIS-Pixels über
Nadelwald
Abb. 169: Auf 365 Tage
linear interpolierte
NDVI-Messwerte eines
Nadelwaldpixels,
äquidistante Darstellung
der X-Achse
Abb. 170: Mit dem
SAVITZKY-GOLAY-Filter
(erster Ordnung; 10
Werte links u. rechts)
geglättete NDVI Zeitreihe
eines Pixels sowie die
interpolierte Zeitreihe
(schwarz)
165
ten Wert der abhängigen Variable y (PRESS et
al. 1993; Abb. 170). Die Methode, mit Hilfe des
SAVITZKY-GOLAY-Filters Rauschen in Zeitreihen
zu vermindern, findet in der Fernerkundung häufig
Einsatz (BRADLEY et al. 2007, CHEN et al. 2004).
Für die Glättungen wurde ein Polynomfilter erster Ordnung mit fünf und zehn Werten durchgeführt. Bei der Glättung mit fünf Werten fallen die
einzelnen Ausreißer mehr ins Gewicht als bei der
Glättung anhand von zehn Werten. Um einzelne
Peaks nicht zu stark zu bewerten, wird die Methode mit zehn Werten empfohlen.
} Beispielergebnisse
Für die Testgebiete wurden nach der oben beschriebenen Glättungsmethode die NDVI-Verläufe berechnet. In Abb. 171 sind die Ergebnisse für
die einzelnen Waldklassen (Laubwald, Nadelwald,
Mischwald) dargestellt.
Die Auswertungen für die unterschiedlichen Gebiete haben ergeben, dass es zwischen Nadel- und
Laubwald keine signifikanten Unterschiede gibt. Ein
kleiner Unterschied ist in der Vegetationszeit feststellbar. Hier zeigen die Laubwälder einen NDVI, der
um 0,1 Punkte höher ist als bei den Nadelwäldern.
Abb. 171: Mittlerer
Verlauf des NDVI für je
zwei Gruppen ausgewählter Waldflächen
Abb. 172: Ansatz der
Regionalisierung mittels
eines NDVI-Wertes von
einem Tag (Punkt),
durchgezogene Linie =
Originalverlauf,
graue Linie = auf Basis
des Tageswertes
angepasster Verlauf
166
} Regionalisierung der NDVI-Angaben
Mit Hilfe des oben beschriebenen Verfahrens
werden Jahresverläufe des NDVI ermittelt, die für
die Geometrie des Ausgangs-MODIS-Pixel gelten. Dieser Ansatz hat seine Gültigkeit, wenn die
gesamte Auswertung der NPP auf diesem räumlichen Auflösungsmaßstab oder gröber durchgeführt wird. Werden jedoch höher auflösende Informationen gewünscht, dann sind räumlich höher
auflösende Zeitreihen erforderlich. Diese können
jedoch mit den zur Verfügung stehenden Satellitenbilddaten (Landsat, RapidEye) nicht erstellt
werden. Aus diesem Grund wurde ein Ansatz
umgesetzt, der eine erste Annäherung an eine
Zeitreihe mit einer räumlichen höheren Auflösung
darstellt.
Bei diesem Ansatz wird davon ausgegangen,
dass der MODIS-Pixel ein Mischpixel aus kleineren Pixeln darstellt. Die kleineren Pixel haben
auch einen Jahresverlauf, der im Prinzip dem des
MODIS-Pixels entspricht. Diese Annahme gilt
insbesondere dann, wenn sich der MODIS-Pixel
aus einer Nutzung (z. B. Wald) zusammensetzt.
Bei der räumlich höheren Auflösung wird der NDVI-Wert eines Tages der räumlich höheren Auf-
lösung in Beziehung gesetzt zu dem NDVI-Wert
des MODIS-Pixels an diesem Tag. In Abb. 172
ist ein solcher Wert mit einem Punkt dargestellt.
Er liegt in diesem Fall rund 5 % unter dem NDVI-Wert des MODIS-Pixels. Der gesamte Verlauf
wird für die räumlich höher aufgelöste Betrachtung mit Hilfe des Prozentwertes angepasst. Der
angepasste Verlauf ist in der Abbildung gestrichelt dargestellt.
} Sensitivität
Die Sensitivität von FPAR und damit die NPP sind
maßgeblich vom NDVI abhängig, der zwischen 0
und 0,95 variieren kann. Der Fehler bei der Bestimmung von FPAR ergibt sich ausschließlich
aus dem Fehler bei der NDVI-Erhebung. Um diesen abzuschätzen, wurde zum Einen untersucht,
welchen Einfluss das Glättungsverfahren haben
kann, zum Anderen wurden Literaturangaben
ausgewertet.
Die Glättung der interpolierten Zeitreihen verfolgt
das Ziel, das Rauschen in den Zeitreihen zu minimieren. In der Summe bleibt der NDVI-Wert über
das Jahr gleich, auch die NPP-Jahressumme
weicht weniger als 1 % zwischen beiden Korrekturverfahren ab. Bei der Betrachtung der Tageswerte können dagegen Abweichungen von ± 3
gC/m² vorkommen. In der Abb. 173 ist der Sachverhalt grafisch dargestellt.
Obwohl sich im Jahresverlauf die Unterschiede
ausgleichen, kann es bei der Betrachtung von
z. B. 10-Tages-Kompositen zu Unterschieden
kommen, die in der Größenordnung von bis zu
5% Unterschied liegen können. Dieses deckt sich
mit Angaben, die in der Literatur zu finden sind.
MYNENI und WILLIAMS (1994) schreiben, dass
FPAR mittels des NDVI mit einer Genauigkeit von
95 % geschätzt werden kann. Der Fehler liegt
demnach bei etwa 5 %.
Light Use Efficiency –
Werte für die Baumarten
} Literaturrecherche
Da Definition und Methodik zur Ermittlung der
Light Use Efficiency (LUE) Werte, sowie deren
Einheiten und Größen zwischen verschiedenen
Autoren stark variieren (PRINCE 1991), wurde,
um Konsistenz zwischen den Baumarten und
Waldtypen zu erhalten, als Datengrundlage eine
Arbeit gewählt, die eine möglichst umfassende
Zusammenstellung von LUE-Werten im Forstbereich enthält (RUIMY et al. 1994). In der Arbeit
wird davon ausgegangen, dass die LUE unter
Bewirtschaftung mit Düngung und Bewässerung
annähernd den Maximalwerten der Lichtausnutzungseffizienz entsprechen. Wenn man einen
Konversionsfaktor von Trockenmasse in Kohlenstoff von 0,5 voraussetzt (LARCHER 1984), so
liegen die maximalen LUE-Werte in RUIMY et al.
(1994) für Laubwald des gemäßigten Klimas bei
1,36 gC MJ-1 APAR und für Nadelwald bei 0,85
gC MJ-1 APAR (weltweit je nach Vegetationstyp
und klimatischen Bedingungen zwischen 0,40
gC MJ-1 APAR und 1,76 gC MJ-1 APAR). HUNT
JR. (1994) gibt als weltweite Maximalwerte für die
Lichtausnutzungseffizienz 1,0 gC/MJ APAR für
ausgewachsenen Wald und 1,9 gC/MJ APAR für
jungen Wald an.
Die maximalen LUE-Werte der Gesamtnettoprimärproduktion für die Einzelarten werden ermittelt, in dem von den Literaturwerten der einzelnen Arten, soweit verfügbar, die maximale LUE
Abb. 173: Unterschied
der NPP zwischen
linearer Interpolation und
SAVITZKY–GOLAY-Filter
(„geglätted“) im
Jahresverlauf
167
(z. B. aus gedüngten und bewässerten Kulturen)
übernommen wird. Da in der Regel für einzelne
Baumarten nur LUE-Werte für die oberirdische
Nettoprimärproduktion (εANPP) vorliegen, werden
aus den Literaturwerten Mittelwerte gebildet
und diese dann analog zum Vorgehen in RUIMY
et al. (1994) anhand der dort zitierten Wurzel/
Spross-Verhältnisse der Nettoprimärproduktion
(Ratio) in LUE-Werte für die Gesamtnettoprimärproduktion (εNPP) umgerechnet (Tab. 70). Dabei
werden von den Wurzel/Sproß-Verhältnissen
diejenigen gewählt, die entweder in Gegenden
ermittelt wurden, die der Region POMERANIA
nahe liegen oder aber ein vergleichbares Klima
haben. Genauso wurde mit den εANPP der übergeordneten Waldarten vorgegangen. Um aus den
εNPP-Werten der einzelnen Baumarten die maximale LUE abzuschätzen, werden die εNPP-Werte
der Baumart zu dem εNPP-Wert der übergeordneten Waldart (Nadelwald, Laubwald) in Relation
gesetzt. Mit dem so erhaltenen Faktor x wird der
maximale LUE-Wert der übergeordneten Waldart
aus RUIMY et al. (1994) multipliziert. Da sich die
Baumartenzusammensetzung der übergeordneten Waldarten in der Region POMERANIA mit
großer Wahrscheinlichkeit von der weltweit betrachteten von RUIMY et al. (1994) unterscheidet,
werden in einem letzten Schritt entsprechend der
Baumartenverteilung (siehe Tab. 69) die maximalen LUE-Werte der übergeordneten Waldarten
(Laubwald, Nadelwald) angepasst, in dem ein
gewichtetes Mittel der maximalen LUE der Einzelbaumarten gebildet wird. Für Mischwald wird
aus pragmatischen Gründen angenommen, dass
die Baumartenzusammensetzung der einzelnen
Mischwälder dem Mittel der Baumartenzusammensetzung des Gesamtgebietes entspricht.
Dementsprechend wurde ein gewichtetes Mittel
gebildet.
Für die Baumart Hainbuche konnten in der Literatur keine LUE-Werte gefunden werden. In diesem
Fall wurde der an die Region POMERANIA angepasste maximale LUE-Wert von Laubwald übernommen. Es wurde getestet, ob die Wahl des maximalen Wertes der Hainbuche selbst Einfluss auf
den angepassten maximalen Wert von Laubwald
hat. Aufgrund des geringen Flächenanteils hatte
die Wahl des maximalen LUE-Wertes für Hainbuche1, in dem Genauigkeitsbereich der LUE-Werte
dieser Arbeit, jedoch keinen Einfluss auf den regional angepassten LUE-Wert von Laubwald.
1
Innerhalb der Grenzen der LUE-Werte der anderen Laubbaumarten
von 0.8-1.4 gC MJ-1 APAR
Tab. 69: Baumartenanteile in der Region POMERANIA nach KLINNER (2013)
Baumart
Polnisches Kürzel
Anteil [%]
Schwarzpappel
Tp
0,0
Tanne
Jd
0,0
Hainbuche
Gb
0,4
Zitterpappel
Os
0,6
Sonstiges Nadelholz
Pozostałe iglaste
2,5
Sonstiges Laubholz
Pozostałe liściaste
2,7
Erle
Ol
5,4
Fichte
Św
6,0
Eiche
Db
6,8
Buche
Bk
8,6
Birke
Brz
9,1
Kiefer
So
57,9
Nadelholz Gesamt
66,4
Laubholz Gesamt
33,6
168
Tab. 70: Ermittlung der maximalen LUE-Werte für Baumarten (alle ε-Werte [gC MJ-1 - APAR],
Verhältnisse dimensionslos)
Baumart
εANPPWerte 2
Mittelwert
Birke
Ratio 3
εNPP Baumart
εNPP –
Waldart 4
Faktor
x 5
εmax6
LUENPP =
x*εmax
0,32 2
0,47
0,51
0,92
1,36
1,25
Buche
0,33
– 0,38
0,36
0.22
– 0.25
(0.24)
0,44
0,51
0,86
1,36
1,17
Eiche
0,12
– 0,63
0,34
0,19
0,40
0,51
0,79
1,36
1,08
Erle
0,45
0,37
0,62
0,.51
0,61
1,36
0,83
Pappel
1,57
(0.17
– 0.49)
0,33
– 8
1,36
2,09
Hainbuche
1,12 9
Kiefer
0,9 1
0,17 2
Kiefer jung
0,75
0,5
1,13
Fichte
0,45
0,45
0,19
– 0,32
(0,26)
Tanne
0,26;
0,66;
0,52
0,48
Douglasie
0,6
Lärche
Kiefer-Eiche
–
0,85
1,05
0,79
1,42
0,85
1,21
0,56
0,79
0,71
0,85
0,61
0,44
0,69
0,79
0,87
0,85
0,74
0,35
0,81
0.79
1.02
0,85
0,87
–
1,15 4
1,116
0,77
(Mittel
1,07)
0.36 3
0,28
0,28
0,39
0,23
0,37
0,54
0,69
Werte aus (RUIMY et al., 1994), soweit verfügbar, wenn keine Angaben, dann Mittelwerte aus anderen Quellen
Werte aus (RUIMY et al., 1994): Verwendet wurden die Werte aus den Gegenden, die der Region Pomerania am nächsten liegen oder
vergleichbares Klima haben, sind für die Baumart keine Werte verfügbar, wurde der Wert der übergeordneten Waldart verwendet
4
εNPP- der übergeordneten Waldart (yearly)
5
Faktor x = εNPP-Waldtyp : εNPP ü. Waldart
6
εmax der übergeordneten Waldart aus (RUIMY et al. (1994)
7
Einzelwerte: 0,12; 0,17; 0,2; 0,23; 0,4; 0,43; 0,63; 0,36; 0,51
8
Pappel wurde gewässert und gedüngt Ò Wert entspricht annähernd dem Maximalwert
9
Da keine Werte in Literatur gefunden, und sehr geringer Flächenanteil, Wert des gewichteten Mittels für sonstige Laubhölzer angenommen
2
3
Zusammenfassung des Vorgehens bei der
Ermittlung der maximalen LUE:
1. εmax für übergeordnete Waldart aus Literatur
2.
εANPP für Waldtyp mit Wurzel/Spoß –Verhältnis in εNPP umrechnen
3.Schritt 2 wiederholt für die übergeordnete
Waldart
4.Verhältnis von εNPP Waldtyp/ εNPP übergeornete Waldart bilden
5. ε
max mit dem Verhältnis multiplizieren Ú in
etwa εmax für jeweilige Baumart
6.gewichtetes Mittel der εmax für übergeordnete
Waldart entsprechend Baumartenzusammensetzung
Für die Berechnung der LUE-Werte für die Waldarten wurde der Faktor x angepasst. Er berücksichtigt den Anteil einer Baumart in einer Waldart. Der LUE-Wert einer Baumart geht mit seinem
169
Tab. 71: Ermittlung der maximalen LUE-Werte für Waldarten (alle ε-Werte [gC MJ-1 APAR],
Verhältnisse dimensionslos
Baumart
εANPPWerte Ratio εNPP Baumart
εNPP –
Waldart Faktor x εmax
LUENPP
Laubwald
0,37
0,37
0,51
0,51
0,824
1,36
1,13 1
Nadelwald
0,55
0,44
0,79
0,79
1,023
0,85
1,01
Mischwald
1,05 2
0,42 2
Gewichtetes Mittel: Anteile der Baumarten bezogen auf Laubwald nach Übersicht von KLINNER (2013): 8,04% sonstige Laubhölzer,
27,08% Birke, 25,5% Buche, 20,24% Eiche, 16,07% Erle, 1,79% Pappel, 1,19% Hainbuche, 3 Iterationen: für sonst. Laubhölzer erst
1,36 eingesetzt, in 2. It. Gewicht. Mittel eingesetzt (Hainbuche mit max. 1.4 und min 0.8 ergibt jeweils gesamt gew. Mittel von 1.14, 3. It gew. Mittel aus 2 eingesetzt (1.12) -> Ergebnis wieder 1.12 gewichtetes Mittel Laub- und Nadelwald
2
Gewichtetes Mittel aus Laub- und Nadelwald
1
Flächenanteil an der Gesamtfläche der Waldart
ein. Beim Mischwald wurde zudem der Anteil
der Laub- und Nadelwälder berücksichtigt. Die
LUE-Werte sind in der Tab. 71 dargestellt.
Der LUE-Wert für die oberirdische Nettoprimärproduktion (LUEANPP) lässt sich dementsprechend berechnen mit:
LUEANPP = LUENPP/(1+Ratio)
und analog die oberirdische Nettoprimarproduktion mit
ANPP = NPP/(1+Ratio)
} Sensitivität
Die LUE ist ein entscheidender Faktor bei der Berechnung des biophysikalischen Konversionsfaktors. Im Folgenden wird die proportionale Änderung der NPP mit unterschiedlichen LUE-Werten
bei optimalen Standortfaktoren deutlich (Tab. 72).
Wie an der Abb. 174 zu erkennen ist, skaliert die
LUE die Kurve insgesamt. Das bedeutet, dass die
Wahl des Faktors für die LUE eine entscheidende
Größe bei der Berechnung der NPP darstellt.
Die LUE-Werte berechnen sich in der Regel aus
im Feld gemessenen Daten. Dabei kann es auch
innerhalb einer Art große Unterschiede geben.
Hier spielen das Wachstumsalter, das Niederschlags- und Temperaturregime, die Abstände
zwischen den Bäumen, der Nährstoffgehalt des
Bodens und weitere Faktoren eine Rolle. Die
größten Abweichungen wurden bei Literaturwerten für die Eiche gefunden. Die LUENPP-Werte
variieren zwischen 0,380 für einen 200 Jahre alten
Eichenbestand in Russland und 1,999 für einen
80 Jahre alten Eichenbestand in Belgien.
Tab. 72: Veränderung der NPP für unterschiedliche LUE Werte
LUE
Cloud PotIN
Temp
Boden
Relief
Water
NDVI
NPP Summe
%
0,78
0%
MAX
Jahresmittel
1
1
1
Mittel
2862
66
0,90
0%
MAX
Jahresmittel
1
1
1
Mittel
3302
76
1,14
0%
MAX
Jahresmittel
1
1
1
Mittel
4183
97
1,16
0%
MAX
Jahresmittel
1
1
1
Mittel
4257
98
1,18
0%
MAX
Jahresmittel
1
1
1
Mittel
4330
100
1,20
0%
MAX
Jahresmittel
1
1
1
Mittel
4403
102
1,25
0%
MAX
Jahresmittel
1
1
1
Mittel
4587
106
1,50
0%
MAX
Jahresmittel
1
1
1
Mittel
5504
127
1,95
0%
MAX
Jahresmittel
1
1
1
Mittel
7156
165
170
Abb. 174: NPP Jahresbilanz für LUE-Werte von
0,78 gCm-²MJ-1 und
1,95 gCm-²MJ-1
Für die Variation der LUE-Werte innerhalb eines
Bestandes wird angenommen, dass der Erhebungsfehler bei maximal 0,05 liegt. Dieser Fehler
bewirkt eine Ungenauigkeit beim NPP-Wert in der
Größenordnung von etwa 4,25 %.
Formel für den Temperaturstress
} Zeitreihen Temperatur Eingangsdaten
Für die Berechnung der NPP stehen die täglichen Temperaturmessungen z. B. der Messstationen des Deutschen Wetterdienstes (DWD) zur
Verfügung. Die Zeitreihen der Station Angermünde wurden exemplarisch für die Jahre 2000 bis
2012 untersucht, d. h. die täglichen Mittelwerte
aus den Jahren berechnet und anschließend geglättet.
} Beschreibung der Formel
Die Formel, wie sie RICHTERS (2005) verwendet,
ist auf die POMERANIA-Region nicht übertragbar.
Aus diesem Grund wurde eine Literaturrecherche
durchgeführt und eine für die Region plausiblere Formel bei POTTER et al. (1993) gefunden (s.
Abb. 176).
Abb. 175: Verlauf des
zwölfjährigen Mittels der
Temperatur an der
DWD-Station Angermünde (grau: nicht geglättet;
schwarz: geglättet)
Abb. 176: Einfluss der
Temperatur nach der
Formel von RICHTERS
(2005) (grau) im Vergleich
zum Ansatz von POTTER
(1993)
(rot 18 °C, grün 19 °C,
blau 20 °C)
171
Die verwendete Formel lautet wie folgt:
tempstress = 1,03692811 / (1+e(0,4*(t_opt-10-temp)))/ (1+e(0,4*(-1*t_opt-10+temp)))
mit „temp“ für die jeweils aktuelle Temperatur und
„t_opt“ für die optimale Temperatur.
Der Wert für die optimale Temperatur variiert je
nach Pflanze. Im Terrestrial Ecosystem Model
(TEM) benutzt MELILLO (1993) die folgenden Parameter für die verschiedenen Waldarten:
t_opt für Nadelwald
18 °C
t_opt für Laubwald
20 °C
t_opt für Mischwald
19 °C
Diese Temperaturangaben befinden sich im Bereich anerkannter Werte (LARCHER 1994, LIETH
1973). Für die Kiefer gibt JUNTTILA (1986) einen
optimalen Wert zwischen 18 °C und 21 °C an.
} Sensitivität
Um den Einfluss der Formel für den Temperaturstress auf die NPP zu quantifizieren, wurden mehrere Fälle untersucht. Neben der Berechnung der
NPP mit dem Temperaturverlauf aus 2006 wurde
die NPP mit dem geglätteten Verlauf des zwölf-
jährigen Mittels (Jahresmittel), einer Abweichung
vom Jahresmittel um 2 °C nach oben (+ 2 °C) und
einer Abweichung vom Jahresmittel um 2 °C nach
unten (- 2 °C) berechnet. Die Ergebnisse sind in
der folgenden Tab. 73 dargestellt.
Wie zu erwarten war, bewirken die Werte bei der
Anwendung der Formel von RICHTERS (2005)
keine Unterschiede. Mit der Formel entsprechend
POTTER et al. (1993) sind die Unterschiede zwischen den Varianten wesentlich deutlicher und
plausibler. Geht man davon aus, dass die Temperatur auf mindestens 0,25 °C genau bestimmt
wird (Klimamessstationen), dann beträgt der maximale Fehler (bei Laubwald) auf die NPP-Jahressumme, der durch die Eingangsdaten induziert
wird, etwa 1 %.
Formel für den Wasserstress
Bei der Berechnung des Wasserstresses wird davon ausgegangen, dass für die Pflanzen vor allem
das verfügbare Bodenwasser von Bedeutung ist.
In der Modellregion sind die Böden überwiegend
grobkörnig und, bis auf rezente und fossile Flussauen, auch größtenteils grundwasserfern (MÜL-
Tab. 73: Einfluss der Variation der Temperatur auf die NPP nach der Formel von RICHTERS (2005)
und nach POTTER et. al. (1993)
Temp.
Boden
Relief
Water
LUE
PotIN
Cloud
NDVI
NPP Summe
%
1
1
1
1
1,18
MAX
0%
Mittel
4380
100,0
1
1
1
1,18
MAX
0%
Mittel
4330
98,9
1
1
1
1,18
MAX
0%
Mittel
4348
99,3
1
1
1
1,18
MAX
0%
Mittel
3318
98,6
1
1
1
1.18
MAX
0%
Mittel
4321
98,7
1
1
1
1,18
MAX
0%
Mittel
3877
88,5
1
1
1
1,18
MAX
0%
Mittel
4020
91,8
Berechnung nach RICHTERS
Jahresmittel
+ 2 °C
- 2 °C
2006
Berechnung nach POTTER ET AL., t_opt = 18 °C, Nadelwald
Jahresmittel
+ 2 °C
- 2 °C
2006
1
1
1
1,18
MAX
0%
Mittel
3615
82,5
1
1
1
1,18
MAX
0%
Mittel
3743
85,5
1
1
1
1,18
MAX
0%
Mittel
3615
82,5
1
1
1
1,18
MAX
0%
Mittel
3877
88,5
1
1
1
1,18
MAX
0%
Mittel
3231
73,4
1
1
1
1,18
MAX
0%
Mittel
3563
81,3
Berechnung nach POTTER ET AL., t_opt = 20 °C, Laubwald
Jahresmittel
+ 2 °C
- 2 °C
2006
172
LER et al. 2007). Aus diesem Grund ist in dem
vereinfachten Bodenwasserhaushaltsmodell, das
für die Berechnung der NPP eingesetzt wird, Wasserstress als ein Mangel von Bodenwasser für die
Pflanze definiert. Je niedriger der Wasserstressfaktor ist, umso ungünstiger sind die Wasserbedingungen für die Pflanze und umso geringer ist
die damit verbundene Produktion.
} Zeitreihen Niederschlag Eingangsdaten
Für die Berechnung der NPP stehen die täglichen
Niederschlagsmessungen z. B. der DWD-Messstationen zur Verfügung. Die Zeitreihen der Station Angermünde wurden exemplarisch für die
Jahre 2000 bis 2012 aufbereitet, d. h. ein typisches trockenes (2003), ein normales (2004) sowie ein feuchtes Jahr (2007) ermittelt. Diese sind
beispielhaft in Abb. 177 dargestellt.
Abb. 178: Einflussfaktoren für das Bodenwasserhaushaltsmodell zur NPP-Schätzung
men (bis zum permanenten Welkepunkt). Daraus
ergibt sich die maximale Menge an pflanzenverfügbarem Wasser, die nutzbare Feldkapazität
nFK (SCHEFFER und SCHACHTSCHABEL 1989).
Nach PREETZ (2003) ist für die Bestimmung des
Abb. 177: Darstellung
eines trockenen (blau),
eines normalen (rot) und
eines feuchten (grün)
Jahres auf Grundlage von
Daten der DWD-Station
Angermünde
} Beschreibung der Komponenten für die
Wasserstress-Formel
Da die Formel von Richters für eine andere Region
gilt, wurde ein vereinfachtes Bodenwasserhaushaltsmodell entwickelt, mit dem der Wasserstress
abgeschätzt werden kann. Die Einflussfaktoren
für das Bodenwasserhaushaltsmodell sind in
Abb. 178 dargestellt.
Im Folgenden werden die einzelnen Parameter
beschrieben und die Formeln benannt, die für das
Bodenwasserhaushaltsmodell verwendet wurden.
Nutzbare Feldkapazität nFK
Je nach Bodenart kann ein Boden nur eine bestimmte Wassermenge halten (Feldkapazität) und
die Wurzeln der Pflanzen von diesem Bodenwasser nur eine bestimmte Menge Wasser entneh-
pflanzenverfügbaren Wassers zusätzlich die effektive Durchwurzelungstiefe maßgebend. Diese ist
von der Bodenart, der jährlichen Niederschlagsmenge und der Vegetation abhängig. Für Forstflächen in Mecklenburg wird in RUSS et al. (2011)
eine effektive Durchwurzelungstiefe von 90 cm
angenommen. MCMURTIE et al. (1994) nehmen
für Pinus sylvestris in Schweden eine Durchwurzelungstiefe von 60 cm an. Für das Modell wird
ein mittlerer Wert zwischen diesen beiden von 70
cm angenommen, der auch in Übereinstimmung
mit anderen Kiefernwurzelverteilungen (HORNSCHUCH et al. 2007) in der Region ist.
Nach SCHEFFER und SCHACHTSCHABEL
(1989) erhält man einen „Näherungswert für die
Feldkapazität […] vielfach im Frühjahr nach Ablaufen des Schmelzwassers, ehe die Evapotranspiration ein höheres Ausmaß annimmt.“ Bei der
173
als Vergleich genutzten Level-II-Untersuchungsfläche in Kienhorst (http://www.forstliche-umweltkontrolle-bb.de) läge dieser Wert augenscheinlich
bei ca. 11 % des Bodenvolumens, was bei einer
Bodenschicht von 70 cm 1 etwa 77 mm Wassersäule entspräche. Dieser Wert deckt sich in etwa
mit dem Wert eines sandigen Bodens mit ca. 5 %
Humus- oder Tonanteil bei einer Wasserspannung
(pF) von 2 (SCHEFFER und SCHACHTSCHABEL
1989). Der permanente Welkepunkt wird als der
Wert angenommen, der nur in sehr trockenen Jahren erreicht wird. Er liegt in Kienhorst bei ca. 8 %
Bodenfeuchte, was bei 70 cm Bodentiefe etwa einer Wassersäule von 56 mm entspricht. Die nutzbare Feldkapazität, also der Bereich zwischen
der Feldkapazität und dem permanenten Welkepunkt, läge somit bei ca. 21 mm Wassersäule. Der
Wert, den die FAO (1985) als verfügbares Wasser
für sandigen Boden angibt, liegt bei 25-100 mm
je Meter Bodentiefe und bei 70 cm dementsprechend zwischen 17,5 und 70 mm. Der hier ermittelte Wert fügt sich in diesen Bereich im unteren
Zehntel ein. Die Untersuchungsfläche in Kienhorst
liegt im Bereich grobkörniger Böden (EUROPEAN
COMMISSION - JOINT RESEARCH CENTRE; INSTITUTE FOR ENVIRONMENT AND SUSTAINABILITY 2012) bzw. auf Boden mit einer mittleren
Wasserhaltekapazität des Oberbodens und einer
geringen Wasserhaltefähigkeit des Unterbodens.
Da bei einer Bodentiefe von 70 cm der Unterboden mengenmäßig die größere Rolle spielt, wird
bei der Ermittlung der nutzbaren Feldkapazität für
die anderen Böden in der Region POMERANIA die
Textur und die Wasserhaltefähigkeit des Unterbodens genutzt (Tab. 74). Der Textur wurden dabei
über den Anteil an Sand und Ton die Bodenarten
Tab. 74: Bestimmung des Parameters „nutzbare Feldkapazität“
Textur
dominante
Bodenart
Bereich der
nutzbaren Feldkapazität nach
RENGER (2009)
[vol%]
Verfügbare
Wasserkapazität (AWC) des
Unterbodens
Grob
9-15
Nicht definiert
9
63
21
9-15
gering
9
63
21
Grob
Grob
Grob
Grob
Grob / Mittel
Grob / Mittel
Grob / Mittel
Grob / Mittel
Mittel
Mittel
Mittel
Mittel
Mittel / Fein
Mittel / Fein
Mittel / Fein
Mittel / Fein
Nicht definiert
Nicht definiert
Anhand der
Umgerechnete
AWC zugeordnFK für 70 cm
nete nFK für 1m Tiefe [mm Was[vol %]
sersäule]
9-15
mittel
11
77
23
9-15
hoch
13
91
27
9-15
Sehr hoch
15
105
31
16-20
Nicht definiert
16
112
34
16-20
gering
16
112
34
16-20
mittel
18
126
38
16-20
hoch
20
140
42
14-18
Nicht definiert
14
98
29
14-18
gering
14
98
29
14-18
mittel
16
112
34
14-18
hoch
18
126
38
14-18
Nicht definiert
14
98
29
14-18
gering
14
98
29
14-18
mittel
16
112
34
14-18
hoch
18
126
38
#
mittel
42
#
Nicht definiert
42
Zur Kalibrierung des Modells wurden die Bodenfeuchtewerte, die in Kienhorst in 70 cm Bodentiefe gemessen wurden, genutzt.
Diese Bodenschicht entspricht der im Modell verwendeten effektiven Durchwurzelungstiefe.
1
174
nFK für
Modell
zugeordnet und anschließend nach RENGER et
al (2009) den Bodenarten nutzbare Feldkapazitäten für geringe Lagerungsdichten zugeordnet.
Der sich dadurch für jede Textur ergebende Bereich an nutzbaren Feldkapazitäten wurde dann
anhand der Zuordnung des Unterbodens zu
Wasserhaltefähigkeitsgruppen differenziert. Bei
Unterboden mit geringem Wasserhaltevermögen
bekam der Boden den kleinsten Wert des Bereiches, bei sehr hohem Wasserhaltevermögen den
höchsten. Die in Volumenprozent angegebenen
Werte wurden dann auf eine Bodenschicht von
70 cm Höhe in mm Wassersäule umgerechnet.
Als letzter Schritt wurde der so erhaltene Wert mit
0,3 multipliziert. Zum einen ergab sich dieser Wert
aus der Modellkalibrierung am Standort Kienhorst
(s. o.), zum anderen deckt er sich mit der Formel
von MCMURTRIE et al. (1994), die den aktuellen
Wasserstress berechnen, indem sie den aktuellen
Wassergehalt des Bodens durch 0,3*Wmax teilen,
wobei Wmax der Wassermenge entspricht, die bei
Erreichen der Feldkapazität verfügbar ist.
Böden, für die keine Textur angegeben war, lagen
überwiegend in Flussauen. Da Flussauen durch
ihre geringe Grundwassertiefe quasi einen sehr
hohen Wasserspeicher zur Verfügung haben, bekommen diese den höchsten Modell-nFK-Wert
zugeordnet.
Für das Modell wird angenommen, dass die Feldkapazität für Pflanzen die optimale, der permanente Welkepunkt die minimale Wasserversorgung
darstellt. Wird das Minimum mit 0 gleichgesetzt,
liegt das Optimum bei der nutzbaren Feldkapazität. Ist das aktuelle Bodenwasser W(t) größer als
die nutzbare Feldkapazität nFK, haben die Pflanzen des Bestandes keinen Wasserstress und der
Wasserstressfaktor ist 1. Sinkt der Wert unter die
nutzbare Feldkapazität, entsteht Stress, der die
pflanzliche Produktion mindert. Dieser Stress
kann sich bis hin zur Einstellung der pflanzlichen
Produktion beim Erreichen des permanenten
Welkepunktes auswirken (Wasserstressfaktor ist
dann 0). Im Modell kann das Bodenwasser negative Werte annehmen. Diese Werte repräsentieren
den Fall, dass die Verdunstung trotz Einstellung
der pflanzlichen Produktion weiter anhält und der
Wassergehalt unter den permanenten Welkepunkt
sinkt. Der Wasserstresswert bleibt in diesem Fall
bei 0, so dass sich drei mögliche Fälle ergeben:
waterstress = 1 | W(t) > nFK
waterstress = W(t)/ nFK = W(t)/50 | 0 < W(t) < nFK
waterstress = 0 | W(t) ≤ 0
Wassergehalt des Bodens W(t)
Für den Wassergehalt des Bodens W(t) ist neben
der Höhe des aktuellen verfügbaren Niederschlages Navail(t) relevant, wie viel Wasser der Boden
noch vom Vortag (t-1) enthält. Hierbei müssen
Verluste aus Tiefensickerung (VTS(t-1)) und Evapotranspiration (VET(t-1)) berücksichtigt werden. Beides sind in der Realität hochkomplexe Prozesse, auf die eine Vielzahl von Faktoren einwirkt.
Für den hier gewählten Ansatz zur Modellierung
von W(t) wurden stark vereinfachende Formeln
gewählt, deren Zusammenspiel im optischen Vergleich des modellierten Bodenwasserspeichers
mit einer Bodenfeuchte-Messwertreihe in 70 cm
Bodentiefe am Standort Kienhorst kalibriert wurde.
W(t) = Navail (t) + W(t-1) – VTS(t-1) -VET(t-1)
Der verfügbare Niederschlag Nverf
„In dichten Pflanzenbeständen kommt nicht die
gesamte auf eine freie Fläche auftreffende Niederschlagsmenge (Freilandniederschlag) am Boden an, sondern nur jene Menge, die durch Lücken der Pflanzendecke fällt (Kronendurchlass),
die nach Benetzung der Pflanzen von den Blättern abtropft (Kronentrauf) und am Sproß abrinnt
(Stammablauf). Diese Niederschlagsmenge, die
den Pflanzen für ihren Wasserhaushalt zur Verfügung steht, wird Bestandsniederschlag genannt.“
(LARCHER 1994). Für die Verluste durch die Benetzung VB werden bei LARCHER (1994) Werte
zwischen 0,5 mm für Laubwald im Winter, 1 mm
für Laubwald im Sommer und 2 mm für dichte
Nadelwaldbestände angegeben. Für das Modell
wird ein mittlerer Wert von 1,5 mm verwendet. Die
Interzeptionsverluste VI variieren je nach Baumart
und Dichte des Bestandes in den gemäßigten
Breiten zwischen 15 und 50 %. (LARCHER 1994).
Für das Modell wird auch hier ein mittlerer Wert
von 30 % angenommen. Der Bestandsniederschlag NB berechnet sich demnach:
NB = (N-VB)*(1-VI) = (N-1,5)*0,7
mit N = gemessener Niederschlag
Da nicht mehr Niederschlag durch Benetzung
aufgefangen werden kann, als tatsächlich fällt,
175
werden Werte von NB <0 auf den Wert 0 gesetzt.
Vom Bestandsniederschlag NB füllt der größte
Anteil den Bodenwasserspeicher auf und wird
von dort aus durch Evapotranspiration wieder der
Atmosphäre zugeführt. Wenn der Wassergehalt
des Bodens größer wird als die nutzbare Feldkapazität, kommt es zur Tiefensickerung VTS.
Abflüsse treten besonders bei Starkregenereignissen auf. „Nach Richtlinien des Deutschen
Wetterdienstes werden Starkniederschläge im
Bundesgebiet nach folgenden Schwellwerten definiert:[…] mehr als 10 l/qm in zehn Minuten oder
mehr als 17,1 l/qm in einer Stunde“ (SWR 2013).
Da im Modell mit Tageswerten gerechnet wird, ist
der stündliche Wert plausibler. Nach HÜMANN
(2012) wird unter Wald von den meisten Autoren
kein Oberflächenabfluss erwartet und wenn, dann
übersteigt er nicht 10 % des Niederschlages. In
vereinfachter Form werden Abflüsse berücksichtigt, indem ein Wasseranteil a von 10 % von dem
Niederschlagswasser, das die Starkregenschwelle Ns übersteigt, vom Bestandsniederschlag abgezogen wird:
| NB < Ns
VA = 0 VA = ( NB - Ns)*a | NB ≥ Ns
mit VA = Verlust durch Abfluss
Damit berechnet sich der verfügbare Niederschlag Navail nach der folgenden Formel:
Navail = (N-VB)*(1-VI)-VA = (N-1,5)*0,7 | NB < Ns
= (N-1,5)*0,7 - ( NB - 17,1)*0,1 | NB ≥ Ns
Versickerung in tiefere Bodenschichten VTS
Im Modell wird Versickerung berücksichtigt, wenn
der Wassergehalt des Bodens die Feldkapazität
des Bodens überschreitet. Da Versickerung in der
Regel relativ langsam ist, werden diese Verluste erst am nächsten Tag berücksichtigt (VTS (t-1)).
Nach MÜLLER et al. (2007) beträgt die Sickerung
im Norddeutschen Tiefland ungefähr 12 %. Dieser Wert wurde für den Sickerungsfaktor s (0,12)
benutzt.
VTS(t) = s* (W(t)-nFK) = 0,12* (W(t)-50) | W(t) > nFK
VTS(t) = 0
| W(t) ≤ nFK
Evapotranspiration VET
Analog zur Tiefensickerung VTS werden auch die
Verluste durch Evapotranspiration VET(t) erst am
nächsten Tag berücksichtigt. Die Bestandsver-
176
dunstung v beträgt nach LARCHER (1984) bei
laubabwerfenden Wäldern der gemäßigten Zone
4–5 mm am Tag und bei immergrünen Nadelwäldern 2,5–4,5 mm am Tag. Ein Wert von 4,5 mm
entspricht dem Mittel bei Laubbäumen und dem
Höchstwert bei Nadelbäumen. Darin enthalten
sind aber schon die Verluste durch Benetzung
und Interzeption. Rechnet man analog zum Bestandsniederschlag 1,5 mm für Benetzung und
30 % für Interzeption ab, so erhält man einen Wert
von 2,1 mm.
Die Einstrahlung und die Temperatur werden als
faktorielle Werte berücksichtigt, die die Bestandsverdunstung bei hohen Temperaturen und hoher
Einstrahlung vergrößern, bei niedriger Einstrahlung und geringen Temperaturen verringern.
Die Höhe der Evapotranspiration wird in der Vegetationszeit wesentlich von der Transpiration beeinflusst. Die Transpiration wiederum wird durch
die Steuerung der Spaltöffnungen wesentlich
vom Wasserstress kontrolliert. Im Modell wird diese Kontrolle durch den Wasserstress berücksichtigt, wenn der Wasserstresswert zuzüglich des
Parameter VET min unter 1 sinkt. Der Parameter
VET min steht dabei für eine Mindestverdunstung
(kutikuläre Transpiration), die auch bei geschlossenen Spaltöffnungen erfolgt. Nach LARCHER
(1994) beträgt sie im Durchschnitt ein Drittel der
Gesamttranspiration, kann bei Nadelbäumen jedoch auf 4–10 % reduziert werden. Als Mittelung
wird entsprechend der Baumartenverteilung im
POMERANIA-Gebiet ein Wert von 0,15 im Modell
verwendet.
VET(t) = v * Ftemp(t)* Finsol(t) | (waterstress+VET min)>1
VET(t) = v * Ftemp(t) * Finsol(t) * (waterstress+VET min)
| (waterstress+VET min) ≤1
Temperatureinfluss Ftemp(t)
Die maximal mögliche Verdunstung bei idealer Wasserversorgung erfolgt bei den höchsten
Temperaturen, in unseren Breiten etwa 40 °C, bei
niedrigeren Temperaturen verringert sich entsprechend die Verdunstung. Bei Tagesmitteltemperaturen von weniger als 0 °C wird ein sehr kleiner
konstanter Verdunstungswert (0,001) angenommen.
Ftemp(t) = 0,001
| Temp(t) ≤0°C
Ftemp(t) = Temp(t) /TEMPTemp evap max
= Temp(t) /40
| Temp(t) > 0°C
Einstrahlungsfaktor Finsol(t)
Der Einstrahlungsfaktor Finsol(t) setzt den Tageswert
der potentiellen Insolation ins Verhältnis zum Mittelwert der potentiellen Insolation, um die Rolle
der Sonneneinstrahlung bei der Verdunstung mit
zu berücksichtigen.
Finsol(t) = potin(t) / potinmean = potin(t) /23,43
} Validierung des Bodenwasserhaushaltsmodells
Um das Bodenwasserhaushaltsmodell validieren
zu können, wurden Niederschlagsdaten aus Angermünde mit Bodenwassermessungen aus Level-II-Flächen bei Kienhorst verglichen. Die Orte
sind nicht absolut deckungsgleich, sie liegen ungefähr 20 km auseinander. In Abb. 179 sind die im
Jahr 2003 gemessenen Bodenwasserwerte den
berechneten gegenübergestellt.
Der berechnete Jahresverlauf widerspiegelt den
gemessenen Jahresverlauf auch in anderen Beispieljahren sehr gut. Es existieren Abweichungen,
die sich jedoch mit lokal leicht anderen Niederschlägen erklären lassen. Zudem reagiert das
Modell ein wenig schneller, weil die Messungen
den Verlauf in 70 cm Bodentiefe darstellen. Abb.
180 zeigt den daraus abgeleiteten Wasserstress
für drei ausgewählte Jahre.
} Sensitivität
Der Faktor Wasser hat einen großen Einfluss auf
die Nettoprimärproduktion. Der Sachverhalt wird
in Abb. 181 und Abb. 182 deutlich.
Der Einfluss des Wasserstresses auf die Nettoprimärproduktion tritt deutlicher in Erscheinung
als der Stress, der durch die Temperatur hervorgerufen wird. Um den Einfluss der Variabilität der
Eingangsparameter auf den Wasserstress zu untersuchen, wurden für eine ausgewählte Situation
(Jahr 2004) die Eingangsdaten variiert. In Tab. 75
sind die Ergebnisse für mehrere Variationen dargestellt.
Es zeigt sich, dass ein Bestimmungsfehler bei
der nFK in Höhe von 5 % maximal einen Fehler
in der Berechnung der NPP in Höhe von 0,5 %
nach sich zieht. Größer fällt dagegen der Fehler
beim Niederschlag aus. Der Unterschied zwischen den beiden Niederschlagsvarianten (10 %
Niederschlagsunterschied) ergibt einen Unter-
des Jahresverlaufs 2003
des Bodenwassers,
gestrichelte Linie =
berechnet,
durchgezogene Linie =
gemessen
des Wasserstresses (rote
Linie = 2003, blaue Linie
= 2004, grüne Linie =
2007)
177
schied bis zu ca. 7,5 %. Geht man davon aus,
dass der Bestimmungsfehler beim Niederschlag
(Klimamessstationen) bei 2 % liegt, dann liegt der
zu erwartende Fehler bei der NPP auf Grund der
Berechnung des Wasserstresses bei 1,5 %.
Abb. 181: Darstellung des Verlaufes der NPP
für drei Jahre (graue Linie = kein Wasserstress
und kein Temperaturstress, rote Linie = nur
Temperaturstress, blaue Linie = Temperaturstress und Wasserstress)
Abb. 182: Verminderung der NPP in drei
Jahren auf Basis von zwei Faktoren
(blau = Einfluss des Temperaturstresses,
rot = Einfluss des Wasserstresses)
Tab. 75: Einfluss der Eingangsparameter Niederschlag und nutzbare Feldkapazität nFK auf die
NPP
Variante I
5 % weniger Niederschlag
Variante II
5 % mehr Niederschlag
nfk + 0 %
nfk + 5 %
nfk + 10 %
nfk + 0 %
nfk + 5 %
nfk + 10 %
2007
658
660
662
693
695
697
2004
471
474
477
523
525
528
2003
298
300
302
327
330
333
2007
100,0 %
100,3 %
100,5 %
105,3 %
105,6 %
105,8 %
2004
71,5 %
72,0 %
72,5 %
79,4 %
79,8 %
80,2 %
2003
45,2 %
45,6 %
45,9 %
49,6 %
50,1 %
50,6 %
2007
0,0 %
0,3 %
0,5 %
0,0 %
0,3 %
0,5 %
2004
0,0 %
0,5 %
1,0 %
0,0 %
0,4 %
0,8 %
2003
0,0 %
0,4 %
0,7 %
0,0 %
0,5 %
1,0 %
Jahressumme NPP
Abweichung zu 2007, Variante I, nfk + 0 %
Einfluss der nutzbaren Feldkapazität
Einfluss von 10 % Niederschlagsdifferenz (Variante I zu Variante II)
178
2007
5,3 %
5,3 %
5,3 %
2004
7,9 %
7,8 %
7,7 %
2003
4,4 %
4,5 %
4,7 %
Der effektive biophysikalische
Konversionsfaktor
Der effektive biophysikalische Konversionsfaktor
(εeff) ist nach der Formel von RICHTERS (2005) der
Mittelwert aus dem Wasserstress und dem Temperaturstress. Dieser Ansatz erscheint nicht sinnvoll, wie Abb. 183 beispielhaft für 2006 darstellt.
Nach Abb. 183 liegt in der vegetationsarmen Zeit
der Faktor für den Mittelwert aus Wasserstress
und Temperaturstress immer noch über 0,4. Da
u. a. auf Grund von Temperatur und Wasser in dieser Zeit keine NPP stattfinden sollte, wird empfohlen, dass Produkt aus beiden Faktoren zu verwenden. Das bewirkt, dass jeweils der niedrigere
Wert zum Tragen kommt. Für die Berechnungen
wird deswegen die folgende Formel verwendet.
εeff = waterstress * tempstress
Abb. 184: Textur der dominanten Bodenart,
Europäische Bodenkarte
te als detailreichste Grundlage ausgewählt (Abb.
185). Eine Bewertung verschiedener Regelungsfunktionen anhand der Lokalbodenformen liegt
beim Brandenburgischen Landesumweltamt (LUA
2003) vor. Die Eigenschaft „natürliche Nährstoffkapazität“ wurde dabei als der Faktor angesehen,
der das Wachstum am stärksten beeinflusst und
damit als Grundlage für die Bewertung des Faktors Bodenstress benutzt werden kann.
Abb. 183: Vergleich der beiden Formelansätze
für den effektiven biophysikalischen Konversionsfaktor εeff (rot = Mittelwert, blau = Produkt
von Wasserstress und Temperaturstress, Jahr
2006)
Behandlung der Bodenparameter
} Eingangsdaten
Die Bodendaten für das gesamte Projektgebiet
POMERANIA wurden aus der EUROPÄISCHEN
BODENKARTE (2012) übernommen. Als Basis
für den Bodenfaktor diente dabei die Textur der
dominaten Bodenart (Abb. 184). Für die Bestimmung der nutzbaren Feldkapazität, die in den
Faktor Wasserstress mit einfließt, wurde ebenfalls
die Textur der dominanten Bodenart sowie Angaben zur „available water capacity“ (Wasserverfügbarkeit) verwendet.
Für das Modellgebiet wurde zur Beurteilung des
Faktors Bodenstress die forstliche Standortkar-
Abb. 185: Nährstoffverteilung des Bodens,
forstliche Standortkarte
179
} Aufbereitung des Faktors Boden
Faktor Bodenstress POMERANIA
Bei der Bewertung der Bodenart für den Faktor
Bodenstress wurde davon ausgegangen, dass
sich die Textur der dominanten Bodenart am
stärksten auf das Wachstum auswirkt. „Viele der
ertragsbestimmenden Faktoren wie Durchwurzelbarkeit sowie Wasser-, Wärme-, Sauerstoff- und
Nährstoffangebot im Wurzelraum hängen nämlich
entscheidend von der Körnung ab.“ (SCHEFFER
und SCHACHTSCHABEL 1989). Nach dieser
Quelle sind die Nährstoffreserven in Sandböden
gering, in Lehmböden und Schluffböden mittel bis hoch und in Tonböden in der Regel hoch.
Dementsprechend wurden Böden mit grober Textur kleine Werte und Böden mit feiner Struktur
hohe Werte des Bodenfaktors zugeordnet. Da in
der Regel sehr gute Böden der Ackernutzung vorbehalten bleiben und bei Düngung eine deutliche
Ertragssteigerung beobachtet werden kann (z. B.
GHOLZ et al. 1991, CANNELL 1989), wird davon
ausgegangen, dass die Böden, auf denen Wald
stockt, für das Baumwachstum überwiegend
suboptimal sind. Folglich wird der höchste Wert
beim Bodenfaktor bei 0,7 angelegt und entsprechend der Körnung in Schritten von 0,1 abgestuft
(Tab. 76). Dabei ist der höchste in der Region POMERANIA vorkommende Wert 0,6. Teilgebiete der
Region (ca. 12 % der Gesamtfläche) haben bei
der Textur keine Angaben. Diese Flächen liegen
zum größten Teil in Auengebieten. Da für einige
Auengebiete die Angabe zur Textur bei „mittel“
vorliegt, was einem Bodenstresswert von 0,5 entspricht, bekamen die anderen Auengebiete diesen Wert ebenfalls zugeordnet
Das C/N-Verhältnis, das RICHTERS (2005) zur
Bestimmung der Güte des Bodens mit benutzt,
wurde nicht verwendet, da es sich bei den Werten
der EUROPÄISCHEN BODENKARTE (2012) um
aus der Bodenart abgeleitete, nicht um gemessene Daten handelt und diese somit keine Mehrinformation liefern.
Faktor Bodenstress Modellgebiet
Zur Bestimmung des Faktors Bodenstress in
der Modellregion wurden den Lokalbodenformen nach der Forstlichen Standortskartierung
die natürlichen Nährstoffkapazitäten nach der
Bewertungstabelle des Brandenburger Landesumweltamts (LUA 2003) zugeordnet. Soweit
möglich erfolgte dafür die Zuordnung direkt über
das Symbol der Lokalbodenform. Oft wurden
diese Symbole jedoch erweitert um weitere Eigenschaften des Bodens wie z. B. „tiefgepflügt“,
„übersandet“ oder „entwässert“ zu kennzeichnen. In diesen Fällen erfolgte die Zuordnung zur
Grundform ohne Erweiterung (bei „tpWeSB45“
erfolgte z. B. eine Zuordnung zu „WeSB“). Wenn
die Zuordnung über das Lokalbodenformsymbol
nicht möglich war, erfolgte sie über die Stammstandortsgruppe (SSTG). Dafür wurde für alle Böden mit gleicher SSTG analysiert, welche Nährstoffkapazität dieser zugewiesen wurde. Wenn für
eine SSTG verschiedene Werte für die natürliche
Nährstoffkapazität vorlagen, wurde der gewählt,
der in der überwiegenden Anzahl der Fälle zugeordnet wurde. Dabei hatten Zuweisungen, wenn
nur eine SSTG der Bodenform zugeordnet war,
Vorrang vor Fällen, in denen mehrere SSTG der
Auswahl der natürlichen Nährstoffkapazität zugrunde lagen. Um die Verknüpfung zwischen den
natürlichen Nährstoffkapazitäten und den Werten
für den Bodenfaktor herzustellen, wurde im ersten
Schritt im Modellgebiet die Lage der natürlichen
Tab. 76: Bestimmung des Parameters „Bodenstress“
Bodenart
Anteil Ton
Anteil Schluff
Anteil Sand
Fuzzy-Wert
Grob
9
8
83
0,3
20
20
60
0,4
30
33
37
0,5
48
25
27
0,6
67
17
17
0,7
Grob / Mittel
Mittel
Mittel / Fein
Fein
Nicht ausgewiesen
180
0,5
Einordnungen für den
Faktor Boden
Nährstoffkapazitäten mit den Bodenstresswerten
für ganz POMERANIA verglichen (Abb. 186).
Den größten Anteil im Modellgebiet hatte die
Nährstoffklasse 3 mit ca. 59 %. Diese war etwa
lagegleich mit der Bodenfaktorklasse 0,3 aus
der Betrachtung der Gesamtregion. Aus diesem Grund wurde der Nährstoffklasse 3 der
Bodenstresswert 0,3 zugewiesen. Der höchste
Bodenstresswert aus der Gesamtregion, der im
Modellgebiet vorkam, war 0,5. Dementsprechend
wurde der höchsten Nährstoffklasse 1 der Wert
0,5 zugewiesen. Das Vorkommen von Flächen mit
der Nährstoffgruppe 2 ist auf oder in räumlicher
Nähe von Flächen mit dem Bodenstresswert 0,4.
Die Flächen der Nährstoffklassen 4 und 5 lagen
wie die Nährstoffklasse 3 überwiegend auf Flächen mit dem Bodenstresswert 0,3, der für ganz
POMERANIA den kleinsten Wert darstellt. Hier
wurden, um die Abstufung im Modellgebiet beizubehalten, Bodenstresswerte von 0,2 für Nährstoffklasse 4 und 0,1 für Nährstoffklasse 5 zugewiesen. Dabei kam die Nährstoffklasse 5 lediglich
Tab. 77: Zuweisung des Faktors für die Bodenart (Modellgebiet)
Nährstoff
5
4
3
2
1
Räumlich
zugeordnete
Bodenart
Fuzzy-Wert
Grob
0,1
Grob
0,2
Grob
0,3
Grob / Mittel
0,4
Mittel
0,5
auf 0,36 % der Waldfläche im Modellgebiet vor.
Die Flächen im Modellgebiet, für die keine Nährstoffkapazitäten ermittelt werden konnten, bekamen einen mittleren Wert von 0,3 zugewiesen, da
diese zu 91 % auf Flächen mit dem Bodenstresswert 0,3 lagen (Tab. 77).
} Sensitivität
Änderungen beim Faktor Boden wirken sich proportional auf die Jahres-NPP-Bilanz aus. Entsprechend der Formel wirkt sich die Veränderung des
Bodenfaktors um einen Sprung von 0,1 auch um
10 % aus. Die Eingangsdaten des Bodens können mittels einer Regionalisierungs-Methode angeglichen werden, so dass die Eingangswerte zur
Berechnung der NPP keine so extremen Sprünge
aufweisen. Trotzdem muss davon ausgegangen
werden, dass der Wert an einem Standort ±0,05
variieren kann. Der Fehler, der dadurch in den
NPP-Wert einfließt, beträgt dementsprechend
5 %.
Sensitivität des Gesamtmodells
Auf Grund der Tatsache, dass die NPP das Produkt der Einzelfaktoren ist, ergibt sich der Gesamtfehler bei der Berechnung der NPP aus der
Summe der Einzelfehler. Diese sind in den einzelnen Kapiteln abgeleitet und beschrieben worden.
NPPFEH = PARFEH + FPARFEH + LUEFEH +
tempstressFEH + waterstressFEH + soilstressFEH
NPPFEH = 1 % + 5 % + 4,25 % + 1 % + 1,5 %
+ 5 % = 17,75 %
181
Der Gesamtfehler bei der Berechnung der NPP
mit dem angepassten Modell kann somit für die
Region POMERANIA bei den zur Verfügung stehenden Eingangsdaten auf kleiner als 20 % geschätzt werden.
•
•
•
2.2.3.4Berechnung der NPP mit dem Modell
BMP
Das von RICHTERS (2005) entwickelte regionale Biomassemodell RBM wurde an die pedologischen, klimatischen und pflanzenspezifischen
Bedingungen der mittleren Breiten und an die
Nutzung höher aufgelöster Eingangsdaten angepasst. Dabei werden nach dem im Kapitel 2.2.3.3
beschriebenen Modellansatz die vorprozessierten
Eingangsdaten nach dem theoretischen Konzept
von MONTEITH (1972) verknüpft und mit Faktoren zur Lichtverwertungseffizienz verrechnet
(RICHTERS 2005). Die komplexe Modellierung
berücksichtigt neben dem Bodenwasserhaushalt
und den klimatische Bedingungen auch ein Konzept für die Einstrahlungsbedingungen.
Das entstandene Modell „BMP“ (Biomassemodell
POMERANIA) wurde in zwei Regionen angewendet, einmal für die gesamte Region POMERANIA
sowie für ein Modellgebiet (model area) im nördlichen Brandenburg, dargestellt in Abb. 187. Die
Eingangsdaten für die zwei Gebiete unterscheiden sich folgendermaßen:
Für das Gebiet der POMERANIA sowie für das
Modellgebiet wurden für den Zeitraum 2002 bis
2011 die Nettoprimärproduktion berechnet. Der
primäre Modelloutput ist die ober- und unterirdische Biomasseproduktion (in gC/m²). Das Modell
BMP erlaubt es, die NPP pro Tag zu berechnen
und die täglichen Werte zu variablen Zeiträumen
zusammenzufassen. Die räumliche Auflösung der
Ergebnisse lässt sich je nach Qualität der Eingangsdaten und gewünschtem Zielmaßstab beliebig variieren. Um einen Vergleich unterschiedlicher Eingangsdaten darstellen zu können, wurde
die Zielauflösung der Ergebnisse für das POMERANIA-Gesamtgebiet auf 460 m und für das Modellgebiet auf 46 m festgesetzt.
Die Präsentation der Ergebnisse in den folgenden Kapiteln erfolgt an Hand der Gesamtbiomassekarten für die Jahre 2003, 2004 und 2007. Im
langjährigen Vergleich war 2003 ein sehr trockenes, 2007 ein sehr feuchtes und 2004 ein eher
durchschnittliches Jahr hinsichtlich des Faktors
Wasser, der sich entsprechend der Sensitivitätsuntersuchungen als ausschlaggebender Faktor
erwiesen hat. Zum Vergleich der Berechnungen
mit BMP auf Basis der unterschiedlichen Eingangsdaten („POMERANIA“ versus „model area“)
wird ein ausgewähltes Gebiet herangezogen, in
Abb. 187 als „analysed area“ dargestellt.
POMERANIA
• NDVI: nur MODIS-Daten
• Wolken aus MODIS-Daten
• Raster-Klimadaten des European
Climate Assessment & Dataset
• Klassifikation basierend auf IMAGE,
Landsat + „Corine Land Cover“ (CLC)
• LUE per Waldtyp
• Bodendaten aus der European Soil Data
Base
• Einstrahlung aus den geografischen
Koordinaten
Modellgebiet
• MODIS-Daten und hochaufgelöste Satellitendaten für NDVI (Landsat+RapidEye)
• Einstrahlung, Temperatur und Niederschlag aus Klimastations-Daten
• Klassifikation basierend auf RapidEye
und forstlichen Daten
182
LUE per Baumart
Bodendaten aus forstlicher Standortskartierung und European Soil Data Base
Einstrahlung aus den geografischen
Koordinaten
Abb. 187: Darstellung der für die Analyse
verwendeten Gebiete
Ergebnisse der NPP-Berechnung
} Ergebnisse der NPP-Berechnung für das
Gebiet POMERANIA
Abb. 188 zeigt für das gesamte Gebiet POMERANIA die Verteilung der NPP-Jahressumme für die
Jahre 2003, 2004 und 2007. Wie oben erwähnt,
handelt es sich um sehr unterschiedliche Jahre
hinsichtlich des Faktors Wasser. Geringe Niederschläge erhöhen den Wasserstress und resultieren in einem geringeren Biomassezuwachs
(2003). Dagegen resultiert ein hohes Feuchteaufkommen in erhöhter pflanzlicher Produktivität
und damit höheren NPP-Werten (2007). In den
Karten ist deutlich zu erkennen, dass für 2003 in
der gesamten Region die niedrigsten NPP-Jahressummen berechnet werden. Die mittlere Jahresproduktion für 2003 beträgt mit 313 gC/m²
knapp die Hälfte der mittleren Jahresproduktion
von 2007 mit 595 gC/m². Für das Jahr 2004 mit
den geringsten Abweichungen bei den Niederschlägen und den Temperaturen liegt die durchschnittliche Jahresproduktion der Pflanzen mit
Abb. 188: Jahressumme der NPP für das
Gebiet POMERANIA für drei ausgewählte
Jahre
ca. 419 gC/m² zwischen den Werten für 2003
und 2007.
Die Unterschiede zwischen den Jahren werden
auch bei den erreichten Maximalwerten der NPP
deutlich, wie in Tab. 78 erkennbar.
Tab. 78: Vergleich der statistischen Kennwerte
der NPP für die Jahre 2003, 2004 und 2007 in
der Region POMERANIA;
STDEV = Standardabweichung
Jahr
Maximum
[gC/m²]
Mittelwert
[gC/m²]
STDEV
[gC/m²]
2003
685
313
84
909
419
104
1129
595
119
2004
2007
Die räumliche Verteilung der Nettoprimärproduktion innerhalb eines Jahres ist in den drei Jahren
sehr ähnlich. Die maximalen NPP-Werte werden
in den küstennahen Wäldern und an Flussauen
(z. B. an der Oder) erreicht. Dies resultiert aus
der Kombination von günstigem Standortfaktor
Boden und höheren Niederschlägen. Geringere
NPP-Werte werden vor allem für die sandigen
Standorte im Südwesten und Südosten berechnet. Die geringsten NPP-Werte werden in den
Gebieten mit Vegetation im Übergangsstadium
(Sträucher) berechnet. Einen Eindruck über die
zeitliche Entwicklung der NPP gibt eine Zeitreihe
in der Vegetationszeit 2007 (Abb. 189). Für einen
60 Hektar großen Ausschnitt (analysed area) werden für die Vegetationszeit von 2007 die 10-Tages-Summen dargestellt.
Der raumzeitliche Verlauf der NPP in Abb. 189
von Tag 100 (April) bis Tag 250 (September) umfasst 15 10-Tages-Zeitschritte. Für jeden Zeitschritt wurden die täglichen NPP-Berechnungen
aggregiert und anhand einer gleichbleibenden
Farbskala abgebildet. Deutlich zu beobachten
ist ein starker Anstieg der NPP beim Zeitschritt
13/2007 und eine relativ konstant hohe Biomasseproduktion zwischen dem Zeitschritt 14/2007
und 20/2007. Die NPP ist im ganzen Zeitraum
im Osten des Ausschnitts höher als im Westen.
Der Rückgang der Biomasseproduktion ist ab
dem Zeitschritt 21/2007 zu erkennen, wobei im
Zeitschritt 24/2007 noch immer NPP-Werte von
40 gC/m² pro 10 Tage berechnet werden.
183
Abb. 189: Entwicklung
der NPP in 10-TagesSummen für einen
zeitlichen und räumlichen
Ausschnitt aus dem
POMERANIA-Gebiet für
2007
Abb. 190: Entwicklung
der NPP in 10 Tages-Summen für einen
räumlichen Ausschnitt
aus dem Gebiet
POMERANIA für 2007
Was in der Darstellung der Abb. 189 als räumlicher und zeitlicher Ausschnitt nicht richtig deutlich wird, veranschaulicht die folgende Abb. 190
mit den 10-Tages-Summen der NPP für das ganze Jahr 2007, unterschieden nach den Waldarten
Nadelwald und Laubwald.
Es sind folgende Sachverhalte zu erkennen:
• Am Anfang und Ende der Vegetationszeit
sind die NPP-Werte für Nadelwald etwas
höher als für Laubwald. Das erscheint realistisch, weil immergrüner Nadelwald in
diesen Zeiten andere NDVI-Werte haben
sollte als Laubwald.
• Der typische jahreszeitliche Verlauf wird
widergespiegelt. Zu Beginn der Vegetationszeit kann es zu Einbrüchen kommen,
wie bei den Dekaden 10 bis 12 oder 14
bis 16 zu erkennen ist.
184
•
er große Sprung zwischen der 23. und
D
24. Dekade ist in beiden Abbildungen
deutlich erkennbar.
• Der visuelle Eindruck einer deutlich geringeren NPP-Produktion zwischen der
Dekade 20 und 21, den man nach Abb.
189 haben kann, wird relativiert, wenn
man sich den gesamten Jahresverlauf
und damit die Spannen der Werte ansieht.
Insgesamt fallen die NPP-Werte für Laubwälder
am höchsten und für Nadelwälder am geringsten
aus (Tab. 79). Zum Einen haben die Laubbäume
eine höhere Lichtverwertungseffizienz, zum Anderen sind sie hauptsächlich auf den günstigeren
Standorten zu finden. Die Unterschiede zwischen
Laub- und Nadelwald sind in den einzelnen Jahren jedoch unterschiedlich groß, was auf andere
Einflussfaktoren hindeutet.
Tab. 79: NPP-Werte der Jahre 2003, 2004 und 2007 für die unterschiedlichen Waldarten und der
Vergleich mit den Wertebereichen aus der Literatur
Waldart
LUE
t_opt
2003
2004
2007
Literatur
Literatur
Mittelwert
Nadelwald
1,01
18
292,6
397,1
571,3
226-833
394
1,05
19
339,0
448,0
623,9
285-920
462
1,13
20
348,2
457,2
648,0
285-<1200
593
Mischwald
Laubwald
In Tab. 79 sind zudem Vergleichswerte aus der Literatur aufgeführt. Daran erkennt man, dass die
Modellrechnungen mit den Eingangsdaten für
POMERANIA und mit einer Betrachtung der Werte für die Baumarten in einem realistischen Bereich liegen. Allein der Literaturwert für Laubwald
liegt höher als der Mittelwert, der für 2004 berechnet wurde. Dieser Unterschied wird damit begründet, dass sich die Literaturwerte in der Regel auf
ausgesprochene Laubwald-Standorte beziehen,
die in der Regel bessere Böden und mehr Niederschlag haben als die durchschnittlichen Böden in
der POMERANIA-Region.
} Ergebnisse der NPP-Berechnung für das
Modellgebiet
Abb. 191 zeigt die NPP-Werte für die Jahre 2003,
2004 und 2007 nach Berechnung mit dem Modell
BMP für das Modellgebiet.
Auch hier spiegeln sich die unterschiedlichen klimatischen Bedingungen der Jahre in der Höhe der
NPP wider. Die mittlere NPP liegt im Modellgebiet
für das Jahr 2003 mit 232 g C/m² deutlich unter
den Jahren 2004 (354 g C/m²) und 2007 (567 g
C/m²). Wie für die gesamte Region sind auch die
maximalen NPP-Werte in den feuchteren Jahren
deutlich über den Werten von 2003 (Tab. 80).
Tab. 80: Vergleich der statistischen Kennwerte
der NPP für 2003, 2004 und 2007 im Modellgebiet
Jahr
2003
2004
2007
Maximum
[gC/m²]
Mittelwert
[gC/m²]
STDEV
[gC/m²]
612
872
1311
232
354
576
58
79
126
Aufgrund der höheren Auflösung der Eingangsdaten fällt die räumliche Verteilung der NPP im
Modellgebiet deutlich differenzierter aus. Vor allem die Daten über die Baumarten (LUE-Werte)
lassen eine genauere Abschätzung der Biomasseproduktion zu. Tab. 81 gibt Auskunft über die
NPP-Jahressummen der unterschiedlichen Baumarten.
Auch in Tab. 81 erkennt man, dass die Berechnungsergebnisse für die einzelnen Baumarten einem Vergleich mit den Angaben aus der Literatur
Abb. 191: Jahressumme
der NPP für das Modellgebiet für drei ausgewählte Jahre
185
Tab. 81: NPP-Jahressummen für die einzelnen Baumarten im Modellgebiet
2003
2004
2007
Literatur
Baumart
Mittelwert
[gC/m²]
STDEV
[gC/m²]
Mittelwert
[gC/m²]
STDEV
[gC/m²]
Mittelwert
[gC/m²]
STDEV
[gC/m²]
[gC/m²]
Buche
270,3
51,8
389,4
63,7
641,0
96,6
700
224,7
41,6
334,2
53,5
537,3
84,1
700
233,8
51,7
342,3
61,2
575,6
95,3
480
173,4
48,4
260,1
67,4
421,9
109,6
380
226,4
53,8
348,7
72,3
562,4
111,3
460
276,9
54,4
415,2
70,7
663,5
104,3
216,1
35,1
303,6
39,6
493,9
65,6
250,3
48,4
367,2
60,8
610,1
103,2
620
Laubbäume
mit niedriger
Lebensdauer
(Birkenarten,
Pappel ...)
272,5
72,4
417,1
100,9
704,1
165,6
620
sonstiger
Mischwald
208,2
45,0
328,2
62,1
533,4
100,8
590
Douglasie
Eiche
Fichte
Kiefer
Lärche
Tanne
Laubbäume
mit hoher
Lebensdauer
(z. B. Ahorn,
Esche)
standhalten, insbesondere wenn man die Genauigkeit der Berechnung berücksichtigt. Allerdings
muss hier beachtet werden, dass sich mehr als
die Hälfte der Literatur-Angaben auf Standorte in
Nord-Amerika beziehen, die deutlich mehr Niederschlag haben als die Standorte in POMERANIA (daher eher mit 2007 vergleichbar).
Abb. 192: Graphischer
Vergleich zwischen den
Jahressummen mit mittel
aufgelösten Eingangsdaten (links) und hoch
aufgelösten Eingangsdaten (rechts) für das
Modellgebiet für das
Jahr 2004
186
Vergleich der Berechnungsansätze
Im Folgenden werden die Berechnungsergebnisse für die unterschiedlichen Datenauflösungen
verglichen. In Abb. 192 sieht man einen Vergleich
der NNP für das Modellgebiet.
Abb. 193 zeigt die Differenz zwischen beiden
Berechnungsansätzen. Die Abstufung in der Legende berücksichtigt die Genauigkeit des Berechnungsverfahrens, die bei ca. 17 % liegt.
Da der gesamte Mittelwert bei ca. 350 gC/m²
liegt, ergibt sich eine Ungenauigkeit von bis zu
60 gC/m². Für die Darstellung wurden Abstufungen von 50 gC/m² gewählt. Die Stufe von
-25 gC/m² bis +25 gC/m² entspricht somit keinem Unterschied im Vergleich der beiden Berechnungsansätze untereinander.
Abb. 193: Differenz zwischen den beiden
Berechnungsansätzen für das Jahr 2004
Vergleicht man die statistischen Kennwerte „Mittelwert“ und „Maxima“, so liegt die NPP im Modellgebiet unter den Werten für die Gesamtregion POMERANIA. Für das Jahr 2007 weicht der
Mittelwert nur gering ab. Vergleicht man nur die
NPP-Werte innerhalb der Modellregion, sind die
Mittelwerte nahezu identisch, besonders wenn
man die Genauigkeit des Modells mit 17 % (ca.
50 gC/m²) berücksichtigt (Tab. 82).
Die räumliche Verteilung der Berechnungsunterschiede beider Ansätze ist in Abb. 193 für das
Jahr 2004 dargestellt. Rote Farbtöne stellen Flächen dar, bei denen die NPP nach Berechnung
für die Modellregion geringer ausfallen als bei
der Berechnung für ganz POMERANIA. Dagegen
wurde auf den Flächen mit grünem Farbverlauf
eine höhere Biomasseproduktion geschätzt.
Bei den gelben Flächen sind die Unterschiede
in der Jahressumme vernachlässigbar. Neben
dem höher aufgelösten Eingangsdatensatz des
Standortfaktors „Boden“ ist es vor allem die LUE
in Kombination mit der Klassifikation, die eine
räumlich differenzierte NPP-Ermittlung ermöglicht. Damit lassen sich auch die Höhe und die
räumliche Verteilung der NPP-Unterschiede erklären. Die größten Abweichungen sind auf Flächen mit Fichten (LUE Wert 0,61) und Douglasie
(LUE-Wert 0,87) zu finden (im Vergleich: LUEWert in der Berechnung für POMERANIA 1,01).
Bei Laubwäldern sind die größten Unterschiede
vor allem auf den Boden zurückzuführen. Daher ergeben sich NPP-Unterschiede bei einem
günstigen Bodenfaktor (Faktor 0,5) gegenüber
einem sandigen Boden (Faktor 0,2 bis 0,3) über
150 gC/m².
Insgesamt lässt sich zusammenfassen:
• Das Regionale Biomassemodell konnte
erfolgreich an die Gegebenheiten in POMERANIA angepasst und zum Biomassemodell POMERANIA (BMP) weiterentwickelt werden. Vergleiche der berechneten
Nettoprimärproduktion mit Angaben aus
der Literatur zeigen keine auffälligen Unterschiede.
Tab. 82: Mittelwerte und Standardabweichungen (STDEV) der NPP-Jahressummen für die beiden
Berechnungsverfahren im Modellgebiet
POMERANIA-Daten
Modellgebiet-Daten
Jahr
Mittelwert [gC/m²]
STDEV [gC/m²]
Mittelwert [gC/m²]
STDEV [gC/m²]
2003
239
29
232
55,9
324
31
354
70,8
573
47
576
109,0
2004
2007
187
•
•
•
er Faktor Wasser ist für den größten Teil
D
der Unterschiede zwischen den Jahren
verantwortlich.
Das BMP ist tolerant hinsichtlich der
Qualität der Eingangsdaten, wenn man
die Berechnung für große Gebiete durchführen will. Das haben großflächige Vergleiche der Mittelwerte der NPP gezeigt,
die unabhängig von der Qualität der Eingangsdaten gleich hoch ausfallen.
Anders sieht es aus, wenn man Aussagen
für kleinere Flächen (Abteilungen, Reviere
oder Revierteile) erhalten will. In diesen
Fällen ist es erforderlich, mit genaueren
Eingangsdaten in die Modellrechnung zu
gehen, um die standortspezifischen und
pflanzenspezifischen Eigenschaften berücksichtigen zu können.
2.3Biomasse-Informationssystem
Simon Klinner
Ein wichtiges Ziel des Projektes “ForseenPOMERANIA“ war es, die erzeugten Geodaten über eine
Web-Applikation verfügbar zu machen. Auf diese Weise sollen sich Akteure aus der Forst- und
Landwirtschaft, aber auch holzverarbeitende Unternehmen, politische Entscheidungsträger sowie
Interessensgruppen aus dem Umwelt- und Naturschutzbereich über nachwachsende Stoff- und
Energieressourcen beiderseits der Oder informieren können. Als plattformübergreifendes Werkzeug eröffnet ein Geoportal der breiten Öffentlichkeit vor allem einen schnellen und unentgeltlichen
Zugang zu umweltbezogenen Daten.
Die wesentlichen Anforderungen an das zu entwickelnde Biomasseinformationssystem waren eine
intuitive und einfach zu bedienende Benutzeroberfläche, die ausschließliche Verwendung freier Software sowie die Unterstützung OGC (Open
Geospatial Consortium) - konformer Dienste. Darüber hinaus sollte der Nutzer die veröffentlichten
Ergebnisse nicht nur anzeigen, sondern mithilfe
räumlicher Analysen auch auswerten können.
188
2.3.1
Technische Umsetzung
Im Rahmen einer öffentlichen Ausschreibung
wurde die Entwicklung des Biomasseinformationssystems an die DELPHI InformationsMusterManagement (IMM) GmbH, einen Potsdamer
Geoinformationsdienstleister,
vergeben.
Die
technische Umsetzung sieht eine Erweiterung
des bestehenden Geodatenportals http://www.
brandenburg-forst.de/webgis/ um zusätzliche
Auswahl- und Analysefunktionalitäten sowie eine
mehrsprachige Benutzeroberfläche vor. Die Architektur des Geodatenportals setzt sich im Wesentlichen aus einem Mapserver zur Erzeugung
von Geodiensten sowie einem Kartenclient zur
Darstellung und Auswertung von Geodiensten
zusammen.
Als Mapserver kommt Geoserver 2.4.1 mit Erweiterungen zur Verarbeitung von WPS (Web Processing Services) und zum Druck von PDF´s zum
Einsatz. Die Unterstützung von WPS ermöglicht
räumliche Analysen von Geodaten direkt im Kartenclient, beispielsweise Verschneidungen oder
thematische Abfragen. Der Kartenclient selbst
basiert auf den JavaScript-Bibliotheken OpenLayers 2.13.1, GeoEXT 3.4.1, ExtJS 3.4.1 und
Proj4js. Mapserver wie auch Kartenclient liegen
auf einer Server-Plattform mit dem Betriebssystem Ubuntu 12.04 LTS, dem Webserver Apache
HTTP Server 2.2 und dem Servletcontainer Apache Tomcat 7.0. Letzterer dient zur Ausführung
der Geoserver-PDF-Erweiterung.
Das fertige Geodatenportal läuft als eigenständige
Anwendung unter http://www.brandenburg-forst.
de/pomerania/. Alle verwendeten Komponenten
unterliegen ausschließlich freien Softwarelizenzen
wie BSD, GNU GPL oder X11. Jeder Nutzer hat
daher die Freiheit, die „Software auszuführen, zu
kopieren, zu verbreiten, zu untersuchen, zu ändern und zu verbessern“ (FSF 2014). Abb. 194
gibt einen Überblick über die wichtigsten Komponenten des Geodatenportals und deren Aufgaben. Ruft ein Nutzer den Kartenclient mit seinem
Browser, z. B. Mozilla Firefox, auf, sendet er dadurch eine Anfrage an Geoserver. Je nach angefragter Karte und Kartenausschnitt liefert Geoserver daraufhin einen OGC-konformen Dienst. Der
erzeugte Dienst basiert auf Raster- oder Vektordaten, die sowohl dateibasiert als auch in Datenbanken gespeichert vorliegen können. OpenLay-
2.3.2Funktionalitäten und Werkzeuge
im Kartenclient
Abb. 194: Architektur des Geodatenportals
(verändert nach BOUNDLESSGEO 2014)
ers bewerkstelligt daraufhin die Darstellung des
so bereitgestellten Dienstes. Darüber hinaus ist
es für den Betreiber möglich, externe Dienste wie
OpenStreetmap, Google Maps oder Bing Maps in
den Kartenclient einzustellen. Möchte der Nutzer
Karten auch räumlich analysieren, beispielsweise
um die mit Wald bestockte Fläche in einem Umkreis von 50 km zu berechnen, müssen diese als
vektorbasierte Dienste, sogenannte Web Feature
Services (WFS), vorliegen. Löst der Benutzer eine
solche Berechnung im Kartenclient aus, sendet er
dadurch wieder eine Anfrage an den Geoserver.
Dieser führt die angefragte Berechnung entsprechend der WPS-Standards aus und sendet das
Ergebnis zurück an den Kartenclient des Nutzers.
Die Benutzeroberfläche des Kartenclients besteht
wie im bereits existierenden Geodatenportal (vgl.
KOCH & ADAMS 2012) aus dem Kartenfenster,
einer darüberliegenden Werkzeugleiste, der Übersichtskarte und dem Themenbaum (Abb. 195).
Als Hauptkomponente der Benutzeroberfläche
dient das Kartenfenster zur Darstellung der im
Themenbaum ausgewählten Geodaten. Am linken unteren Rand des Fensters befinden sich
eine dynamisch angepasste Maßstabsleiste sowie die Koordinaten der aktuellen Mausposition.
Die Angaben entsprechen dem gewählten Koordinatenreferenzsystem aus der Dropdown-Liste
unterhalb des Themenbaumes. Zur Auswahl stehen die Koordinatenreferenzsysteme EPSG:4258
und EPSG:25833 (ETRS89 als geografische sowie kartesische UTM-Koordinaten der Zone 33N),
EPSG:4326 und EPSG:32633 (WGS84 als geografische sowie kartesische UTM-Koordinaten
der Zone 33N) als auch EPSG:31469 (DHDN als
Gauß-Krüger-Koordinaten im 3° breiten Meridianstreifen der Zone 5).
Zum Übertragen der aktuellen Mausposition in
populäre Kartendienste wie Google Maps, Bing
Maps oder Openstreetmap eignen sich besonders geografische Koordinaten. Mit einem Klick
der rechten Maustaste auf die gewünschte Position öffnet sich hierfür ein Menü mit dem Eintrag
„Koordinaten der Mausposition anzeigen“. Diese
Abb: 195: Kartenclient in
der Startansicht
189
Koordinaten entsprechen dem unterstützten Format der Kartendienste und lassen sich über Kopieren und Einfügen dort direkt anzeigen.
Die Übersichtskarte ermöglicht die Orientierung
im Projektgebiet und bietet zudem grundlegende
Navigationsfunktionen. So lässt sich der rot abgegrenzte Auswahlbereich in der Übersichtskarte
mit gedrückter linker Maustaste verschieben.
Im Themenbaum sind alle in das Portal eingestellten Geodaten in Verzeichnissen aufgeführt. Sie
lassen sich durch linken Mausklick einzeln oder
als gesamtes Verzeichnis aktivieren. Je nach gewähltem Thema erscheint daraufhin eine Legende
oder Angabe zur Anzahl der Objekte im Thema.
Die Abfolge der Themen lässt sich ändern, indem
diese mit gedrückter linker Maustaste an die gewünschte Stelle verschoben werden. Weitere Inund XML ,
formationen (Metadaten als PDF
Attribute bei vektorbasierten Themen) und Einstellungsmöglichkeiten (Transparenz
, Zoom
auf die maximale Ausdehnung
) zu den einzelnen Themen öffnen sich durch Klick der rechten
Maustaste.
Die Werkzeugleiste beinhaltet neben den Links
zur englischen
, deutschen
und polnischen
Version des Portals auch einen Hilfe-Bereich, Hinweise zu den Nutzungsbedingungen sowie die Kontaktmöglichkeiten. Alle
maßgeblichen Funktionalitäten des Kartenclients
befinden sich im rechten Teil der Werkzeugleiste.
Die Steuerelemente , ,
,
und
dienen
der Navigation im Kartenfenster, während
die
einfache Abfrage eines Themas bewirkt. Dabei
muss ein abfragbares Thema zuvor durch linken
Mausklick auf das Kontrollkästen aktiviert und zusätzlich durch linken Mausklick auf die dazugehörige Bezeichung ausgewählt werden. Als Ergebnis öffnet sich ein Fenster mit Detailinformationen
zur angeklickten Position. Die Maßstabsleiste
zeigt einerseits den Maßstab
bei aktueller Zoomstufe, andererseits lassen sich
in der Dropdown-Liste vorgegebene Maßstäbe
auswählen. Die Werkzeuge
und
erlauben
des Weiteren die Messung von Strecken und Flächen. Sollen Geometrien in andere Anwendungen übernommen werden, bietet sich unter der
Schaltfläche
die Möglichkeit zum Export als
KML
, GML
oder GeoJSON
Datei.
Dazu muss zuvor die betreffende Geometrie
190
bzw. das Thema durch linken Mausklick auf die
Bezeichnung ausgewählt und anschließend das
Dateiformat bestimmt werden. Der Inhalt des sich
daraufhin öffnenden Fensters kann in eine leere
Textdatei kopiert werden. Fügt man deren Namen
die Endung des gewählten Dateiformats („.kml“ /
„.gml“ / „.geojson“) hinzu, lässt sie sich als solche öffnen. Um lediglich einen Bildausschnitt des
Portals zu speichern oder mit Dritten zu teilen,
genügt es, mit der Schaltfläche
einen Permalink zu erzeugen. Kopiert man diese URL in einen
Browser, öffnet sich das Portal mit der gleichen
Sprachversion, dem gleichen Bildausschnitt und
einer identischen Themenauswahl. Alternativ
dazu lässt sich über das Panel „Karte Drucken/
PDF Ausgabe“ unterhalb des Themenbaumes
auch ein PDF speichern.
Räumliche Auswahlfunktionen
Soll ein Thema nicht nur dargestellt und einfach
abgefragt, sondern auch deskriptiv ausgewertet
werden, kommen die Schaltflächen
(„Zeichne
Geometrien“) und
(„Geometrien auswählen“)
zum Einsatz. Im Vergleich zum bereits existierenden Geodatenportal handelt es sich um die bedeutendsten Neuerungen. Der prinzipielle Bedienungsablauf beginnt mit der Aktivierung (1) eines
abfragbaren Themas durch linken Mausklick auf
das dazugehörige Kontrollkästchen.
Um den Datenumfang der Auswertung zu reduzieren, ist die räumliche Abgrenzung (2) des betreffenden Gebietes zu empfehlen. Dazu öffnen sich
bei Betätigung der Schaltfläche
verschiedene
Werkzeuge zum Zeichnen (
),
Verschieben (
) und Ändern (
) von Geometrien. Die folgenden Auswertungen beziehen
sich dann nur auf die mithilfe der gezeichneten
Geometrie ausgewählten oder ausgeschnittenen
Objekte. Das Zeichnen der Geometrie wird mit
einem doppelten Klick der linken Maustaste abgeschlossen. Die fertige Geometrie erscheint im
Themenbaum unter dem Verzeichnis „Erstellte
Geometrie“ als „Interessengebiet (1)“.
Im dritten Schritt wählt der Nutzer das gewünschte Thema (3) durch einen linken Mausklick auf die
dazugehörige Bezeichnung. Unter der Schaltfläche
bestimmt er daraufhin, ob alle von seinem
Interessengebiet geschnittenen und vollständig
innerhalb liegenden Objekte ausgewählt werden
(
) oder ausschließlich deren innerhalb liegende Anteile (
) (4).
unverändert. Das Ergebnis erscheint im Themenbaum unter dem Verzeichnis „Erstellte Geometrie“.
Thematische Auswahlfunktionen
(5.1)
(5.2)
Abb. 196: Möglichkeiten zur räumlichen Abgrenzung einer Auswertung
Abb. 196 zeigt die unterschiedlichen Ergebnisse dieser zwei Möglichkeiten am Beispiel eines
gezeichneten kreisförmigen Interessengebietes.
Werden nur vollständige Objekte ausgewählt
(5.1), erscheinen diese im Themenbaum unter
dem Verzeichnis „Ausgewählte Objekte“. Bevorzugt der Nutzer die Auswahl des exakten Anteils
der Objekte innerhalb seines Interessengebietes
(5.2), so müssen deren flächenbezogene Attribute angepasst werden. Ist beispielsweise die mit
Wald bedeckte Fläche innerhalb des Gebietes
von Interesse, verringert sich durch das „Ausschneiden“ auch die räumliche Ausdehnung der
so zerteilten Objekte. Die Attribute der Objekte
wie die Bezeichnung des Waldgebietes, dessen
absoluter Holzvorrat oder auch die Angabe zur
Flächengröße passen sich allerdings nicht automatisch an deren neue Ausdehnung an. Daher muss das betreffende Attribut in einem Zwischenschritt neu berechnet werden. Am Beispiel
wird die absolute Waldfläche des vollständigen
Objektes mit dessen Anteil innerhalb des Interessengebietes multipliziert. Bis auf die Flächengröße bleiben die Angaben aller weiteren Attribute
Die zuvor räumlich begrenzte Auswahl an Objekten im Verzeichnis „Ausgewählte Objekte“
bzw. „Erstellte Geometrien“ kann nun thematisch
gefiltert werden. Über einen Klick der rechten
Maustaste öffnet sich ein Kontextmenü, das die
Anzeige der Attribute des abfragbaren Themas
ermöglicht. Die Attribute lassen sich dort auf- und
absteigend sortieren, ausblenden sowie individuell filtern.
Die Betätigung von „Filter hinzufügen“ öffnet ein
Fenster mit drei Dropdown-Listen für Attribut, logischen Operator und Vergleichswert (Tab. 83).
Der Nutzer wählt nacheinander das zu filternde
Attribut, den Operator und zuletzt einen selbst
eingetragenen oder in der Vorschlagsliste ausgesuchten Wert. Dabei enthält die Vorschlagsliste
alle eindeutigen Werte des gewählten Attributs
in aufsteigender Reihenfolge. Kommt ein Wert in
den Attributen mehrfach vor, erscheint dieser hier
jeweils auch nur genau einmal. Sollen weitere Attribute in den Filter einbezogen werden, ergänzt
„Filter hinzufügen“ eine weitere Zeile. Der Befehl
„Filtern“ startet den Vorgang. Wurde der Filter erfolgreich angewendet, verringert sich die Anzahl
der Objekte in der Attributtabelle entsprechend.
Tab. 83: Logische Operatoren des Filterwerkzeugs
Operator
Bedeutung
=
!=
<
<=
>
>=
enthält
Ist gleich
Ist ungleich
Ist kleiner
Ist kleiner oder gleich
Ist größer
Ist größer oder gleich
Enthält eine Zeichenkette (Text)
191
Aggregierende Funktionen
2.3.3
Neben der räumlichen und thematischen Auswahl
bietet das durch Klick der rechten Maustaste aufrufbare Kontextmenü die Möglichkeit, Attribute
eines Themas zu aggregieren. Dafür stehen die
Funktionen „Anzahl“, „Maximum“, „Medianwert“,
„Minimum“, „Mittelwert“, „Standardabweichung“
und „Summe“ zur Verfügung. In der DropdownListe wählt der Nutzer zuerst das Attribut und danach die Funktion. Da es sich bei den Funktionen
um Berechnungen handelt, sind diese, mit Ausnahme der Funktion „Anzahl“, nur auf Zahlenwerte sinnvoll anwendbar. Ist die Aggregation erfolgreich beendet, erscheint das Ergebnis als Zahlenwert in der Einheit des ausgewählten Attributes.
Veröffentlichte Geodaten
Für die breite Öffentlichkeit bietet das Biomasseinformationssystem den zentralen Zugang zu Ergebnissen des Projektes „ForseenPOMERANIA“.
Daher ist angestrebt, möglichst alle erzeugten
Raster- und Vektordaten hier zur Verfügung zu
stellen. Grundsätzlich liegen für jedes Produkt
im Themenbaum beschreibende Daten (Metadaten) als XML
und PDF
vor, die der „INSPIRE“-Richtlinie zur freien Datenverfügbarkeit
genügen. Sie beinhalten unter anderem Informationen zu den Ausgangsdaten, angewandten
Klassifikations- und Berechnungsmethoden sowie zur Schätzgenauigkeit des Produktes. Tabelle
84 führt alle zu veröffentlichenden Datensätze mit
deren Ausgangsdaten, ihrer Auflösung, dem Jahr
der Aufnahme sowie dem Datentyp auf.
Tab. 84: Im Biomasseinformationssystem veröffentlichte Geofachdaten, unterteilt nach den abgedeckten Gebieten
Produkt
Grundlage
Auflösung
Jahr
Datentyp
2006
2006
+/- 1
Raster
Region POMERANIA
Echtfarben-Mosaik
CLC2006 Klassifikation von Laub-,
Nadel- und Mischwald (EEA 2007)
Klassifikation der Holzvorräte aller
Nadelwaldflächen nach CLC2006
Holzvorräte für Laub-, Nadel- und
Mischwald nach CLC2006
Nettoprimärproduktion für mit
Wald bedeckte Flächen
Nettoprimärproduktion für mit
Wald bedeckte Flächen
Landsat
SPOT-4,
IRS LISS III
30 m
100 m
Vektor
Landsat
30 m
2006
Raster & Vektor
GLAS
500 m
2006
Vektor
Landsat, MODIS
500 m
2002–2011
Vektor
Landsat, DWD
90 m
2002–2011
Vektor
Landkreise Barnim und Uckermark
Echtfarben-Mosaik
Klassifikation von fünf
Baumartengruppen
Klassifikation für drei
Baumartengruppen mit jeweils
vier Holzvorratsklassen
Klassifikation für drei
Baumartengruppen mit jeweils
vier Holzvorratsklassen
Holzvorräte ohne
Baumartengruppen
Klassifikation für acht
Baumartengruppen
192
RapidEye
5m
2009
Raster
RapidEye
5m
2009
Raster
RapidEye
5m
2009
Raster
Kleinere Testgebiete
RapidEye
5m
2009
Raster
RapidEye
5m
2009
Raster & Vektor
RapidEye
5m
2009
Raster
2.3.4Fazit
Das Biomasseinformationsystem des Projektes
„ForseenPOMERANIA“ eröffnet einem breiten
Nutzerkreis direkten Zugang zu raumbezogenen
Daten aus dem Themenkreis Wald und Forstwirtschaft. Somit bleibt die Darstellung und Auswertung der gewonnenen Ergebnisse nicht auf
ein Fachpublikum beschränkt. Insbesondere die
individuell konfigurierbaren Auswahl- und Aggregationsfunktionen geben dem Nutzer hier weit reichende und vielfältig verwendbare Analyse-Werkzeuge an die Hand.
Die Aufteilung der Benutzeroberfläche in vier klar
strukturierte Bereiche (Kartenfenster, Übersichtskarte, Themenbaum und Werkzeugleiste) orientiert sich an bekannten GIS-Umgebungen und
fördert so eine möglichst intuitive Bedienung. Die
INSPIRE-konform erhobenen Metadaten der eingestellten Inhalte entsprechen darüber hinaus den
Anforderungen der europäischen Kommission an
Geofachdaten. Durch die konsequente Verwendung freier Software sowie die Einhaltung offener
Standards (WMS, WFS, WPS) sind Erweiterungen
um neue Inhalte und Funktionen mit geringerem
Aufwand realisierbar.
193
3
Diskussion und Zusammenfassung
Jens Schröder
Der folgende Abschnitt erörtert die wesentlichen Ergebnisse, die während der Laufzeit des
INTERREG-Projekts „ForseenPOMERANIA“ erreicht werden konnten. Als Bezugsrahmen wird
als erstes das für die Projektarbeiten formulierte
Zielsystem rekapituliert, danach erfolgt für die
wesentlichen Arbeitsbereiche des Projekts eine
zusammenfassende Bewertung des auf diesem
Gebiet Erreichten. Der abschließende Teil der Diskussion stützt sich vor allem auf die Angaben, die
im Abschnitt 2 zu den Kosten, der Genauigkeit
und der Umsetzbarkeit der einzelnen Verfahren
gemacht wurden, um ihre praktische Anwendbarkeit beim Planen und Durchführen von Maßnahmen der forstlichen Ressourcennutzung zu
beurteilen.
3.1Bewertung der Fernerkundungs- und Biomasseschätzverfahren
3.1.1
Terrestrisches Laserscanning
Im ForseenPOMERANIA-Projekt wurde die
Technologie des terrestrischen Laserscanning
(TLS) durch die Arbeitsgruppe an der Naturwissenschaftlichen Universität Poznań angewandt
und analysiert. Als Untersuchungsobjekte dienten Reinbestände mit Gemeiner Kiefer im Gebiet
der Oberförsterei Drawno (siehe 2.1.1). Ziel war
es, sowohl einzelne forstliche Parameter des
Einzelbaums und des Bestandes zu gewinnen
als auch Informationen zur individuellen und bestandesbezogenen Biomasse abzuleiten. Wie
in den anderen Arbeitspaketen waren methodisch orientierte Tests und Vergleiche ein wesentliches Element der Anwendung von TLS. Im
Projekt äußerte sich dies darin, dass zum einen
mit verschiedenen Scannern, zum anderen mit
unterschiedlichen Auswertungsmethoden bzw.
–programmen gearbeitet wurde. Als Referenz
für die durch das Scanning gewonnenen Daten
dienten „traditionelle“ manuelle Erfassungen der
relevanten Baum- und Bestandesgrößen.
194
Über die Genauigkeit von TLS-Messungen entscheiden die Baumartenzusammensetzung, die
räumliche Struktur der Bestände und die technischen Geräteeigenschaften, zum Beispiel die
maximale Scan-Entfernung und die Stärke des
Laserstrahls. Untersuchungen anderer Autoren
haben bewiesen, dass die Anwendung von TLS
in Waldbeständen mit einfacher Struktur am effektivsten ist (HOPKINSON et al. 2004, THIES
und SPIECKER 2004). In Waldbeständen mit
eher komplexer Struktur und / oder mehreren
Baumarten treten dagegen häufig Probleme bezüglich der Datengewinnung auf (FLECK et al.
2007), obwohl es auch Gegenbeispiele mit sehr
realitätsnahen Ergebnissen gab (BIENERT et al.
2006). In der Regel jedoch sind die Genauigkeiten bei der Unterscheidung der Baumarten in
strukturreichen Mischbeständen so gering, dass
die Messergebnisse nicht von zufälligen Zuordnungen unterscheidbar sind. Geht es allerdings
nur um die Erfassung der Holzbiomasse mit praxisnaher Genauigkeit ohne Differenzierung nach
Arten, dann ist die Methode auch für strukturreichere Bestände geeignet. Unter den Bedingungen in den Testbeständen in Drawno (einschichtige, gleichaltrige Reinbestände) konnten jedoch
durch TLS mit Blick auf die Übereinstimmung
mit den manuellen Messungen sehr genaue
Ergebnisse erzielt werden. Die Genauigkeit der
Messung zum Beispiel der Durchmesser und
vor allem der Höhen ist nach Untersuchungen
von STRZELIŃSKI (2010) im Einzelfall oft höher
als die manuelle Messung durch Kluppen und
Laser-Höhenmesser, bei der es immer wieder zu
Messfehlern und unrichtigem Ablesen kommen
kann. Als Ergebnis aus den Untersuchungen der
UP Poznań ergibt sich eindeutig die Empfehlung, mit der Methode des „multiple scan“ zu
arbeiten, wenn mehr als ein grober, stichprobenartiger Überblick über Stammzahl, Durchmesser- und Höhenverteilung und (abgeleitet aus
den Messwerten) die Holzvorräte gefordert ist.
Scans von nur einem Punkt aus sind zwar relativ
schnell realisierbar und geben die Verhältnisse
des erfassbaren Waldausschnitts hochgenau
Diskussion und Zusammenfassung | 3
wieder. Sie sind aber umso ungenauer und zufälliger im Verhältnis zu den wirklichen Parametern des gesamten Bestandes, je vielfältiger und
mosaikähnlicher die räumliche und die Altersstruktur der zu analysierenden Bestände sind.
Der Nachteil des Mehrfachscannings ist der
hohe methodische und zeitliche Aufwand, der
das Verfahren eher auf punktuelle, beispielhafte
Anwendungen beschränkt.
Zum Kostenfaktor können auf Basis der Praxistests in der Oberförsterei Drawno keine übertragbaren Angaben gemacht werden. Dies liegt
daran, dass die Untersuchungen vor allem dem
Vergleich verschiedener Methoden zur Aufnahme und Auswertung der Daten sowie der Quantifizierung der Genauigkeit bei der Erfassung der
Baum- und Bestandesparameter dienten. Preisangaben zu den Geräten sind für die Einschätzung der Praxistauglichkeit auch deshalb wenig
sinnvoll, weil sich die Preise von Hard- und Software auf dem Gebiet des Laserscannings in den
letzten Jahren rasant verändert haben. So sind
allein von 2012 zu 2013 die Preise für praxisverwendbare Geräte zum flugzeuggetragenen
Laserscanning um die Hälfte gefallen (ZAWIŁA-NIEDŹWIECKI, persönliche Mittelung). Um
zu beurteilen, welche Kosten TLS bei der konkreten Anwendung verursachen würde, muss
der spezifische Informationsbedarf mit den
Bedingungen in den Beständen und den gerätebezogenen wie auch auswertungsseitigen
Möglichkeiten abgeglichen werden. Aus den
im ForseenPOMERANA-Projekt durchgeführten
Untersuchungen wurde deutlich, dass Aufnahme und Auswertung in einer Hand liegen und
mit einer abgestimmten Kombination von Gerät und Programm durchgeführt werden sollten.
Neben der technischen Seite ist es natürlich von
entscheidender Bedeutung, mit spezialisiertem
Fachpersonal bzw. mit entsprechend qualifizierten Firmen arbeiten zu können.
Der große Wert von TLS-Methoden liegt darin,
dass ihre Ergebnisse des TLS eine ideale Ergänzung der durch Satellitenbilder und flugzeuggetragenes Laserscanning erlangten Informationen
sind, mit denen allein die Ableitung von Daten
zur Bestandesstruktur nicht möglich wäre. Auf
Basis dieser Kombination sind eine Ausdehnung
des Analyseumfangs und die Verbesserung der
Genauigkeit durch den Abgleich der Daten möglich (ZAWIŁA-NIEDŹWIECKI et al. 2006). Wie im
Abschnitt 2.1.1.2 dargestellt, ist der identische
Raumbezug, das heißt die parallele Verwendung
desselben Koordinatensystems, elementare
Grundlage dieser Verschneidung. Auf Grund der
schnellen Entwicklung der Technik, der Auswerteprogramme und der zugehörigen Preise stellt
TLS gerade für Betriebe mit eher einfach strukturierten, artenarmen Wäldern, wie sie in einigen
Regionen des POMERANIA-Gebiets (noch) vorherrschen, eine interessante Option zur Erlangung detaillierter Bestandesinformationen dar,
deren Anwendung zwar in der gegenwärtigen
Form noch nicht die klassische manuelle Erhebungsverfahren ersetzen, zumindest aber – gerade in Richtung der Qualitäts- und Sortimentsschätzung der Bestände – ergänzen kann.
3.1.2Flugzeuggetragenes
Laserscanning
Die Verfahren der Aufnahme von Laserdaten
vom Flugzeug aus und ihrer Auswertung zur Ableitung forstlich relevanter Informationen wurden
von der Naturwissenschaftlichen Universität
Poznań in der Oberförsterei Drawno sowie vom
Landeskompetenzzentrum Forst Eberswalde im
Landkreis Barnim untersucht. In Drawno standen neben zusätzlichen Aufnahmen von Wärmedaten und Luftbildinformationen sowie dem
Laserscanning entlang von Wegen die Möglichkeiten zur Extraktion von Höheninformationen
im Mittelpunkt (2.1.2). Bis auf kleinere Flächen
betrug die Auflösung der Laserdaten im Mittel 9–10 Pkt./m². Nach der Klassifizierung der
Punkte wurden als Raster sowie als Zusammenfassung für jeden vom Befliegungsgebiet erfassten Bestand maximale Höhen, Mittelhöhen
der herrschenden Bäume und Mittelhöhen des
Gesamtbestandes abgeleitet. Außerdem waren
Schätzwerte für Eigenschaften wie Bestandesvolumen, Bestockungsdichte und Überschirmungsgrad zu entwickeln. Die entsprechenden
Berechnungsschritte erfolgten automatisiert mit
Hilfe spezieller Software und wurden mit den
Angaben des Forstlichen Datenspeichers der
Oberförsterei Drawno verglichen, wobei sich
keine wesentlichen Unterschiede ergaben. Nach
Umwandlung der Rasterdaten zu bestandesbe-
195
3 | Diskussion und Zusammenfassung
zogenen Informationen ist nun im Geoinformationssystem des Projekts (s. 2.3) die Abfrage aller hergeleiteten Informationen für die gesamte
Waldfläche der Oberförsterei möglich.
In Auswertung der Erfahrungen in Drawno lässt
sich feststellen, dass sowohl die gewonnenen
Daten als auch die nachfolgende Klassifizierung eine hohe Qualität aufweisen. In Verbindung mit den aus anderen Quellen stammenden
Geo- und Naturaldaten sind Aufnahmen wie die
hier vorgestellten gut geeignet dazu, Planung
und Leitung der Waldwirtschaft auf der räumlichen Ebene einer Oberförsterei zu unterstützen.
Die Daten können ebenfalls als hochklassiges
Forschungsmaterial für Fernerkundungsverfahren zur Bestimmung von Taxationsparametern von Baumbeständen Anwendung finden
und die Grundlage für das Fernmonitoring von
Waldökosystemen bilden. Bei der Anwendung
des ALS in anderen Regionen sollten ebenfalls
die Erfahrungen berücksichtigt werden, die im
Landkreis Barnim, aber auch bei der Nutzung
von Laserdaten aus allgemeinen Landesbefliegungen gemacht wurden (KÖRNER 2013).
Im Landkreis Barnim wurde die Eignung des
flugzeuggetragenen Laserscannings zur Ableitung von Holzvorräten auf der Ebene der
Behandlungseinheit, d. h. der Teilfläche, untersucht. Dazu fand 2013 eine Befliegung mit einer
Punktdichte von 25 Pkt./m² statt. Als Erweiterung der Analysen in Drawno erfolgte zusätzlich eine exakte Erhebung des tatsächlichen
Holzvorrats am Boden an 120 regelmäßig verteilten Inventurpunkten. Zur Schätzung der dort
erfassten Werte auf Grundlage der ALS-Daten
Abb. 197: Karte der
mittels ALS geschätzten
Holzvorräte je Teilfläche
für das Beispielgebiet
südlich von Eberswalde
im Landkreis Barnim,
aufbereitet durch das
Geoportal des Projekts
196
wurde ein Regressionsmodell entwickelt, das
in der Laserpunktwolke bzw. in dem daraus
abgeleiteten normalisierten Oberflächenmodell (nDOM) enthaltene Maßzahlen nutzt. Diese
sogenannten „Metriken“ geben an, in welcher
Höhe vom Boden aus bestimmte Anteile an der
Gesamtpunktzahl je Rastereinheit erreicht werden (siehe 2.1.3.2 und Abb. 34). Eine große Zahl
verschiedener Metriken diente als Ausgangsdaten für die Modellbildung, von denen insgesamt
vier als wesentlich für die Schätzung identifiziert
wurden. Nach der Überpüfung anhand der Volumina an den Inventurpunkten wird die Abbildungsqualität dadurch charakterisiert, dass
50 % aller Schätzungen in einem Intervall von
± 12 % um die terrestrisch gemessenen Werte
lagen. Eine Steigerung der Schätzgenauigkeit
ist z. B. dann möglich, wenn die zur Aufstellung
des Modells verwendeten Inventurdaten nicht
in einem regelmäßigen Raster erhoben werden,
sondern an Punkten, die in Abhängigkeit von
der Häufigkeit bestimmter Bestandestypen oder
Altersklassen (Stratifizierung) in entsprechenden
Beständen eingerichtet werden. Die Ergebnisse
der Vorratsschätzung (siehe Abb. 197) und eine
Auswahl der zusätzlich durchgeführten Auswertungen sind über das Geoportal des Projekts frei
verfügbar.
Als Fazit der Untersuchungen in „ForseenPOMERANIA“ ist festzustellen, dass ALS-basierte Fernerkundungsverfahren ein enormes
Potenzial zur rationellen und genauen Erfassung
von Informationen besitzen, die für die forstliche Planung und Waldbewirtschaftung von
großer Bedeutung sind. Die Vorteile laserge-
stützter Verfahren liegen dabei in der hochpräzisen, georeferenzierten und technologisch gut
weiterverarbeitbaren Qualität der Daten, in ihrer
Fähigkeit zur dreidimensionalen Durchdringung
der Bestände sowie in der Möglichkeit, die Aufnahmen für verschiedenste Zwecke auszuwerten. So ist es neben der Erfassung der Bestandesstruktur durch geeignete Klassifizierungen
der Punktwolken auch möglich, Feinstrukturen
am Boden oder auch die Lage und die Distanzen der Walderschließungsmuster (Abfuhrwege,
Rückelinien) zu bestimmen. Ein organisatorischer Vorteil des ALS besteht weiterhin darin,
dass die Aufnahmen auch bei leichter Bewölkung sowie nachts durchgeführt werden können. Die Befliegung und die Klassifizierung der
Daten wurden im Bereich des LFE für Kosten
von etwa 1–2 Euro je Hektar realisiert. Die Preise für diese Dienstleistungen schwanken jedoch
stark je nach Anbieter, aber auch danach, wie
gut gerade die Auftragslage bzw. die Auslastung
der Unternehmen ist und welche Scanner bzw.
Flugzeuge verfügbar sind. Kostenvorteile lassen
sich erzielen, wenn durch andere Behörden gewonnene Laserdaten mitgenutzt werden können. Außerdem ist anzuregen, dass man sich bei
der Planung von Befliegungen ressortübergreifend abstimmen sollte, um die Datenerfassung
so zu organisieren, dass verschiedene Landnutzungsformen bzw. sektorale Interessenträger
gleichzeitig mit Informationen versorgt werden
können.
3.1.3Satellitengestützte
Fernerkundungsverfahren
Im Projekt wurden Fernerkundungsmethoden
auf Basis von Satellitenaufnahmen vorrangig
mit dem Ziel der Unterscheidung von Baumarten sowie zur Schätzung von Holzvorräten (Volumina) angewandt. Der Fokus lag auf Daten der
Systeme „RapidEye“ und „Landsat TM“ sowie
auf zwei verschiedenen Auswertungsebenen:
der Mesoskala (Landkreise Barnim und Uckermark) und der Makroskala, das heißt der gesamten POMERANIA-Region. Auf diesen Ebenen
lässt es sich am besten mit einer mittleren räumlichen Auflösung arbeiten, wie sie RapidEye mit
5 × 5 und Landsat mit 30 × 30 m aufweisen.
Zur Unterscheidung von Baumarten nutzt das
RapidEye-System die unterschiedlichen spektralen Reflektions- bzw. Aufnahmemuster der
einzelnen Arten. Außerdem können Kenntnisse über die phänologischen Abläufe, das heißt
spezifische Unterschiede im Austriebs- oder
Blattfallzeitpunkt, zur Arterkennung genutzt
werden, wenn Aufnahmen aus den entsprechenden Perioden im Frühjahr oder Herbst vorliegen. RapidEye-Daten dienten darüber hinaus
zur Bestimmung der Holzvorräte auf einer Fläche von rund 4.000 km² im Brandenburger Teil
der Projektregion, für das die entsprechenden
Aufnahmen beschafft worden waren. Daten des
Landsat-Systems wurden auf der Fläche einer
Kachel im gleichen Gebiet (4.500 km²) zu einer
vergleichenden Klassifizierung von fünf Waldtypen (Kiefern-, Eichen, Buchenwälder, Laubmischwälder und Laub-Nadel-Mischwälder)
genutzt. Auf der Makroskala erfolgte auf Basis
von Landsat-Aufnahmen eine Klassifizierung
der Holzvorräte in Nadelwäldern, die vorher mit
Hilfe von CORINE Land Cover Daten identifiziert
worden waren.
Als optische Systeme sind die Satellitenkameras für gut verwertbare Aufnahmen auf möglichst wolkenfreie Wetterbedingungen angewiesen. Geringe Wolkenanteile können zwar durch
entsprechende Verfahren nachträglich korrigiert
werden, trotzdem konnte auf Grund zu starker
Bewölkung z. B. für kleinere Gebiete der Landkreise Barnim und Uckermark die Baumartenklassifikation nicht durchgeführt werden. Auch
die Verbindung mehrerer nebeneinander liegender Aufnahmen durch „Mosaikierung“ kann
problematisch für die Herleitung der Ergebnisse
sein. So sank die Übereinstimmung mit den terrestrischen Daten bei der Vorratsklassifikation
von gut 75 % auf rund 54 %, wenn statt einer
einzelnen Kachel 18 mosaikierte Kacheln verwendet wurden. Als Gründe sind die vermehrte Entstehung von „Mischpixeln“ an den Überlappungsbereichen anzunehmen, in den keine
sinnvolle Klassifizierung möglich ist, sowie die
vereinheitlichende Neuberechnung der über die
Zuordnung entscheidenden Grauwerte über alle
zusammengefassten Kacheln hinweg. Obwohl
hier auch die grobe Auflösung der Trainingsdaten zum Tragen kommt, ist eine Klassifizierungsübereinstimmung von nur etwas über 50 % bei
197
den wenigen zugrundegelegten Klassen unbefriedigend.
Die Test von Satellitendaten des Systems
„WorldView-2“ zur Vitalitätseinschätzung (siehe
2.1.5.3) hat gezeigt, dass sowohl bei aufwändig
vorprozessierten Daten als auch bei kaum bearbeiteten Rohdaten eine Reihe von Ungenauigkeiten bzw. Zuordnungsfehlern auftraten. In den
zwei Testgebieten in Mecklenburg-Vorpommern
konnten zwar Laub- und Nadelwald zuverlässig
voneinander unterschieden werden, die weitergehende Baumartenerkennung war jedoch mit
keinem der untersuchten Auswertungsprogramme in zufriedenstellender Genauigkeit möglich. Die Zuordnung von Vitalitätsstufen bei der
Baumart Esche funktionierte am besten für die
geringste bzw. die höchste Schädigungsklasse, dazwischen liegende Abstufungen konnten
nicht hinreichend genau erkannt werden.
Für die praktische Anwendung der satellitengestützten Fernerkundung sind sicherlich die demonstrierten Möglichkeiten am interessantesten, mit zum Teil frei verfügbaren Daten (z. B.
Landsat TM oder CORINE Land Cover) einen
verlässlichen Überblick über die Waldverteilung,
die Flächenanteile der grundlegenden Waldtypen und die Vorratsverteilung zu erhalten. Hier
konnten gerade mit den RapidEye-Daten wegweisende Ergebnisse erzielt werden. Die Kosten der untersuchten Verfahren sind anhand
der Preise für die einzelnen Szenen der verschiedenen Systeme und für die Software, die
zur Auswertung der Aufnahmen notwendig ist,
im konkreten Anwendungsfall genau bestimmbar. Im Projekt reichten sie von der kostenlosen
Verfügbarkeit der Landsat-Bilder bis zu rund
1–3 Euro je km² für die RapidEye-Kacheln, die
zur Abdeckung von 4.000 km² in den Landkreisen Barnim und Uckermark gekauft wurden
(siehe 2.1.4.4). Auf die Software-Kosten für die
Weiterverarbeitung soll nicht näher eingegangen werden, da sich diese je nach Lizenzart und
den verwendeten Paketen stark unterscheiden
können. Die Anwendbarkeit in der Forstplanung
und der praktischen Waldbewirtschaftung ist
auf Grund der selbst bei den RapidEye-Daten
noch relativ groben Auflösung und der bisher
noch unbefriedigenden Klassifizierungsergebnisse zur Zeit eher begrenzt. Versuche auf Ba-
198
sis von Daten des WorldView-Systems mit einer
Auflösung von unter einem Meter sind zwar positiv verlaufen, konnten im Projekt jedoch nicht
abschließend analysiert werden. Die entsprechenden Karten sind wie die angesprochenen
Holzvorrats- und Waldtypenauswertungen im
Geoportal des Projekts enthalten. Gerade in
mehrschichtigen Beständen, in Mischwäldern
aus mehreren Baumarten oder bei kleinflächig
wechselnden Strukturen stoßen Satellitenbilder
außerdem an methodische Grenzen. Erfolgversprechend erscheint ihre Verwendung in einem
mehrstufigen System in Verbindung mit anderen
Verfahren wie Luftbildern oder Laserscanning
auf kleineren Flächen, um nach einer Vorstratifizierung detailliertere Bestandesinformationen
zu erhalten.
3.1.4Luftbilder
Im Projekt wurden mit verschiedenen Verfahren
aufgenommene Luftbilder vor allem zur Ansprache der Kronenvitalität bei der Baumart Esche
genutzt. Als Vorbereitung sollte eine luftbildgestützte Baumartenklassifikation durchgeführt
werden. Außerdem war zu untersuchen, wie gut
sich Luftbilder zur Ableitung von Höheninformationen eignen. Für die genannten Fragen sollten
verschiedene methodische Ansätze erprobt und
analysiert werden, um Grundlagen für eine mögliche breitere Anwendung in der Praxis zu schaffen. Die Testgebiete lagen der POMERANIA-Region von Mecklenburg-Vorpommern.
Zur Klassifizierung des Vitalitätszustandes wurden dieselben Flächen genutzt wie bei der Auswertung von Satellitenbildern sowie einer parallel durchgeführten Untersuchung mit Hilfe von
Radardaten (TerraSAR-X). Seit 2009 werden in
diesem Gebiet jährlich zehn Probeflächen mit jeweils sechs Bäumen über alle Alters- und Schädigungsklassen exemplarisch vom Boden und
mit Luftbildern beobachtet. In Zusammenarbeit
mit den Praktikern vor Ort wurde außerdem
eine Rangfolge für die Dringlichkeit waldbaulichen Handelns je nach angesprochenem Schädigungsgrad entwickelt. Zur Auswertung der
Luftbilder war es nötig, die häufig schräg aufgenommenen Bäume durch spezielle photogrammetrische Verfahren quasi „aufzustellen“ und
so bessere Bedingungen für die richtige Zuord-
nung der Bäume und eine korrekte Ansprache
zu schaffen. Bei der Auswertung wurde festgestellt, dass die terrestrische und die photogrammetrische Ansprache erheblich voneinander
abweichen. Ein erster Grund dafür sind die verschiedenen Blickwinkel: Während man vom Boden aus in einem Winkel zwischen 10° und 45°
in die Kronen sieht, richtet sich der Blick bei der
Luftbildauswertung immer vom Nadir aus (das
heißt senkrecht von oben) auf die Bäume. Somit
wird bei dem einen Verfahren mehr die Unterkrone beurteilt und bei dem anderen die Oberkrone.
Bei der terrestrischen Ansprache ist außerdem
der Himmel der Hintergrund, bei Luftbildauswertung der Boden mit Unterwuchs und Unterstand.
Dadurch können beim erstgenannten Verfahren die Kronen im Vergleich lichter erscheinen.
Schließlich trugen auch die unterschiedlichen
Klassenbreiten zu Differenzen bei: Terrestrisch
wurde in 5-%-Schritten, im Luftbild in 5 Klassen
unterteilt. Die Übereinstimmung zwischen den
Ansprachen vom Boden aus und auf Basis der
Luftbilder ließ sich durch die Auswertung der Erfahrungen in den ersten Jahren steigern bis auf
eine Übereinstimmung bei 60–70 % der Bäume
sowie jeweils etwa 17 % Über- und Unterschätzung. Auf Grund dieser relativ hohen Qualität
wird das Verfahren mittlerweile vom Projektpartner Landesforst Mecklenburg-Vorpommern
in der Praxis eingesetzt. Es liefert zwar nicht
für jeden Baum exakt die gleichen Werte wie
bei einer terrestrischen Ansprache, wichtig sind
für die Beurteilung der Handlungsdringlichkeit
in den durch das Eschensterben geschädigten
Beständen aber in erster Linie flächenhafte Aussagen, die mit hinreichender Verlässlichkeit korrekt abgebildet werden. Von großem Einfluss ist
jedoch die richtige Baumart-Zuordnung, die auf
Basis der Luftbilder umso problematischer war,
je stärker die Bestände gemischt waren. Luftbildgestützte Schadklassifizierung ist deshalb
vor allem dort von Vorteil, wo die Bestände zwar
wenig bis nicht gemischt, aber schwer zugänglich oder flächig unübersichtlich sind. Hinsichtlich der erprobten Methodik ist für Aufnahmen
in kleineren Gebieten bis zur Fläche einzelner
Reviere das Low-Cost-System der Landesforst MV, für größere Gebiete die professionelle Ausrüstung zu empfehlen (siehe 2.1.5.3). Die
Kosten liegen bei 3–6 Euro je Hektar und damit
niedriger als die Aufwendungen für terrestrische
Ansprachen. Außerdem liegen bei Nutzung der
Luftbilder digitale Daten vor, die für Wiederholungsansprachen oder andere aufbauende Untersuchungen gut geeignet sind.
Zur Extraktion von Höheninformationen wurden Digitale Oberflächenmodelle genutzt, die
auf Basis der Luftbilder erzeugt worden waren.
Vergleichs- und Bezugsbasis sind ALS-Laserdaten für das Testgebiet bei Feldberg in Südost-Mecklenburg-Vorpommern,
aus
denen
ebenfalls DOMs erzeugt und ausgewertet wurden, sowie terrestrische und photogrammetrische Höhenmessungen. Die nötigen Schritte
zur Aufbereitung der Luftbildern ziehen sehr
unterschiedliche Kosten nach sich, da von frei
verfügbarer bis zu hochpreisiger Software prinzipiell verschiedene Wege zur Zielerreichung
führen können. Trotzdem treten je nach Auswertungssystem verschiedene Vor- und Nachteile
in Richtung Oberflächenerkennung und Höhengenauigkeit auf. Auch der jeweils betrachtete
Oberflächentyp entscheidet mit über die Qualität der abgeleiteten DOMs und der extrahierten
Einzelbaum-Höhendaten. Im Ergebnis zeigt sich
zwar, dass die aus den Luftbildern realisierte
Punktdichte hoch genug für die Identifikation
von Einzelbäumen und damit für die Ableitung
individueller Höhen ist. Die Höhengenauigkeit
ist jedoch im Vergleich zu den Laserdaten geringer. Dadurch können digitale Luftbilder nicht
ohne Weiteres zur Höhenermittlung empfohlen
werden. Die Kostenvorteile, die für die Luftbildauswertung sprechen könnten, relativieren sich
durch die im Vergleich zu ALS-Daten aufwändigere Auswertung und die rasante Preisentwicklung der verschiedenen Methoden.
3.1.5Schätzung von Biomasse und
Elementgehalten
Zur Gewinnung von flächendeckenden Informationen über Vorräte und Produktivität an Biomasse sind Schätzfunktionen unumgänglich, die aus
Angaben messbarer Größen (Baumhöhen und
-durchmesser bzw. Holzvolumen) den Gehalt an
Trocken-Biomasse sowie an einzelnen Elementen wie Kohlenstoff oder Stickstoff ableiten. Für
die im Projektgebiet dominante Kiefer wie auch
199
für die Rot-Buche lagen für Nordostdeutschland
zu Projektbeginn bereits zuverlässige Modelle
vor (HEINSDORF und KRAUß 1990, KRAUß und
HEINSDORF 2008). Für die Kiefer im polnischen
Teil der POMERANIA-Region erfogte eine umfangreiche Neuentwicklung von Modellen und
die entsprechende Parametrisierung auf Basis
der Testbestände in der Oberförsterei Drawno
(2.2.1.1). Mit insgesamt 50 Probebäumen als repräsentative Stichprobe aus fünf Beständen lag
die Zahl ausgewerteter Bäume relativ hoch, vor
allem wenn man berücksichtigt, dass alle Probeflächen der fünften Altersklasse (80-100 Jahre)
angehörten. Die Konzentration auf diese Alterklasse folgte unter anderem daraus, dass vom
Bewirtschaftungszyklus her ein großer Teil der
Erntemengen in diesem Altersbereich anfällt.
Außerdem gibt es als Folge der Nachkriegs-Aufforstungen hohe Flächenanteile in der Projektregion, die in der nahen Zukunft in dieses Alter einwachsen und dann zur Nutzung anstehen. Eine
Differenzierung der Biomassefunktionen nach
Unterschieden in der Bestandesdichte, wie sie
in den Testbeständen gegeben waren, ließ sich
in den Auswertungen nicht nachweisen.
Für die Zukunft empfehlen sich auf Grund des
gewählten Probematerials ergänzende Aufnahmen in Beständen geringeren Alters, um zum
Beispiel die Frage nach Nährstoffentzügen durch
Ganzbaumnutzung bei Durchforstungen noch
präziser beantworten zu können. Als praxisnahe
Methode zur Schätzung der (oberirdischen) Biomasse auf Basis des Vorratsvolumens wurden
außerdem mit Hilfe der Untersuchungsergebnisse in den Testbeständen durch die UP Poznań
Umrechnungsfaktoren (BEF) entwickelt. Neben
den rein fachlichen Ergebnissen der Arbeitsgruppe Poznań-Drawno ist auch die dort erreichte Öffentlichkeitswirksamkeit des Projekts
zu würdigen. Die mehrfache Durchführung internationaler Studentencamps in der Oberförsterei
Drawno hat sowohl zu der großen Fülle an Ausgangsdaten als auch zur Bekanntheit des „ForseenPOMERANIA“-Projekts über die regionale
Ebene hinaus wesentlich beigetragen.
Wie im Fall der Kiefer in Drawno, so hat sich
auch die Arbeit an den Schätzfunktionen für die
Eiche neben der Biomasse insgesamt auf die
Gehalte an Nährelementen in den Baumkom-
200
partimenten Derbholz, Grobäste, Reisig (jeweils
einschließlich der Rinde) sowie Blattmasse konzentriert. Das Probematerial stammte in diesem
Fall von 22 Bäumen mit einer größeren Dimensionsspanne als bei der Kiefer. Bäume mit einem
Brusthöhendurchmesser von mehr als 40 cm
wurden nicht beprobt – hier deutet sich Bedarf
für zukünftige Untersuchungen an, die sich mit
starken Altbäumen beschäftigen sollten. Diese
spielen gerade mit Blick auf das Belassen von
Totholz in naturnah bewirtschafteten Beständen
und deren Kohlenstoffbilanz eine große Rolle.
Eine ausführliche Diskussion der angewandten
Modelle und der Verfahren, zum Beispiel zur Gewinnung der Stichproben für die Nährelementanalysen, findet sich in den entsprechenden
Fachkapiteln
Auf Grundlage der im Projekt erhobenen und
aus anderen Quellen verarbeiteten Daten ist
es nun außerdem möglich geworden, die Elementgehalte einzelner Baumkompartimente zu
schätzen. Dies ist – in Verbindung mit möglichst
fein aufgelösten Informationen über die Standortsqualität bzw. Nährelementausstattung – eine
wichtige Grundlage, um den Nährstoffentzug,
der mit der Nutzung von Holz bzw. Biomasse
aus den Beständen verbunden ist, quantifizieren und in eine nachhaltigkeitsorientierte Bewirtschaftungsplanung einbeziehen zu können. Zur
Umsetzung derartiger Berechnungen bietet sich
das weiterentwickelte Simulationsprogramm
BWINPro an, das unter anderem die realitätsnahe Modellierung von Durchforstungs- und Erntemaßnahmen erlaubt und in die Ergebnisse in
Ergebnistabellen aufbereitet (siehe 3.1.6).
Die neu erstellten Biomassefunktionen sind
auch auf einem höheren räumlichen Niveau
von großer Bedeutung. Sie ermöglichen es, sowohl die Kohlenstoffgehalte in den Wäldern der
POMERANIA-Region (über die durch andere Methoden quantifizierten Holzvorräte) genauer zu
bestimmen als auch die Veränderungen dieser
Gehalte durch geplante Nutzungen oder Schadereignisse zu erfassen. Dies ist zum Beispiel in
Bezug auf die Funktion der Wälder im Kohlenstoffkreislauf und darauf aufbauend für die Berichtspflichten der Regierungen im Rahmen des
Kyoto-Protokolls von Bedeutung (KOBIZE 2011,
UBA 2012). In Verbindung mit Veränderungsana-
lysen auf Basis multitemporaler Satellitenbilder
oder – wie am Beispiel eines Kooperationsprojekts zwischen dem Landeskompetenzzentrum
Eberswalde und der Wirtschaftsverwaltung des
Landkreises Barnim bereits durchgeführt – mehrfacher Laserscan-Befliegungen sind die Verluste
oder Gewinne an Biomasse wie an Kohlenstoff
oder anderen Elementen sehr genau darstellbar.
Auch andere großflächig erprobte Modellansätze wie das Biomassemodell POMERANIA
(BMP; siehe 3.1.7) können in ihren Aussagen zur
Biomasseproduktivität mit Hilfe der neu entwickelten Schätzmodelle gut mit real gemessenen
Zuwachswerten z. B. von Versuchsflächen oder
permanenten Stichprobenpunkten verglichen
bzw. ergänzt werden.
Mit Blick auf die zunehmende energetische
Nutzung von forstlicher Biomasse als nachwachsender Rohstoff stellen die erarbeiteten
Schätzfunktionen zuverlässige Berechnungsgrundlagen für die Abschätzung der Trockenmassen und daraus abgeleitet des potenziellen
Energiegehaltes auf den verschiedensten Auflösungsebenen dar. Die entsprechenden Übersichten im Geodatenportal (siehe 3.2.8) bieten
eine Reihe von komfortablen Möglichkeiten,
diesbezügliche Informationen herzuleiten, zusammenzufassen und zu exportieren.
3.1.6Das Simulations- und Prognoseprogramm BWINPro
Das Programmpaket BWINPro wurde im Kontext der Biomasseschätzung im Projekt auf
zwei Ebenen bearbeitet: Zum einen erfolgte die
Anpassung der Schätzroutinen für das Einzelbaumwachstum an die regionalen Wuchsbedingungen im deutschen Teil der Projektregion
für die Baumart Rot-Buche, zum anderen ging
es darum, die neu entwickelten Funktionen zur
Ableitung der Biomasse und der Elementgehalte unter nordostdeutschen Verhältnissen in das
Programm zu integrieren. Im Zusammenspiel
der Einzelmethoden sollte damit ein Werkzeug
bereitgestellt werden, das die flächengenaue
Abschätzung des Wachstums bzw. der Produktivität einzelner Waldbestände unter Einfluss
verschiedener Behandlungsstrategien ermöglicht. Das potenzielle Anwendungsfeld ist damit
vor allem die Planung der praktischen Waldbe-
wirtschaftung unter der Maßgabe der Nachhaltigkeit nicht nur in der Holznutzung.
Für die Rot-Buche als eine der wichtigsten
Laubbaumarten im POMERANIA-Gebiet liegt
durch die im Projekt erarbeiteten Modelle und
ihre Parametrisierung mit regionalen Versuchsflächendaten nun ein verlässliches Simulationswerkzeug vor. Für realitätsnahe Prognosen kann
je nach Qualität der Ausgangsdaten und Übereinstimmung mit der Parametrisierungsgrundlage im Einklang mit NAGEL et al. (2002) sowie
SCHRÖDER et al. (2007) ein Zeitraum von 30-50
Jahren angesetzt werden, was für wirtschaftliche
Planungen als völlig ausreichend anzusehen ist.
Wie auch beim Originalmodell für Niedersachsen (NAGEL 2013) ist in der vorgelegten Fassung
von BWINPro die Berücksichtigung klimatischer
Einflüsse bei Wachstumsprognosen nur sehr
begrenzt über Vorgaben der Bonität, das heißt
der standörtlichen Leistungsfähigkeit, möglich.
In Anbetracht des noch immer unbefriedigenden
Wissensstandes zur Geschwindigkeit und zur
regionalen Ausprägung des anzunehmenden
Klimawandels sowie zur tatsächlichen Anpassungsfähigkeit der heimischen Baumarten kann
dieser methodische Mangel wegen seiner vernachlässigbaren Auswirkungen (noch) toleriert
werden. Für die Zukunft sollte jedoch verstärkt
daran gearbeitet werden, flexiblere und gleichzeitig verlässliche standortsabhängige Prognosen möglich zu machen.
Die neu in BWINPro implementierten Schätzfunktionen und Koeffizienten sind in ihrer Wirkung auf die einzelnen Baumparameter eingehend getestet worden und dementsprechend
abgesichert. Der Einsatz des Programms in der
Praxis wird jedoch eventuell in Randbereichen
die Modellgrenzen aufzeigen, wenn es auf das
Zusammenwirken aller Teilmodelle in längerfristigen Simulationen gerade für Mischbestände geht. Hier sind zwar einige Testläufe erfolgt,
gerade bei ungewöhnlichen Konstellationen der
Arten- oder Altersstruktur, bei extremen Bestandesdichten oder Lichtstellungen können jedoch
auch unplausible Ergebnisse entstehen. Zur
richtigen Einordnung der Schätzwerte ist deshalb auch der forstliche Sachverstand der Anwendenden gefragt. Außerdem sollten mittels
evaluierender Untersuchungen Modellierungs-
201
ergebnisse gezielt mit Daten aus anderen Quellen wie den forstlichen Datenbanken der einzelnen Regionen abgeglichen werden.
Als zusätzliche Weiterentwicklungen der Programmstruktur sind die Schaffung einer Schnittstelle zum nordostdeutschen Informationssystem „Datenspeicher Wald 2“ (mit direkter
Datenübernahme aus der Zeilenstruktur für die
Teilfläche als Behandlungseinheit) sowie die
Einrichtung sogenannter „Entwicklungspfade“
zu nennen. Diese Pfade fassen verschiedene
grundsätzliche Behandlungsstrategien unter
einem schlagwortartigen Titel zusammen. So
kommen unter dem Namen „Grüner Ordner“ die
in der aktuellen Waldbaurichtlinie für den Brandenburger Landeswald enthaltenen Maßnahmen
mit den dort festgelegten Zielen, Intensitäten und
Intervallen zum Tragen, während im Pfad „Naturschutz“ alle Maßnahmen auf die Förderung der
biologischen Vielfalt und der Selbstregulierung
des Waldes abgestellt sind (zum Beispiel durch
„Minderheitenschutz“ in Form der Begünstigung seltener Baumarten oder durch die maximale Erhaltung starker Bäume als potenzielle
Habitatbäume). Zusammen mit der Schnittstelle
zum Datenspeicher Wald sind damit wichtige
Voraussetzungen geschaffen worden, um auf
dem Wege der Stapelverarbeitung ganze Reviere Teilfläche für Teilfläche in ihrer Entwicklung zu
simulieren. In Niedersachsen wird der Simulator
BWINPro in ähnlicher Weise in einem geodatenbasierten System („Waldplaner“, ALBERT und
HANSEN 2007) verwendet, um die Wälder von
Revieren, Landschaftsbereichen oder ganzen
Forstbetrieben „fortzuschreiben“, das heißt ihren Zustand in mehreren Jahrzehnten unter Wirkung angenommener Behandlungsverfahren zu
simulieren. Der große Wert solcher Instrumente
liegt in der Möglichkeit von vergleichenden „was
wäre wenn“-Analysen sowie in den vielfältigen,
detaillierten Informationen zur Artenstruktur, Alterszusammensetzung, Holzproduktion und anderen Parametern der Waldentwicklung. Diese
ermöglichen eine nachhaltige Nutzungsplanung
sowie die langfristige Anpassung an die vorhandenen Nutzungspotentiale im Bereich der
nachgeordneten holzwirtschaftlichen Betriebe.
Im „ForseenPOMERANIA“-Projekt gehörte ein
derartiges für regionale, gesamtbetriebliche
202
Prognosen geeignetes Modellsystem zwar noch
nicht zum Zielsystem, aber es wurden wichtige
Grundlagen für eine regional angepasste und
modulare Weiterentwicklung von BWINPro in
diese Richtung gelegt.
3.1.7
Das Biomassemodell
POMERANIA (BMP)
Als Verknüpfung prozessbasierter Modelle zur
Biomasseproduktivität mit Daten aus der Satelliten-Fernerkundung ist das Biomassemodell
POMERANIA (BMP) ein Arbeitsgebiet mit nur
wenigen möglichen Bezügen auf etablierte Verfahren gleicher Auflösung bzw. Ergebnisstruktur
gewesen. Von der Erstellung des BMP über die
Ableitung der Ergebnisse bis hin zur Evaluierung
der produzierten Daten und Karten mussten
vielfach neue methodische Ansätze entwickelt
werden. Das galt z. B. für ein neu zu gestaltendes Modul zur Simulation des Einflusses von
Stress durch ungenügende Wasserverfügbarkeit
auf die Biomasseproduktivität. Auch hinsichtlich
der Eingangsdaten bestehen große Unterschiede zwischen dem in „ForseenPOMERANIA“ erreichten Entwickungsstand und dem ursprünglichen Modell von RICHTERS (2005). Das BMP
kann je nach Verfügbarkeit unterschiedlich gut
aufgelöste Daten verarbeiten: Für ein Modellgebiet von 2.400 km² in den Landkreisen Barnim
und Uckermark werden zum Beispiel die forstliche Standortskarte sowie eine Klassifizierung
nach sechs Baumartengruppen auf Basis von
Satellitendaten (RapidEye) in die Schätzungen
integriert, da diese Informationen dort vorliegen. Für die gesamte POMERANIA-Region mit
rund 38.000 km² werden dagegen eine Einteilung der Wälder entsprechend den Corine Land
Cover Daten mit den Klassen Laub-, Nadel- und
Mischwald und eine relativ grobe Daten zur Bodenqualität aus der „European Soil Database“
(ESDB) genutzt, da nur diese flächendeckend
vorliegen. Die räumliche Auflösung ist im Modellgebiet erheblich feiner als in der Gesamtregion. Vergleicht man die Ergebnisse in Form der
durchschnittlichen Nettoprimärproduktion (NPP)
innerhalb der Modellregion, sind die Mittelwerte der beiden Auflösungen nahezu identisch
(2.2.3.4). Im Geoportal „POMERANIA“ kann
man sich die Ergebnisse beider Schätzverfahren
auf Basis der unterschiedlichen Daten darstellen
lassen und sie vergleichen.
Ein großer Vorteil des prozessorientierten Modellierungsansatzes, wie er bei der Erstellung
des BMP verfolgt wurde, ist die Witterungsabhängigkeit. Die im Modell nachgebildeten Prozesse, die zur Schätzung der NPP als zentraler Zielgröße führen, reagieren auf die variablen
Niederschlags- und Strahlungsverhältnisse.
Dadurch ergeben sich charakeristische Unterschiede in der NPP z. B. zwischen feuchten, trockenen und durchschnittlichen Jahren. Anhand
der kleinsten Zeiteinheit des BMP von zehn-Tages-Summen zeichnet sich innerhalb des Jahresverlaufs ebenfalls eine deutliche Parallelität
zwischen dem Wasserstress und der NPP ab. In
der Gesamtbetrachtung der Einflussfaktoren hat
die Wasserverfügbarkeit den größten Einfluss
auf die Variation der NPP-Werte. In der Rangfolge als nächstes folgt die Baumartenzusammensetzung, die über die artspezifische „Lichtnutzungseffizienz“ (LUE) in die Schätzungen
eingeht. Nach den Ergebnissen des BMP weisen Laubwälder im Mittel eine höhere NPP auf
als Nadelwälder. Das resultiert zwar zum einen
aus der höheren LUE der Laubbaumarten, zum
größeren Teil jedoch daraus, dass Laubwälder in
der Projektregion deutlich häufiger auf den leistungsfähigeren Standorten anzutreffen sind. Es
wird deutlich, dass bei Auswertungen der Gesamtkomplex der Einflussgrößen zu betrachten
ist und isolierte Vergleiche einzelner Faktoren zu
falschen Schlussfolgerungen führen können.
Die Schätzgenauigkeit und die Sensitivität des
Modells wurden intensiv getestet, die Ergebnisse sind im Abschnitt 2.2.3.3 ausführlich dargestellt. Vergleiche der berechneten NPP mit
Angaben aus der Literatur zeigen keine auffälligen Unterschiede. Eine weitere Referenzebene
wurde in Form von langfristigen forstlichen Versuchsflächen zur Evaluierung der Modellqualität herangezogen. Anhand von 94 Parzellen für
die Baumarten Kiefer, Fichte, Eiche und Buche,
die im Modellgebiet nördlich und westlich von
Eberswalde liegen, wurden die mittleren Volumenzuwächse über fünf Jahre den mittleren
NPP-Werten aus dem BMP für die betreffenden
Flächen gegenübergestellt. Zur Umrechnung
der Zuwächse wurden die Formeln von ZELL
(2008) genutzt. Im Durchschnitt betrug der Anteil der durch das BMP geschätzten Zuwächse
knapp 80 % der Zuwächse aus den Wiederholungsaufnahmen auf den Versuchsflächen. Dieser Wert belegt, dass das fast ausschließlich auf
Fernerkundungsdaten aufbauende Biomasseprozessmodell den realen Messungen sehr nahe
kommt. Als mögliche Erklärungen für die Abweichungen bieten sich die verwendeten Transformationsfaktoren zur Schätzung der unterirdisch
gebildeten Biomasse oder das pauschal angesetzte Verhältnis zwischen Kohlenstoffgehalt
und Trockenmasse von 1:2 an.
In der Gesamtbetrachtung ist mit dem BMP ein
vor allem für wissenschaftliche oder allgemein
ökologische Analysen hochinteressantes Werkzeug entstanden. Das Ursprungsmodell konnte
erfolgreich an die Gegebenheiten in der POMERANIA-Region angepasst und weiterentwickelt
werden. Der Faktor Wasser ist wie oben dargestellt für den größten Teil der Unterschiede zwischen den Jahren verantwortlich. Das BMP ist
tolerant hinsichtlich der Qualität der Eingangsdaten, wenn man die Berechnung für große Gebiete durchführen will. Das haben großflächige
Vergleiche der Mittelwerte der NPP gezeigt,
die unabhängig von der Qualität der Eingangsdaten gleich hoch ausfallen. Anders verhält es
sich, wenn man Aussagen für kleinere Flächen
erhalten will. In diesen Fällen ist zu empfehlen,
mit genaueren Eingangsdaten in die Modellrechnung zu gehen, um die standortspezifischen und pflanzenspezifischen Eigenschaften
berücksichtigen zu können. Das Modell ist, da
es mit Fördermitteln erstellt wurde, für nichtkommerzielle Anwendungen frei verfügbar und
wurde vom Auftragnehmer DELPHI IMM GmbH
zusammen mit ausführlichen Bedienungshinweisen an das LFE übergeben. Eine große Auswahl der Ergebnisse einschließlich der Möglichkeit zur Bewegung auf einem „Zeitstrahl“ ist in
das Geoportal als zentrales Informationssystem
für das Gesamtprojekt integriert worden.
3.1.8Das Geoportal „POMERANIA“ als
Informationssystem
Das Biomasse-Informationssystem des Projektes eröffnet einem breiten Nutzerkreis direkten
Zugang zu raumbezogenen Daten aus dem The-
203
menkreis Wald und Forstwirtschaft. Durch die
Einbindung in ein frei zugängliches Geodatenportal (http://www.brandenburg-forst.de/pomerania/) bleiben Darstellung und Auswertung der
gewonnenen Ergebnisse nicht nur einem Fachpublikum vorbehalten, sondern stehen prinzipiell allen offen, die Grundkenntnisse zur Abfrage
und Interpretation von Geodaten besitzen (Abb.
198). Die individuell konfigurierbaren, verständlich
gestalteten Funktionen stellen mächtige AnalyseWerkzeuge dar.
Bei der Gestaltung der Benutzeroberfläche wurde darauf geachtet, diesen weitgehend barrierearmen Zugang auch bei der Anwendung der
verschiedenen Funktionen zu ermöglichen. Das
Interface orientiert sich an bekannten GIS-Umgebungen und fördert so eine möglichst intuitive
Bedienung. Die Metadaten der eingestellten Inhalte wurden entsprechend der INSPIRE-Richtlinie erhoben und entsprechen außerdem den
Anforderungen der europäischen Kommission
an Geofachdaten. Erweiterungen um neue Inhalte oder Funktionen sind dadurch, dass konsequent freie Software bei Einhaltung offener
Standards (WMS, WFS, WPS) verwendet wurde,
mit geringem Aufwand realisierbar. Der Export ist
digital wie auch als Ausdruck über die integrierte Erstellung von PDF-Dateien möglich. Eigentumsrelevante Daten sind im Geoportal insofern
nicht verfügbar, als keinerlei personenbezogene
Informationen enthalten sind. Alles, was sich hier
aufbereiten, aggregieren oder kombinieren lässt,
ist in isolierter Form auch außerhalb des Geoportals online verfügbar.
Abb. 198: Startbildschirm
des Geoportals
„POMERANIA“
204
Kartenbasiert aufbereitete Geodaten ermöglichen eine anschauliche und leicht verständliche
Zusammenfassung oft komplexer Rohdaten. Bei
der Nutzung des Geoportals ist deshalb immer
zu berücksichtigen, dass die zu Grunde liegenden Informationen häufig nicht in allen Bereichen
der POMERANIA-Region in identischer Auflösung
vorliegen oder sogar – wie im Fall der Laserbefliegungen und detaillierter Satellitenbilder – nur in
einigen kleineren Bereichen des Projektgebietes
erhoben wurden. Die dadurch noch vorhandenen Grenzen bzw. „weißen Flecken“ sollen durch
zukünftig eingepflegte zusätzliche Daten nach
und nach weniger werden, um die Möglichkeiten räumlich großflächiger wie thematisch spezifischer Abfragen zu kontinuierlich zu erweitern.
Hier gibt es zum Beispiel aktuell Abstimmungen
zum Einspielen terrestrischer Daten für einen Teil
der Regionaldirektion Szczecin der Polnischen
Staatsforsten. Auch hinsichtlich der bereits heute enthaltenen Erhebungs-, Berechnungs- und
Schätzergebnisse soll die Benutzungsfreundlichkeit des Geoportals jedoch nicht zu einem
unkritischen Umgang mit den verfügbaren Informationen verleiten: In den entsprechenden Fachkapiteln im Abschnitt 2 werden immer wieder
auch die Unzulänglichkeiten bzw. Randbereiche
genannt, die bei der Verwendung der jeweiligen
Verfahren zu berücksichtigen sind. Die im Portal
angegebenen Vorratsdaten, Biomassegehalte,
Baumartenverteilungen usw. sind keine absoluten
Wahrheiten, sondern vor dem Hintergrund der zu
ihrer Herleitung verwendeten Methoden einzuschätzen. Eine absolute Referenz ist jedoch nur in
den seltensten Fällen gegeben. Den zum „ground
truthing“ der Satellitenverfahren genutzten Angaben zum Beispiel aus dem „Datenspeicher Wald
2“, wie er in der Landesforstverwaltung Brandenburg benutzt wird, liegen zum Teil ebenfalls
durch Fortschreibungsalgorithmen und Schätzverfahren ermittelte Werte zu Grunde; für Bestände außerhalb des Landeswaldes sind beiderseits
der Oder die Informationen in den Datenbanken
nur lückenhaft und von unterschiedlicher Qualität. Letztlich ist es die Aufgabe der Nutzerinnen
und Nutzer des Geoportals, verantwortlich und
kritisch mit den Daten umzugehen, die das Informationssystem liefern kann. Der große Fortschritt
ist auch hier nicht zuletzt methodischer Natur. Indem ein derartiges System erst einmal entwickelt,
gefüllt und erprobt wurde, sind damit überhaupt
erst die Möglichkeiten entstanden, es zu verbessern und weiter zu entwickeln. Mit zunehmender
Menge und Vielfalt der im Portal abgelegten bzw.
zugänglichen Informationen werden dann auch
der Nutzwert und damit die Zahl der sinnvollen
Anwendungen steigen.
3.2Allgemeines Fazit mit Blick
auf die Projektziele
Entsprechend dem Zielsystem des Projekts war
es die zentrale Aufgabe der beteiligten Arbeitsgruppen, eine möglichst breite Auswahl aktueller Methoden der Fernerkundung dazu zu nutzen, sowohl realitätsnahe als auch dynamische
Schätzwerte für Zustand und Entwicklung der
Biomassevorräte in den Wäldern der Euroregion „POMERANIA“ als Projektgebiet zu liefern.
Die Ergebnisse der unterschiedlichen Verfahren
waren in einem fernerkundungsbasierten forstwirtschaftlichen Informationssystem einheitlich
für die deutsche wie für die polnische Seite der
POMERANIA-Region darzustellen, um grenzüberschreitend eine nachhaltige und umweltverträgliche Holz- und Energieproduktion zu fördern.
Im Projektverlauf wurde deutlich, dass ein internetbasiertes Portal zur flexiblen Bereitstellung
geografischer Daten („Geoportal“) eine geeignete
Form für das geforderte Informationssystem ist.
Die für das „Füllen“ des Geoportals notwendigen
Forschungsarbeiten sollten von Beginn an ne-
ben hoher wissenschaftlicher Qualität auch einen
stringenten Bezug auf die Erfordernisse der forstlichen Praxis aufweisen. Vor diesem Hintergrund
ging es darum, praxistaugliche Verfahren mit einem günstigen Kosten-Nutzen-Verhältnis zu identifizieren. Diese sollen perspektivisch eine Reihe
von in der Fläche stattfindenden Arbeitsschritten
bzw. Produkten ersetzen, die derzeit noch zum
Routineumfang bei Planung und Umsetzung der
Waldbewirtschaftung gehören. Als Beispiel sei die
Erhebung von Höhenwerten vor allem als Bestandesmittel- oder –spitzenwerte genannt. Nicht nur
hier sind die Aufnahmen vom Boden aus sowohl
zeit- und kostenaufwändig als auch oft mit relativ
großen Fehlern behaftet. Geeignete Fernerkundungsabläufe könnten hier flächendeckend in
rationellerer Form genauere Daten liefern – erste
Anwendungen dazu haben auf Basis von Luftbildern (2.1.5.4) sowie vor allem mittels Laserdaten
erfolgversprechende Ergebnisse gezeigt. Die Bereitstellung von Methoden und Ergebnissen in
digitaler Form über ein Geoportal sollte außerdem dazu beitragen, dass das im Projekt Erarbeitete direkt mit anderen Informationssystemen
wie dem Datenspeicher Wald 2 (LFE 2009) auf
deutscher Seite sowie den Daten der polnischen
Waldinventur (BULiGL 2011) verschnitten werden
kann. Außerdem erleichtert die Bindung an die
forstliche Verwaltungs- und Managementstruktur
(Forstgrundkarte) das Verständnis der flächenbezogenen Daten, die im Projekt erzeugt wurden.
Die Ausgangssituation für die Projektbearbeitung
hinsichtlich bestehender Kompetenzen und Vorläuferprojekte war bei den beteiligten Partnerinstitutionen sehr unterschiedlich. Bei der Planung
wurde deshalb versucht, je nach den jeweils
vorhandenen Erfahrungen bzw. Stärken die Aufgaben so zu verteilen, dass sich ein optimales
Zusammenwirken im Sinne der Gesamtzielstellung ergab. Gerade bei Berücksichtigung der
begrenzten Laufzeit war es nicht sinnvoll, dass
sich jede Institution mit allen Verfahren parallel beschäftigte. Nicht zuletzt spiegelten die bei
den einzelnen Partnern durchgeführten Analysen auch akute Probleme wider, mit denen man
sich vor Ort gerade beschäftigte: Dass Schätzverfahren zur Vitalität von Einzelbäumen gerade
in Mecklenburg-Vorpommern intensiv im Projekt untersucht wurden, liegt auch daran, dass
205
dort die Problematik des Eschentriebsterbens
besonders drastisch ausgeprägt ist. Methoden des terrestrischen Laserscannings wurden
schwerpunktmäßig an der Universität Poznań
angewandt, weil hier bereits umfassende Vorerfahrungen sowohl mit der Hardware als auch
mit den Auswertungsmöglichkeiten vorlagen.
Am Beispiel des Projektpartners LFE wiederum
konnte untersucht werden, wie gut sich die gesamte Prozesskette von der Auswahl geeigneter
Verfahren über deren Anwendung und die Datenauswertung bis hin zur Laufendhaltung und
nutzergerechten Präsentation der Ergebnisse
unter Praxisbedingungen in begrenzter Zeit etablieren lässt. Im Rückblick lässt sich sagen, dass
der arbeitsteilige Projektansatz mit der grenzüberschreitenden Zusammenarbeit über die
Oder hinweg erfolgreich war. Das trifft vor allem
auf den Komplex der Methodenentwicklung und
der modellhaften Anwendung einzelner Verfahren zu. Die tatsächliche Umsetzung in der Praxis
konnte durch das Projekt nur vorbereitet sowie
beispielhaft realisiert werden. Es obliegt den Verantwortlichen in den Verwaltungen, Institutionen
und Betrieben in der Gesamtregion, die erarbeiteten Möglichkeiten nun auch anzuwenden bzw.
in die etablierten internen Abläufe wie auch in
die Abstimmungs- und Planungsmechanismen
zwischen den Praxisakteuren zu integrieren. Hier
liegt die tatsächliche Herausforderung, an der
sich die Praxistauglichkeit der Fernerkundungsverfahren und Schätzmodelle entscheiden wird.
Für die Diskussion über die Übertragbarkeit der
dargestellten Verfahren sind Angaben zu den
Kosten, dem allgemeinen Aufwand z. B. bei der
Datenaufbereitung sowie zur Genauigkeit der einzelnen Methoden von großer Bedeutung. Dazu
sei hier auf die in den Fachkapiteln getroffenen
Aussagen verwiesen, die hier nicht noch einmal
im Einzelnen wiederholt werden sollen. Preisangaben sind sowohl zeitlich als auch nach Bedarf
und Nachfrage stark variabel, viele Daten werden
entweder billiger in der Beschaffung oder sind
gleich als Open-Source-Produkte verfügbar. Die
Preisspannen zwischen den Angeboten bei den
fernerkundungsbezogenen Ausschreibungen mit
klar definierten Parametern waren zum Teil sehr
groß. Dies deutet darauf hin, dass sich einige
Verfahren noch in einer Art „Orientierungsphase“
206
befinden, in der Ergebnisse auf verschiedenen
Wegen mit unterschiedlichem Aufwand erreicht
werden können. Der oft noch geringe Standardisierungsgrad lässt es wenig sinnvoll erscheinen,
bestimmte Verfahren für konkrete Anwendungszwecke zu empfehlen oder abzulehnen. Eine genaue Definition der Ziele und der gewünschten
Daten in zeitlicher und räumlicher Auflösung ist in
jedem Fall von großer Bedeutung, um das auszuwählende Verfahren einzugrenzen. Die im Projekt
untersuchten satellitenbasierten Verfahren liefern
eher großräumige Ergebnisse zur schnellen Orientierung oder für regionalbezogene, vergleichende
Analysen mit vergleichsweise grober Auflösung.
Sie machen aber auch zusätzliche Informationsebenen wie die Vitalität der Bäume, die Produktivität der Vegetation oder möglichen Schädlingsbefall zugänglich. Je gröber die Auflösung ist, desto
häufiger sind die entsprechenden Daten im Internet frei verfügbar. Das „airborne“ Laserscanning
stellt demgegenüber deutlich feiner aufgelöste,
dreidimensionale Informationen zur Verfügung.
Die dort entstehenden Punktwolken lassen sich
rechentechnisch sehr gut verarbeiten und dadurch, dass bei der Erfassung die Vegetation zum
Teil durchdrungen wird, zur Erstellung sowohl
von Oberflächen- als auch von Geländemodellen
nutzen. Zur Identifikation von Einzelbäumen sowie zur Messung von Kronengrößen und Baumhöhen liegen erfolgversprechende Ansätze vor,
die die Ableitung forstwirtschaftlich relevanter
Parameter, z. B. der Holzvorräte, flächendeckend
und in hoher Genauigkeit möglich machen (2.1.3
und 3.1.2). Befliegungen und Klassifizierungen
zusammen sind im Projekt für Preise im Bereich
zwischen einem und zwei Euro je Hektar realisiert
worden – diese Preise sind aber nur eingeschränkt
repräsentativ (s. o.) und gelten bei Befliegungsgebieten von 500 bis 600 km² mit etwa acht Punkten je m². Hervorzuheben ist auch die genaue
Georeferenzierung der erhobenen Daten, die ein
Verschneiden mit anderen Verfahren oder Datenbanken erleichtert. Das terrestrische Laserscanning (TLS) ist die Methode mit der höchsten
Auflösung, aber der geringsten räumlichen Abdeckung. Das Verfahren liefert hochgenaue Daten
über einzelne Bestände bzw. Bestandesteile, aus
denen mit weit entwickelter Software forstliche
Messgrößen wie Durchmesser in verschiedener
Höhe am Stamm oder Einzelbaumhöhen extrahiert werden können. Interessant ist dies gerade
für die genaue Nutzungsplanung bis hin zur Abschätzung der anfallenden Volumina in den einzelnen Stärkeklassen. Wegen der Beschränktheit
auf relativ kleine Flächen ist eine Anwendung des
TLS vor allem für repräsentative Beispielbestände
mit anschließender Übertragung auf größere Gebiete denkbar. Gerade auf polnischer Seite wird
außerdem intensiv über eine weitergehende Einbindung des Verfahrens in die Forsteinrichtung
nachgedacht. Luftbilder nehmen eine Zwischenstellung hinsichtlich der Auflösung bzw. der Flächenabdeckung ein. Ihren im Vergleich mit dem
Laserscanning geringeren Kosten steht gegenüber, dass ihre Auswertung aufwändiger ist und
sich nicht in vergleichbarer Weise automatisieren
lässt (siehe 2.1.5.3). Dazu kommt, dass Luftbilder
ebenso wie Satellitenaufnahmen abhängig von
günstigen Witterungsverhältnissen sind, während
die Erfassung von Laserdaten bei Nacht genauso
gut wie bei leichter Bewölkung oder klarem Himmel durchführbar ist.
Zur Verstetigung der Projektergebnisse sind
während seiner Laufzeit in Form von Öffentlichkeitsarbeit, Publikationen und Datenaustausch
wichtige Anregungen erarbeitet worden. Ob diese Anstrengungen wirklich zu einem nachhaltigen
Projekterfolg beigetragen haben, wird jedoch erst
die Zukunft zeigen. Zu den entscheidenden Voraussetzungen dafür, dass die in „ForseenPOMERANIA“ erprobten und weiterentwickelten Methoden stärkeren Eingang in die Praxis finden, gehört
zum einen die technische Kompatibilität bzw.
„Verträglichkeit“ mit etablierten Abläufen und Verfahren für Inventur, Management und Planung.
Je besser sich die Fernerkundungsdaten dazu
eignen, konventionell erhobene Informationen zu
präzisieren und zu ergänzen, desto stärker wiegen
die Argumente für ihre Nutzung möglichst in Form
kombinierter Verfahren. Nicht weniger bedeutsam
ist jedoch die menschliche Kompatibilität: Die
neuen Methoden sollten von geeigneten Fachkräften mit entsprechender Kompetenz betreut
und eingesetzt werden, sie sollten als Bereicherung des Spektrums forstlicher Tätigkeiten und
nicht als Belastung oder gar Bedrohung etablierter Arbeitsbereiche wirken bzw. wahrgenommen
werden. Dies erfordert die bewusste Förderung
der Beschäftigung mit Fernerkundungsmethoden sowie eine aktive Personalentwicklung in
Form von Schulungen, Erfahrungsaustausch und
Vernetzung von Spezialisten und Anwendern
über Länder- und Ressortgrenzen hinweg. Zur
Laufendhaltung, Weiterentwicklung und sinnvollen Anwendung von Fernerkundungsdaten und
-verfahren bedarf es motivierter und gut ausgebildeter Mitarbeiterinnen und Mitarbeiter. Hier
kommt als dritte Ebene neben der technischen
und der menschlichen Komponente die institutionelle Kompatibilität zum Tragen. Forstliche Service- und Forschungseinrichtungen sollten einen
verlässlichen, langfristig tragfähigen Rahmen für
eine stärkere Einbindung der Fernerkundungsmethoden in die strategische wie taktische Arbeit der
Forstverwaltungen und Betriebe bieten. Auf Basis
der spezifischen Bedürfnisse sollte eine sinnvolle
Auswahl aus den breiten Möglichkeiten der neuen
Verfahren getroffen, die nötigen Aufgaben verteilt
und die Arbeit organisiert werden. Auch wenn die
entsprechenden Leistungen selbst an Unternehmen vergeben werden, ist trotzdem verwaltungsinternes Fachwissen unerlässlich, um zum einen
die Aufgabenerfüllung angemessen vorbereiten
und zum anderen die erbrachten Leistungen
sachgerecht beurteilen bzw. abnehmen zu können. Bei vielen der durch „ForseenPOMERANIA“
untersuchten Verfahren handelt es sich um zukunftsträchtige und erfolgversprechende Ansätze
mit kaum abschätzbarem Informationspotenzial.
Die Entscheidungsträger auf beiden Seiten der
Oder sollten deshalb alles dafür tun, dass das erarbeitete Wissen und Können nun auch sinnvoll
integriert und weiterentwickelt wird.
207
4Literaturverzeichnis
AKAIKE, H. (1973):
Information theory and an extension of the maximum likelihood principle. In: B. N. PETROV, F. CSAKI (Eds.), Second international symposium on information theory (pp.
267 281). Budapest: Academiai Kiado.
ALBERT, M. (2000):
Ein funktionalisierter Höhenergänzungsalgorithmus für
Einzelbaumwachstumsmodelle. Jahrestagung der Sektion
Ertragskunde des DVFFA in Kaiserslautern, Tagungsband.
ALBERT, M.; HANSEN, J. (2007):
Ein Entscheidungsunterstützungssystem für die multifunktionale Forstplanung auf Landschaftsebene. Forst
und Holz 62: 14–18.
ALBERTZ, J. (2001):
Einführung in die Fernerkundung – Grundlagen der Interpretation von Luft- und Satellitenbildern. Wissenschaftliche Buchgesellschaft, Darmstadt. 250 S.
ALKEVLI, T. (2011):
Preliminary Results of Worldview-2 Satellites Usage in
the “Determination of Seawater Recharge and Discharge Zones and Shore Pollution”. Project of Gökova Gulf,
Southwestern Coast of Turkey. General Directorate of
Mineral Research and Exploration Center, Çukurambar/
Ankara.
ALSDORF, J. (2007):
Using Remote Sensing to Determine Differences in Soybean Seeding Rates. Master Thesis, Purdue University, 79 p.
ALTMAN, D. G. (1990):
Practical Statistics for Medical Research. Chapman &
Hall, Boca Raton.
ARBEITSGRUPPE FORSTLICHER LUFTBILDINTERPRETEN (AFL) (2012):
Das Digitale Luftbild- Ein Praxisleitfaden für Anwender im
Forst- und Umweltbereich. Beiträge aus der Nordwestdeutschen Forstlichen Versuchsanstalt, Band 7, Göttingen, 85 S.
ARBEITSKREIS STANDORTKARTIERUNG (1985):
Forstliche Wuchsgebiete und Wuchsbezirke in der BRD.
Landwirtschaftsverlag, Münster.
ARCANGELI, C., KLOPF, M., HALE, S.E., JENKINS, T.A.R.,
HASENAUER, H. (2013):
The uniform height curve method for height-diameter modelling: an application to sitka spruce in Britain. Forestry
– An International Journal of Forest Research
ATZBERGER, C., SCHLERF, M. (2002):
Automatisierte Bestimmung der Bestockungsdichte in
Nadelwäldern aus räumlich hochauflösenden Ortholuftbildern. Abteilung Fernerkundung Universität Trier; unveröffentlichtes Manuskript.
BAŁAZY, R. (2012):
Ekspertyza prawidłowości wykonania prac w ramach
przetargu: Opracowanie danych z lotniczego skaningu
laserowego dla Nadleśnictwa Drawno. Maszynopis w archiwum Nadleśnictwa Drawno (Stellungnahme zur Durchführung der Arbeiten im Rahmen der Ausschreibung: Bearbeitung von Daten aus der Laserscanbefliegung in der
Oberförsterei Drawno. Manuskript, Archiv der Oberförsterei Drawno).
BALBOA-MURIAS, M. Á., RODRÍGUEZ-SOALLEIRO, R.,
MERINO, A., ÁLVAREZ-GONZÁLEZ, J. G. (2006):
Temporal variations and distribution of carbon stocks in
aboveground biomass of radiata pine and maritime pine
pure stands under different silvicultural alternatives. Forest Ecology and Management 237 (1–3): 29–38.
208
BAUERHANSL, CH., KOUKAL, T., SCHADAUER, K. (2008):
Erste österreichweite Waldkarte basierend auf der Österreichischen Waldinventur. Waldwissen.net. http://www.
waldwissen.net/themen/inventur_monitoring/fernerkundung/bfw_waldlayer_2008_DE, Zugriff am 20.06.2013.
BIRKY, A. K. (2001):
NDVI and a simple model of deciduous forest seasonal
dynamics. Ecological Modelling 143 (1–2): 43–58.
BLAND, M. J., ALTMAN, D. G. (1996a):
Measurement error proportional to the mean. British Medical Journal 313: 106.
BLAND, M. J., ALTMAN, D. G. (1996b):
Measurement error. British Medical Journal 313: 744.
BLOCK, J., SCHUCK, J., SEIFERT, T. (2007):
Einfluss der waldbaulichen Behandlung und der Holznutzung
auf den Nährstoffhaushalt von Traubeneichenökosystemen.
In: PHAN HOANG DONG (Hrsg): Eiche im Pfälzerwald. Mitteilungen aus der Forschungsanstalt für Waldökologie und
Forstwirtschaft Rheinland-Pfalz, Nr. 63/07
BONAN, G.B. (1995):
Landatmosphere CO2 exchange simulated by a land-surface process model coupled to an atmospheric general
circulation model. Journal of Geophysical research 100:
2817–2831.
BOUNDLESSGEO (Hrsg.) (2014):
OpenGeo Suite Architecture. Online im Internet. URL:
http://boundlessgeo.com/whitepaper/opengeo-architecture/, Zugriff 17.02.2014.
BRADLEY, B. A., JACOB, R. W., HERMANCE, J. F.,
MUSTARD, J. F. (2007):
A curve fitting procedure to derive inter-annual phenologies from time series of noisy satellite NDVI data. Remote
Sensing of Environment 106: 137–145.
BRUCHWALD, A., RYMER-DUDZIŃSKA, T. (1998):
Wzory empiryczne do określania pierśnicowej liczby
kształtu strzał sosen w korze z uwzględnieniem krain przyrodniczo-leśnych (Empirische Formeln zur Bestimmung
von Formzahlen für Kiefernstämme in Rinde mit Berücksichtigung von Naturwaldlandschaften). Sylwan 8: 5–13.
BRUMME, R., KHANNA, K. (2009):
Part D – Synthesis. In: BRUMME, R., KHANNA, K. (eds.):
Functioning and Management of European Beech Ecosystems. Springer, Heidelberg.
BUNDESMINISTERIUM FÜR ERNÄHRUNG, LANDWIRTSCHAFT UND VERBRAUCHERSCHUTZ (2013):
http://www.bundeswaldinventur.de/enid/3e36fb8229f4add32dd4bf4beceadc70,0/4d.html,
Zugriff 20.09.2013.
BUREAU FOR FOREST MANAGEMENT AND GEODESY
(BULiGL) (Hrsg.) (2011):
Wielkoobszarowa inwentaryzacja stanu lasów w Polsce
– Wyniki za okres 2006-2010. http://www.lasy.gov.pl/dokumenty/gospodarka-lesna/urzadzanie/wielkoobszarowa-inwentaryzacja-stanu-lasow-w-polsce/at_download/
file. Zugriff 07.01.2014
BURROWS, S. N.; GOWER, S. T.; NORMAN, J. M.; DIAK, G.;
CANCINO, J. (2003):
Analyse und praktische Umsetzung unterschiedlicher Methoden des Randomized Branch Sampling (Analiza i praktyczne wykorzystanie różnych metod Randomized Branch
Samling). Georg-August-Universität Göttingen, Dissertation.
CANNELL, M. G. R. (1989):
Light interception, light use effieciency and assimilate partioning in poplar and willow stands. In: PEREIRA,
Literaturverzeichnis | 4
J. S., LANDSBERG, J. J. (eds.): Biomass production by
Fast-Growing Trees. Kluwer Academic, Dordrecht: 1–12.
CHAVÉZ, R., CLEVERS, J. G. P. W. (2011):
Object-based analysis of 8-band Worldview2 imagery
for assessing health condition of desert trees. Centre for
Geo-Information, Wageningen University, Netherlands, 8 p.
CHEN, J., JÖNSSON, P., TAMURA, M., GU, Z., MATSUSHITA, B., EKLUND, L. (2004):
A simple method for reconstructing a high-quality NDVI
time-series data set based on the Savitzky-Golay filter.
Remote Sensing of Environment 91: 332–344.
CHIRICI, G., PULETTI, N., SALVATI, R., ARBI, F., ZOLLI, C.,
CORONA, P. (2014):
Is randomized branch sampling suitable to assess wood
volume of temperate broadleaved old-growth forests? Forest Ecology and Management (accepted for 2014)
CHIRREK, M., WENCEL, A., STRZELIŃSKI, P., ZASADA, M.,
ZAWIŁA-NIEDŹWIECKI, T. (2007):
Wykorzystanie technologii naziemnego skaningu laserowego w inwentaryzacji lasu. Roczniki Geomatyki, tom V,
zeszyt 5: 19–24 (Anwendung der Technologie des terrestrischen Laserscannings bei der Waldinventur. Geomatik-Jahrbücher 5: 19–24).
CONGALTON, R. G. (1991):
A Review of Assessing the Accuracy of Classifications of
Remotely Sensed Data. Remote Sensing of Environment
37: 35–46.
DEGENHARDT, A. (2007):
Optimale Behandlungsvarianten für Kiefern-Reinbestände
– Ableitung mit Hilfe des Bestandessimulationsprogramms
BWIN für Brandenburg. In: MLUV (Hrsg.): Wissenstransfer
in die Praxis. Tagungsband, 2. Eberswalder Winterkolloquium, 1. März 2007. Potsdam, Eberswalder Forstliche
Schriftenreihe 24: 9–15.
Simulative Erzeugung von Bestandesstrukturdaten für
Kiefern-Bestände auf der Grundlage von Forsteinrichtungsdaten. Jahrestagung des DVFFA – Sektion Forstliche
Biometrie und Informatik Tharandt.
DEUTSCHER WETTERDIENST (DWD) (2013):
Klima und Umwelt. Phänologie. Online verfügbar unter
www.dwd.de, Zugriff 19.06.2013.
DITTMAR, O., DEGENHARDT, A. (2000):
Ertragstafelkorrektur für die Berechnung der Mittelhöhe
der Baumart Rot-Buche im Rahmen des Projekts DSW2.
Land Brandenburg – Ministerium für Landwirtschaft, Umweltschutz und Raumordnung.
DITTMAR, O., KNAPP, E., LEMBCKE, G. (1983):
DDR-Buchenertragstafel. IFE-Bericht.
DÖBBELER, H., ALBERT, M., SCHMIDT, M., NAGEL,
J., SCHRÖDER, J. (2011):
BWINPro – Programm zur Bestandesanalyse und Prognose. Handbuch zur gemeinsamen Version von BWINPro
und BWINPro-S, Version 6.3, Göttingen/Tharandt, abrufbar unter http://www.forst.tu-dresden.de/Waldwachstum/
index.php?page=bwinpro-s) ENVI (2012):
http://geol.hu/data/online_help/Vegetation_Indices.html,
Zugriff 03.08.2012.
ESRI (2013):
ArcGIS Resources. Online unter www.resources.arcgis.
com/de, Zugriff 20.06.2013.
EUROPEAN COMMISSION – JOINT RESEARCH CENTRE,
INSTITUTE FOR ENVIRONMENT AND SUSTAINABILITY
(2012):
European Soil Portal – Soil Data and Information System.
http://eusoils.jrc.ec.europa.eu/ESDB_Archive/raster_archive/SG_attr.htm, Zugriff 18. 04. 2012.
EUROPEAN ENVIRONMENT AGENCY (EEA, Hrsg.) (2007):
CLC2006 technical guidelines. http://www.eea.europa.eu/
publications/technical_report_2007_17/at_download/file,
Zugriff 17.02.2014.
FAO Natural Resources Management and Environment
Department (1985):
Irrigation Water Management Training Manual No. 1 –
Introduction to irrigation, http://www.fao.org/docrep/
R4082E/R4082E00.htm, Zugriff 26. 8 2013..
FEDERAL ENVIRONMENT AGENCY (UBA, Hrsg.) (2012):
Submission under the United Nations Framework Convention on Climate Change and the Kyoto Protocol 2012,
National Inventory Report for the German Greenhouse Gas
Inventory 1990–2010. URL:http://www.umweltbundesamt.
de/sites/default/files/medien/461/publikationen/4293.pdf,
Zugriff 06.01.2014.
FEHRMANN, L. (2006):
Alternative Methoden zur Biomasseschätzung auf Einzelbaumebene unter spezieller Berücksichtigung der k-Nearest Neighbour (k-NN) Methode. Georg-August-Universität
Göttingen, Dissertation.
FEHRMANN, L., KLEIN, C. (2006):
General considerations about the use of allometric equations for biomass estimation on the example of Norway
spruce in central Europe. Forest Ecology and Management 236 (2–3): 412–421.
FILCHEV, L. (2010):
An Assessment of European Spruce Bark Beetle Infestation using WorldView-2 Satellite Data. Department of Remote Sensing and GIS, Space Research and Solar-Terrestrial Research Institute, Bulgarian Academy of Sciences
(SSTRI-BAS). 8 p.
FREE SOFTWARE FOUNDATION (FSF, HRSG.) (2014):
Was ist freie Software? http://www.gnu.org/philosophy/
free-sw.de.html, Zugriff 17.02.2014.
FRITSCH, S., CONRAD, C., DECH, S. (2011):
Einsatz multitemporaler RapidEye-Daten zur feldbasierten Ableitung von FPAR und Landnutzung in einer zentralasiatischen Bewässerungsregion. 3. RESA Workshop:
RapidEye Science Archive (RESA) – Erste Ergebnisse. In:
BORG, E., DAEDELOW, H. (Hrsg.): 3. RESA Workshop: RapidEye Science Archive (RESA) – Erste Ergebnisse: 89–99.
GAJKO, K., MYSZKOWSKI, M., KSEPKO, M., (2009):
Eksperyment w obrębie Zajma – lotniczy skaning laserowy
w urządzaniu lasu (Experiment im Bereich Zajmo – Laserscanning bei der Waldbestandsregulierung). Geodeta
164 (1): 60–62.
GEROLD, DO. (1988):
Beschreibung der Durchmesserstruktur und ihrer Entwicklung mit Hilfe der Weibullverteilung. Wissenschaftliche
Zeitschrift der TU Dresden 37 (6): 221–224.
GEROLD, DO. (1990):
Modellierung des Wachstums von Waldbeständen auf der
Basis der Durchmesserstruktur. Dissertation B, TU Dresden.
GHOLZ, H. L., VOGEL, S. A., CROPPER, W. P., MCKELVEY
JR., K., EWEL, K. C. (1991):
Dynamics of canopy structure and light interception in Pinus Elliottii stands, North Florida. Ecological Monographs
61 (1): 35–51.
GOETZ, S. J., PRINCE, S. D., GOWARD, S. N., THAWLEY,
M. M., SMALL, J., JOHNSTON, A. (1999):
Mapping net primary production and related biophysical
variables with remote sensing: Application to the BOREAS
region. Journal of Geophysical research 104 (D22): 27719–
27734.
GROTE, R., SCHUCK, J., BLOCK, J., PRETZSCH, H. (2003):
Oberirdische holzige Biomasse in Kiefern-/Buchen- und
Eichen-/Buchen-Mischbeständen. Forstwissenschaftliches Centralblatt 122: 287–301.
209
4 | Literaturverzeichnis
GUTACHTERAUSSCHUSS FORSTLICHE ANALYTIK (GFA;
Hrsg.) (2009):
Handbuch Forstliche Analytik - Eine Loseblatt-Sammlung
der Analysemethoden im Forstbereich. URL:http://www.
bmelv.de/SharedDocs/Downloads/Landwirtschaft/WaldJagd/Bodenzustandserhebung/Handbuch/HandbuchForstanalytikKomplett.pdf, Zugriff 08.01.2014.
GWATA, B. (2011):
Developing High Resolution Clutter for Wireless Network
Propagation using Worldview-2 Imagery. Cape Town,
South Africa. 35 p.
HEIMSCH, F. F. (2011):
Figure 3. Illustration of randomized branch sampling.
http://wiki.awf.forst.uni-goettingen.de/wiki/index.php/File:
SkriptFig_102.jpg, Zugriff 08.01.2014.
HEINSDORF, D., KRAUß, H.-H. (1990):
Schätztafeln für Trockenmasse und Nährstoffspeicherung
von Kiefernbeständen. IFE-Berichte aus Forschung und
Entwicklung, Heft (tom) 18.
HENNINGSEN, A., HAMANN, J. (2006): Systemfit:
A package to estimate simultaneous equation systems in
R. Journal of Statistical Software 23 (4): 1–40. URL http://
www.jstatsoft.org/v23/i04/
HEPPERLE, F. (2010):
Prognosemodell zur Abschätzung des regionalen Waldenergieholzpotenzials auf der Grundlage forstlicher
Inventur- und Planungsdaten unter Berücksichtigung
ökologischer, technischer und wirtschaftlicher Nutzungseinschränkungen. Albert-Ludwigs-Universität Freiburg,
Dissertation.
HILDEBRANDT, G. (1996):
Fernerkundung und Luftbildmessung für Forstwirtschaft,
Vegetationskartierung und Landschaftsökologie. 1. Aufl.,
Heidelberg: Wichmann.
HOLLENDER, H. (2000):
Die Birke in den Wäldern Brandenburgs. In: LANDESFORSTANSTALT EBERSWALDE, MINISTERIUM FÜR LANDWIRTSCHAFT, UMWELTSCHUTZ UND RAUMORDNUNG
(MLUV) (Hrsg.): Die Birke im Nordostdeutschen Tiefland
– Eberswalder Forschungsergebnisse zum Baum des Jahres 2000.
HORNSCHUCH, F., KRAKAU, U., RIEK, W. (2007):
Das Wurzelsystem der Kiefer – artspezifische Strategie
und ökologische Anpassungen. In: KÄTZEL, R., MÖLLER,
K., LÖFFLER, S., ENGEL, J., LIERO, K. (Hrsg.): Die Kiefer im nordostdeutschen Tiefland – Ökologie und Bewirtschaftung. Brandenburgische Universitätsdruckerei und
Verlagsgesellschaft mbH, Potsdam: 108–116.
HÜMANN, M. (2012):
Abflussgeschehen unter Wald – Validierung und Weiterentwicklung eines GIS-basierten Tools zur Erstellung von
Abflussprozesskarten auf forstlich genutzten Standorten.
Zugriff 27.08. 2013. http://ubt.opus.hbz-nrw.de/volltexte/2012/761/pdf/Dissertation_HAmann_OPUS.pdf.
HUNT JR., E.R. (1994):
Relationship between woody biomass and PAR conversion efficiency for estimating net primary production from
NDVI. International Journal of Remote Sensing 15 (8):
1725–1730. IGI (2012). http://www.igi.eu/brochures.html,
Zugriff 17.06.2013.
IHAKA, R., GENTLEMEN, R. (1996):
R: a language for data analysis and graphics. Journal of
Computational and Graphical Statistics 5: 299–314.
IMMITZER, M., ATZBERGER C., KOUKAL, T. (2012):
Eignung von WorldView-2 Satellitenbildern für die Baumartenklassifizierung unter besonderer Berücksichtigung der
vier neuen Spektralkanäle. Journal for Photogrammetry.
Remote Sensing and Geoinformation Science 5: 573–588.
210
INFOTERRA (2013):
http://www.infoterra.com, Zugriff 19.06.2013.
IOST, A., OEHMICHEN, K., RIEDEL, T. (2010):
Evaluierung satellitengestützter Stichprobenkonzepte für die
Bundeswaldinventur. RHOMBOS-Verlag, Berlin. S. 73–80
JACOBSEN, C., RADEMACHER, P., MEESENBURG, H.,
MEIWES, K. J. (2003):
Gehalte chemischer Elemente in Baumkronenkompartimenten. Literaturstudie und Datensammlung. Berichte
des Forschungszentrums Waldökosysteme der Universität
Göttingen, Reihe B, Band 69.
JACOBSEN, K. (2013):
DEM Generation from High Resolution Imagery. Journal
for Photogrammetry, Remote Sensing and Geoinformation
Science. 2013 (5): 483–493.
JESSEN, R. J. (1955):
Determining the fruit count on a tree by randomized branch
sampling. Biometrics 11 (1): 99–109.
JIANG, H., PENG, C., APPS, M., ZHANG, Y., WOODARD, P.
M., WANG, Z. (1999):
Modelling the net primary productivity of temperate forest
ecosystems in China with a GAP model. Ecological Modelling 122 (3): 225–238.
JUNTTILA, O. (1986):
Effects of temperature on shoot growth in northern provenances of Pinus sylvestris L. Tree Physiology 1: 185–192.
KAHN, M., ĎURSKÝ, J. (1999):
Höhenzuwachsfunktionen für Einzelbaummodelle auf der
Grundlage quasirealer Baumhöhenzuwächse. Centralblatt
für das gesamte Forstwesen 116 (1/2): 105–118.
KÄNDLER, G., BÖSCH, B. (2009):
Biomassebestimmung an Waldbäumen. Methodische
Grundlagen. FVA-Einblick 13, Nr. 2–3.
KÄNDLER, G., BÖSCH, B., KRUSE, R. (2010):
Validierung von Biomassefunktionen – erste Ergebnisse
einer bundesweiten Messkampagne. FVA-Kolloquium am
13.04.2010. http://www.fva-bw.de/termine/veranstaltungen/
100413koll_kurz.pdf, Zugriff 08.01.2014.
KEMPENEERS, P., SEDANO, F., SEEBACH, L., STROBL, P.,
SAN-MIGUEL-AYANZ, J. (2011):
Data Fusion of Different Spatial Resolution Remote
Sensing Images Applied to Forest-Type Mapping. IEEE
Transactions on Geoscience and Remote Sensing 49 (12):
4977–4986..
KENKMANN, T. (2010):
Biomassestrategie des Landes Brandenburg. Ministerium
für Umwelt, Gesundheit und Verbraucherschutz des Landes Brandenburg, Potsdam.
KLINNER, S. (2013):
Persönliche Mitteilung, 25. 6 2013.
KNYAZIKHIN, Y. et al. (1999):
MODIS Leaf Area Index (LAI) and fraction of Photosynthetically Active Radiation absorbed by vegetation (FPAR) product MOD15 – Algorithm theoretical basis. http://eospso.
gsfc.nasa.gov/atbd/modistables.html, Zugriff 09.10.2013.
KOCH, D., ADAMS, T. (2012):
Dokumentation GDI LFE – Version 1.0 – unveröffentliche
Dokumentation zum Geodatenportal des Landesbetriebs
Forst Brandenburg.
KÖRNER, M. (2013):
Informationsgehalt des Laserscannings für die Forstwirtschaft. Ministerium des Innern des Landes Brandenburg
(Hrsg.): Digitales Geländemodell und ausgewählte Anwendungen: 22–27.
KÖRNER, M., KÄRGEL, S., KLINNER, S., DEGENHARDT, A.
(2013):
Informationssystem „Holzbiomasse“ für Wälder der Region POMERANIA. AFZ – Der Wald 68 (5): 32–34.
KRAMER, H., AKÇA, A. (1982):
Leitfaden für Dendrometrie und Bestandesinventur, J. D.
Sauerländer‘s Verlag, Frankfurt a. M.
KRAUS, K. (2004):
Photogrammetrie Band 1.Walter De Gruyter Verlag, Berlin.
516 S.
KRAUß, H.-H., HEINSDORF, D. (2008):
Herleitung von Trockenmassen und Nährstoffspeicherung
in Buchenbeständen. Eberswalder Forstliche Schriftenreihe, Band XXXVIII
KSEPKO, M., (2006):
Las z satelity (Der Wald aus Satellitensicht). Las Polski,
23/2006: 12–13.
KSEPKO, M., ISZKUŁO, G. (2008):
Zmiany stosunków wodnych siedlisk hydrogenicznych
Puszczy Augustowskiej a przyrosty roczne na grubość
wybranych gatunków drzew. III Międzynarodowa Konferencja „Las i woda“, Mrągowo (referat) (Veränderungen
der Wasserverhältnisse hydrogener Systeme in der Puszcza Augustowska und jährliche Dickenzuwächse ausgewählter Baumarten. III. Internationale Konferenz „Wald und
Wasser“, Mrągowo (Vortrag)).
KUMAR, A., UPADHYAY, P., GHOSH, S. K., ROY, P. S. (2011):
Specific Crop Mapping and Shadow Minimization using
Worldview-2 New Bands – Single/Multi-Source Temporal
Data Approach. Unpublished manuscript, India, 15. p.
LANDESFORST MECKLENBURG VORPOMMERN (2013):
Dokumentation Eschentriebsterben – Kameravergleich
(RGB / CIR). Unveröffentlichter Bericht.
LANDESKOMPETENZZENTRUM FORST EBERSWALDE
(LFE) (2009):
Datenspeicher Wald 2 (DSW²). Online verfügbar unter
www.dsw2.de, zuletzt aktualisiert am 16.04.2011.
LANFRI, S. (2011):
WorldView 2 data application on fire fuel mapping in a region of the ‘Gran Chaco’ South American forest. Unpublished manuscript, Cordoba, Argentina. 8 p.
LANG, S., BLASCHKE, T. (2007):
Landschaftsanalyse mit GIS. Ulmer, Stuttgart.
LANGE, N. DE (2006):
Geoinformatik in Theorie und Praxis. 2. Aufl., Springer,
Berlin.
LARCHER, W. (1984):
Ökologie der Pflanzen. UTB, Stuttgart.
LARCHER, W. (1994):
Ökophysiologie der Pflanzen: Leben, Leistung und Streßbewältigung der Pflanzen in ihrer Umwelt. 5., völlig neubearb. Aufl., Ulmer, Stuttgart.
LASCH, P., SCHRÖDER, J., SUCKOW, F., GUTSCH, M.,
Nutzung von Modellen zur Vorbereitung auf die Zukunft.
In: ELMER, M. et al. (Hrsg.): Nachhaltige Bewirtschaftung
von Eichen-Kiefern-Mischbeständen im Spannungsfeld
von Klimawandel, Waldumbau und internationalem Holzmarkt. Oekom Verlag, München.
LECKIE, D. G. (1990):
Advances in remote sensing technologies for forest surveys and management. Canadian Journal of Forest Research 20 (4): 464–483.
LEDERMANN,T., GSCHWANTER, T. (2006):
Zur Entwicklung und Anwendung von österreichischen
Biomassefunktionen. Tagungsband zur Jahrestagung 2006
der Sektion Ertragskunde im DVFFA in Staufen: 202–207.
LIETH, H. (1973):
Primary Production: Terrestrial Ecosystems. Human Ecology 1 (4): 303–332.
LIETH, H. (1975):
Modeling the primary productivity of the world. In: WHIT-
TAKER, R.H.; LIETH, H. (eds.): Primary Productivity of the
Biosphere. Springer-Verlag, New York.
LIU, J., CHEN, J. M., CIHLAR, J., PARK, W. M. (1997):
A process-based Boreal Ecosystem Productivity Simulator
Using Remote Sensing Inputs. Remote sensing of Environment 62: 158–175.
LOTSCH, A. (1999):
Biome Level classification of land cover at continental scales using decision trees. http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.30.3642&rep=rep1&type=pdf.
LUA, Landesumweltamt Brandenburg (2003):
Anforderungen des Bodenschutzes bei Planungs- und Zulassungsverfahren im Land Brandenburg – Handlungsanleitung. Potsdam, http://www.lugv.brandenburg.de/sixcms/
media.php/4055/boden_6.pdf.
LÜBKER, T., SCHAAB, G. (2008):
„Ground truthing“ – Erfassung von Referenzdaten für
VHR-Satellitenbilddaten in einem ländlichen Gebiet Westkenias. In: STROBL, J., BLASCHKE, T., GRIESEBNER, G.
(Hrsg.): Angewandte Geoinformatik 2008, Beiträge zum
20. AGIT-Symposium, 2.–4. Juli 2008, Salzburg, Austria.
MCGAUGHEY, R. J. (2012):
Fusion/LDV. Software for LIDAR Data Analysis and Visualization. USDA Forest Service, USA.
MCGAUGHEY, R. J. (2012):
FUSION/LDV: Software for LIDAR Data Analysis and Visualization – FUSION Version 3.10. Software manual. USDA
Forest Service. Pacific Northwest Research Station. Zugriff 18.07.2012, http://forsys.cfr.washington.edu/fusion/
FUSION_manual.pdf.
MCMURTRIE, R. E., GHOLZ, H. L., LINDER, S., GOWER,
S. (1994):
Climatic factors controlling the productivity of pine stands:
a model-based analysis. Ecological Bulletins 43 (Environmental constraints on the structure and productivity of
pine forest ecosystems: a comparative analysis): 173–188.
MEIWES, K.J., RUMPF, S., KLINCK, U., MEESENBURG, H.,
NAGEL, J. (2012):
Vollbaumnutzung: Untersuchungsergebnisse zum Nährelement-Export in Nordwestdeutschland und Ansätze zur
standörtlichen Bewertung. Tagungsband zur Jahrestagung 2012 der Sektion Ertragskunde im DVFFA in Ottenstein: 88–92.
MELILLO, J. M., MCGUIRE, A. D., KICKLIGHTER, D. W.,
MOORE III, B., VOROSMARTY, C. J., SCHLOSS, A. L. (1993):
Global climate change and terrestrial net primary production. Nature 363 (May): 234–240.
MENCUCCINI, M., GRACE, J. (1994):
Climate influences the leaf area/sapwood area ratio in
Scots pine. Tree Physiology 15: 1–10.
MGGP AERO (2011):
Metodyka wykonania zadań szczegółowych w ramach
Zlecenia: Opracowanie danych z lotniczego skaningu laserowego dla Nadleśnictwa Drawno. Opracowanie (Methodik der Ausführung besonderer Aufgaben im Rahmen
des Auftrags „Datenerhebung aus der Laserscanbefliegung in der Oberförsterei Drawno. Bericht).
MICHAILOFF, I. (1943):
Zahlenmäßiges Verfahren für die Ausführung der Bestandeshöhenkurven. Forstwissenschaftliches Centralblatt 6:
273–279.
MINISTERIUM FÜR LÄNDLICHE ENTWICKLUNG, UMWELT
UND VERBRAUCHERSCHUTZ DES LANDES BRANDENBURG (MLUV; Hrsg.) (2005):
Die zweite Bundeswaldinventur – BWI² – Ergebnisse für
Brandenburg und Berlin. Eberswalde Forstliche Schriftenreihe, Band XXII.
211
UND VERBRAUCHERSCHUTZ DES LANDES BRANDENBURG (MLUV), LANDESFORSTANSTALT EBERSWALDE
(LFE) (Hrsg.) (2006):
Aktuelle Ergebnisse und Fragen zur Situation der Eiche
und ihrer Bewirtschaftung in Brandenburg. Eberswalder
Forstliche Schriftenreihe, Band XXV.
UND VERBRAUCHERSCHUTZ DER LANDES BRANDENBURG (MULV) (2008):
Bekanntmachung des MLUV über die Inventurstudie des
Bundes und eine Zwischeninventur des Waldes im Land
Brandenburg vom 2. Juni 2008. In: Ministerium der Justiz des Landes Brandenburg (Hrsg.) (2008): Amtsblatt für
Brandenburg, Nr. 23, 11. Juni 2008: 1433–1434
MINISTERIUM FÜR LANDWIRTSCHAFT, UMWELT UND
VERBRAUCHERSCHUTZ MECKLENBURG VORPOMMERN (MLUV-MV, Hrsg.) (2007):
Der Wald in Mecklenburg-Vorpommern – Ausgewählte Ergebnisse der Bundeswaldinventur II. Schwerin
MITKA, B. (2007):
Możliwości zastosowania naziemnych skanerów laserowych w procesie dokumentacji i modelowania
obiektów zabytkowych. Archiwum Fotogrametrii, Kartografii i Teledetekcji, (Anwendungsmöglichkeiten der terrestrischen Laserscanner im Prozess der Dokumentation und
Modellierung der Denkmäler. Archiv der Fotogrammetrie,
Kartografie und Fernerkundung) Vol. 17b: 525–534.
MONTEITH, J. L. (1972):
Solar radiation and productivity in tropical ecosystems.
Journal of applied Ecology 9: 747–766.
MUCHIN, A. (2005):
Analytische Untersuchungen zum Einfluss des Standorts
auf das Wachstum von Stiel- und Traubeneiche im nordostdeutschen Tiefland. Forstwissenschaftliche Beiträge
Tharandt, Heft 24.
MÜLLER, J., LÜTTSCHWAGER, D., RUST, S. (2007):
Zum Wasserhaushalt in Kiefernbeständen auf grundwasserfernen Sandstandorten des norddeutschen Tieflands.
In: KÄTZEL, R., MÖLLER, K., LÖFFLER, S., ENGEL, J.,
LIERO, K. (Hrsg.): Die Kiefer im nordostdeutschen Tiefland – Ökologie und Bewirtschaftung. Brandenburgische
Universitätsdruckerei und Verlagsgesellschaft mbH, Potsdam, S. 78–107.
MÜLLER, J., LUTHARDT, M. E. (2009):
Wald- und Kiefernland Brandenburg. AFZ – Der Wald, 64
(12): 635–637.
MÜLLER, J. (2010):
Wie nachhaltig wird gewirtschaftet? – Ergebnisse der
Großrauminventur 2008 auf den BWI-Punkten im Land
Brandenburg. In: Ministerium für Infrastruktur und Landwirtschaft (MIL) des Landes Brandenburg, Landeskompetenzzentrum Forst Eberswalde (LFE) (Hrsg.): Wissenstransfer in die Praxis. Beiträge zum 5. Winterkolloquium
am 25. Februar 2010 in Eberswalde. Eberswalder Forstliche Schriftenreihe Band 44: 8–13.
MUUKKONEN, P. (2007):
Generalized allometric volume and biomass equations for
some tree species in Europe. European Journal of Forest
Research 126 (2): 157–166.
MYNENI, R. B., WILLIAMS, D. L. (1994):
On the Relationship beween FAPAR and NDVI. Remote
Sensing of Environment 49: 200–211.
MYSZKOWSKI, M., KSEPKO, M., GAJKO, K., (2009):
Detekcja liczby drzew na podstawie danych lotniczego skanowania laserowego. Archiwum Instytutu Inżynierii Lądowej
(Detektion der Anzahl der Bäume auf der Grundlage des Laser-Flugscannings. Archiv des Instituts für Landingenieurwesen) 6: 63–72 Politechnika Poznańska, Poznań.
212
MYSZKOWSKI, M., KSEPKO, M., (2010):
Budowa pionowa drzewostanu w świetle przestrzennego rozkładu punktów lotniczego skanowania laserowego.
Roczniki Geomatyki (Der vertikale Aufbau eines Baumbestandes im Licht der räumlichen Aufteilung der Punkte beim Laserscanning. Geomatik-Jahrbücher) t. VIII, z. 7
(43): 30–48, Warszawa.
NAGEL, J. (2013):
Instrumente zur Planung der Nachhaltigkeit. proWald –
Magazin des Deutschen Forstvereins (6): 12–14.
NAGEL, J.; ALBERT, M.; SCHMIDT, M. (2002):
Das waldbauliche Prognose- und Entscheidungsmodell
BWINPro 6.1. Neuparametrisierungen und Erweiterungen.
Forst und Holz 57: 486–493.
NAGEL, J.; BIGING, G. S. (1995):
Schätzung der Parameter der Weibullfunktion zur Generierung von Durchmesserverteilungen. AFJZ 166 (9–10):
S.185–189.
NATIONAL CENTRE FOR EMISSION MANAGEMENT (KOBiZE) (Hrsg.) (2011):
Poland’s National Inventory Report 2011, Greenhouse Gas
Inventory for 1988-2009, Submission under the UN Framework Convention on Climate Change and its Kyoto Protocol. Zugriff 06.01.2014, URL:http://www.kobize.pl/materialy/Inwentaryzacje_krajowe/11.2011/Poland NIR 2011
10.2011.pdf.
NAVAR, J. (2009):
Allometric equations for tree species and carbon stocks
for forests of northwestern Mexico. Forest Ecology and
Management 257 (2): 427–434.
NEBE, W., HERRMANN, U. J. (1987):
Das Ökologische Messfeld der Sektion Forstwirtschaft der
TU Dresden. VI. Zur Verteilung der Nährelemente in der
oberirdischen Dendromasse eines 100jährigen Fichtenbaumholzes. Wissenschaftliche Zeitung der Technischen
Universität Dresden 36: 235–241.
OEHMICHEN, K., DEMANT, B., DUNGER, K., GRÜNEBERG,
E., HENNING, P., KROIHER, F., NEUBAUER, M., POLLEY,
H., RIEDEL, T., ROCK, J., SCHWITZGEBEL, F., STÜMER,
W., WELLBROCK, N., ZICHE, D., BOLTE, A. (2011):
Inventurstudie 2008 und Treibhausgasinventar Wald.
Braunschweig: vTI, Landbauforschung vTI agriculture and
forestry research, Sonderheft 343.
OLENDEREK, H. (2010):
Historia geomatyki w leśnictwie. [W:] OKŁA K. (red.): Geomatyka. Część I. Podstawy. CILP, Warszawa, s. 19–28
(Geschichte der Geomatik in der Forstwirtschaft. In: OKŁA
K. (Hg.): Geomatik Teil 1. Grundwissen. Informationszentrum der Staatswälder, Warszawa, S. 19–28).
OTTO, H.-J. (1994):
Waldökologie. Ulmer (UTB für Wissenschaft), Stuttgart.
ÖZÇELIK, R., ERASLAN, T. (2012):
Two-stage sampling to estimate individual tree Biomass.
Turkish Journal of Agriculture and Forestry 36: 389–398.
PARRESOL, B. R. (1999):
Assessing Tree and Stand Biomass: A Review with
Examples and Critical Comparisons. Forest Science 45 (4):
573–593.
PARRESOL, B. R. (2001):
Additivy of nonlinear biomass equations. Canadian Journal of Forest Research 31 (5): 865–878.
PICARD N., SAINT-ANDRÉ, L., HENRY, M. (2012):
Manual for building tree volume and biomass allometric
equations: from field measurement to prediction. Food
and Agricultural Organization of the United Nations, Rome,
and Centre de Coopération Internationale en Recherche.
PILECKI, R. (2012):
Zastosowania naziemnego skanera laserowego. Czasopismo techniczne. Mechanika (Anwendung des terrestrischen
Laserscanners. Technische Zeitschrift Mechanik) zeszyt 26:
223–233.
POTTER, C. S., RANDERSON, J. T., FIELD, C. B., MATSON,
P. A., VITOUSEK, P. M., MOONEY, H. A., KLOOSTER, S. A.
(1993):
Terrestrial ecosystem production: A process model based
on global satellite and surface data. Global Biogeochem.
Cycles 7 (4): 811–841.
PREETZ, H. (2003):
Bewertung von Bodenfunktionen für die praktische Umsetzung des Bodenschutzes (dargestellt am Beispiel eines
Untersuchungsgebiets in Sachsen-Anhalt). Mathematisch-Naturwissenschaftlich-Technische Fakultät, Martin-Luther-Universität Halle-Wittenberg, Dissertation.
PRESS, W. H., TEUKOLSKY, S. A., VETTERING, W. T.,
FLANNERY, B. P. (1993):
Numerical Recipes in C: The Art of Scientific Computing.
Cambridge University Press, Cambridge.
PRETZSCH, H. (2001):
Modellierung des Waldwachstums. Berlin (Parey).
PRINCE, S. D. (1991):
A model of regional production for use with coarse resolution satellite data. International Journal of Remote Sensing
12 (6): 1313–1330.
PRINCE, S. D., GOETS, S. J., GOWARD, S. N. (1995):
Monitoring primary production from earth observation satellites. Water Air Soil Pollution 82: 509–522.
PROCYK, M. (2008):
Wybrane przykłady wykorzystania naziemnego skanera laserowego w pracach z zakresu urządzania lasu. Praca magisterska, wykonana w Katedrze Urządzania Lasu, Wydział Leśny, kierunek gospodarka leśna, opiekun: Strzeliński,
P. (Ausgewählte Beispiele der Anwendung des Laserscanners in der Forsteinrichtung. Magisterarbeit am Lehrstuhl
für Forstmanagement, Forstfakultät, Fachrichtung Forstwirtschaft, Betreuer: P. Strzeliński).
QUI, J., CHEHBOUNI, A., HUETE, A. R., KERR, Y. H., SOROOSHIAN, S. (1994):
A Modified Soil Adjusted Vegetation Index. Remote Sensing and Environment 48: 119–126.
RADEMACHER, P., BUß, B., MÜLLER-USING, B. (1999):
Waldbau und Nährstoffmanagement als integrierte Aufgabe in der Kiefern-Waldwirtschaft auf ärmeren pleistozänen
Sanden. Forst und Holz 54: 330–335.
RAPIDEYE (2010):
Satellite Imagery. Ortho Product (Level 3A). Online verfügbar unter www.rapideye.com, Zugriff 20.09.2013.
REDMANN, M., REGENSTEIN, M. (2010):
Datenspeicher Wald, Version 2. AFZ - Der Wald 65 (13):
10–12.
RENGER, M. et al. (2009):
Teil I - Ergebnisse und Vorschläge der DBG-Arbeitsgruppe
„Kennwerte des Bodengefüges“ zur Schätzung bodenphysikalischer Kennwerte. In: WESSOLEK, G., KAUPENJOHANN, M., RENGER, M. (Hrsg.): Bodenphysikalische
Kennwerte und Berechnungsverfahren für die Praxis.
Selbstverlag, Technische Universität Berlin.
RICHTERS, J. (2005):
Entwicklung eines fernerkundungsgestützten Modells zur
Erfassung von pflanzlicher Biomasse in NW-Namibia. Mathematisch-Naturwissenschaftliche Fakultät, Rheinische
Friedrich-Wilhelm-Universität Bonn, Dissertation.
RÖHE, P. (2010):
Maßnahmenkonzept zur Anpassung der Wälder Mecklenburg-Vorpommerns an den Klimawandel. Konzeptpapier
des Ministeriums für Landwirtschaft, Umwelt und Verbraucherschutz (Hrsg.), unveröffentlichtes Manuskript, Schwerin.
RUIMY, A., DEDIEU, G., SAUGIER, B. (1994):
Methodology for the estimation of terrestrial net primary
production for remotely sensed data. Journal of Geophysical Research 99: 5263–5284.
RUNNING, S. W., THORNTON, P. E., NEMANI, R., GLASSY,
J. M. (2000):
Global terrestrial gross and net primary productivity from
the Earth Observing System. In: SALA, O. E., JACKSON,
R. B., MOONEY, H. A., HOWARTH, R. W. (eds.): Methods
in Ecosystem Science. New York, Springer: 44–57.
RUNYON, J., WARING, R. H., GOWARD, S. N., WELLES, J.
M. (1994):
Environmental Limits on Net primary production and Lightuse efficiency across the Oregon Transect. Ecological Applications 4 (2): 226–237.
RUSS, A., RIEK, W., MARTIN, J. (2011):
Zustand und Wandel der Waldböden Mecklenburg-Vorpommerns. In: Landesforst Mecklenburg-Vorpommern.
Mitteilungen aus dem Forstlichen Versuchswesen Meckenburg-Vorpommern, Ergebnisse der zweiten bundesweiten Bodenzustanderhebung in Mecklenburg-Vorpommern, Bd. 9.
SAKAMOTO, Y., ISHIGURO, M., KITAGAWA, G. (1986):
Akaike Information Criterion Statistics. D. Reidel Publishing Company, Dordrecht, Niederlande.
SANDMANN, W. (2004):
Simulation seltener Ereignisse mittels Importance Sampling unter besonderer Berücksichtigung Markovscher Modelle. Rheinische Friedrich–Wilhelms–Universität Bonn,
Dissertation.
SCHEFFER, F., SCHACHTSCHABEL, P. (1989):
Lehrbuch der Bodenkunde. 12., neubearb. Aufl., Stuttgart,
Ferdinand Enke Verlag.
SCHLERF, M., HILL, J., BÄRISCH, S., ATZBERGER, C.
(2003):
Einfluss der spektralen und räumlichen Auflösung von Fernerkundungsdaten bei der Nadelwaldklassifikation. Photogrammetrie-Fernerkundung-Geoinformation: 27–43.
SCHMIDT, M. (2001):
Prognosemodelle für ausgewählte Holzqualitätsmerkmale
wichtiger Baumarten. Dissertation, Georg-August-Universität Göttingen..
SCHMITZ, F., POLLEY, H., HENNIG, P., DUNGER, K.,
SCHWITZGEBEL, F. (2008):
Die zweite Bundeswaldinventur – BWI² Inventur- und Auswertungsmethoden Zu den Bundeswaldinventuren 2001
bis 2002 und 1986 bis 1988. Arbeitsbericht aus dem Institut für Waldökologie und Waldinventuren Nr. 2008/1.
SCHRÖDER, J., RÖHLE, H., GEROLD, D., MÜNDER, K.
(2007):
Bewertung waldbaulicher Maßnahmen mit BWINPro-S.
AFZ – Der Wald 62 (12): 656–659.
SCHRÖDER, J., KÖRNER, M., KÄRGEL, S., KLINNER, S.,
Biomasseschätzung durch Fernerkundung. AFZ – Der
Wald 68 (13): 12–13.
SCHUCK, J. (2013):
Methodik der Biomasseaufnahmen und –beprobungen.
Abschlusskolloquium zum Projekt „Entscheidungsstützungssystem zum Nährstoffentzug im Rahmen der Holzernte“,
http://www.wwk.forst.tu-muenchen.de/info/
presentations/DBU/DBUNaehrstoff_02aSchuck.pdf,
Zugriff 08.01.2014
SCHUSTER, C., FÖRSTER, M., KLEINSCHMIT, B. (2010):
Evaluation of the RapidEye red edge channel for improving
land-use classifications. In: KOHLHOFER, G., FRANZEN,
M. (Hrsg.): Tagungsband Dreiländertagung OVG, DGPF
und SGPF. 30. Wissenschaftlich-Technische Jahrestagung der DGPF. Technische Universität Wien. Band 19:
119–126.
213
SCHWITZGEBEL, F., DUNGER, K. (2008):
Aufnahmeanweisung für die Inventurstudie 2008 im Rahmen der Treibhausgasberichterstattung. Bundesministerium für Ernährung, Landwirtschaft und Verbraucherschutz
(BMELV): Aufnahmeanweisung für die Inventurstudie 2008
(IS08), Bonn.
SEIFERT, T., SCHUCK, J., BLOCK, J., PRETZSCH, H. (2006):
Simulation von Biomasse- und Nährstoffgehalt von Waldbäumen. Tagungsband zur Jahrestagung 2006 der Sektion Ertragskunde im DVFFA in Stauffen: 208–223.
SLOBODA, B., GAFFREY, D., MATSUMURA, N. (1993):
Regionale und lokale Systeme von Höhenkurven für gleichaltige Waldbestände. Allg. Forst- und Jagdzeitung 164 (12):
225–229.
STÄHR, F., OLDORFF, S. (2013):
Ist Eichenwirtschaft im nordostdeutschen Tiefland zukunftsfähig? Erfahrungen und aktuelle waldbauliche Ziele.
In: Die Eiche – Chancen und Risiken einer Charakterbaumart im nordostdeutschen Tiefland. Eberswalder Forstliche Schriftenreihe 53: 72–80.
STEREŃCAK, K. (2011):
Raport z analizy danych teledetekcyjnych dostarczonych Nadleśnictwu Drawno. Maszynopis w archiwum
Nadleśnictwa Drawno (Bericht zur Analyse der von der
Oberförsterei Drawno gelieferten Fernerkundungsdaten).
STILL, C. J.; RANDERSON, J. T.; FUNG, I. Y. (2004):
Large-scale plant light-use effieciency inferred from the
seasonal cycle of atmospheric CO2. Global Change Biology 10: 1240–1252.
STRZELIŃSKI, P. (2010):
Wybrane możliwości zastosowania laserowego skaningu
naziemnego (Ausgewählte Möglichkeiten der Anwendung
des terrestrischen Laserscannings). http://lasypolskie.pl.
SWR. (2013):
SWR-Wetterlexikon. Zugriff 27.08 2013, http://www.swr.
de/wetter/-/id=5491998/nid=5491998/did=4948210/
18iq17q/.
TUCKER, C. J. (1979):
Red and photographic infrared linear combinations for
monitoring vegetation. Remote Sensing of Environment 8:
127–150.
V. GADOW, K. (2003):
Waldstruktur und Wachstum. Beilage zur Vorlesung im
Wintersemester 2003/2004. Universitätsdrucke Göttingen.
V. LAAR, A., AKÇA, A. (2007): :
Forest Mensuration. 2nd ed., Springer, Dordrecht.
V. WILPERT, K., BÖSCH, B., BASTIAN, P., ZIRLEWAGEN, D.,
HEPPERLE, F., HOLZMANN, S., PUHLMANN, H., SCHÄFFER, J., KÄNDLER, G., SAUTER U. H. (2011):
Biomasse-Aufkommensprognose und Kreislaufkonzept
für den Einsatz von Holzaschen in der Bodenschutzkalkung in Oberschwaben. Freiburger Forstliche Forschung,
Berichte, Heft 87.
VALENTINE, H. T., TRITTON, L. M., FURNIVAL, G. M. (1984):
Subsampling trees for biomass, volume, or mineral content. Forest Science 30 (3): 673–681.
VAN DEUSEN, P., BIGING, G.S. (1985):
STAG: A Stand Generator for Mixed Species Stands.
Northern California Forest Yield Cooperative, University of
California Berkeley, Res. Note No. 11.
214
VAN GENDEREN, J., LOCK, B., VASS, P. (1978):
Remote Sensing: Statistical Testing of Thematic Map Accuracy. Remote Sensing of Environment 7: 3–14.
WALZ, U., HOU, W. (2011):
Charakterisierung der Landschaftsvielfalt mit RapidEye
-Daten – Erste Ergebnisse und Erfahrungen. In: BORG,
E., DAEDELOW, H. (Hrsg.): 3. RESA Workshop: RapidEye
Science Archive (RESA) – Erste Ergebnisse: 75–85.
WĘŻYK, P. (2006):
Wprowadzenie do technologii skaningu laserowego LiDAR
w leśnictwie. Roczniki Geomatyki, tom IV (Einführung in
die Technologie des LiDAR-Laserscannings in der Forstwirtschaft. Geomatik-Jahrbücher 4) zeszyt 4: 119–132.
WĘŻYK, P. (2010):
Naziemny skaning laserowy. (W:) OKŁA K. (red.). Geomatyka w Lasach Państwowych Część I. Podstawy. Centrum
Informacyjne Lasów Państwowych, Warszawa, s. 343–
357 (Das Terrestrische Laserscanning. In: OKŁA K. (Hg.):
Geomatik Teil 1. Grundwissen. Informationszentrum der
Staatswälder, Warszawa: 343–357).
WHITTAKER, R. H., WOODWELL, G. M. (1969):
Structure, Production and Diversity of the Oak-Pine Forest at Brookhaven, New York. Journal of Ecology 57 (1):
155–174.
WILLIAMS, R. A. (1989):
Use of randomized branch and importance sampling to
estimate Loblolly pine biomass. Southern Journal of Applied Forestry 13 (4): 181–184.
WINDHORST, H.-W. (1979):
Neuere Versuche der Bestimmung der Primärproduktion
der Wälder und forstlichen Ertragspotentiale. Erdkunde
33: 10–23.
ZAWIŁA-NIEDŹWIECKI, T., MIŚCICKI, S., ZASADA, M.,
WENCEL, A. (2006):
Nowe kierunki pomiaru lasu z wykorzystaniem narzędzi
teledetekcyjnych. Roczniki Geomatyki, tom IV, zeszyt 4:
155–168 (Neue Methoden der Waldmessungen mittels Fernerkundungs-Geräten. Geomatik-Jahrbücher 4: 155–168).
ZAWIŁA-NIEDŹWIECKI, T., STRZELIŃSKI, P., WENCEL, A.,
CHIRREK, M. (2007):
Laserowy skaner naziemny w badaniach ekosystemów leśnych (Der terrestrische Laserscanner in der Waldökosystemforschung). (W:) MEDYŃSKA-GULIJ B., KACZMAREK
L. (red.). Informacja geograficzna w kształtowaniu i ochronie środowiska przyrodniczego (Geoinformation über die
Gestaltung und den Schutz der Umwelt). Bogucki Wydawnictwo Naukowe, Poznań, s. 197–207.
ZELL, J. (2008):
Methoden für die Ermittlung, Modellierung und Prognose
der Kohlenstoﬀspeicherung in Wäldern auf Grundlage permanenter Großrauminventuren. Dissertation, Albert-Ludwigs-Universität Freiburg im Breisgau, 152 S.
ZHENG, D., PRINCE, S., WRIGHT, R. (2003):
Terrestrial net primary production estimates for 0.5° grid
cells from field observations — a contribution to global biogeochemical modeling. Global Change Biology 9: 46–64.
ZIANIS, D., MUUKKONEN, P., MÄKIPÄÄ, R., MENCUCCINI,
M. (2005):
Biomass and Stem Volume Equations for Tree Species in
Europe. Silva Fennica Monographs Nr. 4.
Bisher erschienene Bände in der Eberswalder Forstlichen Schriftenreihe
Band 1 Paul-Martin Schulz:
„Biographie Walter Pfalzgraf, des ersten Leiters des Zentralforstamtes in der Sowjetischen
Besatzungszone von 1945–1948“
Band 2 Horst Mildner/Ekkehard Schwartz:
„Waldumbau in der Schorfheide, zum Andenken an Oberlandforstmeister
Dr. phil. Erhard Hausendorff “
Band 3 Dieter Heinsdorf u. a.:
„Forstliche Forschung im Nordostdeutschen Tiefland (1992–1997)“
ISBN 3-933352-02-9
ISBN 3-933352-06-1
Band 4 Hans Hollender u. a.:
„Planung der Waldentwicklung im Land Brandenburg,
Vorträge zur Fachtagung am 4. November 1998 in Eberswalde“ Band 5 Ralf Kätzel u. a.:
„Forstsaatgutprüfung in Eberswalde 1899–1999,
Grundlage für eine nachhaltige Forstwirtschaft“
Band 6 Dieter Heinsdorf:
„Das Revier Sauen – Beispiel für erfolgreichen Waldumbau“
Band 7 Klaus Höppner u. a.:
„Ökologische und ökonomische Gesichtspunkte der Waldbewirtschaftung
im südlichen Brandenburg“
Band 8 Hubertus Kraut/Reinhard Möckel:
„Forstwirtschaft im Lebensraum des Auerhuhns, ein Leitfaden für die Waldbewirtschaftung
in den Einstandsgebieten im Lausitzer Flachland“
Band 9 Ralf Kätzel u. a.:
„Die Birke im Nordostdeutschen Tiefland;
Eberswalder Forschungsergebnisse zum Baum des Jahres 2000“
Band 10 Sonderband; Abteilung Forstwirtschaft des Ministeriums für Landwirtschaft,
Umweltschutz und Raumordnung des Landes Brandenburg:
„Landeswaldbericht 1997 und 1998, mit einem Sonderkapitel zur Naturalplanung in Brandenburg“ Band 11 Hans-Friedrich Joachim:
„Die Schwarzpappel (Populus nigra L.) in Brandenburg“
Band 12 Christian Brueck u. a.:
„Zertifizierung von Forstbetrieben.
Beiträge zur Tagung vom 5. November 1999 in Fürstenwalde/Spree (Brandenburg)“
Band 13 Dieter Heinsdorf, Joachim-Hans Bergmann:
„Sauen 1994 – ein gelungener Waldumbau“
Band 14 Sonderband; Abteilung Forstwirtschaft des Ministeriums für Landwirtschaft,
Umweltschutz und Raumordnung des Landes Brandenburg:
„Landeswaldbericht 1999 mit einem Sonderkapitel, Regionaler Waldbericht für die Zertifizierung
der Waldbewirtschaftung in Brandenburg‘“
Band 15 Winfried Riek u. a.:
„Funktionen des Waldes und Aufgaben der Forstwirtschaft in Verbindung mit dem
Landschaftswasserhaushalt“
Band 16 Jörg Müller u. a.:
„Privatwald in Brandenburg – Entwicklung, Rahmenbedingungen und aktuelle Situation“
Band 17 Autorenkollektiv:
„Die Schwarz-Erle (Alnus glutinosa [L.] GAERTN.) im nordostdeutschen Tiefland“ Band 18 Autorenkollektiv:
„Zertifizierung nachhaltiger Waldbewirtschaftung in Brandenburg“
Band 19 Winfried Riek, Falk Stähr u. a.:
„Eigenschaften typischer Waldböden im Nordostdeutschen Tiefland unter besonderer
Berücksichtigung des Landes Brandenburg – Hinweise für die Waldbewirtschaftung“
„Kommunalwald in Brandenburg – Entwicklung, Rahmenbedingungen und aktuelle Situation“ Band 21 Autorenkollektiv:
„Naturverjüngung der Kiefer – Erfahrungen, Probleme, Perspektiven“
Band 22 Jörg Müller u. a.:
„Die zweite Bundeswaldinventur (BWI2) – Ergebnisse für Brandenburg und Berlin“
„Zukunftsorientierte Waldwirtschaft: Ökologischer Waldumbau im nordostdeutschen Tiefland“
Band 24 Gerhard Hofmann/Ulf Pommer:
Potentielle Natürliche Vegetation von Brandenburg und Berlin mit Karte im Maßstab 1 : 200 000 ISBN 3-933352-07-X
ISBN 3-933352-10-X
ISBN 3-933352-12-6
ISBN 3-933352-22-3
ISBN 3-933352-24-X
ISBN 3-933352-23-1
ISBN 3-933352-30-4
ISBN 3-933352-31-2
ISBN 3-933352-32-0
ISBN 3-933352-34-7
ISBN 3-933352-35-5
ISBN 3-933352-37-1
ISBN 3-933352-47-9
ISBN 3-933352-48-7
ISBN 3-933352-52-5
ISBN 3-933352-53-3
ISBN 3-933352-56-8
ISBN 3-933352-57-6
ISBN 3-933352-58-4
ISBN 3-933352-59-2
ISBN 3-933352-62-2
215
Aktuelle Ergebnisse und Fragen zur Situation der Eiche und ihrer Bewirtschaftung in Brandenburg
Band 26 Wissenstransfer in die Praxis:
Tagungsband zum 1. Eberswalder Winterkolloquium am 2. März 2006
Band 27 Die Schwarz-Pappel:
Fachtagung zum Baum des Jahres 2006
Band 28 Naturschutz in den Wäldern Brandenburgs:
Beiträge der Naturschutztagung vom 2. November 2006 in Eberswalde
Beiträge zum zweiten Winterkolloquium am 1. März 2007 in Eberswalde.
ISBN 3-933352-63-0
ISBN 3-933352-64-9
ISBN 3-933352-63-0
ISBN 3-933352-97-8
Waldwachstumskundliche Grundlagen für eine effektive Waldbewirtschaftung.
Zum 100. Geburtstag von Professor Dr. habil. Werner Erteld.
100 Jahre Naturschutzgebiet Plagefenn. Ein Beispiel für erfolgreiches Zusammenwirken von Forstwirtschaft
und Naturschutz. Tagungsband zur Tagungs- und Exkursionsveranstaltung vom 11. – 12. Mai 2007 in Chorin.
Die Kiefer im Nordostdeutschen Tiefland. Ökologie und Bewirtschaftung.
Wald, Forstwirtschaft, Förster und Gesellschaft – Wälder schaffen Wachstum und sichern Lebensgrundlagen.
Tagungsbericht der gemeinsamen Forstpolitischen Jahrestagung vom 14. Juni 2007 in Paaren/Glien.
Band 34 Joachim Groß:
Waldfunktionen im Land Brandenburg.
Beiträge zum dritten Winterkolloquium am 28. Februar 2008 in Eberswalde.
Band 36 Biodiversität-Lebensversicherung des Waldes:
Tagungsband zur gemeinsamen Jahrestagung des Ministeriums für Ländliche Entwicklung, Umwelt und Verbraucherschutz
und des Brandenburgischen Forstvereins e. V. am 24.04.2008.
Band 37 Hohenlübbichow:
Naturgemäße Waldwirtschaft zwischen Verklärung und Realität – Natur- und Landschaftsschutz im Gebiet um Bellinchen/
Bielinek und Hohenlübbichow/Lubiechów Górny.
Band 38 Heinsdorf, D.; Krauß, H.-H.:
Herleitung von Trockenmassen und Nährstoffspeicherungen in Buchenbeständen.
Band 39 Hofmann, G. et al.:
Wildökologische Lebensraumbewertung für die Bewirtschaftung des wiederkäuenden Schalenwildes im nordostdeutschen
Tiefland.
Beiträge zum vierten Winterkolloquium am 26. Februar 2009 in Eberswalde.
Band 41 Lockow, K.-W.:
Die Hainbuche im nordostdeutschen Tiefland-Wuchsverhalten und Bewirtschaftungshinweise.
Risikomanagement im Forstbetrieb.
Die Douglasie im nordostdeutschen Tiefland. Chancen und Risiken in Klimawandel.
Beiträge zum fünften Winterkolloquium am 25. Februar 2010 in Eberswalde.
Aktuelle Beiträge zur Wildökologie und Jagdwirtschaft in Brandenburg.
Naturnahe Waldwirtschaft-Dauerwald heute?
Beiträge zum sechsten Winterkolloquium am 24. Februar 2011 in Eberswalde.
Technik für den Wald – Eine Retrospektive zur Entwicklung der forstlichen Verfahrenstechnik und Mechanisierung in der DDR.
Beiträge zum siebten Winterkolloquium am 23. Februar 2012 in Eberswalde.
Band 50 Nachhaltige Waldbewirtschaftung:
Realität oder visionärer Anspruch? Tagungsband zur gemeinsamen Jahrestagung mit dem Brandenburgischen Forstverein
e. V. am 10. Mai 2012 in Rangsdorf.
216
Beiträge zum achten Winterkolloquium am 21. Februar 2013 in Eberswalde.
Band 52 Heinsdorf, D.:
Zur Entwicklung und waldökologischen Bedeutung von neun Baumarten bei unterschiedlicher Nährstoffversorgung auf
degradierten nährstoffärmeren Sandstandorten. Ergebnisse einer Langzeitstudie (1968-2012) im Süden Brandenburgs
(Forstrevier Preschen).
Die Eiche – Chancen und Risiken einer Charakterbaumart im nordostdeutschen Tiefland. Tagungsband zur gemeinsamen
Vortrags- und Exkursionsveranstaltung mit dem Brandenburgischen Forstverein am 23. Mai 2013 in Eberswalde
Band 54 Hofmann, G.; Pommer, U.:
Die Waldvegetation Nordostdeutschlands.
Beiträge zum neunten Winterkolloquium am 27. Februar 2014 in Eberswalde.
217
Landesbetrieb Forst Brandenburg
Landeskompetenzzentrum Forst Eberswalde (LFE)
Alfred-Möller-Straße 1
16225 Eberswalde
Telefon: 03334 2759-231
Fax: 03334 2759-206
E-Mail: [email protected]
Internet: www.forst.brandenburg.de

Biomasseschätzung für Wälder mittels Fernerkundung und

Transkrypt

Podobne dokumenty

Räume für Schulen - Empfehlungen für gesundheits

PRUSIEK, FST. 25, GDE. SANOK

pˇrehled výzkum˚u - Archeologický ústav AV ČR, Brno, v. v. i.

Altanka Solingen

Gesamtkonzept von Architekt Krekeler für die Sanierung der

Geschichte und Entwicklung der Rebenzüchtung auf dem - Vitis-vea

Mangel und Überfluss - Freiraumplanung und ihre Mittel

Heft 95 Olaf Cirpka Numerische Methoden zur Simulation des

Verzeichnis

Exkursionsbegleiter Schönstein - Hatzfeldt