Biomasseschätzung für Wälder mittels Fernerkundung und
Transkrypt
Biomasseschätzung für Wälder mittels Fernerkundung und
Forst Eberswalder Forstliche Schriftenreihe Band 56 Biomasseschätzung für Wälder mittels Fernerkundung und Modellierung Ergebnisse des deutsch-polnischen Verbundprojekts „ForseenPOMERANIA“ Eberswalder Forstliche Schriftenreihe Band 56 Biomasseschätzung für Wälder mittels Fernerkundung und Modellierung Ergebnisse des deutsch-polnischen Verbundprojekts „ForseenPOMERANIA“ Eberswalder Forstliche Schriftenreihe Band 56 Biomasseschätzung für Wälder mittels Fernerkundung und Modellierung Ergebnisse des deutsch-polnischen Verbundprojekts „ForseenPOMERANIA“ 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 2 | Methoden und Ergebnisse 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 Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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 Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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). Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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- Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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 Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse } 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 Variationskoeffizient 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 Methoden und Ergebnisse | 2 Tab. 6: Messergebnisse des BHD mit verschiedenen Methoden auf der Fläche Nr. 2 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 Variationskoeffizient 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 2 | Methoden und Ergebnisse Tab. 7: Messergebnisse der Höhe mit verschiedenen Methoden auf der Fläche Nr. 2 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 Variationskoeffizient 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). Methoden und Ergebnisse | 2 Tab. 8: Messergebnisse des BHD mit verschiedenen Methoden auf der Fläche Nr. 3 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 Variationskoeffizient 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 2 | Methoden und Ergebnisse Tab. 9: Messergebnisse der Höhe mit verschiedenen Methoden auf der Fläche Nr. 3 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 Variationskoeffizient 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 Methoden und Ergebnisse | 2 Abb. 15: Vergleich der 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 2 | Methoden und Ergebnisse 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). Methoden und Ergebnisse | 2 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. Technische Anforderungen: • 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 2 | Methoden und Ergebnisse • 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 Methoden und Ergebnisse | 2 } 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. Bearbeitung der Abbildung: K. Stereńczak Anzahl Punkte auf 1 m² Anteil an der Fläche [%] 1 bis 4 0,56 mehr als 4 99,44 37 2 | Methoden und Ergebnisse 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, Bearbeitung der Abbildung: K. Stereńczak } 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. Technische Anforderungen: • 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 Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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 Methoden und Ergebnisse | 2 Abb. 22: Prozentuale Verteilung der Anzahl der Punkte in den einzelnen Klassen für den Bereich N-33-104-A-d-2-2-1.las, Bearbeitung: K. Kondracki, auf der Grundlage von MGGP Aero 2011 Abb. 23: Prozentuale Verteilung der Anzahl der Punkte in den einzelnen Klassen für den Bereich N-33-104-B-c-3-2-4.las, Bearbeitung: K. Kondracki, auf der Grundlage von MGGP Aero 2011 Abb. 24: Prozentuale Verteilung der Anzahl der Punkte in den einzelnen Klassen für den Bereich N-33-104-C-b-2-3-1.las, Bearbeitung: K. Kondracki, auf der Grundlage von MGGP Aero 2011 Abb. 25: Prozentuale Verteilung der Anzahl der Punkte in den einzelnen Klassen für den Bereich N-33-104-D-a-1-1-2.las, Bearbeitung: K. Kondracki, auf der Grundlage von MGGP Aero 2011 41 2 | Methoden und Ergebnisse 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: Methoden und Ergebnisse | 2 • • • • • • • 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 2 | Methoden und Ergebnisse 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 Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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- Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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 Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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- Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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 Methoden und Ergebnisse | 2 • • 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 2 | Methoden und Ergebnisse 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 Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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 Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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 Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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. Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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- Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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 Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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 %. Methoden und Ergebnisse | 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 2 | Methoden und Ergebnisse 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- Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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 Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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- Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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 Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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- Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse (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 Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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. Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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. Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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; Alter ca. 75 Jahre; Höhe des Baumes ca. 28 m; Schlussgrad Oberstand 0,8; Schlussgrad Unterstand 0,2 16 Bestandesboden in Kiefern-Baumholzbestand siehe Loggernr. 15 17 Roteichenkrone eines Roteichen-Baumholzbestandes mit Rotbuchen-Unterstand; Alter ca. 75 Jahre; Höhe des Baumes ca. 30 m; Schlussgrad Oberstand 1,0; Schlussgrad Unterstand 0,3 18 Bestandesboden in Roteichen-Baumholzbestand siehe Loggernr. 17 84 Methoden und Ergebnisse | 2 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 Abb. 68: Vergleich der Temperaturen von Loggern, Terra und Thermalbefliegung zur Zeit des Satellitenüberflugs Abb. 69: Vergleich der Temperaturen von Loggern, Terra und Thermalbefliegung zu den Zeiten der Thermalbefliegung Abb. 70: Vergleich der Temperaturen der oberflächlichen Logger, Terra und Thermalbefliegung zur Zeit des Satellitenüberflugs 85 2 | Methoden und Ergebnisse 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 Abb. 72: Vergleich der Temperaturen der oberflächlichen Logger zum Zeitpunkt der Aqua-Überflüge je Tag Abb. 73: Vergleich der 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- Methoden und Ergebnisse | 2 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 | Methoden und Ergebnisse 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 Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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. Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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 3 = 51-75 % geschädigt 4 = 76-100 % 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. Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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 N (Validierungsbäume) 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 N (Validierungsbäume) 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 Methoden und Ergebnisse | 2 } 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 Schadstufen und Baumarten (jeweils auf Grundlage des Layer-Stacks) Schadstufen und Baumarten (jeweils auf Grundlage der LayerStacks) klassifizierte Raster (*.tif) Multinomial Regression Models Schadstufen und Baumarten (jeweils auf Grundlage 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) Schadstufen und Baumarten (jeweils auf Grundlage Random Forest der Originaldaten und des Layer-Stacks zusammen) – unklassifizierte Raster (*.tif) 95 2 | Methoden und Ergebnisse 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. Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse Tab. 37: Konfusionsmatrix der Schadklassifikation durch Cubist/See5 Referenz Klassifikation Schadstufe 1 2 3 4 Summe Producer’s Accuracy 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. Methoden und Ergebnisse | 2 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 Producer’s Accuracy 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 Producer’s Accuracy 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 2 | Methoden und Ergebnisse Tab. 40: Konfusionsmatrix der Schadklassifikation durch CRF Referenz Klassifikation Schadstufe 1 2 3 4 Summe Producer’s Accuracy 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. Anhand der Konfusionsmatrizen konnten die im folgenden Diagramm (Abb. 94) 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. 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 und Ergebnisse | 2 Abb. 90: Gegenüberstellung der mit den 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. Abb. 92: Gegenüberstellung der je nach Methode unterschiedlich klassifizierten Rot-Buchen im Testgebiet Schuenhagen. Abb. 91: Gegenüberstellung der mit den 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 2 | Methoden und Ergebnisse 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 Abb. 93: Gegenüberstellung der je nach 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 Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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. Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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 N (Validierungsbäume) 60 60 60 60 240 N (Validierungsbäume) 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 N (Validierungsbäume) 75 290 76 75 76 75 75 75 817 106 Methoden und Ergebnisse | 2 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 Abb. 99: Luftbildmosaik vom 26.08.2011 mit 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) Anhand der Konfusionsmatrizen konnten die im folgenden Diagramm (Abb. 100) 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. 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. Abb. 101: Luftbildmosaik vom 25.07.2012 mit 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 2 | Methoden und Ergebnisse 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. Methoden und Ergebnisse | 2 2.1.5.3Nutzung von Luftbildern zur Vitalitätsinventur am Beispiel der Esche lassifikation/Segmentation von BaumK arten im Testgebiet Schuenhagen Abb. 105: Ergebnisse der Klassifikation für Rot-Buche im Testgebiet Schuenhagen. Anordnung der Methoden wie in Abb. 103. Abb. 106: Ergebnisse der Klassifikation für 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 2 | Methoden und Ergebnisse 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 Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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 Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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 Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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- Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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 Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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 Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse (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. Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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, Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse • 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 Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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- Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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 Methoden und Ergebnisse | 2 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] 2 | Methoden und Ergebnisse 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 Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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: Methoden und Ergebnisse | 2 • 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 2 | Methoden und Ergebnisse 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. Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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. Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse Abb. 130: Anteil der Kompartimente an der Kohlenstoffmenge des Baumes Abb. 134: Anteil der Kompartimente an der Magnesiummenge des Baumes Abb. 131: Anteil der Kompartimente an der Stickstoffmenge des Baumes Abb. 135: Anteil der Kompartimente an der Phosphormenge des Baumes Abb. 132: Anteil der Kompartimente an der Calciummenge des Baumes Abb. 136: Anteil der Kompartimente an der Schwefelmenge des Baumes Abb. 133: Anteil der Kompartimente an der 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 Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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% Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse Abb. 139: Gesamtwuchsleistung (GWL) von Trockensubstanz bei Eichenbeständen der Oberhöhenbonität 20 vom Alter 25 bis 65 Jahre Abb. 140: Laufender jährlicher Zuwachs (LZ) von Trockensubstanz bei Eichenbeständen der Oberhöhenbonität 32 vom Alter 15 bis 65 Jahre 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 Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse } 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. Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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 Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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 Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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 Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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 Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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. Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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 Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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 Methoden und Ergebnisse | 2 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) Abb. 161: Vergleich der 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 2 | Methoden und Ergebnisse } 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- Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse } 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. Methoden und Ergebnisse | 2 } 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 2 | Methoden und Ergebnisse 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- Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse (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 Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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 Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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 Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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 Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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 Methoden und Ergebnisse | 2 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- Abb. 179: Darstellung des Jahresverlaufs 2003 des Bodenwassers, gestrichelte Linie = berechnet, durchgezogene Linie = gemessen Abb. 180: Darstellung des Wasserstresses (rote Linie = 2003, blaue Linie = 2004, grüne Linie = 2007) 177 2 | Methoden und Ergebnisse 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 % Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse } 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 Methoden und Ergebnisse | 2 Abb. 186: Vergleich der 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 2 | Methoden und Ergebnisse 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 Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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. Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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 Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse • • • 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- Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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 Methoden und Ergebnisse | 2 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 2 | Methoden und Ergebnisse 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 Methoden und Ergebnisse | 2 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- Diskussion und Zusammenfassung | 3 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 3 | Diskussion und Zusammenfassung 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- Diskussion und Zusammenfassung | 3 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 3 | Diskussion und Zusammenfassung 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- Diskussion und Zusammenfassung | 3 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 3 | Diskussion und Zusammenfassung 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 Diskussion und Zusammenfassung | 3 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 3 | Diskussion und Zusammenfassung 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 Diskussion und Zusammenfassung | 3 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 3 | Diskussion und Zusammenfassung 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 Diskussion und Zusammenfassung | 3 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. DEGENHARDT, A. (2009): 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. Literaturverzeichnis | 4 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., DEGENHARDT, A. (2009): 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 4 | Literaturverzeichnis MINISTERIUM FÜR LÄNDLICHE ENTWICKLUNG, UMWELT 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. MINISTERIUM FÜR LÄNDLICHE ENTWICKLUNG, UMWELT 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 Literaturverzeichnis | 4 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., DEGENHARDT, A. (2013): 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 4 | Literaturverzeichnis 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“ Band 20 Autorenkollektiv: „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“ Band 23 Autorenkollektiv: „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 Bisher erschienene Bände in der Eberswalder Forstlichen Schriftenreihe Band 25 Autorenkollektiv: 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 Band 29 Wissenstransfer in die Praxis: 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 Band 30 Autorenkollektiv: Waldwachstumskundliche Grundlagen für eine effektive Waldbewirtschaftung. Zum 100. Geburtstag von Professor Dr. habil. Werner Erteld. Band 31 Autorenkollektiv: 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. Band 32 Autorenkollektiv: Die Kiefer im Nordostdeutschen Tiefland. Ökologie und Bewirtschaftung. Band 33 Autorenkollektiv: 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. Band 35 Wissenstransfer in die Praxis: 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. Band 40 Wissenstransfer in die Praxis: Beiträge zum vierten Winterkolloquium am 26. Februar 2009 in Eberswalde. Band 41 Lockow, K.-W.: Die Hainbuche im nordostdeutschen Tiefland-Wuchsverhalten und Bewirtschaftungshinweise. Band 42 Autorenkollektiv: Risikomanagement im Forstbetrieb. Band 43 Autorenkollektiv: Die Douglasie im nordostdeutschen Tiefland. Chancen und Risiken in Klimawandel. Band 44 Wissenstransfer in die Praxis: Beiträge zum fünften Winterkolloquium am 25. Februar 2010 in Eberswalde. Band 45 Autorenkollektiv: Aktuelle Beiträge zur Wildökologie und Jagdwirtschaft in Brandenburg. Band 46 Autorenkollektiv: Naturnahe Waldwirtschaft-Dauerwald heute? Band 47 Wissenstransfer in die Praxis: Beiträge zum sechsten Winterkolloquium am 24. Februar 2011 in Eberswalde. Band 48 Autorenkollektiv: Technik für den Wald – Eine Retrospektive zur Entwicklung der forstlichen Verfahrenstechnik und Mechanisierung in der DDR. Band 49 Wissenstransfer in die Praxis: 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 Bisher erschienene Bände in der Eberswalder Forstlichen Schriftenreihe Band 51 Wissenstransfer in die Praxis: 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). Band 53 Autorenkollektiv: 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. Band 55 Wissenstransfer in die Praxis: 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