Dr. Rainer Petzold
Tel: +49 3501 542-463
E-Mail schreiben

31.12.2021

Wesentliches Ergebnis des Teilvorhabens ist, dass es gelang mit der Auswahl und Anwendung geeigneter Modellwerkzeuge Karten mit Humuseigenschaften zu erzeugen (siehe Abbildung 5 in II.1) und in ein Gesamtverfahren zu integrieren (siehe Abbildung 4 in II.1) sowie in einem Methodenleitfaden nachvollziehbar zu dokumentieren (Becker et al. 2022). Mit dem Algorithmus Quantile-Regression-Forests (QRF), einer speziellen Form von Ensemble-Modellierung auf Basis von Entscheidungsbäumen (CART) lassen sich sowohl Prognosen als auch räumlich diskrete Unsicherheitsabschätzungen vornehmen. Durch Kombination mit objektiver Prädiktorenauswahl (Recursive Feature Elimination) und Parallelisierung der Berechnungsprozesse auf einem Desktoprechner können auch unter Praxisbedingungen mit vertretbarem Zeitaufwand (Rechenzeit) für Waldgebiete bzw. forstliche Wuchsbezirke anwendbare Ergebnisse erzielt werden. Im Rahmen der Arbeit wurde auch das große Einsatzpotenzial von SENTINAL-2-Daten insbesondere vorprozessierten multitemporalen Metriken (FORCE) als flächendeckende Informationsgrundlage zur Vegetation (Prädiktor) erschlossen. Mit dem Einsatz wurde die Prognosegüte etablierter, aus Satellitendaten abgeleiteter Vegetationsindikatoren (z.B. NDVI) deutlich übertroffen.

Die Darstellung von Humuseigenschaften in Karten ist Verfahrensbestandteil der Forstlichen Standortkartierung in den ostdeutschen Bundesländern. Dabei ist die Humusform bodenchemisch über pHWert, C/N-Verhältnis und Basensättigung in der Humusauflage und der obersten Mineralbodenschicht definiert. Während im nordostdeutschen Tiefland ein Ansatz über den Zeigerwert der Bodenvegetation etabliert ist, fehlt bisher eine entsprechende Methode für die Standortregionen Mittelgebirge und Hügelland. Das Ziel ist, über vereinfachte Messverfahren (Vis-NIR-Spektroskopie), Verdichtung und räumliche Optimierung der Probennahme sowie robuste Modellierungstechniken mit geringem Prozessierungsaufwand räumlich differenzierte Humusinformationen für die nachhaltige Waldbewirtschaftung bereitzustellen. Um eine hinreichend genaue Vorhersage zu gewährleisten, werden dafür flächenhafte Informationen zu Relief, Boden, Klima, Vegetation, Geologie, geografischer Lage und anthropogenen Einflüssen als Prädiktoren verwendet. Die Modelle werden anhand der Analysedaten von sächsischen Humusproben aus der BZE-II, deren räumlicher Verdichtung und zusätzlichen Beprobungen in Testgebieten trainiert und validiert. In einem Testgebiet im mittelsächsischen Lösshügelland (Zellwald) wurde das Verfahren mit einer von Altdaten unabhängigen Probennahme getestet. Es folgten laborchemische und Vis-NIR-Spektralanalysen, räumliche Prognose und die Darstellung der Modellergebnisse als kontinuierlich und klassifizierte Datensätze sowie die räumlichen Muster von Modellunsicherheiten.