Hintergrund und Forschungsansatz

Meine Masterarbeit befasst sich mit der Erholung von Waldstörungsflächen ehemaliger Fichtenbestände in den Mittelgebirgen Mitteldeutschlands, insbesondere im südlichen Harz, im Thüringer Wald und im Thüringer Schiefergebirge. Gängige Störungsprodukte aus der Fernerkundung konzentrieren sich meist auf die Differenzierung zwischen gestörten und ungestörten Wäldern, während Nuancen bei der Totholzretention in der Regel nicht berücksichtigt werden.

Auf der Grundlage von Fernerkundungszeitreihen biophysikalischer Variablen und Hilfsdaten möchte ich ein auf maschinellem Lernen (ML) basierendes Modell entwickeln, um bestehende Managementvarianten nach Störungen zu klassifizieren und zu unterscheiden. Der Schwerpunkt der Analyse liegt auf Sentinel-abgeleiteten LAI-Daten sowie auf Topografie-, Boden- und Klimadaten.

Zur Unterstützung dieses Ansatzes wurden detaillierte kategorische Trainingsdaten im Feld erhoben, wodurch der räumliche Umfang des bestehenden Forschungsprojekts „ResEt-Fi“ (BMFTR, REGULUS-Programm) von einzelnen Plots auf die regionale Ebene erweitert wurde. Diese Feldarbeit wurde durch Mittel des Kompetenzzentrums für Landschaftsresilienz und der Eva Mayr-Stihl-Stiftung unterstützt, die eine unabhängige empirische Datenerhebung, die über den regulären Rahmen des Studiengangs hinausgeht, ermöglichten. Diese umfassende Datenerhebung ermöglicht ein robustes Modelltraining und eine Validierung über alle drei Untersuchungsregionen und Managementvarianten hinweg.

Durch die Analyse der Unterschiede zwischen den Managementvarianten auf Schadflächen hinsichtlich der LAI-Erholungskurven und Umweltfaktoren wird diese Arbeit nicht nur das Verständnis der frühen Sukzession verbessern und die Überwachung der Erholung unterstützen, sondern auch neue Erkenntnisse über die Wiederherstellung der Ökosystemfunktionen im Zusammenhang mit der Bewertung der Landschaftsresilienz ermöglichen.

Methoden

Zur Vorbereitung der Feldarbeit wurden mithilfe von Satellitenbildern potenzielle gestörte Waldgebiete in der Nähe bestehender „ResEt-Fi“-Plots identifiziert. Während der fünftägigen Feldkampagne wurden diese Flächen sowie zusätzlich vor Ort identifizierte Gebiete in drei Managementvarianten nach Störung eingeteilt: Kahlfläche, Hochstubben und stehendes Totholz.

Die Flächen wurden mit zwei sich ergänzenden Ansätzen digitalisiert. Wo möglich, erfolgte die Kartierung direkt im Gelände durch GPS-gestützte Erfassung der Flächengrenzen. In Fällen eingeschränkter Zugänglichkeit wurden Referenzpunkte im Feld aufgenommen und die Flächengrenzen anschließend mithilfe von Satellitenbildern digitalisiert. Dieser kombinierte Ansatz gewährleistete eine konsistente und präzise räumliche Abgrenzung der Untersuchungsflächen.

Erfolge und Herausforderungen

Insgesamt verlief die Feldarbeit erfolgreich, und ein Großteil der zuvor identifizierten Flächen konnte in den Datensatz aufgenommen werden. Im Thüringer Schiefergebirge wurde die Datenerhebung durch die hohe Verfügbarkeit großflächiger Störungsareale erleichtert. Aufgrund zeitlicher Einschränkungen konnten jedoch nicht alle Flächen vollständig digitalisiert werden.

Im Thüringer Wald hingegen war ein erheblicher Suchaufwand erforderlich, um geeignete Störungsflächen zu identifizieren. Rückblickend hätte ein größerer Teil der verfügbaren Zeit im Thüringischen Schiefergebirge eingesetzt werden können; dies hätte jedoch dem Ziel einer ausgewogenen regionalen Repräsentation widersprochen.

Logistische Herausforderungen ergaben sich durch blockierte Waldwege sowie teilweise schwierige Wegezustände für das Fahrzeug. Aufgrund des späten Zeitpunkts der Feldarbeit Ende Oktober waren die Flächen gut begehbar; lediglich steile, nasse Hanglagen erforderten erhöhte Vorsicht und einen höheren Zeitaufwand.

Ergebnisse & Ausblick

Das Ergebnis der Feldarbeit ist ein umfassender Datensatz mit etwa 500 räumlich abgegrenzten Flächen, die unterschiedliche Managementvarianten nach Störung repräsentieren. Die Flächen variieren stark in Größe und Form, was reale Bewirtschaftungsbedingungen widerspiegelt und bei der Modellentwicklung berücksichtigt wird.

Voraussichtlich werden etwa 15 % der Flächen aufgrund unzureichender räumlicher Ausdehnung vom Modelltraining ausgeschlossen. Diese Einschränkung war erwartet worden; dennoch wurden die Flächen digitalisiert, um ihren potenziellen Nutzen für alternative Analysen oder zukünftige Anwendungen zu erhalten.

Der resultierende Datensatz liefert die notwendigen kategorialen Trainingsdaten für die Entwicklung und Validierung des geplanten ML-Klassifikationsmodells. Langfristig trägt die Arbeit zu einem verbesserten Verständnis früher Waldsukzessionsprozesse und zur Bewertung der Resilienz von Waldlandschaften bei.

• Zusammenarbeit: Die Zusammenarbeit mit lokalen Forstmitarbeitenden erwies sich während der Feldarbeit als äußerst wertvoll. Insbesondere die Unterstützung durch einen Forstanwärter im Untersuchungsgebiet Etterwinden ermöglichte eine effiziente Standortidentifizierung und lieferte wichtige Kontextinformationen zu lokalen Störungsmustern und Bewirtschaftungspraktiken, wodurch die Qualität und Relevanz der gesammelten Trainingsdaten verbessert wurde.
• Regionale Störungsdynamik: Während der Feldarbeit wurde ein deutlicher Kontrast in der Verfügbarkeit gestörter Waldgebiete zwischen den Untersuchungsregionen beobachtet. Während geeignete Standorte im Thüringer Wald rar waren und eine umfangreiche Suche erforderten, wiesen die Thüringer Schieferberge eine hohe Dichte an gestörten Gebieten auf. Dies bestätigte die ursprünglichen Annahmen hinsichtlich der regionalen Störungsdynamik und unterstrich die Eignung der ausgewählten Untersuchungsregionen für eine vergleichende Analyse.
• Feldarbeit: Die Feldarbeit lieferte wertvolle praktische Erkenntnisse über logistische Einschränkungen bei der Kartierung gestörter Waldgebiete in abgelegenem und stark bewaldetem Gelände. Einschränkungen hinsichtlich der Zugänglichkeit und des Transports unterstrichen die Bedeutung der Berücksichtigung logistischer Faktoren bei der Planung der Feldarbeit und der Zeiteinteilung, insbesondere bei der Durchführung regional umfangreicher Erhebungen.