Extrapolation von Ursachen-Wirkungsbeziehungen in ...

BFH-Nachrichten 2/2004 x
Extrapolation von Ursachen-Wirkungsbeziehungen in Waldökosystemen auf den großflächigen
Maßstab (Extrapolation of cause-effect relationships in forest ecosystems to
the large scale) [Schall, P.; Seidling, W.; Lorenz, M.]
Die Waldzustandserfassung der Wirtschaftskommission der Vereinten Nationen für Europa
(UNECE) und der Europäischen Union (EU) untersucht die räumliche und zeitliche Variabilität
des Waldzustandes im europäischen Maßstab auf einem großräumig-repräsentativen
Gitternetz (16 x 16 km) von ca. 6000 Monitoringpunkten (Level I). Vom gesamten Netz liegen
Zeitreihen für den Kronenzustand vor. Für einen Teil des Netzes sind die Ergebnisse einer
Bodenzustandserhebung und einer Analyse der Elementgehalte in Nadeln und Blättern
verfügbar. Zur Erklärung von Ursache-Wirkungsbeziehungen dient ein intensives Monitoring
auf ca. 860 über ganz Europa verteilter und die wichtigsten Waldökosysteme repräsentierenden
Beobachtungsflächen (Level II). Auf diesen Flächen werden zusätzlich zum Kronen-,
Boden- und Ernährungszustand auch der Zuwachs der Bäume, die Deposition von Luftschadstoffen,
die Konzentration von Schadgasen, die Witterung, die chemische Zusammensetzung
der Bodenlösung, die phänologischen Reaktionen der Bäume und die floristische Zusammensetzung
der Waldbodenvegetation erfasst.
Das Institut für Weltforstwirtschaft der Bundesforschungsanstalt für Forst- und Holzwirtschaft
stellt das Koordinierungszentrum der europäischen Waldzustandserfassung und ist am
Datenmanagement und den wissenschaftlichen Auswertungen maßgeblich beteiligt. Mit Hilfe
eines neuen Auswertungsansatzes wurden auf Level-II-Flächen ermittelte statistische Beziehungen
zwischen den untersuchten Parametern mit Hilfe von Level-I-Daten auf den großflächigen
Maßstab extrapoliert. Die statistischen Modelle wurden so gewählt, dass sie die
Spannbreite der durchgeführten Studien (Bodenzustand, Bodenlösungschemie und Nährstoffstatus
der Blätter), der Modelltypen (bivariat und multivariat, linear und nichtlinear) und der
Variablenverfügbarkeit repräsentierten. Die Modelle beziehen sich zumeist auf die Elemente
Stickstoff und Schwefel, deren Schadwirkungen auf Waldökosysteme bei übermäßigem Eintrag
von der Waldschadensforschung und Waldzustandserfassung vielfach nachgewiesen
sind.
Beispielhaft werden hier die Ergebnisse zum Schwefelvorrat in der organischen Auflage berichtet.
Zur Berechnung des Schwefelvorrats sind Messungen der Schwefelkonzentrationen der organischen
Auflage und ihres Flächengewichtes Voraussetzung. Die Anzahl der für die Analyse
brauchbaren Level-II-Dauerbeobachtungsflächen war dadurch eingeschränkt, dass sowohl die
Schwefelkonzentration als auch die Mächtigkeit der organischen Auflage nicht auf allen Flächen
erhoben wurde. Für 111 Level-II-Beobachtungsflächen waren beide Messungen verfügbar.
Die 111 Flächen zeigten eine disjunkte Verteilung innerhalb Europas, so dass ein räumlicher
Definitionsbereich mit vier Teilflächen ermittelt wurde: eine nördliche Teilfläche mit Finnland
und Teilen des Gebietes Leningrad, eine sich west-östlich erstreckende Teilfläche mit
Teilen der Niederlande, Belgiens, Deutschlands, Tschechiens und der Slowakei sowie zweier
kleiner Teilflächen in der Schweiz und Kroatien.
Die Beziehung zwischen dem Schwefelvorrat in der organischen Auflage und sieben Umwelt-
und Standortfaktoren – klassifizierter Bodentyp, Baumartengruppe, Meereshöhe, pH-Wert in
der organischen Auflage, mittlerer Jahresniederschlag und mittlere Jahrestemperatur – wurde
mit einem allgemeinen linearen Regressionsmodell mit schrittweiser Variablenselektion und
mit der Methode des Regressionsbaumes (recursive partitioning) untersucht. Die Regressionsanalyse
bestimmte den pH-Wert, die Baumartengruppe und die mittlere Jahrestemperatur als
signifikante Variablen, die zusammen insgesamt 64,2 % der Varianz des Schwefelvorrats erklären,
wobei dem pH-Wert der weitaus größte Anteil der Erklärung zukommt. Der Regressi-
1

BFH-Nachrichten 2/2004 x
onsbaum erklärte ca. 73 % der Varianz und bestätigte den schon durch die Regressionsanalyse
gefundenen dominanten Erklärungsbeitrag des pH-Wertes. Im Gegensatz zur Regressionsanalyse
konnte jedoch die Baumartengruppe nicht als erklärender Faktor bestätigt werden.
Statt dessen erhöhte in dieser Analyse die Jahresmitteltemperatur ihren Erklärungsbeitrag und
zudem tauchte der mittlere Jahresniederschlag als erklärende Variable auf.
Beide Analysen erkennen den dominanten Effekt des pH-Wertes, dessen niedrige Ausprägung
einerseits ein Effekt von langjähriger Schwefeldeposition und –akkumulation und der damit
verbundenen Versauerung sein kann. Andererseits ist in sauren Böden die Mineralisierung
verlangsamt, was zu höheren Schwefelvorräten führen kann. Aus den beiden Analysen wird
aber auch deutlich, dass die räumliche Verteilung der Beobachtungsflächen einen statistischen
Bias mit sich bringt: So kann der positive Effekt einer höheren Temperatur auf den Schwefelvorrat
nicht kausal-mechanistisch bestätigt werden, denn mit ansteigender Temperatur nimmt
– in humidem Klima – die Mineralisierung zu. Der gefundene Effekt der Temperatur dürfte
vielmehr ein Artefakt der Koinzidenz niedriger Temperaturen und niedriger Schwefeldeposition
in Teilen Skandinaviens sein.
Diese teilweise fehlende kausal-mechanistische Erklärung ist jedoch für die Extrapolation der
Ergebnisse auf die Level-I-Flächen nicht relevant, denn die Level-I-Flächen innerhalb des
räumlichen Definitionsbereichs dürften einen gleichgerichteten räumlichen Bias des Variablengefüges
aufweisen.
Innerhalb des räumlichen Definitionsbereich der Modelle – Regression und Regressionsbaum
- wurden 712 Level-I-Beobachtungsflächen gefunden, für die auch die signifikant erklärenden
Variablen erhoben wurden. Die Extrapolation der Ergebnisse aus dem Regressionsbaum ergab
eine deutliche Veränderung der statistischen Verteilung des Schwefelvorrats in der organischen
Auflage zwischen den beiden Monitoringnetzen. Auf Level I sind die Extremwerte in
weitaus geringerem Umfang vertreten als auf Level II. Zudem ist auf Level I der durchschnittliche
Schwefelvorrat niedriger.
Diese Ergebnisse des Transfers unterstützen - als Mehrwert der Verknüpfung der Monitoringnetze,
im Gegensatz zur singulären Betrachtung der Monitoringnetze - eine abgewogenere
Einschätzung der wirklichen Belastungssituation. (abgeschlossen)
2