Open Access

Dietmar Zirlewagen, Klaus von Wilpert

• In vielen bodenkundlichen Studien werden qualitative oder (semi-) quantitative physikalische Bodeneigenschaften aufgenommen, wie die Bodentextur oder der Grobbodengehalt. Im vorliegenden Beitrag beschreiben wir das Verfahren einer Regionalisierung bodenphysikalischer Eigenschaften der zweiten Bodenzustandserhebung in Wäldern (BZE II) für Baden-Württemberg. Um die Datenbasis einer prozessorientierten hydrologischen Modellierung auf Landschaftsebene zu verbessern, ist die Anwendung von Regionalisierungsmethoden auf bodenphysikalische Zielgrößen auf der Basis punktbezogener Monitoringdaten unentbehrlich. Als statistische Methoden wurde das gewöhnliche Kleinste-Quadrate-Verfahren in Kombination mit geostatistischen Analysetechniken eingesetzt. Angewandt auf bodenphysikalische Zielgrößen zeigt ein stratifizierender Methodenansatz in Kombination landesweiter und regionaler räumlicher Modelle eine wesentliche Verbesserung der Prognosegüte. Damit erreichen die Regressionsmodelle für Bodeneigenschaften verhältnismäßig hohe Bestimmtheitsmaße von 0,59–0,70 (Grobbodengehalt), 0,52–0,65 (Trockenraumdichte), 0,70 (Entwicklungstiefe) und 0,66–0,80 (Textureigenschaften). Allein bei der Feinwurzeldichte liegt der Anteil der erklärten Messvarianz deutlich unter 50 % (R2 0,28–0,40), vermutlich bedingt durch die kleinräumige Variation waldbaulicher Einflussgrößen wie z. B. Baumartenzusammensetzung oder Bestandesdichte.
• Many studies in soil science provide qualitative or (semi-) quantitative assessments of soil physical properties such as soil texture or percentage of soil skeleton (the >2 mm fraction). In this paper, we describe the process of upscaling soil physical properties measured during the second Forest Soil Monitoring Census (BZE II). In order to enhance the data basis for process-oriented hydrology models at the landscape level, the use of upscaling techniques based on point-related monitoring data is essential. The statistical methods used in this work included ordinary least square regression (OLS) and geostatistics. One aim of this study was to evaluate how the different spatial scales used for stratifying statistical approaches affect the quality of spatial estimates. When applied to soil physical properties, our evaluations showed that, by using a stratified modeling approach, the accuracy of the estimates could be improved compared to global modeling approaches. Thus the regression models displayed comparatively high coefficients of determination ranging from 0,59 to 0,7 (for soil skeleton), 0,52 to 0,65 (bulk density), 0,7 (depth of soil development) and 0,66 to 0,8 (soil texture). Only in the case of the response variable fine root density were the coefficients of determination markedly below 0,5 (0,2–0,4). One of the reasons for this could be the small-scale variation in silvicultural site conditions such as tree species distribution or stand density.