Modellierung von Wasserhaushalts- und Nährstoffstufen im Rahmen der Niedersächsischen forstlichen Standortskartierung

Modelling water and nutrient regime of forests in the framework of the forest site map of Lower Saxony

  • In Niedersachsen sind etwa 50 % der forstlichen Standorte in einem Maßstab 1 : 25 000 nach einem relativ komplexen Verfahren kartiert. Jede kartierte Einheit besteht aus Stufen für den Geländewasserhaushalt (WHZ; 43 Stufen), die Nährstoffversorgung (NZ; 16 Stufen) und die Substratund Lagerungsverhältnisse (SLZ; 105 Stufen). Das Ziel der Arbeit war es, WHZ und NZ Stufen der Niedersächsischen forstlichen Standortskartierung für nicht kartierte Gebiete vorherzusagen. Anhand von stratifizierten Zufallsstichproben der WHZ und NZ Stufen aus der Kartierung wurden zwei RandomForest-Modelle kalibriert. Das Modell klassifizierte etwa 77 % der Teststichprobe für die WHZ richtig. Die F1-Werte der einzelnen Stufen reichten dabei von 50–95 %. Falsche Vorhersagen mehrten sich bei Übergängen benachbarter WHZ (z. B. Übergang von Tälern zu Hängen) und bei WHZ mit ähnlichen Geländeeigenschaften, aber Abstufungen in der Wasserversorgung. Einige Modellfehler hängen aber offenbar auch von Unschärfen innerhalb der zugrundeliegenden Kartierung ab. Zusätzlich sagt das Modell im Vergleich zur Feldkartierung viel kleinräumigere Muster vorher, die zwar vom zugrundeliegenden Gelände her nachvollziehbar erscheinen, aber in dieser Genauigkeit nicht im Feld kartiert werden. Etwa 66 % des Testdatensatzes für die NZ wurden richtig klassifiziert. Falsche Vorhersagen traten hier vor allem in direkt benachbarten Stufen der Nährstoffversorgung auf. Unsicherheiten deuten zum einen auf weniger gut geeignete Kovariablen hin, sind möglicherweise aber auch durch zeitliche Änderungen der Bodeneigenschaften selbst sowie durch Ungenauigkeiten in der Kartierung zu erwarten, die wenige Regeln für die Vergabe der Nährstoffzahl vorgibt. Insgesamt beurteilen wir die Modelle als gut geeignet, um sie landesweit anzuwenden. Allerdings ist zu erwarten, dass eine lokale Kalibrierung der Modelle für einzelne Wuchsgebiete die Modellgüte deutlich erhöht. Gleiches kann eine Zusammenfassung ähnlicher Stufen zu waldbaulich relevanten Obergruppen leisten.
  • In Lower Saxony, about 50 % of the total forest area is mapped using a complex forest site mapping system at a scale of 1 : 25000. Each mapped unit consists of a combination of classifications for each terrain water status (WHZ; 43 classes), nutrient status (NZ; 16 classes) and soil parent material/stratification (SLZ; 105 classes). The scope of this study was to predict WHZ and NZ for unmapped areas. We used stratified random samples from grids of mapped WHZ and NZ to train two global RandomForest models for the whole state of Lower Saxony. Our model could correctly classify about 77 % of the evaluation dataset for WHZ with F1 scores ranging from 50–95 % among the classes. False predictions mainly occurred within WHZ groups that are directly adjacent to each other in the field (e. g. transition zones from valleys and slopes) or WHZ of similar terrain attributes but altered water status. Some of the errors can also be attributed to uncertainty in the mapping system and the fact that the model predicts classes on a much finer scale compared to the original map. While such small scale variations of the WHZ might be present in the field, they can obviously not be mapped to such detail. For NZ about 66% of a test dataset was correctly classified. False classifications accumulated in adjacent nutrient supply classes. There is a strong need for better covariates. However, uncertainties may also be attributed to temporal changes of soil properties and lacking “easy to apply” rules for nutrient mapping in the field. We conclude that our models are suitable for the state-wide prediction of WHZ and NZ in Lower Saxony. However, local calibration of the models for specific regions and merging classes of WHZ and NZ to ecologically relevant groups will likely yield more accurate results.

Export metadata

Additional Services

Share in Twitter Search Google Scholar
Metadaten
Author:Michael Köhler, Christian Steinicke, Jan Evers, Henning Meesenburg, Bernd Ahrends
URN:urn:nbn:de:hebis:30:3-454335
Parent Title (Multiple languages):Waldökologie, Landschaftsforschung und Naturschutz
Document Type:Article
Language:German
Year of Completion:2016
Year of first Publication:2016
Publishing Institution:Universitätsbibliothek Johann Christian Senckenberg
Release Date:2018/01/26
Tag:Random Forest; digital soil mapping; machine learning
Volume:16
First Page:83
Last Page:94
HeBIS-PPN:426625668
Dewey Decimal Classification:5 Naturwissenschaften und Mathematik / 57 Biowissenschaften; Biologie / 570 Biowissenschaften; Biologie
Sammlungen:Sammlung Biologie / Sondersammelgebiets-Volltexte
Zeitschriften / Jahresberichte:Waldökologie, Landschaftsforschung und Naturschutz / Waldökologie, Landschaftsforschung und Naturschutz, Heft 16 (2016)
Journal:urn:nbn:de:hebis:30:3-454234
Licence (German):License LogoDeutsches Urheberrecht