Großflächige Schätzung der Biomasse- Produktivität mit Hilfe von Fernerkundung: Das Modell BMP

Transkript

1 Großflächige Schätzung der Biomasse- Produktivität mit Hilfe von Fernerkundung: Das Modell BMP Jens Schröder 1, Rolf Lessing 2, Philipp Lehmann 2, Michael Körner 1 1 Landeskompetenzzentrum Forst Eberswalde 2 DELPHI IMM GmbH, Potsdam 1

2 Motivation Schaffung eines flexiblen Modells, das sich auf Fernerkundungsdaten stützt, zur Schätzung von Vorrat und Zuwachs von Holz bzw. Biomasse dynamisch, wiederholbar, großflächig. 2

3 Ziele Ergänzung großräumiger terrestrischer Erhebungen Unterstützung nachhaltiger forstlicher Landnutzung Verbesserung der mittelfristigen Planung, um gleichmäßige Rohstoffversorgung für Produktion in ländlichen Gebieten zu gewährleisten Grafik: Fimiarz, Fotos: Schröder 3

4 Modelltypen 100 km² Biom Skala Ziel km² ha m² cm² BGC Pflanze Blatt Bestand global regional lokal Statistische Vegetations- Modelle Prozess- basierte Vegetationsmodelle Tag Monat Jahr zunehmende Komplexität z. T. große Unterschiede zwischen Schätzwerten fernerkundungsbasierte Modelle bisher nur global 4

5 Basis: Das Regionale Biomassemodell "RBM" = Modell von J. Richters (2005) für Grasland Konzept: zentrale Einflussfaktoren für Wachstum der Pflanzen aus Fernerkundungsdaten ableiten Anpassung: MODIS-Daten höherer Auflösung, regional verfügbare Datenbasis (z. B. Klima- und Boden), einzelne Teilmodelle 5

6 Theoretische Basis PAR: photosynthetisch aktive Strahlung APAR: absorbierte PAR APAR FPAR= PAR ε = Effizienz der Umwandlung von APAR in Biomasse (NPP) NPP = ε APAR (Nettoprimärproduktion) NDVI = normalized differenced vegetation index NDVI = Wellenlänge (µm) NIR NIR Boden + Vegetation Rot Rot Richters

7 Grundstruktur des NPP-Modells tägl. Einstrahlung / Wolken tägl. normalisierter NDVI LUE der Vegetation tägliche Temperatur Tägl. Niederschl., Temp.; Effektive Feldkapazität Bodenqualität PAR * FPAR * LUE * Temp.- stress * Wasserstress * Bodenstress NPP Ɛ 7

8 Grundstruktur des NPP-Modells tägl. Einstrahlung / Wolken tägl. normalisierter NDVI LUE der Vegetation tägliche Temperatur Tägl. Niederschl., Temp.; Effektive Feldkapazität Bodenqualität PAR * FPAR * LUE * Temp.- stress * Wasserstress * Bodenstress standortsbezogene zeitlich variable Konstanten NPP standortsbezogene zeitliche Variablen standortspezifische Konstanten 8

9 Faktoren mit Einfluss auf die NPP Zeitlich variabel, konstant für den Standort: PAR Abhängig von Breitengrad und Einstrahlung ~ 5,1 42 MJ*m -2 *d -1 (je nach Jahreszeit) 9

10 Faktoren mit Einfluss auf die NPP standortsbezogene Konstante: Lichtnutzungseffizienz LUE Abhängig von Baumart und Alter Waldtyp LUE Baumart LUE Baumart LUE Laubwald 1,13 Betula pend. 1,25 Pinus sylv. 1,32 Nadelwald 1,25 Fagus sylv. 1,17 - juv. 1,21 Gemischt 1,19 Quercus ssp. 1,08 Picea abies 0,61 Alnus 0,83 Abies alba 0,74 Populus 2,09 Douglasie 0,87 Carpinus bet. 1,13 Larix decidua 1,15 10

11 Faktoren mit Einfluss auf die NPP Zeitlich variable Einflussgrößen: a) Bewölkung (kann NPP um bis zu 25 % reduzieren) b) Temperatur c) NDVI / FPAR 0,90 0,80 d) Wasserverfügbarkeit 0,70 1,00 Temp.Stress 0,60 0,50 0,40 0,30 0,20 0,10 0,00-10,0-7,5-5,0-2,5 0,0 2,5 5,0 7,5 10,0 12,5 15,0 17,5 20,0 22,5 25,0 27,5 30,0 32,5 35,0 Temperatur Optimale Temperatur variiert mit Waldtyp (Laubwald: ~ 20 C, Nadelwald: ~ 18 C) 11

12 Teilmodell Wasserhaushalt Integriert die Wasserverfügbarkeit in NPP-Schätzung Niederschlag Temperatur E A verfüg- barer E I E B Niederschlag Evapotranspiration verfügbares Bodenwasser Eff. Feldkapazität Versickerung 12

13 Wirkung auf Faktor "Wasserstress" 1 Kein Stress

14 NPP-Schätzung: Beispiele geschätzte NPP für eine Fläche im Projektgebiet in drei Beispieljahren Jahr NPP [gc m -2 y -1 ] Ergebnisse anderer Studien für vergleichbare Bedingungen Waldtyp NPP [gc m -2 y -1 ] Laubwald Nadelw Mischw

15 Modellansätze nach Datenlage Regionaler Ansatz: nur NDVI (MODIS) und Baumartklassifikation aus Fernerkundung, Nutzung von Klimastationen, europäische Bodenkarte ergänzt durch Standortskarte, LUE nach Baumart Modellgebiet Globaler Ansatz: Fernerkundungsdaten, Corine Land Cover, Rasterdaten zu Klima und Boden, LUE nach Waldart Gesamtgebiet 15

16 Ergebnisse für Modell- und Gesamtgebiet 16

17 Klassifikation der Satellitendaten Klassifikation nach Baumartengruppen Nadelwald (NW) LW Laubwald (LW) NW MW Mischwald (MW) LW RapidEye-Daten Corine Land Cover 17

18 Ergebnisbeispiele: globaler Ansatz trocken mittel feucht

19 Ergebnisbeispiele: regionaler Ansatz trocken mittel feucht

20 Regionaler vs. globaler Ansatz normales Jahr 20

21 Vergleich mit terrestrischen Erhebungen Forstliche Versuchsflächen des LFE Verwendete Parzellen: a) Kiefer 80 b) Fichte 4 c) Eiche 6 d) Buche 4 21

22 Vergleich mit terrestrischen Erhebungen Herleitung einer "terrestrischen" NPP über Umwandlung der gemessenen Zuwächse in (oberirdische) Biomasse nach Ansatz von ZELL (2008) (to.npp) Hinzufügen des unterirdischen Anteils tu.npp (entsprechend Spross-Wurzel-Verhältnis aus der Literatur) t.npp Vergleich der t.npp mit der durch das Biomassemodell Pomerania (BMP) geschätzten NPP (m.npp) als Prozentanteile 22

23 Herleitung "terrestrische" Biomasse Biomassefunktionen der Hauptbaumarten Zell (2008) Buche (BHD ) (H ) Eiche (BHD ) Fichte (BHD ) (H ) Kiefer (BHD ) (H ) Faktor 0,5 zur Herleitung des Kohlenstoff-Gehalts Werte für Spross-Wurzel-Verhältnis nach RUIMY et al. (1994) zwischen 0,19 und 0,44 je nach Baumart 23

24 Vergleich mit terrestrischen Erhebungen Mittelwerte (Median): a) Fichte 81 % b) Kiefer 83 % c) Buche 90 % d) Eiche 71 % Gesamt 82 % t.npp / m.npp [%] Ges. GFI GKI RBU TEI 24

25 Vergleich mit terrestrischen Erhebungen Zusammenfassung: NPP in gleicher Größenordnung, aber BMP schätzt die NPP generell etwas höher ein Verhältnis etwa bei 80 % (je nach Baumart) Problem der Vergleichbarkeit (Zeiträume mit Jahreswerten) Noch keine Analyse der einzelnen Zeiträume (z. B. ob trocken oder eher feucht), Alter unberücksichtigt 25

26 Allgemeine Zusammenfassung nach Anpassung liefert das Biomassemodell Pomerania (BMP) realistische Ergebnisse für die Projektregion Methode ist geeignet für große Gebiete, auch um z. B. großräumige Inventuren zu ergänzen Möglichkeit des jährlichen Monitoring Feststellung von Änderungen in der Waldstruktur (Entnahmen, Windwurf, etc.) klimasensitive Szenariorechnungen sind möglich 26

27 Allgemeine Zusammenfassung Vielen Dank!