Waldstruktur, Topografie und Erreichbarkeit: Ein geodatenbasierter Hinweisscore für potenziell naturnahe Wälder

Abstract ID: 3.13
| Accepted as Talk
| TBA
| TBA
Iglseder, A. (1)
Schickhofer, M. (2); Linhard, D. (3); Pfeifer, N. (1); and Hollaus, M. (1)
(1) TU Wien, Department für Geodäsie und Geoinformation, Wiedner Hauptstraße 8-10, 1040 Wien, Österreich
(2) Freiberuflicher Waldexperte und Autor, Wien, Österreich
(3) Umweltschutzorganisation GLOBAL 2000, Bereich Kooperation und Forschung, Neustiftgasse 36, 1070 Wien, Österreich
How to cite: Iglseder, A.; Schickhofer, M.; Linhard, D.; Pfeifer, N.; and Hollaus, M.: Waldstruktur, Topografie und Erreichbarkeit: Ein geodatenbasierter Hinweisscore für potenziell naturnahe Wälder, #TDB27-3.13
Categories: No categories defined
Keywords: Airborne Laser Scanning, Digitale Höhenmodelle, Naturnahe Wälder, Waldmonitoring, Maschinelles Lernen
Categories: No categories defined
Keywords: Airborne Laser Scanning, Digitale Höhenmodelle, Naturnahe Wälder, Waldmonitoring, Maschinelles Lernen
Abstract
The content was (partly) adapted by AI
Download
Download
Content (partly) adapted by AI

Naturnahe Wälder besitzen aufgrund ihrer strukturellen Vielfalt und geringen Nutzungsintensität eine besondere Bedeutung für die Waldbiodiversität. Im Kontext der Schutz- und Wiederherstellungsziele der Europäischen Union steigt der Bedarf an flächendeckenden und reproduzierbaren Verfahren für deren Identifikation und Bewertung. In der präsentierten Studie wurde untersucht, inwieweit österreichweit verfügbare, aus Airborne Laserscanning (ALS) abgeleitete Höhenmodelle in Kombination mit Daten zur Erreichbarkeit ein landesweites Screening potenziell naturnaher Wälder unterstützen können.

Ausgangspunkt war eine österreichweite expert:innenbasierte Kartierung von rund 2 500 km² potenziell naturnaher Wälder (Verdachtsflächen) anhand hochaufgelöster Luftbilder. Ziel der Studie war es, eine geodatenbasierte statitische Prüfung dieser Flächen im Kontext der gesamten österreichischen Waldfläche zu entwickeln.

Aus frei verfügbaren digitalen Gelände-, Oberflächen- und Baumhöhenmodellen mit 1 m Rasterweite wurden Merkmale zu Topografie, Kronenhöhe, Bestandsheterogenität und Lückenstruktur abgeleitet. Ergänzend wurde anhand frei verfügbarer Daten des digitalen Landschaftsmodells und OpenStreetMap die Entfernung zur nächstgelegenen befahrbaren Straße bestimmt. Auf Grundlage dieser Merkmale und 163 km² bestätigter naturnaher Wälder sowie einer zufälligen Stichprobe nicht kartierten Referenzflächen wurden vier Machine-Learning-Klassifikationsverfahren auf insgesamt rund 10 000 Untersuchungseinheiten (Mediangröße: 2,4 ha) trainiert und evaluiert. Die Verdachtsflächen blieben vollständig aus der Modellentwicklung ausgeschlossen und wurden erst anschließend bewertet. Berücksichtigt wurden jeweils der Mittelwert und die Standardabweichung der Merkmale pro Untersuchungseinheit. Über 30 gruppierte Trainings- und Validierungsaufteilungen erreichte das beste Modell eine ROC-AUC von 0,919 und eine PR-AUC von 0,713. Besonders relevant waren die räumliche Variabilität der Straßenentfernung sowie Gelände- und Kronenstrukturmerkmale. Das Modell wurde auf die gesamte österreichische Waldfläche angewandt und sein kontinuierlicher Output als Naturnähe-Hinweisscore interpretiert.

Die Verteilungen des Naturnähe-Hinweisscores unterschieden sich signifikant zwischen allen drei Flächenkategorien und zeigten einen deutlichen Gradienten von bestätigten naturnahen Wäldern über Verdachtsflächen zu bislang nicht kartierten Waldflächen. Der Ansatz ersetzt keine umfassende ökologische Bewertung der Naturnähe, ermöglicht jedoch ein österreichweit konsistentes Screening. Damit können expert:innengestützte Kartierungen durch reproduzierbare Geodatenanalysen ergänzt und zusätzliche potenziell relevante Flächen für eine weiterführende Prüfung identifiziert werden. Dies ermöglicht, die verfügbaren Ressourcen für weitere Luftbildinterpretationen und Felderhebungen im Rahmen von Schutz- und Wiederherstellungsmaßnahmen räumlich gezielt einzusetzen.

We are processing your request… Just a few seconds — thanks for your patience… Almost done — preparing everything for you… Huuuh… this seems to be a difficult thing 🤔 I’m not sure if I can manage this right now… Please refresh the page — I think something went wrong.
If this happens again, please get in touch with us.