HABIT-CHANGE Maps with impacts of different management strategies
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
HABIT-CHANGE
Maps with impacts of different management
strategies
Date (01/2013)
This project is implemented through
the CENTRAL EUROPE Programme
co-financed by the ERDF
Output Number: 3.4.2 Date: 2/2013
Title: Maps indicating (hydrological) impacts of different management
strategies
Author: Stephan Lange (PIK), Nico Frischbier (TLWJF), Judith Stagl (PIK), Fred
Hattermann (PIK), Martin Gutsch
Project: HABIT-CHANGE – Adaptive management of climate-induced changes of
habitat diversity in protected areas
Programme: CENTRAL EUROPE Project 2CE168P3
Number:
Start date: 3/2010 End date: 2/2013
Lead Partner: Leibniz Institute of Ecological and Regional Development (IOER),
Germany
Project Partner: University of Vienna, Austria
National Academy of Sciences, Scientific Centre for Aerospace
Research of the Earth, Ukraine
Thuringian State Institute for Forestry, Game and Fishery, Germany
Potsdam Institute for Climate Impact Research, Germany
Technische Universität Berlin, Germany
Balaton Uplands National Park Directorate, Hungary
Szent Istvan University, Hungary
Biebrza National Park, Poland
Environmental Protection Institute, Poland
Triglav National Park, Slovenia
University of Bucharest, Romania
Central Institute for Meteorology and Geodynamics, Austria
Danube Delta National Institute for Research and Development,
Romania
SOLINE Pridelava soli d.o.o., Slovenia
University of Maribor, Slovenia
European Academy Bolzano, Italy
Contact: Marco Neubert, m.neubert@ioer.de, +49 351 4679-274
Sven Rannow, s.rannow@ioer.de, +49 351 463-42359
Further www.habit-change.eu
information
[2]
Contents
1. Summary 4
1.1. Introduction 4
1.2. The forest growth model 4C 4
1.3. Approach and Results 4
2. Methods and Data sets 6
2.1. The model 4C 6
2.1.1. Short Description of 4C 6
2.2. Input Parameter for Modeling 9
2.2.1. Meteorological data 9
2.2.2. Soil data 11
2.2.3. Silvicultural data 11
3. Concept of simulations 13
3.1. Model runs in Vessertal - Thuringian Forest Biosphere Reserve 13
4. Results 14
4.1. Tree Height Growth 16
4.2. Annual Stock Increment 17
4.3. Annual Net Ecosystem Production 18
4.4. Regional Analyses of Simulated Results 18
5. References 29
This project is implemented through the CENTRAL
EUROPE Programme co-financed by the ERDF
[3]
1. Summary
1.1. Introduction
Forests are ecosystems which grow over decades. Therefore they need management strategies
which should be oriented towards time periods of 50 years and more. Climate change will
presumably have a strong impact on growth rates of middle European forests. In addition it is
expected that the various tree species will perform differently under changing climate conditions.
The main objective of this study is, i) to find out which tree species will profit most under a changing
environment with respect to site specific conditions (e.g. soil) and ii) what kind of implications for the
forest management can be made.
In our study we focus on the area of the Vessertal - Thuringian Forest Biosphere Reserve, Germany. A
rise in temperature and almost constant annual rate of precipitation is projected for the sub-
mountainous area Thuringian Forest for the near future (Kreienkamp et al., 2010). Under such
conditions an extension of the growing season can be expected.
Because this study is carried out in cooperation with the German Service and Competence Centre of
Thuringian Forestry – AöR (formally Thuringian State Institute for Forestry, Game and Fishery,
Germany), the methods (chapter 2 and 3) are described in German language. The results (chapter 4)
including maps and result figures, which are relevant for the evaluation of existing management
options, are presented in English. The modeling results presented here have been discussed with the
local project partners of the Vessertal - Thuringian Forest Biosphere Reserve for a better
understanding of underlying mechanisms.
1.2. The forest growth model 4C
The model 4C has been developed to describe long-term forest behavior under changing
environmental conditions (Bugmann et al., 1997). It describes processes on tree and stand level
based on findings of eco-physiological experiments, long term observations and physiological
modeling on an intermediate level of complexity. It has been used for many years to analyze forest
productivity and the carbon, water, and nitrogen budgets of forests including soil, to analyze
adaptation of forestry to climate change by management, and to estimate the bioenergy potential
from short rotation coppice and to derive reduced models for application in information systems. In
this study the model was used to simulate long-term forest behavior under climate change at the
Vessertal - Thuringian Forest Biosphere Reserve.
1.3. Approach and Results
In this study the simulation results of the model 4C focus on five different tree species (spruce,
beech, pine, oak and douglas fir) relevant for forest management in the Vessertal region. We
selected three variables relevant for forest growth and carbon dynamics: the change of height
[4]growth depending site classification (yield class), the annual stock increment, and the carbon
sequestration calculated as the net ecosystem production. Averages for three different simulation
periods (1961 - 2000, 2011 - 2050, 2061 - 2100) are shown.
In the context of the 4C modeling results for Vessertal Biosphere Reserve three general statements
can be made:
1. There are two „winner“ tree species: Pine and Oak. The simulation results suggest significant
better growth in both future time periods and on every soil type.
2. The growth of spruce, beech and douglas-fir stands under climate change is very site specific. Soils
with high water storage capacity will enable a positive growth trend, but soils with low water storage
capacity limit this positive trend and could even cause a decreasing trend in stand growth.
3. This model study is strongly limited by the absence of biotic and abiotic risks of forest growth.
Storm events, insect calamities and pest outbreaks have strong impacts on future forest growth and
could not be considered within this study.
Pine and oak stands exhibit strong increases in all three variables and on all soil types of the
“Vessertal”. Tree and stand growth profit from climate scenarios due to higher temperatures and
longer growing periods. Also spruce, douglas-fir and beech stands show a decreasing growth trend in
the future but here the trend is strongly dependent on the soil type. Especially for beech and
douglas-fir stands also negative impacts on tree growth and net ecosystem production are simulated.
The simulation study does not consider abiotic or biotic risks (e.g. insect calamities, storm events)
which limit the general assessment of tree species performance under climate change.
This project is implemented through the CENTRAL
EUROPE Programme co-financed by the ERDF
[5]2. Methods and Data sets
2.1. The model 4C
Im Folgenden wird das Wachstumsmodell 4C (FORESEE - FORESt Eco-systems in a changing
Environment) vorgestellt. Es wird in dieser Arbeit verwendet, da es für die fünf Baumarten der
Fragestellung implementiert und validiert ist (Bugmann et al., 1998; Lasch et al., 2002, 2005). Ein
weiterer Vorteil ist die Möglichkeit verschiedene Managementvarianten zu benutzen. Die wichtigsten
Prozesse und Eingangspara-meter werden nun kurz beschrieben.
2.1.1. Short Description of 4C
Das Modell 4C beschreibt das Wachstum von Waldbeständen. Ein Bestand setzt sich im Modell aus
mehreren Kohorten zusammen. Eine Kohorte wird durch Bäume gleicher Art und gleicher Dimension
(Baumhöhe und Brusthöhendurchmesser) gebildet (Suckow et al. 2001). Alle Berechnungen basieren
auf diesen Kohorten, es wird das Wachstum eines einzelnen Baumes einer Kohorte berechnet und
dann für die anderen Bäume dieser Kohorte übertragen. Das Modell nimmt an, dass die einzelnen
Bäume innerhalb des Bestandes gleich verteilt stehen. Konkurenz zwischen den Bäumen besteht um
Wasser, Licht und Nährstoffe und wirkt auf das Wachstum, die Mortalität und die Verjüngung im
Bestand.
Figure 1: Model scheme of 4C (Stock 2005).
Prozesse: Das Modell 4C beruht auf einer Vielzahl von einzelnen Prozessen, die über Teilmodelle
implementiert sind. In Abbildung 1 ist die zeitliche Struktur des Zusammenwirkens der einzelnen
Prozesse zur Bestandes- und Bodendynamik dargestellt. Die Prozesse werden zudem von äußeren
Faktoren, wie beispielsweise von meteorologischen Einflüssen, kontrolliert. In der Berechnung
variieren die zeitlichen Dimensionen der verschiedenen Prozesse. Täglich werden Wasser- und
Wärmeflüsse berechnet. Photosynthese, Kohlenstoff- und Stickstoffdynamiken werden wöchentlich
und Allokation und Mortalität jährlich ermittelt.
[6]Im Folgenden wird auf die wichtigsten Prozesse innerhalb des Modells näher eingegangen.
Kreislaufprozesse: Die Pflanzen benötigen hauptsächlich Wasser und Nährstoffe für ihr Wachstum.
Diese sind im Modell mit Kreislaufprozessen beschrieben. In 4C wird mit dem Bestandsniederschlag,
der Transpiration und der Bodenevaporation, über ein Versickerungsmodell, die Bodenfeuchte und
Bodentempeatur berechnet (Glugla, 1969; Grote & Suckow, 1998). Diese beiden Größen steuern die
Geschwindigkeit, mit der die Streu und die organischen Bodensubstanz in pflanzenverfügbare
Nährstoffe umgesetzt werden. Beispielsweise kann es durch Oberflächenabfluss oder Sicker-wasser
zu einem Verlust von Nährstoffen kommen. Ebenso ist ein Nährstoffeintrag von außen möglich. Ein
jährlich bilanzierter Streufall füllt Bodenschichten und Streuschicht wieder auf.
Umsetzungsprozesse: Stehen Wasser und Nährstoffe ausreichend zur Verfügung, können Pflanzen
mit Hilfe von Strahlung, Photosynthese für ihr Wachstum betreiben. Im Modell wird, nach einem
Ansatz von Haxeltine and Prentice (1996), die photo-synthetische Umsatzleistung aus einer Funktion
der Bodenfeuchte, Lufttemperatur, Nährstoffverfügbarkeit und der Strahlung berechnet. Für jede
Kohorte ist diese abhängig von der spezifischen Baumart und ihrer relativen Größe im Bestand. So
bekommen beispielsweise die größten Kohorten auch den höchsten Anteil der Strahlung zur
Umsetzung zur Verfügung.
Die aufsummierte Photosyntheseleistung wird jährlich auf dasWachstum der einzelnen
Baumbestandteile auf Grundlage der "functional balance"-Hypothese von Davidson (1969) und der
"pipe model"-Theorie nach Shinozaki et al. (1964) umgerechnet. Die aufsummierte
Photosyntheseleistung wird jährlich auf das Wachstum der einzelnen Baumbestandteile
umgerechnet. Der Zuwachs für Stamm, Äste, Blattwerk, Fein- und Grobwurzeln wird so gewählt, dass
beispielsweise die Aufnahme durch Feinwurzeln und die Versorgung des Blattwerks im
ausgewogenen Verhältnis stehen. Zusätzlich erfahren die Kohorten einen artenspezifischen
Höhenzuwachs, der unter anderem durch das Breitenwachstum gesteuert ist (Suckow et al. 2001).
Im Modell ist ein Modul implementiert, das einen Blattaustriebstag und einen Blattabwurftag für
Laubbaumarten bestimmt. Nur in dieser Phase finden photosynthetische Umsetzungsprozesse im
Modell statt. Bei immergrünen Bäumen werden momentan keine Wachstumsstadien unterschieden
(Schaber & Badeck, 2003).
Mangementprozesse: In der Forstwirtschaft ist es nötig, mit geeigneten
Bewirtschaftungsmaßnahmen (Management) einen Bestand zu unterhalten, um beispielweise
überdichte Bestände zu pflegen oder dessen Ertrag zu optimieren. Auch das Modell erlaubt eine
Vielzahl von Managementvarianten (Fürstenau et al., 2007). Jedes Bundesland gibt für jede Baumart
eine Empfehlung zu Managment-maßnahmen aus. Für Thüringen sind in Tabelle 1 die jeweiligen
Ertragstafeln1, der in dieser Arbeit untersuchten Baumarten, aufgelistet. In diesen Tafeln kann die zu
1
Ertragstafel - ist die modellmäßige Darstellung der Entwicklung des Holzvorrates eines Bestandes, getrennt
nach Baumarten, Ertragsklassen oder Bonitäten (Güte) unter bestimmten Bedingungen der waldbaulichen
Bestandesbehandlung.
This project is implemented through the CENTRAL
EUROPE Programme co-financed by the ERDF
[7]erreichende Stammzahl im Bestand in Abhängigkeit von Alter und Bonität ermittelt werden. Ist beispielsweise ein Bestand dichter bestockt, als in den Tafeln beschrieben, werden bei der Hochdurchforstung einige der stärksten Stämme entfernt, um die optimale Stammzahl zu erreichen. Hingegen bei der Niederdurchforstung werden die schwächsten Stämme entnommen, um den Verbleibenden mehr Raum und Nährstoffe zu geben. Table 1: Used tree species in this study with their associated yield tables Tree species Scientific name Author Year Douglas fir Pseudotsuga menziesii Bergel 1985 Spruce Picea abies Wenk, Römisch, Gerold 1984 Pine Pinus sylvestris Dittmar, Knapp, Lembcke 1975 Beech Fagus sylvatica Dittmar, Knapp, Lembcke 1983 Oak Quercus robur Erteld 1961 In dieser Arbeit wurde für jede der fünf Baumarten ein individuelles Management aus den Ertragstafeln (siehe Tabelle 1) erstellt. Dabei wird in allen Simulationen, wie in Thüringen empfohlen, die Hochdurchforstung angewandt. Die Durchforstung erfolgt im Modell alle fünf Jahre (bei Douglasie alle zehn Jahre) über alle Bestände. Mortalitätprozesse: Innerhalb und zwischen den Kohorten kommt es zur Ausprägung von Konkurrenz um die begrenzten Ressourcen Licht, Wasser und Nährstoffe. Durch die unter Kapitel 2.1.1 beschriebenen Umsetzungen werden jährliche Kohlenstoff-bilanzen ermittelt. Sind diese für einzelne Kohorten über einen längeren Zeitraum negativ kommt es zu einer Stresssituation, und daraus folgend zum Absterben einzelner Individuen innerhalb der Kohorten (stressbedingte Mortalität). Zusätzlich unterliegt jede Baumart einer individuellen Mortalitätrate. Diese wird durch ein maximales natürliches Alter und die baumartenspezifische Toleranz gegenüber Stressjahren definiert. Beide Mortalitätsprozesse wirken kombiniert im Modell (Lasch et al., 2011). [8]
2.2. Input Parameter for Modeling
2.2.1. Meteorological data
Das Modell benötigt tägliche Klimadaten für die Wachstumssimulationen. In Tabelle 2 sind die
Klimaparameter aufgelistet, die verwendet werden. Die Aufnahme der Messwerte erfolgt an 282
Klimastationen des DWD2 in Deutschland. Die zukünftige Entwicklung des Klimas wird am besten
durch Globale Klimamodelle (GCMs) widergespiegelt. Diesen GCMs liegen verschiedene Annahmen
zugrunde, wie sich die Erde zukünftig entwickeln könnte. Dabei werden Szenarien beispielsweise in
Bezug auf die Entwicklung von Treibhausgas-Emissionen unterschieden. In dieser Arbeit wird nur das
A1B-Szenario betrachtet, in dem von einem mittleren globalen Temperaturanstieg von 2.8 °C bis
2100 ausgegangen wird (IPCC, 2007) Globale Klimamodelle sind häufig nicht ausreichend auf große
Skalen eingestellt (Kreienkamp et al., 2010) und können nicht die regionalen Besonderheiten
abbilden. Für Prognosen auf dieser Skala werden dafür dynamische oder statistische Ansätze
verfolgt. Um diese Arbeit mit anderen Arbeiten des ThüringenForst vergleichbar zu machen, wird das
Regionalisierungsmodell WettReg verwendet.
Wettreg: Das statistisch-dynamische Regionalisierungsmodell WETTREG wird vom Globalmodell
ECHAM5/MPI-OM3 angetrieben (Spekat et al., 2007). Statistisch erfolgt eine Rekombination von
gemessenen Klimawerten (1961 - 2000) an 282 Klimastationen des DWD in Deutschland (Kreienkamp
et al., 2010). Basierend auf eine sich ändernde Häufigkeit der Zirkulationsmuster werden Tageswerte
in einem Zeitraum von 140 Jahren (1961 - 2100) modelliert. Zur besseren Vergleichbarkeit der
Ergebniswerte wird auch der Referenzzeitraum simuliert. In dieser Arbeit werden zehn Realisationen
des WettReg-Datensatzes verwendet. In Tabelle 2 sind die für das Modell relevanten klimatischen
Parameter aufgelistet, die in einer täglichen Auflösung vorliegen müssen.
In Abbildung 2 sind alle für Thüringen relevanten Klimastationen des WettReg-Datensatzes
abgebildet. Damit kann nicht jedem Wuchsgebiet eine Klimastation zugeordnet werden. Für das
Gebiet sind 278 Niederschlagsstationen vorhanden. Allerdings sind nur an den Klimastationen alle für
das Modell benötigten Klimaparameter vorhanden. Um eine höhere Variabilität in der Fläche zu
bekommen, wurden mithilfe des Pakets GeoR (Ribeiro Jr & Diggle, 2001) in R (R Development Core
Team, 2008) die fehlenden Parameter von den Klimastationen auf die 278 Niederschlagsstationen
interpoliert. Die Interpolation von täglichen Werten für 140 Jahre (1961 - 2100) ist mit gängigen
Interpolationsverfahren sehr rechenintensiv. Aus diesem Grund wurde zur Interpolation das Inverse
Distanzen Verfahren (IDW) verwendet. Die Geländehöhen der Niederschlagsstationen wurden
berücksichtigt. Somit konnte für das Vessertal eine Klimareihe gebildet werden, die am besten die
mittlere Geländehöhe von circa 700 Meter repräsentiert.
2
DWD – Der deutsche Wetterdienst
3
ECHAM5/MPI-OM - ist ein globales Klimamodell, das in Hamburg vom Max-Planck-Institut für Metereologie
(MPI) entwickelt wurde. Es basiert auf ein ozeanisches Zirkulationsmodell (OM)
This project is implemented through the CENTRAL
EUROPE Programme co-financed by the ERDF
[9]Figure 2: Locations of the used Wettreg climate stations for the Free State of Thuringia and digital elevation model (SRTM, 2012) In Tabelle 2 sind die Klimaparameter aufgelistet, die für das Modell 4C notwendig sind. Es sind zehn mögliche zukünftige Entwicklungen (Realisationen) des Wettreg-Datensatzes verfügbar. Table 2: Meteorological input parameter Nr. Parameter Einheit 1 Maximum der Temperatur [°C] 2 Tagesmittel der Temperatur [°C] 3 Minimum der Temperatur [°C] 4 Tagessumme Niederschlag (unkorr.) [mm] 5 Tagesmittel der rel. Feuchte [%] 6 Tagessumme der Sonnenscheindauer [h] 7 Tagesmittel der Globalstrahlung [J/cm²] 8 Tagessumme der pot. Verdunstung [mm] 9 Tagesmittel der Windstärke (2m Höhe) [m/s] [10]
2.2.2. Soil data
Die Bodenübersichtskarte (BÜK 400) im Maßstab 1 : 400 000 gibt einen Überblick zur Verteilung der
Böden innerhalb Thüringens, ist aber für das BR Vessertal zu großmaßstäblich. Wie voran
beschrieben, haben sich trotz unterschiedlicher Ausgangsgesteine hauptsächlich Braunerden
gebildet. Auch im Gebiet des Biospärenreservates Vessertal sind durch die generalisierte
Klassifizierung nur zwei Bodentypen (Braunerden und Podsole) als Datengrundlage vorhanden.
Diese wurden an dem Service- und Kompetenzzentrum von Thüringenforst - AöR digitalisiert und im
Zuge der bundesweiten Bodenzustandserhebung (BZE) stich-probenartig überprüft und aktualisiert.
Lokalbodenformen: Das BR Vessertal ist fast vollständig bewaldet. Daher können hier als
Datengrundlage die Lokalbodenformen der forstlichen Standortkartierung verwendet werden. Von
den 70 kartierten Böden, erreichen 17 eine relevante Mindestgröße von über 100 ha und decken
etwa 85 % der Gesamtfläche des BR Vessertal ab. Mit Fachkräften der Service- und
Kompetenzzentrum von ThüringenForst - AöR wurde ein Datensatz erstellt, der die
charakteristischen Parameter dieser 17 Böden beinhaltet, und für das Modell 4C parametrisiert. In
Tabelle 3 sind die für das Modell relevanten Bodenparameter aufgelistet.
Table 3: Soil input parameter
Nr Parameter Einheit
1 Humusform [-]
2 Schichttiefe [cm]
3 Anteil an Sand [%]
4 Anteil an Schluff [%]
5 Anteil an Ton [%]
6 Porenvolumen [%]
7 Kohlenstoffgehalt [g/m²]
8 Stickstoffgehalt [g/m²]
9 Feldkapazität [mm]
10 Permanenter Welkepunkt [mm]
2.2.3. Silvicultural data
Neben den standortlichen Bedingungen (Boden und Klima) benötigt 4C die Parameter wie der
Bestand am Anfang beschaffen ist. 4C benötigt zur Initialisierung entweder Parameter
(Einzelbaumdaten oder Bestandesmittelwerte) eines real existierenden Bestandes, oder wie in dieser
Arbeit theoretische Bestandesdaten aus der Ertragstafel. Die in dieser Arbeit untersuchten
Baumarten decken ca. 76 % der Waldfläche Deutschlands und 85 % Thüringens ab.
This project is implemented through the CENTRAL
EUROPE Programme co-financed by the ERDF
[11]Baumarten: Untersucht werden die vier wichtigsten Baumarten von Deutschland und Thüringen und
mit der Douglasie zusätzlich eine nicht einheimische Art. Die Buche und die Eiche, zwei Vertreter der
Laubbaumarten, gehören der Familie der Buchengewächse an. Zusammen bedecken sie etwa 25 %
der Waldflächen Deutschlands, bzw. 27 % in Thüringen. Optimal wachsen Buchen auf
nährstoffreichen Braunerden, einer Jahresmitteltemperatur von 7 - 8 °C und einem
Jahresniederschlag um 700 mm. Sie können bis zu 250 Jahre alt und 35 m hoch werden. Eichen
gedeihen am besten auf nährstoffreichen, tiefgründigen Lehm- und Tonböden, und klimatisch
ähnlichen Bedingungen wie die der Buche. Erreichen dabei ein Alter von etwa 800 Jahren, bei
Wuchshöhen bis zu 40 m.
Fichten, Kiefern und Douglasien gehören der Familie der Kieferngewächse an. In Thüringen bedecken
sie etwa 59 % der Waldflächen. Deutschlandweit sind es etwa drei Prozent weniger. Den kleinsten
Anteil (etwa 2 %) stellt dabei die Douglasie. Sie ist sehr schnell wachsend und kommt ursprünglich
aus dem Westen Nordamerikas. Bei fast allen klimatischen Bedingungen gedeiht die Douglasie auf
tiefgründigen, gut durchlüfteten Böden, mit pH-Werten von 5 - 6, am besten. Sie werden bis zu 500
Jahre alt und können 55 m hoch werden.
Mit über 40 % Waldfläche ist Thüringens Hauptbaumart die Fichte. Sie stellt nur geringe
Nährstoffansprüche an den Boden, benötigt aber ganzjährig eine gute Wasserversorgung. Aufgrund
ihrer Flachwurzel ist die Fichte neben der Trockenheit, auch besonders gegen Windwurf anfällig.
Fichten werden bis zu 40 m hoch und können 600 Jahre alt werden. Auch die Kiefer erreicht diese
Dimensionen in Wuchshöhe und Alter, ist aber im Vergleich zur Fichte anspruchsloser an die
klimatischen Bedingungen.
Ertragstafeln: Die Initialisierungsparameter der Bestände wurden aus den für Thüringen
empfohlenen Ertragstafeln (siehe Tabelle 1) entnommen. Um in dieser Arbeit die Untersuchungen
vergleichbar zu halten, beginnen alle Simulationen der Bestände mit einem Alter von 40 Jahren.
Ausserdem wurde jeweils ein Bestockungsgrad4 von 1,0 und eine Bonitätsklasse5 von II,0 gewählt.
Das Modell benötigt anhand dieser Vorgaben: Werte der Mittelhöhe6, des Brusthöhen-durchmesser7
(BDH) und der Kreisgrundfläche8 (G) der Bestände. In Tabelle 4 sind diese Parameter der fünf
Baumarten aufgelistet.
4
Bestockungsgrad – ist der prozentuale Vergleich der Summe aller Stammflächen(G) im Bestand zu
Ertragstafelwerten. Hundert Prozent werden mit 1,0 angegeben.
5
Bonität - ist ein standortsabhängiges Maß der Wuchsleistung.
6
Mittelhöhe - ist das arithmetische Mittel der Höhe aller Bäume im Bestand
7
Brusthöhendurchmesser (BDH) - ist der Durchmesser eines Baumes in 1,3 m Höhe
8
Kreisgrundfläche (G) - ist die Summe aller Kreisflächen in Brusthöhe auf einen Hektar
[12]Table 4: Stand characteristics of the stand initialisation
Baumart Einheit Douglasie Fichte Kiefer Buche Eiche
Alter [a] 40 40 40 40 40
Bonität [-] II.0 II.0 II.0 II.0 II.0
Bestockungsgrad [-] 1.0 1.0 1.0 1.0 1.0
Mittelhöhe [m] 21.3 14.0 12.8 12.0 10.3
Brusthöhendurchmesser (BHD) [cm] 25.1 13.0 12.5 9.8 9.6
Kreisgrundfläche (G) [m²] 31.5 25.2 28.8 17.0 19.0
(Stammzahl) [n] 634 2440 2337 2357 2624
(Bestandesoberhöhe (HO)) [m] 23.2 16.0 14.3 13.2 -
(Jährlicher Zuwachs (ZVS)) [Vfm] 17.7 14.0 9.9 9.6 7.2
3. Concept of simulations
Im BR Vessertal soll vor allem betrachtet werden, welchen Einfluss Böden unter veränderten
Klimabedingungen auf das Wachstum der einzelnen Baumarten haben. Dabei wird für die Fläche des
BR Vessertal nur mit einer repräsentativen Klimastation gerechnet. Bei dieser Untersuchung werden
zwei Prognosezeiträume (P2: 2011-2050 & P3: 2061-2100) betrachtet, die jeweils mit der
Referenzperiode P1 (1961-2000) verglichen werden. Zu Beginn der Simulation weisen alle Baumarten
das gleiche Alter von 40 Jahren auf. Unter den entsprechenden Initialisierungsbedingungen wachsen
sie dann für 40 Jahre, in denen regelmäßig im Abstand von fünf Jahren Managementmaßnahmen
angewendet werden. Am Ende der Simulation weisen alle Baumarten also ein Alter von 80 Jahren
auf. Untersucht werden in beiden Simulationsläufen drei Nadelbäume, Fichte, Douglasie und Kiefer
und mit Buche und Eiche die zwei wichtigsten Laubbaumarten.
3.1. Model runs in Vessertal - Thuringian Forest Biosphere Reserve
Insgesamt wurden für das Gebiet des Vessertals 2550 Modelläufe durchgeführt:
17 soils × 1 climate station × 10 realizations (WETTREG) × 5 trees × 3 periods = 2550 runs
Die Initialisierungen (vergl. Tabelle 4) für die gesamten Modellläufe wurden so gewählt, dass die
Baumarten immer in der II.ten Ertragsklasse starten. Für die Referenzperiode (P1: 1961 - 2000)
wurde die Verfügbarkeit von Stickstoff der einzelnen Baumarten in der Weise eingestellt und bei den
Modelläufen konstant gehalten, dass das Wachstum der Baumarten in der Periode 1 (Basisklima)
dem der II.ten Ertragsklasse entspricht (vergl. Abb. 4 (links)). Mit dieser Modelleinstellung sind die
This project is implemented through the CENTRAL
EUROPE Programme co-financed by the ERDF
[13]Ergebnisse der Perioden P2 (2011 - 2050) und P3 (2061 - 2100) nur durch verändertes Klima und die Wasserverfügbarkeit der Böden unter veränderten Klimabedingungen bestimmt. 4. Results At first the mean annual temperature and the mean annual precipitation sum of the WETTREG- climate scenarios for the three time periods (P1-P3) are shown (Figure 3). The temperature increases from 6 to 9 °C accompanied by a decrease of annual sum of precipitation. However, a precipitation sum of 1100 mm per year is still very high in comparison to the average of circa 750 mm (1961-1990) in Germany. Figure 3: Mean annual temperature and annual precipitation sum of the used WETTREG climate time series for the three simulation periods (P1=1961-2000, P2= 2011-2050, P3=2061-2100). In the following figures results of the analysis of simulated and observed variables are shown. The main soil type of the “Vessertal” is classified as brown forest soils which correspond to cambisols of the FAO-classification. The parent rock material consists mainly of Porphyry. Less share in parent rock material have sandstone, shale and granite (see Figure 4). [14]
Figure 4: Parent rock material and soil type distribution in the “Vessertal”
The simulation results of 4C focus on five different tree species relevant for forest management in
this region. The underlying question is which impacts are induced by the climate scenarios and are
there tree species specific risks of future forest growth. We selected three variables relevant for
forest growth and stand stability: the change of height growth depending site classification (yield
class), the annual stock increment, and the carbon sequestration calculated as the net ecosystem
production. The results are shown as averages for three different simulation periods (1961 - 2000,
2011 - 2050, 2061 - 2100) and as relative change of P2 and P3 to P1.
In table 5 the simulation results of two soil types with different storage capacity of plant available
water are shown. The future growth of tree species depends much on the soil water characteristics.
The soil with high plant available water capacity enables for all tree species increasing growth rates in
both future time periods. Also the change of net ecosystem productivity is positive. In contrast, on
the soil with low water storage capacity tree height growth, annual stock increment, and net
ecosystem production only of pine and oak show a significant increase in P2 and P3. The lowest
values are simulated for beech. In P3 for all three variables a decreasing trend is observable.
This project is implemented through the CENTRAL
EUROPE Programme co-financed by the ERDF
[15]Table 5: Simulation results as percent change on two soil types with different plant available water
(PAW) storage capacity for the Periods (P2: 2011 – 2050, P3: 2061 - 2100)
Tree Height Growth Annual Stock Annual Net
[%] Increment [%] Ecosystem
Production [%]
Soil Tree P2 P3 P2 P3 P2 P3
Kienberg-Porphyr(-it)- Douglas-fir 4.2 -1.8 9.7 -5.8 4.5 -8.3
Braunerde
Spruce 3.7 1.0 9.8 3.0 6.0 -1.7
Pine 7.1 7.4 28.7 45.4 13.0 14.2
Beech 1.6 -1.9 10.3 -12.9 4.7 -10.6
PAW = 65mm Oak 6.3 8.1 32.1 45.1 17.3 26.3
Schleusinger Sandstein- Douglas-fir 8.6 13.5 21.4 39.6 11.8 20.8
Braunerde
Spruce 6.9 12.8 16.2 32.6 11.3 23.9
Pine 8.5 18.6 35.2 104.2 15.1 38.4
Beech 3.1 5.5 22.7 29.0 11.2 17.7
PAW = 159.6mm Oak 6.7 14.9 34.3 86.3 17.6 46.6
4.1. Tree Height Growth
Figure 5: Box-plot of tree height related yield class after the specific 40 simulation period and for
all five tree species. All forest stands start at yield class II.
[16]In figure 5 the change of site classification (IV is bad height growth, -I is very good height growth)
concerning tree height can be seen. All forest stands start with site classification II and the box-plot
show the final site classification after the 40 year simulation of the pertinent time period. For the
first period P1 the height growth of the five tree species is at the same level as explained in the
method chapter. The nitrogen supply has been fixed in a way that all tree species experience a height
growth which is in accordance to yield class II of the associated yield table (Figure 5). In P2 and P3
differences are caused by varying tree species responses to the climate scenarios. According to the
median of the tree height, pine profits most and beech lowest of future climate. All tree species show
a strong increase of the variability in tree height growth depending of the soil (range between the
whiskers of the boxes in Figure 5).
4.2. Annual Stock Increment
Figure 6: Box-plot of mean annual stock increment [m3 ha-1 year-1] for all five tree species.
The order of tree species concerning annual stock increment (Figure 6) in the base period 1961 -
1990 is spruce>douglas-fir>pine>beech>oak. In P2 the stock increment of the oak stands passing the
stock increment of beech stands. There is strong increase of stock increment in pine stands up to the
level of douglas-fir stands and in general an increase of the variability between forest sites.
This project is implemented through the CENTRAL
EUROPE Programme co-financed by the ERDF
[17]4.3. Annual Net Ecosystem Production
Figure 7: Box-plot of mean annual net ecosystem production [tC ha-1 year-1] for all five tree
species.
Net ecosystem production (Figure 7) is highest at spruce and beech. There is only a small increase in
the climate scenario periods. The lowest carbon sequestration rates per year are detected at oak
stands with values from three (1961 - 1990) to 4.5 (2061 - 2100) tons Carbon per hectare and year.
On the other hand, oak stands show the highest increasing rate besides pine stands with respect to
P3.
4.4. Regional Analyses of Simulated Results
The following maps reveal regional differences in the “Vessertal” depending on the soil
characteristics. The same simulation results as shown for the box-plots are behind the maps of all
five tree species and the three selected variables.
At spruce stands roughly half of the area expects a significant improvement of growing conditions
due to changing climate conditions of the climate scenarios. The other half shows only a minor
positive trend. In pine and oak stands the positive trend is apparent on almost the whole area of the
“Vessertal”. Only on douglas-fir and beech stands also negative impacts especially on net ecosystem
production are simulated (Figure 8-12).
[18]Spruce
This project is implemented through the CENTRAL
EUROPE Programme co-financed by the ERDF
[19]Figure 8: The whole “Vessertal” with the four variables (tree height yield class, annual stock increment, net ecosystem production (NEP) and mortality rate) on different soil types for spruce. [20]
Pine
This project is implemented through the CENTRAL
EUROPE Programme co-financed by the ERDF
[21]Figure 9: The whole “Vessertal” with the four variables (tree height yield class, annual stock increment, net ecosystem production (NEP) and mortality rate) on different soil types for pine. [22]
Douglas-fir
This project is implemented through the CENTRAL
EUROPE Programme co-financed by the ERDF
[23]Figure 10: The whole “Vessertal” with the four variables (tree height yield class, annual stock increment, net ecosystem production (NEP) and mortality rate) on different soil types for douglas- fir. [24]
Beech
This project is implemented through the CENTRAL
EUROPE Programme co-financed by the ERDF
[25]Figure 11: The whole “Vessertal” with the four variables (tree height yield class, annual stock increment, net ecosystem production (NEP) and mortality rate) on different soil types for beech. [26]
Oak
This project is implemented through the CENTRAL
EUROPE Programme co-financed by the ERDF
[27]Figure 12: The whole “Vessertal” with the four variables (tree height yield class, annual stock increment, net ecosystem production (NEP) and mortality rate) on different soil types for oak. In the context of the results three general statements can be made: 1. There are two „winner“ tree species: Pine and Oak. The simulation results suggest significant better growth in both future time periods and on every soil type. 2. The growth of spruce, beech and douglas-fir stands under climate change is very site specific. Soils with high water storage capacity will enable a positive growth trend, but soils with low water storage capacity limit this positive trend and could even cause a decreasing trend in stand growth. 3. This model study is strongly limited by the absence of biotic and abiotic risks of forest growth. Storm events, insect calamities and pest outbreaks have strong impacts on future forest growth and could not be considered within this study. [28]
5. References
Bugmann, H, Grote, R, Lasch, P, Lindner, M, & Suckow, F 1998. A new forest gap model to study the
effects of environmental change on forest structure and unctioning. Forestry Sciences, 52, 255–262.
Davidson, R 1969. Effect of root/leaf temperature differentials on root/shoot ratios in some pasture
grasses and clover. Annals of Botany, 33(3), 561–569.
Fürstenau, C, Badeck, F, Lasch, P, Lexer, M, Lindner, M, Mohr, P, & Suckow, F 2007. Multiple-use
forest management in consideration of climate change and the interests of stakeholder groups.
European Journal of Forest Research, 126(2), 225–239.
Glugla, G 1969. Berechnungsverfahren zur Ermittlung des aktuellen Wassergehalts und
Gravitationswasserabflusses im Boden. Archives of Agronomy and Soil Science, 13(4), 371–376.
Grote, R & Suckow, F 1998. Integrating dynamic morphological properties into forest growth
modelling: I. effects on water balance and gas exchange. Forest ecology and management, 112(1-2),
101–119.
Haxeltine, A & Prentice, I 1996. A general model for the light-use efficiency of primary production.
Functional Ecology, 10, 551–561.
IPCC 2007. climate change 2007: impacts, adaptation and vulnerability. Contribution of working
group II to the fourth assessment report of the intergovern-mental panel on climate change.
Cambridge University Press, Cambridge.
Kreienkamp, F, Spekat, A, & Enke, W 2010. Ergebnisse eines regionalen Szenarienlaufs für
Deutschland mit dem statistischen Modell WETTREG2010. Technical report, Climate & Environment
Consulting Potsdam GmbH. report.
Lasch, P, Lindner, M, Erhard, M, Suckow, F, & Wenzel, A 2002. Regional impact assessment on forest
structure and functions under climate change - the Brandenburg case study. Forest Ecology and
Management, 162(1), 73–86.
Lasch, P, Badeck, F, Suckow, F, Lindner, M, & Mohr, P 2005. Model-based analysis of management
alternatives at stand and regional level in Brandenburg (Germany). Forest Ecology and Management,
207(1), 59–74.
Lasch, P, Suckow, F, Gutsch, M, Murawski, A, & Petraschek, J 2011. PIK Report No. 121. Klimawandel
und Waldentwicklung der Region Havelland-Fläming 4: Forstwirtschaft, (pp. 115–175). PIK Potsdam-
Institut für Klimafolgenforschung.
R Development Core Team 2008. R: A Language and Environment for Statistical Computing. R
Foundation for Statistical Computing, Vienna, Austria. ISBN 3-900051-07-0.
Ribeiro Jr, P J & Diggle, P J 2001. geoR: a package for geostatistical analysis. R-NEWS, 1(2), 14–18.
ISSN 1609-3631.
This project is implemented through the CENTRAL
EUROPE Programme co-financed by the ERDF
[29]Schaber, J & Badeck, F 2003. Physiology-based phenology models for forest tree species in Germany. International Journal of Biometeorology, 47(4), 193–201. Shinozaki, K, Yoda, K, Hozumi, K, & Kira, T 1964. A quantitative analysis of plant form-the pipe model theory: I. basic analyses. Japanese Journal of Ecology, 14(3), 97–105. Spekat, A, Enke, W, & Kreienkamp, F 2007. Neuentwicklung von regional hoch aufgelösten Wetterlagen für Deutschland und Bereitstellung regionaler Klimaszenarios auf der Basis von globalen Klimasimulationen mit dem Regionalisierungsmodell WETTREG auf der Basis von gobalen Klimasimulationen mit ECHAM5/MPI-OM T63L31 2010 bis 2100 für die SRES-Szenarios B1, A1B und A2; Endbericht. Umweltbundesamt. SRTM 2012. CGIAR-CSI SRTM 90m Digital Elevation Data. Stock, M 2005. No. 99 KLARA Klimawandel - Auswirkungen, Risiken, Anpassung. Potsdam: PIK. Suckow, F, Badeck, F, Lasch, P, & Schaber, J 2001. Nutzung von Level-II-Beobachtungen für Test und Anwendungen des Sukzessionsmodells FORESEE. Beitr. Forstwirtschaft u. Landschaftsökologie, 35(2), 84–87. [30]
Sie können auch lesen
