Institut für Geographie und Geologie
Refine
Has Fulltext
- yes (3)
Is part of the Bibliography
- yes (3)
Year of publication
- 2024 (3) (remove)
Document Type
- Doctoral Thesis (3)
Language
- German (3) (remove)
Keywords
- Biaskorrektur (1)
- Bodengeografie (1)
- Bodenwasser (1)
- Bodenwasserhaushalt (1)
- Braunerde (1)
- CORDEX (1)
- Deep learning (1)
- Deutschland (1)
- Fernerkundung (1)
- Forstwirtschaft (1)
Institute
Sonstige beteiligte Institutionen
Die mit dem Klimawandel einhergehenden Umweltveränderungen, wie steigende Temperaturen, Abnahme der Sommer- und Zunahme der Winterniederschläge, häufigere und längere Trockenperioden, zunehmende Starkniederschläge, Stürme und Hitzewellen betreffen besonders den Bodenwasserhaushalt in seiner zentralen Regelungsfunktion für den Landschaftswasserhaushalt. Von der Wasserverfügbarkeit im Boden hängen zu einem sehr hohen Grad auch die Erträge der Land- und Forstwirtschaft ab. Eine besonders große Bedeutung kommt dabei der Wasserspeicherkapazität der Böden zu, da während einer Trockenphase die effektiven Niederschläge den Wasserbedarf der Pflanzen nicht decken können und das bereits gespeicherte Bodenwasser das Überleben der Pflanzen sicherstellen kann. Für die land- und forstwirtschaftlichen Akteure sind in diesem Kontext quantitative und qualitative Aussagen zu den Auswirkungen des Klimawandels auf den Boden essenziell, um die notwendigen Anpassungsmaßnahmen für ihre Betriebe treffen zu können.
Zielsetzungen der vorliegenden Arbeit bestehen darin, die Dynamik der Bodenfeuchte in unterfränkischen Böden besser zu verstehen, die Datenlage zum Verlauf der Bodenfeuchte zu verbessern und die Auswirkungen von prognostizierten klimatischen Parametern abschätzen zu können. Hierzu wurden an sechs für ihre jeweiligen Naturräume und hinsichtlich ihrer anthropogenen Nutzung charakteristischen Standorten meteorologisch-bodenhydrologische Messstationen installiert. Die Messstationen befinden sich in einem Rigosol auf Buntsandstein in einem Weinberg bei Bürgstadt sowie auf einer Parabraunerde im Lössgebiet bei Herchsheim unter Ackernutzung. Am Übergang von Muschelkalk in Keuper befinden sich die Stationen in Obbach, wo eine Braunerde unter Ackernutzung vorliegt und im Forst des Universitätswalds Sailershausen werden die Untersuchungen in einer Braunerde-Terra fusca durchgeführt. Im Forst befinden sich auch die Stationen in Oberrimbach mit Braunerden aus Sandsteinkeuper und in Willmars mit Braunerden aus Buntsandstein. Der Beobachtungszeitraum dieser Arbeit reicht von Juli 2018 bis November 2022. In diesen Zeitraum fiel die dreijährige Dürre von 2018 bis 2020, das Jahr 2021 mit einem durchschnittlichen Witterungsverlauf und das Dürrejahr 2022.
Das Langzeitmonitoring wurde von umfangreichen Gelände- und Laboranalysen der grundlegenden bodenkundlichen Parameter der Bodenprofile und der Standorte begleitet. Die bodengeographischen-geomorphologischen Standortanalysen bilden zusammen mit den qualitativen Auswertungen der Bodenfeuchtezeitreihen die Grundlage für Einschätzungen zu den Auswirkungen des Klimawandels auf den Bodenwasserhaushalt. Verlässliche Aussagen zum Bodenwasserhaushalt können nur auf Grundlage von zeitlich und räumlich hoch aufgelösten Daten getroffen werden. Bodenfeuchtezeitreihen zusammen mit den bodenphysikalischen Daten lagen in dieser Datenqualität für Unterfranken bisher nur sehr vereinzelt vor.
Die vorliegenden Ergebnisse zeigen, dass die untersuchten Böden entsprechend den jeweiligen naturräumlichen Gegebenheiten sehr unterschiedliche bodenhydrologische Eigenschaften aufweisen. Während langer Trockenphasen können beispielsweise die Parabraunerden am Standort Herchsheim wegen ihrer höheren Wasserspeicherkapazität die Pflanzen länger mit Wasser versorgen als die sandigen Braunerden am Standort Oberrimbach. Die Bodenfeuchteregime im Beobachtungszeitraum waren sehr stark vom Witterungsverlauf einzelner Jahre abhängig. Das Bodenfeuchteregime bei einem durchschnittlichen Witterungsverlauf wie in 2021 zeichnet sich durch eine langsame Abnahme der Bodenfeuchte ab Beginn der Vegetationsperiode im Frühjahr aus. Regelmäßige Niederschläge im Frühjahr füllen den oberflächennahen Bodenwasserspeicher immer wieder auf und sichern den Bodenwasservorrat in der Tiefe bis in den Hochsommer. Im Hochsommer können Pflanzen dann während der Trockenphasen ihren Wasserbedarf aus den tieferen Horizonten decken. Im Gegensatz dazu nimmt die Bodenfeuchte in Dürrejahren wie 2018 bis 2020 oder 2022 bereits im Frühjahr bis in die untersten Horizonte stark ab. Die nutzbare Feldkapazität ist zum Teil schon im Juni weitgehend ausgeschöpft, womit für spätere Trockenphasen kein Bodenwasser mehr zur Verfügung steht. Die Herbst- und Winterniederschläge sättigen den Bodenwasservorrat wieder bis zur Feldkapazität auf. Bei tiefreichender Erschöpfung des Bodenwassers wurde die Feldkapazität erst im Januar oder Februar erreicht.
Im Zuge der land- und forstwirtschaftlichen Nutzung ist eine gute Datenlage zu den bodenkundlichen und standörtlichen Gegebenheiten für klimaadaptierte Anpassungsstrategien essentiell. Wichtige Zielsetzungen bestehen grundsätzlich in der Erhaltung der Bodenfunktionen, in der Verbesserung der Infiltrationskapazität und Wasserspeicherkapazität. Hier kommt dem Boden als interaktive Austauschfläche zwischen den Sphären und damit dem Bodenschutz eine zentrale Bedeutung zu. Die in Zukunft erwarteten klimatischen Bedingungen stellen an jeden Boden andere Herausforderungen, welchen mit standörtlich abgestimmten Bodenschutzmaßnahmen begegnet werden kann.
Grünflächen stellen einen der wichtigsten Umwelteinflüsse in der Wohnumwelt der Menschen dar. Einerseits wirken sie sich positiv auf die physische und mentale Gesundheit der Menschen aus, andererseits können Grünflächen auch negative Wirkungen anderer Faktoren abmildern, wie beispielsweise die im Laufe des Klimawandels zunehmenden Hitzeereignisse. Dennoch sind Grünflächen nicht für die gesamte Bevölkerung gleichermaßen zugänglich. Bestehende Forschung im Kontext der Umweltgerechtigkeit (UG) konnte bereits aufzeigen, dass unterschiedliche sozio-ökonomische und demographische Gruppen der deutschen Bevölkerung unterschiedlichen Zugriff auf Grünflächen haben. An bestehenden Analysen von Umwelteinflüssen im Kontext der UG wird kritisiert, dass die Auswertung geographischer Daten häufig auf zu stark aggregiertem Level geschieht, wodurch lokal spezifische Expositionen nicht mehr genau abgebildet werden. Dies trifft insbesondere für großflächig angelegte Studien zu. So werden wichtige räumliche Informationen verloren. Doch moderne Erdbeobachtungs- und Geodaten sind so detailliert wie nie und Methoden des maschinellen Lernens ermöglichen die effiziente Verarbeitung zur Ableitung höherwertiger Informationen.
Das übergeordnete Ziel dieser Arbeit besteht darin, am Beispiel von Grünflächen in Deutschland methodische Schritte der systematischen Umwandlung umfassender Geodaten in relevante Geoinformationen für die großflächige und hochaufgelöste Analyse von Umwelteigenschaften aufzuzeigen und durchzuführen. An der Schnittstelle der Disziplinen Fernerkundung, Geoinformatik, Sozialgeographie und Umweltgerechtigkeitsforschung sollen Potenziale moderner Methoden für die Verbesserung der räumlichen und semantischen Auflösung von Geoinformationen erforscht werden. Hierfür werden Methoden des maschinellen Lernens eingesetzt, um Landbedeckung und -nutzung auf nationaler Ebene zu erfassen. Diese Entwicklungen sollen dazu beitragen bestehende Datenlücken zu schließen und Aufschluss über die Verteilungsgerechtigkeit von Grünflächen zu bieten.
Diese Dissertation gliedert sich in drei konzeptionelle Teilschritte. Im ersten Studienteil werden Erdbeobachtungsdaten der Sentinel-2 Satelliten zur deutschlandweiten Klassifikation von Landbedeckungsinformationen verwendet. In Kombination mit punktuellen Referenzdaten der europaweiten Erfassung für Landbedeckungs- und Landnutzungsinformationen des Land Use and Coverage Area Frame Survey (LUCAS) wird ein maschinelles Lernverfahren trainiert. In diesem Kontext werden verschiedene Vorverarbeitungsschritte der LUCAS-Daten und deren Einfluss auf die Klassifikationsgenauigkeit beleuchtet. Das Klassifikationsverfahren ist in der Lage Landbedeckungsinformationen auch in komplexen urbanen Gebieten mit hoher Genauigkeit abzuleiten. Ein Ergebnis des Studienteils ist eine deutschlandweite Landbedeckungsklassifikation mit einer Gesamtgenauigkeit von 93,07 %, welche im weiteren Verlauf der Arbeit genutzt wird, um grüne Landbedeckung (GLC) räumlich zu quantifizieren.
Im zweiten konzeptionellen Teil der Arbeit steht die differenzierte Betrachtung von Grünflächen anhand des Beispiels öffentlicher Grünflächen (PGS), die häufig Gegenstand der UG-Forschung ist, im Vordergrund. Doch eine häufig verwendete Quelle für räumliche Daten zu öffentlichen Grünflächen, der European Urban Atlas (EUA), wird bisher nicht flächendeckend für Deutschland erhoben. Dieser Studienteil verfolgt einen datengetriebenen Ansatz, die Verfügbarkeit von öffentlichem Grün auf der räumlichen Ebene von Nachbarschaften für ganz Deutschland zu ermitteln. Hierfür dienen bereits vom EUA erfasste Gebiete als Referenz. Mithilfe einer Kombination von Erdbeobachtungsdaten und Informationen aus dem OpenStreetMap-Projekt wird ein Deep Learning -basiertes Fusionsnetzwerk erstellt, welche die verfügbare Fläche von öffentlichem Grün quantifiziert. Das Ergebnis dieses Schrittes ist ein Modell, welches genutzt wird, um die Menge öffentlicher Grünflächen in der Nachbarschaft zu schätzen (𝑅 2 = 0.952).
Der dritte Studienteil greift die Ergebnisse der ersten beiden Studienteile auf und betrachtet die Verteilung von Grünflächen in Deutschland unter Hinzunahme von georeferenzierten Bevölkerungsdaten. Diese exemplarische Analyse unterscheidet dabei Grünflächen nach zwei Typen: GLC und PGS. Zunächst wird mithilfe deskriptiver Statistiken die generelle Grünflächenverteilung in der Bevölkerung Deutschlands beleuchtet. Daraufhin wird die Verteilungsgerechtigkeit anhand gängiger Gerechtigkeitsmetriken bestimmt. Abschließend werden die Zusammenhänge zwischen der demographischen Komposition der Nachbarschaft und der verfügbaren Menge von Grünflächen anhand dreier exemplarischer soziodemographischer Gesellschaftsgruppen untersucht. Die Analyse zeigt starke Unterschiede der Verfügbarkeit von PGS zwischen städtischen und ländlichen Gebieten. Ein höherer Prozentsatz der Stadtbevölkerung hat Zugriff das Mindestmaß von PGS gemessen an der Vorgabe der Weltgesundheitsorganisation. Die Ergebnisse zeigen auch einen deutlichen Unterschied bezüglich der Verteilungsgerechtigkeit zwischen GLC und PGS und verdeutlichen die Relevanz der Unterscheidung von Grünflächentypen für derartige
Untersuchungen. Die abschließende Betrachtung verschiedener Bevölkerungsgruppen arbeitet Unterschiede auf soziodemographischer Ebene auf.
In der Zusammenschau demonstriert diese Arbeit wie moderne Geodaten und Methoden des maschinellen Lernens genutzt werden können bisherige Limitierungen räumlicher Datensätze zu überwinden. Am Beispiel von Grünflächen in der Wohnumgebung der Bevölkerung Deutschlands wird gezeigt, dass landesweite Analysen zur Umweltgerechtigkeit durch hochaufgelöste und lokal feingliedrige geographische Informationen bereichert werden können. Diese Arbeit verdeutlicht, wie die Methoden der Erdbeobachtung und Geoinformatik einen wichtigen Beitrag leisten können, die Ungleichheit der Wohnumwelt der Menschen zu identifizieren und schlussendlich den nachhaltigen Siedlungsbau in Form von objektiven Informationen zu unterstützen und überwachen.
Hochaufgelöste Erfassung zukünftiger Klimarisiken für Land- und Forstwirtschaft in Unterfranken
(2024)
Das Klima und seine Veränderungen wirken sich direkt auf die Land- und Forstwirtschaft aus. Daher ist die Untersuchung der zukünftigen Klimarisiken für diese Sektoren von hoher Relevanz. Dies ist auch und vor allem für den schon heute weiträumig trockheitsgeprägten und vom Klimawandel besonders betroffenen nordwestbayerischen Regierungsbezirk Unterfranken der Fall, dessen Gebiet zu über 80 % land- oder forstwirtschaftlich genutzt wird. Zur Untersuchung der Zukunft in hoher räumlicher Auflösung werden Projektionen von regionalen Klimamodellen genutzt. Da diese jedoch Defizite in der Repräsentation des beobachteten Klimas der Vergangenheit aufweisen, sollte vor der weiteren Verwendung eine Anpassung der Daten erfolgen. Dies geschieht in der vorliegenden Arbeit am Beispiel des regionalen Klimamodells REMO im Bezug auf klimatische Kennwerte für Trockenheit, Starkniederschlag, Hitze sowie (Spät-)Frost, die alle eine hohe land- und forstwirtschaftliche Bedeutung besitzen. Die Datenanpassung erfolgt durch zwei verschiedene Ansätze. Zum Einen wird eine Biaskorrektur der aus Globalmodell-angetriebenen REMO-Daten berechneten Indizes durch additive und multiplikative Linearskalierung sowie empirische und parametrische Verteilungsanpassung durchgeführt. Zum Anderen wird ein exploratives Verfahren auf Basis von Model Output Statistics angewandt: Lokale und großräumige atmosphärische Variablen von REMO mit Reanalyseantrieb, die eine zeitliche Korrespondenz zu den Beobachtungen aufweisen, dienen als Prädiktoren für die Aufstellung von Transferfunktionen zur Simulation der Indizes. Diese Transferfunktionen werden sowohl mithilfe Multipler Linearer Regression als auch mit verschiedenen Generalisierten Linearen Modellen konstruiert. Sie werden anschließend genutzt, um Analysen auf Basis von biaskorrigierten Globalmodell-angetriebenen REMO-Prädiktoren durchzuführen. Sowohl für die Biaskorrektur als auch die Model Output Statistics wird eine Kreuzvalidierung durchgeführt, um die Ergebnisse unabhängig vom jeweiligen Trainingszeitraum zu untersuchen und die jeweils besten Varianten zu finden. Werden beide Verfahren mit ihren Unterkategorien für den gesamten historischen Modellzeitraum verglichen, so weist für alle Monat-Kennwert-Kombinationen eine der beiden Verteilungskorrekturen die besten Ergebnisse auf. Die Zukunftsprojektionen unter Verwendung der jeweils erfolgreichsten Methode zeigen im regionalen Durchschnitt für das 21. Jahrhundert negative Trends der (Spät-)Frost- und Eis- sowie positive Trends der Hitzetagehäufigkeit. Winterliche Starkregenereignisse nehmen hinsichtlich ihrer Anzahl zu, im Sommer verstärkt sich die Trockenheit. Die Hinzunahme zwei weiterer regionaler Klimamodelle bestätigt die allgemeinen Zukunftstrends, jedoch ergeben sich beim Spätfrost Widersprüche, wenn dieser hinsichtlich der thermisch abgegrenzten Vegetationsperiode definiert wird.
Zusätzlich werden die Model Output Statistics auf gleiche Weise mit bodennahen Prädiktoren zur Simulation von Erträgen aus Acker- und Weinbau wiederholt. Die Güte kann aufgrund mangelnder Beobachtungsdatenlänge nur anhand der Reanalyse-angetriebenen REMO-Daten abgeschätzt werden, ist hierbei jedoch deutlich besser als im Bezug auf die Kennwertsimulation. Die Zukunftsprojektionen von REMO sowie drei weiterer Regionalmodelle zeigen im Mittel über alle Landkreise Unterfrankens steigende Winter- sowie sinkende Sommerfeldfruchterträge. Hinsichtlich der Frankenweinerträge widersprechen sich die Ergebnisse der drei Klassen Weiß-, Rot- und Gesamtwein insofern, als dass REMO und ein weiteres Modell negative Weiß- und Rotweinertragstrends, jedoch positive Gesamtweinertragstrends simulieren. Die zwei anderen verwendeten Modelle führen durch positive Trendvorzeichen für den Weißwein zu insgesamt kohärenten Ergebnissen.
Die Resultate im Bezug auf die land- und forstwirtschaftlich relevanten klimatischen Kennwerte bedeuten, dass Anpassungsmaßnahmen gegenüber Hitze sowie im Speziellen gegenüber Trockenheit in Zukunft im ohnehin trockenheitsgeprägten Unterfranken an Bedeutung gewinnen werden. Auch die unsicheren Projektionen im Bezug auf die Spätfrostgefahr müssen im Blick behalten werden. Die Trends der Feldfruchterträge deuten in die gleiche Richtung, da Sommergetreide eine höhere Trockenheitsanfälligkeit besitzen. Die unklaren Ergebnisse der Weinerträge hingegen lassen keine eindeutigen Schlüsse zu. Der starke anthropogene Einfluss auf die Erntemengen sowie die großen Unterschiede der Rebsorten hinsichtlich der klimatischen Eignung könnten ein Grund hierfür sein.