Unsere Methoden - Blick in den Maschinenraum

Die Bodenfeuchte lässt sich nicht in jedem Kubikmeter Waldboden in Bayern tagesaktuell messen. Um dennoch flächendeckende Informationen zur Bodentrockenheit zu erhalten, berechnen wir den Bodenwassergehalt mit unseren auf Bayerische Waldböden angepassten Simulationsmodellen: 

Alle diese Informationen möglichst standortsgenau in das Modell einfließen zu lassen und dann für die gesamte Waldfläche Bayerns tagesaktuell den Wasserhaushalt zu berechnen, war eine große Herausforderung. Wie wir dies gelöst haben, beschreiben wir im Folgenden

Das Wasserhaushaltsmodell LWF-Brook90 (Hammel und Kennel, 2001; Federer, 2002) hat sich dafür seit Jahrzehnten vielfach in der forstlichen Forschung bewährt. Das Modell berücksichtigt alle relevanten Wasserflüsse im Wald wie Standorteigenschaften, Vegetation und tagesaktuelle Wetterdaten. Die Wasserhaushaltmodellierungen wurden zuvor an langjährigen Messreihen des Niederschlags unter dem Kronendach sowie der Bodenfeuchte im Waldboden im Messnetz der Waldklimastationen (https://www.lwf.bayern.de/boden-klima/umweltmonitoring/index.php) überprüft.

Eine zentrale Komponente der Wasserhaushaltsmodellierung ist der Waldboden, dessen physikalische Eigenschaften – darunter Korngrößenzusammensetzung, Lagerungsdichte sowie Stein- und Humusgehalt – maßgeblich das Wasserhaltevermögen beeinflussen. Wir haben daher für unseren WaldDürreMonitor die genauesten Informationen verwendet, die derzeit flächendeckend und digital für Bayern zur Verfügung stehen. Diese Daten basieren auf der Übersichtsbodenkarte (1:25.000) (LfU, 2025) und wurden dem Bayerischen Standortinformationssystem (BaSIS) entnommen. Die mit den Flächeninformationen verknüpften Bodenprofildaten basieren auf einer Datenbank, die Bodenaufnahmen vom Landesamt für Umwelt (LfU) sowie der LWF umfasst. Hinzu kommen Informationen zu Hangneigung, Hangausrichtung und Grundwassereinfluss, der aus der Grundwasserflurabstandskarte abgeleitet werden.

Das Verfahren zur Herleitung von Standortseinheiten wurde im Vorläuferprojekt „Standortsfaktor Wasserhaushalt im Klimawandel“ (Weis et al. 2023) entwickelt, mit dem Ziel eine bayernweite objektivierte Einschätzung des durchschnittlichen, langjährigen Standortwasserhaushalts zu liefern. Zudem wurden wichtige allgemeingültige Ansätze zur Parametrisierung des Modells LWF-Brook90 und der verwendeten Baumarten entwickelt, die jetzt auch beim WaldDürreMonitor angewendet wurden.

Der Wasserhaushalt eines Waldes wird außerdem maßgeblich von der dominierenden Baumart und der Bestandesstruktur (Schichtung, Dichte, etc.) bestimmt. Um den Bestand am Standort präzise im Modell zu berücksichtigen, haben wir Fernerkundungsdaten genutzt. Dabei kamen Flächeninformationen mit 10 m Auflösung zur Baumart (Blickensdörfer et al., 2024), Bestandeshöhe (Lang et al., 2023) und Blattflächenindex (EEA, 2021) zum Einsatz.

In der derzeitigen Konfiguration wird die gesamte Waldfläche Bayerns in etwas mehr als eine Million Einzelflächen unterteilt und für jedes dieser Polygone wird täglich ein eigener Modelllauf gerechnet (Abbildung 1). Im Gegensatz zu vergleichbaren Produkten anderer Institutionen, die die Fläche in reguläre Raster unterteilen, folgen unsere Modelleinheiten dem Gelände, so dass die Kartendarstellungen des WaldDürreMonitors näher an den topographischen Gegebenheiten liegen.

.

Abbildung 1:  Die Polygone für den WaldDürreMonitor werden mit Hilfe der Übersichtsbodenkarte 1:25.000, einem digitalen Geländemodell, der Grundwasserflurabstandskarte sowie Bestandesinformationen aus der Fernerkundung abgeleitet. Pro Polygon werden bodenphysikalische Grunddaten, Baumkenngrößen und Wetterdaten als Eingangsparameter für das Wasserhaushaltsmodell LWF-Brook90 verwendet. Daraus werden Kennwerte für die Saugspannung im Boden (Trockenheit), der tägliche Wasservorrat im Boden, der Füllstand des Bodenwasserspeichers (% nFK), sowie der Transpirationsindex berechnet.

Neben den zuvor beschriebenen statischen Standortinformationen sind kontinuierlich erfasste meteorologische Eingangsgrößen erforderlich (Niederschlag, Lufttemperaturen, Wasserdampfdruck, Strahlung, Windgeschwindigkeit).

Der Deutsche Wetterdienst (DWD) stellt die Daten seiner Wettervorhersagemodelle ICON-D2 (Gitterweite: 2,2 km) und ICON-EU (Gitterweite: 5 km) kostenfrei zur Verfügung. Zudem gibt es einen täglich aktualisierten rasterbasierten Niederschlagsdatensatz aus seinem Messnetz (HYRAS) (DWD 2024). Um tagesaktuell die Bodenfeuchte zu modellieren, werden die ICON-D2-Wetterdaten verwendet. Diese werden auf die oben beschriebenen Polygone übertragen, woraufhin über eine Millionen Wasserhaushaltsmodellierungen durchgeführt und die Ergebnisse automatisch für den Kartendienst ausgewertet werden. Durch die Einbindung von weiteren Wettervorhersagen wie des IFS (Integrated Forecasting System) des Europäischen Zentrums für mittelfristige Wettervorhersage (EZMW) kann die Bodenfeuchte mit diesem Modell künftig auch für 9 Tage vorhergesagt werden. 

Jede Modellierung enthält Fehler und Unsicherheiten. Obwohl großer zeitlicher Aufwand in die Aufbereitung der Eingangsdaten gesteckt wurde, kann nicht ausgeschlossen werden, dass für einige Standorte fehlerhafte Eingangsdaten genutzt wurden. So wird zum Beispiel die Baumart aus Satellitendaten abgeleitet, wobei die Trefferquote beim verwendeten Datensatz bei rund 76 Prozent liegt. Auch der Niederschlag wäre durch die Verwendung von aktuellen Radardaten flächenschärfer. Die Radardaten müssen jedoch noch durch Bodenmessungen an den DWD-Stationen angeeicht werden, so dass sie nur mit zeitlicher Verzögerung zur Verfügung stehen. Zudem werden einige hydrologischen Zustände modellintern nur rudimentär abgebildet. Das Modell setzt beispielsweise ebene Standorte voraus, bodeninnere Zu- oder Abflüsse am Hang in das betrachtete Bodenprofil können nicht berücksichtigt werden.

Ein weiteres Beispiel ist die Bodenfeuchte auf grundwassernahen Standorten. Die Dynamik des Grundwasserspiegels geht nicht in das Modell ein 

Blickensdörfer L, Oehmichen K, Pflugmacher D, Kleinschmit B, Hostert P (2024). National tree species mapping using Sentinel-1/2 time series and German National Forest Inventory data. Remote Sensing of Environment, 304. https://doi.org/10.1016/j.rse.2024.114069

Copernicus Land Monitoring Service (CLMS) (2024). High Resolution Vegetation Phenology and Productivity: Vegetation Indices Quality Flag (raster 10m) https://doi.org/10.2909/201ee90c-1971-4bdc-855e-9c9bcbc2c647

DWD (2024): HYRAS Datenprodukt. https://www.dwd.de/DE/leistungen/hyras/hyras.html

EEA (2021): Copernicus Land Monitoring Service Leaf Area Index dataset 2014-present (raster 300 m), global, 10-daily – version 1. https://doi.org/10.2909/219fdc9f-616b-444b-a495-198f527b4722

Federer C A (2002). BROOK90: A simulation model for evaporation, soil water, and streamflow. http://www.ecoshift.net/brook/brook90.html

Hammel K & Kennel M (2001). Charakterisierung und Analyse der Wasserverfügbarkeit und des Wasserhaushalts von Waldstandorten in Bayern mit dem Simulationsmodell BROOK90. Forstliche Forschungsberichte München, 185, 117 S.

Lang, N, Jetz, W, Schindler, K, Wegner, JD. (2023): A high-resolution canopy height model of the earth. Nature Ecology & Evolution, DOI: external page 10.1038/S41559-023-02206-6

Weis W, Ahrends B, Böhner J, Falk W, Fleck S, Habel R, Klemmt H-J, Meesenburg H, Müller A-C, Puhlmann H, Wehberg, J-A, Wellpott A, Wolf T (2023). Standortfaktor Wasserhaushalt im Klimawandel. Forstliche Forschungsberichte München, 224, 190 S.

https://www.forstzentrum.de/index.php/de/aktuell/veroeffentlichungen/forstliche-forschungsberichte-muenchen