Messung, Berichterstattung und Überprüfung der Waldwiederherstellung

2.5.1 Begründung

Herkömmliche Felduntersuchungen sind für die Standortbestimmung unerlässlich, jedoch durch Kosten, Zeit und physischen Zugang eingeschränkt und liefern oft nur eine begrenzte räumliche Darstellung. Um den räumlichen und zeitlichen Anforderungen der großflächigen Wiederherstellung von Waldlandschaften gerecht zu werden (Chazdon et al., 2016), ist es wichtig, die Vorteile von Fernerkundungsansätzen zu nutzen, die wiederholbare, hochauflösende Messungen der Struktur, Zusammensetzung und Veränderung von Wäldern in riesigen und unzugänglichen Gebieten ermöglichen (Valbuena et al., 2020). Zu den leistungsfähigsten Werkzeugen in diesem Bereich gehört LiDAR (Light Detection and Ranging), das eine detaillierte dreidimensionale Charakterisierung der Struktur des Kronendachs und darunter ermöglicht (Valbuena et al., 2017). Aus LiDAR gewonnene Messwerte wie Kronendachhöhe, Lückenanteil und Laubhöhenvielfalt sind zuverlässige Indikatoren für wichtige ökologische Eigenschaften wie oberirdische Biomasse, Sukzessionsstadium und Habitateignung. Darüber hinaus ermöglicht LiDAR die Quantifizierung struktureller Diversität und Heterogenität – Eigenschaften, die manuell nur schwer zu messen sind, aber für den Erhalt der Biodiversität, die mikroklimatische Pufferung und die ökologische Resilienz unerlässlich sind (Valbuena et al., 2012). Beispielsweise können der Gini-Koeffizient und die Lorenz-Asymmetrie (Bourdier et al. 2016) sowie aus LiDAR-Höhenverteilungen abgeleitete L-Momente verwendet werden, um Baumgrößenungleichheit, Kronendachschichtung und Lichtverfügbarkeit zu beschreiben – Faktoren, die eng mit Regenerationsnischen und der Habitateignung waldabhängiger Arten verbunden sind (Toivonen et al. 2023). Diese Daten können mittlerweile von mehreren Plattformen erfasst werden, darunter unbemannte Luftfahrzeuge (UAVs), bemannte Flugzeuge und terrestrische Laserscanner, die jeweils für unterschiedliche räumliche Maßstäbe und Auflösungen geeignet sind. Darüber hinaus ergänzen luft- oder satellitengestützte multispektrale Bilder von Sensoren wie Sentinel-2 und Landsat-8 LiDAR, indem sie zeitliche Dynamiken der Vegetationsgesundheit, Phänologie und Landbedeckung erfassen, die sich für die Überwachung der Vegetationsvitalität und die Beurteilung früher Erholungsprozesse während der Wiederherstellung als nützlich erwiesen haben (Valbuena et al., 2025).

2.5.2 Erhebungsmethoden

Im SUPERB-Projekt setzen wir eine integrierte Fernerkundungsstrategie ein, die LiDAR-, Multispektral- und Satellitenbilder kombiniert, um konsistente, skalierbare Basislinien zu erstellen und die Waldentwicklung im Zeitverlauf zu überwachen. Unser Ansatz basiert auf Best-Practice-Methoden aus der Literatur und orientiert sich an neuen Standards für die Überwachung von Ökosystemstrukturen (Wang et al. 2024). Jede Datenquelle wurde aufgrund ihrer Eignung für einen bestimmten räumlichen Maßstab, eine bestimmte Auflösung oder einen bestimmten ökologischen Schwerpunkt ausgewählt, in Übereinstimmung mit den Empfehlungen von Valbuena et al. (2020).
Plattformbereitstellung.

• Mithilfe von UAVs, die mit leichten LiDAR-Sensoren ausgestattet waren, wurden luftgestützte LiDAR-Vermessungen durchgeführt, um hochauflösende 3D-Punktwolkendaten über ausgewählten Renaturierungsflächen zu erfassen. Die Flugplanung gewährleistete eine ausreichende Überlappung und Punktdichte (>10 Punkte/m²) für eine zuverlässige Modellierung von Baumkronen und Gelände.
• Auf ausgewählten Flächen wurde terrestrisches Laserscanning (TLS) mit statischen oder handgeführten LiDAR-Systemen durchgeführt, um detaillierte Unterwuchs- und Unterbaumstrukturen zu erfassen. Diese hochauflösenden Punktwolken (bis zu 50,000 Punkte/m²) dienten der Validierung von aus luftgestützten LiDAR-Daten abgeleiteten Metriken und der Bewertung der Bestandeskomplexität.
• Multispektrale UAV-Bilder wurden mithilfe von Drohnen aufgenommen, die mit kalibrierten Sensoren ausgestattet waren, welche sichtbares Licht, den Rotrandbereich und das Nahinfrarotspektrum erfassten. Die Flüge wurden unter standardisierten Licht- und phänologischen Bedingungen durchgeführt, um die Vergleichbarkeit zu gewährleisten. Die Bilder dienten zur Berechnung von Vegetationsindizes wie NDVI, NDRE und EVI mit einer räumlichen Auflösung von etwa 10–20 cm.
• Satellitendaten von Sentinel-2 (10–20 m) und Landsat-8 (30 m) wurden über die Plattformen Copernicus Open Access Hub und USGS Earth Explorer bezogen. Wolkenfreie Aufnahmen aus mehreren Jahren und phänologischen Phasen wurden ausgewählt, um Zeitreihenanalysen zur Vegetationserholung, Landnutzung und Waldflächenveränderung zu ermöglichen.

Die Auswahl der Flächen für UAV- und TLS-Kampagnen erfolgte stratifiziert nach Restaurierungsarten (z. B. passiv vs. aktiv), Bestandsalter und Managementmaßnahmen. Satellitenanalysen wurden über gesamte Demonstrationsgebiete unter Verwendung harmonisierter Flächenpuffer und Landschaftseinheiten durchgeführt. Die Datenerhebung beschränkte sich auf die Zeiträume zwischen Spätfrühling und Sommer, um saisonale Schwankungen zu minimieren und die Sichtbarkeit des Kronendachs zu maximieren.

2.5.3 Datenerhebung bis zur Datenberichterstattung

Bei der Verarbeitung verschiedener Arten von LiDAR-Daten zusammen mit multispektralen und Satellitenbildern zur Beurteilung der Kronendachhöhe und -struktur müssen Anwender mehrere Schlüsselfaktoren sorgfältig berücksichtigen, die die Genauigkeit der abgeleiteten Messwerte direkt beeinflussen. Die Art des LiDAR-Systems – luftgestützt, terrestrisch oder mobil – bestimmt die Punktdichte und vertikale Präzision, die für eine genaue Modellierung von Kronendachhöhe, Schichtung und vertikaler Komplexität entscheidend sind. Eine hohe Punktdichte und mehrere Rückgaben von luftgestütztem LiDAR ermöglichen beispielsweise eine detaillierte Charakterisierung der Kronendachspitze, der mittleren Stockwerke und der Bodenhöhe und damit präzise Berechnungen von Kronendachhöhenmodellen und Laubprofilen (Roussel et al. 2020). Die zeitliche Abstimmung zwischen LiDAR und optischen Bildern ist unerlässlich, da phänologische Veränderungen die Kronendachreflexion und die strukturelle Interpretation beeinflussen können. Multispektrale und Satellitenbilder liefern wertvolle spektrale Informationen über Vegetationsgesundheit, Artendifferenzierung und Blattflächenindex, die die strukturellen Erkenntnisse von LiDAR ergänzen. Diese Datensätze müssen jedoch geometrisch ausgerichtet und radiometrisch korrigiert werden, um eine zuverlässige Fusion zu gewährleisten. Koordinatensysteme, Datenauflösung und Sensorkalibrierung beeinflussen den Integrationsprozess und die räumliche Genauigkeit der Waldmetriken. Auch die Wahl der Vorverarbeitungstechniken, wie Bodenpunktfilterung und Kronendachoberflächeninterpolation, hat erhebliche Auswirkungen auf die Strukturmodellierung. Letztendlich ist ein kohärenter Verarbeitungsablauf notwendig, um Rohdaten in genaue, umsetzbare Kronendachhöhen- und Strukturmetriken zu übersetzen (Loke und Chisholm, 2022).