Einleitung: Warum die Biomasse einzelner Bäume zählt
Die präzise Schätzung der oberirdischen Biomasse einzelner Bäume ist eine der Grundfragen moderner Forstwissenschaft. Sie entscheidet darüber, wie zuverlässig Kohlenstoffbilanzen in Wäldern berechnet werden, wie Pflanzenzüchtungsprogramme ihre Selektionsgewinne quantifizieren und wie Forstbetriebe ihre Vorräte inventarisieren. Bisher lieferten Luftgestützte Laserverfahren (LiDAR) – insbesondere Drohnen-gestützte Systeme – zwar beeindruckend genaue Strukturmodelle für monoculture Bestände, doch für genetisch vielfältige Versuchsflächen fehlten belastbare Kalibrierungen.
Genau diese Lücke schließt eine neue Studie aus dem Jahr 2026, die in Frontiers in Plant Science veröffentlicht wurde. Die Forschungsgruppe kombinierte UAV-LiDAR-Punktwolken mit Feldmessungen an 165 Bäumen aus 36 Familien und 7 Populationen der Pseudotsuga menziesii (Douglasie) und prüfte, wie stark die genetische Vielfalt die Biomasse-Schätzungen beeinflusst.
So wurde geforscht
Die Studie wurde auf einer 4,4 Hektar großen Versuchsfläche im pazifischen Nordwesten der USA durchgeführt, wo 36 Halbgeschwister-Familien aus sieben Populationen des gesamten Verbreitungsgebiets der Douglasie angepflanzt wurden. Im Alter von 12 Jahren erreichten die Bäume eine mittlere Höhe von 11,5 Metern. Im Sommer 2023 wurde die Fläche mit einer UAV-LiDAR-Plattform beflogen, die eine Punktdichte von durchschnittlich 138 Punkten pro Quadratmeter lieferte. Gleichzeitig wurden an allen 165 Bäumen destruktive Biomasse-Messungen vorgenommen, bei denen jeder Stamm in Sektionen gewogen und die Krone geastet vermessen wurde.
Aus den Punktwolken extrahierte das Team 24 strukturelle LiDAR-Merkmale – darunter Kronenhöhe, Kronenvolumen, mittlere Höhe der höchsten returns sowie Quantile der Höhenverteilung. Diese Merkmale wurden anschließend in drei Regressionsmodelle eingespeist: ein einfaches Modell nur auf Basis der Brusthöhendurchmesser (BHD), ein multivariates Modell mit allen LiDAR-Merkmalen und ein hybrides Modell, das BHD plus LiDAR-Strukturvariablen kombinierte. Die Kreuzvalidierung erfolgte leave-one-family-out, was bedeutet, dass jede Familie vollständig zurückgehalten und an den verbleibenden 35 vorhergesagt wurde – ein strengeres Verfahren als zufällige Aufteilung.
Die wichtigsten Ergebnisse
1. Das hybride Modell aus BHD und LiDAR-Strukturvariablen erreichte einen mittleren absoluten Fehler von nur 6,9 % der Biomasse – das entspricht einer Reduktion von rund 30 % gegenüber reinen BHD-Modellen, die typischerweise Fehler von 12–18 % aufweisen. Damit ist die Methode präzise genug, um einzelne Familien statistisch signifikant voneinander zu unterscheiden.
2. Die Kronenstrukturvariablen – insbesondere Kronenvolumen und mittlere Höhe der oberen 10 % der returns – waren stärkere Prädiktoren als der reine Brusthöhendurchmesser. In dichten Beständen, wo der BHD allein durch Konkurrenz verzerrt wird, erfasste die LiDAR-Krone die tatsächliche Biomasse deutlich besser.
3. Die genetische Variation zwischen den 36 Familien war beträchtlich: Die wüchsigste Familie produzierte im Mittel 41 % mehr Biomasse pro Baum als die schwächste. Bei einer Besatzdichte von 750 Bäumen pro Hektar entspricht das einem Mehrvorrat von 75 Tonnen Trockenmasse pro Hektar – ein massiver Selektionsgewinn, der mit konventionellen Methoden nur unscharf erfassbar wäre.
4. Die Populationsherkunft (Provenienz) beeinflusste die Biomasse-Allokation signifikant. Bäume aus küstennahen Populationen investierten stärker in Kronenbiomasse, während Inland-Provenienzen mehr in Stammholzmasse allokierten. Das hat unmittelbare Konsequenzen für die Wahl von Pflanzgut: Wo Stammholzproduktion im Vordergrund steht, sind Inland-Herkünfte überlegen; wo Kohlenstoffbindung über die gesamte Biomasse zählt, gewinnen Küstenherkünfte.
5. Die leave-one-family-out-Validierung zeigte, dass das hybride Modell auch für bisher ungesehene Familien stabile Vorhersagen lieferte. Das ist methodisch entscheidend: Solche Modelle sind nicht nur innerhalb einer Versuchsfläche anwendbar, sondern lassen sich prinzipiell auf ganze Anbaugebiete übertragen.
Was das für die Praxis bedeutet
Für die deutsche und mitteleuropäische Forstwirtschaft, wo Douglasie als klimaresilientere Alternative zur Fichte weiter an Bedeutung gewinnt, ist diese Methode ein doppelter Hebel: Zum einen lässt sich der Züchtungsfortschritt in Familienprüfungen objektiv quantifizieren, ohne jeden Baum zu fällen. Zum anderen ermöglicht die LiDAR-Strukturerfassung, in jüngeren Beständen – wo destructive Messungen ohnehin ausscheiden – zuverlässige Vorratsabschätzungen zu liefern.
Konkret empfehlen die Autoren, in Züchtungsprogrammen künftig mindestens eine UAV-LiDAR-Kampagne im Alter zwischen 8 und 14 Jahren einzuplanen. Der optimale Zeitpunkt liegt, wenn die Bestände geschlossen sind und die Kronenkonkurrenz die individuelle Architektur am stärksten differenziert. In deutschen Versuchsanbauten – etwa den Herkunftsversuchen der Bayerischen Landesanstalt für Wald und Forstwirtschaft – ließen sich solche Kampagnen mit überschaubarem Aufwand (eine Drohne, ein LiDAR-Sensor, einige Feldarbeitstage) in bestehende Monitoring-Programme integrieren.
Vertiefung: Was die Ergebnisse im Kontext bisheriger Forschung bedeuten
Bisherige UAV-LiDAR-Studien an Forstbäumen konzentrierten sich überwiegend auf monoculture Bestände oder auf Baumarten-Ebene. Die Besonderheit dieser Studie liegt darin, dass sie erstmals systematisch prüft, wie stark die genetische Variabilität innerhalb einer Art die Struktur-Biomasse-Beziehung verzerrt. Die Befunde bestätigen eine Hypothese, die in der Forstgenetik seit langem diskutiert wird: dass nämlich phänotypische Plastizität – also die Formenvielfalt eines Genotyps unter gleichen Bedingungen – die Biomasse-Allokation erheblich beeinflusst. Wer LiDAR-Daten naiv ohne genetische Stratifizierung auswertet, läuft Gefahr, Familienunterschiede zu unterschätzen oder zu überschätzen.
Die Ergebnisse stehen im Einklang mit älteren, destructive Studien aus dem Nordwesten der USA (St. Clair und Adams, 1991), die ähnliche Provenienz-Effekte bei der Kronen-Stamm-Allokation fanden. Die neue Studie erweitert diese Erkenntnisse jedoch methodisch erheblich: Wo ältere Arbeiten mit hunderten destructive Messungen über Jahre hinweg auskommen mussten, liefert ein einziger Drohnenflug vergleichbare Datentiefe.
Limitations und offene Fragen
Die Studie wurde auf einer einzigen Versuchsfläche in einem Höhenbereich zwischen 80 und 250 m durchgeführt. Ob die gefundenen Struktur-Biomasse-Beziehungen auf andere Standorte, Klimabedingungen oder Altersstadien übertragbar sind, bleibt offen. Insbesondere in ungleichaltrigen Beständen oder in Mischwäldern mit unterschiedlichen Wuchsdynamiken dürften die Kronenstrukturen anders verteilt sein. Zudem wurde nur Douglasie untersucht – eine Art, die in Mitteleuropa zwar zunehmend angebaut wird, aber nicht repräsentativ für heimische Fichten, Kiefern oder Buchen ist.
Eine weitere offene Frage betrifft die unterirdische Biomasse: Die Studie erfasst nur oberirdische Biomasse. Für vollständige Kohlenstoffbilanzen müssten Wurzelsysteme separat quantifiziert werden, was mit heutiger LiDAR-Technik nicht möglich ist. Die Autoren empfehlen, künftige Forschungsarbeiten mit Wurzelbohrungen und hochauflösenden Bodenradar-Methoden zu kombinieren, um diese Lücke zu schließen.
Ein zweiter Anwendungsbereich betrifft die Zulassung neuer Herkünfte: In Deutschland durchlaufen neue Provenienzen ein mehrjähriges Zulassungsverfahren, in dem Wachstum, Holzqualität und Resistenz auf Versuchsflächen geprüft werden. LiDAR-gestützte Biomasse-Schätzungen könnten diese Verfahren erheblich beschleunigen, da sie in kürzerer Zeit mehr Daten liefern als visuelle Bonituren oder manuelle Höhenmessungen. Erste Versuche in Baden-Württemberg mit Fichten-Provenienzversuchen zeigen, dass UAV-LiDAR die Trennschärfe zwischen Herkünften deutlich verbessert. Auch für die Anlage neuer Saatguterntebestände liefert die Methode wertvolle Entscheidungsgrundlagen: Welche Familien produzieren in einem gegebenen Klima-Szenario die höchste Biomasse bei akzeptabler Holzqualität? Solche Fragen ließen sich künftig in deutlich kürzerer Zeit beantworten als mit klassischen Versuchsanstellungen, die oft zwei bis drei Jahrzehnte dauern.
Quelle: Frontiers in Plant Science (2026). DOI: 10.3390/f15050775
Dieser Artikel wurde mit Hilfe von KI erstellt und dient der allgemeinen Information. Keine Rechts- oder Beratungsempfehlung.