Einleitung: Grundwasserstände in Mooren als Schlüsselindikator
Moore gehören zu den wichtigsten Ökosystemen für den Klimaschutz und die Biodiversität. Ihre Funktionsfähigkeit hängt maßgeblich vom Wasserstand ab, der die Zersetzung organischer Substanz, die Kohlenstoffspeicherung und die Vegetationszusammensetzung steuert. Eine präzise Überwachung der Wasserstände in Mooren ist daher essenziell, stellt aber eine erhebliche Herausforderung dar. Während punktuelle Messungen mit Grundwasserpegeln zeitaufwendig und räumlich begrenzt sind, bietet die Fernerkundung das Potenzial für flächendeckende Erfassungen. Eine aktuelle Studie von Christiani und Kollegen untersucht nun, wie sich die Genauigkeit solcher fernerkundungsbasierter Wasserstandsmodelle durch die Integration zusätzlicher Umweltvariablen verbessern lässt.
Forschungsansatz und Untersuchungsgebiete
Das Forschungsteam führte seine Untersuchungen an drei verschiedenen Moorstandorten in Finnland durch, die unterschiedliche Moortypen und geografische Lagen repräsentieren. Zwei der Untersuchungsgebiete befinden sich im nördlichen borealen Bereich und umfassen teilweise entwässerte Aapa-Moore, eine für die nordische Region typische Moorform mit charakteristischem Muster aus Strängen und Schlenken. Das dritte Untersuchungsgebiet liegt im südlichen borealen Bereich und besteht aus einem entwässerten Moorwald.
Die Wissenschaftler verfolgten einen zweigleisigen Ansatz: Für die nördlichen Aapa-Moore entwickelten sie räumliche Wasserstandsmodelle unter Verwendung von hochauflösenden Daten unbemannter Luftfahrzeuge (UAV). Für den südlichen Moorwald erstellten sie hingegen raum-zeitliche Modelle auf Basis von Satellitendaten, die sowohl räumliche als auch zeitliche Variationen der Wasserstände erfassen können. Diese methodische Differenzierung ermöglichte es, die Übertragbarkeit der Ergebnisse auf verschiedene Maßstabsebenen und Monitoringansätze zu testen.
Methodisches Vorgehen: Random Forest und Variablenauswahl
Als statistisches Verfahren nutzten die Forscher Random-Forest-Regression, ein maschinelles Lernverfahren, das sich besonders für komplexe, nichtlineare Zusammenhänge eignet. Die Modelle wurden mit zwei verschiedenen Datensätzen trainiert: Zum einen mit ausschließlich optischen Fernerkundungsdaten, zum anderen mit einer Kombination aus optischen Daten und zusätzlichen Umweltvariablen.
Die optischen Fernerkundungsdaten umfassten verschiedene Vegetationsindizes und spektrale Informationen, die aus den Luftbild- beziehungsweise Satellitenaufnahmen abgeleitet wurden. Die zusätzlichen Umweltvariablen stammten hauptsächlich aus LiDAR-Daten (Light Detection and Ranging), einer lasergestützten Fernerkundungstechnologie. Aus diesen LiDAR-Daten konnten die Wissenschaftler hochpräzise topografische Informationen wie Höhenunterschiede, Hangneigung und Oberflächenrauheit gewinnen. Darüber hinaus lieferten die LiDAR-Daten detaillierte Informationen über die Bestandsstruktur der Vegetation, einschließlich Baumhöhe, Kronendichte und vertikaler Vegetationsverteilung.
Zur Optimierung der Modelle setzten die Forscher systematische Variablenauswahlverfahren ein, um diejenigen Prädiktoren zu identifizieren, die den größten Beitrag zur Vorhersagegenauigkeit leisten. Dieser Ansatz verhindert eine Überanpassung der Modelle und verbessert deren Übertragbarkeit auf andere Gebiete.
Zentrale Ergebnisse: Deutliche Verbesserung der Modellgüte
Die Untersuchung erbrachte mehrere konkrete und statistisch signifikante Ergebnisse, die die Bedeutung von Umweltvariablen für die Wasserstandsmodellierung unterstreichen. Das wichtigste Resultat: Die Integration von Umweltvariablen verbesserte die Modellleistung deutlich, wobei der Bestimmtheitskoeffizient R² um 0,01 bis 0,19 im Vergleich zu Modellen stieg, die ausschließlich auf optischen Daten basierten. Diese Verbesserung mag auf den ersten Blick moderat erscheinen, ist jedoch im Kontext der ohnehin schon guten Baseline-Modelle als substanziell zu bewerten.
Besonders bedeutsam war die Erkenntnis, dass topografische Variablen zu den wichtigsten Prädiktoren für die Wasserstandsverteilung gehörten. Dies entspricht der hydrologischen Realität in Mooren, wo Wasserbewegungen stark durch die Mikrorelief-Struktur gesteuert werden. Selbst geringe Höhenunterschiede von wenigen Zentimetern können in Mooren zu erheblichen Unterschieden in den Wasserständen führen.
Ebenso erwiesen sich Variablen zur Bestandsstruktur als relevante Prädiktoren, was auf die Rolle der Vegetation für den Wasserhaushalt hinweist. Bäume beeinflussen durch Transpiration und Interzeption den lokalen Wasserhaushalt erheblich. Die LiDAR-basierten Strukturinformationen ermöglichten es, diese Effekte in den Modellen zu berücksichtigen.
Ein weiteres wichtiges Ergebnis betraf die Übertragbarkeit des Ansatzes auf verschiedene Moortypen und geografische Lagen. Sowohl in den nördlichen Aapa-Mooren als auch im südlichen Moorwald zeigten sich konsistente Verbesserungen durch die Integration von Umweltvariablen. Dies deutet darauf hin, dass die Methodik auch über die spezifischen Untersuchungsgebiete hinaus anwendbar ist.
Darüber hinaus demonstrierte die Studie, dass der Ansatz auf verschiedenen Maßstabsebenen funktioniert: von hochauflösenden UAV-Daten für detaillierte räumliche Analysen bis hin zu gröberen Satellitendaten für großflächige, zeitliche Überwachungssysteme. Diese Skalierbarkeit ist für praktische Anwendungen von großer Bedeutung.
Mechanismen: Warum verbessern Umweltvariablen die Modelle?
Die Verbesserung der Modellgüte durch Umweltvariablen lässt sich durch mehrere hydrologische und ökologische Mechanismen erklären. Topografische Informationen erfassen die physikalischen Rahmenbedingungen für Wasserbewegungen im Moor. Sie ermöglichen es, Senken zu identifizieren, in denen sich Wasser sammelt, sowie erhöhte Bereiche, die tendenziell trockener sind. Diese strukturellen Informationen bleiben über die Zeit relativ konstant und ergänzen daher die zeitlich variablen optischen Signale optimal.
Die Vegetationsstruktur beeinflusst den Wasserhaushalt auf mehreren Ebenen: Durch die Kronendichte wird bestimmt, wie viel Niederschlag den Moorboden erreicht. Die Baumhöhe korreliert mit der Durchwurzelungstiefe und dem Wasserverbrauch. Die vertikale Vegetationsstruktur gibt Aufschluss über unterschiedliche Vegetationsschichten, die jeweils spezifische Wasserhaushaltseigenschaften aufweisen.
Optische Fernerkundungsdaten allein erfassen primär die Oberflächenfeuchte und die Vegetationsaktivität. Diese stehen zwar in Beziehung zum Wasserstand, werden aber auch von anderen Faktoren wie kurzfristigen Witterungsbedingungen, Vegetationsphänologie oder Beschattungseffekten beeinflusst. Die Integration struktureller Informationen reduziert diese Unsicherheiten und führt zu robusteren Vorhersagen.
Praktische Bedeutung für den Moorschutz in Europa
Die Ergebnisse dieser Studie haben erhebliche praktische Relevanz für den Moorschutz und die Moorrenaturierung in Deutschland und Europa. Die Europäische Union hat sich ehrgeizige Ziele für die Wiedervernässung entwässerter Moore gesetzt, um deren Klimaschutzfunktion wiederherzustellen und Treibhausgasemissionen zu reduzieren. Für die Planung, Umsetzung und Erfolgskontrolle solcher Maßnahmen ist ein präzises Monitoring der Wasserstände unerlässlich.
Die vorgestellte Methodik ermöglicht eine kosteneffiziente, flächendeckende Überwachung von Wasserständen in Mooren unterschiedlicher Größe und Ausprägung. Während traditionelle Pegelmessungen personalintensiv sind und nur punktuelle Informationen liefern, können fernerkundungsbasierte Ansätze die räumliche Heterogenität von Mooren erfassen. Dies ist besonders wichtig, da Wasserstände in Mooren kleinräumig stark variieren können.
Für Renaturierungsprojekte bietet die Methode die Möglichkeit, vor Maßnahmenbeginn die Ist-Situation detailliert zu erfassen und nach Umsetzung die hydrologischen Veränderungen zu dokumentieren. Die zeitliche Komponente der satellitengestützten Modelle ermöglicht zudem die Überwachung saisonaler Dynamiken und langfristiger Trends, was für das adaptive Management von Moorgebieten essenziell ist.
Besonders relevant ist die Übertragbarkeit des Ansatzes auf verschiedene Moortypen. Deutschland und Europa weisen eine große Vielfalt an Moorlandschaften auf, von den Hochmooren der Mittelgebirge über die Niedermoore Norddeutschlands bis zu den skandinavischen Aapa-Mooren. Die Studie zeigt, dass die Methodik prinzipiell für diese Vielfalt geeignet ist, was ihre breite Anwendbarkeit unterstreicht.
Schlussfolgerungen und Ausblick
Die Studie von Christiani und Kollegen liefert überzeugende Evidenz dafür, dass die Integration von Umweltvariablen – insbesondere topografischer und vegetationsstruktureller Informationen aus LiDAR-Daten – die fernerkundungsbasierte Wasserstandsmodellierung in Mooren substanziell verbessert. Die konsistenten Verbesserungen über verschiedene Moortypen, geografische Lagen und Maßstabsebenen hinweg unterstreichen die Robustheit und Übertragbarkeit des Ansatzes.
Für die Praxis des Moorschutzes bedeutet dies, dass bei der Planung von Monitoringprogrammen nicht nur auf optische Fernerkundungsdaten, sondern auch auf verfügbare LiDAR-Daten zurückgegriffen werden sollte. In Deutschland stehen inzwischen für viele Regionen hochauflösende LiDAR-Befliegungen zur Verfügung, sodass die methodischen Voraussetzungen für eine breite Anwendung gegeben sind.
Zukünftige Forschung könnte die Methodik auf weitere Moortypen ausweiten, die Übertragbarkeit auf andere geografische Regionen testen und die zeitliche Auflösung der Modelle verbessern. Zudem wäre die Kopplung mit hydrologischen Prozessmodellen vielversprechend, um nicht nur den aktuellen Zustand zu erfassen, sondern auch Vorhersagen über die Auswirkungen unterschiedlicher Managementszenarien zu ermöglichen.
Quelle: Christiani P, Räsänen A, Kuzmin A, Ojanen P, Minkkinen K et al. (2026): Environmental variables improve remote sensing-based water table monitoring in peatlands. The Science of the total environment. DOI: 10.1016/j.scitotenv.2026.182017
Dieser Artikel wurde mit Hilfe von KI erstellt und dient der allgemeinen Information. Keine Rechts- oder Beratungsempfehlung.