Einleitung: Warum die Validierung von Höhen-Durchmesser-Modellen wichtig ist
Höhen-Durchmesser-Beziehungen (H-D-Modelle) gehören zu den am häufigsten verwendeten allometrischen Werkzeugen in der Forstwirtschaft. Sie erlauben die Schätzung der Baumhöhe auf Basis des Durchmessers auf Brusthöhe (BHD) und sind damit unverzichtbar für die Bestandesvolumen-Schätzung, Biomasseberechnungen und Kohlenstoffinventuren. Ohne zuverlässige H-D-Modelle sind weder die bundesweite Forstinventur noch die nationalen Kohlenstoffberichte valide. Doch so zentral diese Modelle sind, so unterschiedlich werden sie in der Praxis validiert — oft ohne klares Konzept, welche Validierungsstrategie für welche Datengrundlage geeignet ist. Die Autoren konstatieren: „Validation approaches are often applied inconsistently across forestry studies“ — mit der Folge, dass identische Modelle je nach Validierungsansatz völlig unterschiedliche Performance-Werte liefern können.
Eine Forschungsgruppe um Santosh Ayer von der University of Alberta (Kanada) hat sich dieser methodischen Lücke angenommen. Ihr Ziel: einen praktischen, reproduzierbaren Workflow bereitzustellen, der für jede Datenlage und jedes Modellierungsziel die passende Validierungsstrategie ausweist. Die Studie wurde im open-access Journal MethodsX publiziert und ist damit frei zugänglich.
So wurde geforscht
Die Forscher nutzten öffentlich zugängliche Forstinventurdaten aus Nepal, darunter ein landesweites Multi-Spezies-Datensatz sowie zwei unabhängige Datensätze der in Nepal wirtschaftlich wichtigen Baumart Shorea robusta (Sal) aus dem westlichen und fernwestlichen Nepal. Die Daten umfassten mehrere hundert Einzelbäume pro Datensatz, gemessen an unterschiedlichen Standorten mit variierenden Höhenlagen und Bestandesstrukturen.
Getestet wurden fünf Validierungsansätze systematisch verglichen: Leave-One-Out Cross-Validation (LOOCV), K-fache Kreuzvalidierung (K-fold CV mit K=5 und K=10), Leave-One-District-Out (LODO), Leave-One-Species-Out (LOSO) sowie eine unabhängige externe Validierung mit Daten, die nicht in die Modellkalibrierung eingegangen waren. Die Autoren verwendeten sowohl lineare als auch nichtlineare H-D-Modelle (Potenzfunktion, Logistisches Modell) und verglichen die Performance-Metriken RMSE (Root Mean Square Error), R² und MAE (Mean Absolute Error) über alle Strategien hinweg.
Die wichtigsten Ergebnisse
Das zentrale Ergebnis der Studie ist ebenso einfach wie bedeutsam: Die Wahl der Validierungsstrategie hat einen messbaren und teils dramatischen Einfluss auf die geschätzte Modellgüte. Ein und dasselbe H-D-Modell konnte je nach Validierungsansatz R²-Werte zwischen 0,72 (interne Kreuzvalidierung) und 0,54 (externer Validierung) aufweisen — eine Differenz von 18 Prozentpunkten, die allein auf die Wahl der Teststrategie zurückzuführen war. Die Autoren berichten von RMSE-Differenzen bis zu 1,2 Metern zwischen den Strategien bei einem durchschnittlichen Baumhöhenbereich von 8 bis 25 Metern.
Gruppierten Validierungsansätze (LODO, LOSO) erwiesen sich als deutlich strenger als einfache interne Kreuzvalidierung. Sie simulieren die reale Vorhersagesituation, in der ein Modell auf neue, räumlich oder taxonomisch unterschiedliche Daten angewendet wird. In der LODO-Variante etwa, bei der ein ganzer Distrikt (Verwaltungsregion) ausgelassen wurde, sank das R² von 0,71 auf 0,61 — ein deutlicher Hinweis auf räumliche Überanpassung. Noch stärker zeigte sich der Effekt bei LOSO: Wenn eine Baumart ausgelassen wurde, die im Trainingsdatensatz dominierte, fielen die Vorhersagen für diese Art in der externen Validierung um bis zu 34% schlechter aus als in der internen Validierung.
Die externe Validierung mit vollständig unabhängigen Datensätzen lieferte die konservativsten Schätzungen. Die Autoren identifizierten einen sogenannten „validation gap“ — die Diskrepanz zwischen intern validierter und extern validierter Modellgüte — als einen der Hauptgründe für überschätzte Biomasse- und Kohlenstoffschätzungen in der forstlichen Literatur. Dieser Befund ist direkt relevant für die Genauigkeit nationaler Kohlenstoffinventuren, wie sie im Rahmen der UNFCCC-Berichterstattung erforderlich sind.
Die Studie bietet darüber hinaus einen Entscheidungsbaum, der für jede Datenverfügbarkeit und jedes Modellierungsziel die geeignete Validierungsstrategie konkret benennt. Wer beispielsweise nur einen einzigen Datensatz hat, sollte LODO oder LOSO verwenden; wer mehrere unabhängige Datensätze besitzt, sollte zwingend eine externe Validierung durchführen. Die Autoren betonen, dass jede Validierungsstrategie in einem technischen Methodenkapitel exakt beschrieben und begründet werden sollte.
Was das für die Praxis bedeutet
Für Forstwirte, Waldbewirtschafter und Inventurspezialisten, die H-D-Modelle für Bestandesvolumen-Schätzungen oder Biomasse-Berechnungen nutzen, ergeben sich klare Konsequenzen. Erstens: Die bloße Angabe eines R²-Wertes aus einer internen Kreuzvalidierung reicht nicht aus, um die Zuverlässigkeit eines Modells zu beurteilen. Zweitens: Wer ein Modell auf neuer Fläche oder in neuer Region einsetzen will, sollte zwingend eine gruppierte oder externe Validierung durchführen. Drittens: Bei der Nutzung von Modellen aus der Literatur — etwa für nationale Kohlenstoffberichte — sollte die Validierungsmethode geprüft und im Zweifel eine eigene Validierung mit lokalen Daten angeschlossen werden.
Der entwickelte Workflow ist als Open-Source-Lösung verfügbar und kann auf beliebige Datensätze und Baumarten angewendet werden. Die Autoren ermutigen Forstwissenschaftler, ihre Modelle künftig mit mindestens zwei unabhängigen Validierungsstrategien zu berichten — idealerweise sowohl mit gruppierter als auch mit externer Validierung. Für Waldeigentümer und Forstbetriebe bedeutet das: Bei der Beauftragung von Inventuren oder Biomasse-Schätzungen sollte die Validierungsmethode als Qualitätskriterium abgefragt werden.
Limitations & offene Fragen
Die Studie beschränkt sich auf Daten aus Nepal und auf die Baumart Shorea robusta in den externen Validierungsdatensätzen. Die Übertragbarkeit auf europäische Baumarten und Wälder wurde nicht explizit getestet. Zudem wurden nur parametrische H-D-Modelle (lineare und nichtlineare Regression) betrachtet — Machine-Learning-basierte Ansätze wie Random Forest oder neuronale Netze könnten andere Validierungsstrategien erfordern und möglicherweise robuster gegenüber Verteilungsverschiebungen sein. Als nächsten Forschungsschritt schlagen die Autoren eine Anwendung des Workflows auf tropische und temperate Wälder außerhalb Nepals vor.
Quelle: Ayer, S. et al. (2026): A practical workflow for applying validation strategies in tree height-diameter modelling. MethodsX. DOI: https://doi.org/10.1016/j.mex.2026.103982
Dieser Artikel wurde mit Hilfe von KI erstellt und dient der allgemeinen Information. Keine Rechts- oder Beratungsempfehlung.