Einleitung: Warum genaue Kohlenstoffbilanzen schwer zu erstellen sind
Wälder sind der größte terrestrische Kohlenstoffspeicher und binden jährlich rund ein Viertel der anthropogenen Kohlendioxidemissionen aus der Atmosphäre. Diese Größenordnung präzise zu beziffern, gilt als eine der größten Herausforderungen der Umweltwissenschaften. Satellitengestützte Methoden liefern flächendeckende Daten, können aber die Konzentration des CO₂ in der bodennahen Luftschicht nur grob abschätzen. Bodengestützte Messstationen sind genau, bilden aber immer nur einen winzigen Ausschnitt der Landschaft ab. Prozessmodelle wie der Boreal Ecosystem Productivity Simulator (BEPS) berechnen die Photosynthese und Atmung der Vegetation physikalisch, benötigen aber realistische Eingangsdaten, um lokal zuverlässige Ergebnisse zu erzielen. Eine neue Studie aus dem Kunyu-Gebirge in der chinesischen Provinz Shandong zeigt nun, wie sich diese drei Säulen – Satellitendaten, mobile Bodenmessungen und Ökologische Prozessmodellierung – über maschinelles Lernen zu einem integrierten Kohlenstoffmonitoring zusammenfügen lassen.
So wurde geforscht
Das chinesisch-internationale Forschungsteam kombinierte vier Datenebenen: Atmosphärische CO₂-Messungen aus bodennahen, mobilen Messfahrten, Fernerkundungsdaten verschiedener Satelliten, Messwerte lokaler Wetterstationen sowie den ökologischen Prozessmodellansatz BEPS. Über Gradient Boosted Regression Trees (GBRT) wurde ein maschinelles Lernmodell darauf trainiert, die räumliche Verteilung der Hintergrund-CO₂-Konzentration in der Atmosphäre flächendeckend zu rekonstruieren. Diese Vorab-Schätzung ging anschließend als Ergänzung in das BEPS-Modell ein, sodass die Simulation realistischere Startwerte für die Vegetationsproduktivität erhielt. Aus dem so verbesserten Modell berechneten die Autorinnen und Autoren die jährliche Netto-Ökosystemproduktivität (NEP) – also die Differenz zwischen der durch Photosynthese gebundenen und der durch Atmung freigesetzten Kohlenstoffmenge.
Die wichtigsten Ergebnisse
1. Das integrierte Verfahren ist deutlich genauer als Einzelmethoden. Vor der Einbindung des maschinellen Lernens lag die Korrelation zwischen simulierten und gemessenen CO₂-Werten bei r = 0,571. Nach der Integration stieg dieser Wert auf r = 0,802, was die Vorhersagekraft des Modells erheblich verbessert. Die zusätzlichen Eingangsdaten ermöglichten es, lokaltypische Effekte wie Tal- und Luv-Lagen differenzierter abzubilden, die bei reinen Satellitenprodukten verloren gehen. Auch der mittlere quadratische Fehler der Simulation sank deutlich, was sich unmittelbar in der Belastbarkeit der berechneten Kohlenstoffbilanzen niederschlägt.
2. Der Waldbestand des Kunyu-Gebirges bindet seit Anfang der 2000er-Jahre signifikant mehr Kohlenstoff. Die jährliche Kohlenstoffbindung stieg bis 2024 um mehr als 40 Prozent gegenüber dem Ausgangswert des Jahres 2001. Dieser Anstieg verlief nicht gleichmäßig, sondern beschleunigte sich besonders deutlich nach 2016 – ein Zeitpunkt, der mit dem Beginn des 13. Fünfjahresplans der chinesischen Regierung zusammenfällt, der umfangreiche Aufforstungs- und Schutzprogramme vorsah. Diese Korrelation zwischen politischer Intervention und messbarer Kohlenstoffbilanz wird durch die räumliche Auflösung des Modells gestützt: Die beobachtete Beschleunigung konzentriert sich auf Bereiche, in denen zeitgleich intensivere Schutzmaßnahmen umgesetzt wurden.
3. Auch die Vegetationsperiode hat sich verlängert und intensiviert. Die saisonalen Analysen zeigen, dass die Phase der Kohlenstoffaufnahme nicht nur früher im Jahr beginnt und später endet, sondern dass auch die Aufnahmerate pro Tag gestiegen ist. Dies deutet auf eine Kombination aus Klimawandel und aktiver Bewirtschaftung hin: mildere Frühlingstemperaturen verlängern die Wachstumsphase, während Düngung und Pflanzung schneller wachsender Baumarten die Photosyntheseleistung erhöhen.
4. Politische Maßnahmen zeigen messbare Wirkung. Eine Attribuierungsanalyse ergab, dass die rein durch ökologische Schutzprogramme verursachte zusätzliche Kohlenstoffbindung etwa 5 bis 7 Prozent der Gesamtbindung ausmacht, was umgerechnet rund 30 bis 50 Gramm Kohlenstoff pro Quadratmeter und Jahr entspricht. Dieser Anteil ist zwar moderat, aber klar quantifizierbar – ein Beleg dafür, dass forstpolitische Maßnahmen tatsächlich messbare CO₂-Effekte haben.
5. Das integrative Verfahren ist übertragbar. Die Autorinnen und Autoren argumentieren, dass der beschriebene Ansatz auf andere Gebirgsregionen und Wälder übertragen werden kann, sofern ähnliche Datenquellen verfügbar sind. Insbesondere in Europa, wo das Europäische Waldbrandinformationssystem und das Integrated Carbon Observation System (ICOS) ähnliche Messdaten erheben, wäre eine Anwendung des Konzepts denkbar. Voraussetzung ist allerdings, dass ausreichend dichte CO₂-Bodenmessungen vorliegen, mit denen das maschinelle Lernmodell trainiert werden kann – eine Voraussetzung, die in Mitteleuropa an mehreren Standorten bereits erfüllt ist.
Was das für die Praxis bedeutet
Die Studie liefert gleich mehrere praktisch verwertbare Hinweise. Erstens lässt sich zeigen, dass kombinierte Monitoringansätze zuverlässigere Kohlenstoffinventuren liefern als Einzelmethoden – ein Argument, das auch in der EU-Verordnung zur Landnutzung, Landnutzungsänderungen und Forstwirtschaft (LULUCF) eine Rolle spielen sollte, in der die Mitgliedstaaten verpflichtet sind, ihre Kohlenstoffbilanzen genau auszuweisen. Zweitens belegt die Arbeit am Kunyu-Gebirge erneut, dass gezielte politische Maßnahmen – Schutzgebietsausweisung, Wiederaufforstung, Förderung standortgerechter Baumarten – innerhalb weniger Jahre messbare Wirkungen entfalten können. Für deutsche Forstbetriebe bedeutet das: Investitionen in die Bestandesstruktur, in die Förderung der Baumartenvielfalt und in eine längere Umtriebszeit zahlen sich klimapolitisch aus.
Was das für die Praxis bedeutet — Vertiefung
Auf der Ebene der Forsteinrichtung und der kommunalen sowie bundesweiten Klimabilanzierung wäre eine stärkere Integration von Fernerkundung und Prozessmodellierung ein deutlicher Fortschritt. Die deutsche Bundeswaldinventur liefert zwar wertvolle Strukturdaten, liefert aber bislang keine kontinuierlichen NEP-Schätzungen für alle Wälder. Eine modellbasierte Ergänzung, ähnlich dem hier vorgestellten GBRT-BEPS-Ansatz, könnte jährlich aktualisierte Kohlenstoffberichte für Landes- und Bundesforsten ermöglichen und damit sowohl die Klimaberichterstattung als auch die waldbauliche Beratung verbessern. Insbesondere für den Aufbau nationaler Kohlenstoffzertifizierungssysteme, die derzeit in mehreren EU-Ländern diskutiert werden, sind solche integrierten Methoden eine wichtige Voraussetzung, um die Erfassungslücke zwischen aufwendigen Einzelmessungen und großflächig unscharfen Satellitenprodukten zu schließen.
Limitations & offene Fragen
Die Studie wurde an einem einzelnen, vergleichsweise kleinen Bergwaldgebiet validiert. Eine Übertragung auf große Flächen oder andere Klimazonen setzt voraus, dass die trainierten Modelle mit lokalen Daten nachtrainiert werden – das maschinelle Lernen liefert keine universell einsetzbaren Algorithmen. Auch bleiben Fragen zur Genauigkeit in Mischwäldern, in denen verschiedene Baumarten sehr unterschiedliche Photosyntheseleistungen erbringen. Schließlich basiert die Attribuierungsanalyse auf Korrelationen und Annahmen darüber, welche Effekte auf welche Politikmaßnahmen zurückgehen; eine kontrollierte experimentelle Trennung der Wirkfaktoren war nicht möglich.
Die Ergebnisse stehen im Einklang mit früheren Studien, die ebenfalls eine Beschleunigung der Waldsenken in Süd- und Ostasien während der vergangenen zwei Jahrzehnzeiten dokumentiert haben. Neu ist vor allem die methodische Verbindung aus Prozessmodell, maschinellem Lernen und flächendeckenden Messungen, die sowohl die räumliche als auch die zeitliche Auflösung gegenüber reinen Fernerkundungsprodukten deutlich verbessert. Vergleichbare integrierte Ansätze aus anderen Regionen, etwa aus dem brasilianischen Amazonas oder den borealen Wäldern Kanadas, würden helfen, die Übertragbarkeit des Verfahrens zu prüfen und die globale Datenbasis für Forst-Kohlenstoffbilanzen zu verbessern. Auch eine Validierung über mehrere Jahrzehnte wäre erforderlich, um zu zeigen, dass das Modell nicht nur in Phasen mit hoher Photosyntheseleistung, sondern auch in Dürrejahren zuverlässige Werte liefert.
Dieser Artikel wurde mit Hilfe von KI erstellt und dient der allgemeinen Information.