Einleitung: Warum die Fernerkundung von Trockenstress so schwer ist
Wälder weltweit leiden unter zunehmender Trockenheit, und die Fähigkeit, Wassermangel in Baumkronen frühzeitig zu erkennen, ist eine der zentralen Herausforderungen der Forstwissenschaft. Spektroskopische Verfahren – von Satelliten bis zu hyperspektralen Drohnen – versprechen hier Durchblick, weil sie die spektrale Signatur von Blättern und Kronen aus der Distanz erfassen. Doch die Interpretation dieser Signaturen ist alles andere als trivial: Welcher Teil des Spektrums reagiert auf Wassermangel im Blatt selbst, und welcher spiegelt nur die geometrische Veränderung der Krone wider, die bei Wassermangel schrumpft, aufrichtet oder sich entblättert?
Eine neue Studie aus dem Jahr 2026 in New Phytologist geht diese Frage systematisch an. Die Forschungsgruppe kombinierte hyperspektrale Kronenmessungen mit detaillierten Strukturaufnahmen und Blattanalysen, um zu klären, ob die spektrale Antwort auf Trockenstress eher durch Blattaustrocknung oder durch Veränderungen der Kronenarchitektur getrieben wird.
So wurde geforscht
Die Studie wurde an jungen Schwarzkiefern (Pinus nigra) durchgeführt, die in Containern unter kontrollierten Bedingungen wuchsen. Die Bäume wurden einem schrittweisen Trockenstress ausgesetzt – von gut bewässert über moderaten Wasserentzug bis hin zu starkem Wassermangel kurz vor dem Welkepunkt. Während der gesamten Behandlung wurde die spektrale Reflektanz der Kronen im Bereich 400 bis 2400 nm mit einem Feldspektrometer gemessen, kombiniert mit kontinuierlichen Aufnahmen der Kronenstruktur (LiDAR-Scans), des Blattwasserpotenzials und des Xylemdrucks.
Um den Beitrag der Blattphysiologie von dem der Kronenstruktur zu trennen, modellierten die Autorinnen und Autoren zwei Komponenten getrennt: das „Equivalent Water Thickness“ (EWT), ein aus dem Spektrum abgeleitetes Maß für den Wassergehalt im Blatt, sowie die Veränderung der Kronenhöhenverteilung. In einem statistischen Modell wurde geprüft, welcher dieser beiden Faktoren den spektralen Trockenstress-Index am stärksten erklärt. Ergänzend wurden δ¹⁸O-Stabilisotopenmessungen an den Blättern durchgeführt, die als unabhängiger Marker für die tatsächliche Wassernutzung dienten.
Die wichtigsten Ergebnisse
1. Bei moderatem Trockenstress – dem für Forstwirte interessantesten Frühwarnbereich – wurde die spektrale Signatur der Kronen überwiegend durch Veränderungen der Kronenstruktur bestimmt, nicht durch den Blattwassergehalt. Die Bäume richteten ihre Nadeln auf und reduzierten die projizierte Kronenfläche, lange bevor das Blatt selbst sichtbar welkte. Das bedeutet: Spektrale Trockenstress-Indizes reflektieren in diesem Bereich primär Architekturveränderungen, nicht Wasserverlust.
2. Erst bei starkem Trockenstress – wenn das Wasserpotenzial unter -2 MPa sank – begann das EWT im Blatt signifikant zu sinken, und erst dann dominierte die Blattphysiologie die spektrale Antwort. Dieser Übergang ist nicht graduell, sondern tritt bei Schwarzkiefer relativ plötzlich zwischen -1,5 und -2,0 MPa auf.
3. Die Studie identifizierte zwei spektrale Regionen, die unterschiedlich empfindlich reagieren: Der kurzwelligen Infrarotbereich um 1450 nm reagierte fast ausschließlich auf Blattwassergehalt, während der nahinfrarote Bereich um 850–1300 nm sowohl Struktur- als auch Blatteffekte mischte. Reine EWT-Indizes aus dem SWIR-Bereich sind also die zuverlässigsten Marker für tatsächlichen Wasserverlust im Blatt.
4. Die δ¹⁸O-Isotopenmessungen bestätigten, dass die strukturellen Kronenveränderungen tatsächlich eine echte physiologische Reaktion auf Wassermangel darstellen – nicht nur ein passives Schrumpfen. Die Bäume schließen aktiv die Spaltöffnungen und reduzieren damit die Transpiration, was die Architekturveränderung antreibt. Das bedeutet: Schon die frühe spektrale Reaktion liefert biologisch valide Informationen über Trockenstress.
5. Die Autoren zeigten, dass einfache Strukturmodelle (LiDAR-Höhenverteilung) den spektralen Trockenstress-Index in einem Container-Versuch mit Schwarzkiefer zu etwa 62 % erklären. In realen Waldbeständen mit Mischarten dürfte dieser Anteil niedriger sein – die Studie macht aber deutlich, dass Strukturinformationen in keinem Trockenstress-Monitoring fehlen sollten.
Was das für die Praxis bedeutet
Für die Forstpraxis in Mitteleuropa ist die wichtigste Botschaft: Hyperspektrale Drohnenflüge zur Trockenstress-Erkennung liefern nur dann belastbare Ergebnisse, wenn sie die Kronenstruktur mit erfassen. Reine Multispektral-Indices wie NDVI oder einfache SWIR-Bänder unterschätzen Trockenstress, weil sie die strukturelle Komponente nicht von der physiologischen trennen. Wer auf Satellitendaten (z.B. Sentinel-2 mit seinem 20-m-Raster) zurückgreift, läuft Gefahr, bei mittlerem Stress systematisch zu niedrige Werte zu erhalten.
Praktisch empfiehlt sich die Kombination aus drei Datenquellen: hyperspektrale Kronenmessung (z.B. mit Cubert- oder Headwall-Sensoren auf UAVs), begleitende LiDAR-Strukturerfassung zur Trennung der Komponenten, und punktuelle δ¹⁸O-Stabilisotopenbeprobung als Validierung. Für Betriebe ohne Hyperspektral-Ausrüstung bleibt der klassische visuelle Kronencheck (Aufwärtskrümmung der Nadeln, frühe Nadelvergilbung) ein zuverlässiger Frühindikator – er entspricht genau dem, was die Studie als strukturelle Phase identifiziert hat.
Vertiefung: Einordnung in den Forschungsstand
Die Ergebnisse stehen im Einklang mit früheren Arbeiten, die zeigten, dass spektrale Indizes bei Trockenstress häufig Struktur und Physiologie vermischen (Kleman und Fensholt, 1983; Ceccato et al., 2001). Die methodische Neuheit dieser Studie liegt in der rigorosen Trennung beider Komponenten durch gleichzeitige Messung aller relevanten Variablen – ein Setup, das in dieser Vollständigkeit bisher selten war. Vergleichbare Studien an Laubbäumen (z.B. Eiche in mediterranen Trockengebieten) zeigen ähnliche Muster, wobei die strukturelle Phase bei Laubbäumen noch früher und stärker ausgeprägt ist als bei Schwarzkiefer, da Blattfall und Blattorientierungsänderungen schneller erfolgen.
Eine wichtige Einschränkung: Die Studie wurde an Jungpflanzen unter Container-Bedingungen durchgeführt. In realen Beständen mit Wurzelkonkurrenz, Schatteneffekten und Mehrschichtigkeit sind die Strukturveränderungen komplexer. Die Autoren empfehlen explizit Folgestudien an adulten Beständen, um zu prüfen, ob die gefundenen Schwellenwerte übertragbar sind.
Limitations und offene Fragen
Die Ergebnisse gelten zunächst nur für die untersuchte Art Schwarzkiefer. Ob die identifizierten Schwellenwerte (-1,5 bis -2,0 MPa für den Übergang) auf andere Koniferen oder Laubbäume übertragbar sind, bleibt offen. Auch die Übertragung von Container-Bedingungen auf reale Waldbestände mit Wurzelkonkurrenz und Mikroklima-Effekten bedarf weiterer Validierung. Schließlich ist die spektrale Trennung von Struktur- und Blatteffekten technisch aufwendig und erfordert Ausrüstung, die in den meisten Forstbetrieben nicht verfügbar ist – hier bleiben operationell einsetzbare Indizes aus Satellitendaten vorerst die praktisch relevante Alternative, allerdings mit der bekannten Einschränkung, frühen Stress nur unvollständig zu erfassen.
Für die operationelle Fernerkundung in der Forstpraxis ergibt sich aus diesen Ergebnissen eine klare Handlungsempfehlung: Bei der Auswertung hyperspektraler Daten sollte der Fokus nicht nur auf klassischen Vegetationsindizes liegen, sondern explizit auf die spektrale Region 1400–1500 nm, in der die Blattwassersignatur am deutlichsten hervortritt. Kombiniert man diese Wellenlängen mit Strukturinformationen aus begleitenden LiDAR-Scans, lassen sich Trockenstress-Stadien deutlich präziser klassifizieren als mit den üblichen NDVI- oder EVI-basierten Ansätzen. Für die kommenden Sentinel-2-Missionen mit zusätzlichen SWIR-Bändern bietet dies eine realistische Perspektive, operationell einsetzbare Trockenstresskarten zu liefern – vorausgesetzt, die atmosphärische Korrektur in diesen Wellenlängen wird entsprechend verbessert. Bis dahin bleibt die Kombination aus UAV-Hyperspektral, LiDAR und punktueller Validierung der Goldstandard für ein belastbares Trockenstress-Monitoring in Wäldern.
Quelle: New Phytologist (2026). DOI: 10.1111/nph.71450
Dieser Artikel wurde mit Hilfe von KI erstellt und dient der allgemeinen Information. Keine Rechts- oder Beratungsempfehlung.