Risiko und Klimawandel

Derzeit herrscht eine große Unsicherheit darüber, in wieweit sich der prognostizierte Klimawandel auf die biotischen und abiotischen Schäden im Wald auswirken könnte. Der neueste Bericht des Weltklimarates (IPCC) geht von einer Zunahme von Wetterextremen aus, worunter auch eine Zunahme von Starkwindereignissen fallen könnte. Allerdings ist eine Zunahme der Windgeschwindigkeiten in den letzten Jahren nicht überall in Europa nachweisbar. Die Statistiken über den Anfall zufälliger Nutzungen in den Wäldern Baden-Württembergs belegen insbesondere seit den Stürmen Vivian und Wiebke einen deutlichen Anstieg der nicht planmäßig durchgeführten Nutzungen im öffentlichen Wald. Auch Schelhaas et al. (2003) weisen eine generelle Zunahme von Schadholz für die Wälder Europas in den letzten Jahrzehnten nach. Ziel des vorliegenden Beitrages ist es anhand einer Fallstudie zu demonstrieren, worauf bei der Erfassung und Bewertung von Risiko geachtet werden sollte.

Als methodische Ansätze für die Risikoanalyse und -prognose stehen verschiedene Verfahren zur Auswahl. Expertensysteme basieren meist auf Literaturanalysen oder Expertenbefragungen und dienen dazu, Waldbestände und/oder Standortseinheiten Risikoklassen zuzuordnen. Hierbei wird das gespeicherte Expertenwissen durch heuristische Regeln verknüpft. Beispiele für solche Systeme in Mitteleuropa sind die von Rottmann entwickelten für die Einordnung von Waldbeständen auf ihre Anfälligkeit für Sturmschäden (Rottmann 1986) oder Schneebruch-/druckschäden (Rottmann 1985). Dass das Expertensystem von Rottmann kaum Eingang in die Praxis gefunden hat, ist wohl mit dem zumindest teilweise subjektiven Charakter der Herleitungsschlüssel für die Anfälligkeit bei verschiedenen Schadfaktoren zu erklären.

Die häufigste Methode Risiko zu erfassen, ist der Einsatz statistischer Modelle. Diese Modelle verwenden Daten von Schadereignisse, um Risikoanfälle zu prognostizieren oder um Bestände nach ihrer Anfälligkeit zu klassifizieren. Im Rahmen eines klassischen deterministischen Ansatzes werden dabei Übergangswahrscheinlichkeiten für Altersklassen und Bestandestypen auf definierten Standortseinheiten abgeleitet. Die Theorie hierzu wurde überwiegend von Suzuki (1971) entwickelt. Dieser Ansatz wurde in großem Umfang in fichtendominierten Wäldern Sachsens angewandt (Kurth et al. 1987).

Die Standardmethode Risiko für Wälder oder Waldbestände zu prognostizieren ist der Einsatz von Regressionsmodellen. Dabei wird der Schaden bzw. dessen Eintrittswahrscheinlichkeit (abhängige Variable) in Abhängigkeit von Eigenschaften der untersuchten Waldfläche (unabhängige Variablen) modelliert. Hierfür hat sich die logistische Regression insbesondere für die Prognose von Windwurfschäden als das Standardverfahren herauskristallisiert (Hinrichs 1994, König 1995, Fridman und Valinger 1998, Valinger und Fridman 1997,1999, Jalkanen und Mattila 2000, Mitchell et al. 2001). Diese Technik hat sich bei der numerischen Analyse von Einflussfaktoren, die für Sturmschäden relevant sind, bewährt. Die verschiedenen Einflussfaktoren (unabhängige Variablen), die in Studien untersucht und als relevant identifiziert wurden, variieren sehr stark. Hinrichs (1994) verwendet die Standard-Bestandes- und Standortsparameter wie Baumartenzusammensetzung, Mittelhöhe, Exposition, Stabilitätsindex (Standortseinheit) und Alter. König (1995) ergänzt diese durch den signifikanten Parameter "Windgeschwindigkeit". Fridman und Valinger (1998) verwenden Stammvolumen, Brusthöhendurchmesser, h/d-Verhältnis, Mittendurchmesser, Mittelhöhe, N/ha, G/ha, Volumenindex und Ertragsklasse. Das von Jalkanen und Mattila (2000) entwickelte logistische Regressionsmodell zur Abschätzung der Anfälligkeit von Kiefern- und Fichtenbeständen für Windschäden verwendet Mittendurchmesser, Bestandesalter, Art des waldbaulichen Eingriffs und die Jahrestemperatursumme als signifikante erklärende Variablen. Schlüsselvariablen im Modell von Mitchell et al. (2001) sind die Standortsqualität, die Ausrichtung der Bestandesränder, die Zeit bis zum letzten Eingriff und die topographische Exposition. Neuere Untersuchungen von Mayer et al (2005) zeigen, dass auch zunehmende Bodenversauerung zu einem Anstieg von Sturmschäden führen kann. Als Klassifikationsinstrumente für Sturmschäden ist die Treffsicherheit der Regressionsmodelle allerdings nicht immer hoch. Die Fähigkeit dieser Modelle Sturmschäden vorherzusagen sinkt vor allem dann, wenn die Zahl der geschädigten Bestände deutlich von der der ungeschädigten abweicht. Die Studie von Fridman und Valinger (1998) zeigt z. B., dass mit dem Datensatz, der für das dort konstruierte Modell verwendet wurde, der Anteil der geschädigten Bestände deutlich überschätzt wurde. Auch sind Modelle, die auf lokal begrenzten Studien beruhen, von geringer Erklärungskraft. Insbesondere dann, wenn sie sich auf die Hauptsturmschadensgebiete beschränken in denen häufig die Wind­geschwindigkeit so hoch und zugleich in ihrer räumlichen Verteilung chaotisch sind, dass es kaum gelingt, Zusammenhänge zwischen bewirtschaftungsrelevanten Parametern und Sturmschäden herzuleiten (Schütz et al. 2006). Abhilfe schaffen hier nur die Untersuchungen auf der Basis von Großrauminventuren (s. Beitrag von Kohnle et al. 2008).

Als Alternative zu den statistischen Modellen verwenden Hanewinkel et al. (2004) ein künstliches neuronales Netz für die Risikoprognose. Die Prognosefähigkeit des neuronalen Netzes übersteigt die der klassischen statistischen Ansätze insbesondere bei schwieriger Ausgangsdatenlage.

Neben Expertensystemen und statistischen Modellen wurden mechanistische oder empirisch-mechanistische Mo­delle wie HWIND (Peltola et al. 1999) oder FORESTGALES (Gardiner und Quine 2000) zur Risikoerfassung entwickelt und bereits miteinander verglichen (Gardiner et al. 2000). Diese Modelle, die auf die physikalischen Grundlagen von Sturmbruch oder -wurf zurückgehen, benötigen einen hohen Aufwand für die Datenerfassung und Modellierung. Mechanische Umzieh- oder Rüttelversuche ("tree pulling, dynamic forced rocking") sowie Versuche im Windkanal sind erforderlich, um die physikalischen Prozesse, die bei der Schädigung von Bäumen durch Wind auftreten, modellhaft zu erfassen. Dennoch sind wohl allein die mechanistischen Modelle in der Lage Auswirkungen unterschiedlicher waldbaulicher Eingriffe auf die Risikodisposition abzubilden.

Komponentenmodelle werden entwickelt, um die Risikoerfassung vom Einzelbaum bis auf ganze Waldlandschaften zu integrieren (Talkkari et al. 2000). Meteorologische Komponenten wie Windgeschwindigkeit oder die Modellierung von Luftströmungen (König 1995, Lekes und Dandul 2000) sollen die Leistungsfähigkeit der Modelle verbessern. Ansätze zur Risikomodellierung findet sich bei Miller et al. (2000). Dazu gehört auch das für Schweden von Blennow und Sallnäs (2004) entwickelte Modell WINDA. Ein Problem dieser Komponentenmodelle liegt darin, dass die wissenschaftlichen Möglichkeiten zur räumlich hochaufgelösten Darstellung von Windgeschwindigkeiten derzeit noch stark eingeschränkt sind (s. Beitrag von Kohnle et al. 2008).