Direkt zum Inhalt | Direkt zur Navigation

Eingang zum Volltext

Lizenz

Bitte beziehen Sie sich beim Zitieren dieses Dokumentes immer auf folgende
URN: urn:nbn:de:bsz:25-opus-80055
URL: http://www.freidok.uni-freiburg.de/volltexte/8005/


Baasan, Bayartsetseg

Entwicklung eines Inventurmodells als Grundlage einer nachhaltigen Bewirtschaftung am Beispiel eines Waldgebiets im südwestlichen Teil des Khentii-Gebirges der Mongolei

Development of an inventory model as a basis for sustainable management of a forest area in the southwestern part of the Khentii Mountains of Mongolia

Dokument1.pdf (17.605 KB) (md5sum: 4ac970e5c34cb22a10b527b769acf0ef)

Kurzfassung in Deutsch

In der vorliegenden Arbeit wird ein Inventurmodell für mongolische Wälder entwickelt, auf der Basis von terrestrischen Aufnahmen und Satellitendaten, die durch die kNN Methode verknüpft werden. Das Untersuchungsgebiet ist 10 375 ha groß, es ist lokalisiert im südwestlichen Teil des Khentii-Gebirges. Wegen der schwierigen Geländeverhältnisse, geringer Finanzmittel, fehlender Technik und nicht ausreichenden Fachkräften sind die Waldbetriebsinventuren in der Mongolei bisher noch nicht flächendeckend und erfassen nicht die gegenwärtigen Waldbestände.
Eine Anwendung von GIS und Fernerkundung in den Waldgebieten wurde erstmal von Wyss (2007) durchgeführt, als Beispiel zur Erfassung und Analyse von Waldbränden.
Die Analyse mit der kNN Methode wurde hiermit zum ersten Mal in einem mongolischen Waldgebiet angewendet.
Die Untersuchungen umfassten:
- Inventuraufnahme
- Inventurdesign
- Statistische Analyse
- Stichprobenanalyse
- kNN Methode für die Gründflächenverteilung
- kNN Methode für die Stammzahlverteilung
Jede Probefläche besteht aus konzentrischen Kreisen. Bei der Inventuraufnahme wurden folgende Variablen erhoben: Baumart, Brusthöhendurchmesser, Baumhöhe, Distanz, Azimut, Alter, Jungwuchs, Schäden und Totholz. Der Radius der Probekreise wurde auf 15 m, für Jungwuchs auf 3 m festgelegt.
Bei der Anwendung kNN Methode wurde L-Klumpenformen gewählt, aufgrund der Waldverhältnisse und Aufnahmeeffizienz. Die L-Klumpen bestehen aus 7 konzentrischen Probeflächen, die durch Aufnahmelinien verbunden sind. Die Länge der Aufnahmelinien betragen 100 m. Insgesamt wurden 490 Probekreise aus 70 Klumpen aufgenommen.
Es wurde ein systematische Stichprobenverfahren angewendet, in dem Klumpen mit konzentrischen Probeflächen systematisch im Raster von 1x1 km angeordnet sind.
Auf der Grundlage der Ergebnisse der Hauptinventur werden Modelle für die Erstellung von Forstkarten mit der kNN Methode entwickelt.
Die kNN-Methode für forstliche Fragestellungen wurde in der finnischen Nationalinventur entwickelt und angewendet. Mit der kNN-Methode können forstlichen Attribute großflächig effizienter erfasst und auf die einzelnen Pixel bezogen werden.
In dieser Methode ist die Anzahl der k-nächsten Nachbarn wichtig. Die Auswahl der nächsten Nachbarn erfolgt mit Hilfe eines Distanzmaßes.
Die kNN-Methode verbindet Fernerkundungsdaten und terrestrische Aufnahmen. Mit der kNN-Methode können forstliche Attribute großflächig effizient erfasst und auf die einzelnen Pixel bezogen werden.
Die Variabelenwerte eines Pixels ergeben sich als Mittelwert von k benachbarten Proben, die über ein Distanzmaß, das die spektrale Ähnlichkeit beschreibt, gewichtet werden.
Folgende Variablen können mit der kNN-Methode erfasst werden:
- Volumen je ha
- Grundfläche je ha
- Durchschnittliche Höhe
- Durchschnittlicher BHD
- Stammzahl
Vorteile der kNN-Methode
- Kombination mit den Satellitendaten
- Flächendeckende und kartographisch aufbereitete Information
- Anwendbar für die Waldgebiete, für die keine zusätzlichen Daten zur Verfügung stehen
- Zeitersparnis
- Kostenersparnis - mit wenig mehr Kosten könnte man mehr detaillierte Information bekommen.
- Deutliche und flexible Dateninformationen in digitaler Form
Für die Klumpenstichprobe wurde Verhältnis zwischen Intraclass Korrelation und die relative Effizienz geschätzt. Sowohl Stammzahl als auch Grundfläche konnten durch die Klumpenstichprobe effizienter erfasst werden, für die Stammzahl war der Korrelationskoeffizient 0 und die Effizienz fast gleich 1.
Damit zeigen die Ergebnisse, dass die Klumpenstichprobe so effektiv wie eine uneingeschränkte Zufallsauswahl ist. Die Optimierung der Klumpenstichprobe zeigt, dass die L-Klumpenform optimal ist.
Das in der Arbeit entwickelte Inventurmodell kann auf andere Gebiete der mongolischen Wälder angewendet werden, als Grundlage für eine moderne Forstplanung.


Kurzfassung in Englisch

Modern forest inventory and monitoring systems have not been developed and applied in Mongolia to any extent. Due to the difficulty in field condition, low financial resources, lack of techniques and skilled workers combined forest inventories with aerial and terrestrial measurements have been not yet been carried out in Mongolia.
During the research conducted an inventory and monitoring system has been established for a study area in the Khentii mountains that could serve as model for other forests in Mongolia. It consists of a combination of field inventory and remote sensing and presents an application and analysis of the kNN method, which is applied to a forest of 10 375 hectares in the south western part of the Khentii Range. An application of GIS and remote sensing in the forested regions of Mongolia was first carried out by Wyss on the recording and analysis of forest fire.
In the present study, the application of the kNN method was used for the first time in the Mongolian forested area.
Based on a pilot study conducted in the forest the design for the main inventory was developed. The investigations included:
• Inventory
• Inventory design
• Statistical analysis
• Sample analysis
• kNN method for the basal area distribution
• kNN method for the stem number distribution
Each plot consists of concentric circles. During the inventory the following variables were considered: Tree species, breast height diameter, tree height, distance, azimuth, age, young growth (sapling), damage and dead trees. The radius of the plots was set at 15 m but for young growth to 3 m.
The design of the inventory developed was a systematic cluster sample with L-clusters which were optimized based on the results and time studies during the pilot inventory. The L-cluster consists of 7 plots which are connected by mapping lines. The length of the mapping lines has been chosen as 100 m. All together 490 plots from 70 clusters were taken in account.
A systematic random sampling procedure was applied, in which the clusters of plots are systematically arranged in a grid of 1x1 km.
The results of the main inventory were used to develop the models for producing forest maps, for which the kNN method was widely used.
Using this method gives an advantage of more extensive and more efficient mapping of the forest features, and even the single pixels can be covered. In this method the number of the k-next neighbours is important. The choice of the next neighbours is done with the help of a distance measure. The kNN method combines remote sensing data and terrestrial mapping.
The variable value of a pixel is calculated as average value of k neighbouring samples which are weighted by a distance measure which describes the spectral similarity. The following variables can be registered with the kNN method:
Volume per hectare
• Basal area per hectare
• Mean top height
• Mean dbh
• Density
Advantages of the kNN method are:
• Combination with the satellite data
• Aerially covered and cartographic processed information
• Applicable for the forested lands although no additional data are available
• Saving of time
• Cost efficiency – more detailed information can be obtained with little more cost
• Accurate and flexible data information in digital form
Cluster sampling was estimated by the relation between intraclass correlation and the relative efficiency. The estimation of both, basal area and stem number is effective, particularly stem number distribution is more effective with a correlation coefficient of 0 and with the relative efficiency nearly 1. The results show that the cluster random sampling is as effective as a simple random sampling for the study area. The optimisation of the cluster random sampling shows that the L-cluster form is optimum which is suitable here.
The inventory system developed allows the efficient estimation of key variables through a combination of optimized terrestrial measurements, in form of the L-clusters with remote sensing information. The data collected in the inventory can be used for a forest planning system for Mongolian forests which should be developed in subsequent studies.


SWD-Schlagwörter: Waldmonitoring , Mongolei , Inventur , kNN Method
Freie Schlagwörter (englisch): inventory , Monitoring , kNN method , Mongolia
Institut: Institut für Waldwachstum
Fakultät: Fakultät für Forst- und Umweltwissenschaften
DDC-Sachgruppe: Land- und Forstwirtschaft, Veterinärmedizin
Dokumentart: Dissertation
Erstgutachter: Pelz, Dieter R. (Prof. Dr.Dr. h.c.)
Sprache: Deutsch
Tag der mündlichen Prüfung: 08.12.2010
Erstellungsjahr: 2010
Publikationsdatum: 13.04.2011
Indexliste