Regionalization of soil data for Germany – data basis, target variables, model performance for two exemplary test regions

Im Rahmen eines Waldklimafonds-Projektes werden auf Basis von Daten der Bodenzustandserfassung im Wald (BZE) und zusätzlichen Bodenprofilen Bodendaten auf die Traktecken der Bundeswaldinventur (BWI) so übertragen, dass nicht nur die Schätzdaten für die Parametrisierung klimasensitiver Wachstumsmodelle verfügbar, sondern auch deren Fehler abgeschätzt werden. Auf der Basis einer unabhängigen Validierung werden klassische Regressionstechniken (OLS, Regression-Kriging) alternativ zu Random-Forestsund BRT-Modellen getestet. Die Beobachtungsdatenbasis für die Modellbildung stammt aus den Messungen und Bodenbeschreibungen der BZE, anderen Projektdaten und der Forstlichen Standortskartierung. Die Regiogalisierung von 13 Zielgrößen (Skelettgehalt, Trockenrohdichte, %Sand, %Schluff, %Ton, Gründigkeit, nFK, Hydromorphie, C-Gehalt, C/N-Verhältnis, Basensättigung, effektive Kationen Austauschkapazität, pHKCl) wird in 1–2 Bodentiefen durchgeführt, was je 25 Regionalisierungsmodelle in 8 aggregierten Bodengroßlandschaften der BÜK1000 ergibt. Für die Modellanwendung werden individuell für die Charakteristika dieser Straten angepasste Prädiktorensets identifiziert und so die Erklärungsgüte der Modelle maximiert. Dieser Beitrag gibt einen Überblick über die bundesweite Auswertungsstruktur, beschränkt sich für methodische Details und Ergebnisse aber hauptsächlich auf die Region Alpenvorland und Nördliche Kalkalpen. Dabei wird gezeigt: 1. dass eine objektive Abgrenzung von Regionalisierungsregionen anhand der naturräumlichen Variabilität der Zielvariablen innerhalb und zwischen Regionen 2. sowie eine länderübergreifende Regionalisierung trotz unterschiedlicher Datenqualitäten in den Ländern mit vertretbarem Fehlerrahmen möglich ist, 3. und die Auswirkung unterschiedlicher Datenqualitäten auf das Regionalisierungsergebnis quantifiziert werden kann. Bisherige Regionalisierungen von Bodendaten haben gezeigt, dass der Anteil der erklärten Parametervarianz zwischen ca. 50 und 80 % zu erwarten ist, dass die Residuen zufällig verteilt und nicht räumlich autokorreliert sind.In a project of the German “Waldklimafonds”, on the basis of soil data from the Forest Soil Inventory (FSI) as well as information from other soil profiles, stochastic downscaling models have been parameterized in order to assess thosemsoil information at the grid points of the National Forest Inventory (NFI) where soil data have not been measured. This transfer provides not only assessments of soil data at the sampling points of NFI rather than assessments errors which allows to parameterize climate sensitive growth models. The “point to area” transfer is performed by classical regression techniques (OLS, Regression Kriging) or, alternatively by Random Forest models and Boosted Regression Trees – the more performant model being identified by split validation with an independent sub-dataset. The data basis for that procedure are measurements and semi-quantitative soil profile descriptions from FSI, other project data and from the site classing system. The regionalization of 13 target variables (coarse soil fraction, bulk density, % Sand, % Silt, % Clay, soil development depth, nFK, Hydromorphy, C-content, C/N-ratio, base saturation, Cation exchange capacity, pHKCl) is performed in 1–2 soil depths which sums-up to 25 regionalization models in 8 soil regions of the statewide soil map (1 : 100.000). Individual parameter sets have been identified for the 8 soil regions respectively. So the individual relation to regional landscape characteristics is maximized and thus model performance. This contribution gives an overview on the German-wide evaluation structure, but is mainly restricted to the first test region “Prealpine hills and limestone Alps” for methodological details. The following could be shown: That an objective and sensible 1. delineation of regionalization regions is possible on the basis of the spatial variability of target variables according growth regions. 2. Regionalization models with acceptable error budget can be identified for the whole nation, even if data quality varies substantially among the federal states. 3. The effect of data quality on model performance could be quantified. Regionalization models for soil data normally explain ca. 50–80 % of the parameter variability – except of few parameters where the random, not landscape-related variability is high. Model residuals are randomly distributed and display no auto-correlation in space