Der Zuwachs an Holz ist eine zentrale Größe zur ökonomischen und ökologischen Steuerung eines Forstbetriebes. Die Entwicklung von Modellen zu seiner Bestimmung beschäftigt deshalb schon seit langem die forstliche Forschung. Die erste Form solcher Modelle waren Ertragstafeln, die die Güte eines Standorts und damit dessen Zuwachspotential durch den auf ihm stockenden Bestand bestimmen. Die heute gebräuchlichen Tafeln wurden zum Großteil in der Mitte des 20. Jahrhunderts konstruiert. Sie geben nur noch ein ungenügendes Abbild des aktuellen Zuwachsgeschehens. Dennoch besitzen Ertragstafeln in der Praxis immer noch große Bedeutung. Ziel der Arbeit war es deshalb, Erkenntnisse zu gewinnen, wie hoch die Diskrepanz zwischen dem aktuell geleisteten Zuwachs und der Zuwachsprognose aus Ertragstafeln ist und durch welche Einflussfaktoren sie bestimmt wird. Diese Einflussfaktoren sollen zur Konstruktion von Modellen zur Korrektur von Ertragstafelprognosen verwendet werden. Zuwachsdaten von hoher statistischer Genauigkeit bieten die ersten Wiederholungsaufnahmen der permanenten Stichprobeninventur in 25 Betrieben der Bayerischen Staatsforstverwaltung und einiger anderer Eigentümer. Sie dienen als Referenzgröße für den Zuwachs der vergangenen 15 Jahre. Ihre prozentuale Abweichung zur entsprechenden Ertragstafelprognose ist die abhängige Variable für vier verschieden Formen von Regressionsmodellen, die jeweils für die Baumarten Fichte, Kiefer, Tanne, Europäische Lärche, Buche und Eiche formuliert werden. Als unabhängige Variablen gehen Daten zur Bestandesstruktur sowie Informationen aus der Standortskartierung in die Regressionsmodelle ein. Über das digitale Höhenmodell können jedem Stichprobenpunkt Höhe über N.N., Exposition und Hangneigung zugeordnet werden. Daten aus der Waldzustandserhebung bieten Informationen über den Nadel-/Blattverlust eines Bestandes. Von Stichprobenpunkten der Waldbodeninventur stehen Daten über die jährliche Stickstoffdeposition zur Verfügung. Die Aufnahmeraster von Waldzustandserhebung und Waldbodeninventur sind nicht deckungsgleich mit dem Inventurgitter der permanenten Stichprobe. Deshalb werden mittels einer geostatistischen Methode die punktförmigen Informationen aus Waldzustandserhebung und Waldbodeninventur verdichtet, so dass eine Zuordnung zu den Aufnahmepunkten der permanenten Stichprobeninventur möglich ist. In die einfache Form der Regressionsmodelle gehen als Erklärungsvariablen Bestandesalter, Bonität, Bestockungsgrad und Meereshöhe ein. Aufgrund der geringen Anzahl und schnellen Verfügbarkeit der notwendigen Informationen ermöglichen diese Modelle eine leicht durchführbare Korrektur von Ertragstafelprognosen. Die differenziertere Form der Modelle enthält je nach Baumart zusätzliche Einflussgrößen wie Baumartenanteil, Hangneigung und Stickstoffdeposition. Bei den Standortsmodellen werden anstelle der Bonität Standortsinformationen in die Modelle aufgenommen. Um regionale Standortsunterschiede im Zuwachs erfassen zu können, werden die Stichprobenpunkte mittels einer Clusteranalyse in sieben Gruppen mit vergleichbaren Klimaverhältnissen aufgeteilt. Diese Klimagruppen werden als Z-Variablen aus einer Kontrastkodierung in den Standortsmodellen berücksichtigt. Um auch lokale Standortsinformationen aus der Standortskartierung einbinden zu können, müssen die nominalen Standortziffern in einem vorgelagerten Schritt auf metrisches Skalenniveau angehoben werden. Die Klimagruppenmodelle als vierte Modellform werden getrennt für jede Baumart und Klimagruppe parametrisiert. Wesentliche Faktoren zur Erklärung der Ertragstafeldifferenz liegen in den bestandesbeschreibenden Parametern Alter, Bestockungsgrad und Bonität. Insbesondere in alten und dichten Beständen sowie für schlechte Bonitäten kann ein Zuwachs weit über Ertragstafelniveau angenommen werden. Mit steigender Meereshöhe verringert sich die positive Abweichung zur Ertragstafel. Die Stickstoffsättigung vieler Waldböden ist vermutlich Ursache dafür, dass der Zuwachs in Regionen mit niedriger jährlicher Stickstoffdeposition vergleichsweise hoch ist. Die standortsbeschreibenden Variablen in den Standortsmodellen zeigen nur geringen Einfluss auf die Zuwachsdifferenz zur Ertragstafel. Die Modelle lassen erkennen, dass auf gleichem Standort die Bonitäten in jüngeren Beständen besser als in Altbeständen sein müssen. Die Validierung der Modelle erfolgte an Daten aus der permanenten Stichprobe des gleichen Inventurzeitraums, die nicht in den Modellierungsprozess eingebunden waren. Es zeigt sich eine deutliche Verbesserung der Vorhersagegenauigkeit bei allen vier Modellformen. Die Unterschiede zwischen den einzelnen Formen sind gering. Allgemein gilt, dass die mittlere Abweichung des gemessenen Zuwachses am Stichprobenpunkt vom korrigierten Ertragstafelwert im Vergleich zur Verwendung der ursprünglichen Ertragstafelprognose sinkt, die Streuung der Abweichungen geringer und ihre Verteilung symmetrischer wird. Inwieweit sich die Erklärungsmodelle als Prognoseinstrument für den Zuwachs eignen, wird sich erst nach einer zweiten Inventurperiode mit anderer Witterung und sich vermutlich weiter verändernden Wuchsbedingungen zeigen.     «

Der Zuwachs an Holz ist eine zentrale Größe zur ökonomischen und ökologischen Steuerung eines Forstbetriebes. Die Entwicklung von Modellen zu seiner Bestimmung beschäftigt deshalb schon seit langem die forstliche Forschung. Die erste Form solcher Modelle waren Ertragstafeln, die die Güte eines Standorts und damit dessen Zuwachspotential durch den auf ihm stockenden Bestand bestimmen. Die heute gebräuchlichen Tafeln wurden zum Großteil in der Mitte des 20. Jahrhunderts konstruiert. Sie geben nur...     »

The increment of wood is a central factor in the economical and ecological control of a forest enterprise. The development of models to determine this is therefore a matter that has been of concern to forestry research for a long time. The first form of models of this type were yield tables, which determine the quality of a site and thus its increment potential through the stand continual growth. The commonest tables in use today were constructed in the middle of the 20th century. Today, they provide an inadequate illustration of current increment process. And yet, yield tables are still very important in practice. The objective of the work was therefore to find out how high the discrepancy between the actual increment in forest stands and increment predictions from yield tables is and to determine the factors that influence this discrepancy. The influencing factors are to be used to construct models to correct yield table predictions. Increment data of a high level of statistical precision were obtained from the first repeated measurement of continuous forest inventory in 25 stations of the Bavarian State Forestry Service and a few private forest stations. They serve as references for the increment in the last 15 years. Their percentage deviation from the corresponding yield table prediction was the dependent variable for various forms of regression models, which were formulated in each case for the species spruce, pine, fir, European larch, beech and oak. The independent variables for the regression models were stand structure data and information from site mapping. The digital elevation model was used to assign the height above sea level, aspect and slope to each random sample point. Data from the forest health survey provided information on the needle/leaf loss of a stand. Random sample points of forest soil inventory provided data on annual nitrogen deposition. The survey grid for forest health survey and forest soil inventory did not cover the same area as the inventory grid for continuous forest inventory. Consequently, a geostatistical method was used to compress the dot-type information from forest health survey and forest soil inventory, such that assignment to the sampling points for the continuous forest inventory was possible. The simple form of the regression model incorporated stand age, site index, stocking degree and height above sea level as independent variables. Because of the low volume and the ease of availability of the required information, these models make it easy to correct yield table predictions. Based on the species, the differentiated form of the model contains additional factors such as proportion of species, slope and nitrogen deposition. For site models, site information were incorporated into the model instead of site index. To be able to account for regional site differences in increment, random sample points were divided into 7 groups of comparable climatic conditions by using a cluster analysis. These climatic groups were incorporated into the site models as Z-variables from a contrast coding. Also, in order to incorporate local site information from site mapping, the nominal site figures had to be adapted to a metric scale level in a previous stage. The climatic group models, which were the fourth model form, were separately parameterised for each tree species and climatic group. Major factors that explained the differences between the measured increment and the yield tables were found in the stand parameters such as age, stocking degree and site index. In particular increment well above the yield table level can be expected in old and dense stands with poor site indices. In comparison with yield table, the positive derivation in increment decreases as the height above sea level increases. The nitrogen saturation of many forest soils is probably the reason why the increment in regions with low annual nitrogen deposition is comparatively higher. The site-describing variables in the site models show only a minor influence on volume increment difference from the yield table. The models show that on the same site, site indices in younger stands must be better than in older stands. The models were validated using data from the continuous forest inventory within the same inventory period, which were not incorporated in the modelling process. A clear improvement in the prediction precision was found for all four model forms. The differences between the individual model forms were minimal. Generally, it can be said that the average deviation of the measured increment at the random sample point from the corrected yield table value was reduced when compared with original yield table prediction. The spread of the deviations was smaller and its distribution was more symmetrical. The suitability of the explanation models as tools for predicting increment will only be justified after a second inventory period with different weather conditions and when growth condition may have further changed.     «

The increment of wood is a central factor in the economical and ecological control of a forest enterprise. The development of models to determine this is therefore a matter that has been of concern to forestry research for a long time. The first form of models of this type were yield tables, which determine the quality of a site and thus its increment potential through the stand continual growth. The commonest tables in use today were constructed in the middle of the 20th century. Today, they pr...     »