waldökologie, landschaftsforschung und naturschutz ... · pdf filehas been providing data...
TRANSCRIPT
Kombinierte Methoden aus Modellierung, Messung und Geländearbeit
Waldökologie, Landschaftsforschung und Naturschutz, online preview 1
AFSV
Waldökologie, Landschaftsforschung und Naturschutz in press 3 Fig., 9 Tab. urn:nbn:de:0041-afsv-01724
Abstract
The determination of atmospheric deposition in forests can be accomplished using technical sampling devices, bioindi-cators or modelling. Since 1990, the European Moss Survey has been providing data on element concentrations in moss every five years at up to 7,300 sampling sites. In the moss specimens, heavy metals (HM), nitrogen (N, since 2005) and persistent organic pollutants (POPs, since 2010) were determined. Germany participated in all surveys with the exception of that in 2010. For the Moss Survey 2015, the monitoring network 2005 was re-organised. In this study, a new decision support method for multi-criteria optimization is presented. It is demonstrated by use of data collected in 2005 that the computer-integrated model enables network reorganization with high efficiency and reproducibility. Its application yielded a network with a reduction of sample points from 726 to 402 without significant loss in statistical validity and geostatistical representativity of the measured element concentrations in moss and, respectively, harmoni-zation with other environmental monitoring networks.
Keywords: Atmospheric Deposition, Decision support sys-tem, European Moss Survey, Modelling, Mapping.
Zusammenfassung
Die Bestimmung der atmosphärischen Deposition in Wäldern kann mit technischen Sammlern, mit Bioindikatoren sowie mit Modellierungen erfolgen. Atmosphärische Stoffeinträge werden in Europa seit 1990 alle fünf Jahre an bis zu 7.300 Orten in Moosen gemessen. In ihnen werden Schwermetalle (HM, seit 1990), Stickstoff (N, seit 2005) und persistente organische Stoffe (POP, seit 2010) bestimmt. Deutschland beteiligte sich mit Ausnahme der Kampagne 2010 an allen Europäischen Moos Surveys. Für den deutschen Beitrag des Moos-Monitoring 2015 wurde das Messnetz gegenüber dem der vorausgegangenen Kampagne umstrukturiert. Hierfür wird in diesem Beitrag eine Methodik zur computerbasierten Entscheidungsunterstützung vorgestellt, die seine mehrere
Kriterien optimierende Umstrukturierung ermöglicht. Neben der Erläuterung dieses Verfahrens werden das neue Mess-netz präsentiert und anhand von Daten der Messkampagne 2015 die Auswirkungen der Neustrukturierung auf seine statistische Performanz erläutert. Das vorgestellte Ver-fahren ermöglicht eine Reduktion der Moossammelstellen von 726 auf 402 ohne erheblichen Verlust der statistischen Aussagekraft und der geostatistischen Repräsentanz der gemessenen Elementkonzentrationen im Moos.
Schlüsselwörter: Atmosphärische Deposition, Entschei-dungsunterstützungssystem, Europäischer Moos Survey, Modellierung, Kartierung.
1 Hintergrund und Ziel
1.1 HintergrundNicht nur die Ermittlung von Wirkungen atmosphärischer Deposition von Stoffen (Balla et al. 2013, BoBBink et al. 2010, Fuchs et al. 2010), sondern auch die ihrer Einträge (Deposi-tion) sind methodisch aufwändig (Ferretti & Fischer 2013). Eine besondere Bedeutung spielt dabei die räumliche Validität der Datenerhebungen. Die technischen Sammler ermögli-chen eine zeitlich hohe Auflösung, die Bioindikation eine hohe räumliche Auflösung. Dies ist bedeutsam für Betrachtungen des Risikos von Struktur- und Funktionsänderungen in den der Deposition exponierten Rezeptoren (Pflanzen, Tiere, Böden, Gewässer). Modellierungsergebnisse basieren auf Daten zur Meteorologie, die von sehr guter Qualität bei hoher räumlicher und zeitlicher Auflösung sind, sowie auf Emissionsdaten, die beträchtliche Unsicherheiten aufweisen können. Befunde aus solchen Depositionsmodellierungen bedürfen der Validierung durch empirische Messdaten, die mit technischen Sammlern und Bioindikatoren wie z. B. mit Moosen erhoben wurden. Dies setzt aber voraus, dass dies methodisch harmonisiert erfolgt (nickel & schröder 2016b, schröder et al 1991, 2016). Wo dies nicht der Fall ist, können die Beiträge der atmosphärischen Deposition zu den Belastungen von Öko-systemen häufig nicht in ausreichender räumlicher Auflösung abgeschätzt und Maßnahmen nicht mit der erforderlichen wissenschaftlichen Fundierung geplant werden. Deshalb
Umstrukturierung eines Biomonitoring-Messnetzes für atmosphärische Deposition in Wäldern
Re-organisation of a long-term biomonitoring network for deposition of air pollutants in forests
Stefan Nickel, Winfried Schröder & Werner Wosniok
Scopus Indexed Journal
Waldökologie, Landschaftsforschung undNaturschutz – Forest Ecology, LandscapeResearch and Nature Conservation
www.afsv.de/index.php/waldoekologie-landschaftsforschung-und-naturschutz
Kombinierte Methoden aus Modellierung, Messung und Geländearbeit
Waldökologie, Landschaftsforschung und Naturschutz, online preview 2
AFSV
werden in dieser vom deutschen Umweltbundesamt geför-derten Untersuchung, nach Vorläuferprojekten in den Jahren 1990/1991, 1995/1996, 2000/2001 und 2005/2006, Informa-tionen zur atmosphärischen Deposition von HM (1. Priorität), POPs (2. Priorität) und N (3. Priorität) für nationale Aufgaben des Umwelt- und Naturschutzes sowie Berichterstattung an das International Cooperative Programme on Effects of Air Pollution on Natural Vegetation and Crops (ICP Vegetation) im European Heavy Metals in Mosses Survey erhoben. In dem Projekt soll die atmosphärische Deposition mit Moosen räumlich differenziert erfasst und kartiert werden. Dadurch sollen beispielhaft Aussagen zur Belastungssituation wich-tiger Landschafts- bzw. Ökosystemtypen ermöglicht werden (z. B. urbane Verdichtungsräume, ländliche Regionen, Wald- und Offenlandökosysteme). Für N sollen atmosphärische N-Depositionsraten unter besonderer Berücksichtigung kleinräumiger Variabilität (u. a. Kronentraufeffekt, windex-ponierte Hanglagen) und regionaler Besonderheiten (z. B. Gebiete mit großflächiger Gülleausbringung) erfasst werden. Ob der Einsatz von Biomonitoring-Verfahren auch kleinräu-miger als auf Bundesebene für den Naturschutz nützlich ist, wird untersucht. Insbesondere soll in dem Vorhaben geprüft werden, ob Schutzgebiete und Regionen mit besonders hohen N-Emissionen (z. B. Nordwest-Deutschland) in das Messnetz ebenso einbezogen werden können wie die Unter-suchung kleinräumiger, durch Kronentraufeffekte verursachte Messwertvarianzen. Vor diesem Hintergrund wurde zunächst untersucht, ob das 726 Standorte umfassende Messnetz des letzten deutschen Beitrags zum European Moss Sur-vey (2005) auf ca. 400 Standorte reduziert werden könnte, ohne dass die Erfüllung der internationalen Vorgaben (icP Vegetation 2014) und die der zuvor genannten Kriterien für Deutschland erheblich beeinträchtigt werden. Hierzu wurde ein Verfahren entwickelt, das ein multikriterielles Ent-scheidungsunterstützungssystem beinhaltet und von hoher praktischer Relevanz für die Planung, Einrichtung und Evalu-ation von Umweltmessnetzen ist. Ziel dieses Beitrags ist es, dieses Verfahren und seine Ergebnisse darzustellen.
Die Umweltbelastung mit atmosphärisch deponierten Schadstoffen lässt sich durch chemische Analyse von Stoffkonzentrationen in ektohydren Moosen quantifizieren. Moose (Bryophyta) haben keine Wurzeln, ektohydre Moose keine nach außen abschließende Epidermis und Cuticula (gruBer 2001, nultsch 2012). Sie nehmen daher trocken, okkult als Nebel oder nass deponierte Schadstoffe über ihre Oberfläche auf, reichern sie an und ermöglichen so deren chemische Bestimmung weit oberhalb der Nachweisgrenze (Frahm 1998, rühling et al. 1989). Als Bioindikatoren eignen sich weit verbreitete und stoffresistente Moosarten, wie Pleu-rozium schreberi (Brid.) Mitt., Hypnum cupressiforme Hedw. s.str. und Pseudoscleropodium purum (Hedw.) M.Fleisch (Synonym Scleropodium purum Hedw. Limpr.) (icP Vegeta-tion 2014).
Das seit 1990 alle fünf Jahre durchgeführte Projekt „Atmos-pheric Heavy Metal Deposition in Europe – estimations based on moss analysis“ (rühling 1994) dient der europaweiten Umsetzung der Convention on Long-range Transboundary Air Pollution (CLRTAP) der United Nations Economic Com-mission for Europe (UNECE) (harmens et al. 2015). Seit dem Jahr 2000 ist das europäische Moos-Monitoring Bestandteil des International Cooperative Programme on Effects of Air Pollution on Natural Vegetation and Crops (ICP Vegetation), eines von sechs internationalen wissenschaftlichen Koopera-tivprogrammen der CLRTAP, welche von der Working Group on Effects durchgeführt werden (WGE 2004). Der European
Moss Survey zielt darauf ab, den Zustand von emittenten-fernen, also nicht unmittelbar von lokalen Emissionsquellen beeinflussten terrestrischen Ökosystemen, grenzüberschrei-tend in Europa in langen Zeitreihen zu erfassen und damit die Wirksamkeit immissionsschutzpolitischer Maßnahmen zu überprüfen. Die Methodik der Probenentnahme und che-mischen Analytik ist durch das Experimental Protocol für den Moss Survey 2015 (icP Vegetation 2014) europaweit harmo-nisiert. Die Anzahl der Probenentnahmestandorte schwankte in den letzten 25 Jahren zwischen 4.499 und 7.312 in 20 bis 36 Teilnehmerstaaten: 1990 wurden in 20 Teilnehmerstaaten 4.662 Standorte, 1995 in 28 Ländern 7.312, 2000 in 28 Staa-ten 6.803, 2005 in 28 Ländern 5.962 und 2010 in 26 Staaten 4.499 beprobt (FrontasyeVa et al. 2016, harmens 2012). 2015 nahmen 36 Staaten an dem Moos-Monitoring teil, die Stand-ortzahl ist noch nicht bekannt.
Die Bundesrepublik Deutschland hat bislang an vier europä-ischen Moos Surveys teilgenommen: 1990 wurden an 592 Standorten bundesweit die Moosarten Pleurozium schreberi, Scleropodium purum, Hypnum cupressiforme und Hyloco-mium splendens entnommen und auf Arsen (As), Cadmium (Cd), Chrom (Cr), Kupfer (Cu), Eisen (Fe), Nickel (Ni), Blei (Pb), Titan (Ti), Vanadium (V) und Zink (Zn) untersucht (herPin et al. 1995). Der zweite deutsche Beitrag zum europäischen Moos-Monitoring 1995 basierte auf einem Messnetz mit 1.026 Probenentnahmestellen, wobei dieselben Moosarten wie 1990 entnommen wurden. Die Liste der zu analysieren-den HM des Vorgängerprojektes wurde um Quecksilber (Hg) und Antimon (Sb) ergänzt. Ferner wurden 28 weitere Ele-mente bestimmt und flächenhaft dargestellt (siewers & herPin 1998, siewers et al. 2000). Im dritten Survey 2000 wurden 1.028 Standorte beprobt, wobei die Auswahl der zu entneh-menden Moosarten gegenüber den Vorgängerkampagnen auf die Arten Pleurozium schreberi, Scleropodium purum und Hypnum cupressiforme eingeschränkt wurde. Zusätzlich zu o. g. Elementen wurden Aluminium (Al), Barium (Ba), Calcium (Ca), Kalium (K), Magnesium (Mg), Mangan (Mn), Natrium (Na) und Strontium (Sr) bestimmt. Ihre räumlichen Muster wurden mit geostatistischen Verfahren kartiert (schröder et al. 2002), statistisch aggregiert (Pesch 2003, schröder & Pesch 2004a, b; Pesch & schröder 2005, 2006a) und natur-räumlich differenziert abgebildet (schröder & Pesch 2004c, 2005a, 2006). Durch die Verknüpfung von Mess- und stand-ortbeschreibenden Metainformationen wurden bivariate und entscheidungsbaumanalytische Verfahren zur statistischen Evaluierung der Elementgehalte in den Moosen eingesetzt (schröder & Pesch 2005b; Pesch & schröder 2006b, c). Der vierte deutsche Beitrag zum europäischen Moos-Monitoring 2005 (Pesch et al 2007a) bezog erstmalig auch N in die Analy-tik ein. Er erfolgte auf einem um rund 25 % auf 726 Standorte ohne wesentliche Einschränkung der räumlich-statistischen Aussagekraft ausgedünnten Messnetz (Pesch et al. 2007 b). Gleichzeitig wurde eine räumliche Verknüpfung mit anderen Umweltbeobachtungsprogrammen hergestellt, deren Daten exemplarisch in die statistischen Auswertungen integriert wurden (Pesch et al. 2007 a). Das Vorhaben umfasste zudem die Entwicklung des webbasierten Geoinformationsportals MossMet (klePPin et al. 2008, Pesch et al. 2007c), von dem alle Moos-Daten 1990–2005 einschließlich der zugehörigen Metadaten (Probejahr, Lage des Standortes, Moosart, Land-nutzung u. ä.) über einen passwortgeschützten Datenservice1 abgerufen werden konnten.
1 http://www.mapserver.uni-vechta.de/moos/
Kombinierte Methoden aus Modellierung, Messung und Geländearbeit
Waldökologie, Landschaftsforschung und Naturschutz, online preview 3
AFSV
Der European Moss Survey 2010 fand ohne Beteiligung der Bundesrepublik Deutschland statt. Lediglich das Bundesland Sachsen-Anhalt hat im Jahr 2011 in eigener Regie ein landes-weites Moos-Monitoring in einem gegenüber 2005 von 51 auf 27 Moossammelstellen reduzierten Messnetz durchgeführt (metzschker 2016). Der fünfte deutsche Beitrag erfolgt im sechsten europäischen Moos-Monitoring 2015 und umfasst erneut die 12 Standardelemente (Al, As, Cd, Cr, Cu, Fe, Hg, Ni, Pb, Sb, V, Zn), N und POPs, die in Pleurozium schre-beri (1. Priorität), Hypnum cupressiforme (2. Priorität) und Pseudoscleropodium purum (3. Priorität) bestimmt werden. N wurde in das Analysespektrum wieder mit einbezogen, um die Modellierung der atmosphärischen N-Deposition für Hanglagen und Traufbereiche sowie für Regionen hoher Viehdichte, in denen bislang Mess- und Modelldaten erheb-lich voneinander differierten, abzusichern. Zusätzlich sollen in einem Screening die Eignung von Moosen als POP-Samm-ler überprüft werden. Es wird erwartet, dass polare Stoffe in Moosen gut gebunden werden (Niederschlag). Ob sich Moose für die (Depositions-)Sammlung von eher apolaren, lipophilen Stoffen ausreichend eignen, ist zu wenig bekannt. Auf dieser Grundlage werden in der statistischen Analyse projektspezifische Aspekte und das Standard-Programm nach icP Vegetation (2014) untersucht. Die Probenentnah-medichte und die Auswertemethodik sollen aktualisiert und weiterentwickelt werden, um verlässliche Schätzungen von Schadstofffrachten in Ökosysteme mit einem gegenüber dem letzten Moos-Monitoring in Deutschland 2005 ausgedünnten Messnetz zu ermöglichen.
1.2 Ziel und Struktur dieser UntersuchungVor diesem Hintergrund ist es das Ziel dieses Beitrags, eine Methodik darzustellen, die es ermöglichen soll, die oben geschilderten Anliegen bei einem weiter reduzierten Mess-netz ohne signifikante Einbußen der statistische Aussagekraft der erhobenen Daten zu realisieren. Dabei sollen diejenigen Grundsätze gelten, die bei der Reduktion des deutschen Moosmessnetzes von 2005 (n = 726) gegenüber demjeni-gen im Jahr 2000 (n = 1028) angewendet wurden (Pesch et al. 2007 b, 2008). Insbesondere ging es dabei darum, die räumliche Repräsentativität des Messnetzes 2015 zu wahren und zusätzlich die für das deutsche Moos-Monitoring 2015 spezifizierten Aspekte zu gewährleisten. Entsprechend die-ser Zielsetzung wurde zunächst untersucht, ob und wie das bundesweite Messnetz des Moos-Monitorings 2005 (726 Standorte) so umstrukturiert werden kann, dass ein etwa auf die Hälfte reduziertes Messnetz die (inter)nationalen Anforderungen in erster Linie für HM – und abgestuft für N und POP – möglichst umfassend, d. h. bei größtmöglicher Effizienz unter Aufrechterhaltung seiner Suffizienz realisiert. Effizienz bedeutet hier, dass nicht mehr Standorte als erfor-derlich beprobt werden und andere Messprogramme mit dem Moos-Messnetz räumlich verknüpft werden und somit einzelne Standorte multifunktional genutzt werden können. Suffizienz bedeutet, dass das umstrukturierte Messnetz in (geo)statistischer, frequenzanalytischer und raumstrukturel-ler Hinsicht dem Messnetz 2005 noch weitgehend entspricht. Dies impliziert eine Abwägung der Vor- und Nachteile rein flächenstatistischer Beobachtungsansätze gegenüber einer stärker fragenorientierten Ausrichtung. Zunächst wurden die internationalen Anforderungen an die räumliche Bepro-bungsdichte mit den nationalen Anforderungen aus der Projektzielsetzung (z. B. Zusatzinformationen für N) und der Fortschreibung vorangegangener Erhebungen (1990, 1995, 2000, 2005) zusammengestellt. Hieran anschließend erfolgte
die Weiterentwicklung und Anwendung der für den letzten Survey ausgearbeiteten Methodik zur Optimierung des Moos-Monitoring-Messnetzes (Pesch et al. 2008).
2 Konzept und Datengrundlage
2.1 Anforderungen an das MessnetzAm European Moss Survey 2015 beteiligen sich 36 Staaten. HM werden voraussichtlich in allen Teilnehmerstaaten, N in 18 Staaten und POPs in Bulgarien, Deutschland, Frank-reich, Irland, Norwegen, Polen und der Schweiz untersucht (FrontasyeVa et al. 2016). Internationale Anforderungen an die Messnetzplanung ergeben sich im Wesentlichen aus den Empfehlungen des Handbuchs des icP Vegetation (2014). Demnach sollen Moosproben an mind. 1,5 Standorten pro 1.000 km² gesammelt werden. Daraus ergäbe sich für Deutschland mit einer Fläche von 357.340 km² ein Messnetz mit mind. 536 Standorten. Als absolute Untergrenze empfiehlt das Handbuch mind. 2 Standorte pro Gridzelle des EMEP-Depositionsmodells (50 km x 50 km), was einer bundesweiten Stichprobengröße von mind. 404 entspricht. In Bereichen mit steileren Depositionsgradienten werden höhere Beprobungs-dichten empfohlen. Um die Moos-Daten mit Messwerten für die atmosphärische Deposition vergleichen zu können, wird empfohlen, die Moossammelstellen in die Nähe entsprechen-der Messstationen anderer Monitoring-Programme zu legen. Für Analysen zeitlicher Trends sollen die Messungen vorzugs-weise an bereits untersuchten Probenentnahmeflächen (= 50 m x 50 m) oder einer vergleichbaren Probenentnahmefläche in max. 2 km Entfernung von der früheren Fläche durchge-führt werden. Es sollten bevorzugt Standorte mit Vorkommen der nach Handbuch prioritären Moosart Pleurozium schre-beri (Brid.) Mitt., gefolgt von Hypnum cupressiforme Hedw. s.str. gewählt werden. Pseudoscleropodium purum (Hedw.) M.Fleisch (Synonym Scleropodium purum Hedw. Limpr.) wird mit dritter Priorität genannt (harmens et al. 2010, 2013). Für die Gewährleistung statistisch valider Fallzahlen sollen ferner stoffspezifische Mindestprobenzahlen (MPZ) eingehalten werden, welche auf der Basis vorhandener Datenkollektive sowie einer definierten Fehlertoleranz für die Berechnung des arithmetischen Mittelwertes für unterschiedliche administra-tive Raumkategorien (Deutschland, Bundesländer) und/oder ökologischer Raumklassen zu bestimmen sind.
Weitere Anforderungen an die Umstrukturierung des Messnetzes 2015 ergeben sich aus der Verknüpfung des Standardprogramms des ICP Vegetation mit den pro-jektspezifischen Zielen für die statistische Analyse. Zu den Standarduntersuchungen im European Moss Survey können gezählt werden: deskriptive Statistik der Messdaten (HM, N, erstmals in Deutschland auch POPs), die Ermittlung räumli-cher Depositionsmuster von Schadstoffen sowie die Analyse zeitlicher Trends (1990–2015). Darüber hinaus soll im deut-schen Moos-Monitoring 2015 das neu zu strukturierende Beprobungsnetz auch folgende spezifische Auswertungen ermöglichen:
Multivariate Analysen von Mess- und standortbeschrei- ●benden Metadaten lt. Annex 5 zum Moss-Manual (icP Vegetation),
Vergleiche mit technischen Depositionsmessungen ●anderer Umweltbeobachtungsprogramme (z. B. ICP Forests, ICP Integrated Monitoring, UBA-Luftmess-netz),
Kombinierte Methoden aus Modellierung, Messung und Geländearbeit
Waldökologie, Landschaftsforschung und Naturschutz, online preview 4
AFSV
Vergleiche mit Befunden anderer Bioindikationsverfah- ●ren, insbesondere POP-Blatt-/Nadelspiegelwerte in der Umweltprobenbank des Bundes (UPB),
Vergleiche mit Modellierungen atmosphärischer ●Stoffdepositionen,
Vergleiche mit Karten der Critical Loads (CL), bundes- ●weit und regional am Beispiel eines ausgewählten NATURA 2000-Gebietes.
2.2 DatengrundlageDie Konfiguration des Moosmessnetzes 2015 greift auf die nachfolgend genannten und knapp beschriebenen Daten zurück. Der Pool an potenziell geeigneten Standorten umfasst zunächst die 726 Standorte des Moos-Messnetzes 2005 (Pesch et al. 2007), weitere 28 Standorte, welche in den Jahren 2012 und 2013 für die Untersuchung kleinräumiger Variabilitäten unter Berücksichtigung des Kronentraufeffek-tes in Nordwest-Deutschland beprobt wurden (meyer 2016) sowie die vom Land Sachsen-Anhalt für das Jahr 2011 aus-gesuchten Standorte (metzschker 2016). Zur Ermittlung der Anzahl früherer Beprobungen, die wichtig für die Erfassung von zeitlichen Trends ist, wurden zudem die Moos-Daten der Jahre 1990, 1995 und 2000 (klePPin et al. 2008)2 hinzu-gezogen. Die mittels Geographischem Informationssystem (GIS) generierten geostatistischen Flächenschätzungen der As-, Cd-, Cr-, Cu-, Fe-, Hg-, Ni-, Pb-, Sb-, Ti-, V-, Zn- und N-Gehalte im Moos (Pesch et al. 2007 a) sowie Modellie-rungen der atmosphärischen Deposition (Cd, Pb, 50 km x 50 km, 2005, Deutschland vom Meteorological Synthesizing Centre – East, MSC-East; Cd, Pb, 7 km x 7 km Deutsch-land, 2007–2011 sowie As, Cr, Cu, Ni, V, Zn, 25 km x 25 km Deutschland, 2009–2011, LOTOS EUROS; Builtjes et al. 2016, nickel et al 2016b, schröder et al. 2016) dienten ins-besondere der Lokalisierung von Belastungsgradienten und Differenzen zwischen Monitoring- und Modellierungsdaten. Die Einbeziehung der Standorte anderer Umweltbeobach-tungsprogramme – Umweltprobenbank, UBA-Luftmessnetz, ICP Integrated Monitoring und ICP Forests Level II (ICP-LII)3 – zielt auf eine Verknüpfung der Monitoring-Messnetze. Wei-tere Daten zur Karte der Wald- und Forstökosystemtypen in Deutschland (Maßstab 1 : 500.000; jenssen et al. 2013, 2015; nickel et al. 2015; schröder et al. 2015) sowie der 40 Klassen umfassenden Ecological Land Classes of Europe4 (ELCE40, 10 km x 10 km Europa, hornsmann et al. 2008) wurden als Repräsentanzkriterien sowie für die Fallzahlenplanung ver-wendet (schröder et al. 1991). Von den 40 Ecological Land Classes of Europe kommen in Deutschland 16 ELCE-Klassen vor plus einer Klasse „Reste“, in der mehrere flächenmäßig nicht ins Gewicht fallende Raumklassen zusammengefasst wurden. Zur Operationalisierung der Kriterien Effizienz und Suffizienz sowie der o. g. Anforderungen wurde für die Planung eines gegenüber dem Moos-Monitoring 2005 etwa auf die Hälfte reduzierten Messnetzes ein mehrstufiges Verfahren entwickelt. Dieses umfasst die Berechnung der Mindestprobenzahl für ausgewählte Raumkategorien, der Mindestbeprobungsdichte in Schwerpunkträumen, der Stich-
2 http://www.mapserver.uni-vechta.de/moos
3 http://www.env-it.de/stationen/public/open.do, http://icp-forests.net/page/data-request, http://www.msceast.org/index.php/j-stuff/content/list-layout/regional
4 Es gibt auch differenziertere ELCE-Versionen mit bis über 200 Klassen.
probenauswahl sowie einer Analyse des umstrukturierten Messnetzes 2015. Diese vier folgenden Abschnitte werden jeweils in Methodik sowie Ergebnisse unterteilt.
3 Mindestprobenzahlen für ausge-wählte Raumkategorien
3.1 MethodikDie Bestimmung der Mindestprobenzahlen (MPZ, Minimum Sample Sizes - MSS) ist im Moos-Monitoring 2015 einer von mehreren Qualitätssicherungsaspekten für die statistischen Auswertungen (schröder et al. 1991). Grundidee der Fallzah-lenplanung ist, die Stichprobe so groß zu wählen, dass der wahre Mittelwert mit einer bestimmten Sicherheit nicht weiter vom empirischen Mittelwert entfernt liegt als eine definierte Fehlertoleranz. Dieser Ansatz geht von der Annahme aus, dass sich die auf Grundlage vorhandener Daten ermittelten MPZ auf künftige Messwertvarianzen übertragen lassen. Die Schätzung der MPZ erfolgt hierfür elementspezifisch für unterschiedliche Raumkategorien (Deutschland, Bundeslän-der, ökologische Raumklassen). Für die Fallzahlenschätzung wird die im Handbuch des ICP Vegetation (2014) empfohlene Gl. 1 verwendet.
(Gl. 1)
mit: Mean = Mittelwert der gemessenen Elementkonzen- trationen im Moos
Stdev = Standardabweichung der gemessenen Ele- mentkonzentrationen im Moos
tol = akzeptierter Fehler-Faktor
tol * Mean = Fehlertoleranz
Gl. 1 setzt voraus, dass die Elementkonzentrationen im Moos normal verteilt sind und die Standardabweichung (Stdev) aus vielen Messungen gut bekannt ist. Der aus der Nor-malverteilung abgeleitete Z-Wert von 1,96 gewährleistet auf einem Signifikanzniveau von α = 0,05 zumindest für große Fallzahlen (mehrere Hundert), dass der wahre Mittelwert mit einer Sicherheit von 95 % nicht weiter vom empirischen Mit-telwert (mean) entfernt liegt als die definierte Fehlertoleranz (wahrer Mittelwert * tol). In Anlehnung an garten et al. (2007) und Qiu et al. (2001) wurde hier ein einheitlich akzeptierter Fehler-Faktor (tol) von 0,2 (= 20 %) definiert. Die Analyse zeigt, dass die Stoffkonzentrationen im Moos teilweise nor-mal verteilt sind, Gl. 1 also anwendbar ist. Oft jedoch folgen sie der log-Normalverteilung oder anderen theoretischen Verteilungen. Da bei lognormal verteilten Daten Gl. 1 in der Regel zu geringe Mindestprobenzahlen liefert, schlägt wos-niok (2015, zitiert in schröder et al. 2016) in Ergänzung des Moss Manuals Gl. 2 vor.
(Gl. 2)
mit:
Kombinierte Methoden aus Modellierung, Messung und Geländearbeit
Waldökologie, Landschaftsforschung und Naturschutz, online preview 5
AFSV
Gl. 1 leitet sich prinzipiell aus einer Formel zur Ermittlung des Konfidenzintervalls (schönwiese 2000) ab. Auch Gl. 2 knüpft an das Konfidenzintervall für den arithmetischen Mittelwert an, mit dem Unterschied, dass die Verteilung des Mittelwerts auf der logarithmischen Skala verwendet wird. Aus dieser Verteilung wird das Konfidenzintervall für den wahren Mittel-wert nach cox (erwähnt als „Persönliche Kommunikation“ in land 1971, zitiert in: olsson 2005) bestimmt und die Stichpro-bengröße n (= MPZ) so gewählt, dass die Differenz zwischen Obergrenze des Konfidenzintervalls und dem vermuteten wahren Mittelwert kleiner als die akzeptierte Differenz ist.
Für die Messnetzplanung 2015 wurden die MPZ nach den Gl. 1 und 2 für drei Raumkategorien berechnet: (a) Deutschland, (b) Bundesländer sowie (c) in Deutschland vorkommende Ecological Land Classes of Europe (ELCE40). Dies erfolgte auf der Basis der bundesdeutschen Moosdaten 2005 (n = 726) für die Elemente As, Cd, Cr, Cu, Fe, Hg, Ni, Pb, Sb, V und Zn sowie N. Alle hieraus resultierenden Teildatensätze wurden auf einem Signifikanzniveau von α = 0,05 mit dem Shapiro-Wilk-Test (shaPiro & wilk 1965) auf Normalverteilung bzw. nach log-Transformierung auf log-Normalverteilung geprüft. Für Daten, die weder normal noch lognormal verteilt waren, wurde auf die im Manual empfohlene Gl. 1 zurückgegriffen.
3.2 ErgebnisseDer Vergleich mit dem tatsächlichen Stichprobenumfang (724 < n < 726) zeigt, dass bei allen Elementen die MPZ im Moos-Monitoring 2005 weit überschritten war (Tab. 1). Als Untergrenze, bei der mit einer Sicherheit von 95 % der empi-risch ermittelte Mittelwert nicht mehr als 20 % vom wahren Mittelwert entfernt liegt, ergibt sich entsprechend der MPZ für Cr eine Fallzahl von n ≈ 182.
Tabelle 2 und 3 zeigen den Vergleich für die Teilstichproben in verschiedenen Raumeinheiten (ELCE40, Bundesländer). Für Cr wurde der geringste prozentuale Anteil der ELCE40-Klassen mit erreichter oder überschrittener MPZ (24 %) und der höchste Anteil für Cu und Sb (53 %) ermittelt (Tab. 2). Der durchschnittliche Anteil liegt bei ca. 42 %. Am besten repräsentiert sind die ELCE40-Klassen F1_2, F3_1, F3_2
und F4_2. Vier von 18 ELCE40-Klassen (B_1, B_2, C_0, G1_0) waren durch das bundesweite Moos-Messnetz 2005 überhaupt nicht repräsentiert. Diese haben ihren Verbrei-tungsschwerpunkt allerdings außerhalb Deutschlands. In Bezug auf die Bundesländer ist der geringste prozentuale Anteil der Bundesländer mit erreichter oder überschrittener MPZ wiederum bei Cr (36 %) und der höchste Anteil bei Hg und N (100 %) festzustellen (Tab. 3). Im Durchschnitt beträgt der Anteil ca. 80 %. Bundesländer, bei denen die MPZ im Jahr 2005 für alle Elemente überschritten wurde, bildeten Baden-Württemberg, Bayern und Nordrhein-Westfalen. Am schlechtesten repräsentiert war das Saarland, wo die MPZ nur für 4 von 12 Elementen erreicht war.
4 Mindestbeprobungsdichte in Schwerpunkträumen
4.1 MethodikAls Grundlage für die Festlegung einer höheren Beprobungs-dichte in Schwerpunkträumen, zusätzlich zu den im vorigen Abschnitt behandelten Raumkategorien (Deutschland, Bun-desländer, ökologische Raumklassen), wurden Bereiche mit einer erhöhten räumlichen Variabilität der HM-Akkumulation ermittelt. Hierzu wurde für jedes EMEP-Grid (50 km x 50 km) über der Fläche Deutschlands der relative Variationskoeffi-zient (Vr) als Streuungsmaß nach Gl. 3 (sachs & hedderich 2009, S. 79) bestimmt:
(Gl. 3)
Vr wurde zunächst element-spezifisch für N, die prioritären Metalle (Cd, Hg, Pb) sowie auch Cr als wichtiges Metall der zweiten Priorität auf der Basis der Daten des Moos-Monitorings 2005 und das arithmetische Mittel über die fünf Elemente berechnet. Als Standorte in Bereichen mit einer hohen Schwankungsbreite der HM-Akkumulation wurden solche in EMEP-Grids mit einem mittleren Vr > 25 % definiert.
Höhere Beprobungsdichten werden darüber hinaus in Regi-onen mit bekannten Differenzen zwischen Modellierungen der HM- und N-Deposition und entsprechenden Befunden der Bioindikation relevant. Zur Abgrenzung dieser Bereiche wurde auf Untersuchungen von nickel & schröder (2016 a, 2016 b) zurückgegriffen. Differenzen ergaben sich demnach aus Vergleichen zwischen der mit dem Modell LOTOS-EUROS berechneten HM-Deposition (Builtjes et al. 2014) und geostatistischen Flächenschätzungen der Metallkon-zentrationen im Moos (Pesch et al. 2007 a). Hierzu wurden
Tab. 1: Mindestprobenzahlen (MPZ) und tatsächliche Stichprobengrößen (n) für 12 Elemente, Moos-Monitoring 2005, Deutschland.
Tab. 1: Minimum Sample Size (MSS) and realised sample size (n) for 12 elements, moss survey 2005, Germany.
As Cd Cr Cu Fe Hg N Ni Pb Sb V Zn
MPZ 85 33 182 13 51 19 8 31 51 28 24 26
N 725 724 725 725 726 726 726 725 725 725 726 724
VT [3] [3] [3] [3] [3] [3] [3] [3] [3] [3] [3] [3]
Fett = MPZ erreicht oder überschritten; VT = Verteilung; [1] = Normalverteilung; [2] = log-Normalverteilung; [3] = andere Verteilung
Kombinierte Methoden aus Modellierung, Messung und Geländearbeit
Waldökologie, Landschaftsforschung und Naturschutz, online preview 6
AFSVTa
b. 2
: E
lem
ents
pezi
fisch
e M
inde
stpr
oben
zahl
en (M
PZ) u
nd ta
tsäc
hlic
he S
tichp
robe
ngrö
ßen
(n) f
ür K
lass
en d
er 4
0-st
ufige
n ök
olog
isch
en R
aum
glie
deru
ng E
urop
as (E
LCE
40) i
n D
euts
chla
nd, M
oos-
Mon
itorin
g 20
05.
Tab.
2:
Ele
men
t-spe
cific
Min
imum
Sam
ple
Siz
e an
d re
alis
ed s
ampl
ing
size
(n) f
or c
lass
es o
f the
Eco
logi
cal L
and
Cla
ssifi
catio
n of
Eur
ope
(ELC
E40
) in
Ger
man
y, M
oss
Sur
vey
2005
.
As
Cd
Cr
Cu
FeH
gN
Ni
PbSb
VZn
ELC
E 40
MPZ
nV
TM
PZn
VT
MPZ
nV
TM
PZn
VT
MPZ
nV
TM
PZn
VT
MPZ
nV
TM
PZn
VT
MPZ
nV
TM
PZn
VT
MPZ
nV
TM
PZn
VT
B_1
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
B_2
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
C_0
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
D_1
397
7[2
]43
7[3
]10
17
[2]
77
[2]
327
[2]
67
[2]
27
[2]
97
[2]
447
[2]
77
[3]
107
[3]
47
[3]
D_1
4-
1-
-1
--
1-
-1
--
1-
-1
--
1-
-1
--
1-
-1
--
1-
-1
-
F1_1
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
F1_2
3370
[2]
1070
[3]
6170
[3]
670
[2]
1370
[3]
870
[2]
570
[3]
1170
[2]
2270
[2]
7770
[3]
970
[3]
1070
[3]
F2_6
8077
[3]
2578
[2]
444
78[3
]14
78[3
]10
778
[3]
1878
[3]
878
[2]
3478
[3]
3478
[3]
2278
[2]
5978
[3]
1677
[3]
F3_1
113
161
[3]
3916
1[3
]15
216
1[3
]7
161
[2]
3516
1[3
]13
161
[3]
816
1[2
]25
160
[3]
4116
1[3
]19
161
[2]
2216
1[2
]18
161
[3]
F3_2
2516
4[3
]29
163
[3]
115
163
[3]
1116
3[3
]30
164
[3]
1516
4[2
]8
164
[2]
2316
4[3
]45
163
[3]
3116
4[2
]18
164
[2]
2016
4[2
]
F4_1
2039
[2]
1339
[2]
8239
[3]
1539
[2]
2939
[2]
1939
[3]
1739
[3]
1839
[2]
2239
[2]
1639
[2]
1639
[2]
1039
[1]
F4_2
101
138
[3]
3613
7[3
]61
138
[3]
3113
8[3
]36
138
[3]
1713
8[2
]10
138
[2]
4513
8[3
]72
138
[3]
2413
7[2
]26
138
[3]
3513
7[3
]
G1_
0-
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
-
S_0
104
[2]
294
[2]
106
4[3
]12
4[2
]1
4[3
]14
4[2
]9
4[3
]24
4[3
]78
4[3
]11
4[1
]9
4[2
]26
4[2
]
U_1
7050
[3]
3350
[3]
7350
[3]
1850
[2]
8250
[3]
2150
[3]
1150
[2]
3750
[2]
4550
[3]
4250
[2]
4850
[2]
103
50[3
]
U_2
-1
--
1-
-1
--
1-
-1
--
1-
-1
--
1-
-1
--
1-
-1
--
1-
Res
te14
13[1
]13
13[3
]14
013
[3]
1213
[2]
3213
[2]
1313
[3]
1613
[3]
2913
[2]
1013
[2]
913
[3]
1413
[2]
3113
[2]
Sum
me
563
725
270
724
1335
725
133
725
397
726
144
726
9472
625
572
541
372
525
872
523
172
627
372
4
Anz
ahl
58
49
69
87
89
77
%29
4724
5336
5347
4147
5341
41
Fett
= M
PZ
erre
icht
ode
r übe
rsch
ritte
n; A
nzah
l = A
nzah
l der
ELC
E40
-Kla
ssen
mit
erre
icht
er o
der ü
bers
chrit
tene
r MP
Z; %
= P
roze
ntua
ler A
ntei
l der
ELC
E40
-Kla
ssen
mit
erre
icht
er o
der ü
bers
chrit
tene
r M
PZ;
VT
= Ve
rteilu
ng; [
1] =
Nor
mal
verte
ilung
; [2]
= lo
g-N
orm
alve
rteilu
ng; [
3] =
and
ere
Verte
ilung
Kombinierte Methoden aus Modellierung, Messung und Geländearbeit
Waldökologie, Landschaftsforschung und Naturschutz, online preview 7
AFSV
Tab.
3:
Ele
men
tspe
zifis
che
Min
dest
prob
enza
hlen
(MPZ
) und
tats
ächl
iche
Stic
hpro
beng
röße
n (n
) für
Bun
desl
ände
r, M
oos-
Mon
itorin
g 20
05.
Tab.
3:
Ele
men
t-spe
cific
Min
imum
Sam
ple
Siz
e an
d re
alis
ed s
ampl
ing
size
(n) f
or G
erm
any´
s fe
dera
l sta
tes,
Mos
s S
urve
y 20
05.
As
Cd
Cr
Cu
FeH
gN
Ni
PbSb
VZn
Bun
desl
and
MPZ
nV
TM
PZn
VT
MPZ
nV
TM
PZn
VT
MPZ
nV
TM
PZn
VT
MPZ
nV
TM
PZn
VT
MPZ
nV
TM
PZn
VT
MPZ
nV
TM
PZn
VT
Bad
en-
Wür
ttem
berg
4256
[2]
3756
[2]
2656
[3]
856
[3]
3756
[3]
1656
[2]
756
[2]
1756
[2]
4556
[2]
2156
[3]
3256
[2]
1956
[2]
Bay
ern
3710
3[3
]16
103
[3]
9310
3[3
]8
103
[2]
1810
3[3
]14
103
[2]
610
3[3
]21
102
[3]
4010
3[3
]17
103
[2]
1910
3[2
]11
102
[3]
Ber
lin/
Bra
nden
burg
1851
[3]
451
[1]
6251
[3]
651
[2]
1651
[2]
551
[2]
651
[2]
1151
[2]
1551
[2]
1551
[2]
851
[2]
1051
[2]
Ham
burg
53
[3]
33
[3]
93
[2]
93
[3]
13
[3]
23
[3]
13
[3]
23
[2]
53
[3]
113
[2]
33
[2]
123
[3]
Hes
sen
2860
[3]
960
[3]
7760
[3]
1060
[2]
4160
[3]
1360
[3]
860
[2]
5060
[3]
4460
[3]
2460
[2]
2760
[3]
1360
[2]
Mec
klen
burg
- Vo
rpom
mer
n15
49[2
]11
49[2
]60
49[3
]10
49[2
]19
49[3
]17
49[3
]15
49[3
]13
49[2
]14
49[2
]12
49[3
]10
49[2
]8
49[2
]
Nie
ders
achs
en/
Bre
men
1688
[2]
2688
[2]
137
88[3
]6
88[2
]17
88[3
]9
88[3
]5
88[3
]17
88[2
]28
88[3
]14
88[3
]14
88[2
]18
88[2
]
Nor
drhe
in-
Wes
tfal
en25
80[2
]25
79[3
]35
80[2
]14
80[2
]23
81[2
]9
81[3
]6
81[3
]18
81[2
]42
80[3
]20
80[2
]14
81[2
]15
80[3
]
Rhe
inla
nd-
Pfal
z26
33[3
]36
33[3
]30
33[3
]10
33[2
]12
33[3
]4
33[3
]3
33[1
]19
33[3
]32
33[3
]15
33[2
]12
33[2
]7
33[1
]
Saar
land
297
[3]
117
[2]
128
7[2
]5
7[2
]74
7[3
]6
7[3
]3
7[3
]14
7[1
]15
7[3
]17
7[2
]27
7[2
]4
7[3
]
Sach
sen
6561
[3]
2061
[3]
432
61[3
]7
61[3
]75
61[3
]13
61[3
]7
61[2
]27
61[3
]36
61[2
]86
61[3
]44
61[3
]18
61[2
]
Sach
sen-
Anh
alt
113
48[3
]82
48[3
]60
48[3
]54
48[3
]69
48[3
]17
48[3
]8
48[2
]23
48[3
]13
148
[3]
2348
[3]
4748
[3]
3448
[3]
Schl
esw
ig-
Hol
stei
n38
31[2
]28
31[2
]87
31[2
]10
31[3
]33
31[3
]12
31[2
]7
31[3
]25
31[2
]29
31[2
]22
31[2
]23
31[2
]11
331
[3]
Thür
inge
n95
55[3
]22
55[2
]47
55[3
]6
55[2
]62
55[3
]13
55[3
]6
55[3
]32
55[2
]28
55[2
]8
55[3
]31
55[3
]10
55[3
]
Sum
me
552
725
330
724
1283
725
163
725
497
726
150
726
8872
628
972
550
472
530
572
531
172
629
272
4
Anz
ahl
811
513
914
1413
1111
1312
%57
7936
9364
100
100
9379
7993
86
Fett
= M
PZ
erre
icht
ode
r übe
rsch
ritte
n; A
nzah
l = A
nzah
l der
Bun
desl
ände
r mit
erre
icht
er o
der ü
bers
chrit
tene
r MP
Z; %
= P
roze
ntua
ler A
ntei
l der
Bun
desl
ände
r mit
erre
icht
er o
der ü
bers
chrit
tene
r MP
Z;
VT
= Ve
rteilu
ng; [
1] =
Nor
mal
verte
ilung
; [2]
= lo
g-N
orm
alve
rteilu
ng; [
3] =
and
ere
Verte
ilung
.
Kombinierte Methoden aus Modellierung, Messung und Geländearbeit
Waldökologie, Landschaftsforschung und Naturschutz, online preview 8
AFSV
beide räumlichen Informationen auf 1 (= 100 %) normiert und jeweils die Abweichung der Depositions- bzw. Konzentrati-onswerte für As, Cd, Cr, Cu, Ni, Pb, V, Zn vom bundesweiten Median berechnet (Gl. 4 und 5).
LEdev = (LEx,y / LEmedian) * 100 (Gl. 4)
mit: LEdev = Abweichung vom Median der modellierten Gesamtdeposition [%] LEx,y = Modellierte Gesamtdeposition in Rasterzelle x,y [µg/m² a] LEmedian = Median der modellierten Gesamtdeposition [µg/m² a]
Moosdev = (Moosx,y / Moosmedian) * 100 (Gl. 5)
mit: Moosdev = Abweichung vom Median der Element- Konzentration im Moos [%]
Moosx,y = Geschätzte Element-Konzentration im Moos in Rasterzelle x,y [µg/g]
Moosmedian = Median der gemessenen Element- Konzentration im Moos [µg/g]
Auf dieser Grundlage wurden die Differenzen zwischen den normierten HM-Depositions- und Konzentrationswer-ten und eine mittlere Differenz bestimmt. Standorte des Moos-Monitorings 2005 in Bereichen mit mittleren Differen-zen > 25 % wurden im Messnetz 2015 schließlich für eine höhere Beprobungsdichte vorgesehen. Für Vergleiche mit bestehenden N-Depositionsmodellierungen (wichink-kruit et al. 2014) wurde zudem in Süd-Deutschland eine höhere Beprobungsdichte geplant, da hier in der Modellierung nicht berücksichtigte Luv-/Lee-Effekte an Gebirgen vermutet werden.
4.2 ErgebnisseInsgesamt wurden 105 Standorte in Bereichen mit einer hohen Schwankungsbreite der Stoffakumulation, d. h. in EMEP-Grids mit einem mittleren Variationskoeffizienten (Vr) von > 25 % bezogen auf Cd, Hg, Pb, Cr und N ermittelt (Abb. 1). Weiter wurden 222 Standorte in Bereichen mit bekannten Differenzen zwischen Elementkonzentrationen im Moos (As, Cd, Cr, Cu, Ni, Pb, V, Zn) und entsprechen-den Depositionsmodellierungen ergänzt. Ferner wurden 12
Abb. 1: Umstrukturiertes Messnetz des Moos-Survey in Deutschland 2015.
Fig. 1: Re-structured sampling net of the moss survey in Germany 2015.
Kombinierte Methoden aus Modellierung, Messung und Geländearbeit
Waldökologie, Landschaftsforschung und Naturschutz, online preview 9
AFSV
Standorte in einem Transekt von der Rheinebene über den Schwarzwald und das Alpenvorland bis Berchtesgaden als Grundlage der Festlegung einer höheren Beprobungsdichte hinzugefügt.
5 Stichprobenauswahl
5.1 MethodikDas der Stichprobenauswahl zugrundeliegende Entschei-dungsmodell (Abb. 2) basiert auf oben spezifizierten Datengrundlagen aus dem Moos-Messnetz 2005 (Pesch et al. 2007) sowie einer Freiflächen-/Traufstudie 2012 und 2013 in Nordwest-Deutschland (meyer 2016). Das Modell beruht auf Kriterien für die positive Auswahl von Standorten aus dem gesamten Standortpool (Selektionskriterien), Kriterien für Standortpaarvergleiche (gewichtete Entscheidungskrite-rien) sowie Bedingungen (Constraints) als Kriterien für die Eliminierung von Standorten. Der erste Schritt bestand in der Selektion von Standorten des Moos-Messnetzes 2005, deren Abstände zu solchen der Umweltprobenbank (UPB, wagner et al. 1997; UBA 2008), des ICP Forests Level II (ICP-LII, Fischer et al 2006, seidling et al. 2014), des ICP Integrated Monitoring (ICP-IM, kleemola & Forsius 2006) sowie des UBA-Luftmessnetzes (UBA-Luft, ihle et al. 2001) weniger als 5 km beträgt. Moos-Standorte mit einem Abstand zwischen 5 und 10 km, die in identischen ökologischen Raumklassen (ELCE40) lagen und/oder denselben aktuellen naturnahen Ökosystemtyp (jenssen et al. 2013, 2015; nickel et al. 2015; schröder et al 2015) repräsentieren, wurden ebenfalls in den Datensatz übernommen.
Sämtliche 28 Standorte, die 2011 in Sachsen-Anhalt beprobt wurden (= 27 Standorte aus 2005 plus ein neuer Standort ST65) sowie alle sieben Standorte im Saarland wurden in das Moos-Messnetz 2015 übernommen, da diese Länder die Probenentnahmen in eigener Regie durchführen. Die restli-chen Standorte in diesen Ländern wurden ausgeschlossen, es sei denn, sie erfüllten das Kriterium der räumlichen Nähe zu UPB, ICP-LII, ICP-IM oder UBA-Luft-Standorten.
Weiter wurden die 25 sog. Freiflächen-/Traufstandorte aus den Untersuchungen von meyer (2016) ergänzt. Diese schlüs-seln sich in Freiflächenstandorte (= Standorte mindestens 3 m vom Ende der am nächsten entfernten Baumkrone), Traufstandorte (= Standorte im Traufbereich von Bäumen eines Waldbestandes) und teilweise Halbtraufstandorte (= Standorte direkt unter dem Ende des Baumkronenüberhan-ges eines Waldbestandes) auf. Sie sollen neben multivariaten explorativen Analysen der Regionalisierung atmosphärischer N-Einträge in ausgewählten NATURA 2000-Gebieten dienen. Ausgeschlossen wurden zehn Standorte des Messnetzes 2005, welche in diesem engeren Untersuchungsraum 2012 und 2013 ebenfalls nicht berücksichtigt wurden.
Die sich anschließenden Schritte zielten auf die Ausdünnung der Restmenge des Beprobungsnetzes 2005 auf ein auf etwa die Hälfte reduziertes Messnetz. Hierzu wurden zunächst sämtliche Distanzen zwischen den zuvor ausgewählten bzw. ergänzten Standorten plus den noch zur Auswahl stehen-den Standorten des Messnetzes 2005 berechnet und eine Paarliste erstellt. In der darauffolgenden multikriteriellen Opti-mierung wurden folgende Entscheidungskriterien untersucht:
Abb. 2: Methodisches Vorgehen der Messnetzumstrukturierung.
Fig. 2: Methodical concept of network reconstruction.
Kombinierte Methoden aus Modellierung, Messung und Geländearbeit
Waldökologie, Landschaftsforschung und Naturschutz, online preview 10
AFSV
Anzahl an früheren Beprobungen desselben Standor- ●tes in den Kampagnen 1990, 1995, 2000 und 2005,
früheres Vorkommen von ● Pleurozium schreberi (= prio-ritäre Moosart),
Offenlandcharakter des Standortes (= Grasland, ●Heide).
Die drei Entscheidungskriterien wurden in einer gewichteten Entscheidungs-Matrix aggregiert. Diese wurden in zahlrei-chen Kombinationen verschiedener Gewichtungen zwischen 0 und 100 % auf die Liste der Standortpaare angewendet, wobei diese einmal nach aufsteigender Distanz, angefan-gen von dem Paar mit der geringsten Distanz zwischen den Messstellen, gefolgt vom Paar mit der jeweils nächst höheren Distanz, und ein anderes Mal zufällig (reproduzier-bar) sortiert sind. Entlang dieser Sortierung erfolgte der die Ausdünnung iterativ, indem von jedem Standortpaar der gemäß der multikriteriellen Bewertung jeweils schlechter abschneidende Standort für die Eliminierung ausgewählt wurde. Das tatsächliche Eliminieren aus dem Moos-Mess-netz 2005 wurde schließlich von folgenden Bedingungen abhängig gemacht:
Es wurde kein Standort eliminiert, welcher den •in Schritt 1 berücksichtigten Selektionskriterien entsprach.
Es sollte mind. 1 Standort pro EMEP-Grid erhalten •bleiben.
Um die räumliche Verteilung der Messnetzdichte •2015 annähernd proportional zu der von 2005 zu halten, wurde ein Ausdünnungsfaktor f definiert. Unterhalb der f-fachen Distanz zum nächsten Nach-barn sollte kein Standort eliminiert werden. Für die Anwendung des Entscheidungsmodells wurde dieser Faktor zwischen 1,5 und 2,5 km variiert.
Für Standorte in Schwerpunkträumen, in denen eine •höhere Beprobungsdichte gewährleistet werden soll, wurden Maximaldistanzen für das auszudünnende Messnetz [in km] untersucht, die nicht unterschritten werden. Dies betrifft die Standorte in Regionen mit einer hohen Schwankungsbreite der Stoffakkumu-lation und Standorte in Gegenden mit bekannten Differenzen zwischen Befunden der Bioindikation und bestehenden Depositionsmodellierungen. Der Höchstabstand in Schwerpunkträumen wurde in verschiedenen Modellläufen zwischen 15 km und 35 km variiert.
Im Hinblick auf die Fallzahlenplanung und Gewährleistung von Mindestprobenzahlen (MPZ) für eine statistisch valide Datenauswertung wurden Zielgrößen definiert, die im zu pla-nenden Moos-Messnetz nicht unterschritten werden dürfen. Als Orientierung dienten die Ergebnisse zu den MPZ auf Basis der Moos-Daten der Jahre 2005. Für die Modellläufe wurden sechs Varianten für Zieldefinitionen jeweils spezifisch für die Bundesländer und die ELCE40-Klassen gebildet und untersucht. Tabelle 4 zeigt die gewählten Varianten für MPZ für das zu planende Messnetz 2015 mit unterschiedlichen
Tab. 4: Mindestprobenzahlen (MPZ) und tatsächliche Stichprobengrößen (n) für 12 Elemente, Moos-Monitoring 2005, Deutschland.
Tab. 4: Minimum Sample Size (MSS) and realised sample size (n) for 12 elements, moss survey 2005, Germany.
Bundesland MPZ1 MPZ2 MPZ3 MPZ4 MPZ6 ELCE40 MPZ1 MPZ2 MPZ3 MPZ4 MPZ6
Baden-Wuerttemberg 26 37 45 26 26 D_13 30 24 43 44 7
Bayern 19 16 40 25 33 D_14 1 1 1 1 1
Berlin/Brandenburg 8 6 15 15 11 F1_2 22 11 10 22 10
Hamburg 3 3 5 5 3 F2_6 72 21 25 34 28
Hessen 19 13 44 29 30 F3_1 41 25 39 41 46
Mecklenburg-Vorpommern 14 17 17 17 17 F3_2 31 24 29 45 49
Niedersachsen/Bremen 17 26 28 26 33 F4_1 23 18 19 22 19
Nordrhein-Westfalen 21 25 42 21 52 F4_2 41 34 36 72 53
Rheinland-Pfalz 19 36 36 17 21 S_0 27 33 29 78 4
Saarland 9 11 15 28 7 U_1 59 32 40 48 30
Sachsen 19 20 36 69 34 U_2 1 1 1 1 1
Sachsen-Anhalt 60 82 131 55 48 Reste 28 13 16 16 13
Schleswig-Holstein 19 28 29 36 20
Thueringen 17 22 28 30 22
Summe 225 289 426 348 357 Summe 364 231 279 419 261
MPZ1: Arithm. Mittel der MPZ 2005 für alle 12 Elemente; MPZ2: Arithm. Mittel der MPZ 2005 für die 4 prioritären Elemente (Cd, Hg, N, Pb); MPZ3: Maximum der MPZ 2005 für 3 prioritäre Elemente (Cd, Hg, N); MPZ4: Maximum der MPZ für 4 prioritäre Elemente (Cd, Hg, N, Pb); MPZ6: Optimierte benutzerdefinierte Variante
Kombinierte Methoden aus Modellierung, Messung und Geländearbeit
Waldökologie, Landschaftsforschung und Naturschutz, online preview 11
AFSV
Implikationen für die Qualitätssicherung. MPZ1 bis MPZ4 ori-entieren sich an den Ergebnissen der Tabelle 2 und 3, wobei Mittelwerte bzw. Maxima der MPZ für unterschiedliche Elem-entgruppen berechnet wurden. Zwei weitere Varianten bilden MPZ5 (ohne Einschränkung) und MPZ6 (benutzerdefiniert). Die jeweils sechs Varianten wurden im Entscheidungsmodell als Contraints berücksichtigt. Ihre vielfache Kombination eröffnete weitere Variationsmöglichkeiten.
Der gesamte Entscheidungsalgorithmus wurde in R (r core team 2013) implementiert. Die o. g. Modellparameter wurden vielfach variiert. Für die Stichprobenauswahl wurde das Entscheidungsmodell 100-fach mit unterschiedlichen Parametrisierungen angewendet und analysiert. Anschlie-ßend wurde das Ergebnis des optimierten Modelllaufs durch weitere gutachterliche Selektion/Eliminierung einzelner Standorte anhand weiterer im Modell nicht berücksichtigter Kriterien verfeinert.
5.2 Ergebnisse Für das Moos-Monitoring 2001 wurden insgesamt 402 Standorte ausgewählt (Abb. 3). Von ihnen entfallen auf Baden-Württemberg 30, auf Bayern 60, auf Brandenburg 28, auf
Hamburg 3, auf Hessen 28, auf Mecklenburg-Vorpommern 24, auf Niedersachsen/Bremen 57, auf Nordrhein-Westfalen 48, auf Rheinland-Pfalz 19, auf das Saarland 7, auf Sachsen 29, auf Sachsen-Anhalt 30, auf Schleswig-Holstein 20 und auf Thüringen 19. Dies ist das Ergebnis der Auswahl von 152 Standorten entsprechend der genannten Selektionskriterien und der anschließenden Ausdünnung der verbleibenden Restmenge durch Anwendung des optimierten Entschei-dungsmodells. In das Beprobungsnetz wurden 78 Standorte des ICP-Forests Level-II, 13 UPB-Standorte, fünf Stand-orte des UBA-Luftmessnetzes (Schauinsland, Schmücke, Waldhof, Westerland, Zingst) sowie zwei Standorte des ICP Integrated Monitoring (Forellenbach, Neuglobsow) einbe-zogen, welche sich i. d. R. in weniger als 5 km Entfernung von den gewählten Moos-Standorten befinden (Tab. A1 im Supplement). Damit werden Vergleiche mit technischen Depositionsmessungen (HM, N) und Daten zu Stoffgehalten in anderen Biota (Blätter, Nadeln) und Auflagehorizonten ähnlich ermöglicht, wie dies auf Basis des Messnetzes 2005 der Fall war.
Für den optimierten Modelllauf zur Ausdünnung der verblei-benden Moos-Standorte wurden die Standortpaare nach aufsteigender Distanz sortiert. Das Kriterium „Früheres
Abb. 3: Räumliche Verteilung der Standortkategorien im deutschen Moos-Messnetz 2015.
Fig. 3: Spatial distribution of site categories within the German moss survey network 2015.
Kombinierte Methoden aus Modellierung, Messung und Geländearbeit
Waldökologie, Landschaftsforschung und Naturschutz, online preview 12
AFSV
Vorkommen der prioritären Moosart Pleurozium schreberi“ wurde mit 100 %, die Kriterien „Anzahl an früheren Bepro-bungen“ sowie „Offenlandcharakter“ zugunsten für die Optimierung bedeutsamerer Kriterien mit 0 % gewichtet. Als Maximaldistanz zwischen den Standortpaaren wurde 20 km, als Ausdünnungsfaktor f = 1,5 festgelegt. Für die Gewährleis-tung der Mindestprobenzahlen wurde eine benutzerdefinierte Variante (MP6) gewählt, die die Bedingungen für die ELCE40-Klassen restriktiver und für die der Bundesländer weniger restriktiv definierte. Zur Verfeinerung der Modellierungser-gebnisse wurde in den HotSpots der Schadstoffbelastung die Beprobungsdichte erhöht, wodurch die Ergebnisse der geostatistischen Flächenschätzung verbessert werden konnten. In anderen Bereichen, insbesondere an den Lan-desgrenzen (ostfriesische Inseln, Rügen, Erzgebirge), wurde die Beprobungsdichte zugunsten von Standorten in HotSpots verringert.
In den 402 Standorten des Moos-Messnetzes 2015 sind 170 Standorte (= 42 %) enthalten, welche sowohl 1990, 1995, 2000 und 2005 beprobt wurden, 121 Standorte (= 30 %), die zuvor 3 Mal untersucht wurden, 61 (= 15 %) mit 2 früheren Beprobungen, 35 (= 9 %) mit 1 Beprobung und 15 (= 4 %) mit keiner Beprobung. An den 402 Standorten wurden im Jahr 2005 an 202 Standorten die prioritäre Moosart Pleurozium schreberi (= 50 %), an 86 Standorten die nächstprioritäre Moosart Hypnum cupressiforme (= 21 %) und an 112 Stand-orten Pseudoscleropodium purum (= 28 %) gesammelt. Zwei Standorte wiesen Vorkommen anderer Moosarten auf, wur-den aber aufgrund der Nachbarschaft zu Stationen anderer Umweltbeobachtungsprogramme sowie als Bestandteil des Beprobungsnetzes Sachsen-Anhalt in das Messnetz 2015 übernommen. Die meisten Standorte (ca. 84 %) wurden beim letzten Moos-Monitoring im September und Oktober 2006 aufgesucht.
Das Beprobungsnetz 2015 umfasst außerdem die 25 Freiflä-chen-/Traufstandorte der in den Jahren 2012 und 2013 von der Universität Vechta durchgeführten Untersuchungen in Nordwest-Deutschland (meyer 2016). Für die Bestimmung der Variabilität, die mit dem Verfahren der Probenahme und Analyse verbunden ist, wurden 2 Standorte (mit einem hohen und einem niedrigen Grad der Kontamination im Monitoring 2005) gewählt, an denen 3 Teilproben gesammelt werden (Mehrfachprobenstandorte). Diese Mehrfachmoosproben werden unabhängig voneinander erhoben, verarbeitet und analysiert, um quantitative Anhaltspunkte für die mit der gewählten Methode einhergehende Unsicherheit zu gewin-nen. Darüber hinaus wurden acht sog. POP-Standorte gewählt, d. h. Standorte, an denen zusätzlich Moose für POP-Analysen entnommen werden (Tab. A2 im Supple-ment). Wesentliche Auswahlkriterien bildeten die Distanz zu benachbarten Stationen der UPB, an denen gleichfalls POPs analysiert werden sowie der durch den UPB-Stand-ort repräsentierte Ökosystemtyp. Die Distanzen zu den UPB-Stationen betragen max. 2,4 km (Ø 832 m). Von den zuzuordnenden UPB-Standorten liegen 2 in naturnahen Ökosystemen, 2 in Agrar-Ökosystemen, 1 in einem Forst-Ökosystem und 3 in ballungsraumnahen Ökosystemen. Damit können bei der Interpretation der Ergebnisse des Moos-Monitorings auch die der UPB (Analysenergebnisse zu Blatt-, Nadel- und Bodenproben) genutzt werden. Standorte, an denen auch technische POP-Messungen durchgeführt werden, wurden bei der Auswahl aufgrund der begrenzten Ressourcen nicht berücksichtigt.
6 Messnetzvergleich 2005 und 2015
6.1 MethodikDie Beurteilung des neu strukturierten Messnetzes erfolgte in Abhängigkeit von den gewählten Stichprobengrößen und Modellparametern (Gewichtung der Entscheidungskriterien, Sortierreihenfolge, Constraints) durch Ermittlung folgender statistischer Kennwerte:
Minimum der Distanzen zwischen den Standorten ●[in m];
Anteil der Offenlandstandorte [in %]; ●
Mittlere Anzahl von Beprobungen desselben Standorts ●in den Kampagnen 1990, 1995, 2000 und 2005;
Anteil der Standorte mit ● Pleurozium schreberi [in %];
ELCE-spezifisches Defizit in der Erreichung der Min- ●destprobenzahlen (MPZ), berechnet für die Metalle As, Cd, Cr, Cu, Fe, Hg, Ni, Pb, Sb, V und Zn sowie N, aus-gedrückt als Anteil der Elemente, für die die MPZ in Bezug auf die ökologischen Raumklassen (ELCE40) erreicht wurde [in %];
Bundeslandspezifisches Defizit in der Erreichung der ●Mindestprobenzahlen (MPZ), berechnet auf der Basis der Moos-Daten 2005 für die Metalle As, Cd, Cr, Cu, Fe, Hg, Ni, Pb, Sb, V und Zn sowie N, ausgedrückt als Anteil der Elemente, für die die MPZ in Bezug auf die Bundesländer erreicht wurde [in %];
Anzahl der EMEP-Grids ohne bzw. mit einem Stand- ●ort;
Mediane der Stoffkonzentrationen im Moos für As, Cd, ●Cr, Cu, Fe, Hg, Ni, Pb, Sb, Ti, V und Zn sowie N in Deutschland.
Die Kennwerte wurden gegen die (kontinuierlich abneh-mende) Anzahl der Standorte in der Stichprobe aufgetragen, um so die Beurteilung der Güte des verbleibenden Mess-netzes auf jeder Stufe der Ausdünnung auch graphisch zu unterstützen. Zusätzlich erfolgte ein Vergleich der Vollstich-probe des Jahres 2005 mit der für 2015 selektierten bzw. ergänzten Teilstichprobe(n) für As, Cd, Cr, Cu, Fe, Hg, Ni, Pb, Sb, V, Zn und N bei unterschiedlichen Stichprobengrößen (n = 350, 400 und 450):
Zunächst wurde ein nach Bund, Ländern und ELCE ● 40-Klassen differenzierter Vergleich perzentil- und inferenzstatistischer Kenngrößen (Min, Max, 20er Per-zentil [Perz.], Median, 90er Perz., Mann-Whitney U-Test) der Messwertvarianzen vorgenommen. Der verteilungsfreie Mann-Witney U-Test prüft, ob zwei unabhängige Stichproben der gleichen Grundgesamt-heit entstammen (Nullhypothese) oder nicht (Alter- nativhypothese), d. h. ob beide Verteilungsformen und damit auch der Medianwert gleich oder signifikant unterschiedlich sind (sachs & hedderich 2009, S. 451). Die Nullhypothese wird angenommen, wenn der Signi-fikanzwert (p-value) > 0,05 beträgt. Dies ist für die Entscheidung, ob die Teilstichprobe für 2015 die Schad-stoffbelastung im Moos jeweils genauso repräsentiert wie die Vollstichprobe 2005, von zentraler Bedeutung.
Kombinierte Methoden aus Modellierung, Messung und Geländearbeit
Waldökologie, Landschaftsforschung und Naturschutz, online preview 13
AFSV
Für das neu strukturierte Messnetz 2015 erfolgten •die Bestimmung der Über- oder Unterschreitungen elementspezifisch ermittelter MPZ für unterschiedli-che Raumkategorien (Deutschland, Bundesländer, ELCE40) und der Vergleich mit denen des Messnetzes 2005.
Im Hinblick auf die geforderte räumliche Verallge-•meinerbarkeit der Stoffeintragsdaten wurden die Vollstichprobe 2005 sowie die jeweils gewählten Teilstichproben 2015 im Hinblick auf räumliche Auto-korrelation mittels Variogrammanalyse (johnston et al. 2001) untersucht und wesentliche Kennwerte zur Geostatistik (Range, Nugget/Sill-Verhältnis) bestimmt. Die darauf basierenden geostatistischen Flächenschätzungen der Elementkonzentrationen im Moos dienten dem visuellen Messnetzvergleich 2005 und 2015.
Abschließend wurde ein Vergleich perzentil- und •inferenzstatistischer Kenngrößen (Min, Max, 20er Perz., Median, 90er Perz., Mann-Whitney U-Test) auf Basis der räumlich stichprobenhaften Messwerte und der daraus geostatistisch berechneten Flächenschät-zungen durchgeführt.
Sämtliche Funktionen für die (geo-)statistischen Analysen wurden in R (r core team 2013) implementiert.
6.2 ErgebnisseDer Stichprobenumfang im Messnetz 2015 wurde auf 402 Standorte, d. h. auf 55 % des Messnetzes von 2005 redu-ziert. Die durchschnittliche Anzahl der Beprobungen in Vorgängerkampagnen verringerte sich dadurch um 5 % von ca. 3,16 auf 3,0 (Abb. A1 im Supplement). Mit der optimierten
Entscheidungsmatrix konnte der Anteil der Hauptmoosart Pleurozium schreberi von etwa 44 auf 50 % erhöht werden. Die relativ enge Festlegung der einzuhaltenden MPZ führte hinsichtlich der ökologischen Raumklassen (ELCE40) zu einer Abnahme des Anteils, bei denen die MPZ erreicht wurde, von 54 auf 45 %. Bei den weniger restriktiven Festlegungen der MPZ für die Bundesländer wurde eine Abnahme von 72 auf 59 % hingenommen. Von den 202 EMEP-Grids über Deutschland weisen nach der Messnetzausdünnung 56 EMEP-Grids nur noch eine einzige Probenentnahmestelle auf (im Jahr 2005 waren es 19). Drei EMEP-Grids sind gänzlich ohne Standort, wobei diese aber die Fläche der Bundesrepu-blik nur sehr marginal abdecken.
Abbildung A2 im Supplement verdeutlicht, dass die element-spezifischen Medianwerte der Teilstichprobe 2015 sich von den entsprechenden Medianen der Vollstichprobe 2005 unterscheiden und bei kontinuierlich abnehmender Stichprobe sichtbare Trends aufweisen. Letzteres ist das Ergebnis der positiven Selektion von 152 Standorten, auf deren Medi-ane die Anwendung des Ausdünnungsalgorithmus sich zwangsläufig zubewegen muss. Ob die Unterschiede der Medianwerte statistisch signifikant sind, wurde inferenzsta-tistisch mittels Mann-Whitney U-Test für As, Cd, Cr, Cu, Fe, Hg, Ni, Pb, Sb, V, Zn und N überprüft. Im Ergebnis wies das optimierte Moos-Messnetz 2015 keine signifikant andere Ver-teilung als die Vollstichprobe 2005 auf. Dies konnte sowohl für die Ebene der Bundesrepublik Deutschland (Tab. 5) als auch für die ELCE40 (Tab. A3 im Supplement) sowie die Bundeslän-der (Tab. A4 im Supplement) nachgewiesen werden. Damit konnte gezeigt werden, dass die Messnetzausdünnung keine signifikanten Veränderungen wichtiger statistischer Kennwerte der Messwertverteilung hervorruft.
Tab. 5: Perzentilstatistische Kennwerte der deutschen Moos-Messnetze 2005 und 2015.
Tab. 5: Percentile statistics of the German moss survey networks 2005 and 2015.
Bundesrepublik Deutschland
Element20. Perz. [µg/g] 50. Perz. [µg/g] 90. Perz. [µg/g] U-Test
2005 2015 2005 2015 2005 2015 p-Wert Ergebnis
As 0,11 0,11 0,16 0,16 0,38 0,36 > 0,05 gleich
Cd 0,15 0,14 0,21 0,2 0,37 0,37 > 0,05 gleich
Cr 1,41 1,4 2,36 2,21 7,06 6,88 > 0,05 gleich
Cu 5,73 5,72 7,27 7,18 11,09 11,27 > 0,05 gleich
Fe 235,74 233,13 328,46 318,5 707,74 669,62 > 0,05 gleich
Hg 0,03 0,03 0,04 0,04 0,06 0,06 > 0,05 gleich
N 1,17 1,15 1,46 1,42 2,17 2,15 > 0,05 gleich
Ni 0,82 0,81 1,16 1,16 2,33 2,32 > 0,05 gleich
Pb 2,47 2,49 3,69 3,71 7,62 8,18 > 0,05 gleich
Sb 0,11 0,11 0,16 0,17 0,28 0,3 > 0,05 gleich
V 0,75 0,74 1,09 1,09 1,86 1,89 > 0,05 gleich
Zn 34,72 34,78 46,68 46,32 82,3 84,03 > 0,05 gleich
Anzahl n = 726 n = 385 n = 726 n = 385 n = 726 n = 385
Kombinierte Methoden aus Modellierung, Messung und Geländearbeit
Waldökologie, Landschaftsforschung und Naturschutz, online preview 14
AFSV
Die Ergebnisse der geostatistischen Flächenschätzungen der Stoffkonzentration im Moos sowohl auf Basis der Vollstich-probe 2005 als auch der letztlich gewählten Teilstichprobe 2005 zeigen, dass auch mit der reduzierten Teilstichprobe eine räumliche Verallgemeinerung der Messdaten ermöglicht wird und zumindest visuell gleiche räumliche Muster erzeugt werden (Abb. A3 bis A14 im Supplement).
Die Stärke der räumlichen Autokorrelation, ausgedrückt durch das Nugget/Sill-Verhältnis, ist in 9 von 12 Fällen gleich oder sogar höher. Der Mann-Whitney U-Test ergibt jedoch für 6 von 12 Elementen statistisch signifikante Unterschiede der Mess-wertverteilungen, ausgedrückt in den 20er, 50er und 90er Perzentilen (Tab. 6). Gravierende Unterschiede ergeben sich hier für Fe und Pb, während sich die zentralen Tendenzen der anderen Elemente nur unwesentlich unterscheiden. Würde man das Messnetz noch weiter z. B. auf N = 350 reduzieren, würde sich dies bei 9 von 12 Elementen in signifikant unter-schiedlichen Flächenschätzungen auswirken.
Die für das ausgedünnte Moos-Messnetz berechneten Min-destprobenzahlen (Tab. 7 bis 9) und Vergleiche mit denen der Vollstichprobe (Tab. 1 bis 3) verdeutlichen, dass bei weiterer Reduzierung der Stichprobenzahlen keine Verbes-serungen der statistischen Validität erreicht, sondern nur größere Qualitätseinbußen vermieden werden können. Die Allokation erreichter bzw. nicht erreichter Mindestprobenzah-len zu den jeweiligen Raumeinheiten (Abb. A15 bis A22 im Supplement) zeigt, dass eine Optimierung insbesondere für die ELCE40 erreicht wurde, aber bei Cd und Pb als prioritäre Elemente insbesondere in Schleswig-Holstein, Thüringen, Baden-Württemberg, teilweise auch Sachsen, Hessen und Rheinland-Pfalz die Defizite im Hinblick auf statistisch valide Fallzahlen zugenommen haben.
Tab. 6: Perzentilstatistische Kennwerte der geostatistischen Flächenschätzung für Moos-Messnetze 2005 und 2015 (Deutschland).
Tab. 6: Percentile statistics of geostatistical surface estimations based on the moss survey networks 2005 and 2015 (Germany).
Bundesrepublik Deutschland
Element20. Perz. [µg/g] 50. Perz. [µg/g] 90. Perz. [µg/g] U-Test
2005 2015 2005 2015 2005 2015 p-Wert Ergebnis
As 0,14 0,14 0,17 0,17 0,29 0,29 > 0,05 gleich
Cd 0,18 0,18 0,21 0,21 0,31 0,32 > 0,05 gleich
Cr 2,08 2,01 2,87 2,9 5,29 5,2 > 0,05 gleich
Cu 6,68 6,98 7,62 7,71 9,05 8,89 < 0,05 ungleich
Fe 313,39 296,72 389,62 358,74 495,46 489,43 < 0,05 ungleich
Hg 0,03 0,03 0,04 0,04 0,05 0,05 > 0,05 gleich
N 1,35 1,35 1,48 1,47 1,84 1,79 < 0,05 ungleich
Ni 1,01 1,05 1,24 1,25 1,85 1,85 < 0,05 ungleich
Pb 3,18 3,27 3,96 4,25 6,06 6,53 < 0,05 ungleich
Sb 0,14 0,14 0,17 0,18 0,24 0,26 < 0,05 ungleich
Ti 6,65 5,86 8,88 8,11 14,51 13,71 < 0,05 ungleich
V 0,95 0,93 1,17 1,16 1,42 1,48 > 0,05 gleich
Zn 41,39 41,73 48,75 48,94 67,21 69,22 > 0,05 gleich
Anzahl n = 6898 n = 6898 n = 6898 n = 6898 n = 6898 n = 6898
Tab. 7: Mindestprobenzahlen (MPZ) und tatsächliche Stichprobengrößen (n) für 12 Elemente im deutschen Moos-Messnetz 2015.
Tab. 7: Element-specific minimum sample sizes and realised sample sizes in the German moss survey network 2015.
As Cd Cr Cu Fe Hg N Ni Pb Sb V Zn
MPZ 85 33 182 13 51 19 8 31 51 28 24 26
N 382 381 382 382 382 382 382 381 382 381 382 381
VT [3] [3] [3] [3] [3] [3] [3] [3] [3] [3] [3] [3]
Fett = MPZ erreicht oder überschritten; VT = Verteilung; [1] = Normalverteilung; [2] = log-Normalverteilung; [3] = andere Verteilung
Kombinierte Methoden aus Modellierung, Messung und Geländearbeit
Waldökologie, Landschaftsforschung und Naturschutz, online preview 15
AFSV
Tab.
8:
Ele
men
tspe
zifis
che
Min
dest
prob
enza
hlen
(MPZ
) und
tats
ächl
iche
Stic
hpro
beng
röße
n (n
) für
öko
logi
sche
Rau
mkl
asse
n (E
LCE
40) i
n D
euts
chla
nd, M
oos-
Mon
itorin
g 20
15.
Tab.
8:
Ele
men
t-spe
cific
min
imum
sam
ple
size
s an
d re
alis
ed s
ampl
e si
zes
for e
colo
gica
l lan
d cl
asse
s (E
LCE
40) i
n G
erm
any,
Moo
s-M
onito
ring
2015
.
As
Cd
Cr
Cu
FeH
gN
Ni
PbSb
VZn
ELC
E 40M
PZn
VT
MPZ
nV
TM
PZn
VT
MPZ
nV
TM
PZn
VT
MPZ
nV
TM
PZn
VT
MPZ
nV
TM
PZn
VT
MPZ
nV
TM
PZn
VT
MPZ
nV
T
B_1
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
B_2
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
C_0
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
D_1
397
7[2
]43
7[3
]10
17
[2]
77
[2]
327
[2]
67
[2]
27
[2]
97
[2]
447
[2]
77
[3]
107
[3]
47
[3]
D_1
4-
1-
-1
--
1-
-1
--
1-
-1
--
1-
-1
--
1-
-1
--
1-
-1
-
F1_1
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
F1_2
3330
[2]
1030
[3]
6130
[3]
630
[2]
1330
[3]
830
[2]
530
[3]
1130
[2]
2230
[2]
7730
[3]
930
[3]
1030
[3]
F2_6
8042
[3]
2542
[2]
444
42[3
]14
42[3
]10
742
[3]
1842
[3]
842
[2]
3442
[3]
3442
[3]
2242
[2]
5942
[3]
1642
[3]
F3_1
113
75[3
]39
75[3
]15
275
[3]
775
[2]
3575
[3]
1375
[3]
875
[2]
2574
[3]
4175
[3]
1975
[2]
2275
[2]
1875
[3]
F3_2
2593
[3]
2993
[3]
115
93[3
]11
93[3
]30
93[3
]15
93[2
]8
93[2
]23
93[3
]45
93[3
]31
93[2
]18
93[2
]20
93[2
]
F4_1
2019
[2]
1319
[2]
8219
[3]
1519
[2]
2919
[2]
1919
[3]
1719
[3]
1819
[2]
2219
[2]
1619
[2]
1619
[2]
1019
[1]
F4_2
101
73[3
]36
72[3
]61
73[3
]31
73[3
]36
73[3
]17
73[2
]10
73[2
]45
73[3
]72
73[3
]24
72[2
]26
73[3
]35
72[3
]
G1_
0-
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
--
-
S_0
104
[2]
294
[2]
106
4[3
]12
4[2
]1
4[3
]14
4[2
]9
4[3
]24
4[3
]78
4[3
]11
4[1
]9
4[2
]26
4[2
]
U_1
7027
[3]
3327
[3]
7327
[3]
1827
[2]
8227
[3]
2127
[3]
1127
[2]
3727
[2]
4527
[3]
4227
[2]
4827
[2]
103
27[3
]
U_2
-1
--
1-
-1
--
1-
-1
--
1-
-1
--
1-
-1
--
1-
-1
--
1-
Res
te14
10[1
]13
10[3
]14
010
[3]
1210
[2]
3210
[2]
1310
[3]
1610
[3]
2910
[2]
1010
[2]
910
[3]
1410
[2]
3110
[2]
Sum
me
563
382
270
381
1335
382
133
382
397
382
144
382
9438
225
538
141
338
225
838
123
138
227
338
1
Anz
ahl
16
18
58
86
67
57
%6
366
4729
4747
3636
4129
41
Fett
= M
PZ
erre
icht
ode
r übe
rsch
ritte
n; A
nzah
l = A
nzah
l der
ELC
E40
-Kla
ssen
mit
erre
icht
er o
der ü
bers
chrit
tene
r MP
Z; %
= P
roze
ntua
ler A
ntei
l der
ELC
E40
-Kla
ssen
mit
erre
icht
er o
der ü
bers
chrit
tene
r M
PZ;
VT
= Ve
rteilu
ng; [
1] =
Nor
mal
verte
ilung
; [2]
= lo
g-N
orm
alve
rteilu
ng; [
3] =
and
ere
Verte
ilung
Kombinierte Methoden aus Modellierung, Messung und Geländearbeit
Waldökologie, Landschaftsforschung und Naturschutz, online preview 16
AFSVTa
b. 9
: E
lem
ents
pezi
fisch
e M
inde
stpr
oben
zahl
en (M
PZ) u
nd ta
tsäc
hlic
he S
tichp
robe
ngrö
ßen
(n) f
ür d
euts
che
Bun
desl
ände
r, M
oos-
Mon
itorin
g 20
15.
Tab.
9:
Ele
men
t-spe
cific
min
imum
sam
ple
size
s an
d re
alis
ed s
ampl
e si
zes
for G
erm
any´
s fe
dera
l sta
tes,
mos
s su
rvey
201
5.
As
Cd
Cr
Cu
FeH
gN
Ni
PbSb
VZn
Bun
desl
and
MPZ
nV
TM
PZn
VT
MPZ
nV
TM
PZn
VT
MPZ
nV
TM
PZn
VT
MPZ
nV
TM
PZn
VT
MPZ
nV
TM
PZn
VT
MPZ
nV
TM
PZn
VT
Bad
en-W
ürtt
embe
rg42
26[2
]37
26[2
]26
26[3
]8
26[3
]37
26[3
]16
26[2
]7
26[2
]17
26[2
]45
26[2
]21
26[3
]32
26[2
]19
26[2
]
Bay
ern
3750
[3]
1650
[3]
9350
[3]
850
[2]
1850
[3]
1450
[2]
650
[3]
2149
[3]
4050
[3]
1750
[2]
1950
[2]
1150
[3]
Ber
lin/B
rand
enbu
rg18
26[3
]4
26[1
]62
26[3
]6
26[2
]16
26[2
]5
26[2
]6
26[2
]11
26[2
]15
26[2
]15
26[2
]8
26[2
]10
26[2
]
Ham
burg
53
[3]
33
[3]
93
[2]
93
[3]
13
[3]
23
[3]
13
[3]
23
[2]
53
[3]
113
[2]
33
[2]
123
[3]
Hes
sen
2830
[3]
930
[3]
7730
[3]
1030
[2]
4130
[3]
1330
[3]
830
[2]
5030
[3]
4430
[3]
2430
[2]
2730
[3]
1330
[2]
Mec
klen
burg
- Vo
rpom
mer
n15
22[2
]11
22[2
]60
22[3
]10
22[2
]19
22[3
]17
22[3
]15
22[3
]13
22[2
]14
22[2
]12
22[3
]10
22[2
]8
22[2
]
Nie
ders
achs
en/
Bre
men
1639
[2]
2639
[2]
137
39[3
]6
39[2
]17
39[3
]9
39[3
]5
39[3
]17
39[2
]28
39[3
]14
39[3
]14
39[2
]18
39[2
]
Nor
drhe
in-W
estf
alen
2552
[2]
2551
[3]
3552
[2]
1452
[2]
2352
[2]
952
[3]
652
[3]
1852
[2]
4252
[3]
2051
[2]
1452
[2]
1551
[3]
Rhe
inla
nd-P
falz
2621
[3]
3621
[3]
3021
[3]
1021
[2]
1221
[3]
421
[3]
321
[1]
1921
[3]
3221
[3]
1521
[2]
1221
[2]
721
[1]
Saar
land
297
[3]
117
[2]
128
7[2
]5
7[2
]74
7[3
]6
7[3
]3
7[3
]14
7[1
]15
7[3
]17
7[2
]27
7[2
]4
7[3
]
Sach
sen
6534
[3]
2034
[3]
432
34[3
]7
34[3
]75
34[3
]13
34[3
]7
34[2
]27
34[3
]36
34[2
]86
34[3
]44
34[3
]18
34[2
]
Sach
sen-
Anh
alt
113
30[3
]82
30[3
]60
30[3
]54
30[3
]69
30[3
]17
30[3
]8
30[2
]23
30[3
]13
130
[3]
2330
[3]
4730
[3]
3430
[3]
Schl
esw
ig-H
olst
ein
3820
[2]
2820
[2]
8720
[2]
1020
[3]
3320
[3]
1220
[2]
720
[3]
2520
[2]
2920
[2]
2220
[2]
2320
[2]
113
20[3
]
Thue
ring
en95
22[3
]22
22[2
]47
22[3
]6
22[2
]62
22[3
]13
22[3
]6
22[3
]32
22[2
]28
22[2
]8
22[3
]31
22[3
]10
22[3
]
Sum
me
552
382
330
381
1283
382
163
382
497
382
150
382
8838
228
938
150
438
230
538
131
138
229
238
1
Anz
ahl
69
19
714
1410
510
811
%42
647
6450
100
100
7136
7157
79
Fett
= M
PZ
erre
icht
ode
r übe
rsch
ritte
n; A
nzah
l = A
nzah
l der
Bun
desl
ände
r mit
erre
icht
er o
der ü
bers
chrit
tene
r MP
Z; %
= P
roze
ntua
ler A
ntei
l der
Bun
desl
ände
r mit
erre
icht
er o
der ü
bers
chrit
tene
r MP
Z;
VT
= Ve
rteilu
ng; [
1] =
Nor
mal
verte
ilung
; [2]
= lo
g-N
orm
alve
rteilu
ng; [
3] =
and
ere
Verte
ilung
Kombinierte Methoden aus Modellierung, Messung und Geländearbeit
Waldökologie, Landschaftsforschung und Naturschutz, online preview 17
AFSV
7 Diskussion und SchlussfolgerungenDie zur Optimierung des letzten Moosmonitoring-Mess- netzes 2005 in Deutschland entwickelte Methode (Pesch et al. 2007b) wurde aufgegriffen und in Teilen weiterentwickelt. Insbesondere wurden stoffspezifische Mindestprobenzahlen für die Schätzung von Mittelwerten mit einer definierten Prä-zision für unterschiedliche administrative Raumkategorien (Deutschland, Bundesländer) und ökologische Raumklassen berücksichtigt sowie ein rechnergestütztes multikriterielles Entscheidungsmodell entwickelt, das die Untersuchung zahlreicher Parametrisierungsvarianten in effizienter Weise ermöglicht. Wie bei der Restrukturierung des Messnetzes 2005 hat auch diese Studie gezeigt, dass die weitere Aus-dünnung des Moos-Messnetzes von nunmehr 726 auf 402 Standorte in Deutschland nicht zwangsläufig zu Einbußen hinsichtlich der Suffizienz des Messnetzes und mithin der Messwertvalidität führen muss. Auch das reduzierte neue Messnetz bleibt mit anderen Umweltbeobachtungsnetzen weitgehend harmonisiert und weist zumindest als Teilstich-probe des Jahres 2005 für alle der 12 untersuchten Elemente auf drei räumlichen Ebenen (Deutschland, Bundesländer, ökologische Raumklassen) signifikant gleiche Verteilungen und Medianwerte auf, wie das gesamte Messnetz der Kam-pagne 2005. Dies ist etwa für Analysen zeitlicher Trends der Schadstoffkonzentrationen im Moos von Bedeutung. Mit dem Entscheidungsmodell konnte auch der Anteil der Standorte mit der prioritären Moosart Pleurozium schreberi im Ausdünnungsprozess erhöht werden. Auch räumliche Verallgemeinerungen, d. h. bundesweit flächendeckende Erfassungen der Stoffeinträge mit geostatistischen Metho-den, bleiben hinsichtlich der zu belegenden räumlichen Autokorrelation weiterhin möglich. Allerdings zeigen sich bei den Flächenschätzungen nur noch bei 6 von 12 Elementen signifikant gleiche Verteilungen bzw. Mediane zwischen den Messnetzen 2005 und 2015. Mit 402 liegt die Anzahl der Standorte unter den Empfehlungen des ICP Vegetation (2014) mit 536 Standorten. Außerdem weisen 25 % der EMEP-Grids nicht wie empfohlen mindestens zwei, sondern nur einen Standort auf. Hieraus folgt, dass weitere Redu-zierungen unter 400 Standorte in Deutschland im Hinblick auf die Gewährleistung einer ausreichenden Suffizienz des Messnetzes nicht mehr zu empfehlen sind.
Die Einhaltung von Mindestprobenzahlen (MPZ) für valide Schätzungen von Mittelwerten konnte im Ausdünnungspro-zess zwar nicht verbessert, aber als Optimierungskriterium berücksichtigt werden. Für die ca. 40 % der Teildatensätze, welche weder normal noch lognormal verteilt waren, konnte die Anwendung der MPZ-Formel des icP Vegetation (2014), welche Normalverteilung voraussetzt, nur als vorläufige Lösung dienen. Daher sollte analysiert werden, welchen anderen Wahrscheinlichkeitsverteilungen (Gamma, Poisson u. ä.) die Moos-Daten ebenfalls folgen und daraufhin die Methodik zur Berechnung der MPZ weiterentwickelt werden.
Ferner ist einzuräumen, dass eine lediglich auf Lagekoordina-ten und Konzentrationswerte gestützte Messnetzplanung die Gefahr birgt, dass an einzelnen Standorten wichtige andere Kriterien (Probenmenge, Abstand zu Bäumen u. ä.) nicht erfüllt sind. Entsprechend detaillierte standortbeschreibende Daten (sog. Metadaten) werden erst im Moos-Monitoring 2015 erhoben.
Eine staatenübergreifende Abstimmung der Messnetz-planung konnte nicht realisiert werden und stellt sich insbesondere auch für Deutschland mit bis zu neun
Anrainerstaaten als prinzipiell aufwändig dar. Das entwickelte Verfahren zur Messnetzplanung kann aber auf weitere am Moss Survey teilnehmende Staaten – ggf. abgestimmt auf die jeweilige Datenlage – übertragen werden.
LiteraturBuiltjes, P., schaaP, m., jonkers, s., nagel, h.d., schlutow,
a., nickel, s., schröder, w. (2016): Impacts of heavy metal emissions on air quality and ecosystems, Germany. 5th Progress Report on behalf of the German Federal Environmental Agency.
Balla, s., uhl, r., schlutow, a., lorentz, h., Förster, m., Becker, c. (2013): Untersuchung und Bewertung von straßenverkehrsbedingten Nährstoffeinträgen in empfind-liche Biotope. http://www.bast.de/ cln_033/nn_42256/DE/ Publikationen/Download Berichte/downloads/Naehrstof-feintrag__V3.html? __nnn=true.
BoBBink, r., hicks, k., galloway, j., sPranger, t., alkemade, r., ashmore, m., Bustamante, m., cinderBy, s., daVidson, e., dentener, F., emmett, B., erisman, j.w., Fenn, m., gilliam, F., nordin, a., Pardo, l., de Vries, w. (2010): Global assess-ment of nitrogen deposition effects on terrestrial plant diversity: a synthesis. Ecological Applications 20: 30-59.
Ferretti, m., Fischer, r. (ed.) (2013): Forest monitoring. Meth-ods for terrestrial investigations in Europe with an overview of North America and Asia. Elsevier, Oxford: 507 p.
Fischer, r., doBBertin, m., granke, o., karoles, k., köhl, m., kraFt, P., meyer, P., mues, V., lorenz, m., nagel, h.-d., seidling, w. (2006): The condition of forests, Europe. 2006 Executive Report. Bundesforschungsanstalt für Forst- und Holzwirtschaft Hamburg, Inst. f. Weltforstwirtschaft: 33 p.
Frahm, j.P. (1998): Moose als Bioindikatoren. Quelle & Meyer Verlag, Wiesbaden.
FrontasyeVa, m., steinnes, e., harmens, h. (2016): Infor-mation on the moss survey in 2015: some preliminary results. Proceedings of the 29th Task Force meeting of the UNECE ICP Vegetation, 29th February – 4th March, 2016, Moscow, Russia.
Fuchs, s., scherer, u., wander, r., Behrendt, h., Venohr, m., oPitz, d., hillenBrand, t., marscheider-weidemann, F., goetz, t. (2010): Berechnung von Stoffeinträgen in die Fließgewässer Deutschlands mit dem Modell MONERIS. Nährstoffe, Schwermetalle und Polyzyklische aromati-sche Kohlenwasserstoffe. UBA-Texte 45/2010, 243 p.
garten, c.t., kang, s., Brice, d.j., schadt, c.w., zhou, j. (2007): Variability, soil properties at different spatial scales (1 m – 1 km), a deciduous forest ecosystem. Soil Biology and Biochemistry 39: 2621-2627.
gruBer, J.P. (2001): Die Moosflora der Stadt Salzburg und ihr Wandel im Zeitraum von 130 Jahren. Stapfia 79: 3-155.
harmens, h. (2012): Status European moss survey 2010/11 & Future of the moss survey. Proceedings of the 25th Task Force meeting of the UNECE ICP Vegetation, 31st Janu-ary – 2nd February, 2012, Brescia, Italy.
harmens, h., norris, d.a., steinnes, e., kuBin, e., PiisPanen, J., Alber, r., AleksiAyenAk, y., blum, O., COşkun, m., DAm, m., de temmerman, l., Fernández, j.a., FroloVa, m., Fron-tAsyevA, m., GOnzález-miqueO, l., GrODzińskA, k., JerAn, z., korzekwa, s., krmar, m., kVietkus, k., leBlond, s., liiV, s., mAGnússOn, s.H., mAňkOvská, b., PesCH, r., rüHlinG, Å., santamaria, j.m., schröder, w., sPiric, z., suchara, i., thöni, l., urumoV, V., yurukoVa, l., zechmeister, h.g. (2010): Mosses as biomonitors of atmospheric heavy metal deposition: spatial and temporal trends, Europe. Environmental Pollution 158: 3144-3156.
Kombinierte Methoden aus Modellierung, Messung und Geländearbeit
Waldökologie, Landschaftsforschung und Naturschutz, online preview 18
AFSV
harmens, h., norris, d., mills, g., and the ParticiPants oF the moss surVey (2013): Heavy metals and nitrogen, mosses: spatial patterns, 2010/2011 and long-term temporal trends, Europe. ICP Vegetation Programme Coordination Centre, CEH Bangor, UK. ISBN: 978-1-906698-38-6.
harmens, h., mills, g., hayes, F., sharPs, k., FrontasyeVa, m., and the ParticiPants oF the icP Vegetation (2015): Air Pollution and Vegetation, Annual Report 2014/2015. ICP Vegetation Programme Coordination Centre, Centre for Ecology and Hydrology, Environment Centre Wales, Ban-gor, Gwynedd, UK, DOI: 10.13140/RG.2.1.1294.9200.
harmens, h., mills, g., hayes, F., sharPs, k. (2016): Overview of the achievements of the ICP Vegetation in 2015 and future workplan (2016–2018). Proceedings of the 29th Task Force meeting of the UNECE ICP Vegetation, 29th February – 4th March, 2016, Moscow, Russia.
herPin, u., lieth, h., markert, B. (1995): Monitoring der Schwermetallbelastung in der Bundesrepublik Deutsch-land mit Hilfe von Moosanalysen. UBA-Texte 31/95.
hornsmann, i., Pesch, r., schmidt, g., schröder, w. (2008): Calculation of an Ecological Land Classification of Europe (ELCE) and its application for optimising environmental monitoring networks. In: car, a., grieseBner, g., stroBl j. (editors): Geospatial Crossroads @ GI_Forum ‘08. Proceedings of the Geoinformatics Forum Salzburg. Wichmann, Heidelberg: pp. 140-151.
icP Vegetation (International Cooperative Programme on Effects of Air Pollution on Natural Vegetation and Crops) (2014): Monitoring of atmospheric deposition of heavy metals, nitrogen and POPs in Europe using bryophytes. Monitoring manual 2015 survey. United Nations Economic Commission for Europe Convention on Long-Range Transboundary Air Pollution. ICP Vegetation Moss Survey Coordination Centre, Dubna, Russian Federation, and Programme Coordination Centre. Bangor, Wales, UK.
ihle, P., BieBer, e., kallweit, d. (2001): Das Depositions-messnetz des Umweltbundesamtes (Aufbau, Betrieb und Ergebnisse). In: Atmosphärische Depositionen in der Bun-desrepublik Deutschland, Schriftenreihe des Institutes für Energetik und Umwelt, Leipzig. B.G. Teubner Verlag, Stuttgart, Leipzig, Wiesbaden 2001.
jenssen, m., hoFmann, g., nickel, s., Pesch, r., riediger, j., schröder, w. (2013): Bewertungskonzept für die Gefähr-dung der Ökosystemintegrität durch die Wirkungen des Klimawandels, Kombination mit Stoffeinträgen unter Beachtung von Ökosystemfunktionen und -dienstleis-tungen. Umweltforschungsplan des Bundesministeriums für Umwelt, Naturschutz und Reaktorsicherheit. For-schungsvorhaben 3710 83 214, UBA-FB 001834. Dessau: Umweltbundesamt, UBA-Texte 87/2013. 381 p.
jenssen, m., schröder, w., nickel, s. (2015): Typisierung von Wald- und Forstökosystemen als Grundlage zur Einstufung ihrer Integrität. Integrität von Wald- und Forst-ökosystemen unter dem Einfluss von Klimawandel und atmosphärischen Stickstoffeinträgen – Teil I. Naturschutz und Landschaftsplanung 47: 391-399.
johnston, k., Ver hoeF, j.m., kriVouchko, k., lucas, n. (2001): Using ArcGIS Geostatistical Analyst. Redlands.
kleemola, s., Forsius, m. (2006): UNECE Convention on Long-range Transboundary Air Pollution International Cooperative Programme on Integrated Monitoring of Air Pollution Effects on Eco-systems. FE30/2006 15th Annual Report 2006. The Finnish Environment 30/2006.
klePPin, l., schröder, w., Pesch, r., schmidt, g. (2008): Entwicklung und Erprobung einer Metadaten- und WebGIS-Applikation für das Expositionsmonitoring mit Moosen, Deutschland. Ein Beitrag zum LTER-Netzwerk. Zeitschrift für Umweltwissenschaften und Schadstofffor-schung 20: 38-48.
land, C.E. (1971): Confidence intervals for linear functions of the normal mean and variance. Annals of Mathematical Statistics 42: 1187-1205.
metzschker, A. (2016): Anzahl Messtellen. Pers. Mitteilung, 24.03.2016.
meyer, m., (2016): Standortspezifisch differenzierte Erfassung atmosphärischer Stickstoff- und Schwermetalleinträge mittels Moosen unter Berücksichtigung des Traufeffektes und ergänzende Untersuchungen zur Beziehung von Stickstoffeinträgen und Begleitvegetation. Diss. Univ. Vechta.
nickel, s., schröder, w. (2016a): Auswirkungen der Schwermetall-Emissionen auf Luftqualität und Öko-systeme in Deutschland. Quellen, Transport, Eintrag, Gefährdungspotenzial. 4. Zwischenbericht im Auftrag des Umweltbundesamtes, Dessau. September 2015, 71 p.
nickel, s., schröder, w. (2016b): Integrative evaluation of data derived from biomonitoring and models indicating atmospheric deposition of heavy metals. Environmental Science and Pollution Research: 1-23. DOI: 10.1007/s11356-015-6006-1 [Published online 2016.01.07].
nickel, s., schröder, w., jenssen, m. (2015): Veränderungen deutscher Wälder durch Klimawandel und Stickstoffde-position. Schweizerische Zeitschrift für Forstwesen 166 (5): 325-334.
nultsch, W. (2012): Allgemeine Botanik. 12. Auflage. Thieme, Stuttgart 2012. 680 p.
olsson, u. (2005): Confidence Intervals for the Mean of a Log-Normal Distribution. Journal of Statistics Education 13 (1): www.amstat.org/publications/jse/v13n1/olsson.html.
Pesch, r. (2003): Geostatistische und multivariat-statistische Analyse des Moos-Monitorings 1990, 1995 und 2000 zur Ableitung von Indikatoren für die Bioakkumulation atmo-sphärischer Metalleinträge in Deutschland. Dissertation, Hochschule Vechta.
Pesch, r., schröder, w. (2005): Flächenhafte Muster der Metallakkumulation in Moosen Deutschlands. Geoöko-dynamik 26: 179-196.
Pesch, r., schröder, w. (2006a): Mosses as bioindicators for metal accumulation: Statistical aggregation of measure-ment data to exposure indices. Ecological Indicators 6: 137-152.
Pesch r, schröder w. (2006b): Integrative exposure assess-ment through classification and regression trees on bioaccumulation of metals, related sampling site char-acteristics and ecoregions. Ecological Informatics 1: 55-65.
Pesch, r., schröder, w. (2006c): Assessment of metal accu-mulation in mosses by combining metadata, statistics and GIS. Nova Hedwigia 82: 447-466.
Pesch, r., schröder, w., genssler, l., goeritz, a., holy, m., klePPin, l., matter, y. (2007a): Moos-Monitoring 2005/2006: Schwermetalle IV und Gesamtstickstoff. – Berlin (Umweltforschungsplan des Bundesministers für Umwelt, Naturschutz und Reaktorsicherheit. FuE-Vorhaben 205 64 200, Abschlussbericht, im Auftrag des Umweltbundesamtes), 90 S., 11 Tab., 2 Abb. (Textteil), 51 S. + 41 Karten, 34 Tabellen, 46 Diagramme (Anhang).
Kombinierte Methoden aus Modellierung, Messung und Geländearbeit
Waldökologie, Landschaftsforschung und Naturschutz, online preview 19
AFSV
Pesch, r., schröder, w., dieFFenBach-Fries, h., genssler, l. (2007b): Optimierung des Moosmonitoring-Messnetzes in Deutschland. Umweltwissenschaften und Schadstoff-Forschung 20: 49-61.
Pesch, r., schmidt, g., schröder, w., aden, c., klePPin, l., holy, m. (2007c): Development, implementation and application of the WebGIS MossMet. In: tochtermann, k., scharl, a. (ed.): The Geospatial Web. How geo-browsers, social software and the Web 2.0 are shaping the network society. Springer, London: pp. 191-200.
Pesch, r., schröder, w., dieFFenBach-Fries, h., genssler, l., klePPin, l. (2008): Improving the design of environmental monitoring networks. Case study on the heavy metals in mosses survey in Germany. Ecological Informatics 3: 111-121.
Qiu, y., Fu, B., wang, j., chen, l. (2001): Spatial variability of soil moisture content and its relation to environmental indices, a semi-arid gully catchment of the Loess Plateau, China. Journal of Arid Environments 49: 723-750.
r core team (2013): R: A language and environment for sta-tistical computing. R Foundation for Statistical Computing. Vienna.
rühling, a., rasmussen, l., mäkinen, a., Pilegaard, k., steinnes, e., nihlgard, B. (1989): Survey of the heavy-metal deposi-tion in Europe using bryophytes as bioindicators: Proposal for an international programme. Steering Body of Environ-mental Monitoring in the Nordic Countries.
rühling, a. (1994): Atmospheric heavy metal deposition in Europe – estimation based on moss analysis. Nordic Council of Ministers, Copenhagen, NORD Report 1994:9: 1-53.
sachs, l., hedderich, j. (2009): Angewandte Statistik. Metho-densammlung mit R. Springer, Berlin.
schönwiese, C.D. (2000): Praktische Statistik für Meteoro-logen und Geowissenschaftler. Gebrüder Bortraeger Verlag, Berlin, Stuttgart.
schröder, w., anhelm, P., Bau, h., Broecker, F., matter, y., mitze, r., mohr, k., Peiter, a., Peronne, t., Pesch, r., roostai, a.h., roostai, z., schmidt, g., siewers, u. (2002): Untersuchung von Schadstoffeinträgen anhand von Bioindikatoren. Aus- und Bewertung der Ergeb-nisse aus dem Moosmonitoring 1990, 1995 und 2000. Umweltforschungsplan des Bundesministers für Umwelt, Naturschutz und Reaktorsicherheit. FuE-Vorhaben 200 64 218, Abschlussbericht Band 1, im Auftrag des Umwelt-bundesamtes, Berlin. 221 S., 29 Tab., 94 Abb.
schröder, w., garBe-schönBerg, c.d., Fränzle, o. (1991): Die Validität von Umweltdaten – Kriterien für ihre Zuverlässigkeit: Repräsentativität, Qualitätssicherung und -kontrolle. Umweltwissenschaften und Schadstoff-Forschung 3: 237-241.
schröder, w., nickel, s., jenssen, m., riediger, j. (2015): Methodology to assess and map the potential develop-ment of forest ecosystems exposed to climate change and atmospheric nitrogen deposition: a pilot study in Germany. Science of the Total Environment 521–522: 108-122.
schröder, w., Pesch, r. (2004a): The 1990, 1995 and 2000 moss monitoring data in Germany and other European countries. Trends and statistical aggregation of metal accumulation indicators. Gate to Environmental and Health Sciences, June 2004: 1-25.
Schröder, W., Pesch, R. (2004b): Metal accumulation in mosses. Spatial analysis and indicator building by means of GIS, geostatistics and cluster techniques. Environmen-tal Monitoring and Assessment 98/1-3: 131-156.
schröder, w., Pesch, r. (2004c): Spatial and temporal trends of metal accumulation in mosses. Journal of Atmospheric Chemistry 49: 23-38.
schröder, w., Pesch, r. (2005a): Correlation and time series of metals in mosses with selected sampling site specific and ecoregional characteristics in Germany. Environmen-tal Science and Pollution Research 12: 159-167.
schröder, w., Pesch, r. (2005b): Geographische Umwelt-messnetzanalyse und -planung. Geographica Helvetica 60: 77-86.
schröder, w., Pesch, r. (2006): Synthesizing bioaccumula-tion data from the German metals in mosses surveys and relating them to ecoregions. Science of the Total Environ-ment 374: 311-327.
schröder, w., nickel, s., schönrock, s., meyer, m., wosniok, w., harmens, h., FrontasyeVa, m.V., alBer, r., aleksiay-enak, j., BarandoVski, l., danielsson, h., de temmermann, l., Fernández escriBano, a., godzik, B., jeran, z., Pihl karlsson, g., lazo, P., leBlond, s., lindroos, a.-j., liiV, s., magnússon, s.h., mankoVska, B., martínez-aBaigar, j., PiisPanen, j., Poikolainen, j., PoPescu, i.V., Qarri, F., santa-mAriA, J.m., skuDnik, m., ŠPirić, z., stAfilOv, t., steinnes, e. , stihi, c. ,thöni, l., uggerud, h.t., zechmeister, h.g. (2016): Spatially valid data of atmospheric deposition of heavy met-als and nitrogen derived by moss surveys for pollution risk assessments of ecosystems. Environmental Science and Pollution Research, 2016 Apr 12. [Epub ahead of print].
seidling, w., sanders, t., akselsson, c., cools, n., de marco, a., de Vos, B., de Vries, w., etzold, s., Ferretti, m., Fischer, u., giordani, P., graF Pannatier, e., hansen, k., jonard, m., marchetto, a., neVenic, r., rautio, P., reinds, g., skudnik, m., solBerg, s., suz, l.m., ukonmaanaho, l., VangueloVa, e., Veresoglou, s., waldner, P., wattel-koek-kOek, e., ŽlinDrA, D., fisCHer, r. (2014): The Condition of Forests in Europe: 2013 Executive Report. ICP Forests. Eberswalde, Germany, 36 p.
shaPiro, s.s., wilk, m.B. (1965): An analysis of variance test for normality (complete samples). Biometrika 52: 591-611.
siewers, u., herPin, u. (1998): Schwermetalleinträge in Deutschland. Moos-Monitoring 1995. Geologisches Jahr-buch, Sonderhefte, Heft SD 2, Stuttgart: Bornträger.
siewers, u., herPin, u., strassBurger, s. (2000): Schwerme-talleinträge in Deutschland. Moos-Monitoring 1995. Teil 2. Geolog. Jahrb., Sonderhefte SD 3, Stuttgart: Bornträger.
UBA (Umweltbundesamt) (2008): Umweltprobenbank des Bundes – Konzeption (Stand: Oktober 2008). http://www.umweltprobenbank.de/upb_static/fck/download/Konzeption_Okt_2008_de.pdf.
wagner, g., klein, B., klein, r., müller, P., Paulus, m. (1997): Umweltprobenbank. In: Fränzle, o., müller, F., schrö-der, w. (Hg.). Handbuch der Umweltwissenschaften. Grundlagen und Anwendungen der Ökosystemforschung. Landsberg am Lech, Kap. V-1.3 (Grundwerk), pp. 1-17.
WGE (2004): Review and assessment of air pollution effects and their recorded trends. Working group on effects, convention on long-range transboundary air pollution. National Environment Council UK.
wichink kruit, r., schaaP, m., segers, a., heslinga, d., Builtjes, P., BanzhaF, s. (2014): Modelling and mapping of atmospheric nitrogen and sulphur deposition and critical loads for ecosystem specific assessment of threats to biodiversity in Germany – PINETI (Pollutant INput and EcosysTem Impact) Part 1-4. Umweltforschungsplan des Bundesministeriums f. Umwelt, Natursch. u. Reaktorsi-cherheit. Forschungsvorhaben 3710 63 246, UBA-FB 001834. UBA-Texte 60/2014. Dessau.
Kombinierte Methoden aus Modellierung, Messung und Geländearbeit
Waldökologie, Landschaftsforschung und Naturschutz, online preview 20
AFSV
wosniok, w. (2015): Fallzahlen für das Moosmonitoring – Ergänzungvorschläge für das Monitoring manual 2015 survey (ICP Vegetation 2014). Arbeitspapier vom 04.09.2015, Universität Bremen.
submitted: 21.10.2016 reviewed: 11.11.2016 accepted: 20.11.2016
Autorenanschrift:
Dr.-Ing. Stefan Nickel, M.Sc. Lehrstuhl für Landschaftsökologie Universität Vechta Postfach 1553 49364 Vechta E-Mail: [email protected]
Prof. Dr. rer. nat. Winfried Schröder, M.A. Lehrstuhl für Landschaftsökologie Universität Vechta Postfach 1553 49364 Vechta E-Mail: [email protected]
Dr. rer. nat. Werner Wosniok Institut für Statistik Universität Bremen Postfach 330 440 28334 Bremen E-Mail: [email protected]
Anhang
Der Anhang wird als Supplementary Material nur in der Online-Version unter folgendem Link bereitgestellt: http://www.afsv.de/download/literatur/waldoekologie-online/waldoekologie-online_heft-17-3.pdf