Die räumliche Modellierung von Waldstandortsinformationen ist ein breites wissenschaftliches Feld, das sich über verschiedene Themen und Skalen erstreckt. In den meisten Fällen befindet man sich dabei an der Schnittstelle zwischen der Waldökologie und anderen Naturwissenschaften wie z. B. Geologie, Klimatologie, Botanik, Bodenkunde, Geografie und statistischer Datenverarbeitung. In jedem Fall sind die Ergebnisse essenziell für eine nachhaltige Waldbewirtschaftung in Zeiten sich ändernder Umweltbedingungen. Denn nur detaillierte Kenntnisse über die standortökologischen Bedingungen ermöglichen Entscheidungen über Baumarten oder Waldbewirtschaftungsstrategien, die an zukünftigen Klimabedingungen angepasst sind. In den einzelnen Publikationen der vorliegenden kumulativen Dissertation werden unterschiedliche aktuelle Themen und Methoden der forstlichen Standortskunde in Zusammenhang mit Klimawandel behandelt. Diese reichen vom einfachen Ansatz der Standortskunde, die Landschaft in Bergregionen entlang von Höhentransekten in Vegetationszonen zu unterteilen (Publikation I), über individuenbasierte statistische Methoden zur Identifizierung von Standortsmerkmalen, welche Waldverjüngungsmuster bestimmen (Publikation II), bis hin zur räumlichen Vorhersage von Bodeneigenschaften für Standortsinformationenssysteme (Publikation III und IV). Darüber hinaus werden verschiedene Ebenen von Feldaufnahmen und Modellierungsskalen - vom Mikrostandort bis hin zur Bestandesebene - berücksichtigt. Die Verwendung verschiedener Skalen kann dazu beitragen, neue Erkenntnisse zu gewinnen und Muster zu erkennen, welche sonst vielleicht verborgen blieben. Im Methodik-Kapitel wird ein Überblick über die wichtigsten statistischen Verfahren gegeben, die während des Doktoratsstudiums erworben wurden. Die Grundlage aller Untersuchungen bildete dabei die deskriptive statistische Analyse. Um bereits vorhandene Bodenanalysen zu nutzen, war die Zusammenführung aus verschiedenen Quellen notwendig und erforderte Vorbereitungs- und
Standardisierungsmethoden. Insbesondere für die Auswertung von mehrdimensionalen Bodendaten wurden neuartige Verfahren angewandt. Neben der eigentlichen Modellierung wurde die Bewertung der Genauigkeit und Unsicherheit als ein wesentlicher Bestandteil der räumlichen Vorhersage identifiziert. Daher kamen eine Reihe von Validierungsmethoden für Modellgenauigkeit, Bias und Unsicherheit zum Einsatz, wie Genauigkeitsindizes, Kreuzvalidierung durch zufällige und räumlich-aggregierte Aufteilung der Daten, Beschreibung der Modellunsicherheit mit geschätzten Prognoseintervallen, Prüfung auf räumliche Autokorrelation der Modellresiduen durch Semivariogramme und Vergleich der Modellergebnisse mit Vorhersagen für unbekannte Daten. The spatial modelling of forest site information is a broad scientific field, ranging from various topics to various scales. In most cases, it is at the interface between forest ecology and other natural sciences, e.g. geology, climatology, botany, soil science, geography, and statistical computing. In any case, the results are essential for sustainable forest management in times of changing environmental conditions. Only detailed knowledge of site ecological conditions enables decisions to be made with regard to tree species or forest management strategies – which will eventually be ‘judged’ by future climate conditions. Different current topics and methods of forest site classification related to climate change are addressed by the individual publications. These range from the simple forest site classification approach of subdividing mountainous landscapes into vegetation zones along elevational transects (Publication I), individual-based statistical methods for identifying site features driving forest regeneration patterns (Publication II), to the spatial prediction of soil characteristics for forest site information systems
(Publications III and IV). Furthermore, different levels of field recordings and modelling scales, from microsites to stand level, are considered. It is common for modern forest site classification systems to use different methodological approaches, but the use and integration of different scales can also help in gaining new insights and recognising patterns that might otherwise not emerge. In the methodology chapter, an overview of the important statistical methods acquired during the doctoral program is presented. Therein, descriptive statistical analysis formed the basis of all studies and novel methods had to be applied especially for handling the dimensionality of the soil data. To add value to already existing soil analysis data, compiling data from different sources was necessary and required preprocessing and standardisation methods. Besides the modelling itself, assessing accuracy and uncertainty was identified as an essential part of spatial prediction. Therefore, a set of validation methods for model performance, bias, and uncertainty were applied, namely accuracy indices, crossvalidation by splitting the dataset with different selections, i.e. either random or spatial block, a
description of model uncertainty with estimated prediction intervals, testing for the spatial autocorrelation of the model residuals by applying a sample variogram, and a comparison of the model results of unseen
data.
