Masterarbeit

Einleitung

Europäische Wälder stehen heute in einem Spannungsfeld aus Klimawandel, steigender Trockenheit und zunehmendem Schädlingsdruck. Besonders die gemeine Fichte (Picea abies), eine der wichtigsten Wirtschaftsbaumarten Österreichs, ist durch den Borkenkäfer stark gefährdet. Dürreperioden schwächen die Abwehrkräfte der Fichten, während milde Winter den Käferbefall zusätzlich fördern.

Da Pflanzen auf Stresssituationen mit der Freisetzung charakteristischer flüchtiger organischer Verbindungen (BVOCs) reagieren, lassen sich diese Emissionen wie ein chemischer Fingerabdruck nutzen. Diese Stoffe entstehen durch Stoffwechselprozesse in Nadeln, Rinde und Wurzeln. Sie können wichtige ökologische Funktionen erfüllen, beispielsweise die Kommunikation zwischen Pflanzen oder die Abwehr von Schädlingen. Gleichzeitig beeinflussen sie auch die Atmosphäre, indem sie zur Ozon- oder Aerosolbildung beitragen.

Die zentrale Fragestellung dieser Arbeit war, ob sich die BVOC-Emissionen von Fichten in unterschiedlichen Stresssituationen (Trockenstress, Staunässe) zuverlässig messen und unterscheiden lassen. Damit verbunden ist die Vision, ein mobiles Sensorsystem, also eine Art „digitale Nase“ zur Früherkennung von Stressbefall in der Forstwirtschaft einzusetzen. Ergänzend sollte ein 3D-Modell erstellt werden, das die Ausbreitung der Emissionen um einen Baum herum sichtbar macht.

Material und Methoden

Für die Untersuchung wurden zwölf junge Fichten aus einem oberösterreichischen Wald entnommen und in einem eigens eingerichteten „Fichtenlabor“ aufgestellt. Dort wurden sie in drei Gruppen eingeteilt, gesunde Bäume (Kontrollgruppe), Bäume unter Dürrestress (durch reduzierte Wassergabe) und Bäume unter Staunässe (durch Überwässerung). Zusätzlich wurden Referenzproben direkt im Wald genommen, um die Laborbedingungen mit natürlichen Emissionen zu vergleichen.

Die Probenahme erfolgte mit Aktivkohleröhrchen, die die flüchtigen Verbindungen absorbierten. Anschließend wurden die Stoffe im Labor mit Gaschromatographie Massenspektrometrie (GC-MS) analysiert. Dadurch konnten sowohl die Zusammensetzung als auch die Konzentration der BVOCs bestimmt werden.

Um die räumliche Verteilung zu erfassen, wurden an einer ausgewachsenen Fichte im Wald Messungen in verschiedenen Höhen (2, 4 und 6 m) und Abständen (1, 1,5 und 2 m) sowie in allen Himmelsrichtungen durchgeführt. Mit den Daten wurde ein 3D-Modell der Emissionswolke erstellt.

Für die Auswertung wurden klassische statistische Verfahren genutzt. Zusätzlich kamen Methoden des maschinellen Lernens wie Lineare Diskriminanzanalyse, Random Forest und Support Vector Machines zum Einsatz, um die Klassifizierung von Baumzuständen zu testen.

Ergebnisse

Die Auswertung umfasste insgesamt 42 Datensätze (Labor und Feld; Klassen: gesunde Bäume im Feld, gesunde Bäume im Labor sowie Stress durch Dürre und Staunässe).

• BVOC-Profile: Dominierende Substanzen waren 3-Caren und α-Pinen, gefolgt von Camphen, β-Pinen und D-Limonen. Einige gemessene Alkane und Alkene erscheinen untypisch für Fichten und werden als mögliche Kontamination aus Umgebung oder Analysesystem diskutiert. Auch cis-Verbenol wird eher dem Einfluss von Borkenkäfern zugeschrieben als den Fichten selbst.

• Statistische Vergleiche: Zwischen Dürre- und Staunässe-Bäumen konnte nur für 2,6-Dimethylnonan ein signifikanter Unterschied festgestellt werden. Aufgrund der geringen Stichprobengröße wurden beide Stressarten zu einer gemeinsamen Klasse „Stress“ zusammengefasst. Deutliche Unterschiede zeigten sich hingegen zwischen gesunden und gestressten Bäumen sowie zwischen gesunden Bäumen im Feld und im Labor.

• Klassifikation durch maschinelles Lernen: Mit relativen Peakflächen erreichten die Modelle Random Forest und Support Vector Machine sehr gute Ergebnisse (Accuracy ca. 0,88–0,89; F1-Score ca. 0,85–0,92). Mit absoluten Peakflächen lagen die Werte niedriger (Accuracy ca. 0,78). Relative Werte verbesserten somit die Trennschärfe, da sie Unterschiede in der Nadelmasse kompensierten.

• 3D-Modellierung der Emissionen:  
• In 1 m Abstand wurden die höchsten Emissionen registriert, besonders bodennah sowie in südlicher und östlicher Richtung.
• In 1 m Abstand wurden die höchsten Emissionen registriert, besonders bodennah sowie in südlicher und östlicher Richtung.
• In 1,5 m Abstand waren die Werte überraschend niedrig.
• In 2 m Abstand stiegen die Emissionen wieder an, vor allem in Nord- und Westrichtung.
• Hinsichtlich der Höhe zeigten die oberen Messpunkte (6 m) die stärksten Emissionen, gefolgt von den unteren (2 m).

• Praktische Schlussfolgerung: Die Ergebnisse sprechen dafür, Sensoren bevorzugt in rund 2 m Höhe und in etwa 1 m Abstand vom Stamm zu platzieren. Zugleich könnte der Einsatz drohnengestützter Messungen in Kronenhöhe sinnvoll sein, da dort ebenfalls hohe Emissionen auftreten.

Diskussion

Die Ergebnisse zeigen klar, dass BVOC-Emissionen zuverlässige Stressindikatoren für Fichten darstellen. Trockenheit und Staunässe führen zu deutlich unterschiedlichen chemischen Signaturen, die sowohl manuell als auch mithilfe von maschinellem Lernen erkennbar sind. Damit eröffnet sich die Möglichkeit, Waldbestände frühzeitig zu überwachen und rechtzeitig auf Schädigungsprozesse wie Borkenkäferbefall zu reagieren.

Besonders interessant ist die Erkenntnis, dass die räumliche Verteilung der Emissionen nicht gleichmäßig ist. Sowohl die Höhe als auch der Abstand der Messung beeinflussen die Ergebnisse erheblich. Das legt nahe, dass ein zukünftiges Sensorsystem flexibel in verschiedenen Höhen und möglichst nahe am Stamm arbeiten sollte. Auch die Einflüsse von Temperatur, Wind und Tageszeit könnten eine wichtige Rolle spielen und sollten in weiterführenden Studien untersucht werden.

Insgesamt verdeutlicht die Arbeit, dass sich Grundlagenforschung zu pflanzlichen Emissionen direkt mit praktischen Anwendungen in der Forstwirtschaft verknüpfen lässt. Ein mobiles „ Frühwarnsystem“ könnte helfen, Wälder resilienter gegenüber Klimawandel und Schädlingsbefall zu machen.