GIN – die Hintergründe

Die Gemeinsame Informationsplattform Naturgefahren (GIN) ist seit 2011 operationell im Einsatz. Massgebend für die im Rahmen des Projekts OWARNA begonnene Entwicklung im Jahr 2008 war eine Ereignisanalyse, welche sich mit dem Hochwasser im August 2005 befasste. In dieser Ereignisanalyse wurde eruiert, dass zwar Messdaten während des Ereignisses vorhanden waren, diese für lokale Akteure jedoch kaum oder nur bedingt zugänglich waren. Man setzte sich zum Ziel, die Zugänglichkeit der Informationen rund um Naturgefahren zu verbessern und Warnungen koordinierter herausgeben zu können.

Markus Aeschlimann

In den Anfängen bestand die Datenbank aus einer Karte, mithilfe welcher Daten tabellarisch und grafisch dargestellt werden konnten. Mit der Intensivierung der Zusammenarbeit mit den einzelnen Fachstellen des Bundes, Bundesamt für Umwelt (BAFU), MeteoSchweiz (MCH), Schweizerische Lawinenforschung (SLF) und Schweizerischer Erdbebendienst (SED), nahm die Datenmenge kontinuierlich zu. Dies führte bald einmal dazu, dass GIN an seine Grenzen stiess. Nicht nur die zunehmende Datenmenge, sondern auch Anforderungen wie die Möglichkeit, Daten mit anderen Nutzern zu teilen oder eigene Schwellenwerte zu setzen, führten dazu, dass im Jahr 2017 die Version GIN5 eingeführt wurde. Der Einstieg erfolgte nun nicht mehr über die Karte, sondern über ein Dossier, welchem verschiedene Ansichten (Tabellen, Diagramme, Bilder, Bulletins, Bilder und die Karte) hinzugefügt werden können. Das Gestalten von Dossiers ermöglicht es dem Nutzer, individuelle Ansichten zusammenzustellen, diese zu speichern und mit anderen GINBenutzern zu teilen. Mit dem Aufkommen von Smartphones wandelten sich die Anforderungen erneut. Gewünscht werden eine mobiltaugliche Version und das Verschicken von schwellenwertbasierten Benachrichtigungen. Das Ziel der gegen Ende 2020 lancierten GINVersion (genannt GIN Mobile) sind daher die Optimierung der Benutzerfreundlichkeit von GIN für mobile Endgeräte und das Versenden von Benachrichtigungen zu Schwellenwerten.

GIN Mobile

Zu erwähnen ist, dass GIN Mobile neben zusätzlichen Funktionen auch ein neues Erscheinungsbild erhält. Die Funktionsweise und die Navigation des heutigen GIN mit dem Anlegen von Dossiers und Ansichten bleibt dieselbe. GIN Mobile funktioniert nicht nur auf dem Smartphone, sondern weiterhin auf dem Desktop oder dem Tablet. Ein einmaliges Einrichten auf dem Smartphone führt dazu, dass der Zugriff auf GIN per mobilem Endgerät sowohl als App als auch über den Browser erfolgen kann. Jeder Benutzer hat weiterhin einen Login, welcher auf verschiedenen Geräten verwendet werden kann. Auf dem Desktop eingerichtete Dossiers und Schwellenwerte sind auf dem Smartphone zugänglich. Benachrichtigungen können auf persönliche Schwellenwerte, Messwerte, Vorhersagen, aber auch auf Warnungen oder Bulletins erfolgen.

Bildreihe v.l.n.r.: Startseite von GIN auf dem Smartphone, Karte mit Niederschlagsradar und Niederschlagsmessungen

sowie Lawinenbulletin. (alle Bilder: Geschäftsstelle GIN)

GIN besitzt eine grosse Diversität an Benutzern aus verschiedenen Bereichen (lokale Naturgefahrenberater, Blaulichtorganisationen, Behörden, Wissenschaftler etc.). Um Gefahrensituationen einzuordnen, werden unterschiedliche Verfahren und Alarmierungen eingesetzt. GIN kann dabei eine entscheidende Rolle spielen. Anhand der Entscheidungsprozedur der FAN (Agenda FAN 1/2019) wird folgend aufgezeigt, wie GIN beim Beurteilen und Entscheiden in akuten Gefahrensituationen eingesetzt werden kann:

1. Situationsbeurteilung

Wird ein Schwellenwert überschritten oder erscheint eine neue Warnung oder ein neues Bulletin, wird der Benutzer mittels Benachrichtigung informiert. Benachrichtigungen erscheinen nicht nur auf dem Smartphone, sondern können auch auf dem Desktop gelesen werden. Schwellenwerte können spezifisch auf eigens definierte Werte abonniert werden, damit eine Abbildung an die reale Situation möglich ist. Benachrichtigungen können auch auf Vorhersagen erstellt werden. Sind die gewünschten Benachrichtigungen einmal eingerichtet, wird der GINBenutzer über mögliche Szenarios in der Zukunft informiert. Einmal auf die Situation aufmerksam gemacht, kann sich der Benutzer in GIN mithilfe der Daten und Werkzeuge einen Überblick über die Situation verschaffen. Die in GIN bereits erstellten Dossiers und Ansichten können bequem mit dem Smartphone abgerufen werden.

2. Optionen

Während Handlungsoptionen gesucht werden, stehen in GIN laufend neue Daten und Prognosen

zur Verfügung. Die Warnkarte und die Push-Benachrichtigungen helfen dem Benutzer, die verschiedenen Optionen zu erstellen. Die Informationen aus GIN können dabei helfen, abzuschätzen, ob überhaupt etwas gemacht werden muss.

3. Bewertung

Während die erstellten Handlungsoptionen evaluiert und geprüft werden, liefert GIN unter anderem auch Einschätzungen von Fachspezialisten in Form von Bulletins. GIN kann unterstützend wirken, ob Optionen durchführbar sind. Auch die Sicherheit kann mittels der zahlreichen Vorhersagen abgeschätzt werden. Zusätzlich können in GIN Dossiers mit anderen GIN-Benutzern geteilt werden. Dies bietet den Vorteil, dass, wenn die Evaluierung bezüglich der Handlungsoptionen durch mehrere Personen ausgeübt wird, alle über die gleichen Informationen verfügen.

4. Entscheidung

Wenn die verschiedenen Optionen geprüft worden sind, wird der Entscheid gefällt. Hier kann allenfalls noch einmal die aktuelle Situation bezüglich Messdaten oder Bulletins konsultiert werden. In einem Ereignisfall erscheinen gewisse Bulletins häufig, da die Lage von Spezialisten laufend neu beurteilt wird. GIN bietet die Möglichkeit, wichtige Dossiers und Ansichten für die Dokumentation auszudrucken.

5. Ausführung

Während die beschlossenen Massnahmen ausgeführt werden, kann sich die Situation ändern. Benachrichtigungen machen den Benutzer darauf aufmerksam, dass neue Daten verfügbar sind oder Schwellenwerte überschritten worden sind. So kann die aktuelle Situation mitverfolgt werden.

6. Kontrolle

Aufgrund der Datenfülle eignet sich GIN, um das Geschehen weiter zu beobachten. Individuelle Schwellenwerte, Push-Benachrichtigungen und die laufende Einschätzung durch Experten ermöglich dem Benutzer eine permanente Überwachung.

Fazit

Für die Bewältigung von Naturgefahren liefert GIN verschiedene Mehrwerte: – GIN beinhaltet sämtliche Naturgefahrendaten, welche auf Stufe Bund erhoben werden. Zusätzlich stehen Daten der Kantone und vereinzelt auch von privaten Anbietern zur Verfügung. – In Form von Bulletins sind Einschätzungen von

Fachspezialisten vorhanden. – Dossiers können im Vornherein in Ruhe erstellt werden, damit im Ereignisfall mit wenigen Klicks eine gewünschte Übersicht über die Situation verfügbar ist. Dies verschafft Zeitgewinn im Einsatz. – Mit der Möglichkeit, Dossiers in GIN zu teilen, können gemeinsame Entscheidungsgrundlagen geschaffen werden. – Durch persönliche Benachrichtigungen erhält der

Benutzer zeitnahe Informationen bei Ereignissen.

Der Benutzer ist jederzeit über den aktuellen

Stand informiert. – Mit der mobilen Version ist GIN auch auf dem

Smartphone verfügbar. Dies ermöglicht die

Überprüfung besonders auch im Feld.

Markus Aeschlimann ist wissenschaftlicher Mitarbeiter bei der Geschäftsstelle GIN (Gemeinsame Informationsplattform Naturgefahren) und ist somit eine der treibenden Kräfte dieses Instruments.

Steinschlag und der Wald – der effektiven Schutzwirkung auf der Spur

Dem aufmerksamen Gebirgswaldbesucher ist das Phänomen hinlänglich bekannt: In felsdurchsetztem, waldigem Gelände findet man hinter vielen grösseren, aber eben auch kleineren Bäumen abgelagerte Steine in unterschiedlicher Grösse. Um die Schutzwirkung des Waldes bezüglich Steinschlag genauer zu untersuchen, führt die SLF-Forschungsgruppe RAMMS verschiedene Experimente durch, dessen Erkenntnisse dann in das Simulationsprogamm RAMMS::ROCKFALL fliessen.

Andrin Caviezel und Adrian Ringenbach

Die Forschungsgruppe RAMMS am WSL-Institut für Schnee- und Lawinenforschung SLF in Davos befasst sich schon lange mit der Entwicklung von Simulationsprogrammen für gravitative Naturgefahren. Das bestbekannte Modul ist RAMMS::AVALANCHE, mit welchem Lawinen in realisti-

Abbildung 1: Überblick der Ablagerungspunkte der Surava-Trilogie: Rote Ablagerungspunkte repräsentieren das Experiment mit intaktem Wald, weisse Ablagerungspunkte dasjenige mit liegenden, gefällten Stämmen (die relevanten Bäume

sind braun eingezeichnet) und blaue Ablagerungspunkte stehen für Ablagerungspunkte nach der Räumung. (Bilder: SLF)

schem Gelände simuliert werden können und so wertvolle Aufschlüsse über deren Einwirkungen in den Gefahrenzonen liefert. Seit einigen Jahren existiert nun auch das äquivalente Modul für Sturzbewegungen, RAMMS::ROCKFALL. Auch hier können auf exakten Höhenmodellen die möglichen Sturzbahnen der zu erwarteten Steine digital berechnet werden und so die Gefahrenanalyse des Ingenieurs mit einem räumlichen Eindruck der drohenden Steinschlaggefahr ergänzen. Hierbei sind Grössen wie die zu erwartenden Geschwindigkeiten – und somit Energien – wie auch die Sprunghöhen von Interesse, weil diese die Grösse und auch Kosten allfälliger Schutzmassnahmen massgebend bestimmen. Jedes Modell bedarf guter Eingabedaten. Für eine RAMMS::ROCKFALL-Simulation bedarf es einer detaillierten Kartierung der vorhandenen Bodentypen, ein gut aufgelöstes, fehlerfreies Höhenmodel und eine Vorstellung der Steinform und -grösse. Hier unterscheidet sich RAMMS von anderen Modellen, da jeder Stein-Boden-Kontakt genau nachgerechnet wird unter Berücksichtigung der Steinform und Aufprallorientierung. Mit gleichen Bodenparametern für alle Steine und Massen ergibt sich natürlicherweise, dass zum Beispiel sehr plattige Steine oftmals ins Rutschen kommen und dadurch schnell einmal durch eine vorhandene Bodenrauigkeit aufgehalten werden. Der typische Steinschlaghang kann oft durch eine steile, felsige Ausbruchfläche, einer mehr oder minder bewachsenen, steilen Transitzone und einem flachen Auslauf mit der zu schützenden Infrastruktur beschrieben werden. Die genaue Eingrenzung der Bodenparameter für diesen Typus von alpinem Hang ist essenziell für eine verlässliche Simulation. Zu diesem Zweck führte die RAMMS-Gruppe seit einigen Jahren vor allem am Flüelapass wiederholt künstliche Steinschlagexperimente durch, um auch eine systematische Datengrundlage für die Beantwortung dieser Fragen zu bekommen. So ergaben sich aus diesen Experimenten Aufschlüsse über den Energieverlust bei jedem Einschlag und insbesondere dessen Abhängigkeit bezüglich Geschwindigkeit und Bodentyp. Zudem konnte der Einfluss der Steinform studiert werden, wo sich zeigt, dass würfelförmige Steine seitlich weniger weit gestreut werden als radähnliche Steine.

Der Wald schützt, aber wie stark?

Bei sehr vielen Beispielen stellt sich aber bald einmal auch die Frage nach dem Effekt des Waldes, da die Transitzone oftmals bewaldet ist. Der grosse Stein hinter kleinen Bäumen regt zum Nachdenken an: Wie erreichte der Stein seinen jetzigen Ablagerungsort? Woher kam der Stein? Wie hoch war seine Geschwindigkeit? Wie gross waren die Kräfte, welche vom stoppenden Baum abgefangen wurden? Wie hoch sprang der Stein durch die Luft? Wann war das Ereignis? Befinde ich mich in einer Gefahrenzone? Wie sieht das weiter talwärts aus? Fragen über Fragen, auf welche Erfahrungswerte zwar ein Gefühl vermitteln können, oftmals aber klare Antworten darauf fehlen. Da sich ein Modell nur schlecht mit Gefühlswerten füttern lässt, streben wir eine Quantifizierung der Schutzwirkung des Waldes explizit in Bezug auf einen rollenden oder fliegenden Stein an. Hierzu wurden die Experimente auf bewaldetes Testgelände erweitert, um in Zukunft diese offenen Fragen zumindest teilweise beantworten zu können.

Die Surava-Trilogie

Der Austausch mit Praxis und Behörden liegt dem SLF am Herzen und so entstand im Kontakt mit dem AWN Region 4 spontan die Idee für Experimente in einem Waldstück, welches für einen regulären forstlichen Eingriff vorgesehen war. Dank der engen Zusammenarbeit wurde es möglich, Experimente vor dem Schlag, nach dem Schlag mit liegendem Totholz und nach der Räumung durchzuführen. Unterhalb des Felsbands Crap Ot/Crap Pisch südlich von Surava waren im Jahre 2017 mehrere Seillinien forstlicher Eingriffe geplant. Die

Abbildung 2: a) Die gesamte LiDAR-Punktwolke im Bereich der Surava-Trilogie, anhand der Höhe über Meer eingefärbt, wurde via Filteralgorithmen in b) Bodenpunkte klassiert. Um wie in c) die Baumhöhen abschätzen zu können, dient die Höhe über Boden als Farbkriterium (rot >= 20 m über Boden). d) Einblick in die Punktwolke im Bereich der Seillinie: Neben der Höhenmessung von Einzelbäumen (hier h=24,3 m Höhe) können bei dieser hochaufgelösten Punktwolke z.B. BHD und Kronenlängen abgeschätzt werden.

für ein Experiment am günstigsten zugängliche Seillinie befand sich im Bereich der zweiten Haarnadelkurve der Zubringerstrasse Aclas (2’765’803/ 1’169’622 CH1903+/LV95). Der Startpunkt ist sowohl in der topografischen Übersichtskarte als auch in der Ablagerungspunktübersicht in Abbildung 1 ersichtlich. Die Teststeine bestanden aus 46 kg schweren armierten, betonierten, würfelförmigen EOTABlöcken (European Organisation for Technical Assessment), dessen grössere Ausgaben als Normstein in Steinschlagnetztests benutzt werden. Im Zuge der durchgeführten Steinschlagex

Abbildung 3: Planansicht der simulierten Steingeschwindigkeiten in den drei Szenarien: links stehende Bäume, Mitte liegend (weiss) und rechts geräumter Wald. Die meisten Steine erreichen Geschwindigkeiten bis 25 km/h, wobei wenige bis 36 km/h (=10 m/s) schnell werden. Zudem wird ersichtlich, dass von den 100 simulierten Steinen, nur deren 5 durch die Sektion mit den liegenden Stämmen kommen.

perimente erwiesen sich künstliche Steine gegenüber natürlichen Steinen als überlegen, einerseits, weil sie robuster fabriziert werden können und andererseits auch die Reproduktion des immer gleichen Steins erlauben. Die Steine wurden mittels Sensoren, sogenannten StoneNodes, ausgerüstet, welche Rotationen bis 11 Umdrehungen pro Sekunde und Beschleunigungen bis zur 400-fachen Erdbeschleunigung messen können. Dadurch kann man direkt im Stein messen, wie stark ein Aufprall seine Rotation vermindert und wie hart diese Aufschläge sind. Mittels Quad konnten jeweils vier Steine gleichzeitig von der Haarnadelkurve an den Startpunkt gebracht werden. Von da wurden diese nacheinander losgelassen und am Ablagerungspunkt mittels hochgenauem GNSS-Empfänger eingemessen. Wenn nötig, wurden die Steine mittels Spillwinde bis zur Haarnadelkurve gezogen, um von da wieder mit dem Quad zum Startpunkt gefahren zu werden. Mit Filmaufnahmen vom Startpunkt aus, von der Haarnadelkurve und mittels einer Drohne versuchten wir, die Steinflugbahnen möglichst lange zu verfolgen. Keine dieser Varianten stellte sich jedoch als zufriedenstellend heraus. Die Surava-Trilogie dargestellt in Abbildung 1 besteht demnach aus einem Experimentiertag vor dem forstlichen Eingriff, RF13 mit 41 Ablagerungspunkten (rot), einem Tag mit den liegenden Bäumen, RF14 mit 27 Ablagerungspunkten (weiss), und einem Tag nach Räumung der liegenden Stämme, RF15 mit 40 Ablagerungspunkten (blau). Der berechnete Mittelpunkt der jeweiligen Serien ist als gleichfarbiges Fadenkreuz dargestellt. Wenig überraschend kommen Steine bei liegenden Stämmen am wenigsten weit. Der durchschnittliche Ab-

Abbildung 4: Darstellung der Sprunghöhen in der 3D-Ansicht: Neben den stehenden Bäumen (gelb) und den weissen, teilweise aufgestapelten liegenden Stämmen sind die Flugbahnen der 100 simulierten Steine ersichtlich. Die Sprunghöhen sind im Allgemeinen eher tief, erreichen vereinzelt aber bis 1,4 m. Die höchste gemessene Wunde an einem Baum befand sich auf 1,3 m.

lagerungspunkt liegt mitten in der Schlagfläche. Nur einer der 27 Steine kam unterhalb der liegenden Stämme zum Stillstand. Steine im geräumten Wald haben im Mittel einen 12 Meter längeren Weg zurückgelegt, als jene im ursprünglichen stehenden Wald. Ebenfalls klar ersichtlich sind die früh gestoppten Steine in allen drei Serien, welche aufgrund der Bodenrauigkeit nie Fahrt aufnehmen konnten. Um diese Bodenrauigkeit möglichst genau abzubilden, bedarf es eines detaillierten Höhenmodelles. Das Bundesamt für Landestopografie swisstopo erstellt schweizweit die swissALTI3D-Höhenmodelle mit einer Gitterauflösung von zwei Metern. Mit fortschreitender Lasertechnologie sind die neusten Modelle bis 0,5 Meter Genauigkeit erhältlich. Trotzdem ergeben sich speziell im Wald immer noch zwei Hauptprobleme: Um die kleinräumige Rauigkeit von Waldböden korrekt darzustellen, braucht es sehr gute Vegetationsfilter, welche in der Lage sind, in der gesamten Masse an Laser-Messpunkten, der sogenannten LiDAR-Punktwolke (siehe z. B. Abb. 2.a), hochstämmige Vegetation von tief liegender Buschvegetation und

beides wiederum von rauem Boden zu unterscheiden. Nur dann ergeben sich präzise digitale Höhenmodelle (DHM). Im idealen Fall sind dann auch Informationen über Deckungsgrad, Einzelbaumstandort, Baumhöhen vorhanden. Mit der neusten Generation der LiDAR-Daten, welche im Jahre 2023 von swisstopo für den ganzen Kanton Graubünden bereitgestellt werden sollten, könnte dies schon bald Realität werden. Trotzdem bleibt die Frage, was die kleinste Auflösung dieser Höhenmodelle sein wird, da auch 0,5 Meter für solch kleinskalige Experimente – die zugegebenermassen etwas akademisch sind und vor allem der Weiterentwicklung der Methoden dienen – unzureichend sind. Erste Simulationen mit RAMMS::ROCKFALL mit einer Zwei-Meter-Auflösung im Höhenmodell zeigten, dass eine zu geringe Auflösung zu einer zu geringen Bremswirkung führt und die Steine oftmals erst weiter unten im Hang auf der flachen Forststrasse zum Stoppen kommen. Daher liessen wir den Hang mittels Hubschrauber per AX60-Trimble-Laserscanner vermessen. Um die gewünschte Punktdichte pro Quadratmeter (durchschnittlich 500 p/m²) zu erreichen, waren mehrere überlappende Flugstreifen notwendig. Nur so war es möglich, ein hochaufgelöstes Höhenmodell aus den LiDAR-Daten zu extrahieren. Der Detailgrad an Informationen eines solchen Höhenmodells ist in Abbildung 2 ersichtlich. Es ist nun nicht nur möglich, ein digitales Höhenmodell mit einer 20-Zentimeter-Auflösung zu generieren, sondern auch via Filteralgorithmen die wirklichen Bodenpunkte zu klassieren (Abb. 2b), Baumhöhen (Abb. 2c) und digital sogar Brusthöhendurchmesser (BHD) und Kronenlängen abzuschätzen (Abb. 2d). Dieses Höhenmodel wird nun als Grundlage für Simulationen mit RAMMS::ROCKFALL benutzt. Die Simulationsresultate (Abbildung 3) werden mit den Experimenten verglichen. Die Bremswirkung der liegenden Stämme, die als zusätzliche 3D-Objekte in der Berechnung eingefügt wurden, ist in der Bildmitte deutlich erkennbar. Dass die liegenden Stämme teilweise aufeinandergestapelt waren, ist in der 3D-Darstellung in Abbildung 4 deutlich zu erkennen. Die darauf ebenfalls abgebildeten Sprunghöhen (max. 1,4 m) passen sehr gut zu den maximal im Feld gemessenen Sprunghöhen von 1,3 m. Generell erreichen wir eine gute Übereinstimmung zwischen Experiment und Simulation. Die Experimente in Surava haben aufgezeigt, wo sowohl die logistischen wie auch konzeptionellen Schwierigkeiten von Steinschlagexperimenten im Wald liegen. Eine realistische Simulation ist nur möglich, wenn die naturgegebenen Randbedingungen möglichst genau ins Modell einfliessen. Zukünftige Arbeiten werden untersuchen, wie stark man zum Beispiel die Rauigkeit glätten kann, um noch aussagekräftige Resultate zu erhalten, oder wie diese künstlich erzeugt werden kann, falls das Höhenmodell nicht diese Genauigkeit aufweisen sollte. Weiterführende Experimente im Wald mit liegendem Totholz und grösseren Steinen sollen zudem Antworten darauf liefern, ob dieses im Wald belassen werden sollte, um eine möglichst effiziente Schutzwirkung und Pflege des Waldes zu erreichen.

Andrin Caviezel und Adrian Ringenbach: Ein Physiker und ein Geograf, die im Namen der Wissenschaft Steine den Hang hinunterwerfen.

Mit Luftunterstützung im Kampf gegen den Borkenkäfer

Der Klimawandel setzt vor allem den Fichtenbeständen zu und begünstigt die Lebensbedingungen des Borkenkäfers. Die Früherkennung von drohenden Massenvermehrungen des Borkenkäfers ist eine grosse Herausforderung, die immer wieder neuer Ideen und Möglichkeiten bedarf. Die Zusammenarbeit von luft- und bodengestützten Überwachungssystemen scheint sich immer öfter zu bewähren und wird ständig weiterentwickelt und verbessert.

Kurt Wöls, Bernd Cresnar

In den kommenden Jahren stehen die Förster und Försterinnen vor der grossen Herausforderung, sowohl Wirtschafts- wie auch Schutzwälder wirtschaftlich und ökologisch klimafit zu kriegen – und das «bei laufendem Betrieb». Unterstützung gibt es dabei jetzt aus der Luft: Unmanned Aerial Vehicles (UAVs), besser bekannt als Drohnen, werden mit speziellen Kameras und künstlicher Intelligenz ausgestattet und helfen beim Auffinden von bestehendem oder drohendem Käferbefall. Der Klimawandel lässt bereits seit einigen Jahrzehnten einen weltweiten Temperaturanstieg beobachten, und im Alpenraum wird dieser in Zukunft vermutlich noch höher ausfallen als in tieferen Lagen. Je wärmer es wird, desto schneller entwickelt sich aus dem Ei ein Borkenkäfer. Bei einer Durchschnittstemperatur von 19° C dauert das beim Buchdrucker etwas mehr als sieben Wochen, bei durchschnittlich 24° C jedoch nurmehr fünf Wochen! Höhere Jahresmitteltemperaturen, veränderte Niederschlagsmengen und Wetterkapriolen beeinflussen die Vitalität der Wälder negativ. Zusammen mit Sturm- und Schneeschäden begünstigt die physiologische Schwächung der Bäume die Anfälligkeit für Forstschädlinge wie Borkenkäfer, Pilze und Mikroorganismen. Weil sich die Wälder nicht so schnell wandeln können wie das Klima, ist ein aktives und effizientes Waldmanagement essenziell, um wirtschaftlichen und environmentalen Schäden vorzubeugen bzw. diese möglichst gering zu halten. Dabei gehen Förster und Försterinnen mit der Zeit und greifen immer öfter auch zu modernen und digitalen Technologien. Georeferenzierte Multispektralfotografie und Datenauswertung auf Basis künstlicher Intelligenz sind ein Beispiel dafür. Dabei werden – bei kleineren Flächen mit sogenannten Multikoptern, bei grösseren mit Leichtflugzeugen – Waldgrundstücke im Rastersystem überflogen und dabei mit einer Spezialkamera Luftbildaufnahmen in dem für das menschliche Auge nicht sichtbaren nahen Infrarotbereich des Lichts gemacht. Diese werden später am Computer analysiert und mit dem NDVI (normalisierter differenzierter Vegetationsindex) ausgewertet. So entstehen Vegetationskarten der überflogenen Flächen, die über deren Vitalität Auskunft geben. Durch die Georeferenzierung der Bilder können Problembereiche und sogar einzelne Problembäume anhand der GPS-Daten genau lokalisiert und gezielt vom Förster angegangen und überprüft werden. (Übrigens immer öfter auch in Begleitung eines Käferspürhundes, dessen Einsatz so effektiver gestaltet werden kann.) Um eine höhere Aussagekraft bei der Unterscheidung zwischen temporären kurzfristigen Stresssituationen und langfristig geschädigten Flächen oder Einzelbäumen zu erhalten, müssen Bildserien aus mindes-

Visualisierungsmöglichkeiten im Festmeter-Dashboard; Übersichtskarte in RGB bis hin zu CIR-Bild, Befallsinformationen.

(Bilder: festmeter.at)

tens zwei zeitlich versetzten Flügen miteinander verglichen werden. Die besten Ergebnisse liefert aber ein kontinuierliches Monitoring in regelmässigen Abständen, da die dahinterliegende Software bei jedem Flug über das zu analysierende Gebiet «aus der Erfahrung lernt» und sich selbst optimiert. Die Software kann in ähnlicher Form auch für die Auswertung von Satellitenbildern verwendet werden, allerdings können dann aufgrund der Bildauflösung keine Rückschlüsse auf Einzelbäume, sondern nur auf Bestandsflächen gezogen werden. Während in der Landwirtschaft die Methode schon als etabliert gilt und bereits von vielen Landwirten für die präzise Düngemittel- und Pflanzenschutzausbringung sowie Bodenbearbeitung etc. angewendet wird, ist sie im Forst noch relativ neu. Die Schwierigkeit liegt wortwörtlich «in der Natur der Sache»: Je nach Vegetationsphase einer Pflanze ändert sich die Absorptionsrate von Licht, einer bestimmten Wellenlänge auch im vitalen, «gesunden» Zustand. Daher bedürfen die Bilddaten selbst bei gleichen Werten unterschiedlicher Interpretation je nach Zeitpunkt der Aufnahme im Vegetationszyklus. Auch atmosphärische Einflüsse wie Sonnenstand, Schatten oder Wolken beeinflussen die Bilddaten und müssen daher bei der Analyse berücksichtigt werden. Ein zielführender Ansatz ist hier, nicht von Absolutwerten, sondern jeweils von Differenzen zwischen den Objekten einer Beobachtungsfläche auszugehen. In Österreich beispielsweise lief unlängst ein Pilotprojekt der Landwirtschaftskammer Oberösterreich auf rund 1300 Hektar Wald von insgesamt etwa 140 Waldeigentümern, bei dem das BFW (Bundesforschungszentrum für Wald) eine detaillierte Vor-Ort-Überprüfung der aktuellen NDVI- basierten Auswertung und Dateninterpretation nach wissenschaftlichen Kriterien vornimmt. Der gemeinsame Endbericht wird im Winter 2020/2021 publiziert. In Deutschland wird bei den Bayerischen Staatsforsten bereits seit 4 Jahren parallel mit Suchtrupps am Boden sowie mit Luftbildauswertungen gegen

Mit verstärkten Kontrasten visualisierte «Red Attack»-Käferbäume.

die Massenausbreitung der Borkenkäfer vorgegangen. Durch die regelmässigen Rückmeldungen in Bezug auf Treffergenauigkeit und Relevanz der als befallen bzw. gefährdet ausgewiesenen Bäume und Flächen wird der zur Datenanalyse und Interpretation verwendete Algorithmus laufend verbessert. In der Schweiz fanden ab 2019 Projekte in insgesamt sechs Kantonen statt und 2021 wird es zur Fortsetzung einiger dieser Projekte kommen. In Tieflagen musste man zwar zur Kenntnis nehmen, dass eine Früherkennung von Käferbefall «zwar technisch funktioniert» und sogar seitens der allermeisten Kunden mit Trefferquoten von deutlich mehr als ²⁄³ positiv wahrgenommen wird, jedoch die Absetzbarkeit des frühzeitig mit Käferbefall detektierten Holzes teilweise nicht mehr gegeben war. Den zeitlichen Vorsprung aus der Technologie konnte man dort holzmarktbedingt nicht mehr nutzen. In den meisten Fällen aber, speziell übrigens dort, wo wenig Forstpersonal auf grosse zu betreuende Flächen stösst, kann Borkenkäfermonitoring aus der Luft wesentliche Vorteile bringen: Einerseits ist

Borkenkäferspürhunde bei der Anzeige am befallenen Baum.

dies die Vermarktung des noch früh befallenen Holzes als Frischholz statt als Käferholz mit wesentlichen Preisvorteilen in den Sägewerken. Andererseits aber auch in Hinblick auf die Vermeidung der weiteren Verbreitung der Käfer im angrenzenden, noch nicht befallenen Bestand…

«Schaden erkennen, bevor man ihn sieht»

Die Österreicher Kurt Wöls und Bernd Cresnar, beide selber Waldbesitzer, beschäftigen sich vorwiegend mit der Entwicklung von Lösungen für die Früherkennung von Borkenkäferpopulationen. Weiterführende Informationen zu Systemen für die Früherkennung von Käferbefall sind u. a. zu finden unter: www.festmeter.at – Borkenkäferfrüherkennung; www.bodogs.at – Borkenkäferspürhunde.

Digitalisierung auf Knopfdruck

Arbeitsprozesse im Forstbetrieb erleichtern: Mit LogBuch bietet eine Tochtergesellschaft der Firma STIHL eine digitale Lösung, die durch ihre intuitive und schnelle Anwendung vor allem eins verspricht – mehr Zeit fürs Wesentliche!

Jens Dittrich

«Buche, BHD 60, Güte B, Seilwinde, Vorsicht Totholz in der Krone», spricht der Förster auf, während er den Baum für den nächsten Hieb auszeichnet. Was auf den ersten Eindruck vielleicht als Selbstgespräch erscheinen mag, ist in Wahrheit der erste Schritt für die digitale Arbeitsvorbereitung mit dem System LogBuch. Aber warum sprechen? Schon in der Entwicklungsphase dieser digitalen Lösung war schnell klar, dass die Erfassung von Daten im Revieralltag keinen zusätzlichen Aufwand für den Nutzer bedeuten darf. Dieses Ergebnis lieferte eine Befragung von über 100 Revierleitern. Denn die bisherigen Methoden, Informationen per Zettel und Stift oder

Freihändig: Die LogBuch-App kann man mit einem über Bluetooth verbundenen Button ansteuern. Dieser setzt auf

Knopfdruck die Ortsmarke und regelt Beginn und Ende der Sprachaufzeichnung. (alle Bilder: zVg LogBuch)

durch Eintippen festzuhalten, haben sich in der Forstwirtschaft als zu aufwendig und unpraktisch erwiesen. Also gelangte man rasch zu der Erkenntnis, dass die Datenaufnahme mit LogBuch über die Sprache des Nutzers erfolgen muss. Mittlerweile ist das System, das durch die STIHL-Tochtergesellschaft SDP Digitale Produkte GmbH mit Sitz in Waiblingen weiterentwickelt wird, bereits seit zwei Jahren in zahlreichen Forstbetrieben in Deutschland, aber auch in der Schweiz und in Österreich im Einsatz. Was kann das System nun konkret? LogBuch ist die bislang einzige Kombination aus Geolokalisation und Spracherfassung. Mit der LogBuch-App lassen sich Bäume und andere wichtige Objekte draussen im Revier ganz einfach verorten. Über einen externen Bluetooth-Button erfolgt auf Knopfdruck die Speicherung der Geodaten. Gleichzeitig kann man zu jeder Ortsmarke wichtige Informationen per Spracheingabe festhalten. Besonders zu erwähnen ist hier, dass die LogBuch-App offline funktioniert. Sprich, für die Anwendung muss kein Handynetz verfügbar sein. Diese Anforderung musste auch der Tatsache gerecht werden, dass im Wald bzw. im ländlichen Raum leider oftmals keine oder nur schlechte Netzverbindungen bestehen. Mit dem System kann also z. B. der Förster schon beim Anzeichnen oder Reviergang im wahrsten Sinne des Wortes mit Sprache wichtige Informationen festhalten – und das quasi im Vorbeigehen. Sobald das Smartphone dann entweder in einem WLAN ist oder eine LTE-Netzverbindung besteht, werden die Daten synchronisiert. Die LogBuch-App wandelt dabei Sprache zu Text um und stellt alle Geopunkte auf übersichtlichen Karten zur Verfügung. Alle Daten werden über eine Cloudlösung im LogBuch-Webportal gespeichert und können dort be- und weiterverarbeitet werden. So können die mit LogBuch im Revier erhobenen Informationen zum Beispiel als Grundlage für die Arbeitsvorbereitung genutzt werden. Musste der Forstwart – vor allem in unübersichtlichen Beständen mit vielschichtiger Naturverjüngung – bis dato die Bäume «suchen», erhält er mit der LogBuchKarte nun die exakten Standorte jedes zu fällenden Baums. Und nicht nur das: Für jedes verortete Objekt bekommt er zudem die detaillierten Informationen, die der Förster bei der Vorbereitung hinterlegt hat, gleich mitgeliefert. So können Forstwarte noch bevor sie den Bestand überhaupt betreten, nun genau planen, welches Werkzeug an welchem Objekt überhaupt zum Einsatz kommen soll. Das spart Kraft und letztendlich jede Menge Zeit. Selbstverständlich ist der Erfolg jedes Systems davon abhängig, wie man es einsetzt. In dem beschriebenen Beispiel der Holzernte kommt der Nutzen vor allem dann zum Tragen, wenn jeder zu fällende Baum auch mit den relevanten Informationen hinterlegt wird. Durch den Hinweis «Totholz in der Krone» etwa, erhält der Geopunkt auf der Karte zusätzlich einen roten «Kringel». Dieser signalisiert dem Forstwirt schon vor dem Herantreten an den Baum, dass hier eine besondere Gefahr existiert. Weniger (unnötige) Laufwege verringern zudem die Gefahr, im Wald umzuknicken oder zu

Einsatzbereiche von LogBuch im Forstbetrieb:

– präzise Vorbereitung der Holzernte – Aufbau eines digitalen «Warenbestands» (Bsp.: «Wertholzkataster») – Flächenaufnahme für Forstförderung/ Pflanzflächen – Kartierung von Rückegassen – Jagdorganisation (Hochsitze, Drückjagdstände, Pirschwege etc.) – Erfassung von Habitatbäumen etc. – Verkehrssicherung – Aufmessen von liegendem Holz

Im Vorbeigehen: Direkt beim Auszeichnen des Baums können alle relevanten Informationen per Sprache erfasst werden.

stürzen. Eine Abschlussarbeit an der forstlichen Fachhochschule in Rottenburg (D) verglich das Arbeitsverfahren mit und ohne LogBuch. Das Resultat: Die Laufwege der Waldarbeiter wurden durch die exakte Vorbereitung mit dem LogBuch-System in den Untersuchungen um 21 Prozent reduziert (Schraitle, 2018). Einen weiteren wichtigen Aspekt möchte das Team von LogBuch mit seinem System anbieten: die digitale Vernetzung aller Akteure in der Holzprozesskette. Denn die bislang vorhandenen Dienste haben doch meist als «Insellösungen» gezeigt, dass es gerade in der Forstwirtschaft an einem konkreten Informationsfluss mangelt. Hier sind Industrie und Handel in der Logistik mit ihren (digitalen) Abläufen unserer Branche doch deutlich voraus. Um diese Vernetzung zu ermöglichen, können die mit LogBuch aufgenommenen Informationen in verschiedenster Form «geteilt» werden: analog als ausgedruckte Karte, als Karten-PDF zum Versenden per E-Mail etwa oder als Export in den gängigen Geoformaten für den Import in Drittsysteme. So können z.B. LogBuch-Punkte als Shape-Datei (per E-Mail versendet oder über einen USB-Stick) an das Harvester-System übermittelt oder in bestehende GIS-Systeme eingespeist werden.

Digital vernetzt: Forstwarte und Unternehmer können sich zu jedem erfassten Baum navigieren lassen und alle Objektinformationen abrufen.

LogBuch bietet aber vor allem innerhalb des eigenen Systems eine direkte Vernetzung an. Hier kann ein LogBuch-Nutzer seine Informationen mit anderen LogBuch-Nutzern teilen. So kann der Revierleiter z.B. einem Forstunternehmer LogBuch-Daten über die «Sharing-Funktion» freigeben und festlegen, ob dieser die Infos nur sehen oder auch selbst bearbeiten darf. Über eine Statusvergabe lassen sich etwa Bäume oder Bestände kategorisieren. Legt der Revierleiter für einen Baum etwa den Status «Rot» fest (Rot steht z. B. für «muss gefällt werden») liesse sich mit dem Unternehmer vereinbaren, dass dieser den Status des Baums ändert (z.B. auf «Grün»), wenn er den Baum gefällt und zum Forstweg gerückt hat. So erhält der Revierleiter zu jeder Zeit den aktuellen Stand der geplanten Massnahmen. Mit den bestehenden Funktionen in LogBuch kann so der gesamte Prozess – von der Arbeitsvorbereitung bis zur Abfuhr des vermarkteten Holzes – abgelichtet werden. Durch die verbesserte Kommunikation werden unnötige Lauf- und Fahrwege vermieden. Das spart Kosten und schafft am Ende mehr Zeit – Zeit, die man für Wesentliches, wie

Die über die LogBuch-App offline aufgenommenen Informationen können anschliessend im LogBuch-Webportal gespeichert und weiterverarbeitet werden.

etwa den nicht nur durch den Klimawandel so wichtigen Waldbau, nun viel besser nutzen kann.

Jens Dittrich, Dipl. Forstingenieur (FH), ist bei LogBuch zuständig für Marketing und Vertrieb in Süddeutschland, Österreich und in der Schweiz.

Weitere Infos unter: www.logbuch.xyz

Auf einen Blick:

Mit LogBuch können Förster und Waldbesitzer auf Knopfdruck Bäume verorten und gleichzeitig relevante Daten und Sicherheitshinweise für jedes einzelne Objekt per Sprache erfassen. So entstehen übersichtliche Karten und detaillierte Auswertungen, die die Arbeitsplanung vereinfachen, die Kommunikation verbessern, mehr Sicherheit bringen und die Effizienz steigern – z. B. beim Borkenkäfermonitoring, um entsprechende Kalamitäten möglichst gering zu halten.