| dc.contributor.advisor | Kleinn, Christoph Prof. Dr. | |
| dc.contributor.author | Trucíos Caciano, Ramón | |
| dc.date.accessioned | 2020-05-20T10:04:25Z | |
| dc.date.available | 2020-05-20T10:04:25Z | |
| dc.date.issued | 2020-05-20 | |
| dc.identifier.uri | http://hdl.handle.net/21.11130/00-1735-0000-0005-13A3-D | |
| dc.identifier.uri | http://dx.doi.org/10.53846/goediss-7976 | |
| dc.language.iso | eng | de |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | |
| dc.subject.ddc | 634 | de |
| dc.title | Quantifying the uncertainty caused by sampling, modeling, and field measurements in the estimation of AGB with information of the national forest inventory in Durango, Mexico | de |
| dc.type | doctoralThesis | de |
| dc.contributor.referee | Kleinn, Christoph Prof. Dr. | |
| dc.date.examination | 2020-04-20 | |
| dc.description.abstractger | Die oberirdische Biomasse (Above Ground Biomass = AGB) is eine wesentliche Variable für die Schätzung von Kohlenstoffvorräten im Wald. Die Quantifizierung des Kohlenstoffvorrats ist in Zeiten des Klimawandels eine zentrale Größe für die Waldbewirtschaftung und für entsprechende politische Entscheidungen. Eine wissenschaftlich präzise und damit glaubwürdige Schätzung der oberirdischen Biomasse ist eine der wesentlichen Voraussetzungen im Zusammenhang mit der korrekten Umsetzung der Verpflichtungen, die die Vertrasgparteien zur Klimakonvenion UN-FCCC eingegangen sind, um die Kohlenstoffemissionen aus Wald zu reduzieren.
Die vorliegende Dissertationsschrift wertet Datensätze der mexikanischen nationalen Waldinventur (MNWI) aus dem mexikanischen Bundesstaat Durango aus. Sie analysiert die verschiedenen Fehlerquellen (Residualvariabilität) bei der Schätzung der oberirdischen Waldbiomasse und bewertet, wie sich diese Fehlerquellen im Rahmen der Fehlerfortpflanzung auf den Gesamtfehler auswirken. Hintergrund dieser Analysen ist, dass eine effiziente Verfahrensverbesserung insbesondere an den Teilschritten des Schätzprozesses stattfindet, an denen ein gegebener Ressourceneinsatz die höchstmögliche Reduktion des Gesamtfehlers bewirkt. Ergänzend zur oberirdischen Biomasse erfolgten entsprechende Analysen auch für die Bestandesgrundfläche, die eng mit der oberirdischen Biomasse korreliert ist, bei der aber die Modellfehler aus allometrischen Biomassenmodellen nicht zum Tragen kommen.
Die Dissertationsschrift umfasst vier empirische Teilstudien zu den verschiedenen Fehlerquellen, wobei ein Schwerpunkt auf Messfehlern liegt. Zur Quantifizierung solcher Messfehler erfolgten Wiederholungsmessungen, wobei mathematisch-statistische Techniken zur Modellierung dieser Fehler zum Einsatz kamen. Die Vorhersagen der oberirdischen Biomasse erfolgten mittels allometrischer Modelle, die nach der Anpassungsgüte und der Nähe zum Untersuchungsgebiet ausgewählt wurden. Das Plot-Design stellte eine weitere Unsicherheitsquelle (uPlot) dar und wurde als solche in die Analyse einbezogen. Die Fehler, die sich aus den verschiedenen Schritten des oberirdischen Biomasse-Schätzprozesses ergaben, wurden mit zwei Techniken der Fehlerfortpflanzung auf den Gesamtfehler hochgerechnet: (1) gemäß des ISO-Leitfadens des Zuverlässigkeitsmanagements (GUM auf Englisch) und (2) durch die Monte-Carlo-Simulationsmethode (MCM). Eine weitere empirische Studie hatte die Regionalisierung der oberirdischen Biomasse für das Untersuchungsgebiet zum Gegenstand, wobei Landsat-Bilder als Trägerdaten verwendet wurden. Um die entsprechenden fernerkundungsbasierten Modelle zu erstellen, wurde eine Set von Vegetationsindizes und Texturmetriken aus den Landsat-Bildern abgeleitet und in einer schrittweisen multiplen Regressionsanalyse verarbeitet. Unter Verwendung der Plot-Daten aus der nationalen Waldinventur von Mexiko als Response-Variablen und Landsat-Bildinformationen als Prädiktor-Variablen, wurden Modelle zur Schätzung der oberirdischen Biomasse optimiert. Texturmetriken als Prädiktorvariablen verbessern die AGB- und die Grundflächenschätzungen in der Studie in Durango im Vergleich zu Regressionsmodellen ohne Texturmetriken.
Die Messfehler der Bäume reichten von 0,13 cm bis 1,207 cm für den BHD (uBHD) und von 0,348 m bis 1,505 m für die Gesamthöhe GH (uGH). uGH trug am meisten zum Gesamtmessfehler (uMes) bei und erreichte 37% bis 62% der messfehlerbedingten Ungenauigkeit uMes. Die durch das allometrische Biomasse-Modell (uAM) induzierte Unsicherheit (Fehler) wurde durch den mittleren quadratischen Fehler (MSE) als Ergebnis der Modellanpassung abgeschätzt. Der Modellfehler wurde mit dem Messfehler uMes kombiniert, um die Unsicherheit pro Baum (uBaum) zu bestimmen. Die Beiträge der beiden Fehlerquellen uAM (Modellfehler) und uMes (Messfehler) zum Gesamtfehler der baumweisen Biomasseschätzung (uBaum) wurden in Durango in einem Kiefernwald und einem Laubwald exemplarisch bestimmt und waren sehr unterschiedlich: im Kiefernwald trug uAM 97,8% zu uBaum bei; und in einem Laubwald trug uMes 98,9% zu uBaum bei. Im nächsten Schritt erfolgte eine Hochrechnung der Fehler pro Baum auf das Gesamtgebiet. Die Hochrechnung der Biomasse erfolgt aufgrund von Stichprobenverfahren, so dass hier der Standardfehler als weitere Fehlerquelle zu Modell- und Messfehler hinzukommt. Bei der Fortpflanzung aller Fehlerquellen auf die Gesamt-Unsicherheit der oberirdischen Biomasse-Schätzung zeigte die Analyse, dass der Standardfehler (SE) mit über 98% bei weitem am meisten zum Gesamtfehler beitrug; diese überragende Bedeutung des Stichprobenfehlers bei der Biomasseschätzung aus Waldinventuren ist konform mit anderen Studien, insbesondere mit großräumigen Waldinventuren mit großen Stichprobenumfängen.
Die Rangfolge der Beiträge der verschiedenen Fehlerquellen zm Gesamtfehler der Schätzung der oberirdischen Biomasse war SE > uAM > uGH ≥ uPlot ≥ uDBH mit Werten von 99,41% > 0,53% > 0,03% ≥ 0,02% ≥ 0,02%. Dieser Befund illustriert sehr deutlich, dass im großflächigen Waldmonitoring der Stichprobenfehler mit Abstand am relevantesten ist, während Mess- und Modellfehler fast immer vernachlässigbar klein sind; diese Aussage gilt unter der Annahme, dass Mess- und Modellfehler zufällige und keine systematischen (Bias) Fehler sind.
Die hier durchgeführten Wiederholungsmessungen stellen einen effizienten Weg dar, die Messfehler in BHD und GH zu quantifizieren.
Beide Ansätze zur Fehlerfortpflanzung führten zu vergleichbaren Ergebnissen. Die Anwendung der analytischen Methode der Fehlerfortpflanzung (GUM-Methode) erfordert eine Zerlegung in Quellen und Prozesse und erzeugt somit ein besseres Verständnis für die Kombination der Fehlerquellen. Die Monte-Carlo-Simulation (MCM) erweist sich auch als effektive, praktische und zuverlässige Methode, um die gesamte Unsicherheitsschätzung der oberirdischen Biomasse mit akzeptablen Bereichen wahrscheinlicher Fehler auf Skalen der MNWI zu approximieren.
Es zeigte sich, dass auf Ebene der Biomasseschätzung für einzelne Bäume die Messfehler in GH einen größeren Beitrag leisten als die Messfehler in BHD. Wenn der Hauptbeitrag zur Unsicherheit der Schätzung für einen einzelnen Baum von uAM statt von uMes stammt, dann ist die gesamte uNS-Schätzung auf Bestandesebene proportional zur Anzahl der Bäume. Eine Beziehung uMes>uAM erzeugt jedoch eine gesamte uNS-Schätzung auf Bestandesebene proportional zur Baumgröße. Daher wird in dieser letzten Beziehung ein größerer Beitrag zur gesamten NS-Schätzung von den Bäumen mit der größten geschätzten oberirdischen Biomasse geleistet. | de |
| dc.description.abstracteng | Aboveground biomass (AGB) is related to the carbon content of the forest and forest carbon is a core variable for contemporary forest management and policy decisions. A credible and precise estimate of AGB is a prerequisite for the scientifically proper implementation of commitments made regarding the reduction of forest carbon emissions. With datasets of the Mexican National Forest Inventory (MNFI), this thesis estimates AGB in the temperate forests of Durango, a federal state of Mexico, evaluating the uncertainty of the estimate of total AGB and how different error sources contribute to the overall error. In addition to AGB, also the basal area was analyzed which is closely correlated to AGB but does not have the error source of coming from the application of allometric models.
The thesis covers empirical studies for various sources of errors, with a focus on measurement errors. Re-measurement experiments were conducted to quantify such measurement errors, applying mathematical-statistical techniques to model these errors. For the predictions of AGB, allometric models were selected according to the goodness-of-fit and the proximity of the study area of the fitted model. The plot design provided another source of uncertainty (uPlot) that was included in the analysis. The errors from the different steps in the AGB estimation process were propagated towards the total error by two techniques: (1) following the Guide to the Expression of Uncertainty in Measurement (GUM) and (2) by Monte Carlo simulation Method (MCM). In an additional study, AGB was regionalized for the study area using Landsat imagery as carrier data. To establish the corresponding remote sensing-based models, a set of vegetation indices and textures metrics were extracted from Landsat imagery and processed in a stepwise multiple regression analysis. Using the estimates of MNFI as response variables and Landsat imagery information as predictor variables, optimal models to estimate AGB were fitted. The regression models using texture metrics from Landsat imagery improve the AGB and the basal area estimates in the temperate forest of Durango, compared with regression models without texture metrics.
With respect to the tree measurement errors, they ranged from 0.133 cm to 1.197 cm for DBH (uDBH) and 0.348 m to 1.505 m for total height TH (uTH). uTH contributed most to the overall measurement error (uMes), accounting for 37% to 62% of the uMes. The uncertainty (error) induced by the allometric biomass model (uAM) was estimated by the mean square error (MSE) as the result of the model fit. The MSE of the uAM was combined with the uMes to estimate the tree-level uncertainty (uTree). In this step of error propagation, we estimated the two opposite results in two study cases. In a pine forest, uAM contributed 97.8% to the uTree; and in a broad-leaved forest, uMes contributed 98.9% to the uTree. Combining the uncertainties from tree level (uTree) to stand level, the non-sampling uncertainty or uNS (uAM+uDBH+uTH) was estimated. The non-sampling uncertainty was combined with the standard error, estimated at sampling, and when propagating all sources of errors to the total uncertainty in AGB estimation, the analysis showed that the standard error contributed by far most to the total error with over 98% in the study cases of this thesis.
The ranking of the contributions of the different error sources to the propagated error of total AGB in Durango, Mexico was SE>uAM>uTH≥uPlot≥uDBH with values of 99.41%>0.53%>0.03%≥0.02%≥0.02%, illustrating very clearly that in large-area forest monitoring, the sampling induced error is by far the most relevant, while measurement and model errors can almost be ignored – always. However, assuming that measurement and model errors are random errors and biases are absent.
Applying re-measurements was an efficient way to estimate and describe the measurement errors in DBH and TH. Through the application of the GUM Method, error propagation is decomposed into sources and processes, and it is better understood how uncertainties are combined. The Monte-Carlo simulation Method (MCM) also proves to be an effective, practical and reliable way to approximate the total AGB uncertainty estimate with acceptable ranges of probable error at scales of the MNFI. The results in the error propagation by the GUM Method and by the MCM are equivalent.
We found that TH measurement errors have a greater contribution than DBH measurement errors at the tree-level. Furthermore, when the main contribution to the uncertainty at tree-level comes from uAM instead of uMes, then the total estimate of uNS at stand-level is proportional to the number of the trees. However, a ratio of uMes>uAM produces a total uNS estimate at stand level that is proportional to the contribution according to the size of the tree. Therefore, in this last relation, a greater contribution to the total NS estimate is made by the trees with the largest AGB estimated. | de |
| dc.contributor.coReferee | Corral Rivas, José Javier Prof. Dr. | |
| dc.subject.eng | Aboveground biomass | de |
| dc.subject.eng | error propagation | de |
| dc.subject.eng | source of error | de |
| dc.subject.eng | measurement error | de |
| dc.subject.eng | prediction error | de |
| dc.subject.eng | sampling error | de |
| dc.identifier.urn | urn:nbn:de:gbv:7-21.11130/00-1735-0000-0005-13A3-D-9 | |
| dc.affiliation.institute | Fakultät für Forstwissenschaften und Waldökologie | de |
| dc.subject.gokfull | Forstwirtschaft (PPN621305413) | de |
| dc.identifier.ppn | 1698664796 | |