Modellierung des Kohlenstoff- und Energieaustausches am ... · have had an impact on the net...

Universität Bayreuth

Abteilung Mikrometeorologie

Modellierung des Kohlenstoff- und Energieaustausches

am Waldstein/ Weidenbrunnen im Jahr 2003

ANDREAS SCHÄFER

Diplomarbeit in der Geoökologie

Betreuer: Prof. Dr. Thomas Foken

Juni 2010

INHALT I

INHALT

INHALT.............................................................................................................................................I

ZUSAMMENFASSUNG............................................................................................................... IV

ABSTRACT................................................................................................................................... VI

1 EINLEITUNG.............................................................................................................................. 1

2 THEORETISCHE GRUNDLAGEN............................................................................................5

2.1 Konzepte der Kohlenstoff- und Energieflüsse...................................................................... 5

2.1.1 Strahlungs- und Energiebilanz...................................................................................... 5

2.1.2 Energiebilanzschließung............................................................................................... 6

2.1.3 Kohlenstoffflüsse...........................................................................................................7

2.2 ACASA-Modellbeschreibung............................................................................................... 9

2.2.1 Modellstruktur............................................................................................................... 9

2.2.2 Modellprozesse............................................................................................................11

2.2.3 Energiebilanzschließung............................................................................................. 16

2.3 Gütemaße............................................................................................................................ 17

3 DATENGRUNDLAGE UND METHODEN............................................................................. 19

3.1 Standortbeschreibung..........................................................................................................19

3.2 Datenquellen....................................................................................................................... 21

3.3 Datenverarbeitung...............................................................................................................24

3.3.1 Plausibilitätsprüfung meteorologischer Daten............................................................ 26

3.3.2 Lückenfüllung der meteorologischen Datensätze....................................................... 28

3.3.3 Berechnung der relativen und spezifischen Feuchte................................................... 31

3.3.4 Qualitätskontrolle der Flussdaten zur Evaluierung der Modellierungen.....................32

3.3.5 Parametrisierung des Bodenwärmestroms.................................................................. 34

3.3.6 Lückenersatz des Netto-Kohlenstoffaustauschs (NEE)..............................................35

INHALT II

3.4 Konfiguration von ACASA für den Standort Waldstein-Weidenbrunnen...........................37

3.4.1 Veränderungen des Modellcodes.................................................................................37

3.4.2 Wahl der Eingangsparameter.......................................................................................37

3.4.3 Anpassung der Windgeschwindigkeit......................................................................... 39

4 ERGEBNISSE UND DISKUSSION..........................................................................................42

4.1 Meteorologische Bedingungen im Jahr 2003......................................................................43

4.1.1 Lufttemperatur.............................................................................................................43

4.1.2 Globalstrahlung........................................................................................................... 44

4.1.3 Niederschlag und Schnee............................................................................................ 46

4.1.4 Relative Luftfeuchtigkeit.............................................................................................49

4.2 Modellierung des Energieaustausches................................................................................ 51

4.2.1 Strahlungsbilanz.......................................................................................................... 51

4.2.2 Bodenwärmestrom.......................................................................................................57

4.2.3 Fühlbarer und latenter Wärmestrom............................................................................64

4.2.3.1 Allgemeine Bewertung........................................................................................ 65

4.2.3.2 Energiebilanzschließung der Messungen............................................................ 71

4.2.3.3 Einfluss des heißen Sommers auf die Modellierung...........................................76

4.2.3.4 Einfluss der atmosphärischen Stabilität...............................................................79

4.2.3.5 Abschließende Bemerkungen zu den turbulenten Flüssen..................................81

4.3 Modellierung der Kohlenstoffflüsse................................................................................... 82

4.3.1 Allgemeine Bewertung................................................................................................ 82

4.3.2 Jahressumme............................................................................................................... 94

5 SCHLUSSFOLGERUNGEN..................................................................................................... 99

LITERATURVERZEICHNIS.......................................................................................................103

ABBILDUNGSVERZEICHNIS...................................................................................................111

INHALT III

TABELLENVERZEICHNIS........................................................................................................ 116

ABKÜRZUNGS- UND SYMBOLVERZEICHNIS.....................................................................118

ANHANG..................................................................................................................................... 121

A) Monats- und Jahresmittelwerte der Klimaelemente...........................................................121

B) Hovmoller-Grafiken der Klimaelemente........................................................................... 123

C) Gütemaße der Modellierung des Kohlenstoff- und Energieaustausches...........................124

D) Mittlere Tagesgänge für den Wärmespeicherterm und das Bowen-Verhältnis..................131

E) Gütemaße der Modellierung nach Energiebilanzschließung der Messungen....................133

F) Abbildungen der turbulenten Flüsse nach Energiebilanzschließung der Messungen.........135

G) Klassifizierung der Messwerte nach atmosphärischer Stabilität.......................................139

Danksagung.................................................................................................................................. 140

Eidesstattliche Erklärung.............................................................................................................. 141

ZUSAMMENFASSUNG IV

ZUSAMMENFASSUNG

Das Ziel dieser Arbeit ist es, die Modellierung des Kohlenstoff- und Energieaustauschs für den

Standort Waldstein-Weidenbrunnen mit dem ACASA-Modell (Advanced Canopy-Atmosphere-

Soil Algorithm; Pyles et al., 2000) über den Zeitraum eines Jahres zu evaluieren, da damit bisher

nur wesentlich kürzere Perioden simuliert wurden. Im Allgemeinen sind für die Evaluierung von

Ökosystem-Modellen im Hinblick auf den Klimawandel vor allem Jahre mit außerordentlichen

Witterungsbedingungen von besonderem Interesse.

Deshalb wurde für die Evaluierung in der vorliegenden Arbeit das Jahr 2003 gewählt, in dem in

den Sommermonaten nahezu ganz Europa von einer Hitzewelle erfasst worden war (Schaer et

al., 2004). Die Auswirkungen dieser besonderen Witterungsbedingungen wurden für den Netto-

Kohlenstoffaustausch, die Strahlungsbilanz, den Bodenwärmestrom und die turbulenten Flüsse

untersucht. Um gleichzeitig die Qualität der Modellierung über ein ganzes Jahr zu evaluieren,

wurden die Ergebnisse auf Zeitskalen von Monatsmitteln bis zu kurzen synoptischen Perioden

analysiert.

Dabei zeigte sich, dass ACASA für die Strahlungsbilanz die tatsächlichen Messwerte nahezu

über das ganze Jahr hinweg mit einer Übereinstimmung von 99-100 % (Index of Agreement) re-

produzieren konnte, mit einer einzigen Einschränkung, nämlich was Perioden mit Schneebede-

ckung betrifft. Gleichzeitig konnte innerhalb dieser Zeiträume beobachtet werden, dass ACASA

eine unterschiedliche Dynamik der Schneebedeckung modelliert. Daraus resultierten signifikan-

te Abweichungen des simulierten Bodenwärmestroms. In diesem Zusammenhang ergaben sich

auch im Sommer bei der Analyse der Bodentemperaturen wesentlich höher modellierte Werte

als bei den Messungen, wodurch die Berechnungen des Bodenmoduls als ein Schwachpunkt in

ACASA ausgemacht werden konnte. Die Modellierung des fühlbaren Wärmestroms zeigte für

das ganze Jahr eine Übereinstimmung von 73 %, die durch die Energiebilanzschließung der

Messungen auf 89 % verbessert werden konnte. Dabei kann als einzige Ausnahme der heißeste

Monat im Jahr, der August, genannt werden, dessen Monatsmitteltemperatur bei 19.1 °C lag

(+5.4 °C im Vergleich zum Langzeitmittelwert von 1961-1990). In diesem Monat wurde der

fühlbare Wärmestrom im Mittel von ACASA unterschätzt und gleichzeitig der latente Wärme-

strom überschätzt. Für letzteren konnte durch die Energiebilanzschließung der Messungen im

Allgemeinen auch eine Verbesserung in der Übereinstimmung mit den modellierten Ergebnissen

erzielt werden (von 44 % auf 66 %). Allerdings wandelte sich für die Monate Juni und Juli da-

durch eine zuvor relativ gute Übereinstimmung der mittleren Tagesgänge des latenten Wärme-

stroms in eine Unterschätzung durch ACASA um. Bei gleichzeitig besserer Übereinstimmung

ZUSAMMENFASSUNG V

der Tagesgänge des fühlbaren Wärmestroms, stellte dies die Bewertung der modellierten Ergeb-

nisse vor eine Herausforderung, die in dieser Arbeit jedoch nicht final geklärt werden konnte.

Dennoch konnte für den Monat August unabhängig von der Energiebilanzschließung eine Über-

schätzung der simulierten latenten Wärme festgestellt werden. Auch der simulierte Netto-Koh-

lenstoffaustausch zeigte in diesem Monat einen abweichenden Mittelwert, in Folge einer Über-

schätzung der Kohlenstoff-Respiration. So konnte der Einfluss der besonderen Witterungsbedin-

gungen im Jahr 2003 auf die Modellierung des Netto-Kohlenstoffaustauschs und des latenten

Wärmestroms am Standort Waldstein-Weidenbrunnen nachgewiesen werden.

Die Erkenntnisse aus dieser Arbeit können einerseits für den Anwender des ACASA-Modells in-

teressant sein, und andererseits auch als Grundlage für eine Verbesserung der Parametrisierung

des Modells für den Untersuchungsstandort dienen. Außerdem wurde im Verlauf der Interpreta-

tion der Ergebnisse gezeigt, dass für manche Module in ACASA Verbesserungen notwendig

sind.

ABSTRACT VI

ABSTRACT

As only shorter time periods have been simulated with the ACASA model so far, the aim of this

diploma thesis is to evaluate the carbon- and energy-exchange modelling for the FLUXNET sta-

tion Waldstein-Weidenbrunnen over a one-year period. In general, especially years with extreme

climatic conditions are of great interest for the evaluation of ecosystem models, particularly with

regard to the climate change.

For this reason, the year of 2003 was the object of investigation for this thesis as nearly the who-

le of Europe had been influenced by a heat wave during the summer months (Schaer et al.

2004). Concerning this, the thesis put the question how these special climatic conditions could

have had an impact on the net ecosystem exchange, the net radiation, the soil heat flux and the

turbulent fluxes. To evaluate the modelling quality over the period of a year, the results were

analized on timescales of monthly means and time series of individual days.

In this process it emerged that ACASA is able to reproduce the actual measured values for net

radiation with an agreement of 99-100% (index of agreement) almost over the whole year, ex-

cept for snow periods. Within these periods it could be seen that ACASA modelled different

snow layer dynamics at the same time. Consequentially there were significant differences in si-

mulated soil heat fluxes. In this context, much higher modelling results than measurements

could be seen during the analysis of the soil temperature in summer. Therefore the soil module

calculations were discovered as a weak point of the ACASA model.

The sensible heat flux modelling showed an agreement of 73% over the whole year, which could

be improved to 89% by closing the measurements’ energy balance. The only exception was the

hottest month of the year, August, which had mean monthly temperatures of 19.1 °C (+5.4 °C in

comparison to the long term mean of 1961-1990). In this month, the mean sensible heat flux was

underestimated by ACASA and, at the same time, the latent heat flux was overestimated. By clo -

sing the energy balance of the measurements in general, the agreement of the mean latent heat

flux with the simulated results could be improved from 44% to 66%. But by doing so, the com-

paratively strong agreement within the mean daily cycle of latent heat flux in the months of June

and July changed into an underestimation by ACASA. Though there was a stronger agreement

within the daily cycles of the sensible heat flux, this fact presented a big challenge to the evalua-

tion of the modelling results, which, however, could not be solved in this thesis. Independent

from the energy balance closure, the simulated latent heat was still overestimated in August.

Also the simulated net ecosytem exchange showed a differring mean in this month as a result of

ABSTRACT VII

an overestimation of the carbon respiration. Thus, the impact of the special climatic conditions

in 2003 on the net ecosystem exchange and the latent heat flux modelling at the FLUXNET sta-

tion Waldstein-Weidenbrunnen could be demonstrated.

On the one hand, the results of this thesis could interest ACASA model users and on the other

hand provide a basis for an improvement of the model parametrization for the investigation site.

However, in the course of the interpretation of the results it was shown that, for some modules

in ACASA, improvements are necessary.

ABSTRACT VIII

EINLEITUNG 1

1 EINLEITUNG

Der Stoff- und Energieaustausch zwischen der Unterlage und der Atmosphäre ist ein wichtiger

Prozess in Ökosystemen. Er wird durch die klimatischen, hydrologischen und ökologischen Ge-

gebenheiten an einem Standort gesteuert. Verändern sich die steuernden Parameter, bewirkt dies

auch eine Änderung der Austauschprozesse, so wie es regelmäßig auf natürliche Weise durch

den Jahreszeitenwechsel geschieht. Durch den Klimawandel bedingt ist zu erwarten, dass es im-

mer häufiger zu extremen Wetterereignissen kommen wird (Schaer et al., 2004), die das Gleich-

gewicht des natürlichen Stoff- und Energiehaushaltes stören und sich, je nach Intensität und

Dauer, mehr oder weniger nachhaltig auf die Funktionalität und Gesundheit eines Ökosystems

auswirken.

So sind Jahre mit außergewöhnlichen klimatischen Verhältnissen für die Forschung von beson-

derem Interesse, um die Folgen des Klimawandels für Mensch und Natur besser erforschen und

abschätzen zu können. Das Jahr 2003 war aus klimatologischer Sicht, wegen der lang anhalten-

den Hitze und gleichzeitig extremen Trockenheit während der Sommermonate, für Europa ein

besonderes (Schaer und Jendritzky, 2004; Schaer et al., 2004; Rebetez et al., 2006). Deshalb war

es bereits Gegenstand zahlreicher Untersuchungen verschiedenster Forschungsgruppen und

-richtungen. Von großem Interesse war vor allem die Modellierung der Kohlenstoffbilanz für

Europa (Ciais et al., 2005; Vetter et al., 2008) und die Analyse der Faktoren, die für die Effekte

der Klimaanomalie auf den Kohlenstoffhaushalt verantwortlich waren (Granier et al., 2007;

Reichstein et al., 2007).

Um den Einfluss einer Klimaanomalie auf den Stoff- und Energieaustausch bewerten zu können,

wird, wie auch in den genannten Beispielen, vielfach auf die Daten der FLUXNET-Stationen zu-

rückgegriffen (Baldocchi et al., 2001). FLUXNET ist ein globales Netzwerk, das mikrometeoro-

logische Daten von weltweit mehr als 500 Messstationen, zu denen auch der Standort Waldstein-

Weidenbrunnen (DE-Bay) zählt, bereitstellt und koordiniert (FLUXNET, 2010). Die In-situ-

Messungen des Austauschs von Kohlenstoffdioxid, Wasser und Energie zwischen der Vegetation

und der Atmosphäre erfolgt an allen FLUXNET-Stationen einheitlich nach der Eddy-Kovarianz-

Methode. Aber auch im Rahmen von Projekten an anderen Standorten wird diese Messmethode

sehr häufig zur direkten Bestimmung des Stoff- und Energieaustauschs angewandt. Da die Me-

thode mit einem hohen messtechnischen Aufwand verbunden ist, kommt es je nach Geräteaus-

wahl und -konfiguration häufig zu Datenlücken in den Zeitreihen der Messgrößen (Foken,

2006). Die Gründe für den Datenausfall können vielfacher Natur sein. Neben allgemein techni-

schen Ursachen, wie zum Beispiel Stromausfall, Gerätekalibrierung und Gerätedefekte, sind

EINLEITUNG 2

auch Kriterien zur Qualitätskontrolle der Eddy-Kovarianz-Daten dafür verantwortlich (siehe Ka-

pitel 3.3.4). Um die Datenlücken möglichst sinnvoll schließen zu können, sind bereits unter-

schiedlichste Methoden entwickelt und getestet worden (Falge et al., 2001a; Rebmann, 2004;

Ruppert et al., 2006; Moffat et al., 2007). Mit deren Hilfe lässt sich die Datengrundlage für

einen Standort allgemein verbessern, wodurch sich in der Folge auch die Qualität der wissen-

schaftlichen Untersuchungen steigern kann und zum Beispiel Langzeituntersuchungen zum

Stoff- und Energieaustausch erst möglich gemacht werden.

Um die komplexen physikalischen und chemischen Prozesse, die beim Austausch von Energie

und Stoffen zwischen der Vegetation und Atmosphäre eine wichtige Rolle spielen, bei Simula-

tionen adäquat für einen definierten Ökosystemtyp berücksichtigen zu können, wurden die soge-

nannten SVAT-Modelle (Soil Vegetation Atmosphere Transport) entwickelt. Diese können sehr

vielseitig angewandt werden; so würde sich durch deren sinnvolle Einbindung in ein Messkon-

zept zum Beispiel der messtechnische Aufwand und damit die Wahrscheinlichkeit von Daten-

ausfällen reduzieren lassen. Außerdem könnte die Plausibilität der Messungen durch deren par-

allele Verwendung überprüft und gegebenenfalls Datenlücken in den Messzeitreihen ersetzt wer-

den. Zudem bieten sie sich als alternative Möglichkeit zur routinemäßigen Bestimmung der

Ökosystemflüsse an oder helfen bei punktuellen Studien, die Auswirkungen möglicher zukünfti-

ger Klimaänderungen auf einzelne Vegetationstypen abzuschätzen. Grundvoraussetzung für die

Verwendung eines SVAT-Modells ist eine gute Parametrisierung des Modells und die Evaluie-

rung dessen Anwendbarkeit mit qualitativ guten Eingangsparametern für einen bestimmten

Standort (Foken et al., 1997).

Für die Bestimmung der Stoff- und Energieflüsse liegt den meisten SVAT-Modellen ein Wider-

standsansatz zugrunde. Für die Modellierung benötigen diese Ansätze häufig meteorologische

Daten, wie zum Beispiel Lufttemperatur, Windgeschwindigkeit und Niederschlagsmengen sowie

teilweise zeitabhängige Parameter, die die Eigenschaften des Ökosystems beschreiben (wie zum

Beispiel Blattflächenindex, Bodenart oder Respirationsraten). Je nach Modellierungskonzept un-

terscheiden sich die verschiedenen Modelle. Diese reichen von einfachen Einschichtmodellen

(„Big-Leaf“) bis hin zu komplexen Mehrschichtmodellen. Hanson et al. (2004) und Falge et al.

(2005) geben einen Überblick über eine Vielzahl an SVAT-Modellen und vergleichen die Über-

einstimmung der einzelnen Modellierungen jeweils mit gemessenen Ökosystemflüssen und un-

tereinander.

Jedes Modell einer bestimmten Klasse eignet sich dabei für bestimmte wissenschaftliche Frage-

stellungen mehr oder weniger gut. Die sogenannten „Big-Leaf“-Modelle werden häufig in At-

EINLEITUNG 3

mosphärenmodellen größerer Skala für den Transport von Stoffen und Energie verwendet, errei-

chen aber schnell ihre Grenzen, sobald die Quellen und Senken der zu modellierenden skalaren

Größen über die Bestandeshöhe inhomogen verteilt sind. Dies ist vor allem bei höherer Vegetati -

on der Fall. Mehrschichtmodelle hingegen können die inhomogene Verteilung im Bestand über-

haupt erst darstellen. Dafür lässt sich aber der Austausch zwischen den Schichten je nach Grad

der Turbulenzschließung unterschiedlich gut modellieren. Der häufig verwendete K-Ansatz

(Schließung 1. Ordnung) berücksichtigt die langwelligen Turbulenzstrukturen nicht und erlaubt

aufgrund seiner Definition keinen gegen den Gradienten gerichteten Energie- und Stofftransport

(Counter-Gradients; Denmead und Bradley, 1985; Shaw, 1977). Dadurch erweist er sich für

Standorte mit hoher Vegetation als ungeeignet. SVAT-Modelle mit einer Schließung höherer

Ordnung sind für Waldökosysteme wesentlich besser geeignet, da sie diese Transportart abbil-

den können und deshalb den Energie- und Stoffaustausch sowohl innerhalb als auch über dem

Bestand im Allgemeinen realistischer modellieren können (Meyers und Paw U, 1986; Foken,

2006).

Am Standort Waldstein-Weidenbrunnen wurden bereits mehrere Simulationen der Kohlenstoff-

und Energieflüsse durchgeführt (Falge et al., 2003; Rebmann et al., 2004; Berger et al., 2004).

Im Rahmen des EGER-Projekts (ExchanGE processes in mountainous Regions) wurde dann für

diesen Zweck das ACASA-Modell (Advanced Canopy-Atmosphere-Soil Algorithm; Pyles et al.,

2000), ein mehrschichtiges SVAT-Schema mit dem Schließungsansatz dritter Ordnung, verwen-

det. Mit diesem Modell wurden bereits einige Untersuchungen zum Stoff- und Energieaustausch

für verschiedene Ökosystemtypen (Pyles et al., 2000; Isaac et al., 2007; Marras, 2008) oder

Langzeituntersuchungen zum Kohlenstoffaustausch durchgeführt (Pyles et al., 2006). Im Zu-

sammenhang mit dem EGER-Projekt wurde ACASA dann für die FLUXNET-Station Wald-

stein-Weidenbrunnen angepasst und konfiguriert. Dazu wurde das ACASA-Modell zum Beispiel

hinsichtlich der Energiebilanzschließung und der Schließung der Turbulenzgleichung in Staudt

et al. (2010b) eingehend evaluiert. In Staudt et al. (2010c) wurde für einen ausgewählten kurzen

Zeitraum das vertikale Profil der Evapotranspiration im Bestand untersucht. Dabei wurden die

Messdaten (sowohl für die gesamte Ökosystem-Evapotranspiration als auch für die einzelnen

Komponenten der Verdunstung) mit Ergebnissen der ACASA-Modellierung und einem weiteren

Modell verglichen. Auf diese Weise wurden die in den Modellen implementierten Prozesse vali-

diert und einander gegenübergestellt. Außerdem wurden in Staudt et al. (2010a) ausführliche

Analysen zur Sensitivität von ACASA gegenüber seinen Eingangsparametern durchgeführt und

die Genauigkeit der Modellierung der turbulenten Flüsse und des Kohlenstoffaustauschs bewer-

EINLEITUNG 4

tet. All diese Untersuchungen fanden bisher nur während zwei kurzen Zeiträumen von je fünf

zusammenhängenden Tagen mit unterschiedlichen meteorologischen Bedingungen (Herbst 2007

und Sommer 2008) statt.

In der vorliegenden Arbeit soll nun der Kohlenstoff- und Energieaustausch zwischen der Vegeta-

tion und der Atmosphäre am Standort Waldstein-Weidenbrunnen für einen wesentlich längeren

Zeitraum als bisher modelliert und evaluiert werden. Das Ziel dieser Untersuchung ist, heraus-

zufinden, wie gut ACASA die Flüsse über ein ganzes Jahr simulieren kann und wo das Modell

eventuelle Schwächen zeigt. Die Motivation hierfür ist zum Einen die Definition der konstanten

Eingangsparameter im Modell, welche aber im Jahresverlauf saisonalen Schwankungen unter-

liegen können. Zum Anderen soll untersucht werden, inwiefern sich extreme klimatische Bedin-

gungen auf die Qualität der Modellierungen auswirken. Deshalb wurde das Jahr 2003 mit seinen

überdurchschnittlich hohen Temperaturen und geringen Niederschlagsmengen in den Sommer-

monaten ausgewählt. Alle Änderungen im Modellcode (siehe Kapitel 3.4.1) und Erfahrungen

aus den bisherigen Modellierungen mit ACASA am Standort Waldstein-Weidenbrunnen wurden

in dieser Arbeit berücksichtigt.

THEORETISCHE GRUNDLAGEN 5

2 THEORETISCHE GRUNDLAGEN

In diesem Kapitel sollen die grundlegenden Konzepte der Kohlenstoff- und Energieflüsse erläu-

tert werden. Des Weiteren werden Struktur und ausgewählte Prozesse des ACASA-Modells dar-

gestellt, das zur Modellierung der Ökosystemflüsse verwendet wurde. Abschließend werden die

in dieser Arbeit angewandten Gütemaße beschrieben, die zum Vergleich der modellierten mit

den gemessenen Daten dienen.

2.1 Konzepte der Kohlenstoff- und Energieflüsse

Folgende Konvention gilt es für alle in dieser Arbeit dargestellten Strahlungskomponenten,

Kohlenstoff- und Energieflüsse zu beachten: Ströme, die zur Erdoberfläche hin gerichtet sind,

erhalten ein negatives Vorzeichen. Ströme, die von der Erdoberfläche weg oder in den Boden

gerichtet sind, erhalten ein positives Vorzeichen.

2.1.1 Strahlungs- und Energiebilanz

Die Strahlung der Atmosphäre setzt sich aus kurzwelligen (K) und langwelligen (I) Strahlungs-

anteilen zusammen, wobei die Grenze der Unterteilung bei einer Wellenlänge von 3µm liegt.

Die kurzwelligen Anteile bestehen aus der auf die Erde auftreffenden Strahlung ( K : Global-

strahlung) – welche sich wiederum aus der direkten Sonnenstrahlung und der diffusen Him-

melsstrahlung zusammensetzt – und der von der Erdoberfläche aufwärts gerichteten reflektierten

Strahlung ( K : Reflexstrahlung). Die von der Erde aufgenommene und wieder an die Atmo-

sphäre abgegebene Strahlung ( I : Ausstrahlung) und die reemittierte Strahlung ( I : Gegen-

strahlung) von in Wolken, Aerosolen und anderen Bestandteilen der Atmosphäre absorbierten

Energie bilden die langwelligen Strahlungsanteile. Die Summe der Bilanzen aus den jeweiligen

kurzwelligen ( Q s ,kw ) und langwelligen ( Q s , lw ) Strahlungsanteilen ergibt zusammen die Strah-

lungsbilanz ( Q s* ) der Atmosphäre (Foken, 2006):

Q s* = Q s ,kwQs , lw = K K I I (2-1)

Unter Berücksichtigung der Vorzeichenkonvention fällt die Nettobilanz der Strahlungskompo-

nenten negativ aus, da die Erdoberfläche wesentlich mehr Strahlung erhält, als sie wieder abgibt.

Die überschüssige Energie wird über den fühlbaren ( Q H ) und latenten ( Q E ) Wärmestrom wie-

der an die Atmosphäre abgegeben und in den Boden ( QG ) geleitet. Die Energiespeicherung in


der Vegetation oder in anderen auf der Oberfläche befindlichen Objekten wird durch einen Wär-

mespeicherterm ( QS ) ausgedrückt. Nach dem Energieerhaltungssatz der Thermodynamik er-

gibt sich somit eine ausgeglichene Energiebilanz am Erdboden (Foken, 2006):

−Q s*=QHQ EQGQS (2-2)

In Abbildung 2-1 sind die einzelnen Komponenten der Energiebilanzgleichung an der Erdober-

fläche schematisch dargestellt. Diese sind unter anderem je nach geographischer Lage des Mess-

standorts, Tageszeit, Jahreszeit und Umweltbedingungen unterschiedlich stark ausgeprägt.

2.1.2 Energiebilanzschließung

Experimentelle Messungen der einzelnen Energie- und Strahlungsströme zeigen im Vergleich

zur theoretischen Definition der ausgeglichenen Energiebilanz ein beachtliches Residuum (Res)

bei der Schließung der Energiebilanz (siehe Formel 2-3). Dieses entsteht durch ein Defizit inner-

halb der einzelnen gemessenen Komponenten. Am Tag ist die auf die Erdoberfläche auftreffende

Strahlungsenergie größer als die durch die turbulenten Flüsse, die Wärmespeicherung und den

Bodenwärmestrom abgeführte Energie. In der Nacht sind die Verhältnisse umgekehrt – dies

führt aber nicht zu einem Energieausgleich in der Tagesbilanz (Foken, 2006).

Res = Qs*−QH−QE−QG−QS (2-3)

Die Probleme mit der Energiebilanzschließung sind bereits vielfältig untersucht worden und bis-

lang nicht vollständig geklärt. Generell lässt sich sagen, dass das Phänomen der „nicht-geschlos-

senen“ Energiebilanz ein Maßstabsproblem ist und durch messmethodische sowie messtechni-

sche Probleme entsteht (Foken, 2008). Ursachen sind häufig Schwierigkeiten mit der Messge-

nauigkeit der verwendeten Geräte und die Höhe in der sie installiert sind. So werden die Flüsse

Abbildung 2-1: Komponenten der Energiebilanzgleichung (Foken, 2006)


in den über der Erdoberfläche oder der Vegetation liegenden Luftschichten bestimmt, die mit zu-

nehmender Höhe einem immer größer werdenden Einzugsgebiet (Footprint) zugeordnet werden

müssen. Besondere Bedeutung kommt auch der Energiespeicherung in den oberen Bodenschich-

ten zu, da diese nur schwer messbar ist und je nach Vegetationsgrad stark von kurzen Wetterer-

eignissen, wie z.B. der Bewölkung, beeinflusst wird. Die Energiespeicherung in der Vegetation

und in der Luftsäule unterhalb der Messgeräte und der Energieverbrauch durch Photosynthese

sind weitgehend vernachlässigbar (Oncley et al., 2007). Die Heterogenität der Unterlage am

Messstandort, die langwellige Turbulenzstrukturen verursacht, ist hingegen von großer Bedeu-

tung (Panin und Tetzlaff, 1999). Die Schließung der Energiebilanz konnte über heterogenem Ge-

lände unter Berücksichtigung langwelliger Wirbelstrukturen durch Large-Eddy-Simulationen

und die Bestimmung räumlich gemittelter Flüsse sowie durch Szintillometer-Messungen verbes-

sert werden (Foken et al., 2010). Dennoch sind bis zu einer Klärung des Phänomens der Ener-

giebilanzschließung weitere Untersuchungen nötig (Foken, 2008).

Für die Modellierung des Energieaustauschs spielt die Energiebilanzschließung eine wichtige

Rolle, da die modellierten Ergebnisse mit Messdaten verglichen werden, um die Modelle zu ka-

librieren und zu validieren. Deshalb erfordern Modelle eine interne Schließung der Energiebi-

lanz (siehe auch Kapitel 2.2.3), für die es verschiedene Möglichkeiten gibt; zum Beispiel kann

ein Term für das Residuum eingeführt werden (Kracher et al., 2009) oder anhand des Bowen-

Verhältnisses auf den fühlbaren und den latenten Wärmestrom aufgeteilt werden (Twine et al.,

2000).

Es ist wichtig, bei der Beurteilung der Qualität der Modellierung das Phänomen der Energiebi-

lanzschließung und vor allem die beschriebenen Fehler bei der Messdatenerhebung von turbu-

lenten Flüssen (siehe auch Kapitel 3.3.4) zu berücksichtigen.

2.1.3 Kohlenstoffflüsse

Das Konzept der Kohlenstoffflüsse variiert je nach betrachtetem Ökosystem. Im Folgenden

wird, wie in Abbildung 2-2 dargestellt, nur auf das von Waldökosystemen eingegangen.

Der Net Ecosystem Exchange (NEE) ist definiert als der Nettofluss von Kohlenstoffdioxid zwi-

schen Vegetation und Atmosphäre. Dieser setzt sich aus der Assimilation der Vegetation (GPP:

gross primary production) und der Respiration des Bodens und der Vegetation (TER: total eco-

system respiration) zusammen (Valentini et al., 2003). Nach der Vorzeichenkonvention sind

auch hier die zur Oberfläche gerichteten Kohlenstoffflüsse aus der Atmosphäre (Assimilation)


negativ und die entgegengesetzten Kohlenstoffflüsse in die Atmosphäre (Respiration) positiv,

woraus sich in der Folge aus dem Vorzeichen des Netto-Kohlenstoffflusses (NEE) eine entspre-

chende Netto-Flussrichtung ableiten lässt.

NEE = GPPTER (2-4)

Am Tag setzt sich der NEE während der Vegetationsperiode aus Assimilation und Respiration

zusammen. Nachts hingegen findet nur Respiration statt, wobei diese sowohl die Atmung von

Blättern, Nadeln, Ästen und Stämmen der Vegetation, die Atmung von Mikroben und Wurzeln

im Boden als auch deren autotrophe und heterotrophe Atmungsformen umfasst. Der Kohlenstoff

im Waldökosystem wird durch Photosynthese assimiliert. Immergrüne Nadelbäume können im

Gegensatz zu Laubbäumen auch außerhalb der Vegetationszeit Photosynthese betreiben, solange

kein Eis in deren Gewebe entsteht. So kann die Photosyntheseaktivität von Fichten selbst bei

Temperaturen um 0 °C und moderaten Strahlungsbedingungen erhalten bleiben (Larcher, 2001).

Zum Nettofluss von Kohlenstoffdioxid über hoher Vegetation zählt neben dem über dem Be-

stand gemessenen turbulenten Kohlenstofffluss auch der in der Vegetation durch Photosynthese

gebundene Kohlenstoff, dargestellt durch einen Speicherterm. Durch die direkte Messung des

Kohlenstoffaustauschs (NEE) über dem Bestand mittels der Eddy-Kovarianz-Methode ist dieser

Term in der Bilanz bereits immanent.

Abbildung 2-2: Konzept der Kohlenstoffflüsse für Waldökosysteme


2.2 ACASA-Modellbeschreibung

Das ACASA-Modell (Advanced Canopy-Atmosphere-Soil Algorithm; Pyles et al., 2000) wurde

an der University of California in Davis (USA) entwickelt. Es ist ein eindimensionales Mehr-

schicht-SVAT-Modell, das den turbulenten Austausch von Energie und Stoffen über vegetations-

bedeckten Oberflächen modelliert. ACASA kann sowohl als unabhängiges Modell ohne direkte

Kopplung an die atmosphärische Grenzschicht für diagnostische Tests an punktuellen Stand-

orten verwendet werden als auch als terrestrisches Biosphäre-Atmosphäre-Modul in Klimamo-

delle größerer Skala implementiert werden (Pyles et al., 2003). Aktuelle ACASA-Forschungsge-

biete zu diesen Bereichen sind zum Beispiel die Kopplung an das WRF-Modell (Weather Rese-

arch and Forecast; Xu et al., 2008) und die Simulation von Energie- und Stofftransport in Stadt-

gebieten (Marras et al., 2009).

Zu den besonderen Merkmalen von ACASA zählen unter anderem die in Kapitel 2.2.1 beschrie-

bene mehrschichtige Modellstruktur, sowie verschiedene im Modellcode implementierte Kom-

ponenten, wie zum Beispiel der turbulente Transport von Energie und Stoffen, der Strahlungs-

transfer oder der Einfluss der Vegetation auf den Kohlenstoffaustausch (beschrieben in Kapitel

2.2.2). Als Ergebnis eines Modelllaufs liefert ACASA Halbstundenwerte zur Strahlungs- und

Energiebilanz, zu den CO2-Flüssen, dem Wasserhaushalt und zu Profilen der Bodentemperatur

und -feuchtigkeit sowie zu den ersten, zweiten und dritten Momenten der Turbulenz.

Seit den ersten Veröffentlichungen zu ACASA im Jahr 2000 wurde das ACASA-Modell stetig

weiterentwickelt. Deshalb liegen inzwischen mehrere Versionen des Modellcodes vor, was die

Vergleichbarkeit der Ergebnisse vergangener Arbeiten erschwert. Exemplarisch ist in Staudt et

al. (2010b) der Unterschied zwischen zwei verschiedenen ACASA-Versionen dargestellt. Die

Modellbeschreibung und die in dieser Arbeit präsentierten Ergebnisse beziehen sich auf die Ver-

sion ACASA_4.0 vom 24. Oktober 2009 (Staudt et al., 2010b).

In den folgenden Unterkapiteln folgen alle Ausführungen zu ACASA, sofern nicht anders ange-

geben, den Inhalten von Pyles et al. (2000), Pyles (2000) und Pyles (2010).

2.2.1 Modellstruktur

Der zu repräsentierende Untersuchungsstandort ist in ACASA durch ein eindimensionales mehr-

schichtiges System organisiert (siehe Abbildung 2-3). Die vertikale Struktur des Modells besteht

aus insgesamt 35 Schichten, wovon 20 Schichten über der Erdoberfläche liegen und 15 Schich-

ten den Boden repräsentieren.


Die atmosphärischen Schichten liegen zur einen Hälfte im Bestand und zur anderen Hälfte über

dem Bestand. Per definitionem erstreckt sich somit das Modell von der Bodenoberfläche bis in

doppelte Bestandeshöhe. Dadurch wird versucht zu gewährleisten, dass alle relevanten Flüsse

und physiologischen Prozesse im Modellsystem erfasst werden können. Folglich bedeutet dieser

Ansatz, dass die Modellhöhe von der Höhe der Vegetation abhängig ist. Für die Mächtigkeit der

einzelnen atmosphärischen Schichten ergibt sich als weitere Folge der getroffenen Definition

eine konstante Dicke. Der Bodenkomplex hingegen besteht unabhängig von der Vegetationshö-

he in der verwendeten Version aus einheitlich dicken Schichten mit einer Mächtigkeit von je

10 cm. Somit reicht er bis in eine Tiefe von 1,50 m. Zusätzlich gibt ACASA, wenn Schnee vor-

handen ist, die errechnete Schneehöhe in einem weiteren Schichtsystem wieder (nicht in Abbil-

dung 2-3 eingezeichnet). Dieses ist direkt an die Bodenoberfläche gekoppelt und erstreckt sich

über maximal 200 Schichten à 5 cm Mächtigkeit in vertikaler Richtung.

Jeder einzelne Modelllauf repräsentiert die vertikalen Flüsse für ein horizontal homogenes Ein-

zugsgebiet von 104 bis 107 m2. Die tatsächliche Größe des Footprints der Modellierung hängt un-

ter anderem von der thermalen Stabilität der Atmosphäre und der Bestandeshöhe ab. Für Flä-

chen kleiner als 50 x 50 m wäre die Modellierung der turbulenten Flüsse durch ACASA theore-

tisch falsch.

Die oberen und unteren Grenzbedingungen des ACASA-Modells werden durch kontinuierliche

Halbstundenwerte meteorologischer Daten, wie z.B. die der Lufttemperatur, der relativen Luft-

feuchtigkeit, der Niederschlagsmenge etc. sowie durch initiale Profile für Bodentemperatur und

Abbildung 2-3: ACASA-Modellaufbau (bearbeitet nach Pyles et al., 2003)


-feuchte angegeben. Darüber hinaus müssen noch verschiedene standortspezifische und zahlrei-

che pflanzenphysiologische Parameter vorgegeben werden, um die Modellgleichungen lösen zu

können (siehe Kapitel 3.4.2).

2.2.2 Modellprozesse

Um das Verhalten von Ökosystemen möglichst realitätsnah modellieren zu können, sind in

ACASA verschiedene Komponenten implementiert, die Berechnungen zum turbulenten Aus-

tausch von Energie und Stoffen, zum Strahlungstransfer, zur Energiebilanz und Pflanzenphysio-

logie durchführen. Einige von ihnen sind bereits früher entwickelt und alleinstehend für sich ge-

testet worden. In ACASA wurden diese dann zu einem eigenständigen terrestrischen Biosphä-

ren-Atmosphären-Modell zusammengefasst.

Die wohl größte Besonderheit von ACASA und der Ausgangspunkt für die Modellentwicklung

ist die angewandte Methode zur Berechnung des turbulenten Austauschs in der Atmosphäre. Die

turbulente Strömung wird durch ein System von Differentialgleichungen mit mehr unbekannten

Parametern als Gleichungen beschrieben, wodurch das Problem der Turbulenzschließung ent-

steht. Um das Gleichungssystem dennoch lösen können, müssen für die Unbekannten in den

Gleichungen Annahmen getroffen werden (Foken, 2006). In ACASA wird dazu die diabatische

Schließung 3. Ordnung angewandt, die auf die Arbeiten von Meyers (1985), Meyers und Paw U

(1986) und Meyers und Paw U (1987) zurückgeht. Diese Methode eignet sich besonders für

Standorte mit hoher Vegetation, da sie die dort auftretenden komplizierten mikrometeorologi-

schen Prozesse, wie z.B. den Transport von Energie und Stoffen entgegen ausgebildeter vertika-

ler Gradienten (Counter-Gradients), zu simulieren erlaubt (Foken, 2006). Die Turbulenzglei-

chungen werden für jede einzelne Schicht separat berechnet, wodurch sich z.B. unabhängig von-

einander gebildete vertikale Profile für die mittlere Windgeschwindigkeit, die Temperatur oder

die CO2-Konzentration innerhalb und über dem Bestand ergeben. Detaillierte Fragestellungen

zur Modellierung einzelner Turbulenzparameter mit ACASA werden in Pyles et al. (2004), Bier-

mann (2009) und Staudt et al. (2010b) behandelt.

Das Schema zur turbulenten Strömung ist an ein Strahlungsmodul gekoppelt, das auf den Glei-

chungen von Meyers (1985) basiert und für das ACASA-Modell modifiziert wurde. Die Berech-

nungen des Strahlungsaustauschs werden für insgesamt 100 Schichten durchgeführt, um numeri-

sche Fehler zu minimieren. Die Konvertierung dieser Ergebnisse auf das Schichtsystem der Ve-

getation von ACASA (die untersten zehn atmosphärischen Schichten umfassend) erfolgt intern

mittels einfacher linearer Interpolation.


Die Modellierung der Strahlungskomponenten im Bestand berücksichtigt die Prozesse der Re-

flexion, Absorption, Transmission und Emission. Dazu wird in ACASA die Vegetation als hori-

zontal homogenes Medium betrachtet, in dem Blätter und Stämme wahllos verteilt sind. Die Po-

sitionen der Vegetationsoberflächen sind über mehrere unterschiedlich definierte Blattwinkel-

klassen normal verteilt. Diese Klassenverteilung wird nicht nur bei der Berechnung des Strah-

lungsaustauschs angewandt, sondern ist auch bei der Modellierung verschiedener Größen im

Bestand von Bedeutung.

Bei der Modellierung des Strahlungsaustauschs unterscheidet ACASA zwischen kurzwelliger

und langwelliger Strahlung. Die auf der Oberfläche eintreffende kurzwellige Strahlung, die im

Inputfile der meteorologischen Werte angegeben werden muss, teilt sich in direkte Strahlung

und diffuse Strahlung auf. Beide Anteile werden, nochmals unterteilt nach ihrer Wellenlänge, für

den sichtbaren Bereich (0.4-0.7 µm) und den nahen Infrarotbereich einzeln behandelt. Der An-

teil der diffusen Strahlung wird am oberen Modellrand berechnet und variiert mit dem Bewöl-

kungsgrad, dem Einstrahlungswinkel der Sonne und der Intensität mit der sie scheint. Den direk-

ten kurzwelligen Strahlungsanteil ( RB ), der nicht von der Vegetation oder dem Boden aufge-

nommen wird, berechnet ACASA für jede einzelne Schicht im Bestand nach folgendem Ansatz

analog zum Lambert-Beerschen Gesetz:

RB = RB0⋅e [−k ⋅ LAI ] (2-5)

Dabei ist RB0 der kurzwellige Anteil der direkten Einstrahlung über dem Bestand, k der

Extinktionskoeffizient, der für jede Blattwinkelklasse mit dem Einstrahlungswinkel der Sonne

variiert. LAI hingegen ist der Anteil des LAI-Profils von Bestandeshöhe an bis zur jeweili-

gen betrachteten Modellschicht gerechnet.

Der Ansatz für den Austausch der langwelligen Strahlung im Bestand ist durch die Annahme

vereinfacht, dass die Streuung an den Vegetationsoberflächen vernachlässigt werden kann und

sich die Strahlung isotrop verteilt. Der Wert der langwelligen Einstrahlung in Bestandeshöhe

entspricht dem Wert aus den Inputdaten der meteorologischen Parameter. Bei der Berechnung

der langwelligen Ein- und Ausstrahlung im Bestand werden für jede einzelne Modellschicht die

sich ändernden Oberflächentemperaturen der Blätter und des Bodens berücksichtigt. Dabei wird

davon ausgegangen, dass sowohl die Blätter als auch der Boden nahezu perfekte schwarze

Strahler sind. Deren Emissionsfaktoren hängen vom Oberflächentyp der Vegetation ab und neh-

men Werte um 1 an. Über den Einfluss des Bodens und der Vegetation ergibt sich die langwelli-

ge Ausstrahlung in die Atmosphäre.


Eine weitere Besonderheit von ACASA ist die Berücksichtigung der schon mehrmals genannten

Oberflächentemperaturen. Diese werden nach Paw U und Gao (1988) für Blatt-, Stamm- und

Bodenoberfläche mit Hilfe eines Polynoms 4. Grades für die einzelnen Blattwinkelklassen be-

rechnet. Durch die Anwendung dieser Methode ist es möglich, dass die Oberflächentemperatu-

ren von der Umgebungstemperatur signifikant abweichen können, ohne dass es zu mathemati-

schen Fehlern bei der Berechnung kommt.

Ein weiteres besonderes Merkmal von ACASA ist, dass es den Einfluss von Temperatur, Luft-

feuchtigkeit, Bodenfeuchtigkeit, Globalstrahlung und CO2-Konzentration auf die Stomata der

Pflanzen berücksichtigt. Je nach den vorherrschenden Umweltbedingungen haben die Pflanzen

die Möglichkeit, ihre Stomata an den Blättern oder Nadeln zu schließen oder zu öffnen und so

den Grad der Interaktion mit der umgebenden Luft und deren Inhaltsstoffen zu steuern. ACASA

baut deshalb auf den Gleichungen zur stomatären Leitfähigkeit nach dem Ball-Berry-Modell

(Leuning, 1990; Collatz et al., 1991) und zur Photosynthese (Farquhar und von Caemmerer,

1982) auf, um die physiologischen Reaktionen der Pflanzen auf sich wechselnde Umweltbedin-

gung zu repräsentieren. Beide Ansätze sind nach Su et al. (1996) für ein mehrschichtiges Modell

kombiniert worden.

Die vom Wasserdampfgehalt beeinflusste stomatäre Leitfähigkeit ( g s ,w ) wird durch eine empiri-

sche Funktion dargestellt (Su et al., 1996):

g s ,w = mAn

cCO2s

rH sb (2-6)

Neben der Netto-CO2-Assimilationrate ( An ), der CO2-Konzentration an der Blattoberfläche

( cCO2s ) und der relativen Feuchtigkeit an der Blattoberfläche ( rH s ) beinhaltet der Ansatz

die beiden empirischen Parameter m und b . Der Parameter m ist eine dimensionslose Kon-

stante und b entspricht der Basis-Leitfähigkeit. Anhand von Gleichung 2-6 ist es möglich, die

Korrelation zwischen stomatärer Leitfähigkeit und biogeochemischen sowie anderen physiologi-

schen Faktoren im Ökosystem (wie z.B. Photosynthesekapazität der Blätter oder CO2-Konzen-

tration der Umgebung) zu berechnen.

Gleichung 2-7 zeigt den Ansatz zur Berechnung der Netto-Assimilationsrate von CO2 ( An ).

AR ist die CO2-Assimilationsrate, bei der das Limit der Rubisco-Aktivität erreicht wird, wenn

die CO2-Konzentration in den Zellen niedrig und die Ribulose-Biphosphat-Konzentration

(RuBP) gesättigt ist. AE hingegen entspricht der CO2-Assimilationsrate, die erreicht werden

kann, wenn die Regeneration des RuBP durch den Elektronentransport limitiert ist. ACASA be-


rechnet beide Assimilationsraten und verwendet dann für die Netto-Assimilationsrate nur den

kleineren Wert, um so den limitierenden Faktor für die Kohlenstoffassimilation zu berücksichti-

gen. Der Netto-Wert der Assimilationsrate ergibt sich durch Subtraktion der Respirationsrate

während des Tages Rd , welche in den Mitochondrien der Blätter, ausgelöst durch das Tages-

licht, für eine CO2-Freisetzung sorgt (Su et al., 1996).

An = min AR , AE−Rd (2-7)

Zu den weiteren Quellen für den Kohlenstoff zählen in ACASA neben den Blättern Stämme,

Wurzeln und Mikroben. Die auf deren Oberfläche bezogene Respirationsrate für eine bestimmte

Temperatur T wird in ACASA über eine der Arrhenius-Gleichung ähnliche Exponentialfunktion

(siehe Gleichung 2-8) berechnet, und zwar separat für jede einzelne Quelle mit individuellen Pa-

rametern zur Temperaturabhängigkeit der Respiration ( Q10 ) und der basalen Respirationsrate

R0 . Diese Werte müssen als Input für die Modellierung angegeben werden.

RT = R0⋅e [0.1⋅T⋅ ln Q10 ] (2-8)

Die Respirationsraten der Blätter und Stämme werden für jede Schicht separat nach den einzel-

nen Blattwinkelklassen und dem Anteil des LAI für die unterschiedlichen Vegetationstypen

(Blätter, schmale Stämme, dicke Stämme) berechnet und aufsummiert. Die Bodenrespiration

von Wurzeln und Mikroben wird über die einzelnen Bodenschichten bestimmt. Dabei entspre-

chen beide Komponenten jeweils der Summe der nach Gleichung 2-8 berechneten Respirations-

rate pro Modellschicht. Die Gewichtung der einzelnen Raten in der Summe erfolgt nach einer

definierten Wurzel- und Mikrobenverteilung. Im ACASA-Modell wird angenommen, dass die

Gesamtoberfläche der Wurzeln und Mikroben mit dem LAI übereinstimmt (Staudt et al., 2010a).

Für den Austausch von fühlbarer und latenter Wärme wird im Bestand für jede Modellschicht,

jede Blattwinkelklasse und jeden Oberflächentyp ein individueller Widerstandsansatz formuliert.

Q H = a c p

T s−T a z ra

(2-9)

Q E = ae

q s−qa z r sra

(2-10)

In diesen Ansätzen wird neben der Luftdichte ( a ), der spezifischen Verdunstungswärme ( e ),

der spezifischen Wärmekapazität unter konstantem Druck ( c p ), dem aerodynamischen Wider-

stand ( r a ), dem stomatären Widerstand ( r s ) und der Lufttemperatur und -feuchte ( T a , qa )


auch die Oberflächentemperatur und -feuchte ( T s , qs ) berücksichtigt. Durch die Kombination

der Gleichungen 2-6, 2-7 und einer Reihe meist empirischer Temperatur- und Strahlungsabhän-

gigkeitskurven kann der stomatäre Widerstand der Blätter und Nadeln als Funktion der Blatt-

temperatur und anderen biochemischen Parametern bestimmt werden. Der aerodynamische Wi-

derstand ( r a ) ist eine empirische Funktion des mittleren Blattdurchmessers ( xl ), der Differenz

zwischen Oberflächen- ( T s ) und Lufttemperatur ( T a ) und der mittleren Windgeschwindigkeit

( u ).

r a = 10 5 403T s−T a ⋅ xl

u 0.5

(2-11)

Das Bodenmodul in ACASA ist nach dem Vorbild der Bodenkomponenten des MAPS-Modells

(Mesoscale Analysis and Prediction System; Smirnova et al., 1997; Smirnova et al., 2000) im-

plementiert worden. Die spezifischen Bodeneigenschaften, wie z.B. die Feldkapazität oder die

maximale hydraulische Leitfähigkeit des Bodens, sind intern durch die Wahl einer der 16 nach

USDA-Klassifikation (US Department of Agriculture) vordefinierten Bodentexturen vorgege-

ben. Im Bodenmodul wird neben der Bodentemperatur und -feuchtigkeit auch die Verdunstung

an der Bodenoberfläche berechnet.

Die Bodentemperatur wird mit einer eindimensionalen Diffusionsgleichung bestimmt. Per defi-

nitionem wird nur von einem vertikalen Wärmetransport ausgegangen und der horizontale ver-

nachlässigt. Die obere Grenzbedingung für die Bodentemperatur ist durch die Energiebilanzglei-

chung in der untersten Vegetationsschicht gegeben. Die untere Grenzbedingung hingegen ist

durch einen konstanten Temperaturwert festzulegen, der ungefähr der Jahresmitteltemperatur

entsprechen sollte.

Die Differentialgleichung zur Berechnung des Bodenwärmestroms wird durch die Finite-Diffe-

renzen-Methode gelöst. Diese ist für den Wärmetransport im Boden zwischen den einzelnen

Modellschichten in Gleichung 2-12 beschrieben.

Gn = 2⋅ss cs

T n−1−T n

z n zn−1

(2-12)

Der Index n steht für eine bestimmte Schicht, deren Eigenschaften bezüglich der Bodenmatrix

neben dem Wärmediffusionskoeffizienten ( s ) durch die Bodendichte ( s ) und die spezifische

Wärmekapazität des Bodens ( cs ) ergänzt werden.


Eine wesentlich ausführlichere Darstellung vieler in ACASA integrierten Prozesse, welche den

Stoff- und Energieaustausch zwischen der Vegetation und der Atmosphäre und die Umsetzung

der zugehörigen Berechnungsverfahren in die Fortran-Programmiersprache beschreiben, wird in

Pyles (2000) und Pyles (2010) gegeben.

2.2.3 Energiebilanzschließung

Wie in Kapitel 2.1.2 bereits angesprochen, beinhalten viele SVAT-Modell eine Methode zur in-

ternen Schließung der Energiebilanz (Kracher et al., 2009; Staudt et al., 2010b). Ohne die Auf-

teilung der überschüssigen/fehlenden Energie käme es sonst zu einer Fehleinschätzung der si-

mulierten turbulenten Flüsse (Kracher et al., 2009). So wird die Energiebilanz auch in der ver-

wendeten ACASA-Version nach der sogenannten Bowen-Ratio-Methode geschlossen, die im

Moment als eine der zuverlässigsten Varianten gilt (Twine et al., 2000; Foken, 2008; Kracher et

al., 2009).

ACASA löst die Energiebilanzgleichung für jede Modellschicht. Dabei wird der jeweilige Feh-

ler ( Err ) nach dem absoluten Wert des Bowen-Verhältnisses ( Bo ) auf den entsprechenden

fühlbaren und latenten Wärmestrom wie folgt aufgeteilt (Staudt et al., 2010b):

Q H , Bo = QHErr⋅ 11Bo

(2-13)

Q E , Bo = QEErr⋅ Bo1Bo

(2-14)

Das Bowen-Verhältnis ist per definitionem ein Maß, das die Verteilung der Energie zwischen

den turbulenten Flüssen beschreibt. Je größer der Wert ist, desto größer wird der Anteil des Feh-

lers, der dem fühlbaren Wärmestrom zugerechnet wird.

Bo =QH

QE

mit : QE 1 Wm−2 (2-15)


2.3 Gütemaße

Die Qualität der Modellierung von Kohlenstoff- und Energieflüssen mit ACASA wird in dieser

Arbeit anhand verschiedener Gütemaße bewertet. Für die statistische Analyse der modellierten

Daten werden, wie von Willmott (1982) vorgeschlagen, neben dem Bestimmtheitsmaß (R2) auch

Differenzmaße berechnet. Sie zeigen die Genauigkeit an, wie gut die modellierten Werte (P: pre-

dicted data) der einzelnen betrachteten Größen mit den entsprechenden Messdaten (O: observed

data) übereinstimmen. Je besser die Gütemaße im Allgemeinen sind, desto näher liegen die Kor-

relationspunkte zwischen den gemessenen und den modellierten Daten im Scatterplot an der 1:1

Linie.

Für den mean bias error (MBE), den mean absolute error (MAE) und den root mean square error

(RMSE) gilt: je näher deren Wert an 0 liegt, desto höher ist die Güte der modellierten Größe. Für

den Index of Agreement (IA) hingegen ist die Übereinstimmung von modellierten und gemesse-

nen Daten für einen Wert von 1 optimal. Ähnlich wie der IA verhält sich auch der Coefficient of

Efficiency (E), der Werte von -∞ bis 1 annehmen kann. Dieser bietet aber den zusätzlichen Vor-

teil, dass der Wert von 0 eine gute Übereinstimmung der modellierten Ergebnisse mit dem Mit-

telwert der Messungen anzeigt und Werte kleiner 0 eine Abweichung davon darstellen (Legates

und McCabe, 1999). Der MBE zeigt durch sein Vorzeichen zusätzlich eine mögliche Über- (posi-

tives Vorzeichen) bzw. Unterschätzung (negatives Vorzeichen) der modellierten gegenüber den

gemessenen Daten an.

Der MAE erfährt im Vergleich zum RMSE eine geringere Verfälschung durch Extremwerte, da

durch die Potenzierung der Differenz zwischen modellierten und gemessenen Daten im Fall des

RMSE extreme Werte eine stärkere Gewichtung erfahren (Willmott, 1982).

Die Gütemaße werden für die Stichprobenanzahl (N) wie folgt berechnet (Nash und Sutcliffe,

1970; Willmott, 1982), mit Pi ' = Pi − O und O i ' = O i − O , wobei O der Mittelwert

der Messdaten ist:

MBE = N −1 ∑i=1

N

P i −O i (2-16)

MAE = N−1 ∑i=1

N

∣Pi − Oi∣ (2-17)

RMSE = [N−1 ∑i=1

N

P i − Oi 2]

0.5 (2-18)


IA = 1 − [∑i=1

N

Pi − Oi 2 / ∑

i=1

N

∣Pi '∣−∣Oi '∣2] (2-19)

E = 1−[∑i=1

N

Oi−P i2 / ∑

i=1

N

Oi−O2] (2-20)

Bei der Bewertung der Gütemaße ist des Weiteren zu beachten, dass hierbei eventuelle Fehler,

die bei der Messung oder durch die gewählte Messmethode entstanden sind, nicht mit berück-

sichtigt werden. Deshalb sind die auf diese Weise gewonnenen Aussagen zur Qualität der Model-

lierung stets auf ihre Plausibilität hin zu hinterfragen. Wegen eines „schlechten“ Wertes für ein

Gütemaß darf darum nicht automatisch auf einen fragwürdigen Modellansatz geschlossen wer-

den. So kann dieser Umstand im Umkehrschluss ebenso bedeuten, dass die modellierten gegen-

über den gemessenen Daten im Endeffekt eher der Realität entsprechen könnten.

DATENGRUNDLAGE UND METHODEN 19

3 DATENGRUNDLAGE UND METHODEN

3.1 Standortbeschreibung

Im südöstlichen Teil Deutschlands befindet sich die FLUXNET-Station Waldstein-Weidenbrun-

nen (DE-Bay) an der Nordwestseite des hufeisenförmigen Fichtelgebirges (siehe Abbildung 3-

1). Sie liegt im Zentrum des Waldsteinmassivs, nordwestlich von Weißenstadt auf einer Höhe

von etwa 775 m ü.NN. Der Standort ist vom höchsten Berg der Region, dem Großen Waldstein

(877 m ü.NN) im Südwesten, dem Lehstenberg (750 m ü.NN) im Südosten und dem im Nordos-

ten gelegenen Bergkopf (857 m ü.NN) umgeben (siehe Abbildung 3-2). Dadurch ergibt sich für

den Standort ein leichtes Tal, das sich von Nordwest nach Südost erstreckt und sich bis ins Lehs-

tenbachtal fortsetzt. Das Gelände am Untersuchungsstandort weist eine Neigung von 2,6° in

südwestlicher Richtung auf (Thomas und Foken, 2007a).

Der vorherrschende Bodentyp am Standort ist nach der deutschen Klassifikation ein Braunerde-

Podsol-Boden (Haplic Podzol: FAO oder Orthic Spodosol: US Soil Taxonomy), der sich aus

verwittertem Granit- und Gneisgestein entwickelt hat, mit einer Bodentextur von sandigem

Lehm bis Lehm (US Soil Taxonomy) und einem relativ hohen Tonanteil im Unterboden (Gerst-

berger et al., 2004).

Abbildung 3-1: Lage des Fichtelgebirges in Deutschland (Gerstberger et al., 2004)


Wie die Karte in Abbildung 3-2 zeigt, war die Gegend um den Standort im Jahr 2003 fast voll-

ständig bewaldet. Der Nadelwald besteht zu größten Teilen aus Fichten (Picea abies) mit unge-

fähr 1007 Bäumen pro Hektar und einem durchschnittlichem Baumalter von 50 Jahren (nach

Alsheimer (1997) für das Jahr 2003 hochgerechnet). Der Bestand erreicht im Jahr 2003 eine

mittlere Bestandeshöhe von hc = 19 m und einem Plant Area Index (PAI) von 5.2 (Thomas und

Foken, 2007b). Die maximalen Anteile der Blatt- und Nadelflächen im PAI-Profil liegen in den

Höhen 0.25 hc und 0.5 – 0.9 hc (siehe Abbildung 3-3). Die Höhe des Stammraums beträgt im

Mittel ungefähr 5 m (Schroeter, 2005). Der Unterwuchs besteht aus jungen Fichten, kleinen Bü-

schen und Gras, ist aber nur schwach entwickelt und hat eine mittlere Höhe von ungefähr 0.4 m

(Thomas und Foken, 2007a).

Das Klima am Waldstein-Weidenbrunnen wird durch die Luftmassen geprägt, die die Region er-

reichen. So schafft es maritime Luft aus westlicher und, vor allem im Winter, kalte kontinentale

Luft aus östlicher Richtung bis in das Waldsteingebiet. Nach der effektiven Klimaklassifikation

von Köpen wird das dortige Klima als kontinental temperiertes Klima (Dc) bezeichnet. Auf-

grund überverhältnismäßig hoher Niederschlagsjahressummen hat es aber auch einen maritimen

Charakter (Foken, 2003).

Abbildung 3-2: Übersicht des Waldsteingebietes um den Hauptturm des Untersuchungsstandortes Waldstein-Wei-

denbrunnen (Ausschnitte entnommen aus der Topographischen Karte 1:25000, Bayerisches Landesvermessungs-

amt)


In Gerstberger et al. (2004) ist der Untersuchungsstandort wesentlich ausführlicher beschrieben

und in Staudt und Foken (2007) sind verschiedene Referenzdaten zum Standort aus bereits

durchgeführten Forschungsarbeiten zusammengestellt.

3.2 Datenquellen

Das Gebiet um den Messturm am Standort Waldstein-Weidenbrunnen ist Gegenstand der Unter-

suchungen dieser Arbeit. Für diesen Standort wurden alle Messdaten verwendet, sofern sie vor-

handen und plausibel waren. Andernfalls wurden die meteorologischen Daten und die CO2-Kon-

zentration, die für die ACASA-Modellierung ohne Lücken bereitgestellt werden müssen, durch

Messdaten anderer Standorte vervollständigt. Die Flussdaten zur Evaluierung der Qualität der

Modellierung hingegen stammen ausnahmslos vom Hauptuntersuchungsstandort selbst und wur-

den nicht durch Messungen anderer Standorte ergänzt. Die angewandten Verfahren zur Vervoll-

ständigung der für die Modellierung benötigten Eingangsdaten und die verwendeten Qualitäts-

kontrollen für die einzelnen Parameter sind in Kapitel 3.3.1, 3.3.2 und 3.3.4 genauer erläutert. In

diesem Abschnitt soll lediglich ein Überblick über die einzelnen Parameter und die Lage der

Standorte, an denen sie erhoben wurden, gegeben werden.

Abbildung 3-3: PAI-Profil am Waldstein-Weidenbrunnen; A: Messwerte (bearbeitet nach Thomas und Foken,

2007a); B: Messwerte auf der Grundlage von Thomas und Foken, 2007a (graue Kurve) und gewichtete Summe

zweier Beta-Verteilungen (schwarze Kurve, angepasst an die Messwerte nach Simon et al., 2005, wie auch in Staudt

et al., 2010a angewandt)


Tabelle 3-1: Geographische Daten aller relevanten Standorte

Name Standort Breitengrad Längengrad Höhenlage Quelle

Waldstein-Weidenbrunnen Messturm (FLUXNET)

Fichtenforst (hc = 19 m)

50°08'31" N 11°52'01" O 775 m ü.NN Staudt und Foken, 2007

Waldstein-Weidenbrunnen Pflanzgarten

Waldlichtung (Wiese)

50°08'35" N 11°51'49" O 765 m ü.NN Staudt und Foken, 2007

Voitsumra Grünland, Wiese

50°05'24" N 11°51'13" O 624 m ü.NN FORKAST-Dokumentation

Bayreuth/ÖBG Wiese 49°55'45" N 11°35'10" O 365 m ü.NN Internetseite der Abt. MM

Wetzstein (FLUXNET) Fichtenforst (hc = 22 m)

50°27' N 11°27' O 785 m ü.NN Rebmann et al., 2010

Weißenstadt - 50°06' N 11°53' O 620 m ü.NN DWD (WebWerdis)

Dazu gibt Tabelle 3-1 einen kurzen Überblick über die geographische Lage der einzelnen Stand-

orte (siehe auch Abbildung 3-4). In Tabelle 3-2 sind alle für diese Arbeit relevanten Parameter,

deren Einheiten und die verwendeten Messgeräte sowie die Höhe, in der diese installiert waren,

gruppiert nach den einzelnen Standorten aufgelistet.

Der begehbare Messturm am Hauptuntersuchungsstandort Waldstein-Weidenbrunnen ist 33 m

hoch und dient als Plattform für die kontinuierlichen Messungen von meteorologischen Stan-

darddaten. Die Aufzeichnungen von Lufttemperatur-, Feuchtigkeits- und Windprofilen und von

an der Turmspitze gemessenen Strahlungskomponenten, turbulenten Flüssen und der CO2-Kon-

zentration laufen das ganze Jahr über. Über dem Bestand wurde in 21 m Höhe der synoptische

Wettercode und die Sichtweite durch einen Present Weather Detector (PWD) erfasst. In unmit-

telbarer Nähe zum Messturm befindet sich ein Bodenmessfeld, in dem Sensoren installiert sind,

um die Bodentemperatur und -feuchtigkeit in verschiedenen Tiefen zu bestimmen (Thomas et

al., 2004).

Der Pflanzgarten ist eine Waldlichtung, die sich ca. 300 m nordwestlich vom Messturm befindet

und auch zum Untersuchungsgebiet Waldstein-Weidenbrunnen zählt. An dieser Station werden

weitere meteorologische Parameter, wie zum Beispiel die Niederschlagsmenge oder der Luft-

druck routinemäßig erhoben (Thomas et al., 2004).

Von der Klimastation „Voitsumra“, die ca. 400 m südöstlich der Ortschaft Voitsumra liegt (Ent-

fernung ca. 5 km), und der Klimastation im Ökologisch-Botanischen Garten der Universität

Bayreuth (Entfernung ca. 35 km) wurden lediglich Messdaten meteorologischer Parameter ver-

wendet, um noch verbleibende Datenlücken in den Zeitreihen zu füllen (siehe Kapitel 3.3.2).


Um die Lücken in den gemessenen CO2-Konzentrationen jedoch füllen zu können, mussten

Messwerte eines weiter entlegenen Standortes gewählt werden. Der nächstgelegene FLUXNET-

Standort Wetzstein befindet sich ca. 45 km nordwestlich vom Hauptuntersuchungsstandort

Waldstein-Weidenbrunnen. Standortspezifische Eigenschaften, wie z.B. die topographische

Lage und die Vegetation beider Standorte, sind vergleichbar. Der Messstandort liegt auch in ei-

nem von Fichten dominierten Nadelwald in fast identischer Höhenlage auf einem Plateau im

Thüringischen Schiefergebirge. Der Fichtenforst ist mit einer Höhe von 22 m und einem Durch-

schnittsbaumalter von ungefähr 50 Jahren (Rebmann et al., 2010) dem Bestand „Weidenbrun-

nen“ sehr ähnlich.

Die täglichen Niederschlagsmengen der inzwischen aufgegebenen Messstation des DWD (Deut-

schen Wetterdienstes) im ungefähr 4.5 km entfernten Weißenstadt wurden für die Modellierun-

gen mit ACASA nicht verwendet. Sie dienten lediglich der Korrektur der monatlichen Nieder-

schlagssummen nach Foken (2003) für den Standort Waldstein-Weidenbrunnen (siehe dazu auch

Kapitel 4.1.3).

Abbildung 3-4: Geografische Lage aller Messstandorte, die für die Datenerhebung relevant waren; 1: Hauptuntersu-

chungsstandort Waldstein-Weidenbrunnen; 2: Messstation Voitsumra; 3: Wetterstation Weißenstadt; 4: Ökologisch-

Botanischer Garten der Universität Bayreuth; 5: FLUXNET-Station Wetzstein (Ausschnitte der topographischen

Karte 1:50000 von Nordbayern des Bayerisches Landesvermessungsamts entnommen)


3.3 Datenverarbeitung

Alle in Tabelle 3-2 aufgelisteten Daten, die zur Modellierung selbst oder zur Evaluierung der Er-

gebnisse benötigt wurden, wurden in irgendeiner Form vorab bearbeitet. Neben der Qualitäts-

kontrolle der bereits gemessenen Flussdaten der FLUXNET-Station Waldstein-Weidenbrunnen

(siehe Kapitel 3.3.4) wurden auch die meteorologischen Messwerte aus dem Jahr 2003 auf ihre

Plausibilität hin überprüft (siehe Kapitel 3.3.1). Außerdem wurden bei ausgewählten meteorolo-

gischen Parametern die Datenlücken in den Zeitreihen geschlossen (siehe Kapitel 3.3.2), um für

das Jahr 2003 eine Witterungsanalyse durchführen zu können (siehe Kapitel 4.1) und vor allem,

um die Voraussetzungen für die Modellierungen mit ACASA zu erfüllen. Die Berechnung der

spezifischen Feuchte soll ein eigenes Kapitel (3.3.3) erhalten, da dieser Arbeitsschritt sehr um-

fangreich ist. Da für den Bodenwärmestrom keine Messungen aus dem Jahr 2003 vorlagen,

musste dieser zur Evaluierung der Modellierungen aus anderen Messgrößen abgeschätzt werden

(siehe Kapitel 3.3.5). Für die Betrachtung der Kohlenstoffflüsse konnte in dieser Arbeit auf eine

bereits vervollständigte lückenlose Zeitreihe des NEE zurückgegriffen werden. Die hierzu ange-

wandte Methode soll in Kapitel 3.3.6 kurz erläutert werden.


Tabelle 3-2: Übersicht aller relevanten Messdaten (nach Standorten gelistet)

Parameter Einheit Höhe [m] Gerät, Hersteller oder Quelle

Messturm (Waldstein-Weidenbrunnen)

Trockentemperatur °C 31, 21 Vent. Psychrometer, Theodor Friedrichs & Co

Feuchttemperatur °C 31, 21 Vent. Psychrometer, Theodor Friedrichs & Co

relative Luftfeuchtigkeit % 31, 21 HMP45a, Vaisala

Global-/Reflexstrahlung W m-2 30 CM14 Pyranometer, Kipp & Zonen

Gegen-/Ausstrahlung W m-2 30 CG2 Pyrgeometer, Kipp & Zonen

Bodentemperatur °C -0.05, -0.10, -0.20, -0.50

PT 100 Thermometer, Electrotherm GmbH

Bodenfeuchte(vol. Wassergehalt)

% -0.20, -0.35, -0.90

Lischeid, persönliche Mitteilung

mittl. Windgeschwindigkeit m s-1 32, 25, 21 Schalensternanemometer, Theodor Friedrichs & Co

Windvektor m s-1 33 R2 und R3-50, Gill Instruments Ltd.

CO2 - Konzentration mmol m-3 33 LI-7500 (open-path), LI-COR Biosciences GmbH

Sichtweite m 21 PWD11, Vaisala

Wettercode (WMO) - 21 PWD11, Vaisala

Pflanzgarten (Waldstein-Weidenbrunnen)

Niederschlag mm 1 OMC 212, Adolf Thies GmbH & Co. KG (Kippwaage)

Luftdruck hPa 2 AB60, Ammonit Gesellschaft für Messtechnik mbH

Globalstrahlung W m-2 4 CM11 (Schattenring), Kipp & Zonen

relative Luftfeuchtigkeit % 2 HMP45, Vaisala

mittl. Windgeschwindigkeit m s-1 10 Anemometer, Adolf Thies GmbH & Co. KG

Trockentemperatur °C 2 HMP45, Vaisala

Voitsumra

Niederschlag mm 1 OMC 212, Adolf Thies GmbH & Co. KG (Kippwaage)

relative Luftfeuchtigkeit % 2 HMP45, Vaisala

mittl. Windgeschwindigkeit m s-1 2 Vektor Anemometer

Trockentemperatur °C 2 HMP45, Vaisala

Ökologisch-Botanischer Garten der Universität Bayreuth

Luftdruck hPa - AB60, Ammonit Gesellschaft für Messtechnik mbH

Globalstrahlung W m-2 2 CM14 Pyranometer, Kipp & Zonen

Gegenstrahlung W m-2 2 CG2 Pyranometer, Kipp & Zonen

Wetzstein

CO2-Konzentration ppm 30 LI-6262 (closed-path), LI-COR Biosciences GmbH

Weißenstadt

Niederschlag mm - DWD, WebWerdis


3.3.1 Plausibilitätsprüfung meteorologischer Daten

Alle meteorologischen Daten, die zur Modellierung mit ACASA als Eingangsparameter oder zur

Füllung der Datenlücken der einzelnen Parameter benötigt wurden, sind in ihrer ursprünglichen

Zeitauflösung (Zehnminutenwerte; Ausnahme: CO2-Konzentration in Halbstundenwerten) auf

ihre Plausibilität hin geprüft worden. Die Kontrolle der Daten erfolgte nach selbst festgelegten

Minimum- und Maximumwerten, die nicht über- beziehungsweise unterschritten werden durften

(siehe Tabelle 3-3). Die Datenüberprüfung aller Parameter wurde zudem durch eine visuelle

Kontrolle ergänzt.

Die Messwerte der Global- und Reflexstrahlung wurden zusätzlich anhand der Zeitpunkte von

Sonnenaufgang und Sonnenuntergang korrigiert. Nach den entsprechenden Uhrzeiten wurden

alle Werte im Zeitraum von 30 Minuten vor Sonnenuntergang bis 30 Minuten nach Sonnenauf-

gang auf Null gesetzt.

Die Zeitreihe der relativen Luftfeuchtigkeit, die direkt von HMP-Messgeräten erfasst wurde,

musste nachträglich noch kalibriert werden, da die angezeigten Maximalwerte deutlich unter-

halb der 100 %-Marke lagen. Um den Versatz zu korrigieren, wurde die im Folgenden geschil-

derte Methode angewandt (Lüers, persönliche Mitteilung). Nach dieser wird die Differenz aus

der maximalen 100 %-Marke der relativen Luftfeuchtigkeit und dem Wert des Quantils be-

stimmt, in dem mehr als 99 % der Messdaten liegen. Diese Differenz wird dann zu den Werten

der originalen Messreihe addiert. Der Wert des Quantils wird durch manuelle Anpassung der

Wahrscheinlichkeit so ermittelt, dass die maximal korrigierte Luftfeuchtigkeit Werte von 103 %

nicht übersteigt und die 100 %-Linie während extrem feuchter Perioden nicht signifikant über-

steigt. Nach dieser Korrektur wurden die Zeitreihen auch durch minimale und maximale Gren-

zen der relativen Luftfeuchtigkeit auf ihre Plausibilität hin geprüft, wobei die Werte über 100 %

auf genau 100 % gesetzt wurden.

Da die Berechnung der relativen Luftfeuchtigkeit aus den gemessenen Trocken- und Feuchttem-

peraturen wesentlich zuverlässiger ist als die direkte Messung mit den HMP-Geräten, wurde be-

sonderer Wert auf die Überprüfung der Plausibilität der Feuchttemperatur gelegt. Die Messun-

gen mit Psychrometern können, aufgrund der Benetzung der Messfühler mit Wasser, ausschließ-

lich während der frostfreien Zeit erfolgen. Aus diesem Grund waren diese im Jahr 2003 nur vom

31. März bis 14. Oktober in Betrieb. Da die Benetzung mit Wasser in regelmäßigen zeitlichen

Abständen manuell durchgeführt werden muss, kann es vor allem in heißen Perioden zum soge-

nannten „Trockenlaufen“ der Psychrometer kommen. Dieser Effekt zeigt sich im zeitlichen Ver-


lauf der Messungen, sobald sich die Feuchttemperatur an die Trockentemperatur angleicht (um-

gekehrt ist es ein Zeichen für zunehmende Wassersättigung der Luft). Diese Zeiträume müssen

dann für die Berechnung der relativen Luftfeuchtigkeit verworfen werden. Außerdem wurden

Feuchttemperaturen unter 0 °C und Feuchttemperaturen, zu deren Messzeitpunkt die Trocken-

temperatur unter 5 °C fällt ebenfalls ausgeschlossen.

Die Plausibiliätskriterien für die CO2-Konzentration mussten aufgrund der Messungen mit ei-

nem Open-path-Infrarot-Gasanalysator zusätzlich zur Grenzwertkontrolle erweitert werden. Alle

Messungen während eines Niederschlags- oder Nebelereignisses (Sichtweite < 1000 m, PWD)

wurden ausgeschlossen, da das Messgerät in solchen Zeiträumen keine verlässlichen Daten lie-

fert. Um auch die Trockenzeit der Sensoren zu berücksichtigen, wurden die Messwerte 30 Minu-

ten nach einem solchen Ereignis ebenso verworfen (Ruppert et al., 2006). Zur zusätzlichen Kon-

trolle, ob all diese Ereignisse erfasst werden konnten, wurden die verbleibenden CO2-Konzen-

trationsdaten darüber hinaus mit Hilfe der Wettercode-Aufzeichnungen des PWD (Wettercode

≥ 30) überprüft. Bei der visuellen Kontrolle der absoluten Konzentrationswerte (vor allem der

Wetzstein-Daten) fielen häufig Sprünge in deren Zeitreihe auf, welche auf eine Kalibrierung des

Messgeräts hinweisen. Da diese Sprünge allerdings nicht mehr rückwirkend eliminiert werden

konnten, stellt dies die Qualität der CO2-Konzentrationen stark in Frage.

Tabelle 3-3: Plausibilitätsgrenzen aller korrigierten Messgrößen

Messabstand Parameter Untere Grenze Obere Grenze

10 M

inut

en

Relative Luftfeuchtigkeit 20 % 100 %

Trockentemperatur -30 °C 40 °C

Globalstrahlung 0 W m-2 1100 W m-2

Niederschlag 0 mm 25 mm

mittl. Windgeschwindigkeit 0 m s-1 25 m s-1

Windrichtung 0 ° 360 °

Feuchttemperatur 0 °C (oder Trocken-temperatur < 5 °C)

-

30 M

inut

en

CO2-Konzentration - 17.9 mmol m-3

Fühlbarer Wärmestrom -500 W m-2 1000 W m-2

Latenter Wärmestrom -500 W m-2 1000 W m-2

Netto-Kohlenstoffaustausch (NEE) -0.1 mmol m-2 s-1 0.1 mmol m-2 s-1


3.3.2 Lückenfüllung der meteorologischen Datensätze

Wie bereits in Kapitel 2.2.1 erwähnt, benötigt ACASA als Eingangsparameter kontinuierliche

lückenlose Halbstundenwerte verschiedener meteorologischer Parameter. Diese sind die Nieder-

schlagsmenge, die spezifische Feuchte, die mittlere Windgeschwindigkeit, die Globalstrahlung,

die Gegenstrahlung, die Lufttemperatur, der Luftdruck und die CO2-Konzentration in der Atmo-

sphäre. Die Erstellung der Zeitreihe der spezifischen Feuchte wird separat in Kapitel 3.3.3 be-

schrieben werden. Bevor die 30-Minuten-Mittel- oder -Summenwerte der anderen Parameter ge-

bildet wurden, sind die Datenlücken in der ursprünglichen 10-Minuten-Messauflösung gefüllt

worden, mit Ausnahme der Zeitreihe der CO2-Konzentration, die schon in halbstündiger Auflö-

sung vorlag. Zur Schließung der Datenlücken in den jeweiligen Zeitreihen wurden in dieser Ar-

beit je nach Größe der Datenlücke unterschiedliche Methoden angewandt.

Kleine Datenlücken mit einer Dauer von weniger als eineinhalb Stunden (maximal neun Fehl-

werte in Folge) wurden durch die einfache Methode der linearen Interpolation geschlossen. Da-

bei wurde der Mittelwert aus den Differenzen von maximal drei vorangehenden Messwerten

und maximal drei folgenden Messwerten an den Rändern der Datenlücke gebildet. Diese Diffe-

renz wurde dann gleichmäßig auf die Anzahl der zu füllenden Zeitschritte verteilt und beginnend

vom linken Rand der Lücke zum jeweiligen Mess- beziehungsweise Füllwert addiert.

Bei allen größeren Datenlücken wurde vorrangig versucht, diese mit Hilfe anderer Messungen

des gleichen meteorologischen Parameters zu füllen. Die Anpassung der alternativen Messwerte

an die des Hauptuntersuchungsstandortes erfolgte nach der Methode der linearen Regression.

Die Auswahl der alternativen Datenquellen erfolgte nach dem Prinzip, erst die Daten aus ande-

ren Messhöhen oder von anderen Messgeräten am Hauptuntersuchungsstandort zu verwenden.

Waren die Möglichkeiten dort ausgeschöpft, wurde auf Daten nahe gelegener Wetterstationen

zurückgegriffen. Die Qualität der Übereinstimmung beider Zeitreihen wurde durch das Be-

stimmtheitsmaß und eine visuelle Kontrolle mit Hilfe der grafischen Darstellung der Zeitreihe

und mit Hilfe von Scatterplots beurteilt. Durch dieses Vorgehen wurde versucht, die zeitlichen

Muster im Messsignal auch in den Lücken zu erhalten. Im Falle der CO2-Konzentration war es

allerdings notwendig, bei der Füllung der letzten Datenlücke auf einen mittleren Tagesgang zu-

rückzugreifen, der aufgrund der schlechten Datengrundlage über das ganze Jahr gebildet werden

musste.

Die Lücken in der Zeitreihe des Niederschlags wurden nicht mit Hilfe der beschriebenen Metho-

den gefüllt. Da sich die alternative Messstation in geringer Entfernung zum Hauptuntersu-


chungsstandort befand, wurden deren Messwerte unverändert in die Datenlücken eingesetzt. Die

verbleibende Datenlücke (07.11. bis 10.11.2003) konnte mit Hilfe der Auswertung der PWD-

Daten auf Null gesetzt werden, da für diesen Zeitraum der Wettercode keinen Niederschlag auf-

zeichnete.

Die Zeitreihe der Feuchttemperatur konnte aufgrund der großen Datenlücken nicht vollständig

gefüllt werden. Nach Überprüfung der Plausibilität der Messungen in 31 und 21 m Höhe konn-

ten die beiden Zeitreihen nach den beschriebenen Methoden zusammengefasst werden. Andere

alternative Messungen der Feuchttemperatur waren für den Lückenersatz nicht geeignet. Wie

der Datenmangel bei der Berechnung der spezifischen und relativen Luftfeuchtigkeit gelöst wur-

de, soll in Kapitel 3.3.3 beschrieben werden.

In Tabelle 3-4 ist die Vorgehensweise der Lückenfüllung für die einzelnen meteorologischen Pa-

rameter dargestellt. In der ersten Zeile eines Parameters (grau hinterlegt) steht die Ausgangs-

messgröße des Hauptuntersuchungsstandortes. Alle anderen Zeilen beinhalten die alternativen

Messgrößen, mit denen die Datenlücken der Ausgangsmessgröße gefüllt wurden. Dazu ist neben

dem Bestimmtheitsmaß der linearen Regression zwischen dem Ausgangsparameter und der je-

weiligen alternativen Messgröße auch die Messhöhe und der Messgerätetyp angegeben. Die An-

zahl der 10-Minutenwerte der alternativen Messgrößen bezieht sich auf die erfolgreich ersetzten

Lücken durch die Regressionsmethode. Da für jeden einzelnen Parameter die Summe der ange-

gebenen Messdaten 52560 (Anzahl der 10-Minutenwerte für 365 Tage) ergeben muss, lässt sich

aus der Differenz zwischen der errechneten Summe und dem Sollwert die Anzahl der Daten-

lücken ableiten, die insgesamt durch die Methode der linearen Interpolation gefüllt wurden.


Tabelle 3-4: Übersicht aller verwendeten Messgrößen zur Lückenfüllung der meteorologischen Parameter; die Aus-

gangsgröße des jeweiligen Parameters ist grau hinterlegt. Für jede Messgröße sind Standort, Messhöhe und die An-

zahl der jeweils verwendeten Messdaten angegeben. Zu den Messgrößen, die zur Lückenfüllung verwendet wurden,

ist zusätzlich das jeweilige Bestimmtheitsmaß (R2) der Korrelation zwischen dieser und der Ausgangsgröße angege-

ben.

Parameter Standort Messdaten(10 Min.)

R2 Höhe [m] Bemerkung

Niederschlag Pflanzgarten 51772 - 1 -

Voitsumra 281 - 1 -

- 507 - 21 Wettercode: „kein Regen“ (PWD)

spezifische Luftfeuchte

(siehe Kapitel 3.3.3)

Messturm 15633 - 31 Feuchttemperatur

Messturm 1406 1.00 21 Feuchttemperatur

Messturm/

Pflanzgarten/

Voitsumra

35517 0.98 31, 21/

2/

2

relative Luftfeuchtigkeit(HMP45a)

mittl. Windgeschwindigkeit Messturm 51968 - 32 -

Messturm 17 0.88 25 -

Messturm 27 0.85 21 -

Pflanzgarten 413 0.51 10 -

Voitsumra 61 0.37 2 -

Globalstrahlung Messturm 52005 - 30 -

Pflanzgarten 414 0.96 4 -

ÖBG Bayreuth 61 0.84 2 -

Gegenstrahlung Messturm 52009 - 30 -

ÖBG Bayreuth 475 0.84 2 -

Lufttemperatur Messturm 51984 - 31 Trockentemperatur (Psychrom.)

Messturm 22 1.00 21 Trockentemperatur (Psychrom.)

Pflanzgarten 414 0.98 2 HMP45a

Voitsumra 61 0.87 2 HMP45a

Luftdruck Pflanzgarten 51715 - 2 -

ÖBG Bayreuth 812 0.96 - -

CO2 – Konzentration(*: Σ 30-Min-Werte = 17520)

Messturm 7886* - 33 -

Wetzstein 9207* 0.52 30 -

- 155* - - Mittlerer Tagesgang (Jahr)


3.3.3 Berechnung der relativen und spezifischen Feuchte

Im Folgenden werden die einzelnen Arbeitsschritte zur Berechnung der relativen und spezifi-

schen Feuchte aufgeführt:

Als Ausgangspunkt für alle Berechnungen dienten die lückengefüllten Zeitreihen der Trocken-

temperatur und des Luftdrucks. Die benötigte Zeitreihe der Feuchttemperatur lag nur teilweise

gefüllt vor (siehe Kapitel 3.3.2).

Aus diesen Parametern wurde der Sättigungsdampfdruck ( E ) nach Magnus'scher Formel (siehe

Formel 3-1) für die Feucht- und Trockentemperaturen ( T ) sowie der Dampfdruck ( e ) nach der

Psychrometergleichung (siehe Formel 3-2) über den Luftdruck ( p ) und den Psychrometerkoef-

fizienten ( C psy ) bestimmt, aus denen sich in der Folge die relative ( rH ; siehe Formel 3-3) und

spezifische Luftfeuchtigkeit ( qa ; siehe Formel 3-4) berechnen ließ (Zmarsly et al., 2002; Fo-

ken, 2006).

E = 6.112⋅e17.62⋅T

243.12T (3-1)

e = E feucht−CPsy⋅p⋅T trocken−T feucht (3-2)

rH = eE trocken

⋅100% (3-3)

qa = 0.622⋅ep−0.378⋅e

(3-4)

Die unvollständigen Zeitreihen der relativen und spezifischen Luftfeuchtigkeit wurden dann

durch die direkten HMP-Messungen der relativen Luftfeuchtigkeit ergänzt. Diese Zeitreihe wur-

de vorab auch durch die bereits beschriebenen Methoden gefüllt, wobei hier nur auf alternative

Datenquellen zurückgegriffen wurde, die mit gleichen Messgeräten erhoben worden waren (sie-

he Tabelle 3-4). Um die spezifische Luftfeuchtigkeit aus den HMP-Messungen der relativen

Luftfeuchtigkeit zu bestimmen, musste allerdings erst der Dampfdruck nach Formel 3-3 berech-

net werden. Die Lücken in der Zeitreihe der spezifischen Luftfeuchtigkeit konnten auf Basis die -

ser Berechnungen und nach den in Kapitel 3.3.2 bereits beschriebenen Methoden letztlich ge-

füllt werden.


3.3.4 Qualitätskontrolle der Flussdaten zur Evaluierung der Modellierungen

Zur Evaluierung der mit ACASA modellierten Stoff- und Energieflüsse wurden die gemessenen

Eddy-Kovarianz-Daten der FLUXNET-Station Waldstein-Weidenbrunnen herangezogen. Mit

Hilfe dieser Methode werden die turbulenten Flüsse als Kovarianz zwischen zweier hoch fre-

quenter Zeitreihen berechnet, die gleichzeitig an einem Punkt gemessen werden. Die Messgrö-

ßen sind zum Einen die vertikale Windkomponente, die durch ein Ultraschallanemometer erfasst

wird, und zum Anderen eine beliebige skalare Größe, wie zum Beispiel die Kohlenstoffdioxid-

konzentration, die mit Hilfe eines Open-path-Gasanalysators (LI-7500, LI-COR Inc., Lincoln,

NE, USA) bestimmt wird. Im Jahr 2003 waren zwei Ultraschallanemometer unterschiedlichen

Typs im Einsatz (R2 bis 19. Mai 2003, danach R3-50, Gill Instruments Ltd., Lymington, UK;

Ruppert et al., 2006; Thomas und Foken, 2007a), was auf die erhobenen Messwerte allerdings

keinen signifikanten Einfluss hatte. Darauf konnte aufgrund einer früher durchgeführten Studie

zum Vergleich verschiedener Messgerätetypen, die die unterschiedliche Geometrie der Sensoren

berücksichtigte, geschlossen werden (Mauder et al., 2007).

Die Herleitung der mathematischen Berechnungen der turbulenten Flüsse beruht auf einer Reihe

von Abschätzungen und Vereinfachungen, so dass diese Methode nur bei Erfüllung folgender

Bedingungen korrekt anwendbar ist. Besonders wichtig ist, dass die gemessenen Flüsse einer

horizontal homogenen Unterlage zugeordnet werden können und dabei stationäre Bedingungen

vorliegen. Da dies bei experimentellen Untersuchungen aber nicht immer exakt der Fall ist, wer-

den auf die gemessenen Rohdaten der turbulenten Flüsse verschiedene Korrekturverfahren und

Methoden zur Qualitätssicherung angewandt (Foken, 2006). Dazu wurde das umfangreiche

TK2-Software-Paket verwendet, das an der Universität Bayreuth entwickelt wurde (Mauder und

Foken, 2004). Je nach Qualitätskriterium werden den Messwerten sogenannte „quality flags“ zu-

geordnet, die die Güte jeder einzelnen Messung beschreiben, wobei der „quality flag“ 1 für die

beste und der „quality flag“ 9 für die schlechteste Güte steht. Die Bewertung der Qualität erfolgt

nach einer überarbeiteten Version von Foken et al. (2004). Anhand der „quality flags“ wurden

die Flussdaten für das Jahr 2003 gefiltert. Für die Evaluierung der modellierten Flüsse wurden

nur Flussdaten verwendet, deren „quality flag“ kleiner gleich 6 war. Für das Jahr 2003 konnten

die Eddy-Kovarianz-Daten aufgrund schlechter Datenqualität erst ab dem 10. April mit der

TK2-Software ausgewertet werden. Der Grund hierfür war der lang anhaltende Winter, der

wahrscheinlich die Sensoren der Messgeräte vereist hatte, wie in Abbildung 4-6 anhand der ge-

messenen Schneehöhen und der Tagesmitteltemperaturen zu vermuten ist.


Wie bereits in Kapitel 3.3.1 zur Plausibiliätsüberprüfung der CO2-Konzentration beschrieben,

mussten alle Flussdaten wegen des verwendeten Open-path-Infrarot-Gasanalysators zusätzlich

durch die dort aufgeführten Kriterien gefiltert werden.

Eine weitere Einteilung der gefilterten Flussdaten erfolgte nach den Stabilitätseigenschaften der

Atmosphäre. Die verschiedenen Klassen und die verwendeten Grenzen sind in Tabelle 3-5 nach

Foken (1991) dargestellt.

Tabelle 3-5: Grenzen der Stabilitätsklassen nach Foken (1991)

z-less stabil neutral labil freie Konvektion

z L-1 [-] >1 0.125 bis 1 -0.0625 bis 0.125 -1 bis -0.625 < -1

Eine Fehlerabschätzung der mit der Eddy-Kovarianz-Methode gewonnenen Flusswerte ist auf-

grund der komplexen Berechnungen nicht möglich (Foken, 2006). Mauder et al. (2006) bietet

aber eine auf Geräte- und Softwarevergleiche gestützte grobe Abschätzung der Messgenauigkeit

in Abhängigkeit vom Typ des Ultraschallanemometers und von der Datenqualität (siehe Tabelle

3-6). Das im Jahr 2003 verwendete Ultraschallanemometer ist nach Mauder et al. (2006) dem

Typ B zuzuordnen. Die angegebenen Fehler sind bei der Beurteilung der Qualität der Modellie-

rung mit einzubeziehen.

Tabelle 3-6: Messgenauigkeit der turbulenten Flüsse in Abhängigkeit von der Datenqualität und vom Typ des Ultra-

schallanemometers (Mauder et al., 2006)

Ultraschallanemometer Klasse der Datenqualität Fühlbarer Wärmestrom Latenter Wärmestrom

Type A,

z.B. CSAT3

1-3 5% oder 10 W m-2 10% oder 20 W m-2

4-6 10% oder 20 W m-2 15% oder 30 W m-2

Type B,

z.B. USA-1

1-3 10% oder 20 W m-2 15% oder 30 W m-2

4-6 15% oder 30 W m-2 20% oder 40 W m-2


3.3.5 Parametrisierung des Bodenwärmestroms

Bei der Betrachtung der Energieflüsse und vor allem der Energiebilanz ist der Bodenwärme-

strom eine mikrometeorologisch relevante Größe, weshalb er auch in dieser Arbeit mit den mo-

dellierten Werten verglichen wird. Zur Bestimmung des Bodenwärmestroms sind in Liebethal

und Foken (2007) verschiedene Methoden auf ihre Anwendbarkeit hin bewertet. Um Fehler bei

der Parametrisierung zu vermeiden, wird in Foken (2006) empfohlen, den Bodenwärmestrom

sowohl durch Temperaturgradienten als auch durch Messungen mittels Bodenwärmestromplat-

ten zu bestimmen. Beide Methoden sind in ihrer Qualität in etwa vergleichbar (Liebethal et al.,

2005).

Aufgrund der Datengrundlage im Jahr 2003 konnte allerdings nur die Temperaturgradient-Me-

thode angewandt werden. Die Messungen der Bodenwärmestromplatten waren qualitativ für

eine Auswertung des Bodenwärmestroms nicht zu verwenden, da die Platten nicht mehr richtig

im Boden platziert und kalibriert waren (Lüers, persönliche Mitteilung). Anhand von Profilmes-

sungen der Bodentemperatur und der Bodenfeuchte (siehe Tabelle 3-2) wurde der Bodenwärme-

strom an der Erdoberfläche ( G0 ) mit der „GradCal“-Methode nach Liebethal et al. (2005) be-

rechnet. Dazu wurde der Bodenwärmestrom anhand von Temperaturgradienten in einer Refe-

renztiefe ( z r ) von 0.10 m ermittelt, wie es für Waldstandorte ausreichend ist (Liebethal et al.,

2005). Zusätzlich wurde die Änderung der Wärmespeicherung des Bodens in der darüber liegen-

den Bodenschicht ( ∂ S /∂ t ) bestimmt.

G0 = G zr ∂ S∂ t

= −s

∂T g

∂ z∫

0

zr

cv

∂T g

∂ t∂ z (3-5)

Für die Berechnung des Bodenwärmestroms in der Referenztiefe wird neben den Bodentempe-

raturen ( T g ) in unterschiedlichen Tiefen ( z ) auch die Bodenwärmeleitfähigkeit ( s ) benötigt.

Die Integration des Speicherterms erfolgt nach der zeitlichen Änderung ( ∂/∂ t ) der Bodentem-

peratur über die Bodentiefe. Dabei wird der molekulare Wärmeleitungskoeffizient ( cv ) berück-

sichtigt, der sich nach DeVries (1963) aus dem mineralischen ( f m ) und organischen ( f o ) An-

teil des Bodens und dessen volumetrischen Wassergehalt ( ) errechnen lässt.

cv = 1.90⋅106⋅ f m 2.48⋅106⋅ f o 4.12⋅106⋅ J m−3 K−1 (3-6)

Für den Standort Waldstein-Weidenbrunnen wurde ein mineralischer Anteil von 10 % und ein

organischer Anteil von 15 % angenommen, der aus Stechzylindermessungen von Anika Bargs-

ten (30. Juni 2008) abgeleitet wurde. Da die Zeitreihe des volumetrischen Wassergehalts große


Lücken aufweist und nicht rekonstruierbar war (Lischeid, persönliche Mitteilung), wurde, paral-

lel zur Parametrisierung mit den Messwerten, der Bodenwärmestrom auch mit den Grenzwerten

von 0 % und 40 % des volumetrischen Wassergehalts durchgeführt. Als Anhaltspunkt für die

Festlegung der Grenzen diente eine grobe Abschätzung der Tageswerte des Bodenwärmestroms

durch die Annahme, dass dieser am Waldstein-Weidenbrunnen etwa 5 % der Strahlungsbilanz

ausmache (Liebethal, persönliche Mitteilung). Die Abhängigkeit der Bodenwärmeleitfähigkeit

vom volumetrischen Wassergehalt konnte aufgrund der schlechten Datengrundlage nicht berück-

sichtigt werden, weshalb für ihn ein konstanter Wert von 0.60 Wm-1K-1 angenommen wurde, wie

er auch für die Abschätzung des Bodenwärmestroms bereits verwendet wurde (Liebethal, per-

sönliche Mitteilung). Dieser Wert stimmt mit Angaben in der Literatur überein (Foken, 2006).

So liegt er zwischen den Werten für trockenen Sand (0.30 Wm-1K-1) und sandigen Lehm

(0.92 Wm-1K-1), mit denen die Bodeneigenschaften am Standort gut umrissen werden können

(siehe Kapitel 3.1).

3.3.6 Lückenersatz des Netto-Kohlenstoffaustauschs (NEE)

Für die Evaluierung prozessorientierter Modellierungen und die Kohlenstoffbilanzierung eines

Ökosystems ist die Analyse von Tages- oder Jahressummen von großem Interesse. Dazu sind al-

lerdings lückenlose Zeitreihen die Grundvoraussetzung. Verschiedene Strategien und deren Be-

wertungen zum Gap-Filling von NEE-Zeitreihen sind zahlreich in der Literatur zu finden (Falge

et al., 2001b; Rebmann, 2004; Ruppert et al., 2006; Moffat et al., 2007).

Die durch die Eddy-Kovarianz-Methode gemessenen Netto-Kohlenstoffflüsse (NEE) für das

Jahr 2003 wurden, wie in Kapitel 3.3.4 beschrieben, gefiltert. Die Lücken in der korrigierten

Zeitreihe wurden durch bereits modellierte Daten gefüllt (Lüers, persönliche Mitteilung). Das

dafür verwendete Verfahren zur Bestimmung des NEE (Ruppert et al., 2006) beruht auf der

Funktion von Michaelis Menton (siehe Formel 3-7) für die Kohlenstoffaufnahme am Tag und

der Lloyd-Taylor-Funktion (siehe Formel 3-8) für die nächtlichen Respirationsflüsse.

FC ,day =a K FC ,sat

a K F C ,sat

F R ,day (3-7)

FC ,day entspricht dem Netto-Kohlenstoffaustausch (NEE) am Tag, K ist die Globalstrahlung,

FC ,sat ist die NEE-Rate bei Lichtsättigung und a ist die initiale Steigung der Funktion. Die

Ökosystemrespiration am Tag F R ,day wird durch den y-Achsenschnitt der Funktion repräsen-

tiert (Michaelis und Menton, 1913; Hollinger et al., 1994; Rebmann, 2004). Zur Parametrisie-


rung der NEE-Werte sind zusätzlich Lufttemperatur- und Globalstrahlungsdaten nötig. Anhand

dieser Werte werden die gemessenen NEE-Daten in bestimmte Temperaturklassen eingeteilt und

mit deren Hilfe für jede Klasse eine individuelle lichtabhängige Michaelis-Menton-Funktion be-

stimmt. Die Lloyd-Taylor-Funktion (siehe Formel 3-8) ist bereits nach ihrer Definition tempera-

turabhängig, wodurch die Aufteilung der Daten in Temperaturklassen für deren Anwendung hin-

fällig ist (Ruppert et al., 2006). F R ,eco entspricht dem Respirationsfluss im Ökosystem. Die Pa-

rameter für die Respirationsrate bei 10 °C ( F R ,10 ) und E0 , der die Temperaturabhängigheit des

Respirationsflusses beschreibt, werden anhand der gemessenen Nachtwerte des NEE bestimmt,

während für die Temperatur T 0 , bei der die Respirationsreaktionen aktiviert werden, ein kon-

stanter Wert von 227.13 K angenommen wird (Lloyd und Taylor, 1994; Rebmann, 2004).

F R ,eco = F R ,10 eE0 [1 /283.15−T 0−1 /T−T 0] (3-8)

Ausgehend von der Lloyd-Taylor-Funktion lässt sich das Vorgehen wie folgt kurz skizzieren:

Unter der Annahme, dass die Nachtwerte des Netto-Kohlenstoffaustauschs nur durch Respirati-

on geprägt sind, da für die Photosynthese die nötige Strahlungsenergie fehlt, können diese mit

Hilfe der Lloyd-Taylor-Funktion rekonstruiert werden. Die Optimierung der Parameter dieser

Gleichung erfolgt über die bestmögliche Anpassung der parametrisierten und gemessenen

Nachtwerte des Respirationsflusses. Anhand der parametrisierten Gleichung und der Tempera-

turdaten lässt sich folglich der Anteil des Respirationsflusses am Kohlenstoffaustausch während

des Tages bestimmen. Mit Hilfe der ermittelten Tageswerte der Respiration kann nun auch die

Michaelis-Menton-Funktion für die einzelnen Temperaturklassen mittels einer Regressionsana-

lyse richtig parametrisiert werden. Durch die jeweiligen Gleichungen können dann die fehlen-

den Tageswerte des Netto-Kohlenstoffaustauschs (NEE) nach der vorherrschenden Temperatur

ermittelt werden. Der Anteil der Assimilation an der Kohlenstoffbilanz lässt sich in der Folge

per Definition aus Kapitel 2.1.3 (Formel 2-4) als GPP = NEE − TER aus den Zeitreihen des

NEE und der Respiration berechnen (Rebmann, 2004).


3.4 Konfiguration von ACASA für den Standort Waldstein-Weidenbrunnen

In Kapitel 1 wurde bereits eingangs erwähnt, dass das ACASA-Modell für den Standort Wald-

stein-Weidenbrunnen schon angewandt und anhand von Studien über kurze Zeiträume evaluiert

wurde. Dabei wurden bereits Änderungen im Modellcode vorgenommen, die in Kapitel 3.4.1

kurz erläutert werden. In den folgenden Unterpunkten werden die standortspezifischen Parame-

ter genannt, mit denen das Modell konfiguriert wurde und Hinweise zu den Eingangsparametern

gegeben (siehe Kapitel 3.4.2). Außerdem wird in Kapitel 3.4.3 auf die Optimierung der Ein-

gangsdaten der Windgeschwindigkeit eingegangen, mit denen ACASA die Simulationen durch-

führt.

3.4.1 Veränderungen des Modellcodes

Im Zuge einer umfangreichen Sensitivitätsanalyse (Staudt et al., 2010a) wurden speziell für den

Standort Waldstein-Weidenbrunnen folgende Teile des ACASA-Programmcodes angepasst:

Die Veränderungen betrafen zum Einen die Berechnungen zur Photosynthese in der Subroutine

„photos“ des ACASA-Programmcodes. Hier wurde festgestellt, dass die maximale katalytische

Aktivität von Rubisco bei CO2- und RuBP-Sättigung (Ribulose-Bisphosphat), für Temperatur-

werte unter 10 °C unrealistisch große Werte annahm. Da am Untersuchungsstandort aber auch

häufig wesentlich niedrigere Temperaturen auftreten, wurde die ursprünglich implementierte Po-

lynomfunktion (welche die Temperaturabhängigkeit des Parameters beschreibt, aber lediglich

für einen Temperaturbereich von 15 bis 32 °C entwickelt worden war) durch eine besser geeig-

nete Funktion aus dem SVAT-CN-Modell (Falge et al., 2005) ersetzt.

Zum Anderen wurde bei den Berechnungen zur Bodenrespiration ein Faktor deaktiviert, der ei-

gentlich dafür vorgesehen war, die Respirationsrate des Bodens zu dämpfen, sobald der Gehalt

der Bodenfeuchtigkeit unterhalb des Welkepunkts des Bodens fällt. Stattdessen sorgte dieser

aber während feuchter Perioden für ungewöhnlich hohe Respirationsraten, wovon auch schon in

Isaac et al. (2007) berichtet wurde.

3.4.2 Wahl der Eingangsparameter

Wie bereits in Kapitel 2.2.1 kurz erwähnt, benötigt ACASA verschiedene Eingangsparameter.

Diese lassen sich wie folgt strukturieren: meteorologische Halbstundenwerte, morphologische

Parameter, sowie initiale Profile für Bodentemperatur und Bodenfeuchtigkeit. Optional kann


auch noch ein individuelles LAI-Profil in ACASA eingelesen werden, das die Struktur des Kro-

nenraums der Vegetation beschreibt. Dafür wurde in dieser Arbeit eine an ein gemessenes Profil

angepasste Kurve verwendet (siehe Abbildung 3-3). Andernfalls wäre es möglich gewesen, das

LAI-Profil von sechs vordefinierten unterschiedlichen Waldtypen zu verwenden.

Die Erstellung der meteorologischen Halbstundenwerte wurden in Kapitel 3.3.1, 3.3.2 und 3.3.3

bereits ausführlich behandelt. Die Zeitreihen der Niederschlagsmenge, der spezifischen Feuchte,

der mittleren Windgeschwindigkeit, der Globalstrahlung, der Gegenstrahlung, der Lufttempera-

tur, des Luftdrucks und der CO2-Konzentration in der Atmosphäre müssen immer vollständig

und lückenlos angegeben werden. Hierauf ist strikt zu achten, da sonst die numerischen Berech-

nungen fehlschlagen und der Modellierungsvorgang abgebrochen wird. Theoretisch sollen diese

Daten auch in doppelter Bestandeshöhe gemessen sein, da sie die Randbedingungen an der obe-

ren Modellgrenze darstellen und so die Berechnungen der in ACASA implementierten Glei-

chungssysteme steuern. Alle Parameter wurden aber in niedrigeren Höhen gemessen, was in die-

ser Arbeit nicht weiter berücksichtigt werden konnte. Lediglich für die mittlere Windgeschwin-

digkeit wurde versucht, dieser Diskrepanz durch einen einfachen Ansatz gerecht zu werden (sie-

he Kapitel 3.4.3).

Unter dem Oberbegriff „morphologische Parameter“ sind standortspezifische, biophysikalische

und pflanzenphysiologische Informationen zusammengefasst. In Tabelle 3-7 sind alle Werte der

Parameter für die im Ergebnisteil präsentierten Modellierungen angegebenen. Deren Konfigura-

tion ist weitgehend mit den Referenzparametern aus Staudt et al. (2010a) identisch und wurde

nur teilweise durch Werte aus dem Jahr 2003 für diese Modellierung verbessert, sofern diese

vorhanden waren. Alle Größen sind dort bereits in der für ACASA notwendigen Form umge-

rechnet dargestellt. Die Parameter zur Simulation der Photosynthese (unterer Teil der Tabelle)

müssen direkt im Programmcode in der Subroutine „photos“ geändert werden. Alle anderen

(oberer Teil der Tabelle) werden in ein separat angelegtes Inputfile eingetragen. Soweit wie

möglich wurden hierfür Messwerte verwendet, andernfalls musste auf Literaturangaben zurück-

gegriffen werden.

Nach den ersten Modellläufen wurden bereits Defizite in den Ergebnissen sichtbar, die durch

Korrekturen der Eingangsparameter verbessert werden konnten. Zum Beispiel konnte durch die

Wahl des Parameters für den Reflexionsgrad der Blätter im nahen Infrarot (pr0) mit einem Wert

von 0.15 (entsprechend der Sensitivitätsanalysen in Staudt et al. (2010a)) – im Vergleich zu den

Ergebnissen der Modellierung mit dem Literaturwert von 0.28 (Huang et al., 2007) – eine Ver-

besserung der Korrelation zwischen simulierter und gemessener kurzwelliger Strahlungsbilanz


erzielt werden (Ergebnis nicht dargestellt). Durch die Änderung des Parameters ergab sich so

vor allem im Bereich hoher Strahlungsdichten (> 500 Wm-2) für die simulierte Reflexstrahlung

eine bessere Übereinstimmung mit den Messwerten. Die langwellige Strahlungsbilanz ist von

dieser Änderung nicht betroffen, da ACASA für diese Strahlungskomponenten die Streuung im

Bestand vernachlässigt (siehe Kapitel 2.2.2). Außerdem musste die basale Respirationsrate der

Wurzeln und Mikroben (r0r und r0m) reduziert werden, da deren Anteil an der Kohlenstofffrei-

setzung überproportional hoch erschien und dadurch keine plausiblen Ergebnisse für den Netto-

Kohlenstoffaustausch simuliert werden konnten (siehe dazu auch Kapitel 5). Der Grad der Än-

derung der Parameter wurde frei nach Erfahrungswerten gewählt, ohne das Ziel einer bestmögli-

chen Übereinstimmung.

Die initialen Profile der Bodentemperatur und der Bodenfeuchte scheinen in dieser Version von

ACASA relativ willkürlich angegeben werden zu können. Lediglich die Wahl der Temperatur

am unteren Modellrand beeinflusst die simulierten Bodentemperaturen signifikant, da sie über

den gesamten Modellierungszeitraum konstant gehalten wird (siehe dazu auch Kapitel 4.2.2).

Die Modellentwickler empfehlen hier, die Jahresmitteltemperatur zu wählen (Pyles, 2010). Für

das Jahr 2003 wurde ein Wert von 5.3 °C eingetragen. Das Profil der Bodenfeuchtigkeit wurde

mit einem volumetrischen Wassergehalt von 30 % initial festgelegt. Die Verteilung eines einzi-

gen Wertes über das jeweilige initiale Bodenprofil hatte im Vergleich zur Variation der Werte im

Profil keinen entscheidenden Einfluss auf die modellierten Ergebnisse der Bodentemperaturen

und Bodenfeuchtigkeit (Ergebnisse nicht dargestellt). Anhand der Tests zeigte sich auch, dass

die Angabe der Modellentwickler zur Einlaufzeit des Modells von etwa fünf Stunden (Pyles,

persönliche Mitteilung), zumindest für die Werte des Bodenmoduls, als zu kurz bemessen er-

scheint. Während des ersten Tages waren im Profil der Bodentemperaturen nämlich deutlich ty-

pische Einlaufmuster zu erkennen (Ergebnis nicht dargestellt).

3.4.3 Anpassung der Windgeschwindigkeit

In einem Waldökosystem ist das Windprofil stark durch die Vegetation geprägt, da durch den

Reibungseinfluss des Waldes die Windgeschwindigkeit stark gedämpft wird. Oberhalb der Be-

standesobergrenze kommt es zu einer schnellen logarithmischen Zunahme der Windgeschwin-

digkeit mit zunehmender Höhe und abnehmendem Einfluss der Vegetation (Zmarsly et al., 2002;

Foken, 2006).


Tabelle 3-7: Eingangsparameter für das ACASA Modell (angepasst und bearbeitet nach Staudt et al. (2010a))

Parame-ter

Definition Einheit Referenz

lai Blattflächenindex (einseitig) 5.2 [m2 m-2] Thomas und Foken, 2007b

hc Bestandeshöhe 19 [m] Thomas und Foken, 2007b

isoi3 Bodentyp 3 [-] Gerstberger et al., 2004

r0l basale Respirationsrate d. Blätter bei 0 °C

0.085 [µmol m-2 s-1]* Falge et al., 1996

r0s basale Respirationsrate d. Stämme bei 0 °C

0.85 [µmol m-2 s-1]* Acosta et al., 2008

r0r basale Respirationsrate d. Wurzeln bei 0 °C

0.94/10 [µmol m-2 s-1]* Buchmann, 2000; Matteucci et al., 2000; Subke et al., 2003; Janssens et al., 2003; Borken et al., 2002

r0m basale Respirationsrate d. Mikroben bei 0 °C

0.94/10 [µmol m-2 s-1]* Buchmann, 2000; Matteucci et al., 2000; Subke et al., 2003; Janssens et al., 2003; Borken et al., 2002

q10l Q10 für Blätter 2.2 [-] Falge et al., 1996

q10s Q10 für Stämme 2.25 [-] Acosta et al., 2008

q10r Q10 für Wurzeln 2.57 [-] Buchmann, 2000; Matteucci et al., 2000; Subke et al., 2003; Janssens et al., 2003; Borken et al., 2002

q10m Q10 für Mikroben 2.57 [-] Buchmann, 2000; Matteucci et al., 2000; Subke et al., 2003; Janssens et al., 2003; Borken et al., 2002

pr0 Reflexionsgrad d. Blätter (nahes Infrarot)

0.15 [-] Staudt et al., 2010a

tr0 Transmissionsgrad d. Blätter (nahes Infrarot)

0.11 [-] Huang et al., 2007

pv0 Reflexionsgrad d. Blätter (sichtbarer Bereich)

0.07 [-] Huang et al., 2007

tv0 Transmissionsgrad d. Blätter (sichtbarer Bereich)

0.03 [-] Huang et al., 2007

drx Koeffizient der Blattreibung 0.15 [-] Meyers und Paw U, 1986; Massman und Weil, 1999

xldiam mittlerer Blattdurchmesser 0.015 [m] Messungen

vcmax25 maximale Rate der Carboxy-lierung bei 25°C

50.6 [µmol m-2 s-1] Falge et al., 1996

eavc Aktivierungsenergie ΔHa 75750 [J mol-1] Falge et al., 1996

dsvc Entropieterm ΔS 656 [J K-1 mol-1] Falge et al., 1996

jmax25 potentielle Rate des Elektro-nentransports bei 25 °C

152 [µmol m-2 s-1] Falge et al., 1996

sjmax Entropieterm ΔS 643 [J K-1 mol-1] Falge et al., 1996

ejmax Aktivierungsenergie ΔHa 47170 [J mol-1] Falge et al., 1996

theta0 Faktor der Krümmung 0.85 [-] Falge et al., 1996

iqe Effizienz der Quanten 0.17 [-] Falge et al., 1996

cb Achsenabschnitt der Ball-Berry Gleichung

0.001 [mol m-2 s-1] Falge et al., 1996

cm Steigung der Ball-Berry Gleichung

9.8 [-] Falge et al., 1996

* pro m-2 Oberfläche


In ACASA ist die Windgeschwindigkeit eine steuernde Eingangsgröße, die nach vorgegebener

Modellstruktur in doppelter Bestandeshöhe vorliegen sollte. Da diese im Jahr 2003 nur in einer

maximalen Höhe von 32 m (entspricht ungefähr 84 % bei einer Bestandeshöhe von 19 m) an-

stelle der geforderten 38 m gemessen wurde und zu erwarten ist, dass sich die Windgeschwin-

digkeiten in den unterschiedlichen Höhen signifikant unterscheiden, wurde eine grobe Anpas-

sung der Messwerte an die Voraussetzungen von ACASA angestrebt. Dazu wurden im Modell-

code, direkt beim Einlesen der Windgeschwindigkeiten aus dem Inputfile, ein Korrekturfaktor

eingefügt. In Abbildung 3-5 sind die Gütemaße RMSE und MAE für die einzelnen Modellläufe

dargestellt, in welchen nur der Korrekturfaktor variiert wurde. Für einen Wert von 1.20 zeigen

die modellierten Windgeschwindigkeiten in 32 m Höhe über das ganze Jahr 2003 betrachtet die

geringsten Abweichungen zu den Messwerten aus gleicher Höhe. Deshalb wurde dieser Faktor

für alle weiteren Modellierungen fest in den ACASA-Modellcode integriert. Des Weiteren zeigt

das Ergebnis dieses Tests die enorme Sensitivität der Windgeschwindigkeit in den einzelnen

Modellläufen, was für diese Korrekturmethode spricht. Der Korrekturfaktor bewirkte jedoch

keine signifikanten Änderungen der zu untersuchenden Kohlenstoff- und Energieflüsse (Ergeb-

nisse nicht dargestellt). Detailliertere Untersuchungen dazu und zu den Auswirkungen des Kor-

rekturfaktors auf andere modellierte Größen wurden in dieser Arbeit nicht durchgeführt.

Abbildung 3-5: Einfluss eines Korrekturfaktors auf die Differenz zwischen modellierter und gemessener Windge-

schwindigkeit in 32 m Höhe für das Jahr 2003

ERGEBNISSE UND DISKUSSION 42

4 ERGEBNISSE UND DISKUSSION

In diesem Kapitel werden die Ergebnisse der Kohlenstoff- und Energieaustausch-Modellierung

mit ACASA für das Jahr 2003 präsentiert. Der Energieaustausch wird durch die Strahlungsströ-

me, den fühlbaren und latenten Wärmestrom sowie durch den Bodenwärmestrom beschrieben

(siehe Kapitel 2.1.1). Der Austausch von Kohlenstoff zwischen der Vegetation und der Atmo-

sphäre ist durch die Größe des Netto-Kohlenstoffaustauschs definiert (siehe Kapitel 2.1.3). So-

fern nicht anders angegeben, repräsentieren die im Folgenden dargestellten Modellierungsergeb-

nisse einen einzigen Modelllauf mit den in Kapitel 3.4 beschriebenen Eingangsgrößen und An-

passungen des Modellcodes für den Standort Waldstein-Weidenbrunnen. Die modellierten Er-

gebnisse werden mit Eddy-Kovarianz-Messwerten verglichen und die Qualität der Modellierung

anhand der in Kapitel 2.3 beschriebenen Gütemaße beurteilt. Hierzu werden in allen Abbildun-

gen nur die modellierten Ergebnisse dargestellt, zu denen ein entsprechender Messwert vorliegt,

andernfalls wird explizit darauf hingewiesen. Die Vergleichbarkeit der simulierten und gemesse-

nen Flüsse ist durch eine in etwa gleiche Größe des Footprints am Standort Waldstein-Weiden-

brunnen (2.5x105 bis 1.7x106 m²; Goeckede et al., 2006) und der ACASA zugrunde gelegten

Fläche des Einzugsbereichs (104 bis 107 m2; siehe Kapitel 2.2.1) gewährleistet. Die Evaluierung

der Modellperformance findet in unterschiedlichen zeitlichen Auflösungen statt, angefangen von

der Betrachtung der Halbstundenwerte in synoptischen Ausschnitten des Jahres 2003 oder zu-

sammengefasst zu mittleren Tagesgängen bis hin zu Monats- und Jahresmittelwerten. Zur ge-

naueren Analyse der Güte der Modellierung werden die Daten entsprechend der Sonnenauf-

gangs- und Sonnenuntergangszeiten in Tages- und Nachtwerte unterteilt, wobei die Daten 30

Minuten nach Sonnenaufgang und 30 Minuten vor Sonnenuntergang zu den Nachtwerten ge-

zählt werden. Um die Übersichtlichkeit zu wahren, folgt die Interpretation und Diskussion der

Ergebnisse direkt auf deren Präsentation. Neben den Modellierungsergebnissen werden zuvor in

Kapitel 4.1 die meteorologischen Bedingungen im Jahr 2003 dargestellt und analysiert.


4.1 Meteorologische Bedingungen im Jahr 2003

In den folgenden Unterpunkten dieses Kapitelabschnitts werden die einzelnen Klimaelemente

Lufttemperatur, Globalstrahlung, Niederschlag und relative Luftfeuchtigkeit genauer beleuchtet.

Dabei werden die Witterungsverhältnisse im Jahr 2003 für den Standort Waldstein-Weidenbrun-

nen dargestellt und im Verhältnis zu den Werten der Klimaperioden 1961-1990 und 1971-2000

aus Foken (2003) oder zum Mittelwert der Strahlungssummen aus Rebmann et al. (2004) beur-

teilt. Die im Folgenden dargestellten Abweichungen wurden als Differenz aus den Monats- und

Jahresmittelwerten für 2003 und den entsprechenden Langzeitmittelwerten berechnet. Die ein-

zelnen Monats- und Jahresmittel sowie hochaufgelöste Informationen (Halbstundenwerte in

Hovmoller-Grafiken) zum Jahresverlauf der angesprochenen Klimaelemente sind in Anhang A

und B zu finden.

4.1.1 Lufttemperatur

Im Vergleich zu anderen Standorten in der Umgebung liegt der Untersuchungsstandort Wald-

stein-Weidenbrunnen generell in einer eher kälteren Region. Beispielsweise liegen die monatli-

chen Durchschnittstemperaturen in der Regel ungefähr 3 °C unter denen des ÖBG Bayreuth.

Aufgrund der kalten Luftmassen aus östlicher Richtung, die das Waldsteingebiet hauptsächlich

im Winter erreichen, ist die Temperaturdifferenz zwischen den beiden Standorten während die-

ser Zeit oft sogar noch größer (Foken, 2003).

Dennoch zeigt sich in den Monatsmittelwerten der Lufttemperatur für das Jahr 2003 der Einfluss

der Hitzewelle, die über Europa lag, sehr deutlich (siehe Abbildung 4-1). So lagen im Wald-

steingebiet die monatlichen Durchschnittstemperaturen im Juni und August ungefähr +5 °C über

den Langzeitmittelwerten. Ähnlich hohe Temperaturabweichungen wurden in diesen Monaten

auch über weiten Teilen Europas registriert, mit Spitzenwerten von bis zu +6 °C im Osten

Frankreichs, im Westen der Schweiz und im Südwesten Deutschlands (Deutscher Wetterdienst,

2004; Rebetez et al., 2006). In diesen Gebieten und am Untersuchungsstandort waren die Luft-

temperaturen im Juli, im Vergleich zu den Monaten Juni und August, nicht so extrem. Im Allge-

meinen aber waren am Waldstein-Weidenbrunnen bereits ab März 2003 erhöhte durchschnittli-

che Lufttemperaturen zu verzeichnen. So lagen die monatlichen Durchschnittstemperaturen für

den Zeitraum von März bis September um meist mehr als +1 °C über den Langzeitmittelwerten.

Selbst im November waren die Temperaturen noch deutlich erhöht. Die lange Phase der durch-

schnittlich höheren Lufttemperaturen wurde nur im Oktober unterbrochen, was in diesem Monat


auf die im Vergleich zu den anderen Monaten überdurchschnittliche Niederschlagsmenge (siehe

Kapitel 4.1.3) zurückzuführen ist und folglich für eine höhere Luftfeuchtigkeit (siehe Kapitel

4.1.4) sorgte. Betrachtet man die jährliche Temperaturabweichung von den Langzeitmittelwer-

ten, so schwächen sich die Abweichungen der einzelnen Monate mit extrem hohen Temperatu-

ren in der Gesamtbilanz ab, welche aber dennoch Werte von +1.4 bis +1.7 °C für das Jahr 2003

annimmt und damit dem deutschlandweiten Mittel von +1.4 °C entspricht (Deutscher Wetter-

dienst, 2004).

4.1.2 Globalstrahlung

Die Monatssummen der Globalstrahlung für das Jahr 2003 werden mit den Mittelwerten der ent-

sprechenden Summenwerte aus Rebmann et al. (2004) für die Jahre 1997-2002 verglichen, da

für diese Größe keine Langzeitmittelwerte vorlagen (siehe Abbildung 4-2 und Tabelle A-2). Die

einzelnen Werte zeigen die Energiedichte der Sonnenstrahlung an, die dem Ökosystem am

Waldstein-Weidenbrunnen, abhängig vom Bewölkungsgrad, zur Verfügung stand. Um diese Ab-

hängigkeit mit zu berücksichtigen, sind in Abbildung 4-3 die Tagesmittelwerte der Globalstrah-

lung normiert auf die astronomisch maximal mögliche Sonnenscheindauer (Sd0; berechnet nach

Foken, 2006) dargestellt.

Abbildung 4-1: Abweichung der Lufttemperatur [°C] am Waldstein-Weidenbrunnen, berechnet als Differenz aus

den Monatsmittelwerten für das Jahr 2003 und den entsprechenden Langzeitmittelwerten aus Foken (2003)


In beiden Abbildungen zeigt sich, dass bereits die Monate Februar, März und April eine sehr

hohe Globalstrahlung aufweisen, vor allem im Vergleich zum Mittelwert der vorherigen Jahre.

Auch in den Sommermonaten Juni und August waren die Monatssummen der kurzwelligen Ein-

strahlung überdurchschnittlich hoch, was im Einklang mit den Monatsmitteln der Lufttempera-

tur steht. Die Monate Mai und Juli ordnen sich hingegen, von den Globalstrahlungswerten her,

eher zum Mittelwert der Vorjahre ein. In Abbildung 4-3 sind die dafür verantwortlichen Phasen

gut zu erkennen, in denen die auf die potentielle Sonnenscheindauer normierten Tagesmittel der

Globalstrahlung aufgrund von Bewölkung einbrechen. In diesen Monaten fiel auch die Abwei-

chung der relativen Luftfeuchtigkeit (siehe Kapitel 4.1.4) wesentlich geringer aus, was für die

erhöhte Bewölkung und Niederschlagsmengen (siehe Kapitel 4.1.3) spricht. Über das ganze Jahr

gesehen lagen die Monatssummen der Globalstrahlung im Waldsteingebiet auf einem sehr ho-

hen Niveau. In der Jahressumme führt dies, im Vergleich zu den Vorjahren (durchschnittlich

3574 MJm-2), zu einem außerordentlich hohen Wert von 4317 MJm-2 (siehe Tabelle A-2), der un-

terstreicht, dass im Jahr 2003 besondere Witterungsbedingungen geherrscht haben.

Abbildung 4-2: Monatssummen der Globalstrahlung [MJm-2] am Waldstein-Weidenbrunnen für das Jahr 2003 und

den Mittelwert der Jahre 1997-2002 aus Rebmann et al. (2004)


4.1.3 Niederschlag und Schnee

Die Niederschlagsverteilung am Untersuchungsstandort zeigt in den Langzeituntersuchungen

zwei Maxima im Jahresverlauf, wie es für einen Mittelgebirgsstandort typisch ist. In Abbildung

4-4 ist zu erkennen, dass diese in der Zeitreihe der Monatssummen für die Klimaperioden 1961-

1990 und 1971-2000 im Juli (9-11 % der Jahressumme) und Dezember (11 % der Jahressumme)

liegen (Foken, 2003).

Für den Untersuchungsstandort ist bereits bekannt, dass neben den systematischen Messfehlern,

wie zum Beispiel Wind- und Benetzungsfehler, die Niederschlagsmessungen aufgrund von

Misch- und Schneeniederschlägen in den Wintermonaten unterschätzt werden (Foken, 2003).

Nach Foken (2003) können die monatlichen Niederschlagssummen für den Waldstein-Weiden-

brunnen aus den Niederschlagsmessungen der Wetterstation Weißenstadt (siehe Kapitel 3.2) re-

konstruiert werden. Dazu werden in erster Näherung die monatlichen Niederschlagssummen für

den Untersuchungsstandort durch die um 11 % erhöhten Werte von Weißenstadt ersetzt (siehe

Abbildung 4-4). Diese Korrekturmethode war für die von ACASA als Input benötigten Nieder-

schlagsdaten in einer zeitlichen Auflösung von 30 Minuten nicht möglich, da die Messungen in

Weißenstadt nur tageweise erfolgten, was bei der Beurteilung der Modellierungsergebnisse in

den folgenden Kapiteln zu berücksichtigen ist.

Abbildung 4-3: Tagesmittelwerte der Globalstrahlung (K↓) normiert auf die astronomisch maximal mögliche Son-

nenscheindauer (Sd0) für das Jahr 2003 (Waldstein-Weidenbrunnen)


Für das Jahr 2003 sind die Monats- und Jahressummen des Niederschlags sowohl in ihrer korri-

gierten als auch in ihrer unkorrigierten Form in Tabelle A-3 gelistet. In Abbildung 4-5 ist deut-

lich zu erkennen, dass die Korrektur der Niederschlagssummen nur geringfügige Änderungen

bewirkt, außer in den Monaten Januar und Oktober. In diesen beiden Monaten stehen die korri-

gierten Niederschlagsmengen im direkten Einklang mit den eher durchschnittlichen bis sogar

unterdurchschnittlichen Lufttemperaturen (siehe Kapitel 4.1.1) und der erhöhten relativen Luft-

feuchtigkeit (siehe Kapitel 4.1.4). Dies ist für die anderen Wintermonate nicht der Fall.

Die Ergebnisse der Niederschlagskorrektur stimmen mit den Tendenzen der monatlichen Nie-

derschlagssummen im Jahresbericht des DWD (Deutscher Wetterdienst, 2004) gut überein und

auch in Rebetez et al. (2006) wird im Zusammenhang mit der Hitzewelle von einer lang anhal-

tenden Trockenperiode gesprochen. Diese reicht von März 2003 bis in den Juni 2004 und war

nur kurz im Oktober 2003 und Januar 2004 unterbrochen. Dadurch lassen sich im März, No-

vember und Dezember 2003 die geringfügigen Änderungen der Niederschlagssummen durch die

Korrekturmethode plausibel erklären und weisen ebenfalls auf einen trockenen Winter hin

(Lüers, persönliche Mitteilung). Vor allem im ersten Halbjahr von 2003 spielt in diesem Zusam-

menhang die von Februar bis Anfang April kontinuierlich anhaltende Schneebedeckung eine zu-

sätzliche Rolle (siehe Abbildung 4-6).

Abbildung 4-4: Monatliche Niederschlagssummen der Stationen Waldstein-Weidenbrunnen und Weißenstadt für

das Jahr 2003, kombiniert mit den Langzeitmittelwerten aus Foken (2003) für den Standort Waldstein-Weidenbrun-

nen


Die Wichtigkeit der Korrekturmethode wird durch die Erhöhung der Jahressumme des korrigier-

ten Niederschlags um mehr als 100 mm (siehe Tabelle A-3) unterstrichen. Der erhebliche Unter-

schied der unkorrigierten Niederschlagsmenge zum Langzeitmittel wird durch diese Maßnahme

gemindert. Dennoch zeigt sich in den Sommermonaten, die nicht von der angesprochenen Kor-

rektur betroffen sind, ein starkes Niederschlagsdefizit. Vor allem die Monate Juni und August

sind dadurch von einer überdurchschnittlichen Trockenheit betroffen, wovon auch im Jahresbe-

richt des DWD (Deutscher Wetterdienst, 2004) und in Rebetez et al. (2006) berichtet wird. Aber

auch in allen anderen Monaten und vor allem während der Vegetationsperiode fällt weniger Nie-

derschlag, als für den Standort typisch ist, wie die berechneten Abweichungen von den Lang-

zeitmittelwerten in Abbildung 4-5 belegen.

Abbildung 4-5: Abweichung der korrigierten und unkorrigierten Niederschlagssummen [mm] am Waldstein-Wei-

denbrunnen, berechnet als Differenz aus den Monatsmittelwerten für das Jahr 2003 und den entsprechenden Lang-

zeitmittelwerten aus Foken (2003)


4.1.4 Relative Luftfeuchtigkeit

Am Waldstein-Weidenbrunnen unterliegt die relative Luftfeuchtigkeit starken saisonalen

Schwankungen. Im Herbst und Winter ist die Luftfeuchtigkeit gegenüber dem Frühling und

Sommer eher hoch und wird stark von Nebelereignissen beeinflusst. Der jährliche Langzeitmit-

telwert beträgt ungefähr 80 % (Foken, 2003).

Im Jahr 2003 liegen die Monatsmittel der relativen Luftfeuchtigkeit nur in den Monaten Januar

und Oktober über den Langzeitmittelwerten (siehe Abbildung 4-7), die bereits in Kapitel 4.1.3

mit den höheren Niederschlagssummen in Zusammenhang gebracht wurde. Der Monat August

zeigt ein äußerst beachtliches Defizit von 21 % Luftfeuchtigkeit, das auf die geringen Nieder-

schlagsmengen (siehe Kapitel 4.1.3) und hohen Lufttemperaturen (siehe Kapitel 4.1.1) zurück-

zuführen ist. Im Juni dagegen ist diese negative Abweichung trotz der hohen Globalstrahlung

(siehe Kapitel 4.1.2), des Niederschlagdefizits und der hohen Lufttemperaturen noch nicht so

stark ausgeprägt. Grund hierfür könnten die im Mittel 1.6 °C geringeren Lufttemperaturen und

die 40 mm höheren Niederschlagssummen im Vergleich zum August sein. Außerdem scheint die

verfügbare Wassermenge des Ökosystems im Juni durch die vergleichsweise hohe Nieder-

schlagssumme im Mai noch nicht so stark erschöpft zu sein, wodurch im Juni eine relativ höhere

Verdunstung als im August zu erwarten ist. Deshalb nimmt auch die Luftfeuchtigkeit nicht so

stark ab. Im Juli erreicht die relative Luftfeuchtigkeit dagegen fast wieder durchschnittliche

Werte als Folge der größeren Niederschlagssumme. Die im September wieder häufiger auftre-

Abbildung 4-6: Messwerte der Schneehöhe [cm] und Tagesmittelwerte der Lufttemperatur [°C] für das Jahr 2003

am Waldstein-Weidenbrunnen; vertikale Linien kennzeichnen das Ende und den Anfang der Schneeaufzeichnungen


tenden Niederschläge sorgen für eine abgeschwächte Abweichung der relativen Luftfeuchtigkeit

gegenüber den heißeren Monaten. Allerdings liegt der Mittelwert für September ungefähr auf

dem gleichen Niveau wie der für Juni, was daran liegen könnte, dass das wenige Niederschlags-

wasser zur Befeuchtung des Bodens und/oder zur Deckung des Wasserbedarfs der Vegetation

verbraucht wurde und sich so die relative Luftfeuchtigkeit durch Verdunstung im Mittel nur un-

wesentlich erhöhen konnte. In den Wintermonaten November und Dezember normalisiert sich

die relative Luftfeuchte dann wieder. Die negative Abweichung der relativen Luftfeuchtigkeit

der Monate März und April hingegen steht wieder im Einklang mit den gegenüber dem Lang-

zeitmittel geringeren Niederschlagssummen.

Abbildung 4-7: Abweichung der relativen Luftfeuchtigkeit [%] am Waldstein-Weidenbrunnen, berechnet als Diffe-

renz aus den Monatsmittelwerten für das Jahr 2003 und den entsprechenden Langzeitmittelwerten aus Foken (2003)


4.2 Modellierung des Energieaustausches

In diesem Abschnitt werden die Ergebnisse der Energieaustausch-Modellierung mit ACASA für

das Jahr 2003 präsentiert. Der Energieaustausch wird durch die Strahlungsströme, den fühlbaren

und latenten Wärmestrom, sowie den Bodenwärmestrom beschrieben (siehe Kapitel 2.1.1).

4.2.1 Strahlungsbilanz

In Abbildung 4-8 sind die Ergebnisse der Modellierung für die Strahlungsbilanz dargestellt. In

den einzelnen Scatterplots sind die Messwerte für das ganze Jahr 2003 gegen die entsprechen-

den modellierten Halbstundenwerte aufgetragen. Bei der Interpretation der dargestellten Bilan-

zen ist zu beachten, dass sowohl die Globalstrahlung als auch die Gegenstrahlung Eingangsgrö-

ßen waren. ACASA berechnet aus diesen die kurzwelligen und langwelligen Strahlungsbilanzen,

was nach Gleichung 2-1 bedeutet, dass nur der reflektierte Anteil der Strahlung und die Aus-

strahlung wirklich modellierte Größen der einzelnen Bilanzen sind.

Abbildung 4-8: Halbstundenwerte der Strahlungskomponenten für das Jahr 2003 im Scatterplot; A: gesamte Strah-

lungsbilanz; B: kurzwellige Strahlungsbilanz; C: langwellige Strahlungsbilanz


Die Modellierung der Strahlungsbilanz aus kurzwelligen und langwelligen Komponenten zeigt

eine sehr gute Übereinstimmung mit den Messwerten (Grafik A in Abbildung 4-8). Die mittlere

Abweichung beträgt im Jahr etwa -4 bis -6 Wm-2 (MBE, MAE und RMSE in Tabelle C-1). Auf-

grund der größeren Amplitude der Strahlungsbilanz während des Tages weichen die modellier-

ten Tageswerte (-5 bis -8 Wm-2) im Vergleich zu den Nachtwerten (-2 bis -3 Wm-2) im Mittel

stärker voneinander ab, wobei der Index of Agreement (IA) eine vergleichbare, sehr gute Über-

einstimmung von 0.99 und 1.00 anzeigt. Die einzelnen monatlichen Werte des MBE der Strah-

lungsbilanz sind durchweg negativ. Dies bedeutet aufgrund des Vorzeichens, dass in jedem Mo-

nat, über das ganze Jahr gesehen, die simulierte Strahlungsbilanz im Mittel unterschätzt wird.

Da die Globalstrahlung und Gegenstrahlung für die modellierten und gemessenen Bilanzen

identisch sind, ergibt sich aus der Unterschätzung der Strahlungsbilanz, dass ACASA einen grö-

ßeren Anteil der einfallenden Strahlungsenergie in andere Energieformen umwandelt.

Die getrennte Untersuchung der kurzwelligen und langwelligen Strahlungsbilanzen lässt eine

detailliertere Analyse zu. Die langwellige Strahlungsbilanz (Grafik C in Abbildung 4-8) zeigt

eine außerordentlich gute Übereinstimmung zwischen modellierter und gemessener Ausstrah-

lung mit einer gleichmäßigen Streuung um die 1:1-Linie im Scatterplot. Der Index of Agreement

(IA) bestätigt den visuellen Eindruck durch Werte, die ausnahmslos für alle Monate, sowohl für

Tages- und Nachtzeiten, zwischen 0.99 und 1.00 liegen (siehe Tabelle C-2). Der Scatterplot der

kurzwelligen Strahlungsbilanz zeigt hingegen eine leicht asymmetrische Verteilung der Werte-

paare um die 1:1-Linie im Bereich von 0 bis -400 Wm-2 mit einer Punktwolke (siehe Markierung

in Grafik B der Abbildung 4-8). Hierfür sind zwei unterschiedliche Gründe verantwortlich. Der

erste Grund zeigt sich in der Analyse der Gütemaße nach Tages- und Nachtwerten (siehe Tabelle

C-3). Die nächtlichen IA-Werte jeden Monats (0.80 bis 0.97) liegen deutlich unter denen der Ta-

geswerte (0.99 bis 1.00). Die Werte des Effizienzkoeffizienten E zeigen diese Abweichungen in

einem noch deutlicheren Maße. Ursache für den Unterschied ist die strikte Korrektur der Mess-

werte von Global- und Reflexstrahlung während der Nacht auf den Wert Null (siehe Kapitel

3.3.1). Im Vergleich zu den Messwerten modelliert ACASA in der Nacht, trotz fehlender Global-

strahlung, einen kleinen Betrag der Reflexstrahlung. Wenn dies auch nur zu mittleren Abwei-

chungen um +1 Wm-2 führt, ist dieser systematische Mangel der Modellierung dennoch erkenn-

bar.

Wesentlich gravierender hingegen sind die Tageswerte des MBE, MAE und RMSE der kurzwel-

ligen Strahlungsbilanz während der Monate Januar und Februar (7-18 Wm-2), deren Ursache den

zweiten Grund für die schlechtere Korrelation liefert. Die Abweichung in diesem Zeitraum ver-


ursacht die in Grafik B der Abbildung 4-8 markierte Punktwolke, die sich auch in Grafik A der

gesamten Strahlungsbilanz zeigt. Repräsentativ für diesen Zeitraum ist exemplarisch in Abbil-

dung 4-9 ein Ausschnitt der kurzwelligen Strahlungsbilanz von fünf Tagen dargestellt. Er zeigt

vor allem während der Mittagszeit deutliche Abweichungen der kurzwelligen Strahlungsbilanz –

das bedeutet bei einer definierten Globalstrahlungsdichte eine Unterschätzung der Reflexstrah-

lung durch ACASA, verdeutlicht durch den ebenfalls dargestellten Albedo-Wert. Allgemein be-

schreibt dieser das Verhältnis zwischen Reflex- und Globalstrahlung und liefert je nach Beschaf-

fenheit der Unterlage einen individuellen Wert. Unterschiedliche Albedo-Werte sind also ein In-

dikator für verschiedene Unterlagen. Im Februar zeigen die Messwerte am Waldstein-Weiden-

brunnen einen Wechsel der Eigenschaften der Unterlage an, die durch die Schneebedeckung

ausgelöst wird. Obwohl ACASA im Beispielzeitraum eine, wenn auch geringere, Schneedecke

modelliert (siehe Abbildung 4-10), bleibt der simulierte Albedo-Wert auf dem gleichen Niveau

wie in den Sommermonaten und über das ganze Jahr hinweg. Im Vergleich zu den Messwerten

resultiert hieraus die eindeutige Unterschätzung der Reflexstrahlung von ACASA im Februar

2003, dargestellt durch die Punktwolke in Grafik A und B der Abbildung 4-8.

Abbildung 4-9: Kurzwellige Strahlungsbilanz (oben) und Albedo (unten) für einen Fünf-Tages-Zeitraum im Februar

2003 im Vergleich zu den entsprechenden Modellierungsergebnissen


Als Folge der Fehleinschätzung des reflektierten Strahlungsstroms durch ACASA verteilt sich

die dem Modell-Ökosystem mehr zur Verfügung stehende Energie auf die anderen modellierten

Energieflüsse. Der Bodenwärmestrom scheidet allerdings während modellierter Schneeereignis-

se als mögliche Komponente aus (siehe 4.2.2). Dagegen ist ein wesentlicher Anstieg des simu-

lierten fühlbaren Wärmestroms ab dem 09.02.2003 zu verzeichnen (nicht gezeigt). Ob dieser

letztlich überproportional zum tatsächlichen Anstieg des fühlbaren Wärmestroms zu sehen ist,

lässt sich leider nicht belegen, da in diesem Zeitraum keine Eddy-Kovarianz-Daten zum Ver-

gleich vorliegen (siehe Kapitel 3.3.4).

In den Monatsmittelwerten der kurzwelligen und langwelligen Strahlungsbilanz zeigen sich die

eben beschriebenen Schwächen der Modellierung des Strahlungsaustauschs für das Jahr 2003.

In Abbildung 4-11 ist auch im Februar-Mittel die Unterschätzung der Reflexstrahlung wegen der

Schneebedeckung deutlich zu erkennen. Aber auch generell liegen die ACASA-Ergebnisse der

kurzwelligen Strahlungsbilanz leicht unter den tatsächlich gemessenen. Die Mittelwerte der

langwelligen Strahlungsbilanz hingegen zeigen wesentliche Abweichungen in den Monaten Juni

und August. Auch in diesen Fällen kommt es zu einer Unterschätzung der zu modellierenden

Größe, nämlich der Ausstrahlung (siehe MBE in Tabelle C-3). In der Summe ergibt sich nach

den gesammelten Erkenntnissen für die gesamte Strahlungsbilanz ein entsprechendes Bild (siehe

Abbildung 4-11).

Abbildung 4-10: Modellierte und gemessene Schneehöhen [cm] im Jahr 2003 am Waldstein-Weidenbrunnen; verti-

kale Linien kennzeichnen das Ende und den Anfang der Schneeaufzeichnungen


Tendenziell lässt sich aus all diesen Ergebnissen ableiten, dass ACASA die durch die Eigen-

schaften der Vegetation bedingte Änderung der Strahlungsströme für das Jahr 2003 sehr gut re-

präsentieren kann – wenn auch mit einer leichten Tendenz zur Unterschätzung von Reflex- und

Ausstrahlung. Die Größenordnungen der daraus resultierenden mittleren Abweichungen der

Halbstundenwerte (MBE, MAE und RMSE) und der Monatsmittelwerte liegen dabei allerdings

noch im Bereich der Fehlergenauigkeit von 10 bis 20 Wm-2 (Foken, 2008) der gesamten Strah-

lungsbilanz, weshalb sie vernachlässigbar sind. Bei der Analyse der modellierten Ergebnisse für

einzelne Tage können diese Abweichungen aber an Bedeutung gewinnen und deutliche Unter-

schiede aufweisen, so wie es für den Monat Februar anhand von Halbstundenwerten dargelegt

wurde.


Abbildung 4-11: Monatsmittelwerte der kurzwelligen Strahlungsbilanz (oben), der langwelligen Strahlungsbilanz

(Mitte) und der gesamten Strahlungsbilanz (unten)


4.2.2 Bodenwärmestrom

Die Interpretation des Bodenwärmestroms lässt wegen seiner Bestimmung auf der Basis einer

schlechten Datengrundlage (siehe Kapitel 3.3.5) nur tendenzielle Beobachtungen und Einschät-

zungen zu und kann keine konkreten quantitativen Schlussfolgerungen ergeben. In Abbildung 4-

12 ist der Scatterplot für den Bodenwärmestrom dargestellt, der eine starke Streuung der Korre-

lationspunkte um die 1:1-Linie zeigt.

Die Einteilung der Datenpaare in Tages- und Nachtzeiten zeigt keinen signifikanten Unterschied

(nicht dargestellt). Dafür zeigt die Analyse des Bestimmtheitsmaßes (R2) der einzelnen Monate

(siehe Tabelle C-6), dass in den Sommermonaten (Mai bis September) die modellierten Werte

mit dem jeweiligen parametrisierten Monatsmittelwert relativ gut übereinstimmen

(0.48 ≤ R2 ≤ 0.61). In den Wintermonaten (Januar bis April und Oktober bis Dezember) hinge-

gen ergibt sich eine wesentlich schwächere Übereinstimmung (R2 ≤ 0.42). Visuell bestätigt sich

dieses Ergebnis durch die unterschiedliche Streuung der Punktwolken in den Scatterplots für die

jeweiligen Zeiträume (siehe Grafik B und C in Abbildung 4-12). Den Grund für diesen schlech-

teren Verlauf stellen, wie auch schon bei den Strahlungsbilanzen, die Datenpaare in den Winter-

monaten dar, die, im Bereich von -10 bis 0 Wm-2 auf der Skala des gemessenen Bodenwärme-

Abbildung 4-12: Halbstundenwerte des Bodenwärmestroms für das Jahr 2003 im Scatterplot; A: alle Werte; B:

Sommerwerte (Mai bis September 2003); C: Winterwerte (Januar bis April und Oktober bis Dezember 2003)


stroms, für die senkrecht angeordneten Punkte verantwortlich sind. Die Ursache hierfür sind die

Zeiten der Schneebedeckung.

Abbildung 4-13: Ausschnitt verschiedener gemessener und modellierter Parameter für den Zeitraum Januar bis Mai

2003 (Halbstundenwerte); A: Zeitreihen des modellierten Bodenwärmestroms, der modellierten Schneehöhen und

der gemessenen Lufttemperatur; B: Zeitreihe des gemessenen Bodenwärmestroms und punktuell gemessene

Schneehöhen; C: Zeitreihe der gemessene Bodentemperaturen; D: Zeitreihe der modellierten Bodentemperaturen;

Die vertikale Linie in den einzelnen Grafiken kennzeichnet das Ende der Schneeaufzeichnungen am 14.04.2003.


Um dies zu veranschaulichen zeigt Abbildung 4-13 für den Zeitraum von Januar bis April die

Bodenwärmeströme und Schneehöhen jeweils für die modellierten Daten (Grafik A) und die

Messwerte (Grafik B). Um die Datenlücken in der Zeitreihe des gemessenen Bodenwärme-

stroms zu füllen, wurde zusätzlich die Zeitreihe der Parametrisierung mit dem konstanten volu-

metrischen Wassergehalt von 40 % eingefügt. Für den zu überbrückenden Zeitraum ergaben sich

aufgrund der geringen Gradienten der Bodentemperaturen in den Zeitreihen des parametrisierten

Bodenwärmestroms mit verschiedenen Bodenwassergehalten keine signifikanten Unterschiede

(nicht dargestellt), weshalb die Festlegung auf eine bestimmte Zeitreihe zur Lückenfüllung hier

getroffen werden konnte. Grafik C derselben Abbildung zeigt die gemessenen Bodentemperatu-

ren in unterschiedlichen Bodentiefen und Grafik D die modellierten Bodentemperaturen für die

entsprechenden Bodentiefen.

In Grafik A der Abbildung 4-13 ist deutlich zu erkennen, dass der modellierte Wärmetransport

im Boden sofort erlischt (Werte von Null), sobald ACASA eine Schneedecke simuliert. Im Ver-

gleich zu den Messungen der Schneehöhen (Grafik B) ist diese Annahme der Dynamik des Bo-

denwärmestroms richtig, obwohl die gemessenen Bodenwärmeströme leicht im negativen Be-

reich liegen. Die Unterschiede zwischen beiden Zeitreihen, die letztlich für die schlechtere

Übereinstimmung der modellierten mit den gemessenen Daten sorgen, erklären sich durch die

Phasen in denen Schnee liegt. ACASA modelliert in allen vier Monaten kürzere Zeiträume der

Schneebedeckung und damit in der Folge auch abweichende Bodenwärmeströme. Ein erster

möglicher Zusammenhang für die unterschiedlich modellierten Schneezeiten in ACASA kann

mit der Lufttemperatur hergestellt werden. Grafik A zeigt, dass in den Zeiträumen, in denen kei-

ne Schneebedeckung modelliert wurde, die Lufttemperaturen die 0 °C-Grenze zum positiven

Bereich hin überschreiten. Ein weiterer möglicher Zusammenhang könnte mit den gemessenen

Niederschlagsmengen bestehen, die ACASA als Eingangsparameter benötigt. Wie in Kapitel

4.1.3 durch die Niederschlagskorrektur der Monatssummen gezeigt wurde, unterschätzen die

halbstündigen Messwerte die tatsächliche Niederschlagsmenge in den Wintermonaten. Eine

Übertragung der Korrektur auf die benötigte zeitliche Skala war aufgrund der schlechten Daten-

grundlage nicht möglich. Somit könnten möglicherweise zu geringe Niederschlagswerte oder

auch überhaupt nicht registrierte Niederschlagsereignisse die Ursache für die zu niedrig model-

lierten Schneehöhen sein. Bedingt durch die kürzeren Zeiträume der modellierten Schneebede-

ckung kommt es analog zum simulierten Bodenwärmstrom zu vergleichbaren Unterschieden

zwischen den Bodentemperaturen (Grafik C und D), die für ACASA (siehe Kapitel 2.2.2) und

die Gradientmethode (siehe Kapitel 3.3.5) als Grundlage für die Berechnung des Wärmetrans-


ports im Boden dienen. Folglich modelliert ACASA während der Zeiträume ohne Schneebede-

ckung in erster Linie eine wesentlich stärkere Dynamik der Bodentemperaturen und, als Folge

daraus, des Bodenwärmestroms. Während der Wintermonate des zweiten Halbjahres ergibt sich

ein ähnliches Bild, das durch den kürzeren Zeitraum mit Schneebedeckung allerdings weniger

ausgeprägt ist.

In diesem Zusammenhang treten in den Zeitreihen der oberflächennahen (bis etwa 20 cm Bo-

dentiefe) Bodentemperaturen plötzliche Sprünge auf, sobald die modellierte Bodentemperatur

an der Oberfläche unter 0 °C sinkt (siehe Abbildung 4-14). Um dieser Problematik auf den

Grund zu gehen, wurde, neben der Wahl einer anderen Bodenart (Bodentyp 7: sandy clay loam),

die Modellierung des Jahres 2003 in direkter doppelter Abfolge durchgeführt (Pyles, persönliche

Mitteilung). Durch keine der beiden Varianten konnte dieser Effekt in den Zeitreihen beseitigt

werden. Die Vermutung liegt hier nahe, dass es sich um ein numerisches Problem im Modellco-

de handelt, dem nicht weiter nachgegangen wurde, da alle weiteren Optionen zu einer mögli-

chen Behebung im Rahmen dieser Arbeit zu umfangreich gewesen wären. In einer früheren Ver-

sion des ACASA-Modells mit der Bezeichnung ACASA_se3 (beschrieben in Staudt et al.

(2010b)) war dieses Problem noch nicht aufgetreten. Außerdem wurden in der älteren ACASA-

Version mit identischen Eingangsparametern in den Sommermonaten des Jahres 2003 um fast

Abbildung 4-14: Vier-Tages-Zeitraum im März 2003: zeitlicher Verlauf der modellierten Bodentemperaturen (oben)

und der gemessenen Bodentemperaturen (unten)


10 °C niedrigere Spitzenwerte der Bodentemperatur modelliert (Ergebnis nicht dargestellt). Als

Beispiel für die sehr hohe Bodentemperatur ist ein Zeitraum des Monats August in Abbildung 4-

15 (obere Grafik) für den in dieser Arbeit allgemein zur Interpretation zugrunde gelegten Mo-

delllauf dargestellt. Worin die Ursache für die unterschiedlichen Ergebnisse der verschiedenen

Modellversionen besteht, lässt sich aufgrund der Komplexität des Modells durch den Anwender

nur schwer feststellen. In Anbetracht der Tatsache, dass ACASA den Bodenwärmestrom aus den

Bodentemperaturen berechnet, die im direkten Zusammenhang mit der Energiebilanz der unters-

ten atmosphärischen Modellschicht steht und somit direkt von der Strahlungsbilanz beeinflusst

wird, wäre es wichtig, diese Kopplung in der Zukunft noch genauer zu untersuchen und zu tes-

ten. Ein weiterer interessanter Punkt, der in diesen Zusammenhang noch genauer analysiert wer-

den könnte, ist der Einfluss der gewählten Bodentemperatur an der unteren Modellgrenze auf

den Bodenwärmestrom, die ACASA über den gesamten Modellierungszeitraum als konstant an-

nimmt. In Abbildung 4-15 sind die modellierten Bodentemperaturen für den Referenzlauf (oben,

5.3 °C) und einen Modelllauf mit variierter Grenztemperatur (Mitte, 9.9 °C) dargestellt. Als An-

haltspunkt sind im unteren Teil der Grafik die gemessenen Bodentemperaturen aufgezeigt. Zwi-

schen den beiden Modellläufen ist deutlich zu erkennen, dass bei einer niedriger gewählten

Grenztemperatur vor allem im Sommer unter hohen Lufttemperaturen die Temperaturgradienten

zwischen den einzelnen Bodentiefen wesentlich ausgeprägter sind, was zu einer Intensivierung

des Wärmetransports im Boden führen würde. An diesem Beispiel zeigt sich die Schwierigkeit,

die Werte der Eingangsparameter sinnvoll zu wählen. Da die Bodentemperatur über ein ganzes

Jahr gesehen saisonalen Schwankungen unterliegt, wäre es sinnvoll, das Modell an dieser Stelle

zu verbessern und anstelle des konstanten Charakters der Grenztemperatur eine Variation dieser

Größe zu ermöglichen.

Wahrscheinlich in Folge dieser systematischen Fehler oder Schwächen im Modellcode zeigt der

Bodenwärmestrom generell in allen drei Scatterplots der Abbildung 4-12, unter Vernachlässi-

gung der senkrecht verlaufenden Datenpaare, dass ein großer Teil der Korrelationspunkte über

der 1:1-Linie liegt. Tendenziell lässt sich hieraus ableiten, dass ACASA in der Nettobilanz vor

allem in den Sommermonaten einen größeren Energieanteil als Wärmestrom in den Boden mo-

delliert, als tatsächlich auf diesem Weg transportiert wird, wie der mittlere Tagesgang des Mo-

nats Juli beispielhaft vermittelt (siehe Abbildung 4-16). Neben der vertikalen Abweichung zwi-

schen dem modellierten und gemessenen Tagesgang ist darin auch eine leichte horizontale Ver-

schiebung erkennbar, wie sich noch deutlicher im Tagesgang des Monats November zeigt. Diese

ist darauf zurückzuführen, dass der gemessene Bodenwärmestrom mit Messungen der Boden-


temperaturen bestimmt wurde, die die Einflüsse der Strahlung am Tag versetzt registrieren (Fo-

ken, 2006). Im Vergleich dazu steht die Berechnung der Bodentemperaturen in ACASA unter

dem direkten unvermittelten Einfluss der Strahlung, was bei einer quantitativen Interpretation

der Ergebnisse und der Bewertung der Korrelationen zwischen Modell- und Messergebnissen zu

berücksichtigen ist, um eine Vergleichbarkeit dieser zu gewährleisten.

Anhand der mittleren Tagesgänge in Abbildung 4-16 ist erkennbar, dass ACASA die Dynamik

des Bodenwärmestroms im Vergleich zum Gradient-Ansatz relativ gut reproduzieren kann, was

auf die ähnliche Berechnungsmethode zurückzuführen ist. Interessant wäre hier, die modellier-

ten Daten mit einem gemessenen Bodenwärmestrom zu vergleichen, der zum Beispiel mit Hilfe

von Bodenwärmestromplatten bestimmt wurde. Außerdem bleibt zu klären, wodurch die hohen

Abbildung 4-15: Vier-Tages-Zeitraum im August 2003: zeitlicher Verlauf der modellierten Bodentemperaturen (mit

der an der unteren Modellgrenze (-1.40 m) gewählten Bodentemperatur von 5.3 °C (oben), beziehungsweise von

9.9 °C (Mitte)) und der gemessenen Bodentemperaturen (unten)


modellierten Bodentemperaturen in ACASA verursacht wurden, die sich auf den simulierten Bo-

denwärmestrom auswirken. Inwiefern und ob überhaupt die Witterungsbedingungen im Jahr

2003 dafür die Ursache waren, müsste allerdings noch im Vergleich zu Modellierungen anderer

Jahre gezeigt werden. Letztlich können die Witterungsverhältnisse aber nicht der einzige Grund

dafür sein, da mit einer älteren Version von ACASA auf gleicher Datengrundlage wesentlich

niedrigere und damit realistischere Bodentemperaturen simuliert werden konnten.

Abbildung 4-16: Mittlerer monatlicher Tagesgang des Bodenwärmestroms für den Monat Juli und November 2003

(senkrechte Linien entsprechen ± 1 Standardabweichung vom Mittelwert der Messwerte)


4.2.3 Fühlbarer und latenter Wärmestrom

Wie bereits in Kapitel 2.1.2 erläutert, lässt sich die Energiebilanz an der Erdoberfläche mit den

aktuell angewandten Messmethoden nur unter Berücksichtigung eines Residuums schließen, wie

Aubinet et al. (2000) für Waldökosysteme gezeigt hat. Nach dem momentanen Wissensstand

sind langwellige und sekundäre Turbulenzstrukturen, die von den Eddy-Kovarianz-Messungen

nur unzureichend erfasst werden, die Ursache für zu niedrig bestimmte turbulente Flüsse der

fühlbaren und latenten Wärme (Foken, 2008).

In Abbildung 4-17 ist die gemessene verfügbare Energie aus Strahlungsbilanz, Bodenwärme-

strom und Energiespeicherung für das Jahr 2003 gegen die gemessenen turbulenten Flüsse auf-

getragen, um den Grad der Energiebilanzschließung zu veranschaulichen. Der Bodenwärme-

strom wurde für diese Darstellung als Mittelwert der parametrisierten Zeitreihen für die konstan -

ten Bodenfeuchten von 0 und 40 % volumetrischen Wassergehalts angenommen, da die Daten-

lücken in der parametrisierten Zeitreihe mit den gemessenen Bodenfeuchten größtenteils zum

Zeitpunkt der Flussmessungen auftraten und dadurch nur eine sehr geringe Datenmenge verblie-

ben wäre (siehe auch Kapitel 3.3.5). Für den Wärmespeicherterm wurden die Werte aus der Mo-

Abbildung 4-17: Verhältnis zwischen den turbulenten Flüssen (QH+QE) und der verfügbaren Energie (Qs-QG-∆QS)

auf Basis der halbstündigen Messwerte im Jahr 2003


dellierung von ACASA übernommen, da diese Größe messtechnisch nicht erhoben wurde. Diese

Annahme wurde in relativ guter Übereinstimmung mit den Ergebnissen aus Lindroth et al.

(2010) getroffen, wo in einem schwedischen Nadelwald für eine zweimonatige Periode (Juni-Ju-

li 1995) im mittleren Tagesgang Werte von ± 30 Wm-2 für den Wärmespeicherfluss (unter Be-

rücksichtigung der Speicherflüsse für den fühlbaren und latenten Wärmestrom sowie die Bio-

masse) gemessen werden konnten. Die Flüsse der von ACASA simulierten Wärmespeicherung

(welche die gleichen Energiespeicherarten betrifft) weisen in den mittleren monatlichen Tages-

gängen zwar etwas kleinere Werte auf, liegen aber in einer vergleichbaren Größenordnung von

± 20 Wm-2 (siehe Abbildung D-1). Nach dem ersten Hauptsatz der Thermodynamik ergibt sich

unter Berücksichtigung dieser Abschätzungen aus dem Scatterplot für das ganze Jahr ein mittle-

res Residuum von 52.5 Wm-2 (RMSE), das für einzelne Halbstundenmessungen mit zunehmend

verfügbarer Energie vereinzelt auch Werte über 300 Wm-2 annehmen kann. In Kombination mit

einer Steigung der Korrelationsgeraden von 0.75 stimmen diese Werte gut mit den Angaben in

Aubinet et al. (2000) überein.

ACASA geht hingegen von einer perfekt geschlossenen Energiebilanz aus. Dazu wird der Fehler

in der Energiebilanz nach dem Bowen-Verhältnis auf die turbulenten Flüsse verteilt (siehe Kapi-

tel 2.2.3). Wie Kracher et al. (2009) bei der Analyse von drei SVAT-Modellen festgestellt hat,

kommt es folglich ohne Berücksichtigung des Residuums bei der Evaluierung der reinen gemes-

senen turbulenten Flüsse zu einer Überschätzung der modellierten Ergebnisse. Dies muss unbe-

dingt bei der Evaluierung der Simulationsergebnisse mit den unkorrigierten Messwerten der

fühlbaren und latenten Wärme berücksichtigt werden.

4.2.3.1 Allgemeine Bewertung

Aus den Grafiken A in den Abbildungen 4-18 und 4-19, die die Ergebnisse der Modellierung des

fühlbaren und latenten Wärmestroms für das ganze Jahr 2003 zeigen, lässt sich allgemein ablei-

ten, dass der fühlbare Wärmestrom im Vergleich zum latenten mit einer besseren Übereinstim-

mung von ACASA modelliert werden kann. Die Gütemaße bestätigen den visuellen Eindruck

mit einem Wert des Index of Agreement (IA) von 0.95 und einem Effizienzkoeffizienten (E) von

0.73 für den fühlbaren Wärmestrom im Vergleich zu den entsprechenden Werten von 0.86 und

0.44 für den latenten Wärmestrom (siehe Tabelle C-4 und C-5). Bei einer Unterteilung der Da-

tensätze in Tages- und Nachtzeiten weisen beide Größen während der Nächte eine wesentlich

schlechtere Übereinstimmung der modellierten mit den gemessenen Werten auf, die durch nega-

tive Effizienzkoeffizienten belegt ist (siehe Grafiken B und C in Abbildung 4-18 und 4-19).


Abbildung 4-18: Halbstundenwerte des fühlbaren Wärmestroms für das Jahr 2003 im Scatterplot; A: alle Werte; B:

Tageswerte; C: Nachtwerte (Einteilung in Tages- und Nachwerte erfolgte nach den Sonnenaufgangs- und Sonnen-

untergangszeiten)

Abbildung 4-19: Halbstundenwerte des latenten Wärmestroms für das Jahr 2003 im Scatterplot; A: alle Werte; B:

Tageswerte; C: Nachtwerte (Einteilung in Tages- und Nachwerte erfolgte nach den Sonnenaufgangs- und Sonnen-

untergangszeiten)


Besonders interessant ist hierbei der negative MBE-Wert von -28.8 Wm-2 des fühlbaren Wärme-

stroms für die Nachtwerte, der dessen tendenzielle Unterschätzung anzeigt. In Kombination mit

dem entsprechenden positiven Wert für die Tageswerte (34.0 Wm-2) hebt sich die Überschätzung

zu Tageszeiten durch die Unterschätzung zu Nachtzeiten fast vollständig auf. Bei der Betrach-

tung aller Daten würde dies zu einer anscheinend geringeren Abweichung der modellierten Er-

gebnisse führen (3.2 Wm-2). Der dem MBE-Wert gegenübergestellten MAE-Wert von 51.0 Wm-2

verdeutlicht dies, da er den Betrag der mittleren Abweichung darstellt. Aus diesem Grund ist bei

der Berechnung der Monatsmittelwerte eine Unterscheidung zwischen Tages- und Nachtwerten

sinnvoll.

Der latente Wärmestrom hingegen wird zu Tages- und Nachtzeiten im Mittel überschätzt. We-

gen der geringeren Amplitude des Tagesgangs fällt diese im Vergleich zum fühlbaren Wärme-

strom geringer aus (MAE: 33.6 Wm-2). Wegen der ausschließlich positiven Überschätzung der

simulierten Verdunstung könnte das Bild entstehen, dass ACASA anscheinend keine negativen

Flüsse modellieren würde, obwohl diese gemessen wurden (siehe Grafik A). Für die zur Evalu-

ierung verwendeten Messungen trifft dies zwar zu, wohingegen in der vollständigen Zeitreihe

des simulierten latenten Wärmestroms für 2003 im Jahresverlauf auch negative Werte modelliert

werden, weshalb hier nicht von einer Beschränkung durch ACASA auszugehen ist.

In beiden Scatterplots zeigt sich bereits durch die Verschiebung beider Punktwolken über die

1:1-Linie die Überschätzung der modellierten Flüsse als Folge der nicht-geschlossenen Energie-

bilanz der Messungen.

Die mittleren Tagesgänge der Sommermonate (Juni bis August), welche für den fühlbaren Wär-

mestrom in Abbildung 4-20 dargestellt sind, vermitteln hingegen ein differenzierteres Bild. Ne-

ben den entgegengesetzten Abweichungen während der Tages- und Nachtzeiten, ist aus dem

zeitlichen Verlauf weiterhin abzulesen, dass ACASA die Dynamik des fühlbaren Wärmestroms

am Tag sehr gut wiedergibt, auch wenn sich die Größenordnungen der modellierten Tagesgänge

von denen der Messwerte deutlich unterscheiden (Ausnahme: August). Für den latenten Wärme-

strom (siehe Abbildung 4-21) simuliert ACASA vor allem während der Sommermonate bereits

von den frühen Morgen- bis in die späten Abendstunden des Tages Verdunstung, was sich in ei-

ner horizontalen Verzerrung des Tagesgangs äußert. Davon abgesehen stimmen die Tagesgänge

in der Größenordnung ihrer Energieflussdichte in den Monaten Juni und Juli stärker als die des

fühlbaren Wärmestroms miteinander überein, wobei die Dynamik des latenten Wärmestroms im

Tagesverlauf weniger gut abgebildet wird. Der Monat August zeigt für beide Wärmeströme

einen abweichenden Verlauf der gemessenen Tagesgänge. Durch die besonderen Witterungsver-


hältnisse in diesem Monat kam es während des Tages zu einer mittleren Zunahme des fühlbaren

Wärmestroms und einer mittleren Abnahme der Verdunstung, die ACASA nicht abbilden kann.

Die simulierten mittleren Tagesgänge beider Flüsse erreichen in allen drei Monaten während der

Mittagszeit in etwa das gleiche Niveau, woraus sich in Folge der Witterungsbedingungen für

den mittleren Tagesgang des gemessenen Bowen-Verhältnisses im August ein abweichender

Verlauf ergibt (siehe Abbildung D-2). Auch die Überschätzung der simulierten Verdunstung in

den Abendstunden im Juni und Juli ist auf diesen Effekt zurückzuführen und zeigt die mangeln-

Abbildung 4-20: Mittlere Tagesgänge des fühlbaren Wärmestroms für die Monate Juni bis August 2003 (senkrechte

Linien entsprechen ± 1 Standardabweichung vom Mittelwert der Messwerte)


de Anpassung der Modellergebnisse an die trockenen Witterungsbedingungen.

Abbildung 4-21: Mittlere Tagesgänge des latenten Wärmestroms für die Monate Juni bis August 2003 (senkrechte

Linien entsprechen ± 1 Standardabweichung vom Mittelwert der Messwerte)


Ungeachtet der Monate mit einer geringen Datengrundlage (eingeklammerte Monatsnamen) be-

stätigt die Darstellung der monatlichen Mittelwerte der turbulenten Flüsse in Abbildung 4-22 die

Ergebnisse aus der Analyse der Tagesgänge. Zur Berechnung der Mittelwerte wurden alle

Nachtwerte wegen ihrer geringen Güte ausgeschlossen. Die Monate Juni und Juli zeigen einen

größeren simulierten Mittelwert des latenten Wärmestroms, der vor allem auf die höhere Ver-

dunstung in den Abendstunden zurückzuführen ist, wie sich in Abbildung 4-21 gezeigt hat. Im

August hingegen ist eine wesentlich stärkere Abweichung des modellierten Mittelwerts von dem

der Messungen zu verzeichnen, die, neben der Überschätzung der Verdunstung in den Abend-

stunden, von einer gesamten Überschätzung des mittleren Tagesgangs verursacht wird und durch

den mit Abstand höchsten MBE-Wert von 63.5 Wm-2 belegt wird. Die unterschiedlich starken

Abweichungen der Monatsmittelwerte lassen auf zwei verschiedene Ursachen schließen. Einer-

seits scheint die Überschätzung der simulierten Verdunstung in den Abendstunden, wie sie in al-

len drei Monaten auftritt, eher systematisch begründet zu sein. Andererseits spricht die wesent-

lich deutlichere Überschätzung der simulierten Verdunstung im August dafür, dass ACASA den

Abbildung 4-22: Monatsmittelwerte des fühlbaren und latenten Wärmestroms (errechnet auf Basis der Tageswerte;

Mittelwert eines eingeklammerten Monats aus weniger als 50 % der Daten gebildet)


Einfluss der starken Trockenheit auf den latenten Wärmestrom nicht reproduzieren kann. Letzte-

res wurde auch bei der Modellierung des latenten Wärmestroms für einen Kiefernstandort in den

USA unter vergleichbaren Witterungsbedingungen mit dem SiB2.5-Modell für das Jahr 1998 be-

obachtet (Baker et al., 2003).

Im Vergleich zum latenten Wärmestrom ergibt sich für den fühlbaren Wärmestrom ein etwas

vereinfachtes Bild. Im Jahresverlauf liegen die Kurven der modellierten und gemessenen Mittel-

werte nahezu parallel zueinander mit einer mittleren Abweichung im Bereich von 25-59 Wm-2

(MBE-Werte in Tabelle C-4 ohne August). Lediglich im August zeigt das Monatsmittel der

Messwerte einen deutlichen Sprung in der Zeitreihe, welcher im Einklang mit den außerordentli-

chen Witterungsbedingungen steht (siehe Kapitel 4.1), aber nicht durch die ACASA-Werte abge-

bildet werden kann. Stattdessen ergibt sich in Folge der generellen Überschätzung des fühlbaren

Wärmestroms für die Modellergebnisse irrtümlicherweise die stärkste Übereinstimmung mit den

Messwerten (E = 0.75) und den geringsten Abweichungen (MBE = 0.12 Wm-2). Trotz dieser Tat-

sache ist aufgrund der generellen Überschätzung des simulierten fühlbaren Wärmestroms, in

Folge der nicht-geschlossenen Energiebilanz der Messungen, von einer Unterschätzung im Au-

gust auszugehen.

4.2.3.2 Energiebilanzschließung der Messungen

Die in ACASA implementierte Methode zur Schließung der Energiebilanz gilt im Moment auch

für die Messwerte als favorisierter Ansatz, um das Residuum auf die turbulenten Flüsse zu ver-

teilen (Foken, 2008). Deshalb wurde im Folgenden der Versuch unternommen, die Energiebilanz

der Messwerte nach dem identischen Verfahren von ACASA zu schließen (siehe Kapitel 2.2.3),

um die Ergebnisse der Modellierung unter vergleichbaren Umständen beurteilen zu können.

Analog zu den Formeln 2-13 und 2-14 der Energiebilanzschließung in ACASA wurde auch der

Betrag des Bowen-Verhältnisses verwendet. Das führt zwar zur Schließung der Energiebilanz,

aber erhält das tatsächliche Bowen-Verhältnis im Fall von negativen Werten nicht, was ein we-

sentlicher Kritikpunkt an der Umsetzung dieser Methode im Modell ist (Staudt et al., 2010b).

Da vor allem während der Nächte negative Bowen-Verhältnisse auftreten können und auch die

Qualität der gemessenen Flussdaten unklar ist, wurden die Nachtwerte aus der folgenden Be-

trachtung ausgeschlossen.


Tabelle 4-1: Effizienzkoeffizient im Vergleich zu einerseits der Übereinstimmung der modellierten turbulenten Flüs-

se mit den Messwerten und andererseits der Übereinstimmung der modellierten turbulenten Flüsse mit den nach

dem Bowen-Verhältnis korrigierten Messwerten für das Jahr 2003 (Halbstundenwerte)

ACASA QH QE

im Vergleich zu: alle Tag Nacht alle Tag Nacht

Messwerten 0.73 0.64 -1.12 0.44 0.20 -0.72

korrigierten Messwerten 0.88 0.83 -0.82 0.67 0.50 -0.76

Durch die Energiebilanzschließung der Messungen zeigt sich für die turbulenten Flüsse eine

Verbesserung in der Übereinstimmung mit den modellierten Daten (siehe Tabelle 4-1 und Scat-

terplots in Anhang F). Für die Tageswerte des ganzen Jahres verbessert sich die mittlere Abwei-

chung (MBE) des fühlbaren Wärmestroms von 34.0 Wm-2 auf 12.4 Wm-2(siehe Anhang E), was

eine Abnahme der generellen Überschätzung der modellierten Ergebnisse bedeutet. Infolgedes-

sen verschiebt sich die Kurve der gemessenen Monatsmittel stärker in Richtung der modellierten

Ergebnisse, wie es in Abbildung 4-23 im Vergleich zu Abbildung 4-22 dargestellt ist (Mittelwer-

te von ACASA sind in beiden Abbildungen identisch). Ungeachtet der Monate mit einer gerin-

gen Datengrundlage (Monate in Klammern) wandelt sich hingegen die mittlere Überschätzung

(23.3 Wm-2) des latenten Wärmestroms in eine mittlere Unterschätzung von -11.0 Wm-2 um, was

bereits in Folge der guten Übereinstimmung der gemessenen Tagesgänge im Juni und Juli vor

der Energiebilanzschließung zu erwarten war (siehe Abbildung 4-21). Hierdurch zeigt sich, dass

die Energiebilanzschließung der Messungen im Endeffekt nur zu einer verbesserten Überein-

stimmung des fühlbaren Wärmestroms auf Kosten der schon vorherigen guten Übereinstim-

mung des latenten Wärmestroms erzielt werden kann, obwohl für die Messungen ein identisches

Verfahren zur Energiebilanzschließung verwendet wurde (siehe mittlere Tagesgänge im Anhang

F). Deshalb lässt sich für die turbulenten Flüsse – ungeachtet der möglichen Fehler, die durch

die Bestimmung des Residuums in Kauf genommen wurden (Abschätzung des Bodenwärme-

stroms und des Wärmespeicherterms) – im Jahr 2003 eine Schwäche in deren Simulation ablei-

ten. Diese wäre allerdings noch genauer im Zusammenhang mit der Energiebilanzschließung zu

untersuchen und im Vergleich zu einem Jahr mit durchschnittlichen Witterungsbedingung zu be-

werten.


Allerdings bestätigt sich durch die Energiebilanzschließung der Messungen für den Monat Au-

gust die zuvor getroffene Vermutung, dass ACASA die besonderen Witterungsbedingungen des

Monats nicht korrekt auf die turbulenten Flüsse abbilden kann. Die Mittelwerte zeigen für den

simulierten fühlbaren Wärmestrom eine Unterschätzung und für den modellierten latenten Wär-

mestrom eine Überschätzung an (siehe Abbildung 4-23).

In den mittleren August-Tagesgängen der korrigierten Flüsse zeigt sich klar, dass dieses Resultat

vor allem durch die fehlerhafte Simulation der Wärmeströme in den Abendstunden verursacht

wird (siehe Abbildung 4-24) und diese damit einen enormen Einfluss auf die Bewertung hat.

Dieser Effekt der Simulation konnte auch in den anderen Monaten durch die Energiebilanz-

schließung der Messungen nicht beseitigt werden (siehe Abbildung F-4), weshalb er auf einen

Modellierungsfehler zurückzuführen sein muss. Da er sich nicht in den Sensitivitätsanalysen

Abbildung 4-23: Monatsmittelwerte des fühlbaren und latenten Wärmestroms der Messungen nach Schließung der

Energiebilanz im Vergleich zu den Ergebnissen der Modellierung (errechnet auf Basis der Tageswerte; Mittelwert

eines eingeklammerten Monats aus weniger als 50 % der Daten gebildet)


(Staudt et al., 2010a) zeigte, scheint er das Resultat der außerordentlichen Witterungsbedingun-

gen zu sein, was aber im Vergleich zu einem Jahr mit durchschnittlichen Witterungsverhältnis-

sen noch zu belegen wäre. Eine mögliche Erklärung für die bis in die Abendstunden anhaltende

Verdunstung könnte die Unterschätzung des simulierten reflektierten Anteils der Globalstrah-

lung sein (siehe Kapitel 4.2.1), die sich durch kleinere modellierte Albedo-Werte zu diesen Zei-

ten belegen lässt. In Abbildung 4-24 ist deren mittlerer Tagesgang ebenfalls mit dargestellt. Die

Strahlungsbilanz geht zwar nicht direkt in die Berechnung der Wärmeströme mit ein, dafür aber

indirekt über die Schließung der Energiebilanz der Blattoberflächen und bei der Bestimmung

der Oberflächentemperaturen (Pyles, 2010). Letztlich könnte aber auch die in ACASA integrier-

te Energiebilanzschließung eine mögliche Fehlerquelle sein, da für die Verteilung des Fehlers

der Absolutbetrag des Bowen-Verhältnisses verwendet wird. Weil dieses vor allem in den

Abendstunden negative Werte annehmen kann, könnte es deshalb speziell in den Abendstunden

zu einer Überschätzung der Verdunstung kommen.

Im Allgemeinen ergeben sich durch die Energiebilanzschließung der Messungen zusätzliche

Schwierigkeiten bei der Interpretation der Modellergebnisse auf die besonderen Witterungsbe-

dingungen, da die bessere Übereinstimmung des fühlbaren Wärmestroms auf Kosten der schon

vorherigen guten Übereinstimmung des latenten Wärmestroms erzielt werden konnte. Da die

Berechnung des Residuums durch die Abschätzung des Bodenwärmestroms und des Speicher-

terms relativ ungenau ist und die verwendete Methode zur Energiebilanzschließung fehlerbehaf-

tet ist, kommen, neben den Auswirkungen der in den Modellen implementierten Methoden (Kra-

cher et al., 2009; Staudt et al., 2010b), zusätzliche Unwägbarkeiten bei der Interpretation der Er-

gebnisse hinzu. Bisher ist nicht klar, wie im Allgemeinen mit diesem Unterschied in den Daten-

sätzen bei der Evaluierung umgegangen werden soll, wobei für SVAT-Modelle eine Energiebi-

lanzschließung unbedingt notwendig ist (Kracher et al., 2009), sofern diese nicht auch das ge-

messene Residuum korrekt modellieren können, wie es speziell für das ACASA-Modell der Fall

ist (Staudt et al., 2010b). Somit bleibt die Frage, inwiefern sich die mit ACASA modellierten

turbulenten Flüsse am besten mit den entsprechenden Messwerten vergleichen lassen.

Deshalb werden für die weiteren Interpretationen in diesem Kapitel die unkorrigierten turbulen-

ten Flüsse verwendet, um jene Fehler auszuschließen, die durch die Energiebilanzschließung der

Messungen entstehen würden.


Abbildung 4-24: Mittlere monatliche Tagesgänge der turbulenten Flüsse in der durch die Energiebilanzschließung

korrigierten Form, außerdem der Albedo für den Monat August 2003 (senkrechte Linien entsprechen ± 1 Standard-

abweichung vom Mittelwert der Messwerte)


4.2.3.3 Einfluss des heißen Sommers auf die Modellierung

In Abbildung 4-25 ist ein Fünf-Tages-Ausschnitt im August dargestellt, für den alle Tagesmittel-

temperaturen mindestens 5 °C über dem Langzeitmonatsmittel (1971-2000) von 14.5 °C liegen

und dieser dadurch eine Periode mit sehr hohen Temperaturen repräsentiert. Ihm gegenüberge-

stellt ist in Abbildung 4-26 eine Periode im Juni, dessen Tagesmittel im Durchschnitt weniger

als 4.8 °C vom Langzeitmittelwert (12.3 °C) abweichen. Die Lufttemperatur, die Strahlungsbi-

lanz und die relative Luftfeuchtigkeit belegen die meteorologischen Bedingungen in diesen

Zeiträumen, in denen kein Niederschlag registriert wurde (Ausnahme: 18.06.). Bei der Interpre-

tation der turbulenten Flüsse ist zu beachten, dass die Messwerte in der unkorrigierten Form (QH

und QE) dargestellt sind (siehe Kapitel 4.2.3.1).

Aus dem zeitlichen Verlauf der meteorologischen Parameter ergeben sich folgende mögliche

Zusammenhänge, die für die Überschätzung des latenten Wärmestroms während der heißen Pe-

rioden verantwortlich sein könnten. Während der in Abbildung 4-25 dargestellten Periode waren

überdurchschnittlich hohe Lufttemperaturen mit Tageswerten von über 30 °C und eine sehr

niedrige relative Luftfeuchtigkeit zu verzeichnen. Lufttemperatur und spezifische Feuchte, wel-

che über die Gleichung 3-3 und 3-4 mit der relativen Luftfeuchtigkeit zusammenhängt, sind Ein-

gangsparameter für die Modellierung. Diese fließen direkt in die Berechnung des fühlbaren und

latenten Wärmestroms ein (siehe Gleichung 2-9 und 2-10) oder werden für die Bestimmung des

aerodynamischen bzw. stomatären Widerstands (in diesem Fall über die Berechnung der stoma-

tären Leitfähigkeit; Gleichung 2-6) benötigt. Entscheidend bei den Berechnungen der Flüsse

durch ACASA ist die Differenz zwischen der Lufttemperatur beziehungsweise der Luftfeuchtig-

keit und den entsprechenden Größen an der Vegetationsoberfläche. So könnte sich die Über-

schätzung des latenten Wärmestroms in Folge der sehr hohen Lufttemperaturen (über den aero-

dynamischen Widerstand) und der geringen relativen Luftfeuchtigkeit zum Beispiel durch eine

fehlerhafte Berechnung der Oberflächenwerte erklären lassen (sofern die Messungen der Luft-

temperatur und der Luftfeuchte als plausibel angenommen werden). Da der simulierte fühlbare

Wärmestrom in diesem Fall sehr gut mit den Messungen übereinstimmt, muss die Oberflächen-

temperatur richtig berechnet worden sein. Somit bliebe eine zu hoch berechnete Oberflächen-

feuchte ein entscheidender Faktor für die Überschätzung der Verdunstung. Da diese auch die

modellierte stomatäre Leitfähigkeit mit beeinflusst, könnte dies bedeuten, dass ACASA die

Schließung der Stomata der Vegetation am Standort in Folge der geringen Luftfeuchtigkeit und

Bodenaustrocknung nicht abbilden kann. Interessant wäre, in diesem Kontext die Kopplung der

simulierten Oberflächenfeuchte der Vegetation mit der Bodenfeuchtigkeit zu untersuchen. Au-


ßerdem bleibt die Frage offen, ob womöglich die allgemein schlechten Ergebnisse des Boden-

moduls, vor allem in Bezug auf die Bodentemperaturen (siehe Kapitel 4.2.2), hierfür den Aus-

schlag liefern.

Abbildung 4-25: Fünf-Tages-Zeitraum im August 2003: Halbstündige Messwerte der Lufttemperatur, der relativen

Luftfeuchtigkeit, der Strahlungsbilanz und der turbulenten Flüsse im Vergleich zu den entsprechend modellierten

Ergebnissen


In Abbildung 4-25 und Abbildung 4-26 ist eindeutig die Abhängigkeit der turbulenten Flüsse

von der Strahlungsbilanz zu erkennen. Sowohl die Dynamik der Strahlungsbilanz, wie zum Bei-

spiel am 14.06. und 15. 06., als auch das Ansteigen und Abfallen der Kurven spiegeln sich in

den modellierten Tagesgängen der Wärmeströme wieder, wie sich unverändert auch über das

ganze Jahr hinweg zeigt (siehe auch Kapitel 4.2.3.2).

Abbildung 4-26: Fünf-Tages-Zeitraum im Juni 2003: Halbstündige Messwerte der Lufttemperatur, der relativen

Luftfeuchtigkeit, der Strahlungsbilanz und der turbulenten Flüsse im Vergleich zu den entsprechend modellierten

Ergebnissen


Wie sich bereits in der Analyse der monatlichen mittleren Tagesgänge (Abbildung 4-21) zeigte,

kommt es in der Juni-Periode zu einer relativ guten Übereinstimmung des latenten Wärme-

stroms (siehe Abbildung 4-26). Allerdings fällt am Abend des 17.06. und am 18.06. auf, dass

sich der modellierte latente Wärmestrom nicht entsprechend der witterungsbedingten Änderun-

gen der Messungen anpasst. Somit zeigt sich, dass die relative Luftfeuchtigkeit nur eine relativ

geringe Rolle bei der Berechnung der Verdunstung in den Sommermonaten spielt. Im Vergleich

zur August-Periode lässt sich hingegen erkennen, dass die simulierten Tagesgänge im August

deutlich in positive y-Richtung verschoben sind. Zusätzlich zur leichten Abnahme der gemesse-

nen Verdunstung (zeigt sich deutlicher im Vergleich der mittleren Tagesgänge in Abbildung 4-

21) führt dies zu einer Überschätzung der modellierten latenten Wärme. Im Vergleich der Luft-

temperaturen beider Perioden fällt sofort auf, dass deren unterschiedliche Größenordnungen den

Ausschlag dafür geben. Da sich die Tagesgänge der Verdunstung im August insgesamt (auch die

Nachtwerte) verschieben, ist von einer Temperaturabhängigkeit bei deren Berechnung auszuge-

hen. Diese ergibt sich im Vergleich zum fühlbaren Wärmestrom über die zusätzliche Berück-

sichtigung des stomatären Widerstands bei der Modellierung der Verdunstungsrate. Dabei geht

die Lufttemperatur durch die Berechnungen im Modul der Pflanzenphysiologie über zahlreiche

temperaturabhängige Gleichungen in den stomatären Widerstand ein. Um allerdings genauere

Aussagen über die Umsetzung der Temperaturabhängigkeit in Bezug auf den latenten Wärme-

strom treffen zu können, müssten detailliertere Untersuchungen des Pflanzenphysiologiemoduls

von ACASA durchgeführt werden.

Da im Juni das Monatsmittel der Lufttemperatur (17.5 °C) um 1.6 °C geringer ist als im August

(19.1 °C), fällt hier die mittlere Verdunstung im Vergleich geringer aus (siehe Abbildung 4-22).

Allerdings ergibt sich aber auch im Juni für Tage mit höheren Temperaturen ein dem der Au-

gust-Periode vergleichbarer Effekt (Ergebnis nicht dargestellt). Dadurch ist der Einfluss der be-

sonderen Witterungsbedingungen auf die Modellierung der turbulenten Flüsse eindeutig belegt,

der sich auf den verschiedenen Zeitskalen unterschiedlich stark zeigt.

4.2.3.4 Einfluss der atmosphärischen Stabilität

Eine detaillierte Analyse der nach den Stabilitätszuständen der Atmosphäre klassifizierten Fluss-

daten für das gesamte Jahr 2003 ist aufgrund der unterschiedlichen Qualität der Modellierungs-

ergebnisse zwischen den einzelnen Monaten und unter dem Einfluss der besonderen Witterungs-

bedingungen nur schwer möglich. Mit der Beschränkung auf einen kleiner definierten Zeitraum


und unter zusätzlicher Analyse der Turbulenzparameter höherer Ordnung wäre eine bessere

Analyse der Auswirkungen der Stabilitäten auf die turbulenten Flüsse möglich. In Abbildung 4-

27 sind dennoch die Boxplots der relativen Fehler der modellierten Daten an den Messwerten

für das Jahr 2003 nach den Stabilitätsklassen für beide Größen dargestellt. Die Einteilung der

Flussdaten erfolgte nach den in Kapitel 3.3.4 beschriebenen Kriterien. Die Boxen repräsentieren

dabei ausgehend vom Mittelwert des relativen Fehlers den Bereich, in dem 25 bis 75 % aller

Fehlerwerte liegen. Die Boxplots beider Größen zeigen jeweils für stabile Verhältnisse („z-less“

und „stabil“) den größten Interquartilsabstand und den höchsten Medianwert des relativen Feh-

lers. Der Grund hierfür liegt in der nahezu konstanten Abweichung der simulierten Nachtwerte

von den Messungen, da diese etwa einen Anteil von 90 % aller Daten dieser Stabilitätsklassen

ausmachen und diese Datenmenge wiederum etwa 56 % aller Nachtwerte bildet (siehe Tabelle

G-1 und Tabelle G-2). Unter stabilen atmosphärischen Bedingungen ist die Grundvoraussetzung

der Turbulenz für die Bestimmung der Flüsse durch die Eddy-Kovarianz-Methode nicht immer

ausreichend gegeben und deshalb auch nicht klar, wie gut die Messungen den tatsächlichen

Fluss repräsentieren (Foken, 2006). Hierdurch erklärt sich die Schwierigkeit bei der Evaluierung

der Nachtwerte beider turbulenter Flüsse und weshalb die Qualität deren Modellierung nicht

vollends geklärt werden kann.

Abbildung 4-27: Relative Fehler des modellierten fühlbaren und latenten Wärmestroms an den Messwerten aufge-

teilt nach Stabilitätsklassen


4.2.3.5 Abschließende Bemerkungen zu den turbulenten Flüssen

Zusammengefasst lässt sich aus der Analyse der turbulenten Flüsse für das Jahr 2003 sagen,

dass ACASA den fühlbaren Wärmestrom mit einer besseren Übereinstimmung (IA und E) zu

den Messwerten modellieren kann als den latenten Wärmestrom. Dieser zeigt, unabhängig von

der Energiebilanzschließung der Messungen, vor allem von Juni bis August an Tagen mit Tages-

mitteltemperaturen über 20 °C, eine Überschätzung der modellierten Verdunstung. Da ein Groß-

teil der Evaluierungsdaten, etwa 2629 Werte (≈ 70 %) von insgesamt 3746 Einzelmessungen, in

den überdurchschnittlich heißen und trockenen Monaten von Juni bis September liegt, könnte

dies auch der Grund für die insgesamt schlechtere Übereinstimmung des simulierten latenten

Wärmestroms sein. Die Qualität der modellierten Dynamik des fühlbaren Wärmestroms wird

hingegen nicht durch die besonderen Witterungsbedingungen in den Sommermonaten beein-

flusst, sondern zeigt in allen Monaten eine relativ gute Übereinstimmung. Lediglich die tenden-

zielle Überschätzung des simulierten fühlbaren Wärmestroms im Vergleich zu den unkorrigier-

ten Messwerten stellt einen Mangel der Modellierung dar. Abgesehen vom Monat August, resul-

tiert diese tendenzielle Überschätzung wahrscheinlich aus der geschlossenen Energiebilanz von

ACASA, wie es durch einen solchen Modellierungsansatz zu erwarten ist (Kracher et al., 2009).

Aufgrund dessen können die Auswirkungen der besonderen Witterungsbedingungen auf die tur-

bulenten Flüsse im Jahr 2003 nur schwer quantitativ beurteilt werden (siehe dazu auch Kapitel

4.2.3.2).


4.3 Modellierung der Kohlenstoffflüsse

In den folgenden Unterkapiteln werden die Modellierungsergebnisse der Kohlenstoffflüsse mit

ACASA für das Jahr 2003 präsentiert. Der Austausch von Kohlenstoff zwischen der Vegetation

und der Atmosphäre ist durch die Größe des Netto-Kohlenstoffaustauschs (NEE) definiert (siehe

Kapitel 2.1.3). Neben der Evaluierung der Modellierung anhand von Eddy-Kovarianz-Daten

(siehe Kapitel 4.3.1) werden auch die kumulierten Jahressummen des NEE (siehe Kapitel 4.3.2)

analysiert. Zur Darstellung der Jahressumme und der Monatsmittel der Messwerte wurden die

Lücken in deren Zeitreihe gefüllt. Dazu konnten bereits parametrisierte Daten nach der in Kapi-

tel 3.3.6 beschriebenen Methode verwendet werden (Lüers, persönliche Mitteilung), durch wel-

che außerdem die NEE-Zeitreihe des Kohlenstoffaustauschs in Assimilation und Respiration

aufgeteilt werden konnte. In allen Darstellungen, in die neben den Messwerten die parametri-

sierten Kohlenstoffflüsse eingehen, sind diese durch den Ausdruck „CO2mod“ zusätzlich ge-

kennzeichnet. Somit ergibt sich für die Kombination von parametrisierten und gemessenen Da-

ten die Bezeichnung „Mes+CO2mod“.

4.3.1 Allgemeine Bewertung

In Grafik A der Abbildung 4-28 sind die modellierten Halbstundenwerte des Netto-Kohlenstof-

faustauschs (NEE) gegen die entsprechenden Messwerte aufgetragen. Dabei zeigt die Punktwol-

ke mehrere charakteristische Eigenschaften. Zum Beispiel scheint die Nulllinie der y-Achse die

Punktwolke zu unterteilen, was durch die Aufteilung des Datensatzes nach Tages- und Nacht-

werten bestätigt wird (siehe Grafik B und C). Außerdem vermitteln die Scatterplots das Bild,

dass die Modellierung des NEE für positive (+14 µmol m-2 s-1) und negative (-18 µmol m-2 s-1 )

Werte begrenzt ist. Die Begrenzung der Punktwolke des NEE in positive y-Richtung, die haupt-

sächlich durch die Nachtwerte geprägt ist, scheint plausibel, da der nächtliche Kohlenstoffaus-

tausch ausnahmslos von Respirationsprozessen geprägt ist und diese entsprechend der Eigen-

schaften des Ökosystems durch eine maximale Respirationsleistung begrenzt sind.


Allgemein weisen die modellierten Tageswerte eine bessere Übereinstimmung mit den Mess-

werten auf als die Nachtwerte, was durch die Effizienzkoeffizienten von 0.42 und -0.02 ausge-

drückt wird. 56 % der Nachtwerte des Kohlenstoffaustauschs sind unter stabilen atmosphäri-

schen Verhältnissen gemessen worden, die, wie bei den turbulenten Flüssen, etwa einen Anteil

von 90 % der Stabilitätsklassen „z-less“ und „stabil“ ausmachen (siehe Tabelle G-3). Diese Sta-

bilitätsklassen weisen im Boxplot die größten relativen Fehler der modellierten Werte an den

Messdaten auf (siehe Abbildung 4-29). Die größten Abweichungen könnten, adäquat zu den tur-

bulenten Flüssen, durch die geringere Qualität der Eddy-Kovarianz-Daten erklären werden oder

allein durch die Modellierung bedingt sein. Zum Beispiel fließen bei einer punktuellen Model-

lierung des NEE advektive und nicht-turbulente Austauschprozesse in ACASA nicht mit ein

(Pyles et al., 2006). Es ist daher nicht möglich, die tatsächliche Ursache zu benennen.

Abbildung 4-28: Halbstundenwerte des Netto-Kohlenstoffaustauschs (NEE) für das Jahr 2003 im Scatterplot; A:

alle Werte; B: Tageswerte; C: Nachtwerte (Einteilung in Tages- und Nachwerte erfolgte nach den Sonnenaufgangs-

und Sonnenuntergangszeiten)


Die Abweichungen der Nachtwerte sind auch in den mittleren Tagesgängen, die in Abbildung 4-

30 exemplarisch für die Monate Juni bis August dargestellt sind, gut zu erkennen. Wie die Güte-

maße (MAE und RMSE) der einzelnen Monate in Tabelle C-7 bestätigen, ist die Abweichung

während der Nächte in den Sommermonaten am größten, mit einem Spitzenwert des MAE von

3.4 µmol m-2 s-1 im August. Dessen mittlerer Tagesgang zeigt in der Netto-Bilanz neben der Un-

terschätzung der Kohlenstoffassimilation durch den Bestand in der Nacht auch eine Unterschät-

zung der CO2-Aufnahme während des Tages. Der Verlauf der modellierten Tagesgänge ent-

spricht dabei einer U-Form, während der der Messwerte eher V-förmig ist. Dieser Unterschied in

den Tagesgängen ist letztlich auch die Ursache für die scheinbare Begrenzung der Punktwolke

im Scatterplot in negative y-Richtung. In den mittleren Tagesgängen aller Monate des simulier-

ten NEE fällt auf, dass die „Ecken“ der U-Form immer zu ähnlichen Uhrzeiten auftreten – in

den Morgenstunden etwa um 6 Uhr und in den Abendstunden etwa gegen 18 Uhr. Da diese Zei-

ten identisch mit den Sonnenaufgangs- und Sonnenuntergangszeiten sind, resultiert hieraus auch

die vermeintliche Trennlinie im Scatterplot des NEE zwischen den Tages- und Nachtwerten (sie-

he Abbildung 4-28).

Abbildung 4-29: Relativer Fehler des modellierten Netto-Kohlenstoffaustauschs (NEE) an den Messwerten, aufge-

teilt nach Stabilitätsklassen für das Jahr 2003


Abbildung 4-30: Mittlere monatliche Tagesgänge des NEE für die Monate Juni bis August 2003 (senkrechte Linien

entsprechen ± 1 Standardabweichung vom Mittelwert der Messwerte)


Eine Ursache für die Ausbildung der U-Form des mittleren Tagesgangs ist die Überschätzung

der Netto-Kohlenstoffaufnahme durch den Bestand in den frühen Morgen- und späten Abend-

stunden. Diese könnte in Folge der Unterschätzung des simulierten reflektierten Anteils der Glo-

balstrahlung zustande kommen (siehe Kapitel 4.2.1), die sich durch kleinere modellierte Albedo-

Werte zu diesen Zeiten belegen lässt. In Abbildung 4-31 sind die mittleren Tagesgänge des NEE

und der Albedo für den Monat Juni direkt einander gegenübergestellt. Durch die Unterschätzung

der simulierten Reflexstrahlung verbleibt ein größerer Energieanteil der vorgegebenen Global-

strahlung (= Eingangsgröße) im Bestand. Dieser könnte die Grundlage für die Überschätzung

der Kohlenstoffassimilation in den frühen Morgen- und späten Abendstunden durch ACASA

darstellen.

Ein weiterer Zusammenhang könnte zwischen der U-Form des simulierten mittleren Tagesgangs

und der gemessenen Lufttemperatur hergestellt werden. Die Zeitpunkte, zu denen die „Ecken“

in den mittleren Tagesgängen auftreten, entsprechen auch ungefähr den Uhrzeiten, zu denen die

Lufttemperaturen im Tagesgang zunehmen (siehe Abbildung 4-32).

Abbildung 4-31: Mittlere monatliche Tagesgänge des NEE und der Albedo für den Monat Juni 2003 (senkrechte Li-

nien entsprechen ± 1 Standardabweichung vom Mittelwert der Messwerte)


Abbildung 4-32: Fünf-Tages-Zeitraum im Mai 2003: Verlauf von Strahlungsbilanz, Lufttemperatur, Kohlen-

stoff-Respiration, Kohlenstoff-Assimilation und Netto-Kohlenstoffaustausch (NEE); die Zeitreihen der Kohlen-

stoffflüsse werden nach parametrisierten Daten (CO2mod), den tatsächlichen Messwerten und den modellierten Er -

gebnissen (ACASA) unterschieden.


Abbildung 4-33: Fünf-Tages-Zeitraum im August 2003: Verlauf von Strahlungsbilanz, Lufttemperatur, Kohlenstoff-

Respiration, Kohlenstoff-Assimilation und Netto-Kohlenstoffaustausch (NEE); die Zeitreihen der Kohlenstoffflüsse

werden nach parametrisierten Daten (CO2mod), den tatsächlichen Messwerten und den modellierten Ergebnissen

(ACASA) unterschieden.


Der Beispielzeitraum in Abbildung 4-32 zeigt am 05.05., 06.05. und 08.05. bereits Tage mit ho-

hen Lufttemperaturen, die eine deutlich überschätzte simulierte Respiration aufweisen. Bedingt

durch niedrigere Temperaturen während der Nächte, stimmen zu diesen Zeiten die Modellergeb-

nisse besser mit den parametrisierten Daten (CO2mod) überein. Die modellierten Assimilations-

anteile stimmen hingegen relativ gut mit diesen überein, auch wenn die Assimilationsrate an den

wärmeren Tagen durch ACASA leicht überschätzt wird. Wesentlich ausgeprägter treten diese Ef-

fekte während heißer Perioden in Erscheinung, wie zum Beispiel im August (siehe Abbildung 4-

33). Neben den hohen Temperaturen am Tag tragen nun auch die der Nächte zu einer Überschät-

zung der Respirationsrate bei. Im Tagesgang des NEE zeigt sich, dass die leichte Überschätzung

der modellierten Assimilationsrate durch die starke Überschätzung der simulierten Respirations-

rate wesentlich weniger gut ausgeglichen werden kann und es deshalb in der Nettobilanz zu ei-

ner schlechteren Übereinstimmung der Messungen des NEE mit den Ergebnissen von ACASA

kommt. Hieraus resultiert die Unterschätzung der Netto-Kohlenstoffaufnahme des Bestands vor

allem während des Tages, die ebenfalls zur Ausbildung der U-Form des simulierten NEE-Tages-

gangs beiträgt, wie wesentlich deutlicher in den mittleren Tagesgängen erkennbar ist (siehe Ab-

bildung 4-30).

Wie in Abbildung 4-32 und Abbildung 4-33 zu erkennen ist, folgen die Kurven der mit ACASA

modellierten Respiration eindeutig dem Muster des Temperaturverlaufs, was sich aus der Be-

rechnung der Respiration nach Gleichung 2-8 ergibt. Aufgrund des exponentiellen Charakters

der Gleichung steigt die Respiration mit zunehmender Temperatur stark an, wie Abbildung 4-34

verdeutlicht. Die mit ACASA simulierten Werte der Assimilation haben hingegen ihr Optimum

bei etwa 20 °C, wie auch für die verwendete Datenlückenfüllmethode in Rebmann (2004) be-

richtet wird. Da die Assimilation bei Temperaturen über 20 °C gegenüber niedrigeren Tempera-

turen reduziert ist, ist die Kohlenstoffaufnahme dadurch stärker limitiert. Deshalb kommt es an

Tagen oder in Monaten mit sehr hohen durchschnittlichen Lufttemperaturen zu einer Unterschät-

zung der Netto-Kohlenstoffassimilation durch ACASA.


Die enorme Überschätzung der Respirationsrate von ACASA liegt in einer nicht repräsentativen

Abbildung der Temperaturabhängigkeit dieses Prozesses für die besonderen Witterungsbedin-

gungen im Jahr 2003 begründet. Neben der Lufttemperatur und der basalen Respirationsrate, die

ACASA als Eingangsgröße benötigt, hängt die Bestimmung der Respirationsrate auch an den

Q10-Parametern, die vor dem Modelllauf zu definieren sind und den Grad der Temperaturabhän-

gigkeit der einzelnen Respirationsraten festlegen. Durch den Logarithmus des Q10-Wertes im

Exponenten der Gleichung 2-8 dämpft dieser den exponentiellen Anstieg der Respiration mit zu-

nehmender Temperatur. Für den Standort Waldstein-Weidenbrunnen wären in diesem Zusam-

menhang die in dieser Arbeit aus der Literatur verwendeten Q10-Werte der Respiration zu über-

prüfen.

Wie die Monatsmittel der NEE-Werte in Abbildung 4-35 zeigen, scheint das Problem der Koh-

lenstoff-Respiration auf dieser Zeitskala nur in Monaten mit sehr hohen Durchschnittstempera-

turen von relevanter Bedeutung zu sein. Gerade der Mittelwert des nächtlichen Kohlenstoffaus-

tauschs im August (Monatsmitteltemperatur: 19.1 °C), der von den Respirationsprozessen domi-

niert ist, scheint dafür ausschlaggebend zu sein. In den Monaten Juni und Juli hingegen fällt die

Überschätzung der simulierten Respirationsrate im Mittel wesentlich geringer aus, was durch

die geringeren Monatsmitteltemperaturen von 17.5 und 16.0 °C belegt wird und in der Bilanz

für eine gute Übereinstimmung der monatlichen Mittelwerte spricht.

Abbildung 4-34: Modellierte Ergebnisse von ACASA für die Respiration und Assimilation von Kohlenstoffdioxid in

Abhängigkeit von der gemessenen Lufttemperatur


Abbildung 4-35: Monatsmittelwerte des Netto-Kohlenstoffaustauschs im Vergleich zu den Ergebnissen der Model-

lierung für alle Werte (oben), die Tageswerte (Mitte) und die Nachtwerte (unten); die Lücken in der gemessenen

Zeitreihe des NEE wurden durch parametrisierte Daten (CO2mod) gefüllt. Der Mittelwert der Monate in runden

Klammern wurde aus weniger als 50 % Messwerten gebildet, der Mittelwert der Monate in eckigen Klammern zu

100 % aus parametrisierten Daten.


In den Wintermonaten Januar und Februar unterschätzt ACASA die Netto-Kohlenstoffaufnah-

me. Der Grund hierfür ist aber im Vergleich zum Monat August eine Unterschätzung der Assi-

milationsrate (siehe Abbildung 4-36). ACASA modelliert für Lufttemperaturen < 0 °C eine we-

sentlich geringere Assimilation gegenüber der Methode zur Lückenfüllung (CO2mod). Die Fra-

ge, welcher der beiden Werte mehr der Realität entspricht, lässt sich nur schwer beantworten. In

der vorliegenden Arbeit wurde der Kohlenstoffaustausch in einem Waldökosystem modelliert,

dessen Vegetation überwiegend aus Nadelbäumen besteht. Für diesen Vegetationstyp findet auch

bei Temperaturen unter 0 °C und moderaten Strahlungsbedingungen Photosynthese statt (Lar-

cher, 2001), was für die Ergebnisse der Methode zur Lückenfüllung sprechen würde. Auf der an-

deren Seite lag gerade in diesen Monaten sehr viel Schnee. Das war durch die NEE-Lückenfüll-

methode nur schwer zu erfassen, da für die Parametrisierung der Michaelis-Menton-Funktion in

diesem Zeitraum keine Messdaten zur Verfügung standen. Außerdem konnten die Auswirkungen

der überdurchschnittlichen Globalstrahlung auf den NEE in den Monaten Februar bis April (sie-

he Kapitel 4.1.2) bei der Kalibrierung der Funktion in den entsprechenden Temperaturklassen

nicht berücksichtigt werden (siehe dazu auch Kapitel 3.3.6). Dies würde gegen die Ergebnisse

der Methode zur Lückenfüllung sprechen. ACASA zeigt allerdings ebenso wenig einen direkten

Zusammenhang zwischen den simulierten Ergebnissen des NEE und der Schneehöhe, da auch

an Tagen, für die keine Schneebedeckung simuliert wurde, tatsächlich aber Schnee lag, nahezu

keine Assimilation modelliert wurde, so wie es für den synoptischen Abschnitt im April 2003

der Fall war (siehe Abbildung 4-36).


Abbildung 4-36: Fünf-Tages-Zeitraum im April 2003: Verlauf von Strahlungsbilanz, Lufttemperatur, Kohlen-

stoff-Respiration, Kohlenstoff-Assimilation und Netto-Kohlenstoffaustausch (NEE); die Zeitreihen der Kohlen-

stoffflüsse werden nach parametrisierten Daten (CO2mod), den tatsächlichen Messwerten und den modellierten Er -

gebnissen (ACASA) unterschieden.


4.3.2 Jahressumme

Alle im vorherigen Abschnitt erläuterten Effekte auf den Netto-Kohlenstoffaustausch (NEE) und

dessen Prozesse der Assimilation und Respiration zeigen sich auch in der Jahressumme des

NEE. In Abbildung 4-37 sind die jeweiligen kumulierten Kurven dargestellt. Die Tage, an denen

mehr als 50 % gemessene NEE-Werte vorliegen, sind in allen drei Grafiken durch den grauen

Bereich gekennzeichnet. In der Grafik des kumulierten NEE sind diese Tage zusätzlich durch

Markierung mit X hervorgehoben, um sie von den Werten der Lückenfüllmethode (CO2mod)

abzugrenzen.

Tabelle 4-2: Jahressummen des Netto-Kohlenstoffaustauschs (NEE) der kombinierten Zeitreihe aus gemessenen und

parametrisierten Daten (Mes+CO2mod) in [mol CO2 m-2] und [g C m-2] für die Jahre 2003 bis 2006; zusätzlich für

2003 der jährliche Assimilations- und Respirationsanteil sowie die Jahressummen der ACASA-Modellierung

NEE (2003) Assim. (2003) Resp. (2003) NEE (2004) NEE (2005) NEE (2006)

[mol m-2] [g m-2] [mol m-2] [g m-2] [mol m-2] [g m-2] [mol m-2] [g m-2] [mol m-2] [g m-2] [mol m-2] [g m-2]

Mes+CO2mod -37.1 -445 -132.5 -1590 95.4 1145 -98.6 -1183 -88.0 -1056 -88.0 -1056

ACASA -28.6 -343 -137.0 -1644 108.4 1301 - - - - - -

Differenz -8.5 -102 4.5 54 -13.0 -156 - - - - - -

Abbildung 4-37: Kumulierte Summen des NEE und dessen Prozesse der Assimilation und der Respiration für das

Jahr 2003; graue Bereiche entsprechen den Tagen mit mehr als 50 % Messwerten, die in der Summenkurve des

NEE zusätzlich durch ein X gekennzeichnet sind.


Die kumulierte Kurve der simulierten Respiration zeigt vor allem im ersten Halbjahr bis unge-

fähr Anfang Juni eine sehr gute Übereinstimmung mit den Messungen. Über den Sommer bis

September/Oktober ist die Steigung der modellierten Kurve wesentlich größer, was von der

Überschätzung der Respirationsrate durch ACASA her rührt. In den darauf folgenden Wintermo-

naten sind die Steigungen der Kurven einander wieder relativ ähnlich. Insgesamt simuliert

ACASA für das Jahr 2003 eine um -13.0 mol CO2 m-2 größere Freisetzung von Kohlenstoff in

die Atmosphäre. Das entspricht in etwa -156 g C m-2 im Jahr.

Von Januar bis Ende Februar simuliert ACASA wahrscheinlich in Folge von Lufttemperaturen,

die häufig unter 0 °C lagen (belegt durch die Monatsmittelwerte von -4.0 und -5.0 °C; siehe Ta-

belle A-1), eine vernachlässigbar geringe Photosyntheseaktivität. Im Vergleich dazu liefert die

lückengefüllte Zeitreihe des NEE in diesem Zeitraum Werte einer Kohlenstoffassimilation. Die

kleine Stufe der gemessenen Jahressumme im Monat April ist auf eine kurze Frostperiode mit

Schneefall zurückzuführen, welche auszugsweise in Abbildung 4-36 dargestellt ist und in den

Jahressummen auch durch ACASA abgebildet wird. Ab Mitte April ist die Steigung der model-

lierten Assimilationskurve steiler als die der Messungen, was vom Zeitpunkt her in etwa dem

Ende der Schneephase entspricht. Diese Tendenz spiegelt die leichte Überschätzung der simu-

lierten Kohlenstofffixierung in den Sommermonaten wieder und hält bis in den September an.

Bis zum Juli erreicht die Summe der simulierten Kohlenstoffassimilation ungefähr das Niveau

der Messungen und übertrifft dieses von da an kontinuierlich. In den Wintermonaten passen sich

die Steigungen von simulierter und gemessener Assimilationskurve wieder aneinander an und

zeigen einen parallelen Verlauf. In der Jahresbilanz für 2003 modelliert ACASA somit eine um

4.5 mol CO2 m-2 größere Kohlenstofffixierung im Ökosystem, was in etwa 54 g C m-2 im Jahr

entspricht.

Aus den kumulierten Jahressummen der Respiration und Assimilation ergibt sich für die des

Netto-Kohlenstoffaustauschs ein entsprechendes Bild. Durch die Unterschätzung der modellier-

ten Kohlenstoffaufnahme steigt die Summenkurve von ACASA zu Jahresbeginn steiler an und

zeigt so für diese Zeit in der Bilanz eine wesentlich höhere Kohlenstofffreisetzung aus dem

Ökosystem an. Ab August übersteigt dann aufgrund der hohen Temperaturen die Respirationsra-

te die Assimilationsrate, wodurch es wieder zu einer überschätzten modellierten Kohlenstofffrei-

setzung kommt. Die Messungen zeigen hingegen diesen Effekt in einer wesentlich geringeren

Ausprägung, wahrscheinlich in Folge der starken Trockenheit, welche die Respirationsrate (ins-

besondere die Bodenrespiration) im Verhältnis zur Assimilation minderte. Denn selbst im Jahr

1997 konnte im Sommer unter hohen Lufttemperaturen eine geringere Netto-Kohlenstoffaufnah-


me registriert werden (Rebmann, 2004).

Weil in diesem Zeitraum die Zeitreihe des NEE fast vollständig durch Messwerte repräsentiert

ist, zeigt sich hier eindrucksvoll die Überschätzung der modellierten Respiration durch ACASA.

Der Grund hierfür könnte die starke Trockenheit des Jahres 2003 sein, die ACASA nur unzurei-

chend abbilden zu können, beziehungsweise bei der Bestimmung der Respirationen nicht ausrei-

chend einfließen zu lassen scheint. Für die Berechnungen der Bodenrespiration war zwar für

diesen Zweck ein Mechanismus in ACASA implementiert, der allerdings bei anderen Untersu-

chungen unter nassen Bodenverhältnissen unplausible Ergebnisse lieferte und deshalb für diese

Untersuchungen von vornherein deaktiviert wurde (siehe Kapitel 3.4.1). Inwiefern sich die Do-

minanz der simulierten Respiration im Jahr 2003 durch die alleinige Aktivierung des Faktors re-

duzieren lassen würde, ist schwer abzuschätzen, da sich alle Respirationsarten proportional zur

Luft- oder Bodentemperatur erhöhen (siehe Abbildung 4-38) und dieser Faktor auch nur die An-

teile der Bodenrespiration betrifft. Allerdings setzt sich die Bodenrespiration aus den Anteilen

der Wurzeln und Mikroben zusammen, die insgesamt einen beachtlichen Anteil der modellierten

Gesamtrespiration ausmachen (im Jahresmittel etwa 37 %, neben 50 % der Blattrespiration und

13 % der Stammrespiration). Aufgrund dessen wäre von einer signifikanten Verbesserung auszu-

gehen, der aber unter „feuchteren“ Bedingungen, wie zum Beispiel im Mai, Juli oder Oktober,

eine Verschlechterung der Ergebnisse gegenüberstehen würde. Aufgrund der Erkenntnisse aus

der vorliegenden Arbeit wäre eine Wiedereinführung eines solchen Mechanismus notwendig

Abbildung 4-38: Fünf-Tages-Zeitraum im Mai 2003: zeitlicher Verlauf von gemessener Lufttemperatur und mit

ACASA modellierter Kohlenstoff-Respiration (unterteilt nach Respirationsquellen: Blätter, Stamm, Wurzeln und

Mikroben)


und wichtig, sofern dieser nur bei tatsächlicher Trockenheit einsetzen und auch alle weiteren Re-

spirationsarten mit einbeziehen würde.

In der Nettobilanz des NEE kommt es durch die beiden eben erläuterten Umstände im Winter

und Sommer für das Jahr 2003 zu einer Unterschätzung der Netto-Kohlenstoffassimilation durch

ACASA. Ungeachtet der Fehler, die durch die Methode der Lückenfüllung entstehen können,

liefert das Modell eine um -8.5 mol CO2 m-2 größere Kohlenstofffreisetzung in die Atmosphäre,

was in etwa -102 g C m-2 im Jahr entspricht und damit weit über dem Messfehler des NEE von

± 50 g C m-2 liegt (Baldocchi, 2003). Die NEE-Jahressumme der Messungen (-455 g C m-2) ist

hingegen mit dem Wert von -395 g C m-2 vergleichbar, der in einem alten Fichtenwald an der

Station Tharandt im gleichen Jahr gemessen wurde (Gruenwald und Bernhofer, 2007).

Im Vergleich zu den Jahren 2004 bis 2006 (Lüers, persönliche Mitteilung) zeigt die Jahressum-

me der kombinierten Zeitreihe des NEE aus Messungen und parametrisierten Daten (Mes+CO2-

mod) für den Standort Waldstein-Weidenbrunnen im Jahr 2003, auch unter Vernachlässigung des

Messfehlers, eine geringere Netto-Kohlenstoffassimilation (siehe Abbildung 4-39 und Tabelle 4-

2). Diese steht im direkten Zusammenhang mit den Witterungsbedingungen, so wie es für viele

andere Standorte auch nachgewiesen wurde (Ciais et al., 2005; Gruenwald und Bernhofer,

2007). Inwiefern die Ergebnisse der Modellierung des Netto-Kohlenstoffaustauschs mit ACASA

die besonderen Witterungsbedingungen des Jahres 2003 am Standort Waldstein-Weidenbrunnen

abbilden, bleibt im Vergleich zu anderen Jahren zu überprüfen. Im Vergleich zur Langzeitmodel-

lierung des NEE für einen amerikanischen Standort, an dem im Jahr 2003 ähnliche Witterungs-

bedingungen geherrscht hatten, zeigte sich hingegen in der Jahressumme eine Überschätzung

der Netto-Kohlenstoffaufnahme durch ACASA, die vermutlich aus einer wesentlich geringeren

Dominanz der Respiration in deren Modellierung resultierte (Pyles et al., 2006).

Dieser Gegensatz bestätigt die Notwendigkeit, die Mechanismen in ACASA, die den Einfluss

der Trockenheit auf den Kohlenstoffaustausch regeln, zu überarbeiten, beziehungsweise zu er-

weitern. Außerdem wären in diesem Zusammenhang die Eingangsparameter der Respirations-

prozesse für den Standort Waldstein-Weidenbrunnen zu überprüfen, beziehungsweise die Litera-

turwerte zur Charakterisierung der Vegetation durch repräsentative Messungen zu ersetzen, um

die Modellierungsergebnisse zu verbessern.


Abbildung 4-39: Kumulierte Summe des NEE für das Jahr 2003 (ACASA und kombinierte Zeitreihe aus Messwer-

ten und parametrisierten Daten) und für die Jahre 2004-2006 (kombinierte Zeitreihe aus Messwerten und parametri-

sierten Daten); Tage mit mehr als 50 % Messwerten sind für das Jahr 2003 in der Summenkurve des NEE zusätzlich

durch ein X gekennzeichnet

SCHLUSSFOLGERUNGEN 99

5 SCHLUSSFOLGERUNGEN

Die Modellierung des Kohlenstoff- und Energieaustauschs zwischen der Vegetation und der At-

mosphäre am Standort Waldstein-Weidenbrunnen für das Jahr 2003 lässt eine Vielzahl an

Schlussfolgerungen zu, die man bei der Simulation über einen einjährigen Zeitraum ziehen

kann.

Die einzelnen Energie- und Stoffflüsse weisen eine sehr unterschiedliche Qualität auf, was ihre

Simulation durch ACASA betrifft. Da zur Evaluierung der Ergebnisse nur ein einzelner Modell-

lauf herangezogen wurde, um die Modellperformance zu testen, war dies aufgrund der Sensitivi-

tätsanalysen zu erwarten, in denen gezeigt worden war, dass durch eine Parameteroptimierung

immer nur die Simulation eines Flusses (QH, QE oder NEE) auf Kosten der anderen verbessert

werden kann (Staudt et al., 2010a). Das bedeutet, dass durch eine einzelne Parameterkonfigura-

tion eine unterschiedliche Qualität der modellierten Größen erzielt werden kann.

Aus dem Vergleich der bestmöglich erzielten Effizienzkoeffizienten der Sensitivitätsanalyse mit

denen des Jahres 2003 ergeben sich ähnliche Tendenzen (siehe Tabelle 5-1). Die Modellierung

des Strahlungsaustauschs stimmt sehr stark mit den Messungen überein, was durch die Anpas-

sung des Reflexionsgrades der Blätter im nahen Infrarot, analog zum Ergebnis der Sensitivitäts-

analyse, erreicht werden konnte (pr0; siehe Kapitel 3.4.2). Der simulierte Bodenwärmestrom

zeigt nur eine geringe Übereinstimmung. Allerdings ist diese nicht die Folge von witterungsbe-

dingten Einflüssen auf die Messungen, wie es in Staudt et al. (2010a) der Fall war, sondern im

Jahr 2003 vielmehr auf die schlechte Datengrundlage der für seine Bestimmung relevanten Para -

meter zurückzuführen. Die Effizienzkoeffizienten der turbulenten Flüsse aus den Sensitivitäts-

analysen weisen im Vergleich zu denen des Jahres 2003 ein unterschiedliches Verhältnis zuein-

ander auf, wobei die geringere Übereinstimmung des latenten Wärmestroms und auch die des

NEE vermutlich die Folge der besonderen Witterungsbedingungen sind.

Tabelle 5-1: Effizienzkoeffizient aller Energieflüsse und des Kohlenstoffaustauschs im Vergleich zu den maximal er-

reichten Effizienzkoeffizienten der Sensitivitätsanalyse aus Staudt et al. (2010a); für das Jahr 2003 sind die Effizi-

enzkoeffizienten der turbulenten Flüsse für die reinen Messwerte (QH und QE) und für die durch die Energiebilanz-

schließung korrigierten Werte angegeben (QH,Bo und QE,Bo). Alle Größen wurden mit dem gleichen Modelllauf vergli-

chen.

QH | QH,Bo QE | QE,Bo QG NEE Qs,kw Qs,lw Q*s

Jahr 2003 0.73 | 0.88 0.44 | 0.67 -0.84 0.69 1.00 1.00 1.00

max(IOP-1) 0.92 0.87 0.34 0.84 1.00 0.98 1.00

max(IOP-2) 0.93 0.80 -0.24 0.86 1.00 0.99 1.00


Da in ACASA eine Energiebilanzschließung implementiert ist, müsste folglich auch die Energie-

bilanz der Messungen geschlossen sein, um für die Evaluierung der Ergebnisse von einer glei-

chen Basis auszugehen. Bei der Beurteilung der Qualität der modellierten turbulenten Wärme-

ströme wurden die Auswirkungen der nicht-geschlossenen Energiebilanz der Messungen beson-

ders deutlich. Auch wenn für das Jahr 2003 aufgrund der Abschätzungen des Bodenwärme-

stroms und des Speicherterms nur ein grober Eindruck gegeben werden konnte, zeigte sich in

Kapitel 4.2.3, dass es dadurch zu einer konträren Beurteilung der turbulenten Flüsse kommen

kann. Wie auch in Staudt et al. (2010b) vorgeschlagen wurde, sollten deshalb die Schwächen der

integrierten Energiebilanzschließung bei der weiteren Entwicklung von ACASA behoben wer-

den.

Während der Untersuchungen im Rahmen dieser Arbeit ergaben sich generell weitere Schwä-

chen und wichtige Zusammenhänge zu den Eingangsparametern bei der Modellierung mit ACA-

SA. Zum Beispiel bestätigte sich bei der Simulation der Schneebedeckung im Winter 2003 der

Einfluss von Lufttemperatur und Niederschlagsmenge, wie es in Rutter et al. (2009) und Essery

et al. (2009) für eine Vielzahl von „snowpack“-Modellen beschrieben ist. Da am Standort Wald-

stein-Weidenbrunnen vor allem die Niederschlagsmessungen in den Wintermonaten fehlerbehaf-

tet sind (Foken, 2003) und die Messstation des DWD in Weißenstadt inzwischen nicht mehr be-

trieben wird, gilt es eine neue Methode zur Korrektur der Niederschlagsmengen zu bestimmen,

die Grundvoraussetzung für eine adäquate Modellierung der Schneehöhe ist. Zum Beispiel

könnte die Datengrundlage durch die Bestimmung einer standortspezifischen Korrekturfunktion

verbessert werden. Auch wenn die modellierte Schneehöhe selbst nicht von Interesse sein sollte,

wirkt sich diese dennoch signifikant auf die simulierte Bodentemperatur und damit vor allem auf

den Bodenwärmestrom aus (siehe Kapitel 4.2.2). Dieser stellt in der Energiebilanz der Messun-

gen (Liebethal et al., 2005) und in SVAT-Modellen mit geschlossener Energiebilanz eine wichti-

ge Größe dar, da er sich über den Schließungsansatz auch auf die anderen Flüsse auswirkt (Kra-

cher et al., 2009). Allerdings konnten in dieser Arbeit aufgrund der schlechten Datengrundlage

diese Zusammenhänge während der Schneeperioden nicht genauer untersucht werden.

In den Wintermonaten zeigt die modellierte kurzwellige Strahlungsbilanz zu Zeiten mit gemes-

sener Schneebedeckung eine Unterschätzung der simulierten Reflexstrahlung. Wie in Kapitel

4.2.1 dargestellt wurde, resultiert dies aus der fehlenden Anpassung der Unterlageneigenschaften

(Transmission und Emission). Im Modellcode war dafür eine durch die Modellentwickler aus-

kommentierte Umsetzung zu finden, die wohl bisher nicht weiterverfolgt wurde. Nach den Er-

kenntnissen aus dieser Arbeit ist allerdings die Fortführung dieser Bemühungen zu empfehlen.


In den Sommermonaten (Juni bis August) konnte vor allem für den latenten Wärmestrom, die

Kohlenstoff-Respiration und die Bodentemperaturen ein signifikanter Einfluss der überdurch-

schnittlich hohen Temperaturen nachgewiesen werden. Der Einfluss der erhöhten Bodentempe-

raturen auf den Bodenwärmestrom konnte aufgrund der schlechten Datengrundlage im Jahr

2003 nicht direkt durch die Evaluierung mit Messungen belegt werden. Allerdings lassen die

sehr hoch modellierten Bodentemperaturen einen Einfluss vermuten. Diese könnten letztlich

auch der Auslöser für die überschätzte Kohlenstoff-Respiration der Wurzeln und Mikroben sein,

die auch noch nach Reduktion des Literaturwertes für die basalen Respirationsraten der Wurzeln

und Mikroben (r0r und r0m; siehe Kapitel 3.4.2) zu einer Unterschätzung der Netto-Kohlenstof-

faufnahme durch die Vegetation führt. Da gerade die Bodenrespiration ein entscheidender Para-

meter für die Modellierung des NEE unter trockenen Bedingungen ist (Falge et al., 2003), ge-

winnt die Diskussion über die Problematik eines bereits dafür vorgesehenen Faktors an Bedeu-

tung, der den Einfluss der Trockenheit berücksichtigen soll (siehe Kapitel 3.4.1 und 4.3.2). Ne-

ben einer bereits bekannten strukturellen Schwäche in den Berechnungen der Bodenrespiration

(wegen der Annahme, die Oberfläche der Wurzeln und Mikroben entspreche dem LAI; siehe

Kapitel 2.2.2 und Staudt et al., 2010a), wäre es zusätzlich wichtig, den Einfluss der Bodentem-

peraturen genauer zu untersuchen, um den Ursachen für die problematische Bestimmung der

Bodenrespiration auf den Grund zu gehen. Deswegen lässt sich nicht genau klären, inwiefern

mögliche Fehler bei der Bestimmung der Blatt- und Stammrespiration zur Überschätzung der

gesamten Kohlenstoff-Respiration beitragen. Dennoch resultiert die Unterschätzung der Netto-

Kohlenstoffaufnahme durch den Bestand letztlich für alle Respirationsarten aus der Temperatur-

abhängigkeit von Gleichung 2-8.

Auch für die Überschätzung des latenten Wärmestroms während heißer Perioden, konnte der

Temperatureinfluss als ein entscheidender Faktor ausgemacht werden. Die Lufttemperatur geht

über die Berechnungen im Modul der Pflanzenphysiologie durch zahlreiche temperaturabhängi-

ge Gleichungen in den stomatären Widerstand und damit in die Verdunstungsrate mit ein. Letzt-

lich könnte aber auch jeder Parameter aus dem Modul der Pflanzenphysiologie eine Ursache für

die fehlerhafte Modellierung der Verdunstung darstellen. Bereits in Staudt et al. (2010a) wurde

anhand der Sensitivitätsanalysen belegt, dass zum Beispiel der Parameter für die Steigung der

Ball-Berry-Gleichung (cm) aus den Photosynthese-Berechnungen eine wesentlich größere Sen-

sitivität für trockene und warme Verhältnisse zeigt, als für feuchte und kältere Bedingungen. So

wird klar, dass es auch für den latenten Wärmestrom einen in ACASA integrierten Mechanismus

geben müsste, der den Einfluss von Trockenheit und überdurchschnittlich hohen Temperaturen


steuert.

Wie eingangs anhand der Effizienzkoeffizienten aus Tabelle 5-1 richtig vermutet wurde, wirken

sich die überdurchschnittlich hohen Temperaturen im Hitzesommer 2003 signifikant auf die

Qualität der Modellierung des latenten Wärmestroms und des Netto-Kohlenstoffaustauschs aus.

Durch den besonders hohen Monatsmittelwert der Lufttemperatur im August (19.1 °C) spiegelt

sich dieser Einfluss auch in der Analyse der Monatsmittelwerte wieder. Im Gegensatz dazu zei-

gen sich die Auswirkungen der Hitzeperiode im Juni nur an Tagen mit sehr hohen Temperaturen.

Der geringere Mittelwert der Lufttemperatur von 17.5 °C liefert, trotz einer vergleichbaren Ab-

weichung vom Langzeitmittelwert (etwa +5 °C; siehe Kapitel 4.1.1), im Endeffekt die Begrün-

dung, warum in den Darstellungen der Monatsmittel dieser Einfluss nicht so deutlich, sondern

vielmehr kompensiert wurde.

Ob nun allerdings die überdurchschnittlich hohen Temperaturen im Jahr 2003 oder womöglich

die Eingangsparameter von ACASA die Überschätzung der simulierten latenten Wärme und die

Unterschätzung der Netto-Kohlenstoffaufnahme in den Sommermonaten verursachten, müsste

noch im Vergleich zur Modellierung des Kohlenstoff- und Energieaustauschs in anderen Jahren

unter durchschnittlichen Witterungsbedingungen bestätigt werden.

LITERATURVERZEICHNIS 103

LITERATURVERZEICHNIS

Acosta, M., Pavelka, M., Pokorny, R., Janous, D., Marek, M.V. (2008) Seasonal variation in CO2 efflux of

stems and branches of Norway spruce trees. Ann. Bot., 101: 469–477.

Alsheimer, M. (1997) Charakterisierung räumlicher und zeitlicher Heterogenität der Transpiration unter

schiedlicher montaner Fichtenbestände (Picea abies (L.) KARST.) durch Xylemflußmessungen. Bay-

reuther Forum Ökologie, 49: 1–143.

Aubinet, M. et al. (2000) Estimates of the annual net carbon and water exchange of forests: The EU

ROFLUX methodology. Adv. Ecol. Res., 30: 113–175.

Baker, I., Denning, A.S., Hanan, N., Prihodko, L., Uliasz, M., Vidale, P.L., Davis, K., Bakwin, P. (2003)

Simulated and observed fluxes of sensible and latent heat and CO2 at the WLEFTV tower using Si

B2.5. Global Change Biology, 9: 1262–1277.

Baldocchi, D. et al. (2001) FLUXNET: A new tool to study the temporal and spatial variability of ecosys

temscale carbon dioxide, water vapor, and energy flux densities. Bull. Am. Meteorol. Soc., 82: 2415–

2434.

Baldocchi, D.D. (2003) Assessing the eddy covariance technique for evaluating carbon dioxide exchange

rates of ecosystems: past, present and future. Global Change Biology, 9: 479–492.

Berger, M., Dlugi, R., Foken, T. (2004) Modelling the vegetation atmospheric exchange with a transilient

model. In: Matzner, E. (ed.), Biogeochemistry of forested catchments in a changing environment.

Springer, Berlin, pp. 177–190.

Biermann, T. (2009) Parameterization of integral turbulence characteristics above and within a spruce

stand. Dipomarbeit. Abt. Mikrometeorologie. Universität Bayreuth: 96 pp.

Borken, W., Xu, Y.J., Davidson, E.A., Beese, A. (2002) Site and temporal variation of soil respiration in

European beech, Norway spruce, and Scots pine forests. Global Change Biology, 8: 1205–1216.

Buchmann, N. (2000) Biotic and abiotic factors controlling soil respiration rates in Picea abies stands.

Soil Biol. Biochem., 32: 1625–1635.

Ciais, P. et al. (2005) Europewide reduction in primary productivity caused by the heat and drought in

2003. Nature, 437: 529–533.

Collatz, G.J., Ball, J.T., Grivet, C., Berry, J.A. (1991) Physiological and environmental regulation of sto

matal conductance, photosynthesis and transpiration: a model that includes a laminar boundary layer.

Agric. For. Meteorol., 54: 107–136.


Denmead, O.T., Bradley, E.F. (1985) Fluxgradient relationships in a forest canopy. In: Hutchinson, B.A.,

Hicks, B.B. (eds.), The forest-atmosphere interaction. Reidel, Dordrecht, pp. 421–442.

Deutscher Wetterdienst (2004) Jahresbericht 2003, Selbstverlag des Deutschen Wetterdienstes, Offenbach

am Main, ISBN: 3-88148-393-4: 82 pp.

DeVries, D.A. (1963) Thermal properties of soils. In: VanWijk, W.R. (ed.), Physics of Plant Environment.

North-Holland Publishing, Amsterdam, pp. 210–235.

Essery, R., Rutter, N., Pomeroy, J., Baxter, R., Staehli, M., Gustafsson, D., Barr, A.G., Bartlett, P., Elder,

K. (2009) An Evaluation of Forest Snow Process Simulations. Bull. Am. Meteorol. Soc., 90: 1120–

1135.

Falge, E., Graber, W., Siegwolf, R., Tenhunen, J. (1996) A model of the gas exchange response of Picea

abies to habitat conditions. Trees, 10: 277–287.

Falge, E. et al. (2001a) Gap filling strategies for long term energy flux data sets. Agric. For. Meteorol.,

107: 71–77.

Falge, E. et al. (2001b) Gap filling strategies for defensible annual sums of net ecosystem exchange.

Agric. For. Meteorol., 107: 43–69.

Falge, E. et al. (2003) A modelbased study of carbon fluxes at ten European forest sites. In: Valentini, R.

(ed.), Fluxes of carbon, water and energy of European forests. Springer, Berlin, pp. 151–177.

Falge, E. et al. (2005) Comparison of surface energy exchange models with eddy flux data in forest and

grassland ecosystems of Germany. Ecological Modelling, 188: 174–216.

Farquhar, G.D., Caemmerer, S. von (1982) Modelling of photosynthetic response to environmental condi

tions. In: Lange, O.L., et al. (eds.), Physiological Plant Ecology II, Water Relations and Carbon Assi-

milation. Springer, Berlin, pp. 549–588.

FLUXNET (2010) About FLUXNET: Introduction. http://www.fluxnet.ornl.gov/fluxnet/introduction.cfm,

aufgerufen am: 04.05.2010.

Foken, T. (1991) Die universelle Funktion nach Skeib Grundlage der Maßstabsbetrachtungen in der at

mosphärischen Bodenschicht. Zeitschrift für Meteorologie, 41: 1–16.

Foken, T., Handorf, D., Weisensee, U. (1997) Modell und Messkonzepte für das LITFASSMonitoring

Messnetz. Arbeitsergebnisse, 42, DWD Geschäftsbereich Forschung und Entwicklung, Offenbach am

Main: 97 pp.

Foken, T. (2003) Lufthygienischbioklimatische Kennzeichnung des oberen Egertales. Bayreuther Forum

Ökologie, 100, Bayreuth: 69 pp.


Foken, T., Goeckede, M., Mauder, M., Mahrt, L., Amiro, B.D., Munger, J.W. (2004) Postfield data quali

ty control. In: Lee, X., et al. (eds.), Handbook of Micrometeorology: A Guide for Surface Flux Measu-

rements. Kluwer, Dordrecht, pp. 81–108.

Foken, T. (2006) Angewandte Meteorologie, Springer, Berlin, ISBN: 9783540382027: 325 pp.

Foken, T. (2008) The energy balance closure problem: An overview. Ecol. Appl., 18: 1351–1367.

Foken, T., Mauder, M., Liebethal, C., Wimmer, F., Beyrich, F., Leps, J.-P., Raasch, S., DeBruin, H.A.R.,

Meijninger, W.M.L., Bange, J. (2010) Energy balance closure for the LITFASS2003 experiment. Theo-

retical and Applied Climatology, DOI: 10.1007/s00704-009-0216-8.

Gerstberger, P., Foken, T., Kalbitz, K. (2004) The Lehstenbach and Steinkreuz Catchments in NE Bavaria,

Germany. In: Matzner, E. (ed.), Biogeochemistry of forested catchments in a changing environment.

Springer, Berlin, pp. 15–44.

Goeckede, M., Markkanen, T., Hasager, C.B., Foken, T. (2006) Update of a footprintbased approach for

the characterisation of complex measurement sites. Boundary-Layer Meteorol., 118: 635–655.

Granier, A. et al. (2007) Evidence for soil water control on carbon and water dynamics in European fo

rests during the extremely dry year: 2003. Agric. For. Meteorol., 143: 123–145.

Gruenwald, T., Bernhofer, C. (2007) A decade of carbon, water and energy flux measurements of an old

spruce forest at the Anchor Station Tharandt. Tellus Series B-Chemical And Physical Meteorology, 59:

387–396.

Hanson, P.J. et al. (2004) Oak forest carbon and water simulations: Model intercomparisons and evaluati

ons against independent data. Ecol. Monogr., 74: 443–489.

Hollinger, D., Kelliher, F.M., Byers, J.N., Hunt, J.E., Mcseveny, T.M., Weir, P.L. (1994) Carbondioxid

exchange between an undisturbed oldgrowth temperate forest and the atmosphere. Ecology, 75: 134–

150.

Huang, D. et al. (2007) Canopy spectral invariants for remote sensing and model applications. Remote

Sens. Environ., 106: 106–122.

Isaac, P., Beringer, J., Hutley, L., Wood, S. (2007) Modelling Australian Tropical Savannas: current tools

and future challenges. In: Hollis, A.J., Jemmeson, V. (eds.), Physical processes and modelling of the

water and carbon cycle, Melbourne, pp. 47–51.

Janssens, I.A., Dore, S., Epron, D., Lankreijer, H., Buchmann, N., Longdoz, B., Brossaud, J., Montagnani,

L. (2003) Climatic influences on seasonal and spatial differences in soil CO2 efflux. In: Valentini, R.

(ed.), Fluxes of carbon, water and energy of European forests. Springer, Berlin, pp. 235–253.


Kracher, D., Mengelkamp, H.-T., Foken, T. (2009) The residual of the energy balance closure and its in

fluence on the results of three SVAT models. Meteorologische Zeitschrift, 18: 647–661.

Larcher, W. (2001) Ökophysiologie der Pflanzen. UTB für Wissenschaft, 8074, Ulmer, Stuttgart, ISBN: 3-

8001-2759-8.

Legates, D.R., McCabe, G.J. (1999) Evaluating the use of "goodnessoffit" measures in hydrologic and

hydroclimatic model validation. Water Resour. Res., 35: 233–241.

Leuning, R. (1990) Modelling stomatal behaviour and photosynthesis of Eucalyptus grandis. Aust. J. Plant

Physiol., 17: 159–175.

Liebethal, C., Huwe, B., Foken, T. (2005) Sensitivity analysis for two ground heat flux calculation ap

proaches. Agric. For. Meteorol., 132: 253–262.

Liebethal, C., Foken, T. (2007) Evaluation of six parameterization approaches for the ground heat flux.

Theoretical and Applied Climatology, 88: 43–56.

Lindroth, A., Mölder, M., Lagergren, F. (2010) Heat storage in forest biomass improves energy balance

closure. Biogeosciences, 7: 301–313.

Lloyd, J., Taylor, J.A. (1994) On the temperaturedependence of soil respiration. Functional Ecology, 8:

315–323.

Marras, S. (2008) Evaluation of the "Advanced CanopyAtmosphereSoil Algorithm" (ACASA) model per

formance using micrometeorological techniques. PhD Thesis. Facoltà di Agraria. Università degli Studi

di Sassari: 263 pp.

Marras, S., Spano, D., Pyles, R.D., Falk, M., Sirca, C., Miglietta, F., Snyder, R.L., Paw U, K.T. (2009)

Energy and mass flux simulations in urban areas using the ACASA model. Eos Trans. AGU, 90, Fall

Meet. Suppl., Abstract B33D-0421.

Massman, W., Weil, J.C. (1999) An analytical onedimensional secondorder closure model of turbulence

statistics and the Lagrangian time scale within and above plant canopies of arbitrary structure. Boun-

dary-Layer Meteorol., 91: 81–107.

Matteucci, G., Dore, S., Stivanello, S., Rebmann, C., Buchmann, N. (2000) Soil respiration in beech and

spruce forests in Europe: trends, controlling factors, annual budgets and implications for the ecosys

tem carbon balance. In: Schulze, E.D. (ed.), Carbon and Nitrogen Cycling in European Forest Ecosys-

tems. Springer, Berlin, pp. 217–236.

Mauder, M., Foken, T. (2004) Documentation and instruction manual of the Eddy covariance software

package TK2. Arbeitsergebnisse, 26, Univ. Bayreuth, Abt. Mikrometeorologie, ISSN: 1614-8924: 44

pp.


Mauder, M., Liebethal, C., Goeckede, M., Leps, J.-P., Beyrich, F., Foken, T. (2006) Processing and quality

control of flux data during LITFASS2003. Boundary-Layer Meteorol., 121: 67–88.

Mauder, M., Oncley, S.P., Vogt, R., Weidinger, T., Ribeiro, L., Bernhofer, C., Foken, T., Kohsiek, W.,

Bruin, H.A.R. de, Liu, H. (2007) The energy balance experiment EBEX2000. Part II: Intercomparison

of eddycovariance sensors and postfield data processing methods. Boundary-Layer Meteorol., 123:

29–54.

Meyers, T.P. (1985) A simulation of the canopy microenvironment using higher order closure principles.

PhD thesis. Purdue University: 153 pp.

Meyers, T.P., Paw U, K.T. (1986) Testing of a higherorder closure model for airflow within and above

plant canopies. Boundary-Layer Meteorol., 37: 297–311.

Meyers, T.P., Paw U, K.T. (1987) Modelling the plant canopy micrometeorology with higherorder closure

techniques. Agric. For. Meteorol., 41: 143–163.

Michaelis, L., Menton, M.L. (1913) Die Kinetik der Invertinwirkung. Biochem. Z.: 333–369.

Moffat, A.M. et al. (2007) Comprehensive comparison of gapfilling techniques for eddy covariance net

carbon fluxes. Agric. For. Meteorol., 147: 209–232.

Nash, J.E., Sutcliffe, J.V. (1970) River flow forecasting through conceptional models. Part 1 A discussi

on of principles. J. Hydrol., 10: 282–290.

Oncley, S.P. et al. (2007) The Energy Balance Experiment EBEX2000. Part I: Overview and energy ba

lance. Boundary-Layer Meteorol., 123: 1–28.

Panin, G.N., Tetzlaff, G. (1999) A measure of inhomogeneity of the land surface and parametrization of

turbulent fluxes under natural conditions. Theoretical and Applied Climatology, 62: 3–8.

Paw U, K.T., Gao, W. (1988) Applications of solutions to nonlinear energy budget equations. Agric. For.

Meteorol., 43: 121–145.

Pyles, R.D. (2000) The development and testing of the UCD advanced canopyatmospheresoil algorithm

(ACASA) for use in climate prediction and field studies. PhD thesis. Atmospheric Science. UC Davis:

194 pp.

Pyles, R.D., Weare, B.C., Paw U, K.T. (2000) The UCD Advanced CanopyAtmosphereSoil Algorithm:

Comparisons with observations from different climate and vegetation regimes. Q. J. R. Meteorol. Soc.,

126: 2951–2980.

Pyles, R.D., Weare, B.C., Paw U, K.T., Gustafson, W. (2003) Coupling between the University of Califor

nia, Davis, Advanced CanopyAtmosphereSoil Algorithm (ACASA) and MM5: Preliminary results for

July 1998 for western North America. J. Appl. Meteorol., 42: 557–569.


Pyles, R.D., Paw U, K.T., Falk, M. (2004) Directional wind shear within an oldgrowth temperate rainfo

rest: observations and model results. Agric. For. Meteorol., 125: 19–31.

Pyles, R.D., Wharton, S., Xu, L., Paw U, K.T., Falk, M., Schroeder, M. (2006) Modeling longterm car

bon exchange in an oldgrowth temperate rain forest. 27th Conference on Agricultural and Forest Me-

teorology. 21 May -25 May 2006, San Diego.

Pyles, R.D. (2010) ACASA CODEX, Version vom 12. September 2009. in preperation.

Rebetez, M., Mayer, H., Dupont, O., Schindler, D., Gartner, K., Kropp, J.P., Menzel, A. (2006) Heat and

drought 2003 in Europe: a climate synthesis. Ann. For. Sci., 63: 569–577.

Rebmann, C. (2004) Kohlendioxid, Wasserdampf und Energieaustausch eines Fichtenwaldes in Mittel

gebirgslage in Nordostbayern. Bayreuther Forum Ökologie, 106, Bayreuth, ISSN: 0944-4122: 140 pp.

Rebmann, C. et al. (2004) Carbon Budget of a Spruce Forest Ecosystem. In: Matzner, E. (ed.), Biogeoche-

mistry of forested catchments in a changing environment. Springer, Berlin, pp. 143–159.

Rebmann, C., Zeri, M., Lasslop, G., Mund, M., Kolle, O., Schulze, E.D., Feigenwinter, C. (2010) Treat

ment and assessment of the CO2exchange at a complex forest site in Thuringia, Germany. Agric. For.

Meteorol., 150: 684–691.

Reichstein, M. et al. (2007) Reduction of ecosystem productivity and respiration during the European

summer 2003 climate anomaly: a joint flux tower, remote sensing and modelling analysis. Global

Change Biology, 13: 634–651.

Ruppert, J., Mauder, M., Thomas, C., Lueers, J. (2006) Innovative gapfilling strategy for annual sums of

CO2 net ecosystem exchange. Agric. For. Meteorol., 138: 5–18.

Rutter, N. et al. (2009) Evaluation of forest snow processes models (SnowMIP2). J. Geophys. Res. - Atmo-

spheres, 114: D06111.

Schaer, C., Jendritzky, G. (2004) Climate change: Hot news from summer 2003. Nature, 432: 559–560.

Schaer, C., Vidale, P.L., Luthi, D., Frei, C., Haberli, C., Liniger, M.A., Appenzeller, C. (2004) The role of

increasing temperature variability in European summer heatwaves. Nature, 427: 332–336.

Schroeter, J. (2005) Advektive Einflüsse auf den CO2Austausch eines Fichtenbestandes. Diplomarbeit.

Abt. Mikrometeorologie. Universität Bayreuth: 103 pp.

Shaw, R.H. (1977) Secondary Wind Speed Maxima Inside Plant Canopies. J. Appl. Meteorol., 16: 514–

521.

Simon, E., Meixner, F.X., Ganzeveld, L., Kesselmeier, J. (2005) Coupled carbonwater exchange of the

Amazon rain forest, I. Model description, parameterization and sensitivity analysis. Biogeosciences, 2:

231–253.


Smirnova, T.G., Brown, J.M., Benjamin, S.G. (1997) Performance of Different Soil Model Configurations

in Simulating Ground Surface Temperature and Surface Fluxes. Mon. Weather Rev., 125: 1870–1884.

Smirnova, T.G., Brown, J.M., Benjamin, S.G., Kim, D. (2000) Parameterization of coldseason processes

in the MAPS landsurface scheme. J. Geophys. Res. - Atmospheres, 105: 4077–4086.

Staudt, K., Foken, T. (2007) Documentation of reference data for the experimental areas of the Bayreuth

Centre for Ecology and Environmental Research (BayCEER) at the Waldstein site. Arbeitsergebnisse,

35, Univ. Bayreuth, Abt. Mikrometeorologie, ISSN: 1614-8924: 37 pp.

Staudt, K., Falge, E., Pyles, R.D., Paw U, K.T., Foken, T. (2010a) Sensitivity and predictive uncertainty of

the ACASA model at a spruce forest site. Biogeosciences Discussion, 7: 4223–4271.

Staudt, K., Pyles, R.D., Paw U, K.T., Foken, T. (2010b) Closure problems: energy balance closure and

higher order turbulence closure and in the ACASA model., in preparation.

Staudt, K., Serafimovich, A., Siebicke, L., Pyles, R.D., Falge, E. (2010c) Vertical structure of evapotran

spiration at a forest site (a case study). Agric. For. Meteorol., submitted.

Su, H.B., Paw U, K.T., Shaw, R.H. (1996) Development of a coupled leaf and canopy model for the simu

lation of plantatmosphere interactions. J. Appl. Meteorol., 35: 733–748.

Subke, J.A., Reichstein, M., Tenhunen, J. (2003) Explaining temporal variation in soil CO2 efflux in a

mature spruce forest in Southern Germany. Soil Biol. Biochem., 35: 1467–1483.

Thomas, C., Ruppert, J., Lueers, J., Schroeter, J., Mayer, J.-C., Bertolini, T. (2004) Documentation of the

WALDATEM2003 experiment. Arbeitsergebnisse, 24, Univ. Bayreuth, Abt. Mikrometeorologie, ISSN:

1614-8924: 59 pp.

Thomas, C., Foken, T. (2007a) Organised motion in a tall spruce canopy: temporal scales, structure spa

cing and terrain effects. Boundary-Layer Meteorol., 122: 123–147.

Thomas, C., Foken, T. (2007b) Flux contribution of coherent structures and its implications for the ex

change of energy and matter in a tall spruce canopy. Boundary-Layer Meteorol., 123: 317–337.

Twine, T.E., Kustas, W.P., Norman, J.M., Cook, Houser, P.R., Meyers, T.P., Prueger, J.H., Starks, P.J., We-

sely, M.L. (2000) Correcting eddycovariance flux underestimates over a grassland. Agric. For. Meteo-

rol., 103: 279–300.

Valentini, R., Matteucci, G., Dolman, A.J., Schulze, E.D. (2003) Conclusions: The Role of Canopy Flux

Measurements in Global CCycle Research. In: Valentini, R. (ed.), Fluxes of carbon, water and energy

of European forests. Springer, Berlin, pp. 256–266.

Vetter, M. et al. (2008) Analyzing the causes and spatial pattern of the European 2003 carbon flux anoma

ly using seven models. Biogeosciences, 5: 561–583.


Willmott, C. (1982) Some Comments on the Evaluation of Model Performance. Bull. Am. Meteorol. Soc.,

63: 1309–1313.

Xu, L., Pyles, R.D., Paw U, K.T., Gertz, M. (2008) WRFACASA Coupling—Predicting the Future Car

bon Cycle. 28th Conference on Agricultural and Forest Meteorology. 28 April–2 May 2008, Orlando.

Zmarsly, E., Kuttler, W., Pethe, H. (2002) Meteorologischklimatologisches Grundwissen. UTB, 2281, Ul-

mer, Stuttgart, ISBN: 3-8252-2281-0: 176 pp.

ABBILDUNGSVERZEICHNIS 111

ABBILDUNGSVERZEICHNIS

Abbildung 2-1: Komponenten der Energiebilanzgleichung (Foken, 2006)................................................... 6

Abbildung 2-2: Konzept der Kohlenstoffflüsse für Waldökosysteme........................................................... 8

Abbildung 2-3: ACASA-Modellaufbau (bearbeitet nach Pyles et al., 2003)...............................................10

Abbildung 3-1: Lage des Fichtelgebirges in Deutschland (Gerstberger et al., 2004)..................................19

Abbildung 3-2: Übersicht des Waldsteingebietes um den Hauptturm des Untersuchungsstandortes Wald-

stein-Weidenbrunnen (Ausschnitte entnommen aus der Topographischen Karte 1:25000, Bayerisches

Landesvermessungsamt)......................................................................................................................... 20

Abbildung 3-3: PAI-Profil am Waldstein-Weidenbrunnen; A: Messwerte (bearbeitet nach Thomas und Fo-

ken, 2007a); B: Messwerte auf der Grundlage von Thomas und Foken, 2007a (graue Kurve) und ge-

wichtete Summe zweier Beta-Verteilungen (schwarze Kurve, angepasst an die Messwerte nach Simon

et al., 2005, wie auch in Staudt et al., 2010a angewandt)........................................................................21

Abbildung 3-4: Geografische Lage aller Messstandorte, die für die Datenerhebung relevant waren; 1:

Hauptuntersuchungsstandort Waldstein-Weidenbrunnen; 2: Messstation Voitsumra; 3: Wetterstation

Weißenstadt; 4: Ökologisch-Botanischer Garten der Universität Bayreuth; 5: FLUXNET-Station Wetz-

stein (Ausschnitte der topographischen Karte 1:50000 von Nordbayern des Bayerisches Landesvermes-

sungsamts entnommen).......................................................................................................................... 23

Abbildung 3-5: Einfluss eines Korrekturfaktors auf die Differenz zwischen modellierter und gemessener

Windgeschwindigkeit in 32 m Höhe für das Jahr 2003...........................................................................41

Abbildung 4-1: Abweichung der Lufttemperatur [°C] am Waldstein-Weidenbrunnen, berechnet als Diffe-

renz aus den Monatsmittelwerten für das Jahr 2003 und den entsprechenden Langzeitmittelwerten aus

Foken (2003).......................................................................................................................................... 44

Abbildung 4-2: Monatssummen der Globalstrahlung [MJm-2] am Waldstein-Weidenbrunnen für das Jahr

2003 und den Mittelwert der Jahre 1997-2002 aus Rebmann et al. (2004)............................................ 45

Abbildung 4-3: Tagesmittelwerte der Globalstrahlung (K↓) normiert auf die astronomisch maximal mögli-

che Sonnenscheindauer (Sd0) für das Jahr 2003 (Waldstein-Weidenbrunnen)........................................46

Abbildung 4-4: Monatliche Niederschlagssummen der Stationen Waldstein-Weidenbrunnen und Weißen-

stadt für das Jahr 2003, kombiniert mit den Langzeitmittelwerten aus Foken (2003) für den Standort

Waldstein-Weidenbrunnen...................................................................................................................... 47

Abbildung 4-5: Abweichung der korrigierten und unkorrigierten Niederschlagssummen [mm] am Wald-

stein-Weidenbrunnen, berechnet als Differenz aus den Monatsmittelwerten für das Jahr 2003 und den

entsprechenden Langzeitmittelwerten aus Foken (2003)........................................................................ 48


Abbildung 4-6: Messwerte der Schneehöhe [cm] und Tagesmittelwerte der Lufttemperatur [°C] für das

Jahr 2003 am Waldstein-Weidenbrunnen; vertikale Linien kennzeichnen das Ende und den Anfang der

Schneeaufzeichnungen........................................................................................................................... 49

Abbildung 4-7: Abweichung der relativen Luftfeuchtigkeit [%] am Waldstein-Weidenbrunnen, berechnet

als Differenz aus den Monatsmittelwerten für das Jahr 2003 und den entsprechenden Langzeitmittelwer-

ten aus Foken (2003).............................................................................................................................. 50

Abbildung 4-8: Halbstundenwerte der Strahlungskomponenten für das Jahr 2003 im Scatterplot; A: ge-

samte Strahlungsbilanz; B: kurzwellige Strahlungsbilanz; C: langwellige Strahlungsbilanz..................51

Abbildung 4-9: Kurzwellige Strahlungsbilanz (oben) und Albedo (unten) für einen Fünf-Tages-Zeitraum

im Februar 2003 im Vergleich zu den entsprechenden Modellierungsergebnissen.................................53

Abbildung 4-10: Modellierte und gemessene Schneehöhen [cm] im Jahr 2003 am Waldstein-Weidenbrun-

nen; vertikale Linien kennzeichnen das Ende und den Anfang der Schneeaufzeichnungen....................54

Abbildung 4-11: Monatsmittelwerte der kurzwelligen Strahlungsbilanz (oben), der langwelligen Strah-

lungsbilanz (Mitte) und der gesamten Strahlungsbilanz (unten)............................................................. 56

Abbildung 4-12: Halbstundenwerte des Bodenwärmestroms für das Jahr 2003 im Scatterplot; A: alle Wer-

te; B: Sommerwerte (Mai bis September 2003); C: Winterwerte (Januar bis April und Oktober bis De-

zember 2003).......................................................................................................................................... 57

Abbildung 4-13: Ausschnitt verschiedener gemessener und modellierter Parameter für den Zeitraum Janu-

ar bis Mai 2003 (Halbstundenwerte); A: Zeitreihen des modellierten Bodenwärmestroms, der modellier-

ten Schneehöhen und der gemessenen Lufttemperatur; B: Zeitreihe des gemessenen Bodenwärmestroms

und punktuell gemessene Schneehöhen; C: Zeitreihe der gemessene Bodentemperaturen; D: Zeitreihe

der modellierten Bodentemperaturen; Die vertikale Linie in den einzelnen Grafiken kennzeichnet das

Ende der Schneeaufzeichnungen am 14.04.2003.................................................................................... 58

Abbildung 4-14: Vier-Tages-Zeitraum im März 2003: zeitlicher Verlauf der modellierten Bodentemperatu-

ren (oben) und der gemessenen Bodentemperaturen (unten).................................................................. 60

Abbildung 4-15: Vier-Tages-Zeitraum im August 2003: zeitlicher Verlauf der modellierten Bodentempera-

turen (mit der an der unteren Modellgrenze (-1.40 m) gewählten Bodentemperatur von 5.3 °C (oben),

beziehungsweise von 9.9 °C (Mitte)) und der gemessenen Bodentemperaturen (unten)........................62

Abbildung 4-16: Mittlerer monatlicher Tagesgang des Bodenwärmestroms für den Monat Juli und Novem-

ber 2003 (senkrechte Linien entsprechen ± 1 Standardabweichung vom Mittelwert der Messwerte).....63

Abbildung 4-17: Verhältnis zwischen den turbulenten Flüssen (QH+QE) und der verfügbaren Energie (Qs-

QG-∆QS) auf Basis der halbstündigen Messwerte im Jahr 2003.............................................................. 64


Abbildung 4-18: Halbstundenwerte des fühlbaren Wärmestroms für das Jahr 2003 im Scatterplot; A: alle

Werte; B: Tageswerte; C: Nachtwerte (Einteilung in Tages- und Nachwerte erfolgte nach den Sonnen-

aufgangs- und Sonnenuntergangszeiten).................................................................................................66

Abbildung 4-19: Halbstundenwerte des latenten Wärmestroms für das Jahr 2003 im Scatterplot; A: alle

Werte; B: Tageswerte; C: Nachtwerte (Einteilung in Tages- und Nachwerte erfolgte nach den Sonnen-

aufgangs- und Sonnenuntergangszeiten).................................................................................................66

Abbildung 4-20: Mittlere Tagesgänge des fühlbaren Wärmestroms für die Monate Juni bis August 2003

(senkrechte Linien entsprechen ± 1 Standardabweichung vom Mittelwert der Messwerte)....................68

Abbildung 4-21: Mittlere Tagesgänge des latenten Wärmestroms für die Monate Juni bis August 2003


Abbildung 4-22: Monatsmittelwerte des fühlbaren und latenten Wärmestroms (errechnet auf Basis der Ta-

geswerte; Mittelwert eines eingeklammerten Monats aus weniger als 50 % der Daten gebildet)...........70

Abbildung 4-23: Monatsmittelwerte des fühlbaren und latenten Wärmestroms der Messungen nach Schlie-

ßung der Energiebilanz im Vergleich zu den Ergebnissen der Modellierung (errechnet auf Basis der Ta-

geswerte; Mittelwert eines eingeklammerten Monats aus weniger als 50 % der Daten gebildet)...........73

Abbildung 4-24: Mittlere monatliche Tagesgänge der turbulenten Flüsse in der durch die Energiebilanz-

schließung korrigierten Form, außerdem der Albedo für den Monat August 2003 (senkrechte Linien ent-

sprechen ± 1 Standardabweichung vom Mittelwert der Messwerte)....................................................... 75

Abbildung 4-25: Fünf-Tages-Zeitraum im August 2003: Halbstündige Messwerte der Lufttemperatur, der

relativen Luftfeuchtigkeit, der Strahlungsbilanz und der turbulenten Flüsse im Vergleich zu den entspre-

chend modellierten Ergebnissen............................................................................................................. 77

Abbildung 4-26: Fünf-Tages-Zeitraum im Juni 2003: Halbstündige Messwerte der Lufttemperatur, der re-

lativen Luftfeuchtigkeit, der Strahlungsbilanz und der turbulenten Flüsse im Vergleich zu den entspre-

chend modellierten Ergebnissen............................................................................................................. 78

Abbildung 4-27: Relative Fehler des modellierten fühlbaren und latenten Wärmestroms an den Messwer-

ten aufgeteilt nach Stabilitätsklassen...................................................................................................... 80

Abbildung 4-28: Halbstundenwerte des Netto-Kohlenstoffaustauschs (NEE) für das Jahr 2003 im Scatter-

plot; A: alle Werte; B: Tageswerte; C: Nachtwerte (Einteilung in Tages- und Nachwerte erfolgte nach

den Sonnenaufgangs- und Sonnenuntergangszeiten).............................................................................. 83

Abbildung 4-29: Relativer Fehler des modellierten Netto-Kohlenstoffaustauschs (NEE) an den Messwer-

ten, aufgeteilt nach Stabilitätsklassen für das Jahr 2003......................................................................... 84

Abbildung 4-30: Mittlere monatliche Tagesgänge des NEE für die Monate Juni bis August 2003 (senk-

rechte Linien entsprechen ± 1 Standardabweichung vom Mittelwert der Messwerte)............................85


Abbildung 4-31: Mittlere monatliche Tagesgänge des NEE und der Albedo für den Monat Juni 2003


Abbildung 4-32: Fünf-Tages-Zeitraum im Mai 2003: Verlauf von Strahlungsbilanz, Lufttemperatur, Koh-

lenstoff-Respiration, Kohlenstoff-Assimilation und Netto-Kohlenstoffaustausch (NEE); die Zeitreihen

der Kohlenstoffflüsse werden nach parametrisierten Daten (CO2mod), den tatsächlichen Messwerten

und den modellierten Ergebnissen (ACASA) unterschieden.................................................................. 87

Abbildung 4-33: Fünf-Tages-Zeitraum im August 2003: Verlauf von Strahlungsbilanz, Lufttemperatur,

Kohlenstoff-Respiration, Kohlenstoff-Assimilation und Netto-Kohlenstoffaustausch (NEE); die Zeitrei-

hen der Kohlenstoffflüsse werden nach parametrisierten Daten (CO2mod), den tatsächlichen Messwer-

ten und den modellierten Ergebnissen (ACASA) unterschieden.............................................................88

Abbildung 4-34: Modellierte Ergebnisse von ACASA für die Respiration und Assimilation von Kohlen-

stoffdioxid in Abhängigkeit von der gemessenen Lufttemperatur...........................................................90

Abbildung 4-35: Monatsmittelwerte des Netto-Kohlenstoffaustauschs im Vergleich zu den Ergebnissen der

Modellierung für alle Werte (oben), die Tageswerte (Mitte) und die Nachtwerte (unten); die Lücken in

der gemessenen Zeitreihe des NEE wurden durch parametrisierte Daten (CO2mod) gefüllt. Der Mittel-

wert der Monate in runden Klammern wurde aus weniger als 50 % Messwerten gebildet, der Mittelwert

der Monate in eckigen Klammern zu 100 % aus parametrisierten Daten................................................91

Abbildung 4-36: Fünf-Tages-Zeitraum im April 2003: Verlauf von Strahlungsbilanz, Lufttemperatur, Koh-

lenstoff-Respiration, Kohlenstoff-Assimilation und Netto-Kohlenstoffaustausch (NEE); die Zeitreihen

der Kohlenstoffflüsse werden nach parametrisierten Daten (CO2mod), den tatsächlichen Messwerten

und den modellierten Ergebnissen (ACASA) unterschieden.................................................................. 93

Abbildung 4-37: Kumulierte Summen des NEE und dessen Prozesse der Assimilation und der Respiration

für das Jahr 2003; graue Bereiche entsprechen den Tagen mit mehr als 50 % Messwerten, die in der

Summenkurve des NEE zusätzlich durch ein X gekennzeichnet sind.....................................................94

Abbildung 4-38: Fünf-Tages-Zeitraum im Mai 2003: zeitlicher Verlauf von gemessener Lufttemperatur

und mit ACASA modellierter Kohlenstoff-Respiration (unterteilt nach Respirationsquellen: Blätter,

Stamm, Wurzeln und Mikroben).............................................................................................................96

Abbildung 4-39: Kumulierte Summe des NEE für das Jahr 2003 (ACASA und kombinierte Zeitreihe aus

Messwerten und parametrisierten Daten) und für die Jahre 2004-2006 (kombinierte Zeitreihe aus Mess-

werten und parametrisierten Daten); Tage mit mehr als 50 % Messwerten sind für das Jahr 2003 in der

Summenkurve des NEE zusätzlich durch ein X gekennzeichnet............................................................ 98


Abbildung B-1: Hovmoller-Plots der Lufttemperatur [°C], der Globalstrahlung [Wm -2], des Niederschlags

[mm] und der relativen Luftfeuchtigkeit [%]........................................................................................ 123

Abbildung D-1: Mittlerer Tagesgang der modellierten Werte der Wärmespeicherung für die Monate Juni

bis August 2003 unter Berücksichtigung der Speicherflüsse für den fühlbaren und latenten Wärmestrom

sowie für die Biomasse......................................................................................................................... 131

Abbildung D-2: Mittlere Tagesgänge der Bowen-Verhältnisse der Messwerte und der ACASA-Simulation

für die Monate Juni bis August 2003.................................................................................................... 132

Abbildung F-1: Halbstundenwerte des fühlbaren Wärmestroms nach Energiebilanzschließung der Messun-

gen für das Jahr 2003 im Scatterplot; A: alle Werte; B: Tageswerte; C: Nachtwerte (Einteilung in Tages-

und Nachwerte erfolgte nach den Sonnenaufgangs- und Sonnenuntergangszeiten)..............................135

Abbildung F-2: Halbstundenwerte des latenten Wärmestroms nach Energiebilanzschließung der Messun-

gen für das Jahr 2003 im Scatterplot; A: alle Werte; B: Tageswerte; C: Nachtwerte (Einteilung in Tages-

und Nachwerte erfolgte nach den Sonnenaufgangs- und Sonnenuntergangszeiten)..............................136

Abbildung F-3: Mittlere Tagesgänge des fühlbaren Wärmestroms nach Energiebilanzschließung der Mes-

sungen für die Monate Juni bis August 2003 (senkrechte Linien entsprechen ± 1 Standardabweichung

vom Mittelwert der Messwerte)............................................................................................................ 137

Abbildung F-4: Mittlere Tagesgänge des latenten Wärmestroms nach Energiebilanzschließung der Mes-

sungen für die Monate Juni bis August 2003 (senkrechte Linien entsprechen ± 1 Standardabweichung

vom Mittelwert der Messwerte)............................................................................................................ 138

TABELLENVERZEICHNIS 116

TABELLENVERZEICHNIS

Tabelle 3-1: Geographische Daten aller relevanten Standorte....................................................................22

Tabelle 3-2: Übersicht aller relevanten Messdaten (nach Standorten gelistet)............................................ 25

Tabelle 3-3: Plausibilitätsgrenzen aller korrigierten Messgrößen............................................................... 27

Tabelle 3-4: Übersicht aller verwendeten Messgrößen zur Lückenfüllung der meteorologischen Parameter;

die Ausgangsgröße des jeweiligen Parameters ist grau hinterlegt. Für jede Messgröße sind Standort,

Messhöhe und die Anzahl der jeweils verwendeten Messdaten angegeben. Zu den Messgrößen, die zur

Lückenfüllung verwendet wurden, ist zusätzlich das jeweilige Bestimmtheitsmaß (R2) der Korrelation

zwischen dieser und der Ausgangsgröße angegeben............................................................................... 30

Tabelle 3-5: Grenzen der Stabilitätsklassen nach Foken (1991)..................................................................33

Tabelle 3-6: Messgenauigkeit der turbulenten Flüsse in Abhängigkeit von der Datenqualität und vom Typ

des Ultraschallanemometers (Mauder et al., 2006)................................................................................. 33

Tabelle 3-7: Eingangsparameter für das ACASA Modell (angepasst und bearbeitet nach Staudt et al.

(2010a)).................................................................................................................................................. 40

Tabelle 4-1: Effizienzkoeffizient im Vergleich zu einerseits der Übereinstimmung der modellierten turbu-

lenten Flüsse mit den Messwerten und andererseits der Übereinstimmung der modellierten turbulenten

Flüsse mit den nach dem Bowen-Verhältnis korrigierten Messwerten für das Jahr 2003 (Halbstunden-

werte)...................................................................................................................................................... 72

Tabelle 4-2: Jahressummen des Netto-Kohlenstoffaustauschs (NEE) der kombinierten Zeitreihe aus ge-

messenen und parametrisierten Daten (Mes+CO2mod) in [mol CO2 m-2] und [g C m-2] für die Jahre

2003 bis 2006; zusätzlich für 2003 der jährliche Assimilations- und Respirationsanteil sowie die Jahres-

summen der ACASA-Modellierung........................................................................................................94

Tabelle 5-1: Effizienzkoeffizient aller Energieflüsse und des Kohlenstoffaustauschs im Vergleich zu den

maximal erreichten Effizienzkoeffizienten der Sensitivitätsanalyse aus Staudt et al. (2010a); für das Jahr

2003 sind die Effizienzkoeffizienten der turbulenten Flüsse für die reinen Messwerte (QH und QE) und

für die durch die Energiebilanzschließung korrigierten Werte angegeben (QH,Bo und QE,Bo). Alle Größen

wurden mit dem gleichen Modelllauf verglichen....................................................................................99

Tabelle A-1: Monats- und Jahresmittelwerte der Lufttemperatur [°C] am Waldstein-Weidenbrunnen im

Jahr 2003; Abweichung entsprechen der Differenz aus den Messungen für das Jahr 2003 und den Lang-

zeitmittelwerten für 1961-1990 und 1971-2000 nach Foken (2003)..................................................... 121

Tabelle A-2: Monats- und Jahressummen der Globalstrahlung [MJm-2] am Waldstein-Weidenbrunnen im

Jahr 2003 und in den Jahren 1997-2002 nach Rebmann et al. (2004)................................................... 121

TABELLENVERZEICHNIS 117

Tabelle A-3: Monats- und Jahresmittelwerte der Niederschlagsmenge [mm] am Waldstein-Weidenbrunnen

im Jahr 2003; Abweichungen entsprechen der Differenz aus den Messungen für das Jahr 2003 und den

Langzeitmittelwerten für 1961-1990 und 1971-2000 nach Foken (2003)............................................. 122

Tabelle A-4: Monats- und Jahresmittelwerte der relativen Luftfeuchtigkeit [%] am Waldstein-Weidenbrun-

nen im Jahr 2003; Abweichungen entsprechen der Differenz aus den Messungen für das Jahr 2003 und

den Langzeitmittelwerten für 1961-1990 und 1971-2000 nach Foken (2003)......................................122

Tabelle C-1: Gütemaße der Modellierung der gesamten Strahlungsbilanz................................................124

Tabelle C-2: Gütemaße der Modellierung der kurzwelligen Strahlungsbilanz.......................................... 125

Tabelle C-3: Gütemaße der Modellierung der langwelligen Strahlungsbilanz.......................................... 126

Tabelle C-4: Gütemaße der Modellierung des fühlbaren Wärmestroms....................................................127

Tabelle C-5: Gütemaße der Modellierung des latenten Wärmestroms...................................................... 128

Tabelle C-6: Gütemaße der Modellierung des Bodenwärmestroms.......................................................... 129

Tabelle C-7: Gütemaße der Modellierung des Netto-Kohlenstoffaustauschs............................................ 130

Tabelle E-1: Gütemaße der Modellierung des fühlbaren Wärmestroms nach Energiebilanzschließung der

Messungen............................................................................................................................................ 133

Tabelle E-2: Gütemaße der Modellierung des latenten Wärmestroms nach Energiebilanzschließung der

Messungen............................................................................................................................................ 134

Tabelle G-1: Anzahlen der Messwerte des fühlbaren Wärmestroms, aufgeteilt nach Stabilitätsklassen (grau

unterlegte Bereiche repräsentieren den Anteil der Werte innerhalb der jeweiligen Stabilitätsklasse)....139

Tabelle G-2: Anzahlen der Messwerte des latenten Wärmestroms, aufgeteilt nach Stabilitätsklassen (grau

unterlegte Bereiche repräsentieren den Anteil der Werte innerhalb der jeweiligen Stabilitätsklasse)....139

Tabelle G-3: Anzahlen der Messwerte des Netto-Kohlenstoffaustauschs (NEE), aufgeteilt nach Stabilitäts-

klassen (grau unterlegte Bereiche repräsentieren den Anteil der Werte innerhalb der jeweiligen Stabili -

tätsklasse)............................................................................................................................................. 139

ABKÜRZUNGS- UND SYMBOLVERZEICHNIS 118

ABKÜRZUNGS- UND SYMBOLVERZEICHNIS

Abkürzungen

ACASA Advanced Canopy-Atmosphere-Soil Algorithm

DWD Deutscher Wetterdienst

EGER ExchanGE processes in mountainous Regions

PWD Present Weather Detector

RuBP Ribulose-Biphosphat

SVAT Soil Vegetation Atmosphere Transport

Lateinische Symbole

a initiale Steigung der Michaelis-Menton-Funktion mol m-2 s-1

An Netto-CO2-Assimilationsrate mol m-2 s-1

AE CO2-Assimilationsrate bei limitiertem Elektronentransport mol m-2 s-1

AR CO2-Assimilationsrate bei limitierter Rubisco-Aktivität mol m-2 s-1

b Basisleitfähigkeit m s-1

Bo Bowen-Verhältnis

cCO2s CO2-Konzentration an der Blattoberfläche ppm

c p spezifische Wärmekapazität bei konstantem Druck J kg-1 K-1

cv molekularer Wärmeleitungskoeffizient J m-3 K-1

e Dampfdruck hPa

E Effizienzkoeffizient

E Sättigungsdampfdruck hPa

E0 Parameter zur Temperaturabhängigkeit der Respirationsrate K

Err Fehler (= modelliertes Residuum) W m-2

f m mineralischer Anteil des Bodens

f o organischer Anteil des Bodens

FC ,day Netto-Kohlenstofffluss am Tag mol m-2 s-1

FC ,sat Netto-Kohlenstofffluss bei Lichtsättigung mol m-2 s-1

F R ,10 Parameter der Respirationsrate bei 10 °C mol m-2 s-1

F R ,day Kohlenstofffluss der Respiration am Tag mol m-2 s-1


F R ,eco Kohlenstofffluss der Respiration des Ökosystems mol m-2 s-1

g s ,w stomatäre Leitfähigkeit in Abhängigkeit vom Wassergehalt m s-1

G0 Bodenwärmestrom an der Erdoberfläche W m-2

Gn Bodenwärmestrom in einer einzelnen Modellschicht W m-2

GPP Kohlenstoff-Assimilation (Gross Primary Production) mol m-2 s-1

I Gegenstrahlung W m-2

I Ausstrahlung W m-2

IA Index of Agreement

k Extinktionskoeffizient

K Globalstrahlung W m-2

K Reflexstrahlung W m-2

LAI Blattflächenindex (Leaf Area Index) m² m-2

m dimensionslose Konstante

MAE Mean Absolut Error

MBE Mean Bias Error

NEE Netto-Kohlenstoffaustausch (Net Ecosystem Exchange) mol m-2 s-1

p Luftdruck hPa

qa spezifische Feuchte der Luft kg kg-1

qs spezifische Feuchte an der Oberfläche kg kg-1

Q E latenter Wärmestrom W m-2

Q E , Bo latenter Wärmestrom nach Energiebilanzschließung W m-2

−Q s* Strahlungsbilanz W m-2

Q s ,kw kurzwellige Strahlungsbilanz W m-2

Q s , lw langwellige Strahlungsbilanz W m-2

QG Bodenwärmestrom W m-2

Q H fühlbarer Wärmestrom W m-2

Q H , Bo fühlbarer Wärmestrom nach Energiebilanzschließung W m-2

Q10 Temperaturabhängigkeit der Reaktionsgeschwindigkeit

r a aerodynamischer Widerstand

r s stomatärer Widerstand


rH relative Luftfeuchtigkeit %

rH s relative Feuchtigkeit an der Oberfläche %

R0 basale Respirationsrate mol m-2 s-1

R2 Bestimmtheitsmaß

Rd Respirationsrate am Tag mol m-2 s-1

RB direkter kurzwelliger Strahlungsanteil W m-2

RB0 direkter kurzwelliger Strahlungsanteil über dem Bestand W m-2

Res Residuum W m-2

RMSE Root Mean Square Error

S Wärmespeicherung im Boden J m-2

Sd 0 astronomisch maximal mögliche Sonnenscheindauer h

T Temperatur K oder °C

T 0 Aktivierungstemperatur der Respiration K

T a Lufttemperatur K

T g Bodentemperatur K

T s Oberflächentemperatur K

TER Kohlenstoff-Respiration (Total Ecosystem Respiration) mol m-2 s-1

u mittlere Windgeschwindigkeit m s-1

xl mittlerer Blattdurchmesser m

z Bodentiefe m

z r Referenztiefe m

Griechische Symbole

QS Wärmespeicherterm W m-2

volumetrischer Bodenwassergehalt

s Wärmediffusionskoeffizient m-2 K-1 s-1

e spezifische Verdunstungswärme J kg-1

s spezifische Bodenwärmeleitfähigkeit W m-1 K-1

a Dichte der Luft kg m-3

s Dichte des Bodens kg m-3

ANHANG 121

ANHANG

A) Monats- und Jahresmittelwerte der Klimaelemente

Tabelle A-1: Monats- und Jahresmittelwerte der Lufttemperatur [°C] am Waldstein-Weidenbrunnen im Jahr 2003;

Abweichung entsprechen der Differenz aus den Messungen für das Jahr 2003 und den Langzeitmittelwerten für

1961-1990 und 1971-2000 nach Foken (2003).

Jan Feb Mrz Apr Mai Jun Jul Aug Sep Okt Nov Dez Jahr

2003 -4.0 -5.0 2.9 5.0 11.7 17.5 16.0 19.1 11.9 2.6 3.1 -1.3 6.7

1961-1990 -4.2 -3.1 0.2 4.3 9.0 12.3 14.1 13.7 10.5 5.8 0.2 -2.9 5.0

Abweichung 0.2 -1.9 2.7 0.7 2.7 5.2 1.9 5.4 1.4 -3.2 2.9 1.6 1.7

1971-2000 -3.6 -3.0 0.8 4.3 9.6 12.3 14.4 14.5 10.5 5.7 0.2 2.2 5.3

Abweichung -0.4 -2.0 2.1 0.7 2.1 5.2 1.6 4.6 1.4 -3.1 2.9 0.9 1.4

Tabelle A-2: Monats- und Jahressummen der Globalstrahlung [MJm-2] am Waldstein-Weidenbrunnen im Jahr 2003

und in den Jahren 1997-2002 nach Rebmann et al. (2004).


2003 70 239 330 475 542 712 581 619 383 189 99 79 4317

Mittelwert (1997-2002)

73 125 230 380 566 569 499 502 320 173 84 55 3574

2002 101 112 279 382 471 620 507 414 328 153 81 61 3508

2001 91 164 206 343 614 486 588 511 195 214 93 59 3564

2000 91 122 209 453 623 682 429 522 322 163 100 73 3787

1999 60 100 232 366 555 520 554 481 386 187 77 42 3558

1998 81 160 266 367 564 540 457 533 251 89 49 54 3410

1997 16 89 189 370 566 564 461 551 437 233 101 40 3617

ANHANG 122

Tabelle A-3: Monats- und Jahresmittelwerte der Niederschlagsmenge [mm] am Waldstein-Weidenbrunnen im Jahr

2003; Abweichungen entsprechen der Differenz aus den Messungen für das Jahr 2003 und den Langzeitmittelwerten

für 1961-1990 und 1971-2000 nach Foken (2003).


Jahr 2003 94 34 19 42 74 59 93 19 59 84 33 64 673

Jahr 2003

(korrigiert)

157 37 21 53 - - - - - 109 33 85 799

1961-1990 102 80 87 86 94 105 105 99 81 83 105 130 1156

Abweichung -8 -46 -68 -45 -20 -46 -11 -81 -22 1 -72 -66 -484

Abweichung (korrigiert)

55 -43 -66 -33 - - - - - 26 -72 -45 -357

1971-2000 102 80 87 86 83 106 127 91 83 83 104 130 1163

Abweichung -8 -46 -68 -45 -9 -48 -34 -73 -24 1 -72 -66 -490

Abweichung (korrigiert)

55 -43 -66 -33 - - - - - 26 -72 -45 -364

Tabelle A-4: Monats- und Jahresmittelwerte der relativen Luftfeuchtigkeit [%] am Waldstein-Weidenbrunnen im

Jahr 2003; Abweichungen entsprechen der Differenz aus den Messungen für das Jahr 2003 und den Langzeitmittel-

werten für 1961-1990 und 1971-2000 nach Foken (2003).


2003 96 85 74 68 74 64 71 55 70 89 91 89 77

1961-1990 89 86 82 76 74 74 74 76 81 84 89 90 81

Abweichung 7 -1 -8 -8 -1 -10 -3 -21 -11 5 2 -1 -4

1971-2000 90 86 82 76 73 75 74 76 82 85 90 91 82

Abweichung 6 -1 -8 -8 1 -11 -3 -21 -12 4 1 -2 -5

ANHANG 123

B) Hovmoller-Grafiken der Klimaelemente

Abb

ildu

ng B

-1: H

ovm

olle

r-P

lots

der

Luf

ttem

pera

tur

[°C

], d

er G

loba

lstr

ahlu

ng [

Wm

-2],

des

Nie

ders

chla

gs [

mm

] un

d de

r re

lativ

en L

uftf

euch

tigk

eit [

%]

(v.o

.n.u

.)

ANHANG 124

C) Gütemaße der Modellierung des Kohlenstoff- und Energieaustausches

Tabelle C-1: Gütemaße der Modellierung der gesamten Strahlungsbilanz

Monat N N(max) MBE MAE RMSE R2 IA E

alle 1462 1488 -4.22 4.24 6.75 0.99 1.00 0.98

Jan Tag 438 459 -7.66 7.70 11.46 0.98 0.99 0.95

Nacht 1024 1029 -2.75 2.76 2.99 1.00 1.00 0.99

alle 1337 1344 -7.40 7.59 13.73 1.00 1.00 0.99

Feb Tag 494 496 -16.79 16.90 22.37 0.99 0.99 0.98

Nacht 843 848 -1.91 2.13 2.41 1.00 1.00 0.99

alle 1462 1488 -2.00 2.48 3.23 1.00 1.00 1.00

Mrz Tag 643 663 -2.66 3.17 4.13 1.00 1.00 1.00

Nacht 819 825 -1.49 1.94 2.29 1.00 1.00 1.00

alle 1276 1440 -2.71 3.13 5.55 1.00 1.00 1.00

Apr Tag 674 758 -4.14 4.37 7.38 1.00 1.00 1.00

Nacht 602 682 -1.12 1.73 2.05 1.00 1.00 1.00

alle 1411 1488 -1.58 2.09 2.60 1.00 1.00 1.00

Mai Tag 817 879 -1.47 2.11 2.80 1.00 1.00 1.00

Nacht 594 609 -1.73 2.06 2.30 1.00 1.00 0.99

alle 1374 1440 -3.73 3.88 4.52 1.00 1.00 1.00

Jun Tag 862 911 -4.59 4.70 5.26 1.00 1.00 1.00

Nacht 512 529 -2.29 2.50 2.88 0.99 1.00 0.98

alle 1423 1488 -3.22 3.43 4.09 1.00 1.00 1.00

Jul Tag 861 911 -3.93 4.05 4.75 1.00 1.00 1.00

Nacht 562 577 -2.15 2.47 2.81 1.00 1.00 0.99

alle 1477 1488 -5.63 5.68 6.69 1.00 1.00 1.00

Aug Tag 813 821 -7.41 7.47 8.17 1.00 1.00 1.00

Nacht 664 667 -3.44 3.48 4.24 0.99 0.99 0.96

alle 1425 1440 -4.00 4.30 5.58 1.00 1.00 1.00

Sep Tag 680 689 -6.47 6.49 7.56 1.00 1.00 1.00

Nacht 745 751 -1.75 2.32 2.72 1.00 1.00 0.99

alle 1474 1488 -3.39 3.40 4.39 1.00 1.00 1.00

Okt Tag 585 595 -4.70 4.73 6.15 1.00 1.00 1.00

Nacht 889 893 -2.53 2.53 2.66 1.00 1.00 0.99

alle 1424 1440 -2.56 2.71 3.28 1.00 1.00 1.00

Nov Tag 460 472 -3.42 3.46 4.47 1.00 1.00 1.00

Nacht 964 968 -2.14 2.36 2.53 1.00 1.00 0.99

alle 1471 1488 -3.17 3.32 4.75 1.00 1.00 0.99

Dez Tag 406 418 -5.55 5.57 7.94 0.99 1.00 0.98

Nacht 1065 1070 -2.27 2.46 2.67 1.00 1.00 0.99

alle 17016 17520 -3.63 3.84 6.05 1.00 1.00 1.00

Jahr Tag 7733 8072 -5.39 5.57 8.45 1.00 1.00 1.00

Nacht 9283 9448 -2.16 2.40 2.75 1.00 1.00 0.99

ANHANG 125

Tabelle C-2: Gütemaße der Modellierung der kurzwelligen Strahlungsbilanz


alle 1462 1488 -2.89 2.89 6.38 1.00 1.00 0.99

Jan Tag 438 459 -7.38 7.38 11.51 0.99 0.99 0.97

Nacht 1024 1029 -0.97 0.97 1.20 0.76 0.80 -0.20

alle 1337 1344 -7.26 7.26 14.31 1.00 1.00 0.99

Feb Tag 494 496 -17.98 17.98 23.51 0.99 1.00 0.98

Nacht 843 848 -0.98 0.98 1.04 1.00 0.97 0.86

alle 1462 1488 -1.91 1.93 2.86 1.00 1.00 1.00

Mrz Tag 643 663 -3.15 3.19 4.18 1.00 1.00 1.00

Nacht 819 825 -0.94 0.94 0.94 1.00 0.96 0.84

alle 1276 1440 -2.97 2.98 5.50 1.00 1.00 1.00

Apr Tag 674 758 -4.78 4.81 7.52 1.00 1.00 1.00

Nacht 602 682 -0.94 0.94 0.94 1.00 0.95 0.76

alle 1411 1488 -1.42 1.57 2.21 1.00 1.00 1.00

Mai Tag 817 879 -1.77 2.04 2.79 1.00 1.00 1.00

Nacht 594 609 -0.93 0.93 0.93 1.00 0.95 0.76

alle 1374 1440 -2.76 2.77 3.50 1.00 1.00 1.00

Jun Tag 862 911 -3.85 3.86 4.36 1.00 1.00 1.00

Nacht 512 529 -0.93 0.93 0.93 1.00 0.95 0.77

alle 1423 1488 -2.48 2.48 3.26 1.00 1.00 1.00

Jul Tag 861 911 -3.48 3.49 4.13 1.00 1.00 1.00

Nacht 562 577 -0.94 0.94 0.94 1.00 0.95 0.76

alle 1477 1488 -3.36 3.36 4.40 1.00 1.00 1.00

Aug Tag 813 821 -5.34 5.34 5.87 1.00 1.00 1.00

Nacht 664 667 -0.95 0.95 0.96 1.00 0.97 0.86

alle 1425 1440 -3.33 3.33 4.90 1.00 1.00 1.00

Sep Tag 680 689 -5.93 5.94 7.02 1.00 1.00 1.00

Nacht 745 751 -0.95 0.95 0.96 1.00 0.96 0.81

alle 1474 1488 -2.40 2.40 4.04 1.00 1.00 1.00

Okt Tag 585 595 -4.62 4.62 6.31 1.00 1.00 1.00

Nacht 889 893 -0.94 0.94 0.94 1.00 0.93 0.66

alle 1424 1440 -1.69 1.69 2.75 1.00 1.00 1.00

Nov Tag 460 472 -3.25 3.25 4.63 1.00 1.00 1.00

Nacht 964 968 -0.94 0.94 0.96 1.00 0.95 0.76

alle 1471 1488 -2.21 2.21 4.30 1.00 1.00 0.99

Dez Tag 406 418 -5.45 5.45 8.00 1.00 1.00 0.99

Nacht 1065 1070 -0.97 0.97 1.05 0.99 0.97 0.84

alle 17016 17520 -2.86 2.88 5.67 1.00 1.00 1.00

Jahr Tag 7733 8072 -5.16 5.20 8.34 1.00 1.00 1.00

Nacht 9283 9448 -0.95 0.95 1.00 0.99 0.95 0.78

ANHANG 126

Tabelle C-3: Gütemaße der Modellierung der langwelligen Strahlungsbilanz


alle 1488 1488 1.33 1.50 1.78 1.00 1.00 1.00

Jan Tag 459 459 0.31 0.82 1.01 1.00 1.00 1.00

Nacht 1029 1029 1.78 1.81 2.03 1.00 1.00 0.99

alle 1337 1344 0.15 1.50 1.92 1.00 1.00 1.00

Feb Tag 494 496 -1.19 1.61 2.24 1.00 1.00 1.00

Nacht 843 848 0.93 1.44 1.70 1.00 1.00 1.00

alle 1474 1488 0.09 1.42 1.82 1.00 1.00 1.00

Mrz Tag 654 663 -0.48 1.39 1.82 1.00 1.00 1.00

Nacht 820 825 0.55 1.45 1.82 1.00 1.00 1.00

alle 1288 1440 -0.24 1.37 1.73 1.00 1.00 1.00

Apr Tag 683 758 -0.62 1.39 1.74 1.00 1.00 1.00

Nacht 605 682 0.18 1.33 1.72 1.00 1.00 1.00

alle 1479 1488 0.20 1.35 1.69 1.00 1.00 1.00

Mai Tag 875 879 -0.22 1.29 1.67 1.00 1.00 1.00

Nacht 604 609 0.81 1.44 1.72 1.00 1.00 1.00

alle 1401 1440 0.98 1.73 2.19 0.99 1.00 0.99

Jun Tag 885 911 0.76 1.68 2.18 0.99 1.00 0.99

Nacht 516 529 1.36 1.82 2.20 0.99 1.00 0.99

alle 1476 1488 0.77 1.61 2.07 1.00 1.00 0.99

Jul Tag 906 911 0.48 1.52 2.00 1.00 1.00 1.00

Nacht 570 577 1.22 1.76 2.17 1.00 1.00 0.99

alle 1486 1488 2.27 2.53 3.29 0.99 1.00 0.98

Aug Tag 820 821 2.09 2.47 3.10 0.99 1.00 0.99

Nacht 666 667 2.49 2.61 3.50 0.99 0.99 0.98

alle 1440 1440 0.68 1.50 1.96 1.00 1.00 1.00

Sep Tag 689 689 0.54 1.25 1.67 1.00 1.00 1.00

Nacht 751 751 0.81 1.73 2.20 1.00 1.00 0.99

alle 1488 1488 1.00 1.39 1.61 1.00 1.00 1.00

Okt Tag 595 595 0.11 1.03 1.27 1.00 1.00 1.00

Nacht 893 893 1.59 1.63 1.79 1.00 1.00 1.00

alle 1440 1440 0.87 1.34 1.60 1.00 1.00 1.00

Nov Tag 472 472 0.20 0.89 1.13 1.00 1.00 1.00

Nacht 968 968 1.20 1.56 1.78 1.00 1.00 1.00

alle 1488 1488 0.97 1.49 1.77 1.00 1.00 1.00

Dez Tag 418 418 0.13 1.13 1.51 1.00 1.00 1.00

Nacht 1070 1070 1.29 1.62 1.85 1.00 1.00 1.00

alle 17285 17520 0.77 1.56 2.00 1.00 1.00 1.00

Jahr Tag 7950 8072 0.25 1.44 1.94 1.00 1.00 1.00

Nacht 9335 9448 1.21 1.67 2.06 1.00 1.00 1.00

ANHANG 127

Tabelle C-4: Gütemaße der Modellierung des fühlbaren Wärmestroms


alle 0 1488 NA NA NA NA NA NA

Jan Tag 0 459 NA NA NA NA NA NA

Nacht 0 1029 NA NA NA NA NA NA


Feb Tag 0 496 NA NA NA NA NA NA



Mrz Tag 0 663 NA NA NA NA NA NA


alle 587 1440 13.11 51.56 70.19 0.92 0.96 0.79

Apr Tag 320 758 50.17 65.40 86.63 0.87 0.93 0.64

Nacht 267 682 -31.30 34.96 42.87 0.35 0.65 -0.52

alle 263 1488 -9.17 55.85 67.00 0.93 0.96 0.80

Mai Tag 152 879 24.73 55.72 70.25 0.90 0.95 0.76

Nacht 111 609 -55.60 56.02 62.27 0.26 0.46 -3.25

alle 1213 1440 10.64 60.89 79.46 0.90 0.95 0.73

Jun Tag 780 911 39.06 71.57 91.57 0.85 0.93 0.60

Nacht 433 529 -40.56 41.65 50.85 0.02 0.44 -3.51

alle 1105 1488 12.17 57.32 77.38 0.86 0.93 0.64

Jul Tag 660 911 43.38 70.71 92.95 0.79 0.90 0.46

Nacht 445 577 -34.11 37.47 45.31 0.18 0.57 -1.52

alle 1253 1488 -23.47 53.31 63.95 0.91 0.96 0.80

Aug Tag 694 821 0.12 52.62 65.54 0.86 0.95 0.75

Nacht 559 667 -52.76 54.16 61.92 0.12 0.44 -4.49

alle 1137 1440 -6.91 51.15 66.01 0.86 0.93 0.63

Sep Tag 560 689 32.14 53.88 69.00 0.81 0.92 0.57

Nacht 577 751 -44.81 48.50 62.97 0.02 0.44 -3.40

alle 723 1488 17.50 37.76 55.49 0.80 0.91 0.54

Okt Tag 296 595 55.63 60.34 79.67 0.74 0.85 0.21

Nacht 427 893 -8.93 22.11 28.54 0.48 0.81 0.41

alle 687 1440 11.86 28.69 40.08 0.75 0.91 0.59

Nov Tag 211 472 34.50 40.65 55.62 0.69 0.85 0.27

Nacht 476 968 1.82 23.38 30.78 0.41 0.79 0.34

alle 543 1488 16.88 53.14 69.86 0.30 0.71 -0.24

Dez Tag 162 418 58.95 68.12 86.33 0.36 0.65 -0.60

Nacht 381 1070 -1.01 46.77 61.54 0.05 0.49 -0.44

alle 7511 17520 3.24 50.99 67.68 0.87 0.95 0.73

Jahr Tag 3835 8072 33.97 61.55 80.38 0.82 0.93 0.64

Nacht 3676 9448 -28.82 39.97 51.17 0.08 0.53 -1.12

ANHANG 128

Tabelle C-5: Gütemaße der Modellierung des latenten Wärmestroms











alle 577 1440 4.99 23.02 32.28 0.62 0.87 0.61

Apr Tag 318 758 4.32 28.70 38.99 0.49 0.81 0.49

Nacht 259 682 5.82 16.06 21.32 0.03 0.47 -0.17

alle 250 1488 3.95 28.09 38.72 0.63 0.88 0.60

Mai Tag 146 879 3.17 34.07 44.43 0.45 0.81 0.36

Nacht 104 609 5.05 19.70 28.84 0.00 0.20 -0.26

alle 1158 1440 21.91 43.08 61.14 0.57 0.85 0.45

Jun Tag 761 911 27.80 55.40 72.62 0.36 0.74 0.16

Nacht 397 529 10.63 19.47 28.19 0.00 0.27 -0.52

alle 1029 1488 13.86 36.06 53.43 0.62 0.88 0.53

Jul Tag 629 911 20.58 48.08 65.82 0.41 0.78 0.24

Nacht 400 577 3.30 17.16 23.05 0.01 0.38 -0.23

alle 1189 1488 46.21 51.86 65.55 0.68 0.81 -0.03

Aug Tag 687 821 63.54 70.57 81.82 0.46 0.67 -0.74

Nacht 502 667 22.48 26.25 31.89 0.08 0.45 -1.91

alle 1053 1440 15.70 27.34 37.71 0.67 0.89 0.55

Sep Tag 552 689 16.77 34.40 45.75 0.51 0.82 0.32

Nacht 501 751 14.51 19.57 26.13 0.01 0.35 -1.80

alle 662 1488 -0.19 20.05 32.88 0.48 0.80 0.47

Okt Tag 291 595 -8.30 27.06 44.69 0.36 0.74 0.32

Nacht 371 893 6.18 14.55 19.03 0.29 0.69 0.07

alle 624 1440 2.99 16.20 23.22 0.42 0.76 0.41

Nov Tag 203 472 4.30 17.52 23.25 0.49 0.82 0.44

Nacht 421 968 2.36 15.56 23.20 0.34 0.59 0.29

alle 485 1488 9.13 30.92 48.38 0.09 0.48 -1.18

Dez Tag 159 418 -0.06 31.64 44.02 0.12 0.59 -0.36

Nacht 326 1070 13.60 30.57 50.36 0.08 0.39 -2.42

alle 7027 17520 17.24 33.60 49.24 0.61 0.86 0.44

Jahr Tag 3746 8072 23.31 45.50 61.71 0.46 0.79 0.20

Nacht 3281 9448 10.32 20.02 29.07 0.05 0.45 -0.72

ANHANG 129

Tabelle C-6: Gütemaße der Modellierung des Bodenwärmestroms


alle 640 1488 2.16 4.21 6.39 0.00 0.28 -5.71

Jan Tag 184 459 2.54 4.08 6.23 0.01 0.29 -7.69

Nacht 456 1029 2.01 4.26 6.45 0.00 0.27 -5.18




alle 602 1488 0.23 7.13 10.58 0.05 0.20 -20.54

Mrz Tag 284 663 4.71 8.24 10.69 0.02 0.26 -11.26

Nacht 318 825 -3.77 6.14 10.48 0.00 0.04 -202.99

alle 1008 1440 -7.83 10.62 21.10 0.24 0.45 -5.65

Apr Tag 533 758 -5.95 9.84 17.65 0.30 0.58 -2.44

Nacht 475 682 -9.93 11.48 24.40 0.14 0.19 -41.48

alle 554 1488 -0.76 4.51 6.09 0.59 0.86 0.59

Mai Tag 315 879 -1.34 5.49 7.13 0.50 0.81 0.48

Nacht 239 609 0.00 3.22 4.34 0.04 0.51 -0.38


Jun Tag 0 911 NA NA NA NA NA NA


alle 1206 1488 5.40 6.92 8.24 0.48 0.75 0.02

Jul Tag 742 911 4.96 7.29 8.78 0.34 0.69 -0.06

Nacht 464 577 6.10 6.31 7.31 0.11 0.39 -5.42

alle 460 1488 6.58 6.76 7.76 0.61 0.71 -0.45

Aug Tag 244 821 7.39 7.58 8.58 0.57 0.66 -0.67

Nacht 216 667 5.66 5.83 6.71 0.23 0.53 -1.85

alle 412 1440 7.72 8.02 9.36 0.50 0.66 -0.63

Sep Tag 212 689 8.21 8.72 10.13 0.43 0.63 -0.66

Nacht 200 751 7.21 7.29 8.46 0.16 0.50 -2.39

alle 1460 1488 7.72 8.18 9.51 0.42 0.63 -1.60

Okt Tag 581 595 9.18 9.39 10.74 0.42 0.61 -1.89

Nacht 879 893 6.76 7.39 8.59 0.33 0.60 -1.73

alle 1440 1440 1.33 4.65 6.79 0.30 0.66 -1.41

Nov Tag 472 472 2.77 5.71 8.11 0.26 0.62 -1.83

Nacht 968 968 0.63 4.14 6.05 0.26 0.65 -1.39

alle 1486 1488 -0.92 8.21 11.73 0.02 0.21 -15.01

Dez Tag 418 418 1.77 8.79 11.68 0.00 0.15 -30.19

Nacht 1068 1070 -1.97 7.98 11.75 0.04 0.23 -12.48

alle 9268 17520 1.92 7.10 10.95 0.25 0.65 -0.84

Jahr Tag 3985 8072 3.22 7.78 10.90 0.31 0.71 -0.26

Nacht 5283 9448 0.93 6.58 10.99 0.07 0.41 -3.68

ANHANG 130

Tabelle C-7: Gütemaße der Modellierung des Netto-Kohlenstoffaustauschs











alle 569 1440 -0.69 2.93 3.93 0.74 0.91 0.73

Apr Tag 308 758 -0.30 3.62 4.76 0.37 0.71 0.37

Nacht 261 682 -1.15 2.11 2.62 0.14 0.54 -0.06

alle 252 1488 0.14 3.59 4.44 0.69 0.90 0.69

Mai Tag 148 879 0.03 4.38 5.14 0.32 0.69 0.32

Nacht 104 609 0.31 2.47 3.18 0.11 0.45 0.10

alle 1138 1440 -0.13 3.64 4.63 0.73 0.92 0.73

Jun Tag 719 911 0.03 3.84 4.93 0.45 0.78 0.45

Nacht 419 529 -0.41 3.30 4.07 0.00 0.30 -0.17

alle 1020 1488 -0.13 3.46 4.46 0.72 0.92 0.71

Jul Tag 597 911 -0.45 3.67 4.84 0.42 0.78 0.41

Nacht 423 577 0.33 3.17 3.87 0.06 0.41 0.04

alle 1210 1488 1.92 3.47 4.30 0.73 0.91 0.63

Aug Tag 680 821 1.28 3.52 4.32 0.49 0.81 0.40

Nacht 530 667 2.73 3.40 4.27 0.07 0.50 -0.93

alle 1061 1440 1.25 3.14 4.00 0.72 0.91 0.69

Sep Tag 533 689 1.08 3.41 4.47 0.41 0.72 0.36

Nacht 528 751 1.43 2.86 3.47 0.04 0.24 -0.98

alle 653 1488 0.66 2.17 3.01 0.70 0.89 0.68

Okt Tag 276 595 1.76 2.99 3.92 0.40 0.74 0.23

Nacht 377 893 -0.15 1.57 2.10 0.10 0.44 0.09

alle 583 1440 0.20 2.27 3.04 0.51 0.82 0.50

Nov Tag 201 472 0.66 2.50 3.31 0.12 0.58 -0.31

Nacht 382 968 -0.04 2.15 2.89 0.03 0.21 0.03

alle 486 1488 1.09 2.43 3.19 0.08 0.51 -0.12

Dez Tag 152 418 1.72 3.07 3.79 0.01 0.43 -1.03

Nacht 334 1070 0.81 2.14 2.87 0.00 0.29 -0.10

alle 6972 17520 0.59 3.11 4.04 0.70 0.91 0.69

Jahr Tag 3614 8072 0.55 3.52 4.53 0.44 0.79 0.42

Nacht 3358 9448 0.63 2.67 3.44 0.11 0.57 -0.02

ANHANG 131

D) Mittlere Tagesgänge für den Wärmespeicherterm und das Bowen-Verhältnis

Abbildung D-1: Mittlerer Tagesgang der modellierten Werte der Wärmespeicherung für die Monate Juni bis August

2003 unter Berücksichtigung der Speicherflüsse für den fühlbaren und latenten Wärmestrom sowie für die Biomas-

se

ANHANG 132

Abbildung D-2: Mittlere Tagesgänge der Bowen-Verhältnisse der Messwerte und der ACASA-Simulation für die

Monate Juni bis August 2003

ANHANG 133

E) Gütemaße der Modellierung nach Energiebilanzschließung der Messungen

Tabelle E-1: Gütemaße der Modellierung des fühlbaren Wärmestroms nach Energiebilanzschließung der Messungen











alle 551 1440 10.04 38.92 53.37 0.96 0.98 0.90

Apr Tag 303 758 35.63 48.45 65.03 0.93 0.96 0.81

Nacht 248 682 -21.22 27.28 34.07 0.35 0.70 -0.21

alle 238 1488 -5.03 41.40 51.34 0.96 0.98 0.90

Mai Tag 141 879 16.85 40.79 52.55 0.95 0.97 0.88

Nacht 97 609 -36.83 42.30 49.52 0.03 0.43 -2.67

alle 1091 1440 0.43 46.37 60.39 0.94 0.97 0.88

Jun Tag 720 911 16.82 52.58 67.93 0.90 0.96 0.82

Nacht 371 529 -31.38 34.33 42.05 0.04 0.44 -2.41

alle 969 1488 -0.68 40.12 52.13 0.94 0.98 0.88

Jul Tag 588 911 13.98 46.51 60.44 0.90 0.96 0.81

Nacht 381 577 -23.31 30.26 35.67 0.26 0.64 -0.75

alle 1145 1488 -30.85 45.31 54.10 0.95 0.97 0.88

Aug Tag 658 821 -20.16 44.58 54.68 0.92 0.97 0.84

Nacht 487 667 -45.30 46.29 53.31 0.21 0.47 -3.76

alle 1001 1440 -9.72 39.12 50.20 0.93 0.97 0.83

Sep Tag 528 689 13.80 37.71 48.33 0.90 0.96 0.80

Nacht 473 751 -35.97 40.69 52.22 0.11 0.49 -2.59

alle 640 1488 10.44 27.95 41.35 0.89 0.96 0.80

Okt Tag 278 595 31.75 39.82 56.55 0.83 0.92 0.63

Nacht 362 893 -5.93 18.83 23.83 0.57 0.86 0.53

alle 577 1440 8.19 22.76 30.57 0.86 0.96 0.81

Nov Tag 178 472 18.82 27.33 36.91 0.85 0.94 0.70

Nacht 399 968 3.45 20.72 27.26 0.53 0.84 0.49

alle 442 1488 9.59 43.20 58.17 0.54 0.84 0.31

Dez Tag 141 418 29.79 41.39 53.35 0.64 0.84 0.28

Nacht 301 1070 0.13 44.05 60.29 0.05 0.48 -0.66

alle 6654 17520 -3.80 39.36 51.74 0.92 0.97 0.88

Jahr Tag 3535 8072 12.42 44.31 57.96 0.90 0.96 0.83

Nacht 3119 9448 -22.18 33.75 43.63 0.14 0.58 -0.82

ANHANG 134

Tabelle E-2: Gütemaße der Modellierung des latenten Wärmestroms nach Energiebilanzschließung der Messungen











alle 551 1440 -6.45 40.95 54.84 0.63 0.79 0.55

Apr Tag 303 758 -33.21 48.81 65.23 0.41 0.69 0.20

Nacht 248 682 26.24 31.35 38.51 0.00 0.43 -1.05

alle 238 1488 5.67 41.64 51.41 0.73 0.87 0.68

Mai Tag 141 879 -15.32 41.84 53.59 0.57 0.82 0.52

Nacht 97 609 36.18 41.36 48.08 0.00 0.41 -1.66

alle 1091 1440 -0.30 46.27 60.79 0.72 0.90 0.71

Jun Tag 720 911 -14.92 53.84 69.25 0.50 0.81 0.48

Nacht 371 529 28.09 31.60 39.51 0.02 0.39 -1.83

alle 969 1488 -1.50 39.55 52.08 0.75 0.92 0.75

Jul Tag 588 911 -13.69 47.90 61.78 0.55 0.84 0.52

Nacht 381 577 17.32 26.68 31.75 0.03 0.45 -0.49

alle 1145 1488 31.16 44.70 54.50 0.78 0.90 0.67

Aug Tag 658 821 24.41 46.72 57.89 0.57 0.84 0.47

Nacht 487 667 40.28 41.97 49.55 0.02 0.42 -3.16

alle 1001 1440 7.04 37.37 47.65 0.65 0.87 0.64

Sep Tag 528 689 -12.14 38.49 48.74 0.50 0.83 0.43

Nacht 473 751 28.45 36.12 46.40 0.08 0.34 -1.61

alle 640 1488 -14.77 28.39 42.22 0.49 0.75 0.41

Okt Tag 278 595 -36.45 42.54 58.81 0.35 0.67 -0.06

Nacht 362 893 1.87 17.52 22.27 0.27 0.68 0.24

alle 577 1440 -8.34 22.59 30.34 0.35 0.69 0.30

Nov Tag 178 472 -19.69 27.79 37.39 0.26 0.67 -0.13

Nacht 399 968 -3.28 20.27 26.59 0.23 0.53 0.21

alle 442 1488 -4.74 43.99 60.62 0.03 0.44 -0.63

Dez Tag 141 418 -26.88 39.45 51.15 0.14 0.59 -0.68

Nacht 301 1070 5.62 46.12 64.58 0.01 0.28 -1.00

alle 6654 17520 3.36 39.15 51.89 0.67 0.89 0.67

Jahr Tag 3535 8072 -10.97 45.55 59.30 0.54 0.84 0.50

Nacht 3119 9448 19.61 31.90 41.94 0.01 0.40 -0.76

ANHANG 135

F) Abbildungen der turbulenten Flüsse nach Energiebilanzschließung der Messungen

Abbildung F-1: Halbstundenwerte des fühlbaren Wärmestroms nach Energiebilanzschließung der Messungen für

das Jahr 2003 im Scatterplot; A: alle Werte; B: Tageswerte; C: Nachtwerte (Einteilung in Tages- und Nachwerte er-

folgte nach den Sonnenaufgangs- und Sonnenuntergangszeiten)

ANHANG 136

Abbildung F-2: Halbstundenwerte des latenten Wärmestroms nach Energiebilanzschließung der Messungen für das

Jahr 2003 im Scatterplot; A: alle Werte; B: Tageswerte; C: Nachtwerte (Einteilung in Tages- und Nachwerte erfolg-

te nach den Sonnenaufgangs- und Sonnenuntergangszeiten)

ANHANG 137

Abbildung F-3: Mittlere Tagesgänge des fühlbaren Wärmestroms nach Energiebilanzschließung der Messungen für

die Monate Juni bis August 2003 (senkrechte Linien entsprechen ± 1 Standardabweichung vom Mittelwert der

Messwerte)

ANHANG 138

Abbildung F-4: Mittlere Tagesgänge des latenten Wärmestroms nach Energiebilanzschließung der Messungen für

die Monate Juni bis August 2003 (senkrechte Linien entsprechen ± 1 Standardabweichung vom Mittelwert der

Messwerte)

ANHANG 139

G) Klassifizierung der Messwerte nach atmosphärischer Stabilität

Tabelle G-1: Anzahlen der Messwerte des fühlbaren Wärmestroms, aufgeteilt nach Stabilitätsklassen (grau unterleg-

te Bereiche repräsentieren den Anteil der Werte innerhalb der jeweiligen Stabilitätsklasse)

QH N z-less stabil neutral labil freie Konvektion

N [-] N [%] N [-] N [%] N [-] N [%] N [-] N [%] N [-] N [%]

alle 7511 253 3 2028 27 2793 37 2193 29 244 3

Tag 3835 24 9 200 10 1225 44 2167 99 219 90

Nacht 3676 229 91 1828 90 1568 56 26 1 25 10

Tabelle G-2: Anzahlen der Messwerte des latenten Wärmestroms, aufgeteilt nach Stabilitätsklassen (grau unterlegte

Bereiche repräsentieren den Anteil der Werte innerhalb der jeweiligen Stabilitätsklasse)

QE N z-less stabil neutral labil freie Konvektion

N [-] N [%] N [-] N [%] N [-] N [%] N [-] N [%] N [-] N [%]

alle 7027 208 3 1814 26 2652 38 2118 30 235 3

Tag 3746 23 11 197 11 1241 47 2080 98 205 87

Nacht 3281 185 89 1617 89 1411 53 38 2 30 13

Tabelle G-3: Anzahlen der Messwerte des Netto-Kohlenstoffaustauschs (NEE), aufgeteilt nach Stabilitätsklassen

(grau unterlegte Bereiche repräsentieren den Anteil der Werte innerhalb der jeweiligen Stabilitätsklasse)

NEE N z-less stabil neutral labil freie Konvektion

N [-] N [%] N [-] N [%] N [-] N [%] N [-] N [%] N [-] N [%]

alle 6972 231 3 1852 27 2535 36 2122 30 232 3

Tag 3614 21 9 166 9 1129 45 2091 99 207 88

Nacht 3358 210 91 1686 91 1406 55 31 1 25 12

Danksagung 140

Danksagung

An erster Stelle möchte ich mich bei meinen BetreuerInnen Prof. Dr. Thomas Foken und Katha-

rina Staudt bedanken, die mir diese Arbeit ermöglicht haben und mir immer mit wertvollen Hin-

weisen weiterhalfen. Außerdem danke ich Katharina Staudt herzlich für die zahlreichen Diskus-

sionen und für die intensive Betreuung, von der Einführung in das ACASA-Modell über die

Aufbereitung der Daten bis schließlich zum Verfassen der Arbeit.

Außerdem möchte ich mich bei Dr. Johannes Lüers für die Hinweise zur Datenaufbereitung und

-bewertung bedanken. Des Weiteren danke ich auch Prof. Dr. Gunnar Lischeid und Dr. Corinna

Rebmann für die Bereitstellung zusätzlich benötigter Daten.

Darüber hinaus bin ich allen MitarbeiterInnen, DiplomandInnen und DoktorandInnen der Abtei-

lung Mikrometeorologie für die Unterstützung und Hilfsbereitschaft in jeglicher Hinsicht dank-

bar. Auch geht ein herzlicher Dank an Dr. Christoph Hartmann, insbesondere für die Tipps zur

Organisation der Arbeit, sowie an Dr. Matthias Kohl für seine Hilfe bei diversen Problemen mit

der R-Software. Prof. Dr. Thomas Nauß danke ich dafür, dass er sich dazu bereit erklärt hat, das

Zweitgutachten zu erstellen.

Mein besonders herzlicher Dank gilt meiner Verlobten Natalie für die andauernde Unterstüt-

zung, Ermutigung und Geduld, die sie über die lange Zeit der Erstellung dieser Arbeit mit mir

hatte, außerdem für die sprachliche Korrektur dieser Arbeit.

Schließlich bedanke ich mich bei meinen Eltern, meinen Schwiegereltern in spe und meiner

Schwester, die mich mein ganzes Studium hindurch in vielerlei Hinsicht unterstützt, gefördert

und ermutigt haben.

Eidesstattliche Erklärung 141

Eidesstattliche Erklärung

Hiermit versichere ich, dass ich die vorliegende Diplomarbeit selbständig verfasst und keine an-

deren als die angegebenen Hilfsmittel und Quellen verwendet habe.

Bamberg, den 14.06.2010

Andreas Schäfer

Modellierung des Kohlenstoff- und Energieaustausches am ... · have had an impact on the net...

Documents

Transcript of Modellierung des Kohlenstoff- und Energieaustausches am ... · have had an impact on the net...