Ein geradliniger modellbasierter Ansatz, der nur Felddaten und Open‑Source‑Karten verwendet, um Kohlenstoffvorrats‑Schätzungen für REDD+‑Projekte zu verbessern

Warum Waldkohlenstoff auf Privatflächen wichtig ist

Da die Welt Wälder nutzt, um den Klimawandel zu verlangsamen, ist eine überraschende Engstelle sichtbar geworden: Häufig wissen wir nicht mit hoher Genauigkeit, wie viel Kohlenstoff in den Bäumen auf konkreten Grundstücken gespeichert ist. Diese Unsicherheit ist bedeutsam, weil sie den Wert der in wachsenden Märkten gehandelten CO2‑Zertifikate trägt, insbesondere bei REDD+‑Projekten, die Eigentümer dafür bezahlen, Abholzung zu vermeiden. Die Studie zeigt, dass Grundeigentümer keine teuren Drohnen oder maßgeschneiderte Satellitenkampagnen benötigen, um deutlich bessere Schätzungen zu erhalten. Durch die Kombination einfacher Feldmessungen mit freien, globalen Karten können sie ihre Kohlenstoffzahlen erheblich präzisieren und detaillierte Karten erstellen, die zeigen, wo der Kohlenstoff tatsächlich sitzt.

Von wenigen Stichproben zum Gesamtbild

Traditionell bedeutete die Schätzung von Waldkohlenstoff auf einem Hof oder privaten Schutzgebiet, Parzellen auszulegen, Baummaße zu erfassen, diese Maße in Biomasse umzuwandeln und dann anzunehmen, dass ein paar Parzellen Hunderte oder Tausende Hektar repräsentieren. Dieser Ansatz ist teuer, langsam und hinterlässt große Lücken, vor allem in heterogenen Landschaften, in denen der Kohlenstoff über kurze Distanzen stark variieren kann. Hochwertige Lösungen — wie luftgestütztes LiDAR oder spezielle Satellitenanalysen — können diese Lücken schließen, sind aber oft zu komplex und teuer für viele Projekte. Die Autoren verfolgten stattdessen einen einfacheren Weg: Mit georeferenzierten Feldparzellen beginnen (jede Parzelle hat bekannte Koordinaten und einen gemessenen Kohlenstoffvorrat) und dann Informationen aus offenen, globalen Karten nutzen, die bereits überall Waldhöhe oder Biomasse beschreiben.

Globale Karten lokal nutzbar machen

Das Team untersuchte vier großflächige Produkte: zwei globale oder regionale Biomassenkarten und zwei globale Kronenhöhenkarten. In dichtem Amazonaswald im Bundesstaat Pará, Brasilien, verglichen sie jede Karte mit „Boden‑Wahrheit“ aus Feldparzellen und einer hochwertigen LiDAR‑Vermessung per Drohne. Besonders eine Kronenhöhenkarte, von Lang und Kollegen, stimmte am besten mit den lokalen LiDAR‑Höhen überein, auch wenn sie im Mittel die Baumkronen leicht überschätzte. Die Biomassenkarten hatten in so dichtem Wald dagegen Schwierigkeiten: schwache Korrelationen und Anzeichen von „Sättigung“, bei der sehr hohe oder dichte Bestände aus dem Weltraum alle ähnlich aussehen. Diese Tests bestätigten, dass nicht alle Open‑Source‑Karten gleichwertig sind und dass die Auswahl und Kalibrierung der besten Karte für eine Region entscheidend ist.

Standort und Höhe übernehmen die Hauptarbeit

Mit einer guten Kronenhöhenkarte bauten die Autoren einfache Vorhersagemodelle, die für jeden Standort zwei Informationen nutzten: seine Koordinaten (Breiten‑ und Längengrad) und die Kronenhöhe aus der globalen Karte. Sie trainierten die Modelle mit der Hälfte ihrer Feldparzellen und ließen sie den Kohlenstoff für die übrigen Parzellen vorhersagen. Wenn die Vorhersagen in der Nähe vorhandener Parzellen gemacht wurden — was Schätzungen innerhalb eines REDD+‑Projekts nachahmt — reduzierte das Hinzufügen von Koordinaten allein den durchschnittlichen Fehler um etwa 18 Prozent gegenüber der Verwendung eines einzigen Mittelwertes für das gesamte Gebiet. Die Kombination von Koordinaten mit der globalen Kronenhöhenkarte senkte den Fehler um fast 32 Prozent. Selbst bei Vorhersagen weiter entfernt, über die größere Region, verbesserte die globale Karte die Genauigkeit immer noch um nahezu 19 Prozent, obwohl einfache Koordinaten bei solchen größeren Entfernungen kaum noch halfen.

Zahlen in Wand‑zu‑Wand‑Karten verwandeln

Da die Modelle Pixel für Pixel arbeiten, können sie verstreute Parzellendaten in kontinuierliche „Wand‑zu‑Wand“‑Kohlenstoffkarten mit hoher Auflösung über ganze Projektgebiete umwandeln. Statt eines einzelnen Mittelwertes pro Grundstück können Projektentwickler detaillierte Muster sehen: Rücken und Täler der Kohlenstoffdichte, Bereiche, die mehr oder weniger Kohlenstoff speichern, und potenzielle Hotspots für Schutz oder Wiederherstellung. Der gleiche Rahmen unterstützt auch die Kartierung von Unsicherheit und gibt Projektentwicklern und Prüfern ein klareres Bild davon, wie sicher sie in jeden Pixel und in den insgesamt für Zertifikate geltend gemachten Kohlenstoff sein sollten.

Was das für Waldkohlenstoff‑Projekte bedeutet

Für Grundeigentümer, NGOs und Unternehmen, die REDD+‑Projekte betreiben, ist die Botschaft der Studie praktisch und beruhigend. Sie benötigen keine hochmoderne lokale Fernerkundung, um Kohlenstoffschätzungen spürbar zu verbessern; ein solides Set georeferenzierter Feldparzellen plus die richtigen Open‑Source‑Karten kann Sie der Genauigkeit teurer LiDAR‑Kampagnen deutlich näherbringen. Die entscheidenden Schritte sind, eine geeignete globale Kronen‑ oder Biomassenkarte auszuwählen und zu testen, sie mit lokalen Felddaten zu kalibrieren und dann einfache, gut dokumentierte Modelle zu verwenden, um Kohlenstoffkarten zu erzeugen. Da sich globale Kartierungsprodukte weiter verbessern, sollte dieser zugängliche Ansatz die Kohlenstoffbilanzierung transparenter, konsistenter und verlässlicher im sich schnell ausdehnenden Markt für Waldkohlenstoff machen.

Zitation: Haneda, L.E., de Almeida, D.R.A., Kamimura, R.A. et al. Straightforward model-based approach using only field data and open-source maps to improve carbon stock estimates for REDD + projects. Sci Rep 16, 6558 (2026). https://doi.org/10.1038/s41598-026-37201-x

Schlüsselwörter: Waldkohlenstoff, REDD+, Biomassenkartierung, Fernerkundung, tropische Wälder