Sie sind hier: Startseite Projekte D2) Evidenzbasiertes …

D2) Evidenzbasiertes Biodiversitätsmanagement

Evidenzbasiertes Biodiversitätsmanagement in Wäldern

Carsten Dormann
Doktoranden: Fabian Gutzat (2016 - 2020) & Carlos Miguel Landivar Albis (seit 2019)

Albert-Ludwigs-Universität Freiburg, Fakultät für Umwelt & Natürliche Ressourcen,
Abteilung für Biomerie und Umweltsystemanalyse

Hintergrund

Entscheidungsfindungen bauen auf einer formalen oder häufig informellen Repräsentation der kausalen Funktionsweise des Systems in jedem einzelnen auf: Zum Beispiel wird die Zunahme der strukturellen Heterogenität von Wäldern durch die Bewirtschaftung zu einer Erhöhung der Vogelvielfalt führen, da Vögel in verschiedenen Schichten des Waldes nach Nahrung suchen. Für einige Systeme repräsentieren mathematische Modelle solche Systemzustände und die Prozesse, die sie verbinden, wodurch quantitative Analyse und Vorhersage ermöglicht werden. Aber wie genau folgen solche Modelle - mental oder mathematisch - dem wissenschaftlichen Verständnis des Systems? Sind alle Prozesse, die wir für relevant halten, vertreten? Wurden vermutete kausale Zusammenhänge tatsächlich je experimentell getestet, der einzige solide Weg, um Kausalität zu testen? Wo gibt es Kontroversen über kausale Zusammenhänge?

 

Fragestellungen und Hypothesen

D2 versucht, die wissenschaftlichen Grundlagen von Managementprinzipien für Naturschutz in Wäldern zu untersuchen (z. B. Lindenmayer et al. 2006). Eine Herausforderung besteht in der Fülle spezifischer Studien mit jeweils unterschiedlichem Design und Qualität, die manchmal zu mehrdeutigen Schlussfolgerungen über kausale Zusammenhänge zwischen Management und Reaktionen der Biodiversität führen. Experten integrieren die Informationen, die ihnen zur Verfügung stehen, in eine Ansicht, die eine vernünftige Zusammenfassung des Wissensstandes insgesamt sein kann oder auch nicht (z. B. Jones et al. 2011). Dieses Projekt zielt darauf ab, die Grundlagen solcher Modelle, sowohl mathematisch als auch mental, kritisch zu bewerten und sie wissenschaftlichen Nachweisen in der Literatur gegenüberzustellen.

 

Ansatz, Methoden und Verknüpfungen

D2 vergleicht drei Möglichkeiten des Verständnisses, wie die Biodiversität in Wäldern von der Umwelt (insbesondere Boden und Klima) und vom Management beeinflusst wird: (1) allgemeines Kausalwissen mit hohem Evidenzgrad in der wissenschaftlichen Literatur; (2) spezifische kausale Annahmen, die in mathematischen und Computermodellen mit Biodiversität als Zustandsvariable dargestellt werden (z. B. Mönkkönen et al. 2014); und (3) intuitiver kausaler Glaube an biodiversitätserzeugende Prozesse bei Wissenschaftlern und Managern, die im Wald arbeiten (z. B. Raivio et al. 2001). Während die ersten beiden Möglichkeiten (aufwendig) aus Publikationen und Software-Code extrahiert werden können, ist die dritte Zeile methodisch anspruchsvoller. Wir werden zwei verschiedene Linien des Prozessverstehens von Wissenschaftlern und Forstmanagern verfolgen (Hoffman & Lintern 2006): (i) durch einen Fragebogen mit einer Reihe spezifischer Was-wäre-wenn-Waldveränderungsszenarien, um eine Abschätzung der erwarteten Auswirkungen zu eruierend und (ii) durch einen Workshop mit Wissenschaftlern und Praktikern, bei dem diskursiv ein Flussdiagramm der erwarteten kausalen Auswirkungen erstellt wird, dessen Verbindungen dann anonym bewertet werden. In allen Ansätzen werden unterschiedliche Organismengruppen als Zielorganismen betrachtet, sowohl in ihrer Abundanz als auch in ihrem Artenreichtum.
D2 wird mit den B-Modulen für die Ansätze (1) und (2) und mit allen Projekten für den Kausalitätsworkshop verknüpft. Insbesondere wird sich D2 mit den Ansätzen und Erfahrungen von D1 integrieren, um kausales Wissen bei Praktikern zu erfragen.

 

Ergebnisse

In den ersten drei Jahren der D2-Forschung lag der Schwerpunkt auf der Definition und Anwendung einer Evidenzskala für wissenschaftliche Aussagen über die Auswirkungen von Totholz auf den Artenreichtum in bewirtschafteten Wäldern. Fabian Gutzat bewertete außerdem potenzielle Vorbehalte von Forstmanagern gegenüber evidenzbasierten Richtlinien für die Waldbewirtschaftung, die sich formal an evidenzbasierten Behandlungsrichtlinien der Medizin orientieren. Seine Metaanalysen zeigen die Durchführbarkeit des Ansatzes (1), d. h. das in der wissenschaftlichen Literatur zerstreute Wissen wird zusammengefasst in quantitative und in systematische Rezensionen. In dieser Arbeit soll untersucht werden, wie die kausalen Zusammenhänge im Waldökosystem tatsächlich in den Modellen repräsentiert sind, die den menschlichen Entscheidungen zugrunde liegen. Darum geht es in diesem zweiten Schritt.

 

Doktorarbeitsprojekt der zweiten Gruppe: Wissenschaftliche Basis mentaler und mathematischer Modelle, welche Waldbewirtschaftung und Biodiversität verbinden.

Die erste Doktorarbeit konzentrierte sich speziell auf die Bedeutung von Totholz auf Vögel und Käfer in bewirtschafteten Wäldern. Dementsprechend werden diese Gruppen auch der Ausgangspunkt für die zweite Doktorarneit sein. Unsere systematische Literaturdatenbank enthält alle relevanten Studien für gemäßigte Wälder (und viele mehr). Dies muss durch ökologische Modelle jeglicher Art ergänzt werden, in denen der Vogel- und / oder Käferreichtum und / oder der Artenreichtum enthalten ist. Wir werden dies auf ein breiteres Spektrum von Organismus Gruppen ausdehnen, da in Modellen oft nur funktionelle Gruppen enthalten sind. Insbesondere werden alle von den B-Projekten untersuchten Gruppen eingeschlossen (d. h. zusätzlich Fledermäuse, pflanzenfressende Arthropoden, Gefäßpflanzen, Moose).
Ein Schlüsselelement dieser Doktorarbeit wird ein kausales Diagramm sein, das Pfade zwischen (Elementen) der Waldbewirtschaftung, der Waldstruktur und der Biodiversität darstellt. Idealerweise würden alle drei Ansätze (1-3 oben) eine ähnliche Diagrammstruktur ergeben. Die Diskrepanzen zwischen dem, was die (unvollständige) wissenschaftliche Literatur unterstützt und den Modellen die Wissenschaftler oder Praktiker glauben, sind die Dissonanzen nach denen wir tatsächlich suchen: Sie sind ein wichtiges Element der Unsicherheit, um Managementeffekte vorherzusagen.