Upload
others
View
0
Download
0
Embed Size (px)
Citation preview
Carl von Ossietzky-Universität Oldenburg Institut für Biologie und Umweltwissenschaften Studiengang Diplom-Landschaftsökologie AG Landschaftsökologie
Diplomarbeit
ANALYSE DER HABITATANSPRÜCHE VON SALZWIESEN- UND DÜNENPFLANZEN AUF MELLUM
Vorgelegt von: Hanna Timmermann
[email protected] Erstgutachter: Prof. Dr. M. Kleyer
Zweitgutachter: Dr. C. Peppler-Lisbach
Oldenburg, Oktober 2008
II
Danksagung Ich danke meinen Betreuern Prof. Dr. Michael Kleyer und Dr. Cord Peppler-Lisbach für die Betreuung meiner Arbeit. Prof. Dr. Michael Kleyer danke ich besonders für die Möglichkeit durch die Diplomarbeit so eine großartige und vor allem dynamische Insel kennen zu lernen. Janina, ohne dich wäre ich wahrscheinlich nie nach Mellum gekommen! Und auch ich könnte mir niemanden sonst vorstellen, mit dem ich diese Zeit auf Mellum hätte verbringen wollen und Stickstoffsäckchen unter einem Meter Sand wieder finden, im kalten Prielwasser den Schlick von Festuca-Wurzeln waschen, kiloweise Bodenproben über die Insel transportieren und morgens um sechs widerspenstige Atriplex-Biomasse schneiden und dabei den Humor, den Spaß an der Arbeit und den Blick für das Schöne nicht zu verlieren! Dem Mellumrat e.V. danke ich für die Unterbringung und Versorgung auf der Insel. Für die große Unterstützung bei der Geländearbeit und für die gute Zeit auf Mellum danke ich den NSW, besonders Wolfgang, Thomas und Lena! Ein großer Dank geht an Regine Kayser, die mir die Angst vor dem Labor genommen hat und mit ihrer Geduld und aufmunternden Worten dafür gesorgt hat, dass ich mich gerne an die Laborzeit erinnere! Barbara Strauß danke ich für die große Hilfe bei der statistischen Auswertung meiner Daten mit R! Katharina danke ich für die gemeinsame Bewältigung der Studienzeit, von der ersten Vordiplomsprüfung über Mathezettel, Milieustudien und Auslandssemester bis zur Diplomarbeit! Und natürlich vor allem für die Freundschaft! Julia und Dennis danke ich vor allem für das Leben außerhalb von Diplomarbeiten mit Salat essen, Äpfel ernten, schwimmen und draußen sein! Außerdem danke ich Julia für die Hilfe bei der Entscheidungsfindung und die Einführung ins Formatieren. Christian danke ich für die regelmäßige Mensabegleitung in den letzten Wochen. Ein großer Dank gilt auch allen fleißigen Helfern, die sich mit uns durch den Riesenberg Biomasse sortierten. Meiner Familie danke ich für die Unterstützung während meines ganzen Studiums, und auch besonders für die Aufmunterung gerade in den letzten Wochen! Und Hanjo danke ich für die Perspektive nach der Diplomarbeit.
III
Vorbemerkung
Diese Arbeit ist im Mellumprojekt in der AG Landschaftsökologie der Universität
Oldenburg angesiedelt. Die für diese Arbeit auf Mellum durchgeführten Geländearbeiten
fanden auf bereits im Jahr 2006 installierten Probeflächen statt. Im Jahr 2007 wurden auf
diesen Probeflächen Daten für zwei Diplomarbeiten erhoben. Eine Arbeit untersucht
biologische Pflanzenmerkmale (Traits und Allokationsmuster) in Abhängigkeit von
Umweltparametern und wird von Janina Spalke bearbeitet (Spalke unveröff.). Die hier
vorliegende Arbeit beschäftigt sich hingegen mit der Modellierung der Art-
Umweltbeziehung. Beide Arbeiten stützen sich aber z.T. auf identische Daten. Diese
Stellen sind im Text mit Verweisen versehen.
IV
INHALTSVERZEICHNIS 1 EINLEITUNG ........................................................................................... 1
2 UNTERSUCHUNGSGEBIET ................................................................... 5 2.1 Die Insel Mellum ..................................................................................................5 2.1.1 Lage .....................................................................................................................5 2.1.2 Entstehung...........................................................................................................6 2.1.3 Schutzstatus ........................................................................................................7 2.1.4 Anthropogener Einfluss........................................................................................7 2.2 Lage der Probeflächen.........................................................................................9 3 METHODEN .......................................................................................... 11 3.1 Geländearbeit ....................................................................................................11 3.1.1 Probeflächendesign ...........................................................................................11 3.1.2 Vegetation..........................................................................................................11 3.1.3 Boden.................................................................................................................12 3.1.4 Grundwasser......................................................................................................12 3.1.5 Sedimentation/Erosion.......................................................................................13 3.2 Laboranalysen ...................................................................................................15 3.3 Datenverarbeitung und Bildung der Variablen ...................................................16 3.3.1 Vegetation..........................................................................................................16 3.3.2 Abhängige Variablen..........................................................................................16 3.3.3 Unabhängige Variablen .....................................................................................17 3.4 Statistische Auswertung.....................................................................................21 3.4.1 Datentransformation ..........................................................................................21 3.4.2 Auswahl der unabhängigen Variablen ...............................................................22 3.4.3 Modellierung ......................................................................................................23 3.4.3.1 Logistische Regression................................................................................................... 23 3.4.3.2 Modellbewertung............................................................................................................. 24 3.4.3.3 Modellbildung.................................................................................................................. 27 3.4.3.4 Lineare Regression......................................................................................................... 29 4 ERGEBNISSE........................................................................................ 31 4.1 Die Vegetation des Untersuchungsgebiets........................................................31 4.1.1 Pionierzone (PZ) S.1..........................................................................................31 4.1.2 Untere Salzwiese (USW) S.2.............................................................................32 4.1.3 Obere Salzwiese (OSW) S.3 .............................................................................33 4.1.4 Grüner Strand (GS) S.4 .....................................................................................34 4.1.5 Strand (ST) X.1 ..................................................................................................35 4.1.6 Vordüne (VD) X.3...............................................................................................35 4.1.7 Graudüne (GD) X.5............................................................................................35 4.1.8 Versandete Salzwiese (VSW) X.11 ...................................................................36 4.2 Die Ausprägung der Umweltparameter im Untersuchungsgebiet ......................37 4.2.1 Kaliumgehalt (K) ................................................................................................37 4.2.2 Phosphorgehalt (P) ............................................................................................38 4.2.3 pH-Wert (pH_eDW, pH_Gr) ...............................................................................40 4.2.4 Carbonatgehalt (CO3)........................................................................................41
V
4.2.5 Leitfähigkeit (LF_eDW, LF_Gr) ..........................................................................43 4.2.6 Sand- ,Ton- und Schluffanteil (S_eDW, U_eDW, T_eDW)................................45 4.2.7 Störung (Sedimentation und Erosion) (STOER_abs) ........................................46 4.2.8 Grundwasser (GWmw, GW20) ..........................................................................48 4.2.9 Überflutungshäufigkeit (UEH) ............................................................................49 4.3 Ergebnisse der statistischen Analyse ................................................................52 4.3.1 Variablenauswahl...............................................................................................52 4.3.2 Habitatmodelle ...................................................................................................53 4.3.2.1 Univariate Modelle – Art-Antwortkurven ......................................................................... 53 4.3.2.2 Multiple Modelle .............................................................................................................. 57 4.3.2.3 Lineare Regressionsmodelle .......................................................................................... 76 5 DISKUSSION......................................................................................... 79 5.1 Diskussion der Methoden ..................................................................................79 5.1.1 Gelände und Labor ............................................................................................79 5.1.2 Auswertung ........................................................................................................82 5.2 Diskussion der Ergebnisse ................................................................................83 5.2.1 Ausprägung der abiotischen Faktoren ...............................................................83 5.2.2 Habitatmodelle ...................................................................................................94 5.2.2.1 Zonierung ........................................................................................................................ 94 5.2.2.2 Arten................................................................................................................................ 96 5.2.2.3 Biomasse, Produktivität und Artenzahl ......................................................................... 108 5.2.3 Schlussbemerkung ..........................................................................................108 6 ZUSAMMENFASSUNG ....................................................................... 110
7 LITERATURVERZEICHNIS ................................................................. 112
8 ANHANG.............................................................................................. 119
VI
ABBILDUNGSVERZEICHNIS Abbildung 1: Lage des Untersuchungsgebietes. ...............................................................5 Abbildung 2: Verteilung der Probeflächen im Untersuchungsgebiet. ..............................10 Abbildung 3: Schematische Darstellung einer Probefläche.............................................11 Abbildung 4: Schematische Darstellung des SEB und der Berechnung des Auftrags bzw.
Abtrags. ......................................................................................................14 Abbildung 5: Schematische Darstellung von Überflutung und Geländehöhe..................21 Abbildung 6: Einteilung der Probeflächen in Kaliumgehaltsklassen (Schlichting et al.
1995) getrennt nach Dünen und Salzwiesen..............................................37 Abbildung 7: Kaliumgehalt der Probeflächen gruppiert nach Vegetationstypen..............38 Abbildung 8: Einteilung der Probeflächen in Phosphorgehaltsklassen (Schlichting et al.
1995) getrennt nach Dünen und Salzwiesen..............................................39 Abbildung 9: Phosphorgehalt der Probeflächen gruppiert nach Vegetationstypen. ........39 Abbildung 10: Einteilung der Probeflächen in pH-Wert-Klassen (Scheffer &
Schhachtschabel 2002) getrennt nach Dünen und Salzwiesen. ................40 Abbildung 11: Einteilung der Probeflächen in Carbonat-Klassen (AG Boden 2005)
getrennt nach Dünen und Salzwiesen........................................................41 Abbildung 12: Carbonatgehalt der Probeflächen gruppiert nach Vegetationstypen..........42 Abbildung 13: Einteilung der Probeflächen in Leitfähigkeitsklassen getrennt nach Dünen
und Salzwiesen (eDW = Wurzelraum, Gr = Unterboden)...........................43 Abbildung 14: Leitfähigkeit der Bodenlösung des Wurzelraums und des Unterbodens der
Probeflächen gruppiert nach Vegetationstypen..........................................44 Abbildung 15: Einteilung der Probeflächen in Sandanteilsklassen getrennt nach
Salzwiesen und Dünen...............................................................................45 Abbildung 16: Sandanteile der Probeflächen gruppiert nach Vegetationstypen. ..............46 Abbildung 17: Einteilung der Probeflächen in Störungsklassen getrennt nach Salzwiesen
und Dünen für den Zeitraum Oktober 2006 bis September 2007...............47 Abbildung 18: Absolute Störung der Probeflächen gruppiert nach Vegetationstypen.......47 Abbildung 19: Einteilung der Probeflächen in Grundwasserstandsklassen getrennt nach
Salzwiesen und Dünen...............................................................................48 Abbildung 20: Mittlere Grundwasserstände der Probeflächen gruppiert nach
Vegetationstypen........................................................................................49 Abbildung 21: Einteilung der Probeflächen in Überflutungsklassen getrennt nach
Salzwiesen und Dünen...............................................................................50 Abbildung 22: Überflutungshäufigkeit der Probeflächen gruppiert nach Vegetationstypen.
....................................................................................................................51 Abbildung 23: Art-Antwortkurven des gesamten Datensatzes für die Variable
Überflutungshäuigkeit.................................................................................54 Abbildung 24: Art-Antwortkurven des Salzwiesendatensatzes für die Variable
Feuchtigkeit. ...............................................................................................55 Abbildung 25: Art-Antwortkurven des gesamten Datensatzes für die Variable Leitfähigkeit.
....................................................................................................................56 Abbildung 26: Art-Antwortkurven des Salzwiesendatensatzes für die Variable
Leitfähigkeit. ...............................................................................................56 Abbildung 27: graphische Darstellung des Modells Sal.str.ges.........................................58 Abbildung 28: graphische Darstellung des Modells Sal.str.sw. .........................................59 Abbildung 29: graphische Darstellung des Modells Spa.ang.ges. ....................................60 Abbildung 30: graphische Darstellung des Modells Spa.ang.sw.......................................61 Abbildung 31: graphische Darstellung des Modells Sal.bra.ges. ......................................62 Abbildung 32: graphische Darstellung des Modells Puc.mar.ges. ....................................63 Abbildung 33: graphische Darstellung des Modells Sua.mar.ges. ....................................64 Abbildung 34: graphische Darstellung des Modells Sua.mar.sw.......................................65 Abbildung 35: graphische Darstellung des Modells Atr.por.ges. .......................................66 Abbildung 36: graphische Darstellung des Modells Atr.por.sw. ........................................67
VII
Abbildung 37: graphische Darstellung des Modells Lim.vul.ges. ......................................68 Abbildung 38: graphische Darstellung des Modells Fes.rub.li.ges. ...................................70 Abbildung 39: graphische Darstellung des Modells Fes.rub.li.sw. ....................................70 Abbildung 40: graphische Darstellung des Modells Art.mar.ges. ......................................71 Abbildung 41: graphische Darstellung des Modells Art.mar.sw ........................................72 Abbildung 42: graphische Darstellung des Modells Ely.ath.ges........................................73 Abbildung 43: graphische Darstellung des Modells Ely.ath.sw. ........................................73 Abbildung 44: graphische Darstellung des Modells Ely.far.ges.........................................74 Abbildung 45: graphische Darstellung des Modells Fes.rub.ar.ges. .................................75 Abbildung 46: Schematischer Überblick über die Ausprägung der abiotischen Faktoren
der Vegetationstypen..................................................................................83 Abbildung 47: Modelle des gesamten Datensatzes (oben) und des
Salzwiesendatensatzes (unten)..................................................................96
VIII
TABELLENVERZEICHNIS Tabelle 1: Anzahl der Probeflächen in den Vegetationstypen.......................................9 Tabelle 2: Übersicht über die untersuchten Bodenparameter und die verwendeten
Analysemethoden.......................................................................................15 Tabelle 3: Überblick über die unabhängigen Variablen...............................................17 Tabelle 4: Transformierte Variablen und Art der Transformation. ...............................22 Tabelle 5: Klassifikationsmatrix und daraus abgeleitete Gütekriterien........................25 Tabelle 6: Schematische Darstellung des model averaging für eine abhängige
Variable ......................................................................................................28 Tabelle 7: Überblick über die Verwendung und den Ausschluss der Variablen..........52 Tabelle 8: Arten mit einer Prävalenz > 10 % und Arten für die Modelle gebildet werden
konnten (fett) für beide Datensätze. ...........................................................57 Tabelle 9: multiple Modelle für Salicornia stricta (Sal.str). ..........................................58 Tabelle 10: multiple Modelle für Spartina anglica (Spa.ang).........................................60 Tabelle 11: multiples Modell für Salicornia brachystachya (Sal.bra).............................62 Tabelle 12: multiples Modell für Puccinellia maritima (Puc.mar)...................................63 Tabelle 13: multiples Modell für Suaeda maritma (Sua.mar). .......................................64 Tabelle 14: multiples Modell für Atriplex portulacoides (Atr.por). ..................................66 Tabelle 15 multiples Modell für Limonium vulgare (Lim.vul). .......................................68 Tabelle 16 multiples Modell für Festuca rubra ssp litoralis (Fes.rub.li). .......................69 Tabelle 17 multiples Modell für Artemisia maritima (Art.mar).......................................71 Tabelle 18: multiples Modell für Elymus athericus (Ely.ath)..........................................72 Tabelle 19: multiples Modell für Elymus farctus (Ely.far). .............................................74 Tabelle 20: multiples Modell für Festuca ruba ssp arenaria (Fes.rub.ar). .....................75 Tabelle 21: Multiple Modelle für ANPP und Biomax......................................................77 Tabelle 22: multiple Modelle für die Artenzahl. .............................................................78 Tabelle 23: Anzahl der Modelle in denen die Variablen enthalten sind und Gewichte
über 25 % erreichen. ..................................................................................94
1 EINLEITUNG 1
1 EINLEITUNG
Das Wechselspiel von Meeresströmungen, Gezeiten und Wind sowie die Verfügbarkeit
großer Sedimentmengen sorgten im Wattenmeer seit der letzten Eiszeit für die
Entstehung einer vielseitigen Landschaft aus Inseln mit Strand-, Dünen- und
Salzwiesenbereichen, Wattflächen und Vorlandsalzwiesen am Festland (Petersen & Pott
2005). Heute sind menschliche Eingriffe in dieser dynamischen Küstenlandschaft fast
überall sichtbar. Neben Küstenschutzmaßnahmen wie dem Deichbau, der Befestigung
der Westköpfe der Inseln und dem Erosionsschutz in den Inseldünen z.B. durch
Anpflanzung von Strandhafer, ist hier vor allem die landwirtschaftliche Nutzung zu nennen
(Pott 1995). Durch Landgewinnungsmaßnahmen entstanden künstliche Salzwiesen, die,
ebenso wie die natürlich entstandenen, aufgrund ihres Nährstoffreichtums
landwirtschaftlich genutzt wurden (Bakker et al. 2003).
Trotz des anthropogenen Einflusses gehört diese Küstenlandschaft außerhalb der
Seedeiche auch heute noch zu den wenigen Naturlandschaften Europas, in denen
natürliche Dynamik beobachtbar ist (Petersen & Pott 2005). Besonders an den
unbefestigten Ostenden der ostfriesischen Inseln sowie auf den unbewohnten Inseln
Memmert, Lüttje Hörn und Mellum gibt es im niedersächsischen Wattenmeer vom
Menschen beinahe völlig unbeeinflusste Bereiche, die großer Dynamik unterworfen sind.
Diese Dynamik führt zu extremen Lebensbedingungen für die Vegetation. Salzwiesen
werden von der täglichen Überflutung mit salzhaltigem und schwebstoffreichem
Meerwasser geprägt. Das bedeutet für die Vegetation einerseits eine gute
Nährstoffversorgung durch die im Meerwasser gelösten und in den Schwebstoffen
enthaltenen Nährstoffe. Andererseits bedeutet dies aber auch eine Beeinträchtigung
durch Salzeinfluss und Überstauung sowie Sedimentations- und Erosionsprozesse (Adam
1990). Die Vegetation der Salzwiesen weist häufig eine ausgeprägte Zonierung auf, die
auf den Einfluss unterschiedlich ausgeprägter abiotischer Faktoren zurückgeführt wird
(z.B. Chapman 1974, Adam 1990, Ungar 1998).
Dünen- und Strandbereiche werden vor allem von der Substratverlagerung durch äolische
Prozesse geprägt (Petersen & Pott 2005). Pflanzen, die diesen Lebensraum besiedeln,
müssen außerdem an einen tiefliegenden Grundwasserspiegel angepasst sein (Pott
1995). Besonders Strand- und Pionierdünenbereiche sind durch den Gezeiteneinfluss
ebenfalls salzbeeinflusste Lebensräume (Ellenberg 1996).
1 EINLEITUNG 2
Mit diesen dynamischen Lebensräumen, ihrer Vegetation und deren Anpassung an die
Lebensbedingungen beschäftigen sich viele Arbeiten. Wolff (1983) liefert eine
ausführliche Beschreibung der Ökologie des gesamten Wattenmeerraumes. Einen
Überblick über die Lebensräume des Wattenmeers in Deutschland geben z.B. Pott (1995)
und Petersen & Pott (2005). Eingehende Beschreibungen der Ökologie der Salzwiesen
liefern Chapman (1974) und Adam (1990) Viele Arbeiten befassen sich mit abgegrenzten
Teilaspekten der Salzwiesen- oder Dünenökologie. Dabei wird häufig entweder der
Bereich Überflutung-Durchlüftung-Salinität oder die Nährstoffversorgung betrachtet. So
beschäftigen sich z.B. die Arbeiten von Vince & Snow (1984), Roozen & Westhoff (1985),
Bockelmann et al. (2002), Leendertse et al. (1997) und Kiehl (1997) mit dem Einfluss von
Überflutungshäufigkeit, Staunässe und Salinität auf die Zonierung der
Salzwiesenvegetation. Der Einfluss von Nährstoffen auf die Zusammensetzung und
Entwicklung der Vegetation in Salzwiesen wird z.B. von Jefferies & Perkins (1977), van
Wijnen & Bakker (1999), Kiehl et al. (1997) und Olff et al. (1997) beschrieben. Wenige
Arbeiten wie z.B. Gray & Bunce (1972) und Schröder et al. (2002) befassen sich mit dem
Einfluss von Nährstoffversorgung und Überflutungshäufigkeit bzw. Salinität auf die
Zonierung der Salzwiesenvegetation. Einen weiterer Aspekt liefern u.a. de Leeuw (1992),
Bakker et al. (1993), Olff et al. (1997), Van Wijnen & Bakker (2001) und Temmerman et
al. (2003) mit Untersuchungen zu Sedimentationsraten und Substrat. Baldwin &
Mendelssohn (1998), Langlois et al. (2001) und Tessier et al. (2002) befassen sich mit
dem Einfluss von Störung auf Salzwiesenvegetation.
Die abiotischen Gegebenheiten und die Vegetation der Dünen beschreiben u.a. Willis et
al. (1959), Hundt (1985), Olff et al. (1993) und Frederiksen et al. (2006). Anderson &
Taylor (1979), Willis (1963) und Harris & and Davy (1986) beschreiben den Einfluss von
Nährstoffverfügbarkeit und Störung auf den Wuchs von Dünenarten. Mit der Entwicklung
von Dünenböden befassen sich z.B. Gerlach et al. (1994) und Giani & Buhmann (2004).
Mit dem Ziel der Habitatanalyse von Salzwiesen- und Dünenpflanzen auf der weitgehend
vom Menschen unbeeinflussten Insel Mellum gliedert sich meine Untersuchung in die
bestehenden Arbeiten ein. Im Unterschied zu den meisten der oben genannten Arbeiten
werden in meiner Arbeit aber sowohl die Eigenschaften von Dünen- als auch von
Salzwiesenhabitaten untersucht. Außerdem sollen nicht nur Teilaspekte der
Umwelteigenschaften, sondern möglichst viele vegetationsbeeinflussende Faktoren
betrachtet werden. Durch die Durchführung der Untersuchung auf der ungenutzten Insel
Mellum können die Habitatansprüche von Dünen- und Salzwiesenarten analysiert werden,
ohne dass diese durch Einflüsse anthropogener Nutzung überdeckt werden. Die
1 EINLEITUNG 3
Einbeziehung vieler Umwelteigenschaften in die Analyse ermöglicht es, die Relevanz der
unterschiedlichen Aspekte hinsichtlich ihres Einflusse auf das Vorkommen von Arten zu
beurteilen.
Die folgenden Fragen sollen in meiner Arbeit beantwortet werden. Der Schwerpunkt liegt
dabei auf den ersten beiden Teilbereichen der Fragestellung:
• Welche Umwelteigenschaften charakterisieren das Untersuchungsgebiet und in
welcher Weise stehen sie in Beziehung zueinander? Unterscheiden sich die
Vegetationstypen des Untersuchungsgebiets hinsichtlich der
Umwelteigenschaften?
• Welche Ansprüche haben die Arten an ihr Habitat? Weisen die Arten desselben
Vegetationstyps ähnliche Habitatansprüche auf?
• Welche Umwelteigenschaften bewirken eine Steigerung der Produktivität bzw. des
Biomassezuwachses der Vegetation? Welche Umwelteigenschaften bewirken eine
Zunahme der Pflanzenarten?
Neben den Ansprüchen der Art an ihr Habitat richtet sich die Verteilung von Arten in
Landschaften auch nach den Gegebenheiten des Lebensraums. Um die Ansprüche der
Salzwiesen- und Dünenarten analysieren zu können, müssen also zunächst die
vegetationsbestimmenden Faktoren der möglichen Habitate auf Mellum und ihre
Beziehung untereinander untersucht werden. Da ein möglichst umfassendes Bild des
„System Mellums“ gewonnen werden soll, werden sowohl in den Dünen als auch in den
Salzwiesen vielseitige Parameter untersucht. Dazu gehören die Salinität, die
Überflutungshäufigkeit, die Grundwasserdynamik, die Nährstoffversorgung und das
Sedimentations- und Erosionsgeschehen. Aufgrund der ausgeprägten Zonierung
besonders der Salzwiesenvegetation stellt sich die Frage, inwieweit sich die
Umweltbedingungen dieser Zonen unterscheiden. Dieser Teil der Fragestellung soll mit
Hilfe deskriptiver Methoden beantwortet werden.
Bei der Analyse der Habitatansprüche einzelner Salzwiesen- und Dünenarten wird der
Frage nachgegangen, welche der Umwelteigenschaften eine Fläche zu einem Habitat für
eine Art machen. Außerdem soll in Anbetracht der Zonierung der Vegetation überprüft
werden, ob Arten einer Zone ähnliche Habitatansprüche aufweisen. Für die Beantwortung
dieser Frage bietet sich die Erstellung von multiplen Habitatmodellen an, da diese den
Zusammenhang zwischen dem Vorkommen einer Art und abiotischen und biotischen
Lebensraumfaktoren formalisieren (Kleyer et al. 1999/2000). In dieser Arbeit verwende ich
die Methode der logistischen Regressionsanalyse für die Modellierung. Im Gegensatz zu
anderen Methoden liefert diese Methode auch bei Abweichungen von der
1 EINLEITUNG 4
Normalverteilung robuste Modelle und leicht interpretierbare Ergebnisse (Backhaus et al.
2006).
Auch in einigen anderen Arbeiten wurden Modelle für Salzwiesenarten erstellt (z.B. de
Leeuw 1992, Olff et al. 1997, Schröder et al. 2002, Gronewold unveröff.). Anders als in
meiner Arbeit handelt es sich hierbei aber um univariate Modelle, Modelle mit wenigen
Einflussfaktoren oder um Untersuchungen auf genutzten oder zumindest ehemals
genutzten Flächen.
Neben der Modellierung der Habitatansprüche einzelner Arten wird in dieser Arbeit der
Einfluss von Umwelteigenschaften auf Ökosystemparameter (Produktivität, Artenzahl)
untersucht. Diese Analyse erfolgt mit Hilfe linearer Regressionsmodelle.
2 UNTERSUCHUNGSGEBIET 5
2 UNTERSUCHUNGSGEBIET
Dieses Kapitel wurde zusammen mit J.Spalke verfasst, da die Arbeiten auf gemeinsamen
Probeflächen stattfanden und die Beschreibung des Untersuchungsgebietes
dementsprechend zusammen geschehen konnte.
Die im Rahmen dieser Arbeit durchgeführten Geländearbeiten fanden auf der Insel
Mellum im niedersächsischen Wattenmeer statt.
2.1 Die Insel Mellum
2.1.1 Lage
Mellum liegt auf der Nordspitze des Hohe-Weg-Watts, einem Wattrücken, der sich von
Butjadingen aus in nordnordwestlicher Richtung erstreckt. Das Hohe-Weg-Watt wird im
Westen durch die Jade, im Osten durch die Außenweser begrenzt (s. Abbildung 1).
Abbildung 1: Lage des Untersuchungsgebietes. (Ausschnitte aus: Diercke Weltatlas, Hrsg. Zahn 1988; Geographische Namen in den deutschen Küstengewässern, Niedersächsische Küste (Blatt 1), Hrsg. LGN und StAGN)
Die Größe der Insel beträgt ca. 555 ha, in West-Ost-Richtung erstreckt sich Mellum über
eine Breite von 4,1 km, in Nord-Süd-Richtung über 2,1 km Länge (eigene Berechnung im
GIS, Grundlage Luftbild 2004 und T-MAP-Kartierung 2004). Hartung (1975) nennt noch
eine Breite von 5 km und eine Länge von 2,5 km. Der Mellumrat e.V. als betreuender
Verband beziffert die Fläche mit über 700 ha (Mellumrat 2008). Die gesamte Ruhezone 1
2 UNTERSUCHUNGSGEBIET 6
um Mellum mit vorgelagerten Sanden und Wattflächen besitzt eine Größe von 6500 ha
(Taux 1986).
Mellum liegt im Bereich der Makrotiden mit 3,5 – 5 Meter Tidenhub (Streif 1990). Hierfür
typisch sind trichterförmige Ästuare (im Bereich Mellums das Jade- und das Weserästuar)
mit großen, von Wattrinnen zerschnittenen Wattflächen (hier das Hohe-Weg-Watt). Auf
diesen Wattflächen können sich Inseln bilden, die aufgrund der eng aneinanderliegenden
Wattrinnen und den Flußmündungen nicht langgestreckt sein können wie die sich nach
Westen anschließenden Ostfriesischen Inseln vom Typ der Barriereinsel (ebenda).
Die Zuordnung Mellums zu einem Inseltyp scheint nicht vollständig geklärt. Reineck
(1987) spricht von Sandbankinsel und vergleicht Mellum unter anderem mit Trischen,
Scharhörn und dem Knechtsand. Kuhbier (1975) beschreibt Mellum aufgrund ihrer Lage
und der nicht vollständig ausgeprägten Dünenserie als Wattinsel und nennt die
niederländische Insel Griend, südwestlich von Terschelling, in Gestalt und Entstehung
Mellum am ähnlichsten. Hartung (1975) wiederum spricht bei Mellum von
Schwemmsandinsel mit bohnenförmiger Gestalt, wobei die konvexe Seite zur See
gewendet ist. Allen Beschreibungen gemein ist, dass Mellum sich aus
aufeinanderschiebenden Strandwällen entwickelt hat, keine Barriereinsel ist und nur
niedrige Dünen besitzt.
2.1.2 Entstehung
Bereits 1410 wurde Mellum zum ersten Mal als „Uppe de Mellem“ erwähnt, evtl. gab es
damals schon erste Erhebungen oder Strandwälle. Spätestens im Jahr 1457 wurde die
erste Bake als Seezeichen und Schutzraum auf der Insel gebaut (Reineck 1987).
Die genannten Strandwälle entstehen, indem mit der Gezeitenwelle aus Nordwesten
Sand zur Nordspitze des Hohe-Weg-Watts gebracht wird. Dieser Sand bildet bereits
nordwestlich von Mellum Sandriffe, die, von der Brandung aufgetürmt, zu Strandwällen
weiter auf das Hohe-Weg-Watt geschoben werden (Hartung 1975, Taux 1986). Von hier
wird der Sand mit dem Wind verteilt. Es bildet sich eine Sandplate, die mit zunehmender
Höhe immer häufiger auch bei Hochwasser trockenfällt. Die nachfolgenden Sandriffe
verschmelzen mit der Sandbankinsel und gleichen so Materialverlust durch Sturmfluten
aus (Reineck 1987). Da das Nachrücken von Sandriffen jedoch nicht kontinuierlich erfolgt,
kann die Insel in der Größe und Form immer wieder variieren, die Lage bleibt jedoch
weitgehend stabil (ebenda).
2 UNTERSUCHUNGSGEBIET 7
Von 1870 bis 1890 fand der Übergang von der Sandplate zur vegetationsbedeckten Insel
statt (Hartung 1975, Kuhbier 1975, Haeseler 1988), dem heute sogenannten „alten
Grünland“. Dies konnte im Schatten eines höheren Strandwalles im Norden, der
Norddüne, entstehen. Zwischen der Norddüne und dem alten Grünland lag bis in die
1960er Jahre hinein der freie Inselsockel, der sogenannte Zwischensand, eine flache
Ebene, nur mit Diatomeen und Algen bewachsen. Durch äolisch verlagerten Sand wuchs
die Fläche langsam auf und wurde nach und nach von Vegetation besiedelt (Hartung
1975).
Von einer zunächst Nord-Süd-gestreckten Form begann Mellum sich in den 1940er
Jahren zu drehen und besitzt heute eine West-Ost-Ausdehnung (Hartung 1975). Durch
die West-Ost-gestreckte Gestalt verbreiterte sich die Stillwasserzone hinter der Norddüne.
Außerdem bildete sich zusätzlich die bogenförmige Westdüne aus angewehtem und
angespültem Sand, der nach und nach durch Vegetation festgehalten wurde (Germer
2001). Diese beiden Dünenzüge, die Norddüne und die Westdüne bieten „den Schutz
bzw. das Rückgrat für das sich weiter ausdehnende Grünland“ (Taux 1986: 265), die
heutige Salzwiese.
Es finden sich also Bereiche, die bereits seit Ende des 19. Jahrhunderts bewachsen sind,
solche, die erst seit den 1960er Jahren besiedelt sind und solche, auf denen die
Vegetationsentwicklung noch viel später einsetzte und die teilweise bis heute noch
jährlich neu besiedelt werden.
2.1.3 Schutzstatus
Schon 1921 wurde die Insel unter Schutz gestellt. Als sogenannte Seevogelfreistätte wird
Mellum seit 1925 durch den Mellumrat e.V. betreut (Mellumrat 2008). Die Insel ist heute
Teil des Nationalparks „Niedersächsisches Wattenmeer“ und liegt zusammen mit dem
Hohe-Weg-Watt in der strengsten Schutzkategorie, der „Ruhezone“
(Nationalparkverwaltung 2008).
2.1.4 Anthropogener Einfluss
Bis Ende der 1930er Jahre war Mellum vollständig ungenutzt, es gab keinerlei Bauwerke
wie Sandfangzäune oder Leitdämme, die zur Inselstabilisierung beitragen sollten (Taux
1986). Im Zuge des 2. Weltkrieges erlangte die Insel jedoch Bedeutung, da sie vor
Wilhelmshaven als wichtigem Kriegshafen an strategisch günstiger Stelle lag. 1940 wurde
mit dem Bau militärischer Anlagen begonnen, indem zunächst im südlichen
Salzwiesenbereich eine ca. 4 ha (Kuhbier 1975) große Fläche mit einem Ringdeich
2 UNTERSUCHUNGSGEBIET 8
umgeben wurde. Zur schnelleren Begrünung des Eingedeichten wurden Grassoden und
Dünengräser von Wangerooge und vom Festland auf Mellum ausgebracht (Kuhbier
1975). Der Ringdeich existiert noch heute und schützt das sogenannte „Eingedeichte“ vor
Sturmfluten. Alle anderen Teile der Insel sind weiterhin ganz von Bebauung und Nutzung
frei.
2 UNTERSUCHUNGSGEBIET 9
2.2 Lage der Probeflächen
Die Probeflächen verteilen sich über das ganze Vegetationstypenspektrum der Insel,
wobei jeder Typ, soweit möglich, mit mindesten fünf Probeflächen abgedeckt wird. Die
Vegetationstypen entsprechen den TMAP-Typen (Trilateral Monitoring & Assesment
Program) (Essink et al. 2005) des Common Wadden Sea Secretariat. Insgesamt wurden
im Sommer 2006 66 Probeflächen ausgewiesen.
Durch mehrere Sturmfluten im Herbst 2006 und damit verbundene Umlagerungsprozesse
veränderte sich die Verteilung der Vegetationstypen besonders in den Dünen stark. Die
Nordwestdüne, auf der die Probeflächen des Typs „Weißdüne“ angelegt worden waren,
wurde nahezu komplett abgetragen. Die Probeflächen liegen nun mindestens 1 m tiefer
und müssen dem Strand bzw. den Vordünen zugeordnet werden. Ein Teil des
Dünensandes lagerte sich hinter den Dünenresten ab und bedeckte einige Flächen, die
als obere Salzwiese eingestuft worden waren. Diese Flächen werden im Folgenden als
„Versandete Salzwiese“ bezeichnet. Die Zuordnung der Probeflächen zu
Vegetationstypen und die jeweilige Anzahl zum Zeitpunkt der Einrichtung und bei Beginn
der Geländearbeit sind Tabelle 1 zu entnehmen.
Tabelle 1: Anzahl der Probeflächen in den Vegetationstypen bei Einrichtung der Flächen und zu Beginn der Geländearbeit.
Vegetationstyp (TMAP)
Vegetationstyp-nummer intern Bezeichnung
Anzahl bei Einrichtung der Probe-flächen
Anzahl bei Beginn der Gelände-arbeit
S.1 1 Pionierzone 12 12
S.2 2 Untere Salzwiese 18 18
S.3 3 Obere Salzwiese 14 12
S.4 4 Grüner Strand 3 3
X.1 5 Strand 7
X.3 6 Vordüne 8 6
X.11 7 Versandete Salzwiese 2
X.4 Weißdüne 5
X.5 8 Graudüne 6 6
Gesamt 66 66
Ein weiteres Kriterium bei der Auswahl der Probeflächen war die Erreichbarkeit. Aufgrund
des Schutzgebietsstatus der Insel ist die Arbeit in den Salzwiesen und Dünen außerhalb
2 UNTERSUCHUNGSGEBIET 10
des Ringdeichs nur im Zeitraum von sechs Stunden um Niedrigwasser herum toleriert.
Aufgrund dessen durften die Probeflächen nicht zu stark über die Insel verteilt sein, um
eine möglichst lange effektive Arbeitszeit auf den Probeflächen zu ermöglichen.
Die Probeflächen lassen sich in zwei Teilbereiche unterteilen (s. Abbildung 2). Der
östliche Teil umfasst den Salzwiesengradienten von der Pionierzone über die untere
Salzwiese in die obere Salzwiese, diese Flächen liegen im „alten Grünland“ sowie auf
dem ehemaligen Zwischensand. Der westliche Teil des Untersuchungsgebiets umfasst
neben dem Salzwiesengradienten - hier vor allem auf jüngeren „Grünland“-Flächen -
Flächen des sogenannten „Grünen Strandes“ auf der Westplate und einen Gradienten
vom Strand, über Vordünen und versandete Salzwiesen zu den Graudünen.
Abbildung 2: Verteilung der Probeflächen im Untersuchungsgebiet. Kartengrundlage: Nationalparkverwaltung. Bearbeitung in ArcView GIS (ESRI 2000) durch H. Timmermann und J. Spalke
3 METHODEN 11
3 METHODEN
3.1 Geländearbeit
3.1.1 Probeflächendesign
Die verschiedenen Untersuchungen wurden auf allen Probeflächen nach demselben
Schema durchgeführt (Abbildung 3). Markiert wurden die Probeflächen durch zwei
Pflöcke, die gleichzeitig der Messung von Sedimentation und Erosion dienten
(sedimentation-erosion-bar (SEB)). Für jeden der vier Bereiche - Traits, Vegetation,
Boden/Grundwasser und Biomasse - stand ein Quadrant der Probefläche zur Verfügung.
Der Vegetationsquadrant befand sich immer im Norden der SEB-Pflöcke. Je nach
Ausprägung der Vegetation fanden die anderen Untersuchungen in entsprechend
anderen Quadranten statt.
Abbildung 3: Schematische Darstellung einer Probefläche.
3.1.2 Vegetation
Die Erfassung der Vegetation erfolgte im August 2007. Da die Veränderung der
Artenzusammensetzung über mehrere Jahre untersucht wird, wurde für die quantitative
Erfassung die Frequenz (Anzahl der Vorkommen) der Arten bestimmt. Bei dieser Methode
wird die Anzahl der Vorkommen einer Art auf der Aufnahmefläche gezählt. Da keine
subjektiven Schätzungen (z.B. nach der Braun-Blanquet-Skala) erfolgen, ist die
Frequenzbestimmung unabhängiger vom jeweiligen Bearbeiter und damit objektiver als
Schätzverfahren(Dierschke 1994). Die Bestimmung der Frequenz habe ich in dieser
Untersuchung auf einem Quadratmeter Fläche mit Hilfe eines 10 x 10 cm Rasters
durchgeführt. Jede Probefläche bestand somit aus 100 Teilflächen. Die Frequenzen habe
3 METHODEN 12
ich in prozentuale Vorkommen (Frequenzgrade) umgerechnet. Die Nomenklatur der Arten
richtet sich nach der Standardliste der Farn- und Blütenpflanzen Deutschlands
(Wisskirchen & Haeupler 1998).
3.1.3 Boden
Die bodenkundlichen Untersuchungen im Gelände und die Probenahme führte ich von
Mitte März bis Mitte April 2007 durch. Hierzu habe ich auf jeder Probefläche ein etwa
60 cm tiefes Profil gegraben. Aus jedem Horizont wurden Bodenproben für die
Nährstoffanalyse sowie Stechzylinderproben für die Ermittlung der Lagerungsdichte
entnommen. Folgende Parameter wurden entsprechend der KA5 AG Boden (2005) im
Gelände erhoben:
Horizontmächtigkeit
Horizontabfolge
Horizontbezeichnung
Bodenart
Humusgehalt
Durchwurzelung
Carbonatgehalt (Vorprobe)
Zur Ermittlung des Gehalts an pflanzenverfügbarem Ammonium und Nitrat verwendete ich
Ionen-Austauscher-Harze. Diese sind in der Lage, ähnlich Bodenkolloiden, Ionen
entgegengesetzter Ladung anzulagern (Skogley & Dobermann 1996). Bei dieser Methode
werden mit Anionen- bzw. Kationen-Austauscher-Harzen gefüllte, wurzeldichte
Nylonsäckchen im Wurzelraum des Bodens deponiert. Da die Säckchen über einen
längeren Untersuchungszeitraum im Boden verbleiben, kann man die Ionenaufnahme
unter realen Bedingungen über einen längeren Zeitraum verfolgen (Skogley & Dobermann
1996). Einen Überblick über Entwicklung und Anwendung dieser Methode liefern u.a.
Qian & Schönau 2002 und Skogley & Dobermann 1996. In meiner Arbeit habe ich auf
allen Probeflächen jeweils drei Säckchen mit Anionen-Austauscher-Harz (Amberlite IR-
120) und drei Säckchen mit Kationen-Austauscher-Harz (Amberlite IRA-410) ausgebracht.
Die Säckchen blieben von März bis September im Boden.
3.1.4 Grundwasser
Für die Messung des Grundwasserstandes wurden auf 51 der 66 Probeflächen
Grundwassermessrohre installiert. Ausgenommen wurden nur die Dünenflächen, bei
denen davon ausgegangen wurde, dass der Grundwasserspiegel mit den zur Verfügung
3 METHODEN 13
stehenden Mitteln (Handbohrer von 1 m Länge) nicht zu erreichen war. Als Messrohre
wurden etwa 80 cm lange Drainagerohre, die mit Nylonstrümpfen vor Zuschlickung
geschützt wurden, eingegraben. Den Begriff Grundwasser benutze ich in dieser Arbeit für
alle Wasserstandswerte, die in den Grundwassermessrohren erhoben wurden, auch wenn
Wasserstände über Flur gemessen wurden und davon ausgegangen werden kann, dass
es sich um Meerwasser handelt.
Die Wasserstände wurden zwischen dem 09.04.07 und dem 11.09.07 in 14-täglichem
Rhythmus bei Niedrigwasser abgelesen. Zusätzlich wurde jeweils die Leitfähigkeit des
Grundwassers gemessen. Während der Brutzeit übernahmen die Naturschutzwarte des
Mellumrat e.V. diese Arbeit. Der Messzeitraum betrug insgesamt 154 Tage.
Um auch Wasserstände für den Hochwasserzeitraum zu erhalten, wurden von Mai bis
September in 16 der Grundwassermessrohre zusätzlich Pegeldatenlogger (Firma
ecoTech) ausgebracht, die im Stundentakt den Druck in Meter Wassersäule (mWS)
aufzeichneten. Die Grundwassermessrohre wurden so ausgewählt, dass sie den
Gradienten Pionierzone, untere Salzwiese, obere Salzwiese, einmal auf den östlichen und
einmal auf den westlichen Probeflächen abdeckten. Um die Messwerte der
Pegeldatenlogger von mWS auf cm unter Flur umzurechnen, wurde zum Startzeitpunkt
der Messung als Bezugswert der Wasserstand in den Messrohren in cm unter Flur
gemessen. Mit dieser Messung wurde ermittelt, welcher gemessene Druck in mWS
welchem Wasserstand unter Flur entspricht. Parallel zu den Messungen der
Pegeldatenlogger wurde mit einem weiteren Datenlogger der Luftdruck in mWS, der
ebenfalls für die Umrechung nötig war, gemessen.
3.1.5 Sedimentation/Erosion
Da in einem dynamischen Küstensystem Umlagerungsprozesse eine große Rolle spielen,
habe ich Messungen zu Sedimentation und Erosion auf allen Probeflächen durchgeführt.
Mit Hilfe von sedimentation-erosion-bars (SEB) wurde der Abtrag bzw. der Auftrag von
Substrat in einem Jahr ermittelt. Bei dieser Methode wird die Veränderung des Abstandes
definierter Punkte der Geländeoberfläche zu einer stabilen Bezugshöhe ermittelt.
Als Bezugshöhe wurden auf den Probeflächen im Abstand von 1,50 m zwei Pflöcke
eingeschlagen, auf die eine Verbindungsschiene aufgelegt werden konnte. In der Schiene
befinden sich in regelmäßigen Abständen Bohrungen. Um den Abstand zwischen der
Bodenoberfläche und den Pflöcken bzw. der Verbindungsschiene zu ermitteln, wurde eine
2 m lange Stange nacheinander durch jede Bohrung gesteckt und der Überstand
gemessen. (s. Abbildung 4). So erhielt ich 14 einzelne Messwerte pro Probefläche. Durch
3 METHODEN 14
die Verbindungsschiene mit vorgegebenen Löchern wurde gewährleistet, dass bei
wiederholter Messung der gleiche Punkt auf der Bodenoberfläche getroffen wurde und so
die Messwerte verschiedener Jahre vergleichbar waren. Die erste Messung, die bei
Einrichtung der Probeflächen im September 2006 von Prof. Dr. Michael Kleyer und den
Naturschutzwarten des Mellumrat e.V. durchgeführt wurde, galt als Bezugsmessung. Um
den Abtrag bzw. den Auftrag der Flächen in einem Jahr zu ermitteln, wurden im Oktober
2007 erneut die Überstände gemessen und dann die Differenz zur Bezugsmessung
gebildet (s. Abbildung 4).
Da es sich bei der Messung vom Oktober 2007 um die erste auswertbare Messung
handelt, stellen die Ergebnisse die Geschehnisse eines Jahres dar. Werden diese
Messungen über mehrere Jahre weitergeführt, können Aussagen über längerfristige
Entwicklungen gemacht werden. Bei den oben genannten Sturmfluten und der damit
verbundenen Substratverlagerung auf den Dünenflächen gingen die SEB-Pflöcke dieser
Flächen (Probeflächen Nr. 31, 33, 34, 36, 37, 38, 39, 40, 59 (s. Anhang: Abbildung I-1))
verloren. Sie wurden im März 2007 neu eingeschlagen. Für diese Flächen fehlt daher die
Messung aus dem Oktober 2006 als Bezug. Hier wurde ein Abtrag von 80 cm (Länge des
sich im Boden befindenden Teils der SEB-Pflöcke) angenommen. Ein ähnliches Problem
ergab sich bei Probefläche Nr. 6, die aufgrund der Verlagerung eines Priels verlegt
werden musste. Auch hier musste der Abtrags-/Auftragswert abgeschätzt werden.
Abbildung 4: Schematische Darstellung des SEB und der Berechnung des Auftrags bzw. Abtrags.
3 METHODEN 15
3.2 Laboranalysen
Eine Übersicht über die im Labor analysierten Bodenparameter und die angewendeten
Methoden gibt Tabelle 2.
Tabelle 2: Übersicht über die untersuchten Bodenparameter und die verwendeten Analysemethoden.
Parameter Methode
Kaliumgehalt (K) Extraktion mit Ammoniumlactatessigsäure, flammenphotometrische Messung bei 880 nm am Atom-Adsorptions-Spektralphotometer (Spectra AA 300 der Firma Varian) (Schlichting et al. 1995)
Phosphorgehalt (P) Extraktion mit Ammoniumlactatessigsäure, photometrische Messung bei 880 nm am Continuous Flow Analyzer (San++ System der Firma Skalar) (Schlichting et al. 1995)
Calciumcarbonatgehalt (CO3) Zerstörung mit HCl, gasvolumetrische Bestimmung nach Scheibler (Schlichting et al. 1995)
Gehalt an pflanzenverfügbarem Ammoniun (Amm)
Extraktion mit Kaliumchlorid, photometrische Messung bei 660 nm am Continuous Flow Analyzer (San++ System der Firma Skalar) Methodennr.:155-322
Gehalt an pflanzenverfügbarem Nitrat (Nit)
Extraktion mit Kaliumchlorid, photometrische Messung bei 540 nm am Continuous Flow Analyzer (San++ System der Firma Skalar) Methodennr.:461-322
pH-Wert Messung in 0,01M CaCl2-Suspension (Schlichting et al. 1995)
Leitfähigkeit der Bodenlösung (LF)
Messung in H2O-Suspension
Chloridgehalt potentiometrische Messung mit Potentiograph (E 536 von Metrohm Herisau)
Trockenrohdichte Bestimmen des Gewichts der bei 105°C getrockneten Volumenproben (Stechzylinder)
Die Ammonium- und Nitratwerte wurden bei der Auswertung nicht weiter berücksichtigt,
da fast alle Werte unterhalb der Nachweisgrenze lagen. Obwohl die Stickstoffgehalte in
den Rückseitenwatten der Barriereinsel aufgrund der niedrigen Sedimentationsraten
gering sind (Bakker et al. 1993), kann dennoch Stickstoff in den Böden nachgewiesen
werden (z.B. Olff et al. 1997, Giani et al. 2003). Da außerdem die einzigen Flächen auf
Mellum, auf denen Ammonium und Nitrat nachgewiesen werden konnte, die
Graudünenflächen waren, die fast nie überflutet werden, gehe ich davon aus dass es sich
hier um ein methodisches Problem handelt. Für die Anwendung dieser Methode in
salzwasserbeeinflussten Böden gibt es noch keine Erfahrungen. Ich vermute, dass die
Austauscherplätze der Harze mit Ionen, die im Salzwasser in großer Zahl vorhanden sind
(z.B. Natrium, Kalium, Calcium, Chlorid, Sulfat) (Meyer-Reil 2005) belegt waren, und sich
deshalb keine Ammonium (NH4+)- bzw. Nitrat- (NO3
-) Ionen anlagern konnten. Außerdem
adsorbieren die Harze selektiv. So werden z.B. K+ und Ca2+ bei gleichem Angebot eher
adsorbiert als NH4+ (Skogley & Dobermann 1996). Um diese Vermutung zu bestätigen,
müssten gezielte Versuche durchgeführt werden.
3 METHODEN 16
Als Wert für die Salinität einer Fläche wurde die elektrische Leitfähigkeit gemessen. Bei
dieser Methode wird jedoch der Gehalt aller Elektrolyte und nicht ausschließlich der
Gehalt an Cl-Ionen gemessen. Deshalb habe ich zusätzlich für einige Proben den
Chloridgehalt bestimmt, um zu überprüfen, ob die Korrelation dieser Werte mit den
gemessenen Leitfähigkeitswerten hoch genug ist, um die Leitfähigkeit als Wert für
Salinität einer Fläche in der Modellierung verwenden zu können. Für das Messen der
Leitfähigkeiten hatte ich mich entschieden, weil der Zeitaufwand für die Bestimmung des
Chloridgehalts deutlich höher war.
3.3 Datenverarbeitung und Bildung der Variablen
3.3.1 Vegetation
Für die Auswertung der Vegetationsdaten habe ich die Aufnahmen zunächst den TMAP-
Vegetationstypen zugeordnet (Essink et al. 2005). Dabei habe ich überprüft, ob die
Aufnahme tatsächlich dem Vegetationstyp entspricht, dem sie bei Einrichtung der
Probefläche zugeordnet wurde.
3.3.2 Abhängige Variablen
Artvorkommen
In dieser Arbeit soll das Vorkommen von Arten hinsichtlich ihrer Habitatansprüche
modelliert werden. Dazu wurden die erhobenen Vegetationsdaten von Frequenzen in
Präsenz-/Absenzdaten umgewandelt. Als abhängige Variable für die Habitatmodellierung
wurden nur Arten mit einer Prävalenz (Anteil Vorkommen am Gesamtdatensatz) von
mindestens 10 % verwendet.
Artenzahl
Neben dem Vorkommen von Arten wurde die Anzahl der Arten pro Vegetationsaufnahme
(Artenzahl) als abhängige Variable verwendet.
ANPP und Biomax
Als weitere abhängige Variablen wurden die Produktivität bzw. die Biomasse der
Probeflächen modelliert. Dafür wurden als Variablen der Biomassezuwachs in g pro m²
und Monat (above-ground netto primary productivity = ANPP) und die lebende Biomasse
einer Fläche zum Zeitpunkt maximaler Vegetationsentwicklung in g pro m² (maximum
standing biomass = Biomax) berechnet. Diese Variablen sind der Arbeit von J. Spalke
(Spalke unveröff.) entnommen. Die Methoden zur Herleitung dieser Variablen sind dort
dargestellt.
3 METHODEN 17
3.3.3 Unabhängige Variablen
Einen Überblick über alle unabhängigen Variablen gibt Tabelle 3.
Tabelle 3: Überblick über die unabhängigen Variablen.
Bezeichnung Bedeutung Einheit
K Kaliumgehalt Kg/ha berechnet auf 60 cm Profiltiefe
P Phosphatgehalt Kg/ha berechnet auf 60 cm Profiltiefe
pH_DW pH-Wert des Wurzelraums
pH_Gr pH-Wert des Gr-Horizonts
CO3 Calciumcarbonatgehalt t/ha berechnet auf 60cm Profiltiefe
LF_eDW Leitfähigkeit im Wurzelraum mS/cm
LF_Gr Leitfähigkeit im Gr-Horizont mS/cm
S_eDW Sandgehalt des Wurzelraums %
T_eDW Tongehalt des Wurzelraums %
U_eDW Schluffgehalt des Wurzelraums %
STOER Störung durch Sedimentation bzw. Erosion cm
GW20 Anzahl Tage mit Grundwasserstand über 20 cm unter Flur
GWmw Mittlerer Grundwasserstand cm unter Flur
UEH Überflutungshäufigkeit Überflutungen pro Tag
Bodenparameter
Um die Standorte untereinander vergleichen zu können und aus den horizontweise
ermittelten Werten nur einen repräsentativen Wert pro Probefläche zu erhalten, waren
einige Umrechnungsschritte nötig. Diese werden im Folgenden beschrieben.
Phosphat- und Kaliumgehalt
Da die Menge der pflanzenverfügbaren Nährstoffe von der Masse des Bodens pro
Volumeneinheit beeinflusst wird, die Ergebnisse der Nährstoffanalyse (K und P) jedoch in
g pro kg Boden vorlagen, mussten diese in g pro Volumeneinheit umgerechnet werden.
Hierzu wurde die Trockenrohdichte des jeweiligen Horizontes benötigt. Die
Trockenrohdichte ergibt sich, indem das Gewicht der Stechzylinderprobe durch das
Volumen der Probe dividiert wird. Da für die Umrechnung in g pro Volumeneinheit ein
Trockenrohdichte-Wert für jeden Horizont benötigt wurde, manche Horizonte aber zu
geringmächtig für eine Stechzylinderprobe waren, musste für diese ein Wert abgeschätzt
werden. Alle Horizonte, die geringmächtiger als 4 cm waren und der Bodenart des
angrenzenden Horizonts entsprachen, habe ich den Trockenrohdichtewert des
3 METHODEN 18
angrenzenden Horizonts zugeordnet. Für die übrigen Horizonte ohne Stechzylinderproben
habe ich den Mittelwert der Trockenrohdichtewerte von Horizonten derselben Bodenart
übertragen. Falls keine Horizonte derselben Bodenart vorhanden waren habe ich den
Mittelwert von Horizonten ähnlicher Bodenart verwendet.Als Bezugsvolumen wurde die
Horizontmächtigkeit, bezogen auf einen ha, gewählt. Den Gehalt an pflanzenverfügbaren
Nährstoffen jedes Horizonts auf einem Hektar Fläche erhält man durch die Multiplikation
der Messwerte mit der Trockenrohdichte und dem Volumen. Die Werte der einzelnen
Horizonte werden für die gesamte Profiltiefe (60 cm) aufsummiert.
Carbonatgehalt
Da es sich bei den Carbonatgehalt-Werten um Prozentangaben handelt, ist hier keine
volumenbezogene Umrechnung nötig. Um die Werte für die einzelnen Horizonte auf einen
Wert pro Probefläche zusammenzufassen, wurde ein gewichteter Mittelwert über die
gesamte Profiltiefe (60 cm) gebildet (s. Formel 1).
∑= n 3n
gesamt 3 CO*60[cm]
cm]chtigkeit[HorizontmäCO Formel 1
n = Anzahl der Horizonte bis 60 cm
pH-Wert und Leitfähigkeit
Für die Berechung eines pH- bzw. Leitfähigkeits-Wertes pro Probefläche wurde ebenso
verfahren wie beim Carbonatgehalt. Da sich die Werte für die einzelnen Horizonte bei pH-
Wert und Leitfähigkeit jedoch im Oberboden sehr stark vom Unterboden unterschieden,
entschied ich mich, je einen Wert für den Oberboden und den Unterboden zu berechnen.
Als Abgrenzung für den Oberboden verwendete ich die Durchwurzelungstiefe, die den
möglichen Wurzelraum begrenzt (Schlichting et al. 1995). Für Grundwasserböden geben
Schlichting et al. (1995) die Obergrenze des Gr-Horizontes als (physiologische)
Begrenzung des Wurzelraums an. Für die sickerwasserbeeinflussten Dünenböden gehe
ich von der gesamten Profiltiefe als Wurzelraum aus, da die Profile weder physiologische
noch mechanische (festes Gestein, verfestigte Bodenlagen) Begrenzungen aufweisen.
Formel 2 gibt exemplarisch die Berechnung des pH-Wertes für den Wurzelraum wieder.
∑= nn
Wurzelraum pH*m[cm] WurzelrautMächtigkeicm]chtigkeit[HorizontmäpH Formel 2
n = Anzahl der Horizonte im Wurzelraum
3 METHODEN 19
Sand-, Ton- und Schluffanteil
Aus den Angaben der KA5 (AG Boden 2005) wurde für jede Bodenart der Sand-, Ton-
und Schluffanteil in % abgeleitet. Da der Masseanteil jeder Fraktion in einer Bodenart
variieren kann, wurde jeweils der mittlere Wert verwendet. Für die Bodenart Lt3 werden
z.B. in der KA5 Anteile von 35-45 % Ton, 30-50 % Schluff und 5-35 % Sand angegeben.
Für die weitere Berechnung verwendete ich einen Tonanteil von 40 %, einen Schluffanteil
von 40 % und einen Sandanteil von 20 %. Die Anteile wurden horizontweise berechnet
und anschließend analog zu pH-Wert und Leitfähigkeit auf den Wurzelraum berechnet.
Ich entschied mich hier für den Wurzelraum, da sich die Bodenart der einzelnen
Probeflächen nur hier unterscheidet. Der Unterboden aller Probeflächen weist die gleiche
Bodenart (reinen Sand) auf.
Störung
Die Umweltvariable Störung stellt einen Wert für die Störung einer Fläche durch Erosion
bzw. Sedimentation dar. Der Wert wurde aus den SEB-Daten ermittelt. Zunächst wurde
die Differenz der Werte von 2007 zu 2006 (Bezugsmessung) gebildet. Aus den 14
einzelnen Messpunkten jeder Probefläche wurde dann der Mittelwert berechnet. Man
erhält so einen Wert, der den absoluten Auftrag (positive Zahl) bzw. Abtrag (negative
Zahl) jeder Fläche beschreibt. Da für spätere Analysen eine Datentransformation (s.u.)
nötig war und deshalb keine negativen Werte im Datensatz vorhanden sein durften, wurde
als Variable der Betrag des Mittelwertes verwendet. Damit war jedoch der
Informationsverlust über die Art der Störung (Abtrag/Auftrag) verbunden. Diese
Information konnte deshalb nicht in die Habitatmodellierung einfließen.
Grundwasser
Für die Berechnung von Variablen, die das Grundwasserregime der Probeflächen
charakterisieren, standen die Werte der 14-täglichen Ablesungen der Messrohre sowie
die stündlichen Messungen der Pegeldatenlogger zur Verfügung. Da sieben der 16
installierten Pegeldatenlogger keine Daten aufzeichneten, konnten nur die verbliebenen
neun Datensätze verwendet werden. Um die Messungen der Pegeldatenlogger mit den
anderen Messungen vergleichbar zu machen, mussten die Werte zunächst von mWS auf
cm unter Flur umgerechnet werden. Dazu wurden die Messwerte um den jeweils
gemessenen Luftdruck korrigiert und dann mit Hilfe der Bezugsmessung auf cm unter Flur
umgerechnet.
Die Daten der Pegeldatenlogger mit den stündlichen Messungen auch bei Hochwasser
lieferten ein genaueres Bild der Wasserstandsschwankungen als die Daten der 14-
3 METHODEN 20
täglichen Messungen bei Niedrigwasser. Da aber nur die 14-täglichen Messungen für alle
Probeflächen (mit Ausnahme der Dünen) vorlagen, habe ich diese Daten mit Hilfe von
Transferfunktionen, die ich durch lineare Regressionsanalysen mit den 14-täglichen und
stündlichen Messungen ermittelte, „aufgewertet“. Dazu habe ich zunächst für alle
Probeflächen aus den 14-täglichen Messungen als Variablen den mittleren
Grundwasserstand (der Mittelwert aller Messungen eines Grundwassermessrohres),
sowie die Anzahl der Tage mit einem Grundwasserstand über 20 cm unter Flur berechnet.
Für die verwendbaren Pegelloggerdatensätze wurde ebenso verfahren, so dass ich für
diese neun Probeflächen jeweils zwei Variablenpaare erhielt. Anschließend führte ich für
beide Variablenpaare lineare Regressionsanalysen mit dem Ziel durch, Gleichungen zu
finden, die die Berechnung der Variablenwerte der Pegeldatenloggerdatensätze aus
denen der 14-täglichen Messungen ermöglichten. Mit diesen Regressionsgleichungen war
der Transfer der Informationen der stündlichen Pegeldatenloggermessungen auch auf
Probeflächen ohne Datenlogger möglich. Die Ergebnisse der Regressionsanalyse
befinden sich im Anhang (s. Anhang: Abbildung I-4 und Tabelle I-2).
Überflutungshäufigkeit
Die Variable Überflutungshäufigkeit pro Tag wurde aus den Daten der
Pegeldatenloggermessungen und der Geländehöhe der Probeflächen berechnet. Dafür
stand mir eine Karte mit Höhenangaben von Mellum zur Verfügung. Dabei handelt es sich
um das Ergebnis einer Befliegung mit einer HRSC-AX (high resolution stereo camera),
aus dem September 2004 (Nationalparkverwaltung Niedersächsisches Wattenmeer
2004). Die Höhe wird in der Karte in Dezimeterschritten über NN angegeben. Die
Höhenangaben einiger Probeflächen mit sehr dichter Vegetation, die bei der Aufnahme
durch die Befliegung als Bodenoberfläche wahrgenommen wird, habe ich um die
geschätzte mittlere Vegetationshöhe korrigiert. Ebenso habe ich bei einigen Flächen die
Werte korrigiert, bei denen die Geländeerfahrung ein anderes Bild als die Höhenkarte
vermittelte. Dies gilt besonders für die Dünenstandorte. Da zum Zeitpunkt der Befliegung
die Nordwestdüne noch vorhanden war, musste ich die Höhen für diese Flächen anhand
meiner Beobachtungen im Gelände abschätzen.
Für die Berechnung der Überflutungshäufigkeit verwendete ich die Messwerte des am
niedrigsten gelegenen Pegeldatenloggers (Nr. 18). Um die Wasserstandswerte dieses
Datenloggers mit den Höhenangaben der anderen Probeflächen in Beziehung setzen zu
können, mussten die relativen Höhenangaben in cm über/unter Flur, die sich nur auf diese
Probefläche beziehen, in absolute Werte (über NN) übertragen werden. Dazu wurden die
Messwerte des Pegeldatenloggers mit der Geländehöhe addiert. Ein Wasserstand von
3 METHODEN 21
z.B. 20 cm über Flur entspricht bei einer Geländehöhe von 60 cm über NN einem
Wasserstand von 80 cm über NN (s. Abbildung 5).
Basierend auf der Annahme, dass bei einem Wasserstand von z.B. 80 cm über NN alle
Probeflächen überflutet wurden, die unterhalb 80 cm über NN lagen (s. Abbildung 5),
zählte ich die Überflutungen für jede Probefläche. Anschließend wurde die Anzahl der
Überflutungen durch die Anzahl der Messtage des Pegeldatenloggers geteilt. So erhielt
ich die Überflutungshäufigkeit pro Tag. Dabei bedeutet z.B. ein Wert von 0,5, dass die
Fläche einmal in zwei Tagen überflutet wurde.
60 cm ü.NN
90 cm ü.NN70 cm ü.NN
20 cm ü.Flur
80 cm ü.NN
Bodenoberfläche
Wasseroberfläche
60 cm ü.NN
90 cm ü.NN70 cm ü.NN
20 cm ü.Flur
80 cm ü.NN
Bodenoberfläche
Wasseroberfläche
Abbildung 5: Schematische Darstellung von Überflutung und Geländehöhe.
3.4 Statistische Auswertung
Um den von vornherein offensichtlichen großen Unterschieden der Habitate Dünen und
Salzwiesen Rechnung zu tragen, entschied ich mich die Modellierungen und alle
vorhergehenden Auswertungsschritte einmal mit dem gesamten Datensatz und zusätzlich
nur mit den Daten der Salzwiesenflächen durchzuführen. Für alle statistischen Analysen
verwendete ich das Programm R (R Development Core Team 2007).
3.4.1 Datentransformation
Da für die meisten statistischen Analysen eine Normalverteilung der Daten erforderlich ist,
testete ich alle erstellten unabhängigen Variablen auf Normalverteilung und transformierte
sie gegebenenfalls wie z.B. empfohlen von (McCune & Grace 2002, Leyer & Wesche
2007). Dazu verwendete ich den Shapiro-Wilk-Test (Peppler-Lisbach unveröff.) und
erstellte Histogramme. Für jede Variable wurde die Art der Transformation verwendet, die
die beste Annäherung an die Normalverteilung ergab. Die transformierten Variablen
verwendete ich für die statistische Auswertung. Für die deskriptive Auswertung wurden
die untransformierten Daten verwendet. Tabelle 4 zeigt eine Übersicht über die
transformierten Variablen und die Art der Transformation.
3 METHODEN 22
Tabelle 4: Transformierte Variablen und Art der Transformation.
Variablen Art der Transformation Formel Bemerkung
CO3, STOER, UEH Logarithmus-Transformation x’=log10(x+0,01)+1 Kleinster Wert >0 und <0,1 (McCune & Grace 2002)
P, LF_eDW, LF_Gr, T_eDW, U_eDW Logarithmus-Transformation x’=log10(x+1) Kleinster Wert >0,1
(McCune & Grace 2002)
K Wurzel-Transformation x’=√x
S_eDW Potenz-Transformation x’=x²
pH_eDW, pH_Gr, GWmw, GW20 Keine Transformation
3.4.2 Auswahl der unabhängigen Variablen
Korrelationsanalyse und Hauptkomponentenanalyse
Um Abhängigkeiten der Variablen untereinander aufzudecken, führte ich eine Pearson-
Korrelationsanalyse mit allen Variablen durch. Abhängigkeit der Variablen voneinander
kann dazu führen, dass die Standardfehler der Regressionskoeffizienten nicht korrekt
berechnet werden und darauf beruhende Tests an Aussagekraft verlieren Harrell (2002).
Waren zwei Variablen stark korreliert, entschied ich mich für diejenige, die für mehr Arten
ein univariates Modell lieferte. Als stark korreliert galten dabei Variablen, bei denen der
Wert der Pearson-Korrelation größer als 0,7 war. Da mit dem Ausschluss von Variablen
ein Informationsverlust verbunden ist, habe ich für einige inhaltlich ähnliche Variablen
Hauptkomponentenanalysen (principal component analysis = PCA) zur
Variablenaggregation durchgeführt und die ersten Hauptkomponenten als neue Variable
in die Modellierung einbezogen (Quinn & Keuogh 2002).
Die Hauptkomponentenanalyse ist ein Ordinationsverfahren. Einführung in diese
Verfahren geben z. B. Backhaus et al. (2006) und Leyer & Wesche (2007). Ziel dieser
Verfahren ist die Dimensionsreduktion. Das heißt, dass n-dimensionale Hyperräume
(Räume mit so vielen Dimensionen wie Variablen im Datensatz vorhanden sind) zu
Darstellungen mit einer überschaubaren Anzahl von Dimensionen vereinfacht werden
(Leyer & Wesche 2007). Bei der Hauptkomponentenanalyse geschieht dies durch die
Extraktion neuer Achsen (Hauptkomponenten, principal component = PC), die die
gemeinsamen Informationen der Variablen eines Datensatzes zusammenfassen. Dabei
wird die erste Achse so gebildet, dass sie einen möglichst großen Anteil der Varianz des
Datensatzes abbildet. Die Hauptkomponenten stellen sozusagen zusammengefasste
Variablen dar, die die Informationen der eingegangen Variablen zu unterschiedlichen
3 METHODEN 23
Anteilen enthalten. Für die weitere Verwendung der Hauptkomponenten als Variable in
der Modellierung wird für jeden Beobachtungspunkt ein Hauptkomponentenwert gebildet
(Bahrenberg et al. 1992). Da durch das Extrahieren der Informationen sehr verschiedener
Variablen die Interpretation der Hauptkomponenten schwierig werden kann, habe ich in
dieser Arbeit die Analyse nur für inhaltlich ähnliche Variablen durchgeführt. Für die
weitere statistische Auswertung verwendete ich nur die jeweils erste Hauptkomponente.
3.4.3 Modellierung
3.4.3.1 Logistische Regression
Für die Habitatmodellierung in der das Vorkommen- bzw. Nichtvorkommen von Arten in
Abhängigkeit von Umweltbedingungen modelliert werden soll, bietet sich die logistische
Regressionsanalyse an. Diese Methode beschreibt die Beziehung zwischen einer
abhängigen binären Variablen und einer oder mehrerer unabhängiger Variablen (Hosmer
& Lemeshow 2000). Der Zusammenhang ist in der folgenden Gleichung (s. Formel 3)
wiedergegeben (zur Herleitung siehe z. B. Hosmer & Lemeshow 2000 und Backhaus et
al. 2006).
)xβ...xβ(βe1
11)p(y
kk110 +++−−
== Formel 3
P (y=1) = Wahrscheinlichkeit, dass ein Ereignis eintritt (Vorkommenswahrscheinlichkeit) β0 = Konstante xk = unabhängige Variable βk = Koeffizient der unabhängigen Variablen
Ziel der logistischen Regression ist es, Wahrscheinlichkeiten zu bestimmen, mit denen ein
Ereignis (die abhängige Variable, hier das Vorkommen einer Pflanzenart) in Abhängigkeit
verschiedener Einflussgrößen (die unabhängigen Variablen, hier die Umweltvariablen)
eintritt (Backhaus et al. 2006). Berechnet wird also die Vorkommenswahrscheinlichkeit
einer Art zwischen 0 und 100 % (0 und 1) in Abhängigkeit einer Habitatausprägung.
Formel 3 beschreibt dies für einen sigmoidalen Zusammenhang. Um einen unimodalen
Zusammenhang darzustellen, muss die jeweilige Variable x auch als quadrierter Term in
das Modell einbezogen werden (Schröder 2000).
Die Schätzung der Regressionskoeffizienten erfolgt mit der Maximum Likelihood-
Methode. Dabei werden die Koeffizienten so geschätzt, dass die Wahrscheinlichkeit, die
beobachteten Daten zu erhalten, maximiert wird (Backhaus et al. 2006).
3 METHODEN 24
Die Regressionskoeffizienten geben Auskunft über die Wirkrichtung der Variablen. Ein
positiver Regressionskoeffizient weist auf einen positiven Zusammenhang zwischen der
jeweiligen unabhängigen Variablen und dem Vorkommen der modellierten Art hin. Mit
steigenden Werten der Variablen nimmt die Vorkommenswahrscheinlichkeit zu. Ist der
Regressionskoeffizient negativ, sinkt die Vorkommenswahrscheinlichkeit bei steigenden
Variablenwerten.
Die Signifikanz eines Modells wird mit dem Likelihood Ratio-Test (LR-Test) überprüft. Der
LR-Test vergleicht die Devianzen eines Modells mit einer Variablen bzw. ohne diese
Variable (Schröder 2000). Die Teststatistik ist χ²-Verteilt mit k Freiheitsgraden (k = Anzahl
der unabhängigen Variablen). Die Beurteilung der Signifikanz erfolgt mit dem Vergleich
der χ²-Tabelle (Backhaus et al. 2006).
3.4.3.2 Modellbewertung
Um herauszufinden, ob ein Modell die abhängige Variable gut beschreibt, führt man eine
Modellbewertung durch. Dabei unterscheidet man zwischen Modellkalibrierung und
Modelldiskriminierung.
Die Modellkalibrierung untersucht die Übereinstimmung zwischen den vom Modell
vorhergesagten und den beobachteten Werten, während die Modelldiskriminierung die
Trennschärfe eines Modells beurteilt. Dabei geht es um die Fähigkeit eines Modells, Fälle
in die richtigen Gruppen (Vorkommen = 1, Nichtvorkommen = 0) einzuordnen.
Ein weiterer Aspekt bei der Modellbewertung ist der Vergleich von Modellen
untereinander. Da kein einzelnes Gütekriterium alle Aspekte der Modellgüte erfassen
kann (Dormann et al. 2004), ist es sinnvoll unterschiedliche Kriterien für die Bewertung
von Modellen heranzuziehen.
Für die Modellkalibrierung verwendete ich das Gütemaß R² nach Nagelkerke (R²N)
(Nagelkerke 1991). Das R²N ist ein Maß für die Höhe des von den unabhängigen
Variablen erklärten Anteils der Varianz der abhängigen Variablen (Backhaus et al. 2006).
Bei der Bewertung univariater Modelle kann über das R²N direkt der Erklärungsgehalt
verschiedener Variablen verglichen werden. Die Werte des R²N liegen zwischen 0 und 1,
wobei Backhaus et al. 2006 folgende Einstufung der Werte für die Bewertung
vorschlagen:
R²N ≥ 0,2 akzeptabel
R²N ≥ 0,4 gut
R²N ≥ 0,5 sehr gut.
3 METHODEN 25
Für die Modelldiskriminierung verwendete ich verschiedene Gütekriterien, die sich fast
alle aus einer Klassifikationsmatrix (s. Tabelle 5) errechnen lassen. Die
Klassifikationsmatrix stellt die prognostizierten und die beobachteten Vorkommen und
Nichtvorkommen gegenüber. Für diese Klassifikation wird ein Schwellenwert (pkrit)
verwendet, an dem zwischen Vorkommen und Nichtvorkommen unterschieden wird. In
dieser Arbeit verwendete ich, wie auch Gronewold (unveröff.), Steinborn (unveröff.) und
Strauß (unveröff.), den Schwellenwert pkappa. Hier wird die
Vorkommenswahrscheinlichkeit, bei der Kappa (Cohen’s Kappa s.u.) am größten ist, als
Schwellenwert festgelegt.
Tabelle 5: Klassifikationsmatrix und daraus abgeleitete Gütekriterien.
Beobachtung 0 1
Zeilen-summe
0 a b a+b
Pro
gnos
e
1 c d c+d
a = Anzahl korrekt prognostizierter Nichtvorkommen b = Anzahl falsch prognostizierter Nichtvorkommen c = Anzahl falsch prognostizierter Vorkommen d = Anzahl korrekt prognostizierter Vorkommen
Spalten-summe a+c b+d a+b+
c+d=n
d/(b+d) = Sensitivität a/(a+c) = Spezifizität (a+d)/n = %korrekt
Aus der Klassifikationsmatrix lassen sich die Sensitivität (Anteil korrekt prognostizierter
Vorkommen), die Spezifizität (Anteil korrekt prognostizierter Nichtvorkommen) und der
Anteil korrekter Prognosen (% korrekt) errechnen. Für alle drei Gütekriterien liegen die
Werte zwischen null und eins, wobei ein Wert von eins eine zu 100 % korrekte Prognose
bedeutet. Ein Problem dieser Kriterien ist, dass sie stark von der Prävalenz abhängig
sind. Bei sehr niedrigen Prävalenzen (wenige Vorkommen, viele Nichtvorkommen) ist z.B.
der Anteil korrekter Prognosen sehr groß, wenn für sehr viele Fälle Nichtvorkommen
prognostiziert werden (Dormann et al. 2004). Man erhält in diesem Fall zwar eine hohe
Spezifizität, die aber über die eigentliche Güte des Modells nichts aussagt.
Ein Gütemaß, das die Prävalenz von vornherein mit einbezieht, ist Cohen’s Kappa
(κ)(Cohen 1960). Kappa lässt sich ebenfalls aus der Klassifikationsmatrix (s. Abbildung 5)
berechnen. Dabei wird der Anteil der korrekten Prognosen von Vorkommen und
Nichtvorkommen, die Konkordanz des Modells, der zufälligen Konkordanz, die sich aus
den Randsummen der Klassifikationsmatrix ergibt, gegenübergestellt (Bortz et al. 2008).
Die Berechnung von Kappa ist in der folgenden Gleichung beschrieben (s. Formel 4):
3 METHODEN 26
e
eop1pp
−
−=κ Formel 4
κ = Kappa
po = Konkordanz aus dem Modell = n
da +
pe = zufällige Konkordanz = 2n
d)(b*d)(cb)(a*c)(a +++++
Kappa kann Werte zwischen -1 und 1 annehmen. Ein Wert von 1 wird bei maximaler
Konkordanz erreicht, also dann, wenn alle Modellprognosen mit den beobachteten
Werten übereinstimmen. Für die Bewertung der Kappa-Werte richte ich mich in dieser
Arbeit nach der von (Sachs 2002) vorgeschlagenen Einteilung.
Kappa < 0,1 keine Übereinstimmung
Kappa 0,1 – 0,4 schwache Übereinstimmung
Kappa 0,4 – 0,6 deutliche Übereinstimmung
Kappa 0,6 – 0,8 starke Übereinstimmung
Kappa > 0,8 fast vollständige Übereinstimmung
Ein Gütekriterium, das nicht von der Wahl eines Schwellenwertes abhängig ist, ist der
AUC-Wert (area under curve). Dieser Wert drückt die Größe der Fläche unter der reciever
operating characteristic Kurve (ROC-Kurve) aus. Um diese Kurve zu erstellen, werden
Spezifizität und 1-Sensitivität für jeden möglichen Schwellenwert gegeneinander
aufgetragen (Hosmer & Lemeshow 2000, Schröder 2000). Je größer die Fläche unter der
Kurve ist, desto besser ist das Modell. Die AUC-Werte liegen zwischen null und eins.
Dabei bedeuten Werte von 1 eine perfekte Diskriminierung. Für die Bewertung
verwendete ich die Einstufung der AUC-Werte nach Hosmer & Lemeshow 2000.
AUC = 0,5 no discrimination
AUC 0,7 – 0,8 acceptable discrimination
AUC 0,8 – 0,9 excellent discrimination
AUC ≥ 0,9 outstanding discrimination
Für den Vergleich von Modellen ist das Akaike Information Criterion (AIC) ein geeignetes
Gütekriterium. Es ermöglicht den Vergleich verschiedener multipler Modelle der gleichen
abhängigen Variablen und die Auswahl des am besten angepassten Modells (Buckland et
al. 1997). Außerdem findet in der Methode des model averaging, die ich in dieser Arbeit
verwende (s.u.), die Gewichtung der Koeffizienten mit Hilfe des AIC statt (Burnham 2002).
Die Berechung des AIC erfolgt aus den Likelihood-Werten und der Anzahl der Variablen,
3 METHODEN 27
die in das Modell aufgenommen wurden. Das AIC bewertet den Kompromiss zwischen
guter Vorhersage und einfachem Modell. Je besser der Kompromiss, desto kleiner ist der
AIC-Wert. Wenn der Stichprobenumfang klein ist, wird das korrigierte AIC (AICc)
empfohlenv(Buckland et al. 1997). Hierzu wird in die Berechnung zusätzlich die Anzahl
der Beobachtungen einbezogen (ebenda). Da in meiner Arbeit ausschließlich kleine
Stichproben auftraten, habe ich AICc verwendet.
3.4.3.3 Modellbildung
Univariate Modelle
Für jede Art wurden zunächst univariate Modelle mit allen Umweltvariablen erstellt. Dazu
verwendete ich, wie auch bei allen weiteren Schritten, das Programm R (R Development
Core Team (2007)). Die univariaten Modelle für den gesamten Datensatz erstellte ich mit
dem Paket logistf. Für jedes univariate Modell testete ich die Signifikanz. In die
Berechnung multivariater Modelle gingen für jede Art nur die Variablen ein, die auch ein
signifikantes (p < 0,05) univariates Modell ergaben. Außerdem wurde die Art des
Zusammenhangs (unimodal, sigmoidal) zwischen der jeweiligen Variable und der Art
überprüft und für die weitere Modellierung festgelegt. Ergaben beide Möglichkeiten
signifikante Modelle, entschied ich mich anhand der graphischen Darstellungen für das
bessere von beiden. Aus dieser Vorauswahl ergab sich für jede Art eine Gruppe von
Variablen, die für die weitere Analyse verwendet wurden.
Multiple Modelle
Im nächsten Schritt wurden dann für alle Arten multiple Modelle aus den ausgewählten
Variablen erstellt. Dabei wurde für jede mögliche Kombination aus einer, zwei oder drei
dieser Variablen ein Modell erstellt. Die Begrenzung auf maximal drei Variablen fand statt,
um eine Überanpassung (overfitting) des Modells zu vermeiden. Überanpassung ist der
häufigste Grund für unzuverlässige Modelle (Harrell 2002). Für jedes der gebildeten
Modelle wurde dann mit Hilfe des LR-Test überprüft, ob das Modell besser war als alle
Modelle mit einer Variablen weniger. Außerdem wurde überprüft, ob die Koeffizienten
signifikant (p ≤ 0,15) von Null verschieden waren. Dieses Signifikanzniveau verwendeten
auch Strauß & Biedermann (2006). Alle Modelle, die beide Bedingungen erfüllten, wurden
als geeignete Modelle betrachtet und für die weitere Auswertung verwendet.
Model averaging
Als weiterer Schritt folgte das model averaging. Hierbei wird ein gewichtetes, gemitteltes
Modell aus allen Modellen einer abhängigen Variablen gebildet (Dormann et al. 2004).
Man erhält also für jede abhängige Variable (hier Art) ein Modell, in das alle multiplen
3 METHODEN 28
Einzelmodelle einfließen und das so mehr als drei unabhängige Variablen enthalten kann.
Ich folgte der Methode von (Burnham 2002) wie auch Strauß & Biedermann (2006). sie
verwendeten. Für diese Methode entschied ich mich, da sie trotz der begrenzten Anzahl
unabhängiger Variablen bei der Bildung der einzelnen multiplen Modelle die Auswertung
hinsichtlich aller eingeflossenen Variablen ermöglicht. Zunächst werden für alle multiplen
Modelle einer Art AICc-Werte berechnet. Anschließend werden die Modelle nach ihrem
AICc-Wert aufsteigend sortiert und die Differenzen zwischen dem AICc-Wert jedes Modells
und dem des besten Modells berechnet. Aus diesen Differenzen wird nun das Akaike-
Gewicht für jedes Modell berechnet. Die Berechnung erfolgt nach der folgenden
Gleichung (s. Formel 5) (Strauß & Biedermann 2006):
∑ −
−=
=
M
1m)Δ*0,5exp(
)Δ*0,5exp(w
i
ii Formel 5
wi = Akaike-Gewicht M = alle Modelle einer abhängigen Variablen m = ein Modell aus M ∆i = Differenzen der AICc
Jeder Regressionskoeffizient wird anschließend mit dem Akaike-Gewicht des
entsprechenden Modells multipliziert. Summiert man nun die gewichteten Koeffizienten
einer Variablen aller Modelle einer Art, erhält man den gemittelten Koeffizienten der
Variablen für das gemittelte Modell der Art (Tabelle 6).
Aus den Akaike-Gewichten lassen sich außerdem relative Gewichte für die einzelnen
Modellkoeffizienten errechnen. Dazu werden für jede Variable die Akaike-Gewichte aller
Modelle, die diese Variable enthalten, summiert. Um die Variablengewichte der Modelle
für unterschiedliche Arten vergleichen zu können, werden sie in Prozentanteile
übertragen. Tabelle 6 zeigt schematisch den Ablauf des model averaging.
Tabelle 6: Schematische Darstellung des model averaging für eine abhängige Variable (m = Modell einer Art, ∆ = Differenz der AICc,, w = Akaike-Gewicht, ß = Regressionskoeffizienten; Erläuterungen im Text).
Mo-dell AICc ∆ w Variable 1 Variable 2 Variable 3 Intercept
β β*w β β*w β β*w β β*w ma AICc1 ∆1 w1 - - β2.a β2.a*w1 β3.a β3.a*w1 β0.a β0.aw mb AICc2 ∆2 w2 β1.b β1.b*w2 β2.b β2.b*w2 - - β0.b β0.bw mc AICc3 ∆2 w3 β1.c β1.c*w3 - - β3.c β3.c*w3 β0.c β0.cw
β gemittelt β1.bw2+β1.cw3 β2.abw2+β2bw2 β3.aw1+β3.cw3 β0.aw1+β0.bw2+β0.bcw3
relatives Gewicht w2+w3 w1+w2 w1+w3 - % Gewicht %(w2+w3) %(w1+w2) %(w1+w3) -
3 METHODEN 29
Die graphische Darstellung der Modelle erfolgte mit dem Programm LR-Mesh (Rudner
2006).
3.4.3.4 Lineare Regression
Für die Modellierung der Biomasse-Variablen und der Artenzahl verwendete ich die
lineare Regression. Eine lineare Regressionsanalyse bietet sich an, wenn ein linearer
Zusammenhang zwischen einer oder mehrerer unabhängiger Variablen und einer
abhängigen Variablen vermutet wird (Quinn & Keuogh 2002). Dabei soll der
Zusammenhang der Variablen beschrieben und quantifiziert werden. Da es sich bei der
linearen Regression um eine weit verbreitete Standardmethode handelt, stelle ich sie hier
nur kurz vor. Ausführliche Beschreibungen der linearen Regressionsanalyse findet man
unter anderem in Quinn & Keough (2002), Backhaus (2006) und Leyer & Wesche (2007).
In der folgenden Gleichung (s. Formel 6) ist der lineare Zusammenhang für eine
abhängige und mehrere unabhängige Variablen dargestellt:
kk22110 xβ...xβxββy +++= Formel 6
y = Ausprägung der abhängigen Variablen x = Ausprägung der unabhängigen Variablen β0 = y-Achsenabschnitt βk = Koeffizient der unabhängigen Variablen
Die Regressionskoeffizienten werden mit der Methode der kleinsten Quadrate (least
squares) geschätzt. Dabei werden die Residuen (Residuum = Abweichung des
beobachteten Wertes vom berechneten Wert der abhängigen Variablen) quadriert und
aufsummiert. Bei der Methode der kleinsten Quadrate wird diese Summe minimiert (Leyer
& Wesche 2007). Mit Hilfe der Regressionsgleichung kann nun für jeden Wert der
unabhängigen Variablen der Wert für die abhängige Variable berechnet werden. Ebenso
wie bei der logistischen Regression weist das Vorzeichen des Regressionskoeffizienten
auf die Art des Zusammenhangs zwischen unabhängiger und abhängiger Variablen hin.
Für die Bildung der multiplen Modelle wurde in dieser Arbeit eine schrittweise multiple
Regressionsanalyse durchgeführt. Dabei werden aus einem Modell mit allen
unabhängigen Variablen solange Variablen entfernt und wieder aufgenommen bis alle
Möglichkeiten überprüft sind und sich das Gesamtmodell nicht mehr signifikant
verschlechtert. Die Signifikanz wurde mit Hilfe des LR-Tests getestet. Als
Signifikanzniveau für Ausschluss und Aufnahme von Variablen galt dabei p = 0,05. Je
konservativer das Signifikanzniveau, desto größer ist zwar die Gefahr, dass wichtige
Variablen ausgeschlossen werden (Bowermann & O’Connell (1990) in Quinn & Keuogh
2002)), die Gefahr des overfittings wird jedoch verringert.
3 METHODEN 30
Für die Bewertung der Modellgüte habe ich das Bestimmtheitsmaß R² verwendet, das
angibt, welchen Anteil der Varianz der abhängigen Variablen durch das Modell erklärt wird
(Quinn & Keuogh 2002). Außerdem habe ich die Signifikanz des Modells (p-Wert) zur
Beurteilung herangezogen.
4 ERGEBNISSE 31
4 ERGEBNISSE
4.1 Die Vegetation des Untersuchungsgebiets
Im Folgenden wird die Artenzusammensetzung der TMAP-Typen auf den Probeflächen
beschrieben. Bei den Typen S.1.0 bis S.4.0 handelt es sich um Typen der Salzwiesen.
Die Typen X.1 bis X.11 sind Typen des Dünen- und Strandbereichs. Übersichten über die
räumliche Verteilung der Probeflächen und deren Zuordnung zu den TMAP-Typen findet
sich ebenso wie eine Vegetationstabelle im Anhang.
4.1.1 Pionierzone (PZ) S.1
Die charakteristischen Arten der Pionierzone sind Salicornia stricta, Salicornia
brachystachya und Spartina anglica. Die Probeflächen lassen sich den TMAP-Typen
S.1.1 Spartina anglica-Typ und S.1.2 Salicornia spec.-Typ sowie den Wattflächen
(Kürzel „m“) zuordnen.
Auf den Flächen des Typs „m“ sind nur vereinzelte Salicornia stricta-Exemplare zu finden.
Den größten Teil dieser Probeflächen macht offener Wattboden aus. Sie bilden den
Übergang zwischen den vegetationslosen Wattflächen und der Pionierzone. Diesem Typ
werden zwei Probeflächen im Watt im östlichen Teil des Untersuchungsgebiets
zugeordnet. Anders als im TMAP-Kartierschlüssel (Essink et al. 2005), in dem der Typ „m“
nicht zu den Vegetationszonen gezählt wird, werden die Flächen in dieser Arbeit der
Pionierzone zugeordnet.
Vier der Probeflächen, je zwei im östlichen Teil und im westlichen Teil des
Untersuchungsgebiets, werden dem Spartina anglica-Typ zugeordnet. Diese
Probeflächen befinden sich in dichten Spartina anglica-Horsten, in denen mit niedrigen bis
mittleren Frequenzgraden (10-48 %) auch andere Arten der Pionierzone (Salicornia
stricta, Suaeda maritima) oder der unteren Salzwiese (Atriplex portulacoides) zu finden
sind.
Die übrigen sechs Flächen werden dem Salicornia spec.-Typ zugeordnet. Dabei kann
eine artenreichere Salicornia brachystachya-Ausprägung von einer reinen Salicornia
stricta Ausprägung unterschieden werden. Die reine Salicornia stricta-Ausprägung ist
durch lückige Salicornia stricta-Bestände mit großen Offenbodenanteilen gekennzeichnet.
Zwei der vier Flächen dieser Ausprägung liegen im östlichen Teil und zwei im westlichen
Teil des Untersuchungsgebiets.
4 ERGEBNISSE 32
Die Flächen der artenreicheren Salicornia brachystachya-Ausprägung werden von
Salicornia brachystachya dominiert. Als weitere Art tritt mit Frequenzgraden von 70-90 %
Suaeda maritima auf. Neben Salicornia stricta als Pionierzonenart sind einige Arten der
unteren Salzwiese (z.B. Atriplex portulacoides, Puccinellia maritima) mit niedrigen
Frequenzengraden vertreten. Charakteristisch für diese Flächen ist auch der dichte
Bewuchs. Größere Bereiche mit offenem Boden sind auf diesen Flächen nicht vorhanden.
Dieser Ausprägung wurden zwei Flächen zugeordnet, die sich auf der Westplate
befinden. Mit dem recht großen Anteil an Arten der unteren Salzwiese stellen diese
Flächen einen Übergang zwischen der typischen Pionierzone und den Flächen des
Grünen Strandes dar (s.u.).
4.1.2 Untere Salzwiese (USW) S.2
Charakteristisch für die untere Salzwiese auf Mellum ist eine Kernartengruppe aus
Limonium vulgare, Atriplex portulacoides, Puccinellia maritima, Suaeda maritima und
Salicornia brachystachya, die in fast allen Aufnahmen vollständig vertreten ist. Lediglich
die Frequenzgrade der Arten variieren. Obwohl die beiden letzten Arten nach TMAP
(Essink et al. 2005) zu den Pionierzonenarten gehören, sind sie auf Mellum im
überwiegenden Teil der Aufnahmen aus der unteren Salzwiese zu finden. Sie werden
deshalb in der weiteren Auswertung als Arten der unteren Salzwiese bezeichnet.
Die Flächen der unteren Salzwiese können den TMAP-Typen S.2.0 untere Salzwiese
(unspezifisch), S.2.2 Limonium vulgare/Puccinellia maritima-Typ, S.2.4 Atriplex
portulacoides/Puccinellia maritima-Typ und einem Mischtyp aus S.2.4 und S.3.7 (Elymus
athericus-Typ) zugeordnet werden.
Den Übergang zur Pionierzone bilden die Flächen des Typs S.2.0. Sie werden von
Suaeda maritima und Limonium vulgare geprägt. Neben diesen beiden Arten kommen
Spartina anglica und Salicornia brachystachya vor. Atriplex portulacoides und Puccinellia
maritima als weitere Arten der Kernartengruppe der unteren Salzwiese fehlen in diesen
Aufnahmen. Die Vegetation ist lückig, so dass diese Flächen im Vergleich mit allen
anderen Flächen der unteren Salzwiese den größten Offenbodenanteil aufweisen.
Diesem Typ werden zwei Flächen im östlichen Teil des Untersuchungsgebiets
zugeordnet.
Dem Limonium vulgare/Puccinellia maritima-Typ werden sieben Flächen im östlichen,
sowie eine Fläche im westlichen Teil des Untersuchungsgebiets zugeordnet. Auf diesen
Flächen sind alle Arten der Kernartengruppe in ungefähr gleichen Anteilen vertreten.
Anders als Pott (1995) und Ellenberg (1996) es für die untere Salzwiese beschreiben,
4 ERGEBNISSE 33
spielt Puccinellia maritima in der unteren Salzwiese auf Mellum eine untergeordnete
Rolle. Die Art kommt zwar auf allen Flächen dieses Typs vor, jedoch nur in einzelnen
Exemplaren mit sehr langen Ausläufern. Sie bildet im Untersuchungsgebiet keine dichten
Bestände.
Die Flächen die dem Atriplex portulacoides/Puccinellia maritima-Typ zugeordnet werden,
werden durch die Dominanz von Atriplex portulacoides geprägt. Die übrigen Arten der
Kernartengruppe kommen zwar auf fast allen Flächen dieses Typs vor, weisen allerdings
meistens deutlich niedrigere Frequenzgrade auf. Sie sind häufig nur als Unterwuchs unter
den zwergstrauchartigen Atriplex portulacoides-Beständen zu finden. Lediglich in kleinen
Bereichen, z.B. feuchten Senken, in denen Atriplex portulacoides weniger dominant ist,
erreichen die übrigen Kerngruppenarten (meistens Salicornia brachystachya und Suaeda
maritima) höhere Frequenzgrade. Diesem Typ werden drei Flächen im westlichen und
drei im östlichen Teil des Untersuchungsgebiets zugeordnet.
Den Übergang zur oberen Salzwiese bilden die Flächen des Mischtyps aus dem Atriplex
portulacoides/Puccinellia maritima-Typ und dem Elymus athericus-Typ. Diesem Typ
werden zwei Flächen im östlichen Teil des Untersuchungsgebiets zugeordnet. Auf diesen
Flächen kommen sowohl Atriplex prostrata als auch Elymus athericus, als typische Art der
oberen Salzwiese, mit Frequenzgraden von 100 % vor. Andere Arten (Suaeda maritima,
Limonium vulgare, Artemisia maritima) kommen nur vereinzelt vor. Da Atriplex
portulacoides die dominante Art auf den Flächen ist, und Elymus athericus keine dichten
Rasen bildet, werden diese Flächen der unteren Salzwiese zugeordnet.
4.1.3 Obere Salzwiese (OSW) S.3
Die charakteristischen Arten der oberen Salzwiese sind Elymus athericus und Festuca
rubra ssp litoralis. Die Probeflächen der oberen Salzwiese lassen sich den TMAP-Typen
S.3.3 Festuca rubra-Typ, S.3.7 Elymus athericus-Typ und S.3.8 Carex extensa-Typ
zuordnen.
Die Flächen des Festuca rubra-Typs werden von der Dominanz von Festuca rubra ssp
litoralis geprägt. Die Art bildet hier dichte Rasen. Weitere Arten, die diese Flächen
charakterisieren, sind Artemisia maritima und Elymus athericus. Beide Arten kommen auf
fast allen Flächen dieses Typs mit Frequenzgraden von 40-100 % vor. Elymus athericus
bildet hier aber keine dichten Bestände, sondern spielt im Vergleich zu Festuca rubra eine
untergeordnete Rolle. Zusätzlich kommen auf den Flächen dieses Typs einige Arten der
unteren Salzwiese (Atriplex portulacoides, Limonium vulgare und Suaeda maritima) mit
4 ERGEBNISSE 34
niedrigen bis mittleren Frequenzgraden vor. Dem Festuca rubra-Typ werden drei Flächen
im östlichen und eine im westlichen Teil des Untersuchungsgebiets zugeordnet.
Auch die Flächen des Carex extensa-Typs sind im Untersuchungsgebiet geprägt von der
Dominanz von Festuca rubra ssp litoralis. Sie unterscheiden sich von den Flächen des
Festuca rubra-Typs durch das Vorkommen von Carex extensa und Agrostis stolonifera.
Außerdem ist für diese Flächen das Vorkommen von Plantago maritima typisch. Diese,
eigentlich typische Art der unteren Salzwiese (Essink et al. 2005), kommt auf den
Probeflächen ausschließlich auf den Flächen dieses Typs und des Grünen Strands (s.u.)
vor. Dem Carex extensa-Typ werden zwei Flächen im Übergangsbereich von Dünen und
Salzwiesen im westlichen Teil des Untersuchungsgebiets zugeordnet.
Bei den Flächen des Elymus athericus-Typs handelt es sich um dichte nahezu einartige
Elymus athericus-Rasen, mit vereinzelten Exemplaren von Atriplex prostrata. Diesem
Vegetationstyp werden drei Probeflächen im östlichen und drei im westlichen Teil des
Untersuchungsgebiets zugeordnet.
4.1.4 Grüner Strand (GS) S.4
Als Grüner Strand wird hier ein Vegetationstyp bezeichnet, der typische Arten aller
Salzwiesentypen (PZ, USW, OSW) aufweist, sich aber auf Grund der kleinräumigen
Verzahnung der Arten in keinen der Typen einordnen lässt (Drachenfels 1994). Die
Artenzusammensetzung die Kuhbier (1987) für den Grünen Strand auf Mellum beschreibt,
entspricht der meiner Vegetationsaufnahmen. Den Probeflächen fehlt aber das von ihm
beschriebene stark ausgeprägte Mikrorelief aus Kuppen, Kolken und Prielen.
Die Probeflächen des Grünen Strandes werden dem Typ S.4.0 Grüner Strand
(unspezifisch) zugeordnet. Neben den typischen Vertretern andere Salzwiesentypen
(Salicornia brachystachya (PZ), Puccinellia maritima, Limonium vulgare (USW), Elymus
athericus, Festuca rubra ssp litoralis (OSW)) kommt auf den Flächen dieses
Vegetationstyps eine Gruppe von Arten vor, die nach dem TMAP-Kartierschlüssel (Essink
et al. 2005) typische Arten der unteren Salzwiese sind. Im Untersuchungsgebiet treten sie
jedoch hauptsächlich auf den Probeflächen des Grünen Strandes auf. Zu dieser
Artengruppe gehören Triglochin maritimum, Plantago maritima, Aster tripolium,
Spergularia maritima und Glaux maritima. Sie finden sich zwar vereinzelt auch auf
anderen Probeflächen, kommen in dieser Zusammensetzung und mit höheren
Frequenzgraden aber nur auf den Flächen des Grünen Strandes vor. Puccinellia
maritima, die auf den Flächen der unteren Salzwiese nur in einzelnen spärlichen
4 ERGEBNISSE 35
Exemplaren vorkommt, bildet hier niedrigwüchsige, lockere Rasen. Diesem
Vegetationstyp werden drei Probeflächen auf der Westplate zugeordnet.
4.1.5 Strand (ST) X.1
Dem TMAP-Typ X.1 Strandplate werden sieben Flächen zugeordnet. Alle Flächen dieses
Typs sind weitgehend vegetationslos. Lediglich auf zwei Flächen konnten einzelne
Exemplare kümmerlichen Wuchses von Honckenya peploides, Cakile maritima und
Elymus farctus festgestellt werden. Die Flächen des Typs Strandplate befinden sich im
westlichen Teil des Untersuchungsgebiets.
4.1.6 Vordüne (VD) X.3
Charakteristische Arten der Vordünen sind Elymus farctus, Leymus arenarius, Honckenya
peploides und Cakile maritima. Außerdem ist ein relativ großer Offenbodenanteil typisch.
Alle Flächen der Vordünen werden dem TMAP-Typ X.3.1 Elymus farctus-Typ zugeordnet.
Innerhalb des Typs lassen sich eine artenarme und eine etwas artenreichere Ausprägung
abgrenzen.
Die Flächen der artenarmen Ausprägung werden von nahezu einartigen Elymus farctus-
(drei Flächen) bzw. Honckenya peploides-Beständen (eine Fläche) bestimmt. Als einzige
weitere Art kommt Festuca rubra ssp arenaria auf einer der Flächen vor. Dieser
Ausprägung werden vier Flächen im westlichen Teil des Untersuchungsgebiets
zugeordnet.
Die Flächen der artenreicheren Ausprägung werden von Leymus arenarius und Cakile
maritima geprägt. Neben Elymus farctus und Honckenya peploides kommen auch Arten
der oberen Salzwiese (Elymus athericus und Agrostis stolonifera) und Sonchus arvensis
als typische Art der Weißdünen vor. In der Sukzessionsreihe der Dünen stellen diese
Flächen einen Übergang zwischen Vordüne und Weißdüne dar. Der artenreicheren
Ausprägung des Elymus farctus-Typs werden zwei Flächen im westlichen Teil des
Untersuchungsgebiets zugeordnet.
4.1.7 Graudüne (GD) X.5
Die Vegetation der Graudünen auf Mellum entspricht keiner der typischen
Vegetationseinheiten, wie z.B. Pott (1995) und Petersen (2005) sie für die Graudünen der
Ostfriesischen Inseln beschreiben. Da es sich aber um ältere Dünenstandorte mit initialer
Humusbildung handelt, wurden sie dem TMAP-Typ Typ X.5.0 Graudüne (unspezifisch)
zugeordnet.
4 ERGEBNISSE 36
Prägend für die Graudünenvegetation im Untersuchungsgebiet ist vor allem das
Vorkommen von Sedum acre. Die Art kommt auf allen Flächen (mit Ausnahme einer frisch
übersandeten Fläche) mit Frequenzgraden von 94-100 % vor. Weitere charakteristische
Arten sind Elymus athericus, Elymus farctus, Festuca rubra ssp arenaria und Oenothera
oakesiana. Neben diesen Arten, die auf allen Flächen präsent sind, kommt eine große
Bandbreite an Arten mit unterschiedlichen Frequenzgraden auf den einzelnen
Probeflächen vor. Häufigere Arten mit höheren Frequenzgraden sind z.B. Plantago
coronopus, Agrostis stolonifera, Arenaria serpyllifolia, Leontodon saxatilis und
Elymus x obtusiusculus. Beispiele für seltener vorkommende Arten mit niedrigen
Frequenzgraden sind Spergularia maritima, Honckenya peploides, Sonchus arvensis,
Cerastium diffusum, Linaria vulgaris und Sagina nodosa. Viele dieser Arten kommen im
Untersuchungsgebiet nur auf den Graudünenflächen vor. Typisch für diese Flächen ist
außerdem eine dichte Moosschicht. Kuhbier (1987) beschreibt für Mellum eine ähnliche
von Sedum acre dominierte Vegetation für aufgegebene Möwenbrutplätze auf höher
gelegenen Bereichen der oberen Salzwiese: Die zunächst sehr nährstoffreichen Flächen
werden von Ruderalvegetation besiedelt, hagern aus und werden dann von Arten wie
Sagina nodosa, Plantago coronopus und zuletzt von Sedum acre besiedelt, das die
übrigen Arten verdrängt und die Flächen dominiert. Dem Typ Graudüne unspezifisch
werden sechs Probeflächen im westlichen Teil des Untersuchungsgebiets zugeordnet.
4.1.8 Versandete Salzwiese (VSW) X.11
Die beiden durch die beschriebenen Umlagerungsprozesse (s. Kap. 2.2) versandeten
Salzwiesenflächen werden dem TMAP-Typ X.11 Salzbeeinflusster Dünenbereich
zugeordnet. Die Flächen dieses Typs werden in dieser Arbeit eigentlich als Dünentyp
betrachtet. Bei der Habitatmodellierung werden sie jedoch auch in dem auf
Salzwiesenflächen reduzierten Datensatz einbezogen. Die Flächen befinden sich hinter
den ehemaligen Weißdünen im westlichen Teil des Untersuchungsgebiets. Sie werden
vor allem durch den hohen Offenbodenanteil (Flugsand) geprägt. Die Vegetation besteht
hauptsächlich aus Elymus athericus, als Art der Salzwiesen, und Elymus farctus und
Honckenya peploides, als Arten der Dünen. Alle drei Arten kommen mit nur geringen bis
mittleren Frequenzgraden vor (12-50 %). Der Rest der ursprünglichen
Salzwiesenvegetation der Flächen (Carex extensa-Typ) kann nur noch durch Abtrag der
ca. 25 cm mächtigen Sanddecke freigelegt werden. Das Vorkommen von Elymus farctus
und Honckenya peploides weist darauf hin, dass sich diese Flächen vor der Übersandung
im Übergangsbereich zwischen Dünen und Salzwiesen befanden.
4 ERGEBNISSE 37
4.2 Die Ausprägung der Umweltparameter im Untersuchungsgebiet
Im Folgenden wird die Ausprägung der erhobenen Umweltparameter im
Untersuchungsgebiet beschrieben. Es werden auch die Parameter berücksichtigt, die
nicht in die Modellierung einbezogen werden.
4.2.1 Kaliumgehalt (K)
Die Messwerte der Kaliumgehalte (in kg pro ha auf 60 cm Horizontmächtigkeit berechnet)
schwanken zwischen 374,14 kg/ha und 2681,6 kg/ha. Der höchste Wert wurde in der
Pionierzone, der niedrigste am Strand gemessen. Abbildung 6 zeigt die Kaliumwerte
eingeteilt in Bewertungsklassen nach Schlichting et al. (1995).
0
5
10
15
20
25
30
35
<80 (sehrgering)
80-240(gering)
240-480(mittel)
480-800(erhöht)
800-1200(hoch)
>1200(sehrhoch)
Kalium - Gehaltsklassen [kg/ha]
Anz
ahl P
robe
fläch
en
D
SW
Abbildung 6: Einteilung der Probeflächen in Kaliumgehaltsklassen (Schlichting et al. 1995) getrennt nach Dünen und Salzwiesen.
Alle Flächen weisen eine gute Versorgung mit Kalium auf. Selbst die niedrigsten
Kaliumgehalte des Untersuchungsgebiets werden nach Schlichting et al. (1995) als
mittlere Kaliumgehalte eingestuft. Auffällig ist die scharfe Trennung zwischen Salzwiesen
und Dünenbereichen. Alle Strand- und Dünenflächen fallen in die Kategorien „mittlerer“
und „erhöhter Kaliumgehalt“. Die Flächen der Salzwiesen weisen fast alle hohe bis sehr
hohe Kaliumgehalte auf, lediglich zwei Flächen fallen in die Kategorie „erhöhter
Kaliumgehalt“.
In Abbildung 7 sind die Kaliumgehalte der Vegetationstypen als Boxplots dargestellt. Hier
ist ebenfalls die deutliche Trennung zwischen Salzwiesenflächen und Strand- und
Dünenflächen zu erkennen.
4 ERGEBNISSE 38
1-PZ 2-USW 3-OSW 4-GS 5-ST 6-VD 7-VSW 8-GD
500
1000
1500
2000
2500
Vegetationstypen
Kal
ium
geha
lt [k
g/ha
]
Abbildung 7: Kaliumgehalt der Probeflächen gruppiert nach Vegetationstypen. (PZ = Pionierzone [12], USW = untere Salzwiese [18], OSW = obere Salzwiese [12], GS = Grüner Strand [3], ST = Strand [7], VD = Vordünen [6], VSW = versandete Salzwiese [2], GD = Graudünen [6], [Anzahl der Probeflächen]).
Die Pionierzone und die untere Salzwiese weisen im Mittel die höchsten Kaliumgehalte
auf. Dabei ist die Varianz der Werte in der Pionierzone am größten. Der Typ der
versandeten Salzwiese hat etwas höhere Kaliumgehalte als die übrigen Vegetationstypen
der Strand- und Dünenflächen.
4.2.2 Phosphorgehalt (P)
Der Gehalt an pflanzenverfügbarem Phosphor variiert zwischen 20,79 kg/ha und
395,48 kg/ha. Sowohl der niedrigste als auch der höchste Wert wurde auf Probeflächen
der Pionierzone festgestellt. Die in Abbildung 8 dargestellte Einteilung der Messwerte in
Gehaltsklassen nach Schlichting et al. (1995) zeigt, dass fast alle Probeflächen eine
geringe oder mittlere Phosphorversorgung aufweisen. Lediglich sechs Flächen fallen in
die Kategorie „erhöht“. Ähnlich wie beim Kaliumgehalt fällt auch hier die Trennung
zwischen Salzwiesen und Dünenflächen auf. Mit Ausnahme einer Fläche der versandeten
Salzwiesen haben alle Flächen des Strand- und Dünenbereichs Phosphorgehalte unter
100 kg/ha. Die Flächen der Kategorie „erhöht“ liegen fast alle in der Pionierzone oder in
den Bereichen der unteren Salzwiese, die nah am Watt liegen.
4 ERGEBNISSE 39
0
5
10
15
20
25
30
35
<100(gering)
100-250(mittel)
250-400(erhöht)
400-600(hoch)
>600 (sehrhoch)
Phosphor - Gehaltklassen [kg/ha]
Anz
ahl P
robe
fläch
en
DSW
Abbildung 8: Einteilung der Probeflächen in Phosphorgehaltsklassen (Schlichting et al. 1995) getrennt nach Dünen und Salzwiesen.
Abbildung 9 zeigt Boxplots der Phosphorgehalte gruppiert nach Vegetationstypen. Die
untere Salzwiese weist im Mittel die höchsten Phosphorgehalte auf, gefolgt von der
Pionierzone. Hier ist die Varianz der Werte am größten. Innerhalb der Dünen- und
Strandtypen weist, ebenso wie beim Kaliumgehalt, die versandete Salzwiese im Mittel die
höchsten Phosphorgehalte auf.
1-PZ 2-USW 3-OSW 4-GS 5-ST 6-VD 7-VSW 8-GD
100
200
300
400
Vegetationstypen
Pho
spho
rgeh
alt [
kg/h
a]
Abbildung 9: Phosphorgehalt der Probeflächen gruppiert nach Vegetationstypen. (PZ = Pionierzone [12], USW = untere Salzwiese [18], OSW = obere Salzwiese [12], GS = Grüner Strand [3], ST = Strand [7], VD = Vordünen [6], VSW = versandete Salzwiese [2], GD = Graudünen [6], [Anzahl der Probeflächen]).
4 ERGEBNISSE 40
4.2.3 pH-Wert (pH_eDW, pH_Gr)
Sowohl die pH-Werte (CaCl2) des Wurzelraums (ph_eDW) als auch des Unterbodens
(pH_Gr) zeigen im Gebiet eine sehr geringe Varianz. Die pH-Werte des Wurzelraums
nehmen Werte zwischen 6,4 und 8,9 ein. Sie liegen damit im Bereich zwischen schwach
sauer und mäßig alkalisch (Scheffer & Schachtschabel 2002). Die Werte des
Unterbodens liegen zwischen 4,1 (stark sauer) und 8,3 (mäßig alkalisch). Abbildung 10
zeigt die Einteilung der pH-Werte des Wurzelraums (eDW) und des Unterbodens (Gr) in
Klassen.
05
101520253035404550
eDW Gr eDW Gr eDW Gr eDW Gr eDW Gr eDW Gr
4-4,9 5-5.9 6-6.9 7 7.1-8.0 8.1-9.0
(stark sauer) (mäßig sauer) (schwach sauer) (neutral) (schwachalkalisch)
(mäßigalkalisch)
pH-Wert Klassen
Anza
hl P
robe
fläch
en
D
SW
Abbildung 10: Einteilung der Probeflächen in pH-Wert-Klassen (Scheffer & Schhachtschabel 2002) getrennt nach Dünen und Salzwiesen.
Die Probefläche mit dem pH-Wert 4,1 im Unterboden ist die einzige Fläche in der Klasse
„stark sauer“. Ein Messfehler kann hier nicht ausgeschlossen werden. Fast alle übrigen
Flächen weisen schwach bis mäßig alkalische Werte auf. Ein deutlicher Unterschied
zwischen Dünen- und Salzwiesenflächen lässt sich nicht erkennen.
Auf eine Darstellung von Boxplots wird hier verzichtet, da keine Unterschiede zwischen
den Vegetationstypen erkennbar sind. Alle Mediane liegen innerhalb der Klasse „schwach
sauer“. Aufgrund der geringen Varianz wurden die Variablen pH-Wert im Wurzelraum
(pH_eDW) und pH-Wert im Unterboden (pH_Gr) nicht mit in die Modellierung
aufgenommen.
4 ERGEBNISSE 41
4.2.4 Carbonatgehalt (CO3)
Die Calciumcarbonatgehalte der Probeflächen (in t pro ha auf 60 cm Horizontmächtigkeit
berechnet) reichen von 0 bis 121,1 t/ha. Beide Werte wurden auf Flächen der Pionierzone
festgestellt. Abbildung 11 zeigt die Klassifizierung der Carbonatgehalte nach KA5 (AG
Boden 2005). Dargestellt sind die Calciumcarbonatgehalte in Masseprozent.
0
5
10
15
20
25
30
35
c0 c1 c2 c3
Carbonatgehalt (Masse%) in Klassen
Anz
ahl P
robe
fläch
en
DSW
Abbildung 11: Einteilung der Probeflächen in Carbonat-Klassen (AG Boden 2005) getrennt nach Dünen und Salzwiesen.
Insgesamt sind alle Flächen des Untersuchungsgebiets carbonatarm. Fast alle Flächen
werden mit sehr carbonatarm (c1) bzw. carbonatarm (c2) bewertet. Lediglich eine Fläche
fällt in die Kategorie c3 kalkhaltig (in die Unterklasse c3.4 stark kalkhaltig). Sieben
Flächen der unteren Salzwiese sind carbonatfrei. Ein deutlicher Unterschied zwischen
Salzwiesen und Dünen ist nicht zu erkennen. In Abbildung 12 sind die Carbonatgehalte
der Vegetationstypen als Boxplots dargestellt.
4 ERGEBNISSE 42
1-PZ 2-USW 3-OSW 4-GS 5-ST 6-VD 7-VSW 8-GD
020
4060
8010
012
0
Vegetationstypen
CaC
O3
[t/ha
]
Abbildung 12: Carbonatgehalt der Probeflächen gruppiert nach Vegetationstypen. (PZ = Pionierzone [12], USW = untere Salzwiese [18], OSW = obere Salzwiese [12], GS = Grüner Strand [3], ST = Strand [7], VD = Vordünen [6], VSW = versandete Salzwiese [2], GD = Graudünen [6], [Anzahl der Probeflächen]).
Die Pionierzone und der Grüne Strand weisen innerhalb der Salzwiese die höchsten
Carbonatgehalte auf. Die untere Salzwiese hat im Mittel die niedrigsten Carbonatgehalte
aller Vegetationstypen. Innerhalb der Dünen- und Strandflächen zeigen die versandeten
Salzwiesen die höchsten mittleren Carbonatgehalte. Abgesehen von diesem Sonderfall
weisen die Strand- und Vordünenflächen höhere Werte als die Graudünen auf. Als
Variable für die Modellierung wurde der Carbonatgehalt in t/ha verwendet.
4 ERGEBNISSE 43
4.2.5 Leitfähigkeit (LF_eDW, LF_Gr)
Die elektrische Leitfähigkeit der Bodenlösung wird als Kenngröße für die Salinität
verwendet. Im Wurzelraum (LF_eDW) reichen die Werte von 0,3 mS/cm bis 16,7 mS/cm.
Im Unterboden (LF_Gr) ist die Spanne geringer, hier liegt der niedrigste Wert ebenfalls bei
0,3 mS/cm, der höchste Wert liegt jedoch nur bei 7,2 mS/cm. Sowohl im Unterboden als
auch im Wurzelraum wurde der niedrigste Wert auf einer Vordünenfläche und der höchste
Wert auf einer Pionierzonenfläche festgestellt. Abbildung 13 zeigt die Einteilung der
Leitfähigkeitswerte des Wurzelraums und des Unterbodens in Klassen.
0
5
10
15
20
25
30
35
eDW Gr eDW Gr eDW Gr eDW Gr eDW Gr eDW Gr
0-2 2-4 4-6 6-8 8-10 >10
Leitfähigkeitsklassen [mS/cm]
Anz
ahl P
robe
fläch
en
D
SW
Abbildung 13: Einteilung der Probeflächen in Leitfähigkeitsklassen getrennt nach Dünen und Salzwiesen (eDW = Wurzelraum, Gr = Unterboden).
Fast alle Strand- und Dünenflächen weisen Leitfähigkeiten von weniger als 2 mS/cm auf,
während die Werte der Salzwiesenflächen meist über 2 mS/cm liegen. Die
Leitfähigkeitswerte des größten Teils der Salzwiesenflächen liegen zwischen 2 und
6 mS/cm. Dabei liegen die Werte im Wurzelraum häufiger in der Klasse 4-6 mS/cm und
die des Unterbodens häufiger in der Klasse 2-4 mS/cm. Nur vier der Salzwiesenflächen
erreichen im Wurzelraum Leitfähigkeiten von mehr als 10 mS/cm. Alle diese Flächen
befinden sich in der Pionierzone.
Die Trennung zwischen Salzwiesenflächen und Dünen- und Strandflächen ist ebenfalls in
der Boxplot-Darstellung der Leitfähigkeiten zu erkennen (s. Abbildung 14).
4 ERGEBNISSE 44
1-PZ 2-USW 3-OSW 4-GS 5-ST 6-VD 7-VSW 8-GD
05
1015
Vegetationstypen
Leitf
ähig
keit
[mS
/cm
]
WurzelraumUnterboden
Abbildung 14: Leitfähigkeit der Bodenlösung des Wurzelraums und des Unterbodens der Probeflächen gruppiert nach Vegetationstypen. (PZ = Pionierzone [12], USW = untere Salzwiese [18], OSW = obere Salzwiese [12], GS = Grüner Strand [3], ST = Strand [7], VD = Vordünen [6], VSW = versandete Salzwiese [2], GD = Graudünen [6], [Anzahl der Probeflächen]).
Innerhalb der Salzwiese nehmen die Werte im Wurzelraum von der Pionierzone über die
untere Salzwiese bis zur oberen Salzwiese ab. Im Unterboden unterscheiden sich die
Werte der Salzwiesentypen kaum. Sie liegen jedoch in allen Typen unterhalb der Werte
des Wurzelraums. Innerhalb der Dünen- und Strandtypen fällt auf, dass die Leitfähigkeiten
der versandeten Salzwiese im Unterboden höher sind als im Wurzelraum. Alle Werte
liegen deutlich unter der Leitfähigkeit von Meerwasser (etwa 44 mS/cm (Larcher 2001),
Prielwasser auf Mellum etwa 46 mS/cm). Die Leitfähigkeit des Wassers der
Süßwasserlinse auf Mellum beträgt etwa 0,47 mS/cm, die Mediane von Strand und
Vordüne liegen mit 0,7 mS/cm nur leicht über diesem Wert.
4 ERGEBNISSE 45
4.2.6 Sand- ,Ton- und Schluffanteil (S_eDW, U_eDW, T_eDW)
Aufgrund der Entstehungsgeschichte der Insel aus einer Sandplate (s. Kapitel 2.1.2),
bestehen die Böden überwiegend aus Sand. In den Profilen einiger Probeflächen finden
sich jedoch schmale bandartige Schlickablagerungen, die sich hauptsächlich aus Schluff
und Ton zusammensetzen. Toniges und schluffiges Substrat weist andere
Bodeneigenschaften (z.B eine bessere Nährstoffversorgung) auf als Sand (Scheffer &
Schachtschabel 2002). Da sich aus dem Sandanteil im Umkehrschluss der Ton- und
Schluffanteil ergibt, betrachte ich hier den Sandanteil als Maß für den Schlickanteil. Ein
geringer Sandanteil steht also für einen hohen Anteil an Schlickablagerungen im
Wurzelraum. Abbildung 15 zeigt die Einteilung der Probeflächen in Sandanteil-Klassen.
0
5
10
15
20
25
30
35
<30 30-60 60-90 >90
Sandanteil im Wurzelraum [%]
Anz
ahl P
robe
fläch
en
DSW
Abbildung 15: Einteilung der Probeflächen in Sandanteilsklassen getrennt nach Salzwiesen und Dünen.
Alle Dünen- und Strandflächen weisen Sandanteile von über 90 % auf. Auch etwa ein
Viertel der Salzwiesenflächen fallen in diese Klasse. Ein großer Teil dieser Flächen gehört
zur Pionierzone. Die meisten Salzwiesenflächen haben einen Sandanteil zwischen 60 und
90 %. Nur zwei Flächen weisen Sandanteile unter 30 % auf. Auch diese beiden Flächen
liegen in der Pionierzone. Abbildung 16 stellt die Sandanteile der Vegetationstypen als
Boxplots dar.
4 ERGEBNISSE 46
1-PZ 2-USW 3-OSW 4-GS 5-ST 6-VD 7-VSW 8-GD
020
4060
8010
0
Vegetationstypen
San
dgeh
alt i
m W
urze
lraum
[%]
Abbildung 16: Sandanteile der Probeflächen gruppiert nach Vegetationstypen. (PZ = Pionierzone [12], USW = untere Salzwiese [18], OSW = obere Salzwiese [12], GS = Grüner Strand [3], ST = Strand [7], VD = Vordünen [6], VSW = versandete Salzwiese [2], GD = Graudünen [6], [Anzahl der Probeflächen]).
Innerhalb der Salzwiesentypen erreicht die Pionierzone die höchsten Sandanteile. Die
niedrigsten Sandanteile und damit die höchsten Schlickanteile weist die untere Salwiese
auf.
4.2.7 Störung (Sedimentation und Erosion) (STOER_abs)
Als Störung werden in dieser Arbeit die Beeinträchtigungen der Vegetation durch
Sedimentations- und Erosionsprozesse, also die Ergebnisse der SEB-Messungen
betrachtet. Im Zeitraum von Oktober 2006 bis September 2007 reichen die Messwerte
von 80,0 cm Abtrag bis 22,3 cm Auftrag. Abbildung 17 zeigt die Einteilung der
Probeflächen in Störungsklassen von sehr stark erosionsgestört bis sehr stark
sedimentationsgestört.
Ein großer Teil der Dünen- und Strandflächen fällt in die extremen Klassen (stark, bzw.
sehr stark gestört). Bei allen Flächen, die sehr stark durch Erosion gestört sind, handelt es
sich um Strandflächen (ehemalige Dünenflächen, s.Kap.2.2). Die Dünenflächen, die in die
Kategorien stabil bzw. leicht gestört fallen, gehören zu den Graudünen. Die sehr stark
durch Sedimentationsprozesse gestörten Flächen, sind die Flächen der versandeten
Salzwiesen. Keine der Dünen- und Strandflächen fällt in die Klassen leicht und mäßig
durch Erosion gestört. Dagegen liegen die meisten Salzwiesenflächen im Bereich stabil
bis leicht gestört durch Sedimentation. Lediglich einige Flächen unterlagen im
Untersuchungszeitraum leichten bis mäßigen Erosionsprozessen. Alle diese Flächen
gehören zur Pionierzone.
4 ERGEBNISSE 47
0
5
10
15
20
25
30
>-15 (sehrstark)
-5--15(stark)
-5--1(mäßig)
-1--0,2(leicht)
-0,2-0,2(stabil)
0,2-1(leicht)
1-5(mäßig)
5-15(stark)
>15 (sehrstark)
Störungsklassen 10.2006 bis 09.2007 [cm]
Anz
ahl P
robe
fläch
en
DSW
Abbildung 17: Einteilung der Probeflächen in Störungsklassen getrennt nach Salzwiesen und Dünen für den Zeitraum Oktober 2006 bis September 2007.
Abbildung 18 zeigt die Störung der Vegetationstypen als Boxplots. Dargestellt ist die
absolute Störung (Betrag der Störungswerte, s. Kap.3.3.3) die auch für die Modellierung
verwendet wurde. Die Salzwiesenflächen und die Dünen- und Strandflächen sind getrennt
voneinander mit unterschiedlicher Skalierung dargestellt, um auch die Unterschiede
innerhalb der Salzwiesentypen deutlich zu machen.
1 2 3 4
01
23
4
Vegetationstypen
Stö
rung
abs
olut
[cm
]
-PZ -USW -OSW -GS
5 6 7 8
020
4060
80
Vegetationstypen
Stö
rung
abs
olut
[cm
]
-ST -VD -VSW -GD
1 2 3 4
01
23
4
Vegetationstypen
Stö
rung
abs
olut
[cm
]
-PZ -USW -OSW -GS
5 6 7 8
020
4060
80
Vegetationstypen
Stö
rung
abs
olut
[cm
]
-ST -VD -VSW -GD
Abbildung 18: Absolute Störung der Probeflächen gruppiert nach Vegetationstypen. (PZ = Pionierzone [12], USW = untere Salzwiese [18], OSW = obere Salzwiese [12], GS = Grüner Strand [3], ST = Strand [7], VD = Vordünen [6], VSW = versandete Salzwiese [2], GD = Graudünen [6], [Anzahl der Probeflächen]).
Die Pionierzone weist deutlich höhere Störungen auf als die im Mittel stabilen übrigen
Salzwiesentypen. Während es sich bei den Auftrags- und Abtragsraten in der Salzwiese
um wenige cm handelt, liegen sie im Dünen- und Strandbereich im Dezimeter-Bereich.
4 ERGEBNISSE 48
4.2.8 Grundwasser (GWmw, GW20)
Als Variablen, die das Grundwasserregime der Probeflächen charakterisieren, wurden der
mittlere Grundwasserstand (GWmw) und die Anzahl der Tage mit einem
Grundwasserstand über 20 cm unter Flur berechnet (GW20). Da die Variablen inhaltlich
sehr ähnlich sind, wird hier auf die Beschreibung der Variablen GW20 verzichtet.
Der höchste mittlere Grundwasserstand wurde mit 7,72 cm über Flur in der Pionierzone,
der niedrigste mit 75,92 cm unter Flur am Strand sowie in den Vor- und Graudünen
gemessen. Abbildung 19 zeigt die Werte eingeteilt in Klassen.
0
2468
10
1214
1618
20
+10-0 0-20 20-40 40-60 60-80
Mittlerer Grundwasserstand in Klassen [cm unter/über Flur]
Anz
ahl P
robe
fläch
en
DSW
Abbildung 19: Einteilung der Probeflächen in Grundwasserstandsklassen getrennt nach Salzwiesen und Dünen.
Fast alle Flächen des Dünen- und Strandbereichs weisen mittlere Grundwasserstände
zwischen 60 und 80 cm unter Flur auf. Die meisten Flächen der Salzwiesen liegen im
Bereich zwischen 0 und 40 cm unter Flur. Alle Flächen, die einen mittleren
Grundwasserstand über der Bodenoberfläche aufweisen, liegen in der Pionierzone.
In Abbildung 20 sind die mittleren Grundwasserstände der Vegetationstypen als Boxplots
dargestellt. Der mittlere Grundwasserstand nimmt von der Pionierzone zur oberen
Salzwiese ab. Innerhalb der Dünen- und Strandflächen sind keine deutlichen
Unterschiede zu erkennen. Lediglich der mittlere Grundwasserstand der versandeten
Salzwiese liegt über dem der übrigen Dünen- und Strandtypen.
4 ERGEBNISSE 49
1-PZ 2-USW 3-OSW 4-GS 5-ST 6-VD 7-VSW 8-GD
-60
-40
-20
0
Vegetationstypen
Mitt
lere
r Gru
ndw
asse
rsta
nd [c
m u
nter
Flu
r]
Abbildung 20: Mittlere Grundwasserstände der Probeflächen gruppiert nach Vegetationstypen. (PZ = Pionierzone [12], USW = untere Salzwiese [18], OSW = obere Salzwiese [12], GS = Grüner Strand [3], ST = Strand [7], VD = Vordünen [6], VSW = versandete Salzwiese [2], GD = Graudünen [6], [Anzahl der Probeflächen]).
Die täglichen Schwankungen des Grundwasserstandes nehmen ebenfalls von der
Pionierzone zur oberen Salzwiese ab. Allerdings sind auf höherliegenden Flächen die
Einflüsse der Gezeiten deutlich zu erkennen, selbst wenn die Flächen nicht überflutet
werden. Die Schwankungen des Grundwasserstandes bei Niedrigwasser nehmen von der
Pionierzone zur oberen Salzwiese zu. Im Anhang (Abbildungen I-2 und I-3) sind für einige
Probeflächen beispielhaft die Ganglinien des Grundwasserstandes der 14-täglichen
Messungen und der Pegeldatenlogger dargestellt. Als Variable für die Modellierung wurde
der mittlere Grundwasserstand verwendet.
4.2.9 Überflutungshäufigkeit (UEH)
Die Werte der Überflutungshäufigkeit reichen von 0,0001 Überflutungen pro Tag (ca. eine
Überflutung in 30 Jahren) bis 1,87 Überflutungen pro Tag (bei fast jedem Hochwasser).
Flächen mit dem Wert 0,0001 wurden im Messzeitraum gar nicht überflutet. Da ich aber
aufgrund meiner Beobachtungen im Gelände davon ausgehe, dass auch diese Flächen
überflutet werden, habe ich ihnen den Wert 0,0001 zugewiesen. Die Flächen mit der
Überflutungshäufigkeit von 0,0001 Mal pro Tag liegen in den Graudünen, den Vordünen
und in der oberen Salzwiese. Der Wert 1,87 wurde in der Pionierzone festgestellt.
Abbildung 21 zeigt die Überflutungsklassen.
4 ERGEBNISSE 50
0
5
10
15
20
25
30
<0,060,13-0,060,25-0,130,5-0,251-0,52,0-1,0
Überflutungsklassen [Überflutungen/Tag]
Anz
ahl P
robe
fläch
en
DSW
Abbildung 21: Einteilung der Probeflächen in Überflutungsklassen getrennt nach Salzwiesen und Dünen.
Die meisten Flächen liegen in der Klasse weniger als 0,06 Überflutungen pro Tag
(seltener als ein Mal in zwei Wochen). Die Hälfte dieser Flächen machen Dünen- und
Strandflächen aus, wobei sich hier alle Vor- und Graudünen- sowie die versandeten
Salzwiesenflächen befinden. Die Strandflächen befinden sich dagegen (bis auf eine
Ausnahme) alle in der höchsten Klasse mit 0,5 bis zwei Überflutungen pro Tag. Die
Salzwiesenflächen sind über alle Klassen verteilt. Dabei befinden sich die meisten
Flächen in der Klasse mit weniger als 0,06 Überflutungen pro Tag. Der größte Teil der
Flächen dieser Klasse liegt in der oberen Salzwiese. Keine der Flächen der oberen
Salzwiese wird häufiger als 0,13 Mal pro Tag überflutet (ca. eine Überflutung pro Woche).
Alle Salzwiesenflächen, die in die Klasse ein bis zwei Überflutungen pro Tag fallen, liegen
in der Pionierzone.
Die Überflutungshäufigkeit gruppiert nach Vegetationstypen ist in Abbildung 22 als
Boxplots dargestellt.
4 ERGEBNISSE 51
1-PZ 2-USW 3-OSW 4-GS 5-ST 6-VD 7-VSW 8-GD
0.0
0.5
1.0
1.5
Vegetationstypen
Übe
rflut
unge
n pr
o Ta
g
Abbildung 22: Überflutungshäufigkeit der Probeflächen gruppiert nach Vegetationstypen. (PZ = Pionierzone [12], USW = untere Salzwiese [18], OSW = obere Salzwiese [12], GS = Grüner Strand [3], ST = Strand [7], VD = Vordünen [6], VSW = versandete Salzwiese [2], GD = Graudünen [6], [Anzahl der Probeflächen]).
Zu sehen ist eine deutliche Abnahme der Überflutungshäufigkeit von der Pionierzone in
die obere Salzwiese.
Innerhalb der Strand- und Dünentypen zeigt sich der deutliche Unterschied zwischen dem
Strand mit hohen Überflutungshäufigkeiten und den übrigen Dünentypen.
4 ERGEBNISSE 52
4.3 Ergebnisse der statistischen Analyse
4.3.1 Variablenauswahl
Im Folgenden wird dargestellt, welche unabhängigen Variablen in die Modellierung
eingeflossen sind. Tabelle 7 zeigt, welche Variablen im gesamten Datensatz bzw. im
Salzwiesendatensatz verwendet wurden. Für die nicht verwendeten Variablen ist
außerdem der Grund des Ausschlusses angegeben.
Tabelle 7: Überblick über die Verwendung und den Ausschluss der Variablen. (SW = im Salzwiesendatensatz verwendet, Gesamt = im gesamten Datensatz verwendet).
Abkürzung Variable Verwendet in Ausschluss-grund
K Kaliumgehalt korreliert
P Phosphorgehalt SW, Gesamt
pH_eDW pH im Wurzelraum geringe Varianz
pH_Gr pH im Unterboden geringe Varianz
CO3 Carbonatgehalt SW, Gesamt
LF_eDW Leitfähigkeit im Wurzelraum Zusammengefasst durch PCA
LF_Gr Leitfähigkeit im Unterboden Zusammengefasst durch PCA
S_eDW Sandgehalt im Wurzelraum SW, Gesamt
U_eDW Schluffgehalt im Wurzelraum korreliert
T_eDW Tongehalt im Wurzelraum korreliert
STOER_abs absolute Störung SW, Gesamt
GWmw mittlerer Grundwasserstand Zusammengefasst durch PCA
GW20 Tage GW über 20cm unter Flur korreliert
UEH Überflutungshäufigkeit Gesamt Zusammengefasst durch PCA
LF_pc PC aus LF_eDW und LF_Gr SW, Gesamt
WASSER_pc PC aus GWmw und UEH SW
Aufgrund der Ergebnisse der Pearson-Korrelationsanalyse wurden die Variablen
Kaliumgehalt, Schluffanteil im Wurzelraum, Tonanteil im Wurzelraum und Anzahl der
Tage mit einem Grundwasserstand über 20 cm unter Flur aus der Modellierung
ausgeschlossen. Die Korrelationsmatrizes der unabhängigen Variablen für beide
Datensätze befinden sich im Anhang (Tabellen I-3 und I-4).
Mit den inhaltlich ähnlichen, korrelierten Variablen Leitfähigkeit im Wurzelraum und
Leitfähigkeit im Unterboden, sowie mittlerer Grundwasserstand und
Überflutungshäufigkeit führte ich Hauptkomponentenanalysen (PCA) durch und
4 ERGEBNISSE 53
verwendete jeweils die erste Achse (Hauptkomponente = PC (principal component)) als
neue Variable.
Die erste Hauptkomponente der Variablen Leitfähigkeit im Wurzelraum und Leitfähigkeit
im Unterboden verbindet die beiden Variablen zu einem Leitfähigkeitswert für jede Fläche.
Sie ist in beiden Datensätzen negativ mit den Variablen korreliert und stellt deshalb einen
Gradienten der abnehmenden Leitfähigkeit dar. Je größer die Werte der
Hauptkomponente sind, desto geringer ist die Leitfähigkeit. Im gesamten Datensatz erklärt
die erste Hauptkomponente 96 %, im Salzwiesen-Datensatz 79 % der Varianz beider
Variablen. In der weiteren Analyse wird die Hauptkomponente als Variable LF_pc
bezeichnet.
Für die Variablen mittlerer Grundwasserstand und Überflutungshäufigkeit wurde die
Analyse zwar mit beiden Datensätzen durchgeführt, da die gebildete Hauptkomponente
des gesamten Datensatzes aber hoch mit anderen Variablen korreliert war, wurde sie
nicht verwendet. Im gesamten Datensatz wurde daher die Variable mittlerer
Grundwasserstand ausgeschlossen und nur die Überflutungshäufigkeit in die
Modellierung einbezogen.
Die erste Achse der Hauptkomponentenanalyse der Variablen mittlerer
Grundwasserstand und Überflutungshäufigkeit des Salzwiesendatensatz ist negativ mit
beiden Variablen korreliert. Sie stellt einen Feuchtigkeitsgradienten dar. Je größer die
Werte der Hauptkomponente sind, desto niedriger sind mittlerer Grundwasserstand und
Überflutungshäufigkeit. Die erste Hauptkomponente erklärt 82 % der Varianz beider
Variablen. Sie wird in der weiteren Analyse als Feuchtigkeit bzw. WASSER_pc
bezeichnet.
Die Variablen pH-Wert im Wurzelraum und pH-Wert im Unterboden wurden aufgrund der
geringen Varianz der Daten (s.o.) nicht mit in die Modellierung einbezogen.
4.3.2 Habitatmodelle
4.3.2.1 Univariate Modelle – Art-Antwortkurven
Im folgenden Kapitel wird die Reaktion der einzelnen Arten auf die verschiedenen
Umweltfaktoren betrachtet. Besonderes Augenmerk liegt dabei darauf, ob Arten
desselben Vegetationstyps ähnlich auf die Umweltvariablen reagieren. Dazu wurden die
univariaten Modelle aller Arten gegen die Umweltvariablen aufgetragen. Es werden auch
die Arten, für die keine multiplen Modelle gebildet werden konnten, berücksichtigt.
Beispielhaft werden hier die Modelle für die Variablen Überflutungshäufigkeit bzw.
4 ERGEBNISSE 54
Feuchtigkeit und Leitfähigkeit dargestellt. Die Abbildungen für die Umweltvariablen
absolute Störung, Phosphorgehalt und Sandanteil finden sich ebenso wie eine Übersicht
über alle univariaten Modelle im Anhang (Abbildungen I-5 bis I-10, Tabellen I-9 und I-10).
Die Variable Carbonatgehalt ergab nur sehr wenige univariate Modelle, so dass sie hier
nicht betrachtet wird.
Abbildung 23 zeigt die Reaktion der Arten des gesamten Datensatzes auf die
Umweltvariable Überflutungshäufigkeit. Die Anordnung der Arten entlang des Gradienten
zeigt deutliche Tendenzen bezüglich der Vegetationstypen.
1 2 3 4
0.0
0.2
0.4
0.6
0.8
1.0
Überflutungshäufigkeit
Vor
kom
men
swah
rsch
einl
ichk
eit
Fra
Sa
SsEf
Frl
LvEa
Sb
Tm
Pm
USWPZ
DOSW
Ea = Elymus athericusEf = Elymus farctusFra = Festuca rubra arenariaFrl = Festuca rubra litoralisLv = Limonium vulgarePm = Puccinellia maritimaSa = Spartina anglicaSb = Salicornia brachystachyaSs = Salicornia strictaTm = Triglochin maritimum
fast nie überflutet
häufig überflutet
1 2 3 4
0.0
0.2
0.4
0.6
0.8
1.0
Überflutungshäufigkeit
Vor
kom
men
swah
rsch
einl
ichk
eit
Fra
Sa
SsEf
Frl
LvEa
Sb
Tm
Pm
1 2 3 4
0.0
0.2
0.4
0.6
0.8
1.0
Überflutungshäufigkeit
Vor
kom
men
swah
rsch
einl
ichk
eit
Fra
Sa
SsEf
Frl
LvEa
Sb
Tm
Pm
USWPZ
DOSW
USWPZ
D
USWPZUSWPZ
DOSW
Ea = Elymus athericusEf = Elymus farctusFra = Festuca rubra arenariaFrl = Festuca rubra litoralisLv = Limonium vulgarePm = Puccinellia maritimaSa = Spartina anglicaSb = Salicornia brachystachyaSs = Salicornia strictaTm = Triglochin maritimum
fast nie überflutet
häufig überflutet
Abbildung 23: Art-Antwortkurven des gesamten Datensatzes für die Variable Überflutungshäuigkeit.
Zu erkennen ist die entgegengesetzte Reaktion der beiden Pionierzonenarten (Salicornia
stricta und Spartina anglica) und der beiden Dünenarten (Elymus farctus und Festuca
rubra ssp arenaria). Während die Vorkommenswahrscheinlichkeit der Pionierzonenarten
mit zunehmender Überflutungshäufigkeit steigt, sinkt die der Dünenarten. Auch die Arten
der oberen Salzwiese haben ihre größte Vorkommenswahrscheinlichkeit im Bereich
seltener (Festuca rubra ssp litoralis) oder sehr seltener Überflutung (Elymus athericus).
Die Arten der unteren Salzwiese zeigen kein einheitliches Bild. Die Arten Salicornia
brachystachya und Puccinellia maritima erreichen die höchsten
Vorkommenswahrscheinlichkeiten bei mittlerer bis häufiger Überflutung und liegen damit
im Bereich zwischen den Arten der oberen Salzwiese und den Pionierzonenarten. Die
Vorkommenswahrscheinlichkeiten von Limonium vulgare und Triglochin maritimum
nehmen mit zunehmender Überflutungshäufigkeit ähnlich den Pionierzonenarten zu. Die
Vorkommenswahrscheinlichkeiten dieser Arten ist allerdings schon bei seltenerer
Überflutung höher.
4 ERGEBNISSE 55
Innerhalb des Salzwiesendatensatzes zeigt sich ein ähnliches Bild (s. Abbildung 24). Die
Pionierzonenart Salicornia sricta steht hier den Arten der oberen Salzwiese (Elymus
athericus und Festuca rubra ssp litoralis) gegenüber. Die Vorkommenswahrscheinlichkeit
von Salicornia stricta nimmt mit zunehmender Feuchtigkeit zu, während die von Elymus
athericus und Festuca rubra ssp litoralis mit zunehmender Feuchtigkeit abnehmen. Die
Arten der unteren Salzwiese erreichen die größten Vorkommenswahrscheinlichkeiten bei
mittlerer Feuchtigkeit. Spartina anglica als Pionierzonenart und Artemisia maritima als Art
der oberen Salzwiese bilden jeweils den Übergang zur Gruppe der unteren
Salzwiesenarten. Beide Arten weisen ebenso wie alle Arten der unteren Salzwiese
unimodale Zusammenhänge mit der Variablen auf, erreichen ihre höchsten
Vorkommenswahrscheinlichkeiten jedoch in etwas nasseren bzw. etwas trockeneren
Bereichen als diese.
-2 -1 0 1 2 3
0.0
0.2
0.4
0.6
0.8
1.0
Feuchtigkeit
Vor
kom
men
swah
rsch
einl
ichk
eit
nass
Tm
Pm
Spm
Am
Sm
Ap
Sb
Sa
SsFrl
Ea
trocken
OSW
USWPZ
Am = Artemisia maritimaAp = Atriplex portulacoidesEa = Elymus athericusFrl = Festuca rubra litoralisPm = Puccinellia maritimaSa = Spartina anglicaSb = Salicornia brachystachyaSm = Suaeda maritimaSpm = Spergularia mediaSs = Salicornia strictaTm = Triglochin maritimum
-2 -1 0 1 2 3
0.0
0.2
0.4
0.6
0.8
1.0
Feuchtigkeit
Vor
kom
men
swah
rsch
einl
ichk
eit
nass
Tm
Pm
Spm
Am
Sm
Ap
Sb
Sa
SsFrl
Ea
trocken
OSW
USWPZ
Am = Artemisia maritimaAp = Atriplex portulacoidesEa = Elymus athericusFrl = Festuca rubra litoralisPm = Puccinellia maritimaSa = Spartina anglicaSb = Salicornia brachystachyaSm = Suaeda maritimaSpm = Spergularia mediaSs = Salicornia strictaTm = Triglochin maritimum
nass
Tm
Pm
Spm
Am
Sm
Ap
Sb
Sa
SsFrl
Ea
trocken
OSW
USWPZ
OSW
USWPZUSWPZUSWPZ
Am = Artemisia maritimaAp = Atriplex portulacoidesEa = Elymus athericusFrl = Festuca rubra litoralisPm = Puccinellia maritimaSa = Spartina anglicaSb = Salicornia brachystachyaSm = Suaeda maritimaSpm = Spergularia mediaSs = Salicornia strictaTm = Triglochin maritimum
Abbildung 24: Art-Antwortkurven des Salzwiesendatensatzes für die Variable Feuchtigkeit.
Abbildung 25 zeigt die Reaktion der Arten auf die Umweltvariable Leitfähigkeit. Auch für
den Leitfähigkeitsgradienten lassen sich hinsichtlich der Vegetationstypen Tendenzen
erkennen. Besonders deutlich ist hier aber lediglich die gegensätzliche Reaktion der
Pionierzonenarten und der Dünenarten zu erkennen. Die Vorkommenswahrscheinlichkeit
der Pionierzonenarten steigt mit zunehmender Leitfähigkeit, während die der Dünenarten
sinkt. Triglochin maritimum, Atriplex portulacoides und Suaeda maritima als Arten der
unteren Salzwiese zeigen eine ähnliche Reaktion auf die Leitfähigkeit wie die
Pionierzonenarten. Die übrigen Arten der unteren und der oberen Salzwiese haben die
größte Vorkommenswahrscheinlichkeit im mittleren Bereich des Gradienten und liegen
damit zwischen Dünen- und Pionierzonenarten. Eine klare Differenzierung in untere und
obere Salzwiese ist jedoch nicht zu erkennen. Lediglich Elymus athericus als Art der
4 ERGEBNISSE 56
oberen Salzwiese zeigt ein leicht verschobenes Optimum der
Vorkommenswahrscheinlichkeit in Richtung geringerer Leitfähigkeit.
USWPZ
DOSW
-2 -1 0 1 2 3
0.0
0.2
0.4
0.6
0.8
1.0
Leitfähigkeit
Vor
kom
men
swah
rsch
einl
ichk
eit
Am
SsEf
Ea
Gm
SpmTm
Pm
Sb
Lv
Ap
SmFra
Frl
SaAm = Artemisia maritimaAp = Atriplex portulacoidesGm = Glaux maritimaEa = Elymus athericusEf = Elymus farctusFra = Festuca rubra arenariaFrl = Festuca rubra litoralisLv = Limonium vulgarePm = Puccinellia maritimaSa = Spartina anglicaSb = Salicornia brachystachyaSm = Suaeda maritimaSpm = Spergularia mediaSs = Salicornia strictaTm = Triglochin maritimum
hohe Leitfähigkeit
geringe Leitfähigkeit
USWPZ
DOSW
-2 -1 0 1 2 3
0.0
0.2
0.4
0.6
0.8
1.0
Leitfähigkeit
Vor
kom
men
swah
rsch
einl
ichk
eit
Am
SsEf
Ea
Gm
SpmTm
Pm
Sb
Lv
Ap
SmFra
Frl
SaAm = Artemisia maritimaAp = Atriplex portulacoidesGm = Glaux maritimaEa = Elymus athericusEf = Elymus farctusFra = Festuca rubra arenariaFrl = Festuca rubra litoralisLv = Limonium vulgarePm = Puccinellia maritimaSa = Spartina anglicaSb = Salicornia brachystachyaSm = Suaeda maritimaSpm = Spergularia mediaSs = Salicornia strictaTm = Triglochin maritimum
USWPZ
DOSW
USWPZ
D
USWPZUSWPZ
DOSW
-2 -1 0 1 2 3
0.0
0.2
0.4
0.6
0.8
1.0
Leitfähigkeit
Vor
kom
men
swah
rsch
einl
ichk
eit
Am
SsEf
Ea
Gm
SpmTm
Pm
Sb
Lv
Ap
SmFra
Frl
Sa
-2 -1 0 1 2 3
0.0
0.2
0.4
0.6
0.8
1.0
Leitfähigkeit
Vor
kom
men
swah
rsch
einl
ichk
eit
Am
SsEf
Ea
Gm
SpmTm
Pm
Sb
Lv
Ap
SmFra
Frl
SaAm = Artemisia maritimaAp = Atriplex portulacoidesGm = Glaux maritimaEa = Elymus athericusEf = Elymus farctusFra = Festuca rubra arenariaFrl = Festuca rubra litoralisLv = Limonium vulgarePm = Puccinellia maritimaSa = Spartina anglicaSb = Salicornia brachystachyaSm = Suaeda maritimaSpm = Spergularia mediaSs = Salicornia strictaTm = Triglochin maritimum
hohe Leitfähigkeit
geringe Leitfähigkeit
Abbildung 25: Art-Antwortkurven des gesamten Datensatzes für die Variable Leitfähigkeit.
Innerhalb des Salzwiesendatensatzes konnten nur für vier Arten univariate Modelle mit
der Leitfähigkeit gebildet werden. Die Reaktionen der vier Arten zeigen eine deutliche
Tendenz hinsichtlich der Vegetationstypen (s.Abbildung 26). Salicornia stricta
(Pionierzone) und Elymus athericus (obere Salzwiese) zeigen entgegengesetzte
Reaktionen. Die Vorkommenswahrscheinlichkeit von Salicornia stricta nimmt mit
zunehmender Leitfähigkeit zu, während die von Elymus athericus abnimmt. Die Arten der
unteren Salzwiese (Limonium vulgare, Salicornia brachystachya) erreichen die größten
Vorkommenswahrscheinlichkeiten im mittleren Bereich des Leitfähigkeitsgradienten.
OSWEa = Elymus athericusLv = Limonium vulgareSb = Salicornia brachystachyaSs = Salicornia stricta
USWPZ
-3 -2 -1 0 1 2 3
0.0
0.2
0.4
0.6
0.8
1.0
Leitfähigkeit
Vor
kom
men
swah
rsch
einl
ichk
eit
Sb
LmSs
Ea
geringe Leitfähigkeit
hohe Leitfähigkeit LF
OSWEa = Elymus athericusLv = Limonium vulgareSb = Salicornia brachystachyaSs = Salicornia stricta
USWPZ
-3 -2 -1 0 1 2 3
0.0
0.2
0.4
0.6
0.8
1.0
Leitfähigkeit
Vor
kom
men
swah
rsch
einl
ichk
eit
Sb
LmSs
Ea
geringe Leitfähigkeit
hohe Leitfähigkeit LF
Ea = Elymus athericusLv = Limonium vulgareSb = Salicornia brachystachyaSs = Salicornia stricta
USWPZUSWPZ
-3 -2 -1 0 1 2 3
0.0
0.2
0.4
0.6
0.8
1.0
Leitfähigkeit
Vor
kom
men
swah
rsch
einl
ichk
eit
Sb
LmSs
Ea
-3 -2 -1 0 1 2 3
0.0
0.2
0.4
0.6
0.8
1.0
Leitfähigkeit
Vor
kom
men
swah
rsch
einl
ichk
eit
Sb
LmSs
Ea
-3 -2 -1 0 1 2 3
0.0
0.2
0.4
0.6
0.8
1.0
Leitfähigkeit
Vor
kom
men
swah
rsch
einl
ichk
eit
Sb
LmSs
Ea
geringe Leitfähigkeit
hohe Leitfähigkeit LF
Abbildung 26: Art-Antwortkurven des Salzwiesendatensatzes für die Variable Leitfähigkeit.
4 ERGEBNISSE 57
4.3.2.2 Multiple Modelle
Im Folgenden werden die multiplen Habitatmodelle der Arten vorgestellt. Tabelle 8 zeigt
für beide Datensätze die Arten mit ausreichend hoher Prävalenz (mehr als 10 %) und die
Arten für die Modelle gebildet werden konnten. Von den 16 Arten im gesamten Datensatz
konnten für zwölf Arten multiple Modelle gebildet werden. Mit dem Salzwiesendatensatz
ergaben sich für sieben von 14 Arten multiple Modelle.
Tabelle 8: Arten mit einer Prävalenz > 10 % und Arten für die Modelle gebildet werden konnten (fett) für beide Datensätze.
Gesamter Datensatz Salzwiesendatensatz Artemisia maritima Artemisia maritima Atriplex portulacoides Atriplex portulacoides Aster tripolium Aster tripolium Elymus athericus Elymus athericus Elymus farctus Festua rubra ssp. arenaria Festua rubra ssp. litoralis Festua rubra ssp. litoralis Glaux maritima Glaux maritima Limonium vulgare Limonium vulgare Puccinellia maritima Puccinellia maritima Salicornia brachystachia Salicornia brachystachia Salicornia stricta Salicornia stricta Spartina anglica Spartina anglica Spergularia media Spergularia media Suaeda maritima Suaeda maritima Triglochin maritimum Triglochin maritimum
Dargestellt werden im folgenden Kapitel die Anzahl der Vorkommen und Nichtvorkommen
der Art, die Wirkrichtung der Variablen, das Gewicht der Variablen im model averaging
und die Gütemaße der Modelle. Tabellen mit den Koeffizienten findet sich im Anhang
(Tabellen I-5 und I-6).
Bei der Wirkrichtung der Variablen LF_pc und WASSER_pc ist zu beachten, dass es sich
um Hauptkomponenten handelt, die negativ mit den jeweiligen Variablen korreliert sind
(s. Kap. 4.3.1). Das bedeutet, dass eine negative Wirkrichtung im Modell eigentlich für
einen positiven Zusammenhang zwischen der Umweltvariablen (Leitfähigkeit und
Feuchtigkeit) und der Art stehen würde. Zum besseren Verständnis der Modelle habe ich
im Folgenden die Wirkrichtung umgekehrt, so dass eine negative Wirkrichtung auch bei
den Variablen LF_pc und WASSER_pc für einen negativen Zusammenhang steht.
Zur Veranschaulichung des Einflusses der Variablen sind die Modelle graphisch
dargestellt. Dabei werden auf der x-und y-Achse die Variablen und auf der z-Achse die
Vorkommenswahrscheinlichkeit der Art abgebildet. Bei Modellen, die mehr als zwei
Variablen enthalten (s. z.B. Abbildung 27), sind die einzelnen Abbildungen entlang
zusätzlicher Gradienten angeordnet.
4 ERGEBNISSE 58
Salicornia stricta
In Tabelle 9 sind die Modelle für Salicornia stricta für beide Datensätze und ihre
Gütemaße dargestellt.
Tabelle 9: multiple Modelle für Salicornia stricta (Sal.str). ((p/a) = Vorkommen/Nichtvorkommen, Wr = Wirkrichtung, %kor = %korrekt, Sensi = Sensitivität, Spezi = Spezifizität, ges = gesamter Datensatz, sw = Salzwiesendatensatz, Abkürzungen der Variablen s. Tabelle 7).
Modell (p/a) Variablen Wr Gewicht (%) R²N AUC kappa pkappa %kor Sensi Spezi
Sal.str.ges (11/47)
UEH Ca STOER_abs² LF_pc
+ +
+/- +
30,229,221,219,4
0,77 0,97 0,84 0,28 0,95 0,91 0,96
Sal.str.sw (11/38)
WASSER_pc Ca STOER_abs² LF_pc
+ +
+/- +
50,149,60,2
0,04
0,70 0,96 0,88 0,52 0,96 0,91 0,97
Die Erklärungsgehalte der Modelle Sal.str.ges und Sal.str.sw liegen bei 77 % bzw. 70 %
und sind damit als sehr gut zu bewerten. Auch die Diskriminierung der Modelle ist mit
AUC-Werten von 0,97 und 0,96 und kappa-Werten von 0,84 und 0,88 sehr gut. Die
Abbildung 27 und 28 zeigen die graphischen Darstellungen der Modelle zur
Veranschaulichung der Variableneinflüsse.
STOER_abs
LF
Ca
0.0
2.1
UEH
0.3
4.3
p(y)1.0
0.0
Ca
0.0
2.1
UEH
0.3
4.3
p(y)1.0
0.0
Ca
0.0
2.1
UEH
0.3
4.3
p(y)1.0
0.0
Ca
0.0
2.1
UEH
0.3
4.3
p(y)1.0
0.0
Ca
0.0
2.1
UEH
0.3
4.3
p(y)1.0
0.0
Ca
0.0
2.1
UEH
0.3
4.3
p(y)1.0
0.0
UEH
UEHUEHUEH
UEHUEHCO3CO3CO3
CO3 CO3CO3fast nie überflutet
häufig überflutet
carbo-natfrei
fast nie überflutet
häufig überflutet
carbo-natfrei
stark carbonat-haltig
stark carbonat-haltig
geringe Leit-
fähigkeit
hohe Leit-
fähigkeit
stabilstark gestörtSTOER_abs
LF
Ca
0.0
2.1
UEH
0.3
4.3
p(y)1.0
0.0
Ca
0.0
2.1
UEH
0.3
4.3
p(y)1.0
0.0
Ca
0.0
2.1
UEH
0.3
4.3
p(y)1.0
0.0
Ca
0.0
2.1
UEH
0.3
4.3
p(y)1.0
0.0
Ca
0.0
2.1
UEH
0.3
4.3
p(y)1.0
0.0
Ca
0.0
2.1
UEH
0.3
4.3
p(y)1.0
0.0
UEH
UEHUEHUEH
UEHUEHCO3CO3CO3
CO3 CO3CO3fast nie überflutet
häufig überflutet
carbo-natfrei
fast nie überflutet
häufig überflutet
carbo-natfrei
stark carbonat-haltig
stark carbonat-haltig
geringe Leit-
fähigkeit
hohe Leit-
fähigkeit
stabilstark gestört
Abbildung 27: graphische Darstellung des Modells Sal.str.ges. (Variablenabkürzungen s. Tabelle 7).
Im Modell Sal.str.ges steigt die Vorkommenswahrscheinlichkeit von Salicornia stricta mit
zunehmender Überflutungshäufigkeit, zunehmendem Carbonatgehalt und zunehmender
Leitfähigkeit des Bodenwassers (s. Abbildung 27). Der Zusammenhang mit der absoluten
4 ERGEBNISSE 59
Störung ist unimodal. Auffällig ist der Einfluss der Leitfähigkeit. Erst bei höheren
Leitfähigkeiten steigt die Vorkommenswahrscheinlichkeit deutlich sichtbar an, wenn
gleichzeitig hohe Carbonatgehalte vorhanden sind und die Flächen häufig überflutet
werden. Bei sehr hohen Leitfähigkeiten spielt der Carbonatgehalt eine geringere Rolle.
Hier liegt die Vorkommenswahrscheinlichkeit auch bei niedrigeren Carbonatgehalten bei
etwa 80 %. Auch der Einfluss der Überflutungshäufigkeit ist deutlich zu erkennen. Werden
Flächen sehr selten überflutet (weniger als einmal im Monat) ist die
Vorkommenswahrscheinlichkeit auch bei hohen Leitfähigkeiten und hohen
Carbonatgehalten gleich null.
Abbildung 28 zeigt die Vorkommenswahrscheinlichkeit von Salicornia stricta in
Abhängigkeit von Feuchtigkeit und Carbonatgehalt.
WASSER
-2.4
3.2
Ca
0.0
2.1
p(y)1.0
0.0
nassCO3
trocken carbo-natfrei
stark carbo-nathaltig
FeuchtigkeitWASSER
-2.4
3.2
Ca
0.0
2.1
p(y)1.0
0.0
nassCO3
trocken carbo-natfrei
stark carbo-nathaltig
Feuchtigkeit
Abbildung 28: graphische Darstellung des Modells Sal.str.sw. bei mittleren Werten für die Variablen STOER_abs und LF_pc (Variablenabkürzungen s. Tabelle 7).
Die Vorkommenswahrscheinlichkeit von Salicornia stricta steigt im Modell Sal.str.sw mit
zunehmender Feuchtigkeit (also zunehmender Überflutungshäufigkeit und zunehmenden
mittleren Grundwasserständen) und zunehmenden Carbonatgehalten. Sie sinkt mit
abnehmender Leitfähigkeit des Bodenwassers. Auch hier besteht ein unimodaler
Zusammenhang zwischen der Vorkommenswahrscheinlichkeit und der Variablen absolute
Störung. Die Gewichte der Variablen Störung und Leitfähigkeit sind allerdings sehr gering
(s. Tabelle 9) und deshalb in Abbildung 28 nicht dargestellt.
Am höchsten ist die Vorkommenswahrscheinlichkeit auf nassen Flächen (hohe
Überflutungshäufigkeit/hohe Grundwasserstände) mit hohen Carbonatgehalten. Auch im
Modell Sal.str.sw ist die Vorkommenswahrscheinlichkeit unterhalb einer bestimmten
Feuchtigkeit unabhängig vom Carbonatgehalt gleich null.
4 ERGEBNISSE 60
Spartina anglica
Tabelle 10 zeigt die Modelle und ihre Gütemaße für Spartina anglica für beide
Datensätze.
Tabelle 10: multiple Modelle für Spartina anglica (Spa.ang). ((p/a) = Vorkommen/Nichtvorkommen, Wr = Wirkrichtung, %kor = %korrekt, Sensi = Sensitivität, Spezi = Spezifizität, ges = gesamter Datensatz, sw = Salzwiesendatensatz (Abkürzungen der Variablen s. Tabelle 7).
Modell (p/a) Variablen Wr Gewicht
(%) R²N AUC kappa pkappa %kor Sensi Spezi
Spa.ang.ges (16/42)
STOER_abs² S_eDW P UEH LF_pc
+/- - + + +
45,2 25,8 23,7 5,4
0,004
0,74 0,97 0,80 0,27 0,92 0,94 0,91
Spa.ang.sw (16/31)
WASSER_pc² S_eDW P STOER_abs²
+/- - +
+/-
43,9 25,3 23,8 7,1
0,74 0,95 0,82 0,38 0,91 0,94 0,90
Beide Modelle haben einen sehr guten Erklärungsgehalt von jeweils 74 %. Auch die
Trennschärfe der Modelle liegt mit AUC-Werten von 0,97 und 0,95 und kappa-Werten von
0,8 und 0,82 im sehr guten Bereich. Abbildung 29 veranschaulicht die Einflüsse der
Variablen im Modell Spa.ang.ges.
S_eDW
0.6
8.6
STOER_abs
0.0
2.9
p(y)1.0
0.0
S_eDW
0.6
8.6
STOER_abs
0.0
2.9
p(y)1.0
0.0
S_eDW
0.6
8.6
STOER_abs
0.0
2.9
p(y)1.0
0.0
S_eDW
0.6
8.6
STOER_abs
0.0
2.9
p(y)1.0
0.0
UEH
P
S_eDWS_eDW
STOER_abs
stark gestört
stabil
geringer P-Gehalt
fast nie überflutet häufig überflutet
geringer Sandanteil
hoher Sand-anteil
STOER_abs
S_eDWS_eDW
STOER_absSTOER_abs
hoher P-Gehalt
S_eDW
0.6
8.6
STOER_abs
0.0
2.9
p(y)1.0
0.0
S_eDW
0.6
8.6
STOER_abs
0.0
2.9
p(y)1.0
0.0
S_eDW
0.6
8.6
STOER_abs
0.0
2.9
p(y)1.0
0.0
S_eDW
0.6
8.6
STOER_abs
0.0
2.9
p(y)1.0
0.0
UEH
P
S_eDWS_eDW
STOER_abs
stark gestört
stabil
geringer P-Gehalt
fast nie überflutet häufig überflutet
geringer Sandanteil
hoher Sand-anteil
STOER_abs
S_eDWS_eDW
STOER_absSTOER_abs
hoher P-Gehalt
Abbildung 29: graphische Darstellung des Modells Spa.ang.ges. beim mittleren Wert für die Variable LF_pc (Variablenabkürzungen s. Tabelle 7).
Im Modell Spa.ang.ges besteht ein unimodaler Zusammenhang zwischen der
Vorkommenswahrscheinlichkeit und der absoluten Störung. Die Wahrscheinlichkeit des
Vorkommens von Spartina anglica sinkt mit zunehmendem Sandgehalt und steigt mit
4 ERGEBNISSE 61
zunehmendem Phosphorgehalt und zunehmender Überflutungshäufigkeit. Einen sehr
geringen, und deshalb in Abbildung 29 nicht dargestellten, positiven Einfluss hat
außerdem die zunehmende Leitfähigkeit (s. Tabelle 10).
Auffällig ist der Einfluss des Phosphorgehalts. Auf Flächen mit geringen
Phosphorgehalten ist die Vorkommenswahrscheinlichkeit nur bei sehr niedrigen
Sandanteilen und mittlerer absoluter Störung relativ hoch. Bei sehr hohen
Phosphorgehalten scheinen Störung und Sandanteile nur eine geringe Rolle zu spielen.
Nur wenn der Sandanteil sehr groß ist, wird der unimodale Zusammenhang mit der
Störung deutlich. Ist zusätzlich die Überflutungshäufigkeit sehr hoch, ist die
Vorkommenswahrscheinlichkeit nur bei stabilen, rein sandigen Flächen nahezu null.
Abbildung 30 zeigt die graphische Darstellung des Modells Spa.ang.sw. Die
Vorkommenswahrscheinlichkeit im Modell Spa.ang.sw sinkt mit zunehmendem
Sandgehalt und steigt mit zunehmendem Phosphorgehalt. Der Zusammenhang mit der
Trockenheit und der absoluten Störung ist unimodal. Auch in diesem Modell ist der
Einfluss des Phosphorgehalts auffällig. Während die Vorkommenswahrscheinlichkeit von
Spartina anglica auf sandreichen Flächen bei niedrigen Phosphorgehalten null ist, liegt sie
bei hohen Phosphorgehalten bei 80 %. Deutlich zu sehen ist auch, dass die
Vorkommenswahrscheinlichkeit unterhalb einer bestimmten Feuchtigkeit unabhängig von
den anderen Variablen null ist. Der Einfluss der Störung ist in diesem Modell nur gering.
WASSER
-2.4
3.2
S_eDW
0.6
8.6
p(y)1.0
0.0
WASSER
-2.4
3.2
S_eDW
0.6
8.6
p(y)1.0
0.0
WASSER
-2.4
3.2
S_eDW
0.6
8.6
p(y)1.0
0.0
WASSER
-2.4
3.2
S_eDW
0.6
8.6
p(y)1.0
0.0
WASSER
-2.4
3.2
S_eDW
0.6
8.6
p(y)1.0
0.0
WASSER
-2.4
3.2
S_eDW
0.6
8.6
p(y)1.0
0.0
STOER_abs
S_eDW
S_eDW
S_eDWWASSERWASSER
WASSERS_eDW
geringer Sandanteil
nasshoher Sandanteil
trocken
trocken
stabilstark gestört
P
geringer P-Gehalt
hoher P-Gehalt
WASSER S_eDW
nassWASSER
geringer Sandanteil
S_eDW
hoher Sandanteil
WASSER
WASSER
-2.4
3.2
S_eDW
0.6
8.6
p(y)1.0
0.0
WASSER
-2.4
3.2
S_eDW
0.6
8.6
p(y)1.0
0.0
WASSER
-2.4
3.2
S_eDW
0.6
8.6
p(y)1.0
0.0
WASSER
-2.4
3.2
S_eDW
0.6
8.6
p(y)1.0
0.0
WASSER
-2.4
3.2
S_eDW
0.6
8.6
p(y)1.0
0.0
WASSER
-2.4
3.2
S_eDW
0.6
8.6
p(y)1.0
0.0
STOER_abs
S_eDW
S_eDW
S_eDWWASSERWASSER
WASSERS_eDW
geringer Sandanteil
nasshoher Sandanteil
trocken
trocken
stabilstark gestört
P
geringer P-Gehalt
hoher P-Gehalt
WASSER S_eDW
nassWASSER
geringer Sandanteil
S_eDW
hoher Sandanteil
WASSER
Abbildung 30: graphische Darstellung des Modells Spa.ang.sw. (Variablenabkürzungen s. Tabelle 7).
4 ERGEBNISSE 62
Salicornia brachystachya
In Tabelle 11 ist das Modell für Salicornia brachystachya und seine Gütemaße dargestellt.
Für den Salzwiesendatensatz konnte kein multiples Modell gebildet werden.
Tabelle 11: multiples Modell für Salicornia brachystachya (Sal.bra). ((p/a) = Vorkommen/Nichtvorkommen, Wr = Wirkrichtung, %kor = %korrekt, Sensi = Sensitivität, Spezi = Spezifizität, ges = gesamter Datensatz (Abkürzungen der Variablen s. Tabelle 7)).
Modell (p/a) Variablen Wr Gewicht
(%) R²N AUC kappa pkappa %kor Sensi Spezi
Sal.bra.ges (25/33)
P² UEH² S_eDW CO3 STOER_abs
+/- +/- - - -
59,0 23,0 18,0 0,07 0,03
0,66 0,91 0,74 0,41 0,87 1,00 0,77
Der Erklärungsgehalt des Modells Sal.bra.ges kann mit einem R²N von 0,66 als sehr gut
bewertet werden. Die Fähigkeit des Modells zwischen Vorkommen und Nichtvorkommen
zu unterscheiden ist ebenfalls sehr gut. Der AUC-Wert des Modells mit 0,91 lässt sich
nach Hosmer & Lemeshow (2000) mit „outstanding“ bewerten (s. Kap.3.4.3.2 Methoden).
Auch der kappa-Wert steht mit 0,74 für eine sehr gute Diskriminierung. Abbildung 31 zeigt
die graphische Darstellung des Modells Sal.bra.ges zur Veranschaulichung der
Variableneinflüsse.
S_eDW hoher Sandanteil
P
1.3
2.6
UEH
0.3
4.3
p(y)1.0
0.0
P
1.3
2.6
UEH
0.3
4.3
p(y)1.0
0.0
UEH
geringer Sandanteil
P
fast nie überflutet
häufig überflutet
hoher P-Gehalt
geringer P-Gehalt
PUEH
S_eDW hoher Sandanteil
P
1.3
2.6
UEH
0.3
4.3
p(y)1.0
0.0
P
1.3
2.6
UEH
0.3
4.3
p(y)1.0
0.0
UEH
geringer Sandanteil
P
fast nie überflutet
häufig überflutet
hoher P-Gehalt
geringer P-Gehalt
PUEH
Abbildung 31: graphische Darstellung des Modells Sal.bra.ges. bei mittleren Werten für die Variablen CO3 und STOER_abs (Variablenabkürzungen s. Tabelle 7).
Im Modell Sal.bra.ges besteht ein unimodaler Zusammenhang zwischen der
Vorkommenswahrscheinlichkeit von Salicornia brachystachya und dem Phosphorgehalt
und der Überflutungshäufigkeit. Die Vorkommenswahrscheinlichkeit nimmt mit
zunehmendem Sandgehalt, zunehmendem Carbonatgehalt und zunehmender absoluter
Störung ab. Der Einfluss der Variablen absolute Störung und Carbonatgehalt ist jedoch
sehr gering (s. Tabelle 11) und deshalb in Abbildung 31 nicht dargestellt.
4 ERGEBNISSE 63
Deutlich zu erkennen ist in Abbildung 31, dass unterhalb eines bestimmten
Phosphorgehalts, die Vorkommenswahrscheinlichkeit unabhängig von den anderen
Variablen null ist. Auf Flächen, die fast nie überflutet werden, ist die
Vorkommenswahrscheinlichkeit ebenfalls unabhängig von den übrigen Variablen nahezu
null. Je größer der Sandanteil wird, desto geringer wird die
Vorkommenswahrscheinlichkeit auch bei „optimalen“ Phosphorgehalten und
Überflutungshäufigkeiten.
Puccinellia maritima
In Tabelle 12 ist das Modell für Puccinellia maritima und seine Gütemaße dargestellt. Die
Daten des Salzwiesendatensatzes ergaben kein multiples Modell.
Tabelle 12: multiples Modell für Puccinellia maritima (Puc.mar). ((p/a) = Vorkommen/Nichtvorkommen, Wr = Wirkrichtung, %kor = %korrekt, Sensi = Sensitivität, Spezi = Spezifizität, ges = gesamter Datensatz (Abkürzungen der Variablen s. Tabelle 7)).
Modell (p/a) Variablen Wr Gewicht
(%) R²N AUC kappa pkappa %kor Sensi Spezi
Puc.mar.ges (19/39)
P² UEH² S_eDW
+/- +/- -
58,9 22,9 18,2
0,52 0,88 0,61 0,40 0,82 0,89 0,78
Der Erklärungsgehalt des Modells Puc.mar.ges liegt mit 52 % noch im sehr guten Bereich.
Sowohl der AUC-Wert mit 0,88 als auch der kappa-Wert mit 0,61 fallen in die jeweils
zweitbeste Bewertungskategorie („excellent“ bzw. „starke Übereinstimmung“) und sind
damit noch als sehr gut zu bewerten. Abbildung 32 zeigt die graphische Darstellung des
Modells Puc.mar.ges zur Veranschaulichung der Variableneinflüsse.
P
1.3
2.6
UEH
0.3
4.3
p(y)1.0
0.0
P
1.3
2.6
UEH
0.3
4.3
p(y)1.0
0.0
S_eDW hoher Sandanteil
UEH
geringer Sandanteil
P
fast nie überflutet
häufig überflutet
hoher P-Gehalt
geringer P-Gehalt PUEHP
1.3
2.6
UEH
0.3
4.3
p(y)1.0
0.0
P
1.3
2.6
UEH
0.3
4.3
p(y)1.0
0.0
S_eDW hoher Sandanteil
UEH
geringer Sandanteil
P
fast nie überflutet
häufig überflutet
hoher P-Gehalt
geringer P-Gehalt PUEH
Abbildung 32: graphische Darstellung des Modells Puc.mar.ges. (Variablenabkürzungen s. Tabelle 7).
Zwischen der Vorkommenswahrscheinlichkeit von Puccinellia maritima und dem
Phosphorgehalt sowie der Überflutungshäufigkeit besteht im Modell Puc.mar.ges ein
unimodaler Zusammenhang. Mit zunehmendem Sandgehalt nimmt die Wahrscheinlichkeit
4 ERGEBNISSE 64
auf ein Vorkommen ab. Sowohl bei niedrigen Phosphorgehalten als auch bei sehr
seltener Überflutung ist die Vorkommenswahrscheinlichkeit unabhängig von den übrigen
Variablen null. Bei sehr hohen Sandgehalten sinkt die Vorkommenswahrscheinlichkeit
auch bei „optimalen“ Ausprägungen von Phosphorgehalt und Überflutungshäufigkeit stark
ab.
Suaeda maritima
In Tabelle 13 sind die Modelle für Suaeda maritima und ihre Gütemaße für beide
Datensätze dargestellt.
Tabelle 13: multiples Modell für Suaeda maritma (Sua.mar). ((p/a) = Vorkommen/Nichtvorkommen, Wr = Wirkrichtung, %kor = %korrekt, Sensi = Sensitivität, Spezi = Spezifizität, ges = gesamter Datensatz, sw = Salzwiesendatensatz, (Abkürzungen der Variablen s. Tabelle 7).
Modell (p/a) Variablen Wr Gewicht
(%) R²N AUC kappa pkappa %kor Sensi Spezi
Sua.mar.ges (32/26)
STOER_abs P S_eDW LF_pc
- + - +
49,0 37,4 10,3 3,3
0,55 0,82 0,63 0,53 0,82 0,88 0,75
Sua.mar.sw (29/18)
S_eDW² P
+/- +
66,6 33,4 0,70 0,87 0,61 0,28 0,83 1,00 0,56
Mit 55 % und 70 % haben beide Modelle sehr gute Erklärungsgehalte. Auch die
Diskriminierung der Modelle ist mit AUC-Werten von 0,82 und 0,87 und kappa-Werten von
0,53 und 0,61 im sehr guten Bereich. Der Anteil korrekt prognostizierter Nichtvorkommen
(Spezifizität) ist für das Modell Sua.mar.sw gering. Der Anteil der korrekt prognostizierten
Vorkommen (Sensitivität) ist dagegen sehr hoch. Dieses Ungleichgewicht ist vermutlich
auf die hohe Prävalenz der Art im Datensatz zurückzuführen. Die dreidimensionalen
Darstellungen der beiden Modelle in den Abbildungen 33 und 34 veranschaulichen die
Einflüsse der Variablen.
STOER_abs
0.0
2.9
P
1.3
2.6
p(y)1.0
0.0
STOER_abs
0.0
2.9
P
1.3
2.6
p(y)1.0
0.0
stabil
S_eDW hoher Sandanteil
P
geringer Sandanteil
STOER_absgeringer P-Gehalt
hoher P-Gehalt
stark gestört
STOER_absPSTOER_abs
0.0
2.9
P
1.3
2.6
p(y)1.0
0.0
STOER_abs
0.0
2.9
P
1.3
2.6
p(y)1.0
0.0
stabil
S_eDW hoher Sandanteil
P
geringer Sandanteil
STOER_absgeringer P-Gehalt
hoher P-Gehalt
stark gestört
STOER_absP
Abbildung 33: graphische Darstellung des Modells Sua.mar.ges. (beim mittleren Wert der Variable LF_pc, Variablenabkürzungen s. Tabelle 7).
4 ERGEBNISSE 65
Im Modell Sua.mar.ges steigt die Vorkommenswahrscheinlichkeit mit zunehmendem
Phosphorgehalt und zunehmender Leitfähigkeit. Sie sinkt mit zunehmender absoluter
Störung und zunehmendem Sandgehalt. Der Einfluss der Leitfähigkeit ist sehr gering und
deshalb in Abbildung 33 nicht dargestellt. Die größte Vorkommenswahrscheinlichkeit wird
auf ungestörten Flächen mit sehr hohen Phosphorgehalten erreicht. Bei starker Störung
und geringen Phosphorgehalten sinkt die Vorkommenswahrscheinlichkeit auf null. Der
Einfluss des Sandanteils ist gering. Mit zunehmendem Sandanteil nimmt die
Vorkommenswahrscheinlichkeit leicht ab.
S_eDW
0.6
8.6
P
1.3
2.6
p(y)1.0
0.0
geringer SandanteilPS_eDW
geringer P-Gehalt
hoher P-Gehalt
hoher Sandanteil
S_eDW
0.6
8.6
P
1.3
2.6
p(y)1.0
0.0
geringer SandanteilPS_eDW
geringer P-Gehalt
hoher P-Gehalt
hoher Sandanteil
Abbildung 34: graphische Darstellung des Modells Sua.mar.sw. (Variablenabkürzungen s. Tabelle 7).
Im Modell Sua.mar.sw (s. Abbildung 34) besteht ein unimodaler Zusammenhang
zwischen der Vorkommenswahrscheinlichkeit von Suaeda maritima und dem Sandanteil.
Die Wahrscheinlichkeit auf ein Vorkommen steigt mit zunehmenden Phosphorgehalten.
Bei hohen Phosphorgehalten ist die Vorkommenswahrscheinlichkeit von Suaeda maritima
auf dem gesamten Sandgehaltsgradienten sehr hoch, lediglich bei sehr hohen
Sandgehalten wird sie etwas geringer. Je niedriger der Phosphorgehalt, desto deutlicher
wird der unimodale Zusammenhang mit dem Sandgehalt.
4 ERGEBNISSE 66
Atriplex portulacoides
Tabelle 14 zeigt die Modelle für Atriplex portulacoides und ihre Gütemaße für beide
Datensätze.
Tabelle 14: multiples Modell für Atriplex portulacoides (Atr.por). ((p/a) = Vorkommen/Nichtvorkommen, Wr = Wirkrichtung, %kor = %korrekt, Sensi = Sensitivität, Spezi = Spezifizität, ges = gesamter Datensatz, sw = Salzwiesendatensatz, Abkürzungen der Variablen (s. Tabelle 7)).
Modell (p/a) Variablen Wr Gewicht
(%) R²N AUC kappa pkappa %kor Sensi Spezi
Atp.por.ges (29/29)
STOER_abs S_eDW P LF_pc
- - + +
50,1634,5112,652,69
0,62 0,88 0,67 0,46 0,83 0,93 0,74
Atp.por.sw (27/20)
WASSER_pc² S_eDW STOER_abs
+/- - -
45,6033,2921,11
0,64 0,85 0,58 0,29 0,81 1,00 0,55
Die Erklärungsgehalte der Modelle Atr.por.ges und Atr.por.sw liegen bei 62 % und 64 %
und sind damit im sehr guten Bereich. Die Trennschärfe des Modells Atr.por.ges ist mit
einem AUC-Wert von 0,88 und einem kappa-Wert von 0,67 sehr gut. Das Modell
Atr.por.sw kann mit einem AUC–Wert von 0,85 ebenfalls als „excellent“ diskriminiert
(Hosmer & Lemeshow 2000) bewertet werden. Der kappa-Wert von 0,58 ist etwas
niedriger, die Übereinstimmung zwischen Prognosen und Beobachtungen ist nach Sachs
(2002) aber deutlich. Ebenso wie das Modell Sua.mar.sw hat auch das Modell Atr.por.sw
einen geringen Anteil korrekt prognostizierter Nichtvorkommen (Spezifizität) und einen
großen Anteil korrekt prognostizierter Vorkommen (Sensitivität). Auch hier ist dieses
Ungleichgewicht vermutlich auf die hohe Prävalenz der Art zurückzuführen.
Die dreidimensionalen Darstellungen der Modelle in den Abbildungen 35 und 36
veranschaulichen die Einflüsse der Variablen.
STOER_abs
0.0
2.9
S_eDW
0.6
8.7
p(y)1.0
0.0
STOER_abs
0.0
2.9
S_eDW
0.6
8.7
p(y)1.0
0.0
stabil
P hoher P-Gehalt
S_eDW
geringer P-Gehalt
STOER_abs
geringer Sandanteil
hoher Sandanteil
stark gestört
STOER_absS_eDW STOER_abs
0.0
2.9
S_eDW
0.6
8.7
p(y)1.0
0.0
STOER_abs
0.0
2.9
S_eDW
0.6
8.7
p(y)1.0
0.0
stabil
P hoher P-Gehalt
S_eDW
geringer P-Gehalt
STOER_abs
geringer Sandanteil
hoher Sandanteil
stark gestört
STOER_absS_eDW
Abbildung 35: graphische Darstellung des Modells Atr.por.ges. beim mittleren Wert der Variable LF_pc (Variablenabkürzungen s. Tabelle 7)
4 ERGEBNISSE 67
Die Vorkommenswahrscheinlichkeit von Atriplex portulacoides sinkt im Modell Atr.por.ges
mit zunehmender absoluter Störung, zunehmendem Sandanteil und zunehmender
Leitfähigkeit. Sie steigt mit zunehmendem Phosphorgehalt. Das Gewicht der Variablen
Leitfähigkeit ist gering (s. Tabelle 14) und deshalb in Abbildung 35 nicht dargestellt.
Die höchste Vorkommenswahrscheinlichkeit wird auf ungestörten Flächen mit geringem
Sandanteil und hohem Phosphorgehalt erreicht. Ab einer bestimmten Störungsstärke
(ca. 5 cm Ab- oder Auftrag) ist die Vorkommenswahrscheinlichkeit von Atriplex
portulacoides unabhängig von den übrigen Variablen nahezu null.
Im Modell Atr.por.sw (s. Abbildung 36) besteht ein unimodaler Zusammenhang zwischen
der Vorkommenswahrscheinlichkeit von Atriplex portulacoides und der Feuchtigkeit. Die
Wahrscheinlichkeit auf ein Vorkommen sinkt mit zunehmendem Sandanteil und
zunehmender Störung.
WASSER
-2.4
3.2
S_eDW
0.6
8.7
p(y)1.0
0.0
WASSER
-2.4
3.2
S_eDW
0.6
8.7
p(y)1.0
0.0
WASSER
-2.4
3.2
S_eDW
0.6
8.7
p(y)1.0
0.0
STOER_abs stark gestört
S_eDW
stabil
Feuchtigkeit
geringer Sandanteil
hoher Sandanteil
nass
trockenFeuchtigkeit
FeuchtigkeitS_eDW S_eDWWASSER
-2.4
3.2
S_eDW
0.6
8.7
p(y)1.0
0.0
WASSER
-2.4
3.2
S_eDW
0.6
8.7
p(y)1.0
0.0
WASSER
-2.4
3.2
S_eDW
0.6
8.7
p(y)1.0
0.0
STOER_abs stark gestört
S_eDW
stabil
Feuchtigkeit
geringer Sandanteil
hoher Sandanteil
nass
trockenFeuchtigkeit
FeuchtigkeitS_eDW S_eDW
Abbildung 36: graphische Darstellung des Modells Atr.por.sw. (Variablenabkürzungen s. Tabelle 7).
Auf stabilen Flächen mit geringem Sandanteil ist die Vorkommenswahrscheinlichkeit auf
dem ganzen Feuchtigkeitsgradienten sehr hoch. Je größer der Sandanteil und die
Störung werden, desto deutlicher wird der unimodale Zusammenhang mit der
Feuchtigkeit. Die Vorkommenswahrscheinlichkeit sinkt vor allem in den äußeren
Bereichen des Feuchtigkeitsgradienten. Am niedrigsten ist sie auf nassen (häufig
überflutet/hohe Grundwasserstände), sehr sandigen Flächen.
4 ERGEBNISSE 68
Limonium vulgare
In Tabelle 15 sind die Modelle für Limonium vulgare und ihre Gütemaße dargestellt.
Tabelle 15 multiples Modell für Limonium vulgare (Lim.vul). ((p/a) = Vorkommen/Nichtvorkommen, Wr = Wirkrichtung, %kor = %korrekt, Sensi = Sensitivität, Spezi = Spezifizität, ges = gesamter Datensatz, sw = Salzwiesendatensatz, Abkürzungen der Variablen s. Tabelle 7)).
Modell (p/a) Variablen Wr Gewicht
(%) R²N AUC kappa pkappa %kor Sensi Spezi
Lim.vul.ges (30/28)
S_eDW² P STOER_abs CO3 UEH
+/- + - - +
57,5 35,6 6,4 0,4
0,01
0,57 0,85 0,63 0,34 0,82 0,93 0,70
Lim.vul.sw (30/17) STOER_abs - 100 0,55 0,68 0,45 0,59 0,74 0,80 0,65
Der Erklärungsgehalt des Modells Lim.vulg.ges liegt bei 57 % und damit im sehr guten
Bereich. Das Modell ist mit einem AUC-Wert von 0,85 und einem kappa-Wert von 0,63
sehr gut diskriminiert. Im Modell Lim.vul.sw ist nur eine Variable enthalten. Der
Erklärungsgehalt ist mit 55 % sehr gut. Die Gütemaße für die Diskriminierung des Modells
sind jedoch nicht gut. Der AUC-Wert von 0,68 ist nach Hosmer & Lemeshow (2000) nicht
im akzeptablen Bereich. Der kappa-Wert steht für eine deutliche Übereinstimmung der
Modellprognosen und der Beobachtungen. Mit 0,45 liegt der Wert jedoch nahe der
Grenze zur schwachen Übereinstimmung.
Abbildung 37 zeigt die graphische Darstellung des Modells Lim.vul.ges zur
Veranschaulichung der Variableneinflüsse.
S_eDW
0.6
8.7
P
1.3
2.6
p(y)1.0
0.0
S_eDW
0.6
8.7
P
1.3
2.6
p(y)1.0
0.0
STOER_abs stark gestört
P
stabil
S_eDWHoher P-Gehalt
hoher P-Gehalt
hoher Sandanteil
geringer Sandanteil
S_eDWPS_eDW
0.6
8.7
P
1.3
2.6
p(y)1.0
0.0
S_eDW
0.6
8.7
P
1.3
2.6
p(y)1.0
0.0
STOER_abs stark gestört
P
stabil
S_eDWHoher P-Gehalt
hoher P-Gehalt
hoher Sandanteil
geringer Sandanteil
S_eDWP
Abbildung 37: graphische Darstellung des Modells Lim.vul.ges. bei mittleren Werten für die Variablen CO3 und UEH, Variablenabkürzungen (s. Tabelle 7).
Zwischen der Vorkommenswahrscheinlichkeit von Limonium vulgare und dem Sandanteil
besteht im Modell Lim.vul.ges ein unimodaler Zusammenhang. Die Wahrscheinlichkeit auf
ein Vorkommen steigt mit zunehmendem Phosphorgehalt und zunehmender
4 ERGEBNISSE 69
Überflutungshäufigkeit und sinkt mit zunehmender Störung und zunehmendem
Carbonatgehalt. Der Einfluss von Carbonatgehalt und Überflutungshäufigkeit ist sehr
gering und ist deshalb in Abbildung 37 nicht dargestellt. Die höchste
Vorkommenswahrscheinlichkeit wird auf gering gestörten Flächen mit niedrigem
Carbonat- und hohem Phosphorgehalt erreicht. In diesem Fall ist die
Vorkommenswahrscheinlichkeit von Limonium vulgare fast auf dem ganzen
Sandanteilgradienten hoch. Lediglich in den äußeren Bereichen sinkt sie leicht ab. Je
niedriger der Phosphorgehalt und je stärker die Störung, desto deutlicher wird der
unimodale Zusammenhang mit dem Sandanteil.
Im Modell Lim.vul.sw sinkt die Vorkommenswahrscheinlichkeit mit zunehmender Störung.
Auf eine graphische Darstellung wird hier aufgrund der schlechten Modellgüte verzichtet.
Festuca rubra ssp litoralis
Tabelle 16 zeigt die Modelle und ihre Gütemaße für Festuca rubra ssp litoralis für beide
Datensätze.
Tabelle 16 multiples Modell für Festuca rubra ssp litoralis (Fes.rub.li). ((p/a) = Vorkommen/Nichtvorkommen, Wr = Wirkrichtung, %kor = %korrekt, Sensi = Sensitivität, Spezi = Spezifizität, ges = gesamter Datensatz, sw = Salzwiesendatensatz, Abkürzungen der Variablen s. Tabelle 7)).
Modell (p/a) Variablen Wr Gewicht
(%) R²N AUC kappa pkappa %kor Sensi Spezi
Fes.rub.li.ges (10/48)
UEH² P² STOER_abs S_eDW²
+/- +/- -
+/-
40,1 39,5 19,7 0,7
0,62 0,93 0,69 0,49 0,92 0,70 0,96
Fes.rub.li.sw (10/37)
WASSER_pc S_eDW
- +/-
79,7 20,3 0,41 0,86 0,50 0,15 0,77 1,00 0,70
Mit 62 % liegt der Erklärungsgehalt des Modells Fes.rub.li.ges im sehr guten Bereich. Das
Modell Fes.rub.li.sw hat einen Erklärungsgehalt von 41 % und kann damit als gut bewertet
werden. Der AUC-Wert von 0,93 und der kappa-Wert von 0,69 des Modells Fes.rub.li.ges
stehen für eine sehr gute Diskriminierung des Modells bzw. starke Übereinstimmung der
Prognosen und Beobachtungen. Auch hier ist das Modell Fes.rub.li.sw etwas schlechter.
Die Diskriminierung kann mit dem AUC-Wert von 0,86 nach Hosmer & Lemeshow (2000)
mit „excellent“ bewertet werden. Der kappa-Wert von 0,5 steht für eine deutliche
Übereinstimmung. Insgesamt kann das Modell aber noch als sehr gut bewertet werden.
Die Einflüsse der Variablen werden in der dreidimensionalen Darstellung der Modelle in
den Abbildungen 38 und 39 verdeutlicht.
4 ERGEBNISSE 70
UEH
0.3
4.3
P
1.3
2.6
p(y)1.0
0.0
UEH
0.3
4.3
P
1.3
2.6
p(y)1.0
0.0
UEH
0.3
4.3
P
1.3
2.6
p(y)1.0
0.0
STOER_abs stark gestörtstabil
UEH
geringer P-Gehalt
fast nie überflutet
häufig überflutet
hoher P-Gehalt
PUEHUEHP PUEH
0.3
4.3
P
1.3
2.6
p(y)1.0
0.0
UEH
0.3
4.3
P
1.3
2.6
p(y)1.0
0.0
UEH
0.3
4.3
P
1.3
2.6
p(y)1.0
0.0
STOER_abs stark gestörtstabil
UEH
geringer P-Gehalt
fast nie überflutet
häufig überflutet
hoher P-Gehalt
PUEHUEHP P
Abbildung 38: graphische Darstellung des Modells Fes.rub.li.ges. beim mittleren Wert der Variablen S_eDW (Variablenabkürzungen s. Tabelle 7).
Im Modell Fes.rub.li.ges besteht ein unimodaler Zusammenhang zwischen der
Vorkommenswahrscheinlichkeit von Festuca rubra ssp litoralis und der
Überflutungshäufigkeit, dem Phosphorgehalt und dem Sandanteil. Die Wahrscheinlichkeit
auf ein Vorkommen sinkt mit zunehmender Störung. Der Einfluss des Sandgehaltes ist
sehr gering (s. Tabelle 16) und in Abbildung 38 nicht dargestellt. Die größte
Vorkommenswahrscheinlichkeit hat Festuca rubra ssp litoralis auf stabilen Böden mit
mittlerem Phosphorgehalt und mittlerer Überflutungshäufigkeit. Bei sehr hohen
Überflutungshäufigkeiten liegt die Vorkommenswahrscheinlichkeit unabhängig von den
anderen Variablen bei null. Je stärker die Störung, desto geringer wird die
Wahrscheinlichkeit auf ein Vorkommen von Festuca rubra ssp litoralis. Bei sehr starker
Störung ist sie auch bei „optimaler“ Ausprägung der Überflutungshäufigkeit und des
Phosphorgehalts sehr gering.
S_eDW
0.6
8.6
WASSER
-2.4
3.2
p(y)1.0
0.0
S_eDW
nasshoher Sandanteil
trockenFeuchtigkeit
geringer SandanteilS_eDW
0.6
8.6
WASSER
-2.4
3.2
p(y)1.0
0.0
S_eDW
nasshoher Sandanteil
trockenFeuchtigkeit
geringer Sandanteil
Abbildung 39: graphische Darstellung des Modells Fes.rub.li.sw. Variablenabkürzungen (s. Tabelle 7).
Die Vorkommenswahrscheinlichkeit von Festuca rubra ssp litoralis sinkt im Modell
Fes.rub.li.sw mit zunehmender Feuchtigkeit (s. Abbildung 39). Zwischen dem Sandanteil
und der Vorkommenswahrscheinlichkeit besteht ein schwach ausgeprägter unimodaler
Zusammenhang.
4 ERGEBNISSE 71
Die Wahrscheinlichkeit auf ein Vorkommen von Festuca rubra ssp litoralis ist auf sehr
trockenen Flächen (fast nie überflutet/niedriger mittlerer Grundwasserstand) mit hohen
Sandanteilen am größten. Auf nassen Flächen ist die Vorkommenswahrscheinlichkeit
auch bei hohen Sandanteilen sehr gering.
Artemisia maritima
In Tabelle 17 sind die Modelle für Artemisia maritima für beide Datensätze und ihre
Gütemaße dargestellt.
Tabelle 17 multiples Modell für Artemisia maritima (Art.mar). ((p/a) = Vorkommen/Nichtvorkommen, Wr = Wirkrichtung, %kor = %korrekt, Sensi = Sensitivität, Spezi = Spezifizität, ges = gesamter Datensatz, sw = Salzwiesendatensatz (Abkürzungen der Variablen s. Tabelle 7)).
Modell (p/a) Variablen Wr Gewicht
(%) R²N AUC kappa pkappa %kor Sensi Spezi
Art.mar.ges (14/44)
S_eDW² STOER_abs P²
+/- -
+/-
55,032,312,8
0,54 0,89 0,61 0,28 0,83 0,93 0,80
Art.mar.sw (14/33)
S_eDW² CO3²
- +/-
95,05,0 0,35 0,82 0,47 0,47 0,77 0,71 0,79
Der Erklärungsgehalt des Modells Art.mar.ges beträgt 54 % und liegt damit im sehr guten
Bereich. Das Modell Art.mar.sw hat mit 35 % nur einen akzeptablen Erklärungsgehalt. Mit
einem AUC-Wert von 0,89 und einem kappa-Wert von 0,61 ist die Trennschärfe des
Modells Art.mar.ges als sehr gut zu bewerten. Auch hier ist das Modell Art.mar.sw mit
einem AUC-Wert von 0,82 und einem kappa-Wert von 0,47 etwas schlechter. Die
dreidimensionale Darstellung der Modelle in den Abbildungen 40 und 41 verdeutlicht die
Einflüsse der Variablen.
STOER_abs
0.0
2.9
S_eDW
0.6
8.6
p(y)1.0
0.0
STOER_abs
0.0
2.9
S_eDW
0.6
8.6
p(y)1.0
0.0
STOER_abs
0.0
2.9
S_eDW
0.6
8.6
p(y)1.0
0.0
P hoher P-Gehaltgeringer P-Gehalt
geringer Sandanteil
stabil
stark gestört
hoher Sandanteil
S_eDWSTOER_abs STOER_abs STOER_absS_eDWS_eDWSTOER_abs
0.0
2.9
S_eDW
0.6
8.6
p(y)1.0
0.0
STOER_abs
0.0
2.9
S_eDW
0.6
8.6
p(y)1.0
0.0
STOER_abs
0.0
2.9
S_eDW
0.6
8.6
p(y)1.0
0.0
P hoher P-Gehaltgeringer P-Gehalt
geringer Sandanteil
stabil
stark gestört
hoher Sandanteil
S_eDWSTOER_abs STOER_abs STOER_absS_eDWS_eDW
Abbildung 40: graphische Darstellung des Modells Art.mar.ges. (Variablenabkürzungen s. Tabelle 7).
Im Modelle Art.mar.ges besteht ein unimodaler Zusammenhang zwischen der
Vorkommenswahrscheinlichkeit von Artemisia maritima und dem Sandanteil sowie dem
Phosphorgehalt. Die Wahrscheinlichkeit auf ein Vorkommen sinkt mit zunehmender
Störung. Abbildung 40 zeigt deutlich, dass die Vorkommenswahrscheinlichkeit nur in
4 ERGEBNISSE 72
einem sehr kleinen Bereich bei stabilen Verhältnissen oder minimaler Störung, mittlerem
Sandgehalt und mittlerem Phosphorgehalt über 80 % steigt. Nimmt die Störung zu, nimmt
die Vorkommenswahrscheinlichkeit schnell ab. Ab einer bestimmten Störungsstärke ist
sie immer null. Auch sehr niedrige Sandanteile minimieren die
Vorkommenswahrscheinlichkeit von Artemisia maritima.
Ca
0.0
2.1
S_eDW
0.6
8.6
p(y)1.0
0.0
CO3
geringer Sandanteil
stark carbonathaltig
S_eDWcarbonatfrei hoher Sandanteil
Ca
0.0
2.1
S_eDW
0.6
8.6
p(y)1.0
0.0
CO3
geringer Sandanteil
stark carbonathaltig
S_eDWcarbonatfrei hoher Sandanteil
Abbildung 41: graphische Darstellung des Modells Art.mar.sw (Variablenabkürzungen s. Tabelle 7).
Der Zusammenhang zwischen der Vorkommenswahrscheinlichkeit von Artemisia
maritima und dem Sandanteil sowie dem Carbonatgehalt ist im Modell Art.mar.sw
unimodal (s. Abbildung 41). Der Einfluss des Carbonatgehalts ist aber sehr gering und in
der Abbildung 41 kaum zu erkennen. Bei sehr niedrigen Sandanteilen ist die
Vorkommenswahrscheinlichkeit null.
Elymus athericus In Tabelle 18 sind die Modelle für Elymus athericus und ihre Gütemaße für beide
Datensätze dargestellt.
Tabelle 18: multiples Modell für Elymus athericus (Ely.ath). ((p/a) = Vorkommen/Nichtvorkommen, Wr = Wirkrichtung, %kor = %korrekt, Sensi = Sensitivität, Spezi = Spezifizität, ges = gesamter Datensatz, sw = Salzwiesendatensatz (Abkürzungen der Variablen s. Tabelle 7)).
Modell (p/a) Variablen Wr Gewicht
(%) R²N AUC kappa pkappa %kor Sensi Spezi
Ely.ath.ges (27/31)
LF_pc² STOER_abs P²
+/- -
+/-
49,0 32,6 18,4
0,46 0,85 0,57 0,39 0,78 0,85 0,73
Ely.ath.sw (19/28)
S_eDW² LF_pc P
+/- - -
50,1 25,3 24,6
0,54 0,87 0,61 0,41 0,81 0,84 0,79
Der Erklärungsgehalt des Modells Ely.ath.ges liegt bei 46 % und ist damit als gut zu
bewerten. Das Modell Ely.ath.sw hat mit 54 % einen sehr guten Erklärungsgehalt. Die
Fähigkeit der Modelle zwischen Vorkommen und Nichtvorkommen zu unterscheiden ist
mit AUC-Werten von 0,85 und 0,87 und kappa-Werten von 0,57 und 0,61 als sehr gut zu
4 ERGEBNISSE 73
bezeichnen. Die dreidimensionale Darstellung der Modelle in den Abbildungen 42 und 43
verdeutlicht die Einflüsse der Variablen.
UEH
0.3
4.3
LF_pc_alle
-2.4
3.7
p(y)1.0
0.0
UEH
0.3
4.3
LF_pc_alle
-2.4
3.7
p(y)1.0
0.0
UEH
0.3
4.3
LF_pc_alle
-2.4
3.7
p(y)1.0
0.0
P hoher P-Gehaltgeringer P-Gehalt
UEH
geringe Leitfähigkeit
fast nie überflutet
häufig überflutet
hohe LeitfähigkeitLFUEH UEHLF LFUEH
0.3
4.3
LF_pc_alle
-2.4
3.7
p(y)1.0
0.0
UEH
0.3
4.3
LF_pc_alle
-2.4
3.7
p(y)1.0
0.0
UEH
0.3
4.3
LF_pc_alle
-2.4
3.7
p(y)1.0
0.0
P hoher P-Gehaltgeringer P-Gehalt
UEH
geringe Leitfähigkeit
fast nie überflutet
häufig überflutet
hohe LeitfähigkeitLFUEH UEHLF LF
Abbildung 42: graphische Darstellung des Modells Ely.ath.ges. Variablenabkürzungen (s. Tabelle 7).
Im Modell Ely.ath.ges besteht ein unimodaler Zusammenhang zwischen der
Vorkommenswahrscheinlichkeit von Elymus athericus und der Leitfähigkeit sowie dem
Phosphorgehalt. Die Vorkommenswahrscheinlichkeit sinkt mit zunehmender
Überflutungshäufigkeit (s. Abbildung 42). Auf Flächen, die selten überflutet werden,
mittlere Leitfähigkeiten und mittlere Phosphorgehalte aufweisen, ist die Wahrscheinlichkeit
auf ein Vorkommen von Elymus athericus am größten. Die geringste
Vorkommenswahrscheinlichkeit besteht auf Flächen mit sehr niedriger oder sehr hoher
Leitfähigkeit, die sehr häufig überflutet werden.
P
1.3
2.6
S_eDW
0.6
8.6
p(y)1.0
0.0
P
1.3
2.6
S_eDW
0.6
8.6
p(y)1.0
0.0
P
1.3
2.6
S_eDW
0.6
8.6
p(y)1.0
0.0
LF hohe LeitfähigkietGeringe Leitfähigkeit
P
geringer Sandanteil
geringer P-Gehalt
hoher P-Gehalt
hoher Sandanteil
S_eDWPPS_eDW S_eDWP
1.3
2.6
S_eDW
0.6
8.6
p(y)1.0
0.0
P
1.3
2.6
S_eDW
0.6
8.6
p(y)1.0
0.0
P
1.3
2.6
S_eDW
0.6
8.6
p(y)1.0
0.0
LF hohe LeitfähigkietGeringe Leitfähigkeit
P
geringer Sandanteil
geringer P-Gehalt
hoher P-Gehalt
hoher Sandanteil
S_eDWPPS_eDW S_eDW
Abbildung 43: graphische Darstellung des Modells Ely.ath.sw. (Variablenabkürzungen s.Tabelle 7).
Im Modell Ely.ath.sw sinkt die Vorkommenswahrscheinlichkeit mit zunehmender
Leitfähigkeit und zunehmenden Phosphorgehalten. Mit dem Sandanteil besteht ein
unimodaler Zusammenhang (s. Abbildung 43). Bei niedrigen Phosphorgehalten und
geringen Leitfähigkeiten ist die Vorkommenswahrscheinlichkeit auf dem gesamten
Sandanteilgradienten sehr groß. Erst mit sinkendem Phosphorgehalt wird der unimodale
Zusammenhang mit dem Sandgehalt deutlich. Je höher die Leitfähigkeit wird, desto
4 ERGEBNISSE 74
niedriger wird die Wahrscheinlichkeit auf ein Elymus athericus-Vorkommen bei hohen
Phosphorgehalten. Bei sehr hohen Leitfähigkeiten sind hohe
Vorkommenswahrscheinlichkeiten auf Flächen mit sehr niedrigen Phosphorgehalten und
mittleren Sandanteilen beschränkt.
Elymus farctus
Tabelle 19 zeigt das Modell für Elymus farctus und seine Gütemaße für den gesamten
Datensatz. Im Salzwiesendatensatz ist die Prävalenz von Elymus farctus zu gering für
eine Modellierung.
Tabelle 19: multiples Modell für Elymus farctus (Ely.far). ((p/a) = Vorkommen/Nichtvorkommen, Wr = Wirkrichtung, %kor = %korrekt, Sensi = Sensitivität, Spezi = Spezifizität, ges = gesamter Datensatz (Abkürzungen der Variablen s. Tabelle 7)).
Modell (p/a) Variablen Wr Gewicht
(%) R²N AUC kappa pkappa %kor Sensi Spezi
Ely.far.ges (13/45)
P UEH LF_pc STOER_abs S_eDW
- - - + +
28,5 25,9 21,6 21,5 2,7
0,84 0,99 0,90 0,54 0,97 0,92 0,98
Das Modell Ely.far.ges hat einen sehr hohen Erklärungsgehalt von 84 %. Auch die
Diskriminierung des Modells ist mit einem AUC-Wert von 0,99 und einem kappa-Wert von
0,9 hervorragend. Die dreidimensionale Darstellung des Modells in Abbildung 44
verdeutlicht die Einflüsse der Variablen.
P
1.3
2.6
UEH
0.3
4.3
p(y)1.0
0.0
P
1.3
2.6
UEH
0.3
4.3
p(y)1.0
0.0
P
1.3
2.6
UEH
0.3
4.3
p(y)1.0
0.0
P
1.3
2.6
UEH
0.3
4.3
p(y)1.0
0.0
STOER_abs
LFUEH
UEHUEH
UEHP P
PP
fast nie überflutet
häufig überflutet
geringer P-Gehalt
fast nie überflutet
häufig überflutet
geringer P-Gehalt
hoher P-Gehalt
hoher P-Gehalt
geringe Leit-
fähigkeit
hohe Leit-
fähigkeit
stabilstark gestört
P
1.3
2.6
UEH
0.3
4.3
p(y)1.0
0.0
P
1.3
2.6
UEH
0.3
4.3
p(y)1.0
0.0
P
1.3
2.6
UEH
0.3
4.3
p(y)1.0
0.0
P
1.3
2.6
UEH
0.3
4.3
p(y)1.0
0.0
STOER_abs
LFUEH
UEHUEH
UEHP P
PP
fast nie überflutet
häufig überflutet
geringer P-Gehalt
fast nie überflutet
häufig überflutet
geringer P-Gehalt
hoher P-Gehalt
hoher P-Gehalt
geringe Leit-
fähigkeit
hohe Leit-
fähigkeit
stabilstark gestört
Abbildung 44: graphische Darstellung des Modells Ely.far.ges. beim mittleren Wert der Variablen S_eDW (Variablenabkürzungen s. Tabelle 7).
4 ERGEBNISSE 75
Die Vorkommenswahrscheinlichkeit von Elymus farctus sinkt im Modell Ely.far.ges mit
zunehmendem Phosphorgehalt, zunehmender Überflutungshäufigkeit und zunehmender
Leitfähigkeit. Sie steigt mit zunehmender Störung und zunehmendem Sandgehalt. Der
Einfluss des Sandanteils ist gering und deshalb in Abbildung 44 nicht dargestellt. Deutlich
zu erkennen ist der negative Einfluss der Leitfähigkeit. Bei geringer Leitfähigkeit ist die
Vorkommenswahrscheinlichkeit nur auf phosphorreichen, häufig überfluteten Flächen
gering. Auf Flächen mit hoher Leitfähigkeit ist sie dagegen unabhängig von den anderen
Variablen minimal. Der Einfluss der Störung ist gering. Bei zunehmender Störung nimmt
die Vorkommenswahrscheinlichkeit insgesamt leicht zu.
Festuca rubra ssp arenaria
In Tabelle 20 ist das Modell für Festuca rubra ssp arenaria für den gesamten Datensatz
und seine Gütemaße dargestellt. Im Salzwiesendatensatz kommt die Art nicht vor.
Tabelle 20: multiples Modell für Festuca ruba ssp arenaria (Fes.rub.ar). ((p/a) = Vorkommen/Nichtvorkommen, Wr = Wirkrichtung, %kor = %korrekt, Sensi = Sensitivität, Spezi = Spezifizität, ges = gesamter Datensatz (Abkürzungen der Variablen s. Tabelle 7)).
Modell (p/a) Variablen Wr Gewicht
(%) R²N AUC kappa pkappa %kor Sensi Spezi
Fes.rub.ar (10/48)
P UEH
S_eDW LF_pc
- - + -
49,7 46,1 3,5 0,8
0,75 0,96 0,71 0,39 0,93 0,86 0,94
Das Modell Fes.rub.ar.ges hat einen sehr hohen Erklärungsgehalt von 75 % und kann als
sehr gut bewertet werden. Mit einem hervorragenden AUC-Wert von 0,96 und einem
kappa-Wert von 0,71 ist die Diskriminierung des Modells sehr gut. Die dreidimensionale
Darstellung des Modells in Abbildung 45 verdeutlicht die Einflüsse der Variablen.
P
1.3
2.6
UEH
0.3
4.3
p(y)1.0
0.0
UEH
hoher P-Gehalt
fast nie überflutet
häufig überflutet
Pgeringer P-
Gehalt P
1.3
2.6
UEH
0.3
4.3
p(y)1.0
0.0
UEH
hoher P-Gehalt
fast nie überflutet
häufig überflutet
Pgeringer P-
Gehalt
Abbildung 45: graphische Darstellung des Modells Fes.rub.ar.ges. bei mittleren Werten der Variablen S_eDW und LF_pc (Variablenabkürzungen s. Tabelle 7).
Im Modell Fes.rub.ar.ges sinkt die Vorkommenswahrscheinlichkeit von Festuca rubra ssp
arenaria mit zunehmenden Phosphorgehalten, zunehmender Überflutungshäufigkeit und
4 ERGEBNISSE 76
zunehmender Leitfähigkeit. Sie steigt mit zunehmendem Sandgehalt. Die Gewichte der
Variablen Leitfähigkeit und Sandgehalt sind sehr gering (s. Tabelle 20) und werden in
Abbildung 45 nicht dargestellt. Hohe Vorkommenswahrscheinlichkeiten sind nur bei
niedrigen Phosphorgehalten und seltener Überflutung zu finden. Sowohl bei hohen
Phosphorgehalten als auch bei hohen Überflutungshäufigkeiten ist die
Vorkommenswahrscheinlichkeit unabhängig der jeweils anderen Variablen minimal.
Übrige Arten
Für Aster tripolium konnte mit beiden Datensätzen nur ein einziges univariates Modell
gebildet werden. Dadurch erübrigte sich die multivariate Analyse. Da auch für Glaux
maritima mit dem Salzwiesendatensatz nur ein univariates Modell gebildet werden konnte,
fand eine multivariate Analyse nur mit dem gesamten Datensatz statt. Für die Arten
Spergularia media und Triglochin maritimum konnten bei der multivariaten Analyse mit
beiden Datensätzen nur Modelle mit jeweils einer Variablen gebildet werden. Dasselbe gilt
für Glaux maritima und den gesamten Datensatz. Aufgrund der schlechten Modellgüte
wird hier auf eine genauere Darstellung verzichtet (s. Anhang: Tabelle I-7 und I-8).
4.3.2.3 Lineare Regressionsmodelle
Im Folgenden werden die Ergebnisse der Modellierung der Produktivität (ANPP), des
maximalen Biomasseaufwuchses (Biomax) und der Artenzahl in Abhängigkeit der
Umweltvariablen vorgestellt. Es wurden dieselben unabhängigen Variablen wie für die
Habitatmodellierung verwendet. Zu beachten ist auch hier die Problematik der
Wirkrichtung der Hauptkomponenten (s. Kap. 4.3.2.2) Zum besseren Verständnis wird die
Wirkrichtung der Variablen zusätzlich zu den Koeffizienten aufgeführt. Die Modellierung
habe ich auch hier mit dem gesamten Datensatz und mit dem auf Salzwiesenflächen
reduzierten Datensatz durchgeführt.
4 ERGEBNISSE 77
Produktivität und Biomasse
Tabelle 21 zeigt die Modelle für ANPP und maximale Biomasse für beide Datensätze.
Tabelle 21: Multiple Modelle für ANPP und Biomax. (ges = gesamter Datensatz, sw = Salwiesendatensatz (Abkürzungen der unabhängigen Variablen s. Tabelle 7)).
Modell Variablen Koeffizienten Wirk- richtung R² p
ANPP.ges Intercept S_eDW
129,82 -0,01
- 0,39 <0,001
ANPP.sw Intercept S_eDW WASSER_pc
130,11 -0,01 8,89
- -
0,39 <0,001
Biomax.ges
Intercept P STOER_abs S_eDW LF_pc
573,21 266,16
-133,99 -0,10 61,19
+ - - -
0,64 <0,001
Biomax.sw
Intercept P STOER_abs S_eDW WASSER_pc
426,48 305,53
-149,64 -0,09 75,14
+ - - -
0,65 <0,001
Sowohl das Modell ANPP.ges als auch das Modell ANPP.sw sind mit p < 0,001
hochsignifikant. Der Erklärungsgehalt beider Modelle ist mit 39 % nur mäßig gut.
Das Modell ANPP.ges enthält nur die Variable Sandgehalt mit einer negativen
Wirkrichtung. Je niedriger der Sandgehalt ist, desto größer ist die Produktivität der
Flächen.
Auch im Modell ANPP.sw besteht ein negativer Zusammenhang zwischen Produktivität
und dem Sandgehalt. Zusätzlich enthält das Modell die Variable Feuchtigkeit. Der
Zusammenhang ist ebenfalls negativ. Je niedriger der Sandanteil ist und je trockener eine
Fläche ist, desto höher ist die Produktivität.
Auch die Modelle Biomax.ges und Biomax.sw sind mit p < 0,001 hochsignifikant. Die
Erklärungsgehalte der Modelle sind mit 64 bzw. 65 % deutlich besser als die Modelle für
ANPP.
Im Modell Biomax.ges sind die Variablen Phosphorgehalt mit positivem Einfluss und die
Variablen absolute Störung, Sandanteil und Leitfähigkeit mit negativem Einfluss enthalten.
Je größer der Phosphorgehalt einer Fläche ist und je geringer der Sandanteil, die
Leitfähigkeit und die Störung sind, desto größer ist die lebende Biomasse dieser Fläche.
Das Modell Biomax.sw enthält ebenfalls die Variablen Phosphorgehalt mit positiver
Wirkrichtung und die Variablen absolute Störung und Sandanteil mit negativer
4 ERGEBNISSE 78
Wirkrichtung. Anstatt der Leitfähigkeit hat in diesem Modell die Variable Feuchtigkeit
einen negativen Einfluss auf die Biomasseproduktion. Der höchste Wert für lebende
Biomasse ergibt sich in den Salzwiesen des Untersuchungsgebiets also auf
phosphorreichen, trockenen und stabilen Flächen mit geringem Sandanteil.
Artenzahl
Tabelle 22 gibt einen Überblick über die Modelle der Artenzahl in Abhängigkeit von den
Umweltvariablen.
Tabelle 22: multiple Modelle für die Artenzahl. (ges = gesamter Datensatz, sw = Salzwiesendatensatz (Abkürzungen der unabhängigen Variablen s. Tabelle 7)).
Modell Variablen Koeffizienten Wirk- richtung R² p
Artenzahl.ges Intercept STOER_abs UEH
10,29-2,34-0,95
- -
0,32 <0,001
Artenzahl.sw
Intercept LF_pc STOER_abs S_eDW
9,950,95
-2,23-0.0004
- - -
0,21 <0,01
Die Modelle Artenzahl.ges und Artenzahl.sw sind mit p < 0,001 bzw p < 0,01 signifikant.
Die Erklärungsgehalte sind mit 32 bzw. 21 % jedoch nicht besonders hoch.
Im Modell Artenzahl.ges nimmt die Artenzahl mit zunehmender absoluter Störung und
zunehmender Überflutungshäufigkeit ab. Die höchsten Artenzahlen finden sich im
gesamten Gebiet auf möglichst stabilen, sehr selten überfluteten Flächen.
Innerhalb der Salzwiese wird die Artenzahl negativ von der Leitfähigkeit, der absoluten
Störung und dem Sandgehalt beeinflusst. Die höchsten Artenzahlen finden sich nach dem
Modell Artenzahl.sw auf stabilen Flächen mit geringer Leitfähigkeit und geringem
Sandanteil.
5 DISKUSSION 79
5 DISKUSSION
5.1 Diskussion der Methoden
5.1.1 Gelände und Labor
Anzahl der Probeflächen
Für alle Vegetationstypen sollten mindestens fünf Probeflächen eingerichtet werden. Dies
war nicht bei allen Vegetationstypen möglich. Aufgrund der geringen räumlichen
Ausdehnung des Grünen Strandes konnten hier nur drei Flächen ausgewiesen werden.
Der durch die Umlagerungsprozesse im Strandbereich neu entstandene Typ der
versandeten Salzwiese besteht nur aus zwei Flächen. Diese Vegetationstypen wurden
wegen der geringen Anzahl von Probeflächen nicht mit in die Ergebnisinterpretation
einbezogen.
Ein Problem der großen Dynamik im Dünenbereich war der Verlust von sieben
vegetationsbestandenen Flächen, die aus der Modellierung ausgeschlossen wurden.
Dadurch verkleinerte sich der Datensatz von 66 auf 59 Probeflächen. Damit liegt die
Anzahl der Flächen aber immer noch bei über 50. Diese Anzahl sollte nach Backhaus et
al. 2006 für Regressionsanalysen nicht unterschritten werden.
Vegetation
Die Aufnahme der Vegetation mit der Frequenzmethode hat den Vorteil, dass sie besser
reproduzierbar ist als subjektive Deckungsschätzungen. Ein Nachteil ist allerdings, dass
locker verteilte wenig deckende Arten ebenso hohe Frequenzen erhalten können wie
deckende dominante Arten (Dierschke 1994). Das kann bei der Einteilung der Flächen in
Vegetationseinheiten zu Fehleinschätzungen führen. Diesem Problem wurde durch
zusätzliches Notieren der dominanten Arten begegnet.
Für die Habitatmodellierung wurden Präsenz/Absenzdaten verwendet. Da hier die
Deckungen der Arten keine Rolle spielen, war die Frequenzaufnahme für meine Arbeit
eine geeignete Methode.
Grundwasser
Auf den Dünenflächen wurden aufgrund des tiefliegenden und deshalb mit den zur
Verfügung stehenden Mitteln nicht zu erreichenden Grundwasserspiegels, keine
Grundwassermessrohre ausgebracht. Es wurde ein einheitlicher Grundwasserstand
angenommen. Schwankungen oder Unterschiede zwischen den Vegetationstypen
5 DISKUSSION 80
konnten nicht ermittelt werden. Da es sich bei allen Dünentypen um
sickerwasserbeeinflusste Standorte mit derselben Bodenart handelt, gehe ich davon aus,
dass die Typen keine großen Unterschiede aufweisen. Außerdem ist anzunehmen, dass
für die Vegetation dieser Flächen ein sehr tief liegender Grundwasserspiegel
bedeutsamer ist als eventuelle leichte Schwankungen. Aus diesen Gründen halte ich das
Abschätzen der Grundwasserstände in dieser Arbeit für angemessen.
Ein weiteres Problem bei der Messung der Grundwasserstände war das Fehlen von
Pegeldatenloggern auf einem großen Teil der Probeflächen. Die Informationen der
vorhandenen Datenlogger wurden mit Hilfe einer Transferfunktion auf die übrigen
Standorte übertragen. Dadurch wurden Besonderheiten der einzelnen Probeflächen (z.B.
längere Überstauung durch Lage der Fläche in einer Senke) nivelliert.
Durch das Übertragen der Variablenwerte mit Hilfe einer Funktion, bleiben die
Verhältnisse der Werte der Probeflächen untereinander gleich. Daher ist es fraglich, ob
die Übertragung der Pegelloggerdaten für die Habitatmodellierung einen
Informationsgewinn bringt. Für diese Art der Auswertung wären meiner Meinung nach die
Daten der 14-täglichen Messungen ausreichend gewesen.
Für die deskriptive Auswertung, bei der die tatsächlichen Grundwasserstände der
einzelnen Probeflächen betrachtet werden ist die Übertragung der Daten aber schon
sinnvoll. Da ein mittlerer Grundwasserstand von z.B. 2 cm unter Flur eine andere
ökologische Bedeutung hat als ein mittlerer Grundwasserstand von 2 cm über Flur.
Sedimentation/Erosion
Die Messung der Sedimentations-/Erosionsdynamik mit Hilfe des SEB fand im
Untersuchungsjahr mit einem Messintervall von einem Jahr statt.
Eigene Geländebeobachtungen zeigten aber, dass das Substrat im Strand- und
Dünenbereich innerhalb von Tagen umgelagert werden kann. Diese kürzerfristige
Sedimentverlagerung, die für die Vegetation von Bedeutung sein kann, kann nur mit
kürzeren Messintervallen erfasst werden. Daher stellt sich die Frage, ob die Methode für
eine derart dynamische Landschaft sinnvoll ist.
Da die Salzwiesenflächen einer sehr viel geringeren Dynamik unterliegen, halte ich die
Methode in diesem Bereich für angemessen.
5 DISKUSSION 81
Leitfähigkeit
Ein Problem der Messung der elektrischen Leitfähigkeit der Bodenlösung als Wert für die
Salinität besteht darin, dass bei dieser Methode der Gehalt aller in der Bodenlösung
vorliegenden Elektrolyte gemessen wird. Für die genauere Bestimmung des Salzgehalts
hätte der Chloridgehalt ermittelt werden müssen. Die Messung der Leitfähigkeit habe ich
aufgrund des geringeren Zeitaufwandes gewählt. Zusätzlich führte ich aber für einige
Proben Messungen des Chloridgehalts durch und überprüfte die Korrelation der Werte mit
der Leitfähigkeit. Da die Werte sehr gut korreliert waren (p = 0,98), halte ich die Messung
der Leitfähigkeit als Ausdruck für die Salinität in dieser Arbeit für eine angemessene
Methode.
Die elektrische Leitfähigkeit wurde nur zu einem Zeitpunkt gemessen. Dadurch konnten
die räumlichen und zeitlichen Schwankungen der Salinität, wie sie für Salzwiesenböden
festgestellt wurden (Giani et al. 1993, Kiehl et al. 1997) nicht erfasst werden. Die
Ergebnisse der Messungen stellen daher eine Momentaufnahme dar, die möglicherweise
kein repräsentatives Bild liefert. Möglicherweise wäre die Variable bei einer adäquateren
Erfassung häufiger und mit größerem Einfluss in den Modellen enthalten. Dagegen spricht
allerdings die zonenspezifische Reaktion der meisten Arten in den univariaten Modellen
auf den Salinitätsgradienten (s. Kap 4.3.2.1).
Überflutungshäufigkeit
Die Überflutungshäufigkeit der einzelnen Probeflächen wurde aus der Geländehöhe und
den Daten eines Pegeldatenloggers berechnet. Bei dieser Methode werden die
geomorphologischen Besonderheiten der Probeflächen (z.B. die Lage in Senken oder in
der Nähe von Prielen) und Beeinflussung der Überflutungshäufigkeit durch lokale
Windbewegungen außen vor gelassen (Bockelmann et al. 2002). Für eine genauere
Messung der Überflutungshäufigkeit müsste sie direkt an jeder Probefläche gemessen
werden. Da dies in meiner Arbeit nicht möglich war, halte ich die Berechnung aus der
Geländehöhe für einen adäquaten Ersatz.
Die Geländehöhe wurde aus einer Höhenkarte mit einer Genauigkeit von plus/minus
50 cm (Nationalparkverwaltung Niedersächsisches Wattenmeer 2004) abgeleitet. Durch
diese große Ungenauigkeit der Höhenangaben sind auch die daraus abgeleiteten
Überflutungshäufigkeiten ungenau. Aus zeitlichen Gründen war es jedoch nicht möglich
die Höhen der einzelnen Probeflächen selbst einzumessen.
5 DISKUSSION 82
5.1.2 Auswertung
Modellierung
Die offensichtlich großen Unterschiede der Lebensraumtypen (Dünen und Strand,
Salzwiesen) hätten möglicherweise zu einer Verzerrung der Gradienten führen können.
Da andererseits die längeren Gradienten aber auch deutlichere Ergebnisse hätten bringen
können, führte ich die Modellierung einmal mit dem kompletten Datensatz und einmal mit
dem nur auf Salzwiesenflächen reduzierten Datensatz durch. Der verkleinerte
Salzwiesendatensatz enthielt 47 Probeflächen. Diese Anzahl liegt knapp unter der von
Backhaus et al. (2006) empfohlenen Mindestgröße von 50 Stichproben. Der Datensatz
der Dünenflächen war mit 14 Flächen zu klein für eine Modellierung. Gerade bei kleinen
Datensätzen ist die Gefahr des overfittings durch zu viele unabhängige Variablen groß
(Dormann et al. 2004). Dieser Problematik wurde durch die Beschränkung der Anzahl
unabhängigen Variablen bei der Bildung der multiplen Modelle begegnet.
Statistische Modelle sind immer optimal an den Datensatz angepasst, auf dessen
Grundalge sie gebildet worden sind. Die Bewertung der Modelle ist daher häufig zu
optimistisch (Schröder 2000). Für eine realistische Bewertung der Modelle müsste eine
Validierung durchgeführt werden. Dabei wird die Gültigkeit der Modelle für andere
Datensätze überprüft. Die Validierung spielt vor allem dann eine wichtige Rolle, wenn
anhand der erstellten Modelle Prognosen gemacht werden oder Entscheidungen getroffen
werden sollen (Dormann et al. 2004). Für die Validierung können externe Datensätze oder
ein Teil des Originaldatensatzes als Validierungsdatensatz verwendet werden. In meiner
Untersuchung stand weder ein externer Datensatz zur Verfügung, noch konnte aufgrund
der geringen Größe eine Validierung anhand eines Teils des Originaldatensatzes
durchgeführt werden.
Da in meiner Arbeit jedoch keine Prognosen gemacht, sondern lediglich die
Habitatansprüche der Arten analysiert werden sollten, konnte auf eine Validierung der
Modelle verzichtet werden.
5 DISKUSSION 83
5.2 Diskussion der Ergebnisse
5.2.1 Ausprägung der abiotischen Faktoren
Im folgenden Teil wird die Ausprägung der abiotischen Faktoren im Untersuchungsgebiet
diskutiert. Dabei werden besonders die Unterschiede zwischen den Vegetationstypen
betrachtet. Die Vegetationstypen Grüner Strand und versandete Salzwiese werden bei
der Ergebnisdiskussion nicht berücksichtigt, da die Anzahl der Probefläche der Typen (3
bzw. 2) sehr gering ist. Abbildung 46 gibt einen schematischen Überblick über die
abiotischen Faktoren in den Vegetationstypen.
pH-Wert
PZ OSW GD VD STUSW
GWmw
LF
P
CO3
STÖR
ÜH
S
K
pH-Wert
PZ OSW GD VD STUSW
GWmw
LF
P
CO3
STÖR
ÜH
S
K
Abbildung 46: Schematischer Überblick über die Ausprägung der abiotischen Faktoren der Vegetationstypen (Die Abkürzungen entsprechen denen des Ergebnisteils).
Überflutungshäufigkeit
Auf Mellum nimmt die Überflutungshäufigkeit von der Pionierzone zur oberen Salzwiese,
sowie vom Strand zu den Dünen ab (s. Abbildung 46). Während die Flächen der
Pionierzone und des Strandes zweimal täglich überflutet werden, wird die obere
Salzwiese nur bei hohen Springtiden oder Sturmfluten überflutet. Die höher gelegenen
Vor- und Graudünen werden nur bei extremen Sturmfluten überflutet.
Allgemein wird davon ausgegangen, dass die Geländehöhe die Überflutungshäufigkeit
bestimmt (Chapman 1974). Ausgehend von diesem Zusammenhang habe ich wie z.B.
Leendertse et al. (1997) & Olff et al. (1997) die Überflutungshäufigkeit aus der
Geländehöhe der Untersuchungsflächen und aus den Pegeldaten einer Messstelle
5 DISKUSSION 84
ermittelt. Die Überflutungshäufigkeit stellt also eigentlich den Höhengradienten der
Salzwiesen und Dünen dar. Es ist anzunehmen, dass die mittlere Überflutungshäufigkeit
in den Vegetationstypen dem Höhengradienten entspricht. Die Überflutungshäufigkeit der
einzelnen Flächen wird jedoch zusätzlich von anderen Faktoren beeinflusst, die in dieser
Arbeit nicht berücksichtigt wurden. So spielen zum Beispiel Geomorphologie und
Windeinflüsse eine Rolle (Bockelmann et al. 2002). Die Nähe der Flächen zu Prielen,
sowie die Lage in Senken beeinflusst die Überflutungshäufigkeit der Flächen ebenso wie
z.B. extreme Ostwinde, die sich nur auf Teilbereiche der Insel auswirken können.
Grundwasser
Verbunden mit der Geländehöhe und der Überflutungshäufigkeit ist auch der
Grundwasserspiegel. Niedrig gelegene Flächen, die häufig überflutet werden, weisen
einen höheren Grundwasserspiegel auf als höher gelegene Flächen (Chapman 1974).
Dies stimmt mit meinen Ergebnissen überein. Die Variablen mittlerer Grundwasserstand
und Überflutungshäufigkeit sind stark korreliert (s. Anhang: Abbildungen I-3 und I-4). Der
mittlere Grundwasserstand nimmt auf Mellum von der Pionierzone zur oberen Salzwiese
ab (s. Abbildung 46). Da im Dünen und Strandbereich keine Grundwassermessrohre
installiert worden waren, wurde hier für alle Flächen ein einheitlicher Grundwasserstand
abgeschätzt (s. Kap. 3.3.3). Diese Typen zeigen daher keine Unterschiede bezüglich der
Zonierung (s. Abbildung 46). Die Tiefe des Grundwasserspiegels ist ein Maß für die
Entwässerung des Bodens und der damit verbundenen Durchlüftung des Wurzelraums.
Diese wird zusammen mit der Salinität des Bodens als wichtiger Faktor für die Zonierung
der Vegetation angesehen (Adam 1990, Ungar 1998).
Aufgrund des Tideeinflusses unterliegt der Grundwasserspiegel starken Schwankungen.
Auch bei weniger hoch auflaufendem Wasser werden Flächen der oberen Salzwiese vom
Wechsel der Gezeiten beeinflusst. Durch das laterale Eindringen des Meerwassers aus
Prielen in den Boden, setzen sich Wasserstandsschwankungen in höher gelegene
Bereiche fort, auch wenn diese nicht überflutet werden (Kiehl 1997). In meiner Arbeit
zeigen auch die Pegeldatenlogger der höhergelegenen Probeflächen einen deutlichen
Gezeitenrhythmus (s Anhang: Abbildung I-3).
Leitfähigkeit - Salzgehalt
Auf Mellum nimmt der Salzgehalt des Oberbodens im Mittel von der Pionierzone zur
oberen Salzwiese ab. Die Salzgehalte der Dünen und Strandbereiche sind deutlich
niedriger als die der Salzwiesen. Innerhalb der Dünentypen zeigen sich jedoch keine
großen Unterschiede (s. Abbildung 46).
5 DISKUSSION 85
Auch Kiehl (1997) stellte in Vorlandsalzwiesen in Schleswig Holstein einen generellen
Zusammenhang zwischen der Geländehöhe und der Überflutungshäufigkeit sowie der
Salinität fest. Je seltener Flächen überflutet werden, desto geringer ist der Salzeintrag. Mit
steigender Geländehöhe kann der Boden außerdem häufiger vorübergehend durch
Regenwasser entsalzt werden (Pott 1995). Der Salzgehalt ist jedoch besonders im
Oberboden starken räumlichen und zeitlichen Schwankungen unterworfen (Giani et al.
1993, Kiehl 1997). Neben der Überflutungshäufigkeit wird er vom Substrattyp, der
Witterung und dem Grundwasserspiegel beeinflusst (Chapman 1974). So können in der
oberen Salzwiese zeitweilig höhere Salzgehalte auftreten als in der Pionierzone, wenn
sich Salz durch Evaporation im Boden anreichert (Srivastava & Jefferies 1995). Auch auf
Mellum wurden auf einzelnen Flächen relativ hohe Salzgehalte festgestellt, die vermutlich
auf Evaporationsprozesse im sehr trockenen Zeitraum der Probennahme zurückzuführen
sind. Besonders stark schwanken auf Mellum die Salzgehalte in der Pionierzone. Hier
wurden zum Teil niedrigere Werte als in der oberen Salzwiese, aber auch sehr hohe
Werte gemessen. Kiehl (1997) stellte eine große Variabilität in der unteren Salzwiese
einer unbegrüppten Festlandsalzwiese fest und begründet diese mit Unterschieden im
Mikrorelief und in den Substrateigenschaften. Für die Pionierzone wird in der Regel eine
homogenere Verteilung der Salzgehalte angenommen, da durch die tägliche Überflutung
eventuelle Unterschiede regelmäßig nivelliert werden (de Leeuw 1992). Die Probennahme
fand in einem trockenen Zeitraum statt, in dem außerdem das Hochwasser besonders
niedrig auflief, so dass nicht alle Probeflächen der Pionierzone überflutet wurden. Diese
Situation konnte eventuell dazu führen, dass kleinräumige Unterschiede in Relief und
Substrat auch hier deutlich wurden.
Auch vom Strand zu den Dünen wird von abnehmender Salinität des Bodens
ausgegangen (Petersen & Pott 2005). Besonders am täglich überfluteten Strand sollte im
Gegensatz zu den nur sehr selten überfluteten Dünen von hohen Salzgehalten
ausgegangen werden. Willis et al. (1959) und Olff et al. (1993) stellten in strandnahen
Bereichen höhere Salzgehalte durch Salzspray fest. Die fehlenden Unterschiede
zwischen den Typen sind vermutlich zum Teil ebenfalls auf die niedrig auflaufenden
Hochwasser im Probennahmezeitraum zurückzuführen. Einerseits fehlt dadurch der
Salzeintrag durch Überflutung, zum anderen kann der Einfluss durch Salzspray aufgrund
der größeren Entfernung zur Brandungslinie geringer sein.
Sand-/Schlickanteil - Substrat
Aufgrund der Entstehung aus einer Sandplate (s. Kap. 2.1.2), weisen alle Bodenprofile im
Unterboden Sand auf. Lediglich im Oberboden der Salzwiesentypen befinden sich
5 DISKUSSION 86
Schlicklagen mit großen Schluff- und Tonanteilen. Der Sandanteil der Böden zeigt
deutliche Unterschiede zwischen den Vegetationstypen (s. Abbildung 46). Die niedrigsten
Sandanteile, und damit im Umkehrschluss die größten Schlickanteile, befinden sich in der
unteren Salzwiese. In der oberen Salzwiese nehmen die Sandanteile etwas zu. In der
Pionierzone sind sie sehr hoch. Dies stimmt mit der Beschreibung der Entstehung der
Salzwiesen auf Schiermonnikoog von Olff et al. (1997) überein. Hier werden die größten
Schlickablagerungen für die mittlere Höhenlagen beschrieben. Höher gelegene Flächen
werden seltener überflutet, was zu geringeren Sedimentationsraten führt. Auf wattnahen
Flächen ist die Strömungsgeschwindigkeit für die Ablagerung von feinen Sedimenten zu
hoch. Anders als in durch Akkumulation von Sediment entstandenen Salzwiesen z.B. in
Ästuaren sind die am höchsten gelegenen Flächen nicht die ältesten mit den mächtigsten
Schlickauflagen. Vielmehr spiegelt das Relief der Salzwiese die Form der ehemaligen
Sandplate mit ihrer durch äolische Prozesse geformten Oberfläche wieder (de Leeuw
1992). Dies scheint auch für die Salzwiesen auf Mellum zuzutreffen. Die Flächen des
„alten Grünlandes“ weisen zwar relativ große Schlickanteile auf, sie sind aber tiefer
gelegen als jüngere Flächen mit geringerem Schlickanteil.
Olff et al. (1997) stellte auf Schiermonnikoog fest, dass mit zunehmender Mächtigkeit der
Schlickauflage der Stickstoffgehalt der Böden zunimmt. Da die angewendete Methode zur
Stickstofferfassung in meiner Arbeit keine Ergebnisse lieferte (s. Kap. 3.2), wird die
Variable Sandanteil für die Interpretation der Habitatmodelle als Maß für den
Stickstoffgehalt herangezogen.
Phosphorgehalt
Die größten Gehalte an pflanzenverfügbarem Phosphor zeigen auf Mellum im Mittel die
Flächen der unteren Salzwiese (s. Abbildung 46). In der Pionierzone sind die Gehalte
etwas niedriger. Die niedrigsten Werte in der Salzwiese sind in der oberen Salzwiese zu
finden. Die Dünen und Strandbereiche weisen insgesamt geringere Phosphorgehalte auf.
Zwischen den Vegetationstypen zeigen sich, abgesehen von den Flächen der
versandeten Salzwiese, kaum Unterschiede.
Makronährstoffe wie Phosphor und Stickstoff sind im Meerwasser in gelösten organischen
und anorganischen Stoffen und partikulären Schwebstoffen enthalten (Meyer-Reil 2005).
Im Wattenmeer stammen sie aus den Flüssen, dem Nordseewasser, der Atmosphäre und
aus anthropogenen Einträgen (Brockmann et al. 1990). Während gelöste Stoffe mit den
Wassermassen transportiert werden, können Schwebstoffe in Abhängigkeit von der
Strömungsgeschwindigkeit und der Partikelgröße sedimentieren (ebenda). Eisma & Kalf
(1987) beschreiben die Ästuare und das Wattenmeer als Sedimentfallen für Schwebstoffe
5 DISKUSSION 87
und die darin enthaltenen Nährstoffe. Besonders Schlick ist reich an sedimentierter
organischer Substanz und damit an Stickstoff und Phosphor (Ellenberg 1996, Gray &
Bunce 1972). Olff et al. (1997) stellten einen Zusammenhang zwischen der Mächtigkeit
der Schlickauflage auf den Salzwiese von Schiermonnikoog und dem Nährstoffgehalt (vor
allem Stickstoffgehalt) fest.
Für die Salzwiese auf Mellum stimmt dies mit meinen Ergebnissen bezüglich des
Phosphorgehalts überein. In der unteren Salzwiese sind die Schlickanteile und auch die
Phosphorgehalte am größten. Mit abnehmendem Schlickanteil in der oberen Salzwiese
nimmt auch der Gehalt an Phosphor ab. In der Pionierzone ist der Schlickanteil ebenso
wie auch der mittlere Phosphorgehalt noch geringer. Die große Variabilität der Werte
innerhalb der Pionierzone ist möglicherweise auf die Heterogenität der Probeflächen
zurückzuführen. Eine der Flächen befindet sich z.B. in einer Senke, die sehr hohe
Schlickanteile und auch sehr hohe Phosphorgehalte aufweist. Möglicherweise spielt hier
die große Dynamik der Umweltbedingungen in der Pionierzone eine Rolle. Hier sind die
Umlagerungsprozesse nicht nur stärker sind (s.u. Störung - Sedimentation), sondern
durch die regelmäßige Überflutung auch häufiger. So ist eine kurzfristige Dynamik
aufgrund der Überflutung vorstellbar bei der phosphorreichere Sedimente umgelagert und
in manchen Bereichen akkumuliert werden könnten. Da nur zu einem Zeitpunkt Proben
genommen wurden, kann eine zeitliche Dynamik nicht nachgewiesen werden.
Aufgrund ihrer geringeren spezifischen Oberfläche und der damit verbundenen geringeren
Sorptionsfähigkeit, sind Sandböden meist nährstoffärmer als Tonböden (Scheffer &
Schachtschabel 2002). Auch weisen die Strand- und Dünentypen insgesamt niedrigere
Phosphorwerte als die Salzwiesentypen auf. Die Dünenböden auf Mellum weisen aber
insgesamt deutlich höhere Phosphorgehalte als die von Giani & Buhmann (2004)
untersuchten Dünen auf Spiekeroog auf. Möglicherweise spielt hier die Lage der Insel
nahe der Wesermündung eine Rolle. Die Nährstoffversorgung des Strandes und der
Vordünen erfolgt durch Überflutung und Überwehung mit nährstoffreichem Seesand
(Ellenberg 1996). Da ein großer Teil des Phosphors im Meerwasser aus Flüssen
eingetragen wird (Brockmann et al. 1990), könnte das Substrat hier nährstoffreicher als
auf den von Mündungen weiter entfernt liegenden Inseln sein. In der Dünensukzession
nehmen die Nährstoffgehalte mit abnehmender Sandüberwehung von den Vordünen zu
den Weißdünen ab. Sobald der Sand stabilisiert ist, können die Nährstoffe durch
Niederschläge ausgewaschen werden (Petersen & Pott 2005). Auf Mellum ist diese
Abnahme nur schwach zu erkennen. Auch auf den stabilen Graudünen sind die
Phosphorgehalte nur wenig geringer als in den beiden anderen Typen. Da besonders die
5 DISKUSSION 88
oberen Horizonte der Graudünen hohe Phosphorgehalte aufweisen könnte eine mögliche
Erklärung sein, dass die Graudüne als Fraßplatz von Möwen genutzt wird, (eigene
Beobachtung), und die Flächen durch deren Ausscheidungen aufgedüngt werden.
Kaliumgehalt
Die Kaliumgehalte sind auf Mellum in der Pionierzone und der unteren Salzwiese am
höchsten (s. Abbildung 46). Zwischen den beiden Zonen sind kaum Unterschiede
festzustellen. In der oberen Salzwiese sind die Werte im Mittel niedriger. Auch hier sind
die Strand- und Dünenbereiche insgesamt kaliumärmer. Sie zeigen aber abgesehen von
den Flächen der versandeten Salzwiese kaum Unterschiede zwischen den
Vegetationstypen.
Kalium gehört mit zu den Hauptbestandteilen des Meersalzes und liegt zu mehr als 98%
als Kation vor (Meyer-Reil 2005).
Die Kaliumgehalte sind im Untersuchungsgebiet mit der Leitfähigkeit des Oberbodens
korreliert. Daher gehe ich davon aus, dass ein Großteil des gemessenen
pflanzenverfügbaren Kaliums aus der Überflutung mit Meerwasser stammt und daher als
Kation in der Bodenlösung vorliegt. Das bedeutet, dass auch die Verteilung des Kaliums
von der Überflutungshäufigkeit und den Bedingungen, die die Leitfähigkeit der
Bodenlösung bestimmen, abhängig ist (s.o.). Da aber bei der Messung des
pflanzenverfügbaren Kaliumgehalts auch Kalium-Ionen, die austauschbar gebunden sind,
erfasst werden (Schlichting et al. 1995), unterscheidet sich die Verteilung des
Kaliumgehalts zum Teil von der der Leitfähigkeit. Im Gegensatz zur Leitfähigkeit
unterscheiden sich die Kaliumgehalte der unteren Salzwiese nur wenig von denen der
Pionierzone. Dies ist möglicherweise einerseits auf die gute Sorptionsfähigkeit des
tonigen Bodens (Scheffer & Schachtschabel 2002) in der unteren Salzwiese und
andererseits auf die tägliche Überflutung mit kaliumhaltigem Meerwasser in der
Pionierzone zurückzuführen.
Die Kaliumgehalte der Strand- und Dünentypen sind ebenso wie die Leitfähigkeiten
niedrig und weisen kaum Unterschiede auf. Die niedrigen Gehalte am täglich überfluteten
Strand lassen sich vermutlich ebenso wie die geringe Leitfähigkeit auf die niedrig
auflaufenden Hochwasser im Untersuchungszeitraum und dem deshalb fehlenden
Kaliumionen-Eintrag aus Überflutung und Salzspray zurückführen (s.o.) Zum anderen
spielt vermutlich wie auch beim Phosphorgehalt die schlechtere Sorptionsfähigkeit von
Sand gegenüber Tonböden eine Rolle (Scheffer & Schachtschabel 2002).
5 DISKUSSION 89
Carbonatgehalt
In der Salzwiese sind die größten Carbonatgehalte in der Pionierzone zu finden (s.
Abbildung 46). Die niedrigsten Werte weist die untere Salzwiese auf. In der oberen
Salzwiese nehmen die Werte wieder zu. In den Dünen nehmen die Carbonatgehalte von
Strand und Vordüne zur Graudüne ab. Eine Ausnahme stellt hier wieder die versandete
Salzwiese dar.
Carbonate, die vor allem aus Muschelschill, aber auch aus kalkhaltigen Sedimenten
stammen, werden mit dem Meerwasser in die Watten und Salzwiesen eingetragen und
dort sedimentiert (Adam 1990). Die Sedimentationsraten sind daher ein wichtiger
Einflussfaktor auf die Carbonatgehalte der Salzwiesenböden (Giani et al. 2003). Mit
Beginn der Besiedlung des Watts durch Vegetation setzt die Carbonatlösung ein (Scheffer
& Schachtschabel 2002). Durch die seltenere Überflutung und der damit geringeren
Sedimentation von carbonathaltigem Sediment und der gleichzeitigen Lösung der
vorhandenen Carbonate sollte daher der Carbonatgehalt der Salzwiesenböden von der
Pionierzone zur oberen Salzwiese abnehmen. Diesen Zusammenhang stellten auch
(Scherfose 1987) und Giani et al. (2003) für die Salzwiesen auf Spiekeroog fest.
Im Untersuchungsgebiet sind die im Mittel niedrigsten Carbonatgehalte in der unteren
Salzwiese zu finden. Einige Böden wiesen bei der Carbonatprobe mit HCl im Gelände
(nach KA5 (AG Boden 2005) gar kein Carbonat auf. Auch Giani et al. (2003) fanden auf
Spiekeroog carbonatfreie (nach HCl-Probe) Böden in der unteren Salzwiese. Bei der
Analyse von als carbonatfrei eingestuften Proben im Labor konnten aber trotzdem sehr
geringe Carbonatgehalte nachgewiesen werden. Da in meiner Arbeit nur solche Proben
im Labor untersucht wurden, die auch bei der HCl-Probe im Gelände auf Carbonat
hinwiesen, kann nicht ausgeschlossen werden, dass auch die „carbonatfreien“ Böden auf
Mellum geringe Carbonatgehalte aufweisen. Da es sich aber wahrscheinlich um sehr
geringe Mengen handelt (Bei Giani et al. (2003) um weniger als 0,03 % Carbonat), gehe
ich davon aus, dass tatsächlich in der unteren Salzwiese die niedrigsten Carbonatgehalte
zu finden sind, obwohl hier die Überflutungshäufigkeiten und zum Teil die
Sedimentationsraten höher sind als in der oberen Salzwiese. Auffällig ist, dass die
carbonatfreien Flächen in der unteren Salzwiese, diejenigen mit den größten
Sedimentationsraten im Untersuchungsjahr waren. Möglicherweise ist hier bereits sehr
carbonatarmes Substrat sedimentiert worden. Da die gesamten Profile carbonatfrei sind,
ist dies vielleicht auch auf die Sedimentationsgeschichte der Flächen zurückzuführen.
Eventuell sind hier schon früher carbonatarme Substrate aus bestimmten Gebieten, z.B.
erodierten Dünen abgelagert worden. Ein weiter Einflussfaktor auf den Carbonatgehalt
5 DISKUSSION 90
kann die Produktion sehr großer Mengen Schwefelsäure sein, die schon im Watt zu
Entkalkung führen können (Giani et al. 2003).
Die Carbonatgehalte der Dünen nehmen vom Strand zu den Graudünen ab (s.
Abbildung 46). Dieses Ergebnis deckt sich gut mit anderen Untersuchungen (Willis et al.
1959, Hundt 1985, Olff et al. 1993, Giani & Buhmann 2004).
Ebenso wie in der Salzwiese stammt das Carbonat aus Muschelschill und
carbonathaltigem Sediment. Aufgrund der ständigen Zufuhr an carbonatreichem Sand
sind der Strand und die Vordünen carbonathaltig. Sobald die Sandzufuhr in
windgeschützten Bereichen, wie den Graudünen unterbrochen ist, wird das Carbonat
ausgewaschen. Giani & Buhmann (2004) stellten auf Spiekeroog in den Graudünenböden
kein Carbonat mehr fest. Die Graudünen von Mellum enthalten dagegen Carbonat. Dies
lässt sich vermutlich auf den Carbonateintrag aus Muschelschill in Möwenspeiballen
zurückführen.
pH-Wert
Die pH-Werte der Böden im Untersuchungsgebiet liegen im Bereich schwach sauer bis
mäßig alkalisch. Sie umfassen damit in einen Bereich, den auch andere Arbeiten für
Salzwiesen (Giani et al. 2003, Gronewold unveröff.) und Dünen (Willis et al. 1959, Giani &
Buhmann 2004) beschreiben. Nach Ellenberg (1996) spielt der pH-Wert für die Vegetation
der Küsten im Übergansbereich der Weiß- und Graudünen eine Rolle, da der Einfluss des
Meeres (Salzwiesen und Strandbereich) für eine neutrale Bodenreaktion sorgt. Auf
Mellum weisen auch die Graudünen noch keine Versauerung auf. Dies ist vermutlich auf
die noch wenig fortgeschrittene Humusbildung in den Böden und den Carbonateintrag aus
Muschelschill (s.o.) zurückzuführen.
Sedimentation/Erosion - Störung
Für das Aufwachsen von Salzwiesen über die Hochwasserlinie müssen positive
Sedimentationsraten vorhanden sein (Adam 1990, Petersen & Pott 2005). Eine
Überdeckung der Vegetation mit Sediment ist jedoch in Salzwiesen ebenfalls eine häufige
Störung und kann zum Absterben von Vegetation führen (Baldwin & Mendelssohn 1998).
Besonders zu große Sedimenteinträge in zu kurzer Zeit, z. B. durch Sturmfluten können
sich negativ auf Pflanzenwachstum auswirken (Langlois et al. 2001). Auch Erosion kann
den Wuchs der Vegetation stören, indem z.B. die ganze Pflanzendecke mit dem Substrat
abgetragen wird. Außerdem können Erosionsprozesse zum Abtragen nährstoffreicher
Bodenschichten und Samenbanken führen und die Vegetation dadurch beeinträchtigen.
5 DISKUSSION 91
Die Sedimentations- und Erosionsprozesse auf den Salzwiesenflächen sind auf Mellum
im Vergleich zu den Strand- und Dünenflächen sehr gering (s. Abbildung 46). Hier sind
lediglich in der Pionierzone deutliche Umlagerungsprozesse zu erkennen. Die übrigen
Vegetationstypen weisen im Mittel stabile Böden auf. Den stärksten Erosionsprozessen
unterliegen auf Mellum die Strandbereiche. Die größten Sedimentationsraten sind auf den
Flächen der versandeten Salzwiesen hinter den ehemaligen Dünen zu finden. Insgesamt
nimmt die Stabilität der Flächen vom Strand über die Vordünen zu den Graudünen ab.
Die Unterschiede in der Sedimentationsdynamik zwischen der unteren und der oberen
Salzwiese sind gering. Innerhalb der Vegetationstypen zeigen sich aber Unterschiede.
Während nur wenige Flächen der oberen Salzwiese im Untersuchungsjahr von 2006 bis
2007 Sedimentationsraten von mehr als 0,2 cm aufweisen, liegen mehr als die Hälfte der
Flächen der unteren Salzwiese in diesem Bereich. Dijkema et al. (1990) beschreiben für
Salzwiesen der Barriereinseln in den Niederlanden abnehmende Sedimentationsraten mit
zunehmender Geländehöhe (0,4 cm bis 0 cm pro Jahr). Dies entspricht etwa den auf
Mellum im Untersuchungsjahr beobachteten Sedimentationsraten von im Mittel 0,6 cm
(untere Salzwiese) und 0,2 cm (obere Salzwiese). Auch Temmermann et al. (2003) stellte
einen Zusammenhang zwischen den Sedimentationsraten und der Geländehöhe, sowie
der Entfernung zum nächsten Priel fest, wobei die Sedimentationsraten mit zunehmender
Entfernung zur Prielmündung abnahmen. Van Wijnen & Bakker (2001) konnten
zunehmende Sedimentationsraten mit zunehmenden Überflutungshäufigkeiten
beobachten.
Ein direkter Zusammenhang zwischen der Überflutungshäufigkeit und damit vor allem mit
der Geländehöhe (s.o.) sowie der Sedimentation/Erosion konnte auf Mellum nicht
festgestellt werden. Die Beobachtungen zeigen aber, dass die Flächen mit dem größten
Auftrag in der Nähe des Watts und der großen Priele in der unteren Salzwiese liegen.
Möglicherweise könnte ein Zusammenhang mit der Überflutungshäufigkeit festgestellt
werden, wenn diese auf allen Probeflächen gemessen worden wäre und so die
räumlichen Gegebenheiten (Senken, Prielnähe, Lage hinter Barrieren) und die
Beeinflussung durch Winde miteinbezogen worden wären (Bockelmann et al. 2002). Da
die Flächen mit den hohen Sedimentationsraten fast alle dicht beieinander im östlichen
Teil des Untersuchungsgebiets liegen (Probeflächen Nr.3, 4, 19, 20, 21, 22, 23, s.
Anhang: Abbildung I-1), könnte es sich um das Ergebnis einer Sturm- oder Springflut
handeln, die sich aufgrund von Wind und Strömungsverhältnissen besonders auf diese
Flächen ausgewirkt hat.
5 DISKUSSION 92
Ein Großteil der Pionierzonenflächen unterlag im Untersuchungsjahr Erosionsprozessen.
Auf allen nur spärlich mit Salicornia stricta besiedelten Flächen wurde zwischen 0,8 und
2,2 cm Substrat abgetragen. Flächen mit dichterem Salicornia-Bewuchs oder Spartina
anglica-Beständen wiesen positive Sedimentationsraten auf. Dies deckt sich mit der
Beschreibung von Ellenberg (1996), dass erst dichte Salicornia-Bestände die
Sedimentation fördern. Sie führen zur Strömungsberuhigung des Wassers, so dass sich
die Transportfähigkeit vermindert und Sediment abgelagert wird. Vereinzelt stehende
Pflanzen können die Strömungsgeschwindigkeit nicht ausreichend verringern. Auch
Dijkema (1998) beschreibt zunehmende Sedimentation mit zunehmender
Vegetationsbedeckung. Da nur ausdauernde Pflanzen auch im Winter den Boden vor
Erosion schützen können, sind Flächen mit Salicornia-Beständen im Winter
Erosionsprozessen ausgesetzt (Ellenberg 1996). Dies deckt sich ebenfalls mit den
Beobachtungen auf Mellum. Die Flächen mit Salicornia-Beständen, auf denen Sediment
abgelagert wurde, weisen zusätzlich ausdauernde Pflanzen (Puccinellia maritima,
Limonium vulgare) auf. Dijkema (1998) und Langlois et al. (2001) stellten fest, dass
Puccinellia maritima das Substrat nicht nur vor Erosion schützt, sondern auch die
Sedimentation fördert.
Eigene Beobachtungen im Gelände zeigten, dass besonders die (fast) vegetationslosen
Wattflächen sehr veränderlich sind. Innerhalb von Tagen können im Wechselspiel von
Wind und Gezeitenströmungen neue kleine Priele und Senken als deutliche Zeichen
ständiger Sedimentverlagerung entstehen. Da es sich bei meinen Ergebnissen um die
erste auswertbare Messung handelt, kann keine Aussage darüber getroffen werden, ob
es sich bei den Erosionsprozessen in der Pionierzone um eine langfristige Entwicklung
oder um eine Momentaufnahme in der Dynamik der Landschaft handelt.
Die extremen Umlagerungen im Strand- und Dünenbereich sind auf die Sturmfluten im
Herbst 2006 zurückzuführen, bei denen die ehemalige Nordwestdüne durchbrochen und
der Sand zum Teil umgelagert wurde. Der Sand lagerte sich teilweise auf den
Salzwiesenflächen hinter den Dünen ab. (s. Kap. 2.2). Solche Dünendurchbrüche mit
Sandausspülung in die rückseitigen Salzwiesen sind auch für die anderen ostfriesischen
und westfriesischen Inseln beschrieben worden. Sie werden als Sloop oder washover und
der ausgespülte Sandfächer washover fan bezeichnet und gehören zur natürlichen
Dynamik des Wattenmeeres (Petersen & Pott 2005). Der offen liegende Sand des
washover fan kann durch den Wind weiter in die Salzwiese transportiert werden und
größere Bereiche bedecken (ebenda). Auch dies konnte auf Mellum beobachtet werden.
5 DISKUSSION 93
Abgesehen von diesen extremen Umlagerungsprozessen nimmt die Stabilität des
Substrates auf Mellum sowohl in den Dünen als auch in der Salzwiese von der
Wasserkante zum Inselinneren zu. In den Dünen sind diese Unterschiede vor allem auf
die verschiedenen Sukzessionsstadien zurückzuführen (Ellenberg 1996, Petersen & Pott
2005, Wolff 1983). In der typischen Dünensukzessionsreihe in Verbindung mit dem
Strand, wie z.B. Ellenberg (1996) und Petersen & Pott (2005) sie beschreiben, entwickeln
sich am Strand Vordünen und bei zunehmender Stabilisierung durch Vegetation und
damit verbundenen Bodenbildungsprozessen erst Weißdünen und dann Graudünen. So
können sich mehrere Dünenketten hintereinander bilden. Dabei nimmt das Alter vom
Strand ins Inselinnere zu. An die ehemalige Nordwestdüne (Weißdüne) auf Mellum
schließt sich mit Ausnahme eines kleinen Graudünenbereichs direkt die Salzwiese an. Es
lässt sich keine Graudünenkette erkennen. Da die Graudünenbereiche im
Untersuchungsgebiet keine typische Graudünenvegetation aufweisen (s. Kap. 4.1.7) und
ihre Form an flache Dünen in der Inselmitte erinnern, vermute ich, dass sie kein Stadium
der typischen mit dem Strand verbundenen Dünensukzession sind, sondern aus der Zeit
stammen, als der ehemalige Zwischensand noch nicht bewachsen und äolischen
Prozessen unterworfen war (Kuhbier 1987). Auch nach Eggers et al. (2008) ist die
Dünenentwicklung auf Mellum bisher kaum über das Vor- und Weißdünenstadium
herausgekommen. Sie beschreiben für die Insel lediglich graudünenähnliche Bereiche.
Unabhängig von der Entstehung ist das Substrat der Graudüne aber durch die Vegetation
stabilisiert. Außerdem liegen die Graudünenbereiche im Windschatten der Vordünen und
sind so weniger starken Umlagerungsprozessen ausgesetzt als diese.
5 DISKUSSION 94
5.2.2 Habitatmodelle
Im Folgenden werden die Ergebnisse der Modellierung diskutiert. Dabei werden zunächst
die Variablen, die in den Habitatmodellen enthalten sind, verglichen und der Einfluss der
Variablen auf die Zonierung der Vegetation betrachtet.
Im zweiten Teil werden die multiplen Modelle der einzelnen Arten diskutiert und auf
ökologische Sinnhaftigkeit überprüft. Die Arten wurden entsprechend ihrer Zugehörigkeit
zu den Vegetationstypen Pionierzone, untere Salzwiese, obere Salzwiese und Dünen
geordnet und werden zum Teil zusammenfassend diskutiert.
5.2.2.1 Zonierung
Beeftink (1977) beschreibt die Zonierung der Salzwiesenvegetation als Reaktion der
Pflanzen auf Salinität und Überflutung.
In meiner Arbeit zeigen die meisten univariaten Modelle der Arten zonenspezifische
Reaktionen entlang der Gradienten Überflutungshäufigkeit/Feuchtigkeit und Leitfähigkeit.
Dies deutet darauf hin, dass auch auf Mellum diese Faktoren die Zonierung der
Vegetation beeinflussen. Da jedoch die räumliche Verteilung der Vegetation nicht nur von
einer Umweltvariablen abhängig ist, sondern von der Kombination verschiedener
Faktoren bestimmt wird, müssen für eine genauere Betrachtung die multiplen Modelle
herangezogen werden. Tabelle 23 zeigt, in wie vielen Modellen eine Variable enthalten ist
und wie häufig sie ein Gewicht über 25 % erreicht.
Tabelle 23: Anzahl der Modelle in denen die Variablen enthalten sind und Gewichte über 25 % erreichen.
Gesamter Datensatz Salzwiesendatensatz
Variablen Anzahl Modelle
Anzahl Modelle mit > 25 % Gewicht
Variablen Anzahl Modelle
Anzahl Modelle mit > 25 % Gewicht
CO3 3 1 CO3 2 1 UEH 9 5 WASSER_pc 4 4 LF_pc 7 1 LF_pc 2 1 STOER_abs 9 4 STOER_abs 3 0 P 11 7 P 3 1 S_eDW 10 4 S_eDW 6 5
Der wichtigste Einflussfaktor in den Modellen des gesamten Datensatzes ist der
Phosphorgehalt, da die Variable in den multiplen Modellen des gesamten Datensatzes am
häufigsten enthalten ist. Weitere wichtige Faktoren sind der Sandanteil, die Störung und
die Überflutungshäufigkeit. Der Einfluss der Leitfähigkeit auf die Vegetation ist geringer.
Die Variable wurde zwar in sieben Modelle aufgenommen, erreicht aber nur in einem ein
5 DISKUSSION 95
Gewicht von über 25 %.Im Salzwiesendatensatz sind der Sandgehalt und die Feuchtigkeit
die wichtigsten Einflussfaktoren.
In vielen Arbeiten werden Überflutung oder Geländehöhe, Salinität und Durchlüftung als
wichtigste Faktoren, die die Zonierung der Salzwiesenvegetation beeinflussen, dargestellt
(Beeftink 1977, Ungar 1998, Schröder et al. 2002, Gronewold unveröff.). Dies deckt sich
nur zum Teil mit meinen Ergebnissen. Zwar ist die Überflutungshäufigkeit/Feuchtigkeit
(und damit die Geländehöhe und die Durchlüftung) ein wichtiger Einflussfaktor in beiden
Datensätzen, die Salinität spielt hier aber nur eine untergeordnete Rolle.
Gray & Bunce (1972) beschreiben die Variation der edaphischen Bedingungen (z.B.
Nährstoffgehalt) durch Bodenbildungsprozesse als weiteren Einflussfaktor auf die
Verteilung der Vegetation in Salzwiesen. Ollf et al. (1997) führen die Zonierung der
Vegetation auf unterschiedlich mächtige Schlickauflagen und damit verbunden
unterschiedliche Nährstoffgehalte des Bodens zurück. Auch Schröder et al. (2002) stellten
für die Hamburger Hallig Bodenart und Stickstoffgehalt als weitere Einflussgrößen fest.
Geht man davon aus, dass der Sandanteil hier stellvertretend für den Schlickanteil und
damit für den Stickstoffgehalt steht (Olff et al. 1997), stimmt dies gut mit meinen
Ergebnissen überein. In beiden Datensätzen hat der Sandanteil großen Einfluss auf das
Vorkommen der Arten. Der Phosphorgehalt spielt im Salzwiesendatensatz zwar eine
untergeordnete Rolle, im gesamten Datensatz ist er aber der wichtigste Einflussfaktor.
Der geringe Einfluss der Leitfähigkeit auf das Vorkommen der Arten ist möglicherweise
auf die große zeitliche und räumliche Variabilität des Salzgehalts zurückzuführen
(s. Kap 5.1).
5 DISKUSSION 96
5.2.2.2 Arten
Abbildung 47 zeigt die Modelle des gesamten Datensatzes bzw. des
Salzwiesendatensatzes für die einzelnen Arten. Dargestellt sind die Variablen mit ihrem
Gewicht im model averaging und der Wirkrichtung. Die Arten sind nach ihrer
Zugehörigkeit zu den Vegetationstypen und innerhalb der Typen nach Ähnlichkeit der
Modelle geordnet. Variablen mit sehr kleinen Gewichten werden nicht diskutiert und sind
in der Abbildung nicht dargestellt.
0%
20%
40%
60%
80%
100%
Sal.str Spa.angSua.mar Atr.por Sal.bra Puc.marLim.vul Art.mar Fes.li Ely.ath Fes.ar Ely.far
PZ USW OSW D
Modelle des gesamten Datensatzes
Var
iabl
enge
wic
ht [%
]
CO3
UEH
LF
STOER
P
S_eDW
negativ
positiv
unimodal
0%
20%
40%
60%
80%
100%
Sal.str Spa.angSua.mar Atr.por Sal.bra Puc.marLim.vul Art.mar Fes.li Ely.ath Fes.ar Ely.far
PZ USW OSW D
Modelle des gesamten Datensatzes
Var
iabl
enge
wic
ht [%
]
CO3
UEH
LF
STOER
P
S_eDW
negativ
positiv
unimodal
0%
20%
40%
60%
80%
100%
Sal.str Spa.ang Sua.mar Atr.por Art.mar Fes.rub.li Ely.ath
PZ USW OSWModelle des Salzwiesendatensatzes
Varia
blen
gew
icht
[%]
CO3
WASSER
LF
STOER
P
S_eDW
negativ
positiv
unimodal
0%
20%
40%
60%
80%
100%
Sal.str Spa.ang Sua.mar Atr.por Art.mar Fes.rub.li Ely.ath
PZ USW OSWModelle des Salzwiesendatensatzes
Varia
blen
gew
icht
[%]
CO3
WASSER
LF
STOER
P
S_eDW
negativ
positiv
unimodal
Abbildung 47: Modelle des gesamten Datensatzes (oben) und des Salzwiesendatensatzes (unten). (Die Abkürzungen entsprechen denen des Ergebnisteils. Nähere Erläuterungen im Text).
5 DISKUSSION 97
Pionierzone
Das Modell für Salicornia stricta unterscheidet sich deutlich von den Modellen der
übrigen Arten (s. Abbildung 47). Im gesamten Datensatz zeigen die Variablen Leitfähigkeit
und Überflutungshäufigkeit nur bei Salicornia stricta einen deutlichen, positiven Einfluss.
Salicornia stricta ist die einzige Art, die nicht vom Sandanteil oder vom Phosphorgehalt
beeinflusst wird. Sie ist außerdem die einzige Art, deren Vorkommen deutlich vom
Carbonatgehalt gefördert wird.
Auch im Salzwiesendatensatz unterscheidet sich das Modell für Salicornia stricta von den
übrigen. Es ist das einzige Modell im Salzwiesendatensatz, das nicht die Variable
Sandanteil enthält und positiv von der Feuchtigkeit beeinflusst wird. Auch der positive
Einfluss des Carbonatgehalts ist nur in diesem Modell zu finden.
Die positive Reaktion der Art auf Salinität und Überflutung deckt sich mit den Ergebnissen
anderer Arbeiten. So konnte Cooper (1982) feststellen, dass Salicornia europaea salziges
Substrat vorzieht. Gronewold (unveröff.) beobachtet eine positive Reaktion des
Vorkommens von Salicornia europaea auf zunehmende Chloridgehalte. Davy (2001)
beschreibt die Art als sehr überflutungs- und salztolerant. Auch Schröder et al. (2002)
stellten auf der Hamburger Hallig fest, dass die Deckung von Salicornia europaea mit
abnehmender Geländehöhe und zunehmender Salinität zunimmt.
Die Tatsache, dass Salicornia stricta die einzige Art im gesamten Datensatz ist, deren
Vorkommen positiv von der Leitfähigkeit beeinflusst wird, deckt sich mit Ellenberg (1996),
der die Gattung Salicornia als eine der wenigen „salzliebenden“ Gattungen bezeichnet.
Auch Chapman (1974) bezeichnet Salicornia als obligaten Halophyten.
Zum Einfluss des Carbonatgehalts auf Salicornia stricta fanden sich keine Aussagen in
der Literatur. Möglicherweise handelt es sich bei dem positiven Einfluss auf das
Vorkommen von Salicornia stricta um einen weiteren Hinweis auf die hohe
Überflutungstoleranz der Art. Carbonat wird durch Überflutung und damit einhergehender
Sedimentation von carbonatreichem Sediment in die Salzwiese eingetragen.
Die Tatsache, dass in den Modellen beider Datensätze die Nährstoffvariablen
(Phosphorgehalt, Sandanteil (s. Kap. 5.2.1)) nicht enthalten sind, lässt sich
möglicherweise auf die gute Nährstoffversorgung des Watts durch die tägliche
Überflutung zurückführen. Dadurch ist Salicornia stricta vielleicht nicht so wie die Arten
der höher liegenden Bereiche auf die Nährstoffvorräte im Boden angewiesen. Eine andere
5 DISKUSSION 98
mögliche Erklärung ist, dass die harschen Lebensbedingungen in der Pionierzone
eventuelle Nährstoffansprüche der Art überdecken.
Im Unterschied zu Salicornia stricta enthalten beide Modelle für Spartina anglica die
Variablen Phosphorgehalt mit positiver und Sandgehalt mit negativer Wirkrichtung. Auch
die Variablen Störung und Überflutungshäufigkeit bzw. Feuchtigkeit sind in beiden
Modellen enthalten (s. Abbildung 47). Huckle et al. (2000) stellten in Experimenten fest,
dass Spartina sandiges Substrat zwar toleriert, unter natürlichen Gegebenheiten aber auf
nährstoffreichem, tonhaltigem Sediment besseren Wuchs zeigt. Dies deckt sich mit den
Ergebnissen meiner Arbeit. Dagegen beschreiben Schröder et al. (2002) für die
Hamburger Hallig größere Deckungen von Spartina anglica auf eher sandigen Böden. Im
Gegensatz zu Mellum handelt es sich bei der Hamburger Hallig um eine
Festlandssalzwiese, die intensiv beweidet wurde. Spartina anglica ist eine relativ
weideempfindliche Art. Möglicherweise besiedelt die Art aufgrund des
„Beweidungsstresses“ dort andere Habitate als in der unbeweideten Salzwiese Mellums.
Gronewold (unveröff.) stellte auf den Salzwiesen der Hamburger Hallig als entscheidende
Faktoren für das Vorkommen von Spartina anglica die steigende Anzahl der
Überflutungen und abnehmende Tiefe des Gr-Horizontes fest. Auch in meiner Arbeit wird
das Vorkommen von Spartina anglica von der Überflutung beeinflusst. Im gesamten
Datensatz enthält das Modell die Variable Überflutungshäufigkeit mit positiver
Wirkrichtung. Allerdings ist das Gewicht der Variable klein. Die Variable kann auf Mellum
also nicht als entscheidender Faktor angesehen werden. Im Salzwiesendatensatz ist das
Gewicht der Variable Feuchtigkeit deutlich größer, hier ist der Zusammenhang allerdings
unimodal. Der Unterschied zwischen der Wirkrichtung der Variablen in den beiden
Modellen ist möglicherweise auf den verkürzten Gradienten durch das Fehlen der sehr
geringen Überflutungshäufigkeiten und sehr niedrigen Grundwasserstände der
Dünenflächen zurückzuführen. Außerdem handelt es sich bei der Variablen Feuchtigkeit
um die Hauptkomponente aus der Überflutungshäufigkeit und dem mittleren
Grundwasserstand. Im gesamten Datensatz ist dagegen nur die Überflutungshäufigkeit
enthalten. Der unimodale Zusammenhang im Salzwiesendatensatz deutet darauf hin,
dass die Art zwar sehr häufige Überflutungen verträgt (gesamter Datensatz), bei sehr
hohen mittleren Grundwasserständen und dadurch schlechter Durchlüftung jedoch
zurückgeht. Auch Groenendijk (1987) stellte reduzierten Wuchs von Spartina anglica bei
Staunässe fest.
Spartina anglica ist neben Salicornia stricta die einzige Art, die einen unimodalen
Zusammenhang mit der Störung aufweist. Die Arten werden also bis zu einem gewissen
5 DISKUSSION 99
Grad positiv von Sedimentation/Erosion beeinflusst. Spartina anglica wurde als
Schlickfänger im Rahmen der Landgewinnung an der Wattenmeerküste gepflanzt und hat
sich weit verbreitet (Pott 1995). Kuhbier (1987) stellte auf Mellum eine hohe Toleranz der
Art gegenüber Übersandung fest. Nach Goodman (1960) sterben an der englischen Küste
Spartina-Bestände sogar ab, wenn die Sedimentzufuhr fehlt.
Untere Salzwiese
Im gesamten Datensatz weisen Suaeda maritima und Atriplex portulacoides sehr
ähnliche Modelle auf (s. Abbildung 47). Beide Modelle enthalten dieselbe
Variablenkombination, die auch hinsichtlich der Wirkrichtungen identisch sind. Lediglich
die Variablen Phosphorgehalt und Sandanteil haben in den Modellen unterschiedliche
Gewichte. Die Modelle beider Arten im Salzwiesendatensatz unterscheiden sich stärker.
Hier kommt nur die Variable Sandanteil in beiden Modellen vor. Sie weist jedoch
unterschiedliche Wirkrichtungen auf.
Nach Schröder et al. (2002) kommt Suaeda maritima auf der Hamburger Hallig auf
tonigen stickstoffreichen Böden vor. Kiehl et al. (1997) und Jefferies (1977) stellten
schnelles Wachstum bzw. erhöhte Biomasseproduktion der Art nach Stickstoffdüngung
fest. Dies stimmt zum Teil mit meinen Ergebnissen überein. Im gesamten Datensatz ist
der Zusammenhang mit dem Sandgehalt negativ, während er im Salzwiesendatensatz
unimodal ist. Dieser Unterschied ist eventuell auf den durch das Fehlen der sehr
sandreichen Dünenflächen verkürzten Gradienten im Salzwiesendatensatz
zurückzuführen.
In beiden Datensätzen weisen die Modelle für Suaeda maritima positive Zusammenhänge
mit dem Phosphorgehalt auf. Dieser Zusammenhang konnte nicht mit der Literatur belegt
werden. Kiehl et al. (1997) und Jefferies & Perkins (1977) stellten fest, dass Salzwiesen
stickstofflimitierte Lebensräume sind. Eine Phosphorlimitierung spielt nach van Wijnen &
Bakker (1999) in jüngeren, aufgrund von dünneren Schlickauflagen nährstoffärmeren
Salzwiesen eine Rolle. Ist Stickstoff im Überfluss verfügbar, kann ebenfalls eine
Phosphorlimitierung auftreten.
Ein wichtiger Einflussfaktor im Modell des gesamten Datensatzes ist die Störung, mit der
Suaeda maritima einen negativen Zusammenhang aufweist. Tessier et al. 2002) stellten
fest, dass die Art in Salzwiesen der französischen Küste häufig auf gestörten und daher
kurzfristig vegetationslosen Flächen der unteren Salzwiese vorkommt. Da sie eine
permanente Samenbank ausbildet, kann sie auf diesen Flächen kurzzeitig mit den
ausdauernden Arten konkurrieren. Gerade an durch Sedimentation gestörten Prielrändern
5 DISKUSSION 100
bildet Suaeda maritima dichte Bestände. Dies steht im Widerspruch zu meinem Ergebnis,
wonach ein Vorkommen der Art mit abnehmender Störung wahrscheinlicher wird.
Möglicherweise ist dies darauf zurückzuführen, dass es große Unterschiede in der
Störungsintensität zwischen den Dünen- und Salzwiesenbereichen gibt. Die starke
Störung in den Dünen und die verhältnismäßig geringen Unterschiede in der Salzwiese
führen dazu, dass entlang des Störungsgradienten alle Flächen der unteren und oberen
Salzwiese nahezu ungestört sind. Daher ist es vorstellbar, dass die Variable Störung in
den Modellen des gesamten Datensatzes lediglich zwischen Dünen, Pionierzone und
Salzwiese differenziert und dabei die feinen Unterschiede der Störungsintensität in den
Salzwiesenbereichen nicht berücksichtigt werden.
Auch für Atriplex portulacoides stellten Jefferies & Perkins (1977) eine Förderung des
Wachstums durch Stickstoff fest. Roozen & Westhoff (1985) beschreiben für Terschelling
eine Zunahme der Art mit zunehmender Schlickauflage und bei relativ guter Durchlüftung
des Bodens. Dies deckt sich mit meinen Ergebnissen. In den Modellen beider Datensätze
ist der Zusammenhang mit dem Sandanteil negativ. Geht man davon aus, dass ein
zunehmender Schlickanteil mehr Stickstoff bedeutet, reagiert Atriplex portulacoides auch
auf Mellum positiv auf Stickstoff. Schröder et al. (2002) und Gronewold (unveröff.) stellten
die Art auf der Hamburger Hallig auf eher sandigen, schluffigen Böden fest. Dieser
Unterschied ist möglicherweise auf die Unterschiede zwischen einer schlickreichen
Festlandssalzwiese im Gegensatz zu einer sandigen Inselsalzwiese zurückführen. Sehr
hohe Schlickanteile auf Mellum sind im Verhältnis zur Hamburger Hallig eventuell
trotzdem vergleichsweise gering. Außerdem könnte das fehlende Entwässerungssystem
im Gegensatz zum Grüppensystem der Hamburger Hallig eine Rolle bei der Verbreitung
der Art spielen, da ein weiterer wichtiger Einflussfaktor auf das Vorkommen von Atriplex
portulacoides die Durchlüftung des Bodens ist (Roozen & Westhoff 1985, Chapman
1974). Dieser Zusammenhang ist auf Mellum im Modell des Salzwiesendatensatzes zu
finden. In diesem Model ist die Variable Feuchtigkeit mit einem unimodalen
Zusammenhang enthalten. Bei zu großer Feuchtigkeit geht Atriplex zurück. Auch zu
große Trockenheit wirkt sich negativ auf das Vorkommen der Art aus. Dies deckt sich mit
der Aussage von Chapman (1950), dass Atriplex portulacoides gelegentliche Überflutung
benötigt.
Die Variable Störung ist in beiden Datensätzen enthalten. Im gesamten Datensatz gilt hier
sicherlich ebenfalls die oben erwähnte Problematik der großen Variabilität des
Datensatzes. Dass die Variable aber auch im Modell des Salzwiesendatensatzes mit
negativer Wirkrichtung enthalten ist, weist darauf hin, dass das Vorkommen der Art
5 DISKUSSION 101
dennoch einen Zusammenhang mit der Störung aufweist. In der Literatur sind keine
Aussagen über eine eventuelle Beeinträchtigung von Atriplex portulacoides durch
Sedimentation zu finden. Da bei einer Störung durch Erosion die Pflanzendecke häufig
komplett abgetragen wird, müssen längerfristige Untersuchungen durchgeführt werden,
um die Reaktion von Atriplex portulacoides auf diese Art von Störung zu beschreiben. De
Leeuw (1992) und Tessier (2002) untersuchten die Wiederbesiedlung von Flächen nach
Entfernung der oberirdischen und unterirdischen Biomasse. Sie stellten fest, dass Atriplex
sich innerhalb von einigen Jahren wieder etabliert, vor allem dann wenn Wurzeln und
Rhizome noch vorhanden sind. Jensen (1985) beschreibt Atriplex portulacoides als
empfindlich gegenüber mechanischer Störung, wie z.B. Beweidung. Möglicherweise wird
die Art auch durch starken Sedimentauftrag z.B. bei Sturmfluten mechanisch geschädigt.
Tessier et al. 2002) stellten fest, dass Suaeda maritima als einjährige Art zu den ersten
Besiedlern nach Störungen gehört. Im Verlauf der Entwicklung wird sie später jedoch von
höherwüchsigen, ausdauernden Arten wie Atriplex portulacoides auskonkurriert. Dies
deckt sich mit den Modellen der beiden Arten des gesamten Datensatzes. Aufgrund der
unterschiedlichen Strategien – Einjährigkeit versus Ausdauer – können die beiden Arten
mit ähnlichen Habitatansprüchen nebeneinander existieren.
Salicornia brachystachya und Puccinellia maritima fallen durch ihre nahezu
identischen Modelle auf (s. Abbildung 47). Im Gegensatz zu allen anderen Arten der
unteren Salzwiese haben beide Modelle einen unimodalen Zusammenhang mit dem
Phosphorgehalt. Außerdem enthalten innerhalb der unteren Salzwiese nur diese beiden
Modelle die Variable Überflutungshäufigkeit.
Im Unterschied zu Salicornia stricta kommt Salicornia brachystachya nach Petersen &
Pott (2005) und Haeupler & Muer (2007) vor allem in der unteren Salzwiese in
schlickreichen Senken, Erosionsbereichen und an Prielrändern vor. Dies deckt sich mit
den Ergebnissen meiner Arbeit. Hier weist die Art im Gegensatz zu Salicornia stricta
einen unimodalen Zusammenhang mit der Überflutungshäufigkeit und damit mit der
Geländehöhe auf. Die sehr häufig überfluteten Flächen der Pionierzone werden nicht
besiedelt. Lediglich auf den höher gelegenen Pionierzonenflächen der Westplate ist die
Art zu finden. Auch Joenje (1978 in Roozen & Westhoff 1985) beschreibt die Art bei der
Besiedlung eine vegetationslosen Sandplate als typisch für die höher gelegenen
Bereiche. Rozema et al. (1987) stellten fest, dass Salicornia brachystachya eine hohe
Salzresistenz gerade bei seltener Überflutung aufweist. Für diese Anpassung an
hypersaline Bedingungen, wie sie in höher gelegenen Flächen der Salzwiese auftreten
können, benötigt die Art Stickstoff für den Aufbau von Osmolyten (Stewart et al. 1973),
5 DISKUSSION 102
den sie besser bei seltenerer Überflutung aufnehmen kann. Diese Beziehung lässt sich
auch in meinen Ergebnissen erkennen. Es besteht ein negativer Zusammenhang mit dem
Sandgehalt und ein unimodaler Zusammenhang mit der Überflutungshäufigkeit.
Schröder et al. (2002) stellten auf der Hamburger Hallig eine zunehmende Deckungen
von Puccinellia maritima mit abnehmender Geländehöhe, abnehmender Tiefe des Gr-
Horizontes und zunehmender Salinität fest. Auf Mellum besteht zwischen der
Vorkommenswahrscheinlichkeit von Puccinellia maritima und der Überflutungshäufigkeit
ein unimodaler Zusammenhang. Bei sehr häufiger Überflutung, wie in der Pionierzone,
geht die die Art zurück. Dies steht den Ergebnissen von Schröder et al. (2002) nicht
entgegen,da dort die Pionierzone nicht mit in die Untersuchung mit einbezogen wurde, so
dass Aussagen zu diesem Bereich fehlen.
Kiehl et al. (1997) stellten bei Düngeexperimenten reduziertes Wachstum von Puccinellia
bei Zugabe von Stickstoff fest. Bei Zugabe von Phosphor konnte keine Reaktion
festgestellt werden. Scholten et al. (1987) stellten bei einem Düngeexperiment fest, dass
Puccinellia in Monokultur positiv auf die Düngung mit Stickstoff reagiert. Daher führten
Kiehl et al. (1997) den reduzierten Wuchs bei Stickstoffdüngung vor allem auf stärkeres
Wachstum schnellwüchsiger Arten wie Suaeda maritima zurück, die dadurch in der Lage
waren Puccinellia maritima zu überschatten. In meiner Arbeit besteht ein negativer
Zusammenhang mit dem Sandgehalt. Die Art scheint auf Mellum also positiv vom
Stickstoffgehalt beeinflusst zu werden. Im Gegensatz zu der Arbeit von Kiehl et al. (1997)
besteht in meiner Arbeit aber ein unimodaler Zusammenhang mit dem Phosphorgehalt.
Dies ist möglicherweise auf die geringen Schlickanteile und damit nährstoffärmeren
Verhältnisse der Inselsalzwiese zurückzuführen (van Wijnen & Bakker 1999). Auf Mellum
steht Phosphor eventuell nicht ausreichend zu Verfügung und hat daher Einfluss auf das
Vorkommen von Puccinellia maritima. Der unimodale Zusammenhang weist
möglicherweise darauf hin, dass sowohl Salicornia brachystachya als auch Puccinellia
maritima bei höheren Phosphorgehalten von konkurrenzfähigeren Arten wie Atriplex
portulacoides und Suadea maritima verdrängt werden. Diese Arten weisen einen positiven
Zusammenhang mit dem Phosphorgehalt auf. Da Salicornia brachystachya und
Puccinellia maritima nach meinen Ergebnissen die gleichen Habitatansprüche zeigen,
sind die beiden Arten ebenfalls Konkurrenten.
Möglicherweise spielt ebenso wie bei Suaeda maritima und Atriplex portulacoides die
Strategie Einjährigkeit gegenüber Ausdauer eine Rolle bei der Einnischung.
5 DISKUSSION 103
Es ist aber auch vorstellbar, dass bei diesen beiden Arten Lichtkonkurrenz die Etablierung
beeinflusst (Kiehl et al. 1997).
Limonium vulgare ist die einzige Art der unteren Salzwiese, die einen unimodalen
Zusammenhang mit dem Sandanteil aufweist (s. Abbildung 47). Bei besonders niedrigen
Sandanteilen und damit hohen Schlickanteilen geht die Art im Gegensatz zu den übrigen
Arten der unteren Salzwiese zurück. Boorman (1967) beschreibt Limonium vulgare als
typisch auf mächtigen Schlicklagen. Die Art kann aber auch auf dünneren Schlicklagen
dominant sein. Nach seiner Aussage spielt möglicherweise die Überflutungshäufigkeit
eine entscheidendere Rolle. Als Art der unteren Salzwiese kommt Limonium vulgare erst
ab einer bestimmten Geländehöhe und damit Überflutungshäufigkeit vor. Ein direkter
Zusammenhang mit der Überflutungshäufigkeit konnte in meiner Arbeit nicht festgestellt
werden.
Die Abnahme von Limonium vulgare bei sehr hohen Schlickanteilen kann möglicherweise
mit der Konkurrenz höherwüchsiger Arten bei zunehmendem Stickstoffgehalt begründet
werden (Olff et al. 1997). Van Wijnen & Bakker (1999) stellte fest, dass Limonium vulgare
bei Düngung mit Stickstoff in der unteren Salzwiese von Festuca rubra auskonkurriert
wird. Dies deckt sich mit der Aussage von Boorman (1967), der die Art als
konkurrenzschwach gegenüber größeren Arten beschreibt. Auf für Atriplex portulacoides
günstigen Standorten kann auch diese Art Limonium vulgare verdrängen.
Der positive Zusammenhang mit der Variablen Phosphorgehalt deckt sich mit der
Aussage von Roozen & Westhoff 1985), die Limonium vulgare auf mächtigen
Schlicklagen in der unteren Salzwiese feststellten. Auf Mellum sind die auf den
schlickreichen Flächen der unteren Salzwiese die höchsten Phosphorgehalte zu finden.
Auch in diesem Modell gehe ich davon aus, dass die Variable Störung nicht die
eigentliche Störung darstellt, sondern zwischen Salzwiese, Pionierzone und Dünen
unterscheidet. Eigene Beobachtungen zeigen, dass Limonium auf Mellum hohe
Frequenzgrade auf den am stärksten gestörten Flächen der unteren Salzwiese erreicht.
Die Rhizome der Art werden im Winter zum Teil komplett freigelegt, treiben im Frühjahr
aber wieder aus. Auch Überdeckung mit Sediment scheint die Art auf diesen Flächen
nicht zu beeinträchtigen. Daher gehe ich davon aus, dass die negative Wirkrichtung der
Störung auf die oben genannte Problematik zurückzuführen ist. In der Literatur finden sich
Hinweise, dass sich Störungen durch die damit einhergehende Reduzierung von
Lichtkonkurrenten sogar positiv auf Limonium auswirken können (Boorman 1967).
Möglich ist beispielsweise im Bereich der unteren Salzwiese, dass höherwüchsige
5 DISKUSSION 104
konkurrierende Arten, wie Atriplex portulacoides, durch mechanische Beanspruchung bei
starken Umlagerungsprozessen von Sedimenten z.B. bei Sturmfluten negativ beeinflusst
werden.
Obere Salzwiese
Im gesamten Datensatz ist das Modell für Artemisia maritima das einzige, das die
Variable Sandanteil enthält (s. Abbildung 47). Auch im Salzwiesendatensatz enthält das
Modell der Art diese Variable. Hier ist sie sogar die einzige Variable mit einem deutlichen
Einfluss. Die Wirkrichtung ist in beiden Modellen unimodal. Nach Roozen & Westhof
(1985) kommt die Art, wie auch Atriplex portulacoides, auf schlickigen, relativ gut
durchlüfteten Böden vor, bevorzugt allerdings weniger salzige Bedingungen. Schröder et
al. (2002) stellten eine Zunahme von Artemisia maritima mit zunehmender Geländehöhe,
zunehmender Tiefe des Gr-Horizontes und abnehmender Salinität fest. Diese Aussagen
lassen sich auch in meinen Ergebnissen wiederfinden. Im Gegensatz zu Atriplex
portulacoides weist Artemisia einen unimodalen Zusammenhang mit dem Sandgehalt und
mit dem Phosphorgehalt auf. Ebenso wie bei Limonium vulgare werden die besonders
sandigen und schlickigen Böden in der Pionierzone, die häufig überflutet werden und
damit schlecht durchlüftet und salzhaltig sind, nicht besiedelt.
Van Wijnen & Bakker (1999) stellte für Artemisia maritima einen Biomassezuwachs bei
steigenden Stickstoffgehalten fest. Dies deckt sich zum Teil mit meinen Ergebnissen. Hier
wurde allerdings ein unimodaler Zusammenhang mit dem Sandgehalt festgestellt, was auf
einen Rückgang der Art bei sehr hohen Stickstoffgehalten hinweist. Dies ist
möglicherweise darauf zurückzuführen, dass sich die Flächen mit einem hohen
Schlickanteil und damit hohem Stickstoffgehalt (Olff et al. 1997) in der unteren Salzweise
befinden. Möglicherweise sin diese Flächen dadurch zu schlecht entlüftet und zu
salzhaltig für ein Vorkommen von Artemisia. Dagegen spricht allerdings, dass die
Variablen Leitfähigkeit und Überflutungshäufigkeit nicht in die Modelle aufgenommen
wurden. Andererseits können hier auch die methodischen Probleme der beiden Variablen
(Berechnung der Überflutungshäufigkeit aus der Geländehöhe, starke Variabilität des
Salzgehalts(s.o.)) zu fehlenden Zusammenhängen führen.
Im gesamten Datensatz enthält das Modell für Artemisia maritima, wie auch die Modelle
der anderen Arten der oberen Salzwiese, die Variable Phosphorgehalt mit einem
unimodalen Zusammenhang. Aussagen über einen direkten Einfluss des
Phosphorgehalts auf das Wachstum von Artemisia maritima, Festuca rubra ssp litoralis
und Elymus athericus konnten in der Literatur nicht bestätigt werden. Obwohl Salzwiesen
in der Regel stickstofflimitierte Lebensräume sind (Kiehl et al. 1997, Jefferies 1977,
5 DISKUSSION 105
Jefferies & Perkins 1977), können nach van Wijnen & Bakker (1999) junge schlickarme
Salzwiesen phosphorlimitiert sein. Auch ausreichende Versorgung mit Stickstoff kann zu
Limitierung durch den Phosphorgehalt führen. Dies trifft möglicherweise für die
verhältnismäßig schlick- und damit nährstoffarmen Böden auf Mellum zu. Möglicherweise
weist der unimodale Zusammenhang mit dem Phosphorgehalt aber auch auf die
Beschränkung der Arten auf die obere Salzwiese hin, in der die Phosphorgehalte
niedriger sind als in der unteren Salzwiese.
Beide Modelle für Festuca rubra ssp litoralis enthalten die Variable
Überflutungshäufigkeit bzw. Feuchtigkeit (s. Abbildung 47). Schröder et al. (2002) stellten
zunehmende Deckungen von Festuca rubra ssp litoralis mit zunehmender Geländehöhe,
zunehmender Tiefe des Gr-Horizontes und abnehmender Salinität fest. Cooper (1982)
beschreibt die Art als weniger tolerant gegenüber salzigen und anaeroben Verhältnissen.
Auch in meiner Arbeit nimmt die Vorkommenswahrscheinlichkeit im Salzwiesendatensatz
mit abnehmender Feuchtigkeit und damit besserer Durchlüftung zu. Die Variable hat im
Modell das größte Gewicht und ist damit der wichtigste Einflussfaktor. Ein direkter Einfluss
der Salinität konnte zwar nicht festgestellt werden, ein indirekter Einfluss ist über die
Variable Feuchtigkeit aber schon möglich. Im gesamten Datensatz ist die Variable
Überflutungshäufigkeit mit einem unimodalen Zusammenhang enthalten. Bei sehr
seltener Überflutung geht Festuca rubra ssp litoralis also zurück. Hier wird möglicherweise
der Einfluss der Konkurrenz mit Elymus athericus sichtbar. Die Art ist konkurrenzstärker
als Festuca und ersetzt sie im Laufe der Salzwiesensukzession und der damit
einhergehenden Anreicherung von Nährstoffen (Olff et al. 1997, Leendertse et al. 1997,
Kuijper et al. 2005). Da auch Elymus athericus negativ auf schlechte Durchlüftung reagiert
(Kleyer et al. 2003), ist es vorstellbar, dass Festuca auf Flächen, die sehr selten überflutet
werden, auskonkurriert wird. Diese Überlegung wird auch dadurch gestützt, dass das
Modell für Elymus athericus die Variable Überflutungshäufigkeit mit negativer Wirkrichtung
enthält.
Im Salzwiesendatensatz enthält das Modell für Festuca rubra ssp litoralis ebenso wie das
Modelle für Elymus athericus die Variable Sandanteil mit einem unimodalen
Zusammenhang. Kuijper et al. (2005) konnten bei Düngeexperimenten in Monokulturen
für Festuca rubra ssp litoralis und Elymus athericus einen Biomassezuwachs bei Zugabe
von Stickstoff beobachten. In Kulturen, in denen Elymus athericus und Festuca rubra ssp
litoralis zusammen wuchsen, war der Biomassezuwachs von Elymus stärker, so dass
Festuca zurückging. Dies wird mit der Konkurrenz um Licht begründet. Als
schnellwüchsige Art kann Elymus athericus Festuca rubra ssp litoralis auskonkurrieren.
5 DISKUSSION 106
Nach Kuijper et al. (2005) ist Elymus im Gegensatz zu Festuca in der Lage, Stickstoff in
den Rhizomen zu speichern und ist daher nicht so sehr auf den verfügbaren Stickstoff aus
dem Boden angewiesen. Adam (2002) beschreibt Elymus athericus als Art, die schnell
Stickstoff aufnehmen kann und bestätigt ihren Konkurrenzvorteil gegenüber Festuca rubra
ssp litoralis. Auch van Wijnen & Bakker (1999) stellten auf jungen Salzwiesenböden auf
Schiermonnikoog fest, dass Festuca in der unteren Salzwiese nach Stickstoffdüngung zu,
in der oberen Salzwiese dagegen aufgrund der Zunahme von Elymus athericus abnimmt.
In meiner Arbeit besteht im Salzwiesendatensatz für Festuca rubra ssp litoralis ein
unimodaler Zusammenhang mit der Variablen Sandanteil. Geht man davon aus, dass die
Variable Sandanteil den Stickstoffgehalt darstellt (s.o.), stimmen meine Ergebnisse für
Festuca mit den Aussagen der Literatur überein. Festuca rubra ssp litoralis kommt
bevorzugt bei mittleren Sandgehalten vor. Bei sehr geringen Sandanteilen (also hohem
Stickstoffgehalt) wird die Art aber vermutlich von Elymus athericus auskonkurriert. Aber
auch im Modell für Elymus athericus besteht ein unimodaler Zusammenhang mit dem
Sandanteil. Das bedeutet, dass auch Elymus athericus bei sehr geringen Sandanteilen
zurückgeht. Dies ist möglicherweise darauf zurückzuführen, dass die schlickigen Flächen
auf Mellum in der unteren Salzwiese zu finden sind (s. Kap. 5.2.1). Diese Flächen sind
vermutlich für Elymus athericus zu salzhaltig und zu schlecht durchlüftet (s.u.). Eventuell
spielt hier aber auch die Konkurrenz mit Atriplex portulacoides eine Rolle. Bockelmann &
Neuhaus (1999) stellten fest, dass Elymus athericus bei fehlender Konkurrenz durch
Atriplex portulacoides auch weiter in die untere Salzwiese vordringt.
Bei den Modellen für Elymus athericus fällt auf, dass die Modelle beider Datensätze zu
den wenigen Modellen gehören, die die Variable Leitfähigkeit enthalten (s. Abbildung 47).
Im gesamten Datensatz ist die Art außerdem die einzige Salzwiesenart, die einen
negativen Zusammenhang mit der Überflutungshäufigkeit aufweist. Rozema et al. (1985)
beschreiben Elymus athericus als eine der am wenigsten salztoleranten Arten der
Salzwiese, während Salicornia zu den salztolerantesten Arten gehört. Diese Aussage
lässt sich auch in meinen Ergebnissen wieder finden. Im Modell des
Salzwiesendatensatzes besteht ein negativer Zusammenhang mit der Leitfähigkeit. Im
gesamten Datensatz ist der Zusammenhang mit der Leitfähigkeit unimodal. Salicornia
stricta wird dagegen positiv beeinflusst. Der Rückgang von Elymus athericus bei sehr
geringer Salinität ist vermutlich darauf zurückzuführen, dass die Dünenflächen sehr
niedrige Leitfähigkeiten aufweisen. Elymus athericus steht dadurch anders als im
Salzwiesendatensatz nicht am Ende des Salzgradienten. Der negative Zusammenhang
mit der Überflutungshäufigkeit weist ebenfalls auf die geringere Salztoleranz der Art hin.
Auch Bockelmann (2002) beschreibt die Überflutungshäufigkeit als Einflussfaktor für das
5 DISKUSSION 107
Vorkommen von Elymus athericus und stellte fest, dass die Art vor allem auf selten
überfluteten Bereichen der oberen Salzwiese zu finden ist. Ein Rückgang der Art in
staunassen Senken beschreibt Kleyer et al. (2003). Auch dies deckt sich mit der
negativen Wirkrichtung der Überflutungshäufigkeit im Modell des gesamten Datensatzes.
Anders als im gesamten Datenssatz enthält Im das Modell für Elymus athericus im
Salzwiesendatensatz die Variable Phosphorgehalt mit negativer Wirkrichtung. Hier gilt
vermutlich dieselbe Überlegung, wie bei der Leitfähigkeit (s.o.). Die Art steht in diesem
Datensatz am Ende des Phosphorgradienten.
Dünen
Die Modelle der beiden Dünenarten Elymus farctus und Festuca rubra ssp arenaria
enthalten die Variablen Überflutungshäufigkeit und Phosphorgehalt mit negativer
Wirkrichtung (s. Abbildung 47). Elymus farctus ist die einzige Art im gesamten Datensatz,
die negativ von der Leitfähigkeit und positiv von der Störung beeinflusst wird.
Nach Petersen & Pott (2005) ist Elymus farctus ein obligater Halophyt, der zumindest in
seiner Entwicklungsphase auf eine gewisse Salinität angewiesen ist. Dieser Aussage
widerspricht die negative Wirkrichtung der Variablen Leitfähigkeit in meinen Ergebnissen.
Rozema et al. (1985) stellte fest, dass Elymus farctus weniger tolerant gegenüber
salzhaltigen Böden ist als Elymus athericus. Dies deckt sich mit meinen Ergebnissen.
Elymus farctus weist einen negativen Zusammenhang mit der Variablen Leitfähigkeit auf,
während der Zusammenhang bei Elymus athericus unimodal ist.
Als Art, die zur Bildung von Embryonaldünen beiträgt ist Elymus farctus häufiger
Überwehung mit Sand ausgesetzt. Harris & Davy (1986) stellten in einem Experiment fest,
dass Rhizome und Keimlinge der Art in der Lage sind aus bis zu 18 cm mächtiger
Sandüberdeckung herauszuwachsen. Ellenberg (1996) schreibt, dass Primärdünenarten
wie Elymus farctus aufgrund der Nährstoffversorgung sogar auf Überwehung mit
nährstoffreichem Seesand angewiesen sind. Diese Aussagen decken sich mit der
positiven Wirkrichtung der Variablen Störung im Modell für Elymus athericus.
Nach Petersen & Pott (2005) setzt die Dünenbildung oberhalb der mittleren
Springtidehochwasserlinie ein - also in einem Bereich, der nur sehr selten überflutet wird.
Dieser Zusammenhang wird u. a. auch dadurch deutlich, dass in den Modellen von
Festuca rubra ssp arenaria und Elymus athericus die Überflutungshäufigkeit mit negativer
Wirkrichtung enthalten ist.
5 DISKUSSION 108
Da Phosphor zu den essentiellen Nährstoffen der Pflanzen gehört (Lüttge et al. 1999),
halte ich einen direkten negativen Einfluss der Variablen auf die beiden Dünenarten,
besonders im verhältnismäßig nährstoffarmen Dünenbereich, für unplausibel. Der
negative Einfluss könnte auf Verdrängung von konkurrenzstärkeren Arten zurückgeführt
werden (s.o.). Da die meisten anderen Arten der Dünen auf Mellum aber kleinwüchsiger
und damit bei der Konkurrenz um Licht schwächer als Elymus farctus und Festuca rubra
ssp arenaria sind, scheint diese Überlegung im Bereich der Dünen nicht sinnvoll.
Trotz der sinnvollen Zusammenhänge der Variablen Störung, Überflutungshäufigkeit und
zum Teil auch der Leitfähigkeit, vermute ich, dass die Modelle der Dünenarten nicht die
eigentlichen Habitatansprüche der Arten darstellen. Die Dünen weisen in fast allen
Umweltparametern große Unterschiede zu den Salzwiesen auf. Häufig stehen die
Dünenflächen an einem Ende der jeweiligen Gradienten. Daher vermute ich, dass die
Modelle der beiden Dünenarten vor allem den Unterschied zwischen den Lebensräumen
darstellen. Deutlich wird dies auch in den Wirkrichtungen der Variablen, die überwiegend
negativ sind. Die Modelle zeigen also meiner Meinung nach nicht, welche
Habitatansprüche Festuca rubra ssp arenaria und Elymus athericus haben, sondern dass
die Arten negativ auf die Umweltbedingungen der Salzwiese reagieren. Der positive
Einfluss der Variablen Störung unterstützt auch die These, dass diese lediglich die
Unterschiede zwischen Salzwiese (stabil), Pionierzone (mittelstark gestört) und Dünen
(stark gestört) widerspiegelt.
5.2.2.3 Biomasse, Produktivität und Artenzahl
Die Modelle zu Biomasse (Biomax), Produktivität (ANPP) und Artenzahl weisen
schlüssige Ergebnisse auf, die meisten Modelle sind jedoch unzureichend kalibriert. Auf
die Diskussion dieser Ergebnisse wird daher verzichtet. Eine intensive
Auseinandersetzung mit den Ökosystemparametern findet sich in der Diplomarbeit von J.
Spalke (Spalke unveröff.).
5.2.3 Schlussbemerkung
Insgesamt gliedern sich die Ergebnisse gut in die bestehende Literatur ein. Es zeigt sich,
dass die wichtigsten Parameter erfasst wurden. In Anbetracht der Relevanz der Variablen
Sandanteil als Maß für den Stickstoffgehalt und der Anzahl an Veröffentlichungen, die
sich mit dem Einfluss des Stickstoffs auf Salzwiesen- und Dünenpflanzen befassen und
Salzwiesen als stickstofflimitierte Lebensräume beschreiben (z.B. van Wijnen & Bakker
1999,Kiehl et al. 1997, Olff et al. 1997, Jefferies & Perkins 1977), ist es bedauerlich, dass
5 DISKUSSION 109
die in dieser Arbeit angewandte Methode, den verfügbaren Stickstoff mit Ionen-
Austauscher-Harzen zu erfassen, keine Ergebnisse lieferte.
Die Ergebnisse der Habitatmodellierung des gesamten Datensatzes, insbesondere die
Modelle der Dünenarten und die Verzerrung des Störungsgradienten, werfen die Frage
auf, ob es sinnvoll ist, in einem relativ kleinen Datensatz so unterschiedliche Habitate
gemeinsam zu betrachten.
6 ZUSAMMENFASSUNG 110
6 ZUSAMMENFASSUNG
Ziel der Arbeit ist die Analyse der Habitatansprüche von Salzwiesen- und Dünenpflanzen
auf der weitgehend vom Menschen unbeeinflussten Insel Mellum. Dazu werden die
Umwelteigenschaften der möglichen Habitate auf Mellum und ihre Beziehung
untereinander untersucht. Für ausgewählte Salzwiesen- und Dünenarten werden
Habitatmodelle erstellt und überprüft, ob Arten desselben Vegetationstyps ähnliche
Modelle aufweisen. Zusätzlich wird der Einfluss der Umwelteigenschaften auf
Ökosystemparameter (Produktivität, Artenzahl) untersucht.
Auf 66 Salzwiesen- und Dünenflächen wurde die Vegetation aufgenommen sowie die
Produktivität und die Artenzahl bestimmt. Außerdem wurde die Salinität, die
Überflutungshäufigkeit, die Grundwasserdynamik, die Nährstoffversorgung und das
Sedimentations- und Erosionsgeschehen der Flächen erfasst. Die Umwelteigenschaften
und Beziehungen zueinander wurden deskriptiv ausgewertet. Die Habitatmodelle der
einzelnen Arten wurden mit Hilfe der logistischen Regressionsanalyse erstellt. Für die
Analyse der Zusammenhänge von Umwelteigenschaften und Ökosystemparametern
wurden lineare Regressionsmodelle gebildet. Die statistischen Analysen wurden mit dem
gesamten Datensatz und zusätzlich mit dem auf Salzwiesenflächen reduzierten Datensatz
durchgeführt.
Die meisten der erhobenen Umwelteigenschaften zeigen Unterschiede zwischen den
Vegetationstypen. Die Salzwiesentypen zeigen dabei häufig stärker ausgeprägte
Gradienten als die Dünentypen. Fehlende Unterschiede zwischen Vegetationstypen in
diesem Bereich wurden auf die Witterungsbedingungen im Untersuchungszeitraum, große
Substratumlagerungen nach Einrichtung der Probeflächen und methodische Probleme
zurückgeführt. Insgesamt lassen sich die Ergebnisse der untersuchten Parameter und
Zusammenhänge gut mit den Darstellungen in der Literatur belegen.
Die Habitatmodellierung ergab für den gesamten Datensatz für 14 Arten und im
Salzwiesendatensatz für zwölf Arten Modelle. Die am häufigsten in den Modellen
enthaltenen Variablen sind der Phosphorgehalt, der Sandanteil, die
Überflutungshäufigkeit und die Störung. Die Salinität spielte eine geringe Rolle, was auf
methodische Probleme zurückgeführt wird.
Innerhalb der Vegetationszonen weisen besonders die Arten der unteren Salzwiese zum
Teil ähnliche Modelle auf. Auffällig sind besonders entgegengesetzte Habitatansprüche
6 ZUSAMMENFASSUNG 111
der Arten der Pionierzone und der oberen Salzwiese sowie den Dünen. Insgesamt
gliedern sich die Ergebnisse der Habitatanalyse gut in die bestehende Literatur ein.
Die linearen Regressionsmodelle der Ökosystemparameter weisen schlüssige Ergebnisse
auf. Produktivität, maximale Biomasse und Artenzahl reagieren positiv auf zunehmende
Nährstoffgehalte. Die Störung beeinflusst die Ökosystemparameter negativ. Aufgrund der
unzureichenden Kalibrierung der meisten Modelle wurden die Ergebnisse jedoch nicht
diskutiert.
7 LITERATURVERZEICHNIS 112
7 LITERATURVERZEICHNIS Adam, P. (1990): Saltmarsh ecology. Cambridge: University Press. Adam, P. (2002): Saltmarshes in a time of change. - Environmental Conservation 29: 39-61. AG Boden (2005): Bodenkundliche Kartieranleitung. Stuttgart: Schweizerbart'sche Verlagsbuchhandlung. Anderson, C. & K. Taylor (1979): Some Factors affecting the growth ot two populations of Festuca rubra var. arenaria on the dunes of Blakeney Point, Norfolk. - In: R.L., J. & D. A.J. (Hrsg.): Ecological processes in coastal environments. Oxford: Blackwell scientific publications. Backhaus, K., B. Erichson, W. Plinke & R. Weiber (2006): Multivariate Analysemethoden. Berlin - Heidelberg: Springer. Bahrenberg, G., E. Giese & J. Nipper (1992): Multivariate Statistik. Stuttgart: Teubner. Bakker, J. P., J. Deleeuw, K. S. Dijkema, P. C. Leendertse, H. H. T. Prins & J. Rozema (1993): Salt Marshes Along the Coast of the Netherlands. - Hydrobiologia 265: 73-95. Bakker, J. P., D. Bos, J. Stahl, Y. De Vries & A. Jensen (2003): Biodiversität und Landnutzung in Salzwiesen. - Nova Acta Leopoldina 328: 163-194. Baldwin, A. H. & I. A. Mendelssohn (1998): Response of two oligohaline marsh communities to lethal and nonlethal disturbance. - Oecologia 116: 543-555. Beeftink, W. G. (1977): The coastal saltmarshes of western and northern Europe: an ecological and phytosocial approach. - In: Chapman, V. J. (Hrsg.): Wet coastal ecosystems. Amsterdam: Elsevier. Bockelmann, A.-C., J. P. Bakker, R. Neuhaus & J. Lage (2002): The relation between vegetation zonation, elevation and inundation frequency in a Wadden Sea salt marsh. - Aquatic Botany 73: 211-221. Bockelmann, A. C. & R. Neuhaus (1999): Competitive exclusion of Elymus athericus from a high-stress habitat in a European salt marsh. - Journal of Ecology 87: 503-513. Boorman, L. A. (1967): Limonium Vulgare Mill and L Humile Mill. - Journal of Ecology 55: 221-232. Bortz, J., G. A. Lienert & K. Boehnke (2008): Verteilungsfreie Methoden in der Biostatistik. Berlin: Springer. Brockmann, U. H., R. Laane & H. Postma (1990): Cycling of Nutrient Elements in the North-Sea. - Netherlands Journal of Sea Research 26: 239-264. Buckland, S. T., K. P. Burnham & N. H. Augustin (1997): Model selection: An integral part of inference. - Biometrics 53: 603-618.
7 LITERATURVERZEICHNIS 113
Burnham, K. P. (2002): Model Selection and Multimodel Inference: A practical Information-Theoretic Approach. New York: Springer. Chapman, V. J. (1950): Halimione-Portulacoides (L) Aell. - Journal of Ecology 38: 214-222. Chapman, V. J. (1974): Salt Marshes and Salt Deserts of the World. Lehre: J.Cramer. Cohen, J. (1960): A coefficient of agreement for nominal scales. - Educational and Psychological Measurement 20: 37-46. Cooper, A. (1982): The Effects of Salinity and Waterlogging on the Growth and Cation Uptake of Salt-Marsh Plants. - New Phytologist 90: 263-275. Davy, A. J., G. F. Bishop & C. S. B. Costa (2001): Salicornia L. (Salicornia pusilla J. Woods, S. ramosissima J. Woods, S. europaea L., S. obscura P.W. Ball & Tutin, S. nitens P.W. Ball & Tutin, S. fragilis P.W. Ball & Tutin and S. dolichostachya Moss). - Journal of Ecology 89: 681-707. de Leeuw, J. (1992): Dynamics of Salt Marsh Vegetation. Dissertation, Universität Groningen. Dierschke, H. (1994): Pflanzensoziologie. Stuttgart: Ulmer. Dijkema, K. S., J. H. Bossinade, P. Bouwsema & R. J. De Glopper (1990): Salt marshes in the Netherlands wadden sea: rising high-tide levels and accreation enhancement. - In: Beukema, J. J., W. J. Wolff & J. J. W. M. Brouns (Hrsg.): Expected Effects of Climatic Change on Marine Coastal Ecosystems. Dordrecht: Kluwer Academic Publishers. Dijkema, K. S. (1998): The Influence of Salt Marsh Vegetation on Sedimentation. - In: Eisma, D. (Hrsg.): Intertidal deposits: River Mouths, Tidal Flats, and Coastal Lagoons. Boca Raton: CRC Press LLC. Dormann, C. F., T. Blaschke, A. Lausch, B. Schröder & D. Söndgerath (2004): Habitatmodelle - Methodik, Anwendung, Nutzen. Tagungsband zum Workshop vom 8.-10. Oktober 2003 am UFZ Leipzig. Drachenfels, O. (1994): Kartierschlüssel für Biotoptypen in Niedersachsen. - Naturschutz und Landschaftspflege in Niedersachsen A/4: 1-192. Eggers, P., K. Heine & R. Niedringhaus (2008): Die Biotoptypen und Vegetation der Ostfriesischen Inseln. - In: Niedringhaus, R., V. Haeseler & P. Janiesch (Hrsg.): Die Flora und Fauna der Ostfriesischen Inseln. Wilhelmshaven: Nationalpark Niedersächsisches Wattenmeer. Eisma, D. & J. Kalf (1987): Dispersal, Concentration and Deposition of Suspended Matter in the North-Sea. - Journal of the Geological Society 144: 161-178. Ellenberg, H. (1996): Vegetation Mitteleuropas mit den Alpen. Stuttgart: Ulmer. ESRI Inc. (2000): ArcView GIS Version 3.2a.
7 LITERATURVERZEICHNIS 114
Essink, K., C. Dettmann, H. Farke, K. Laursen, G. Lüerßen, H. Marencic & W. Wiersinga (2005): Wadden Sea Qualitiy Status Report 2004. - In: Trilateral Monitoring and Assesment Group, C. W. S. S. (Hrsg.): Wadden Sea Ecosystem. Wilhelmshaven, Germany. Frederiksen, L., J. Kollmann, P. Vestergaard & H. H. Bruun (2006): A multivariate approach to plant community distribution in the coastal dune zonation of NW Denmark. - Phytocoenologia 36: 321-342. Gerlach, A., E. A. Albers & W. Broedlin (1994): Development of the Nitrogen-Cycle in the Soils of a Coastal Dune Succession. - Acta Botanica Neerlandica 43: 189-203. Germer, R. (2001): Die Großschmetterlinge (Tag- und Nachtfalter) der jungen Düneninsel Mellum. - In: Oldenburger Landesverein für Geschichte, N.-u. H. e. V. (Hrsg.): Oldenburger Jahrbuch. Oldenburg: Isensee Verlag. Giani, L., B. Keuchel, M. Nay & S. Widzgowski (1993): Periodical and Aperiodical Changes of Properties of Young Marshland Soils Seawards the Dike. - Journal of Plant Nutrition and Soil Science 156: 323-331. Giani, L., V. Ahrens, O. Duntze & S. K. Irmer (2003): Geo-pedogenesis of Salic Fluvisols on the North Sea island of Spiekeroog. - Journal of Plant Nutrition and Soil Science 166: 370-378. Giani, L. & S. Buhmann (2004): Pedogenesis, properties, and classification of dune soils of the East Frisian Islands (southern North Sea coast of Germany)-exemplified by the island Spiekeroog. - Journal of Plant Nutrition and Soil Science 167: 645-648. Goodman, P. J. (1960): Investigations into Dieback in Spartina-Townsendii Agg .2. the Morphological Structure and Composition of the Lymington Sward. - Journal of Ecology 48: 711-724. Gray, A. J. & R. G. H. Bunce (1972): Ecology of Morecambe Bay .6. Soils and Vegetation of Salt Marshes - Multivariate Approach. - Journal of Applied Ecology 9: 221-234. Groenendijk, A. M., J. G. J. Spieksma & M. A. Vink-Lievaart (1987): Growth and interactions of salt-marsh species under different flooding regimes. - In: Huiskes, A. H. L., C. W. P. M. Blom & J. Rozema (Hrsg.): Vegetation between land and sea. Dordrecht: Dr W. Junk Publishers. Gronewold, B. (unveröff.): Prognose der Salzwiesenvegetation der Hamburger Hallig auf der Grundlage von Habitatmodellen. Diplomarbeit, Universität Oldenburg. Haeseler, V. (1988): Entstehung und heutiger Zustand der jungen Düneninseln Memmert und Mellum sowie Forschungsprogramm zur Besiedlung durch Insekten und andere Gliederfüßer. - Drosera 5-46. Haeupler, H. & T. Muer (2007): Bildatlas der Farn- und Blütenpflanzen Deutschlands. Stuttgart, Germany: Ulmer Verlag. Harrell, F. E. (2002): Regression Modelling Strategies. New York: Springer Verlag. Harris, D. & A. J. Davy (1986): Regenerative Potential of Elymus-Farctus from Rhizome Fragments and Seed. - Journal of Ecology 74: 1057-1067.
7 LITERATURVERZEICHNIS 115
Hartung, W. (1975): Mellum als eine werdende Nordseeinsel. - In: Blaszyk, P. (Hrsg.): Naturschutzgebiete im Oldenburger Land. Oldenburg: Heinz Holzberg Verlag. Hosmer, D. W. & S. Lemeshow (2000): Applied Logistic Regression. New York: John Wiley & Sons Inc. Huckle, J. M., J. A. Potter & R. H. Marrs (2000): Influence of environmental factors on the growth and interactions between salt marsh plants: effects of salinity, sediment and waterlogging. - Journal of Ecology 88: 492-505. Hundt, R. (1985): Phytosociological and Ecological Aspects of the Dunes on the Isle of Rügen, Baltic Sea. - Vegetatio 61: 97-103. Jefferies, R. L. (1977): Growth Responses of Coastal Halophytes to Inorganic Nitrogen. - Journal of Ecology 65: 847-865. Jefferies, R. L. & N. Perkins (1977): Effects on Vegetation of Additions of Inorganic Nutrients to Salt-Marsh Soils at Stiffkey, Norfolk. - Journal of Ecology 65: 867-882. Jensen, A. (1985): The Effect of Cattle and Sheep Grazing on Salt-Marsh Vegetation at Skallingen, Denmark. - Vegetatio 60: 37-48. Kiehl, K. (1997): Vegetationsmuster in Vorlandsalzwiesen in Abhängigkeit von Beweidung und abiotischen Standortfaktoren. Dissertation, Universität Kiel. Kiehl, K., P. Esselink & J. P. Bakker (1997): Nutrient limitation and plant species composition in temperate salt marshes. - Oecologia 111: 325-330. Kleyer, M., R. Kratz, G. Lutze & B. Schröder (1999/2000): Habitatmodelle für Tierarten: Entwicklung, Methoden und Perspektiven für die Anwendung. - Zeitschrift für Ökologie und Naturschutz 8: 177-194. Kleyer, M., H. Feddersen & R. Bockholt (2003): Secondary succession on a high salt marsh at different grazing intensities. - Journal of Coastal Conservation 9: 123-134. Kuhbier, H. (1975): Das Pflanzenkleid der Insel Mellum. - In: Blaszyk, P. (Hrsg.): Naturschutzgebiete im Oldenburger Land. Oldenburg: Heinz Holzberg Verlag. Kuhbier, H. (1987): Die Entwicklung des Grünlandes auf Mellum. - In: Gerdes, G., W. E. Krumbein & H. E. Reineck (Hrsg.): MELLUM Portrait einer Insel. Frankfurt am Main: Verlag Waldemar Kramer. Kuijper, D. P. J., J. Dubbeld & J. P. Bakker (2005): Competition between two grass species with and without grazing over a productivity gradient. - Plant Ecology 179: 237-246. Langlois, E., A. Bonis & J. B. Bouzille (2001): The response of Puccinellia maritima to burial: A key to understanding its role in salt-marsh dynamics? - Journal of Vegetation Science 12: 289-297. Larcher, W. (2001): Ökophysiologie der Pflanzen. Stuttgart: Ulmer. Leendertse, P. C., A. J. M. Roozen & J. Rozema (1997): Long-term changes (1953-1990) in the salt marsh vegetation at the Boschplaat on Terschelling in relation to sedimentation and flooding. - Plant Ecology 132: 49-58.
7 LITERATURVERZEICHNIS 116
Leyer, I. & K. Wesche (2007): Multivariate Statistik in der Ökologie. Berlin: Springer. Lüttge, U., M. Kluge & G. Bauer (1999): Botanik. Weinheim: WILEY-VCH. McCune, B. & J. B. Grace (2002): Analysis of Ecological Communities. Oregon: MjM Software Design. Mellumrat e.V. (2008): Homepage des Mellumrat e.V. http://www.mellumrat.de/index3.htm. abgerufen am 15.02.08. Meyer-Reil, L. A. (2005): Mikrobiologie des Meeres. Wien: Facultas Verlags- und Buchhandels AG, Facultas Universitätsverlag. Nagelkerke, N. J. D. (1991): A note on general definition of the coefficient of determination. - Biometrika 78: 691-692. Nationalparkverwaltung Niedersächsisches Wattenmeer (2004): Bildflug HRSC-AX vom 09.09.2004; DOM 1*1m-Pixel, Höhenstufen in 1 dm-Schritten. Nationalparkverwaltung Niedersächsisches Wattenmeer (2008): Homepage der Nds. Nationalparkverwaltung. http://www.nationalpark-wattenmeer.niedersachsen.de/master/C24387843_N24389728_L20_D0_I5912119.html. abgerufen am 15.02.08. Olff, H., J. Huisman & B. F. Vantooren (1993): Species Dynamics and Nutrient Accumulation During Early Primary Succession in Coastal Sand Dunes. - Journal of Ecology 81: 693-706. Olff, H., J. De Leeuw, J. P. Bakker, R. J. Platerink, H. J. Van Wijnen & W. De Munck (1997): Vegetation succession and herbivory in a salt marsh: changes induced by sea level rise and silt deposition along an elevational gradient. - Journal of Ecology 85: 799-814. Petersen, J. & R. Pott (2005): Ostfriesische Inseln - Landschaft und Vegetation im Wandel. Hannover: SchlüterscheVerlagsgesellschaft. Pott, R. (1995): Farbatlas Nordseeküste und Nordseeinseln. Stuttgart: Ulmer. Qian, P. & J. J. Schoenau (2002): Practical applications of ion exchange resins in agricultural and environmental soil research. - Canadian Journal of Soil Science 82: 9-21. Quinn, G. P. & M. J. Keuogh (2002): Experimental Design and Data Analysis for Biologists. Cambridge: University Press. R Development Core Team (2007): R: a language and environment for statistical computing 2.6.1. www.R-project.org. abgerufen am 10.07.07. Reineck, H.-E. (1987): Morphologische Entwicklung der Insel Mellum. - In: Gerdes, G., W. E. Krumbein & H.-E. Reineck (Hrsg.): Mellum - Portrait einer Insel. Frankfurt am Main: Kramer. Roozen, A. J. M. & V. Westhoff (1985): A Study on Long-Term Salt-Marsh Succession Using Permanent Plots. - Vegetatio 61: 23-32.
7 LITERATURVERZEICHNIS 117
Rozema, J., P. Bijwaard, G. Prast & R. Broekman (1985): Ecophysiological Adaptations of Coastal Halophytes from Foredunes and Salt Marshes. - Vegetatio 62: 499-521. Rozema, J., J. C. van der List, H. Schat, J. van Diggelen & R. A. Broekman (1987): Ecophysiological response of Salicornia dolichostachya and Salicornia brachystachya to seawater inundation. - In: Huiskes, A. H. L., C. W. P. M. Blom & J. Rozema (Hrsg.): Vegetation between land and sea. Dordrecht: Dr W. Junk Publishers. Rudner, M. (2006): LR Mesh 1.1.2. http://www.uni-oldenburg.de/landeco/21343.html. abgerufen 04/08. Sachs, L. (2002): Angewandte Statistik. Berlin, Germany: Springer Verlag. Scheffer, F. & P. Schachtschabel (2002): Lehrbuch der Bodenkunde. Heidelberg: Spektrum Akademischer Verlag. Scherfose, V. (1987): Pflanzensoziologische und ökologische Untersuchungen in Salzrasen der Nordseeinsel Spiekeroog. 2. Bodenchemische Untersuchungen, Stickstoff-Netto-Mineralisation und Salzbelastung. - Tüxenia 7: 173-197. Schlichting, E., H. P. Blume & K. Stahr (1995): Bodenkundliches Praktikum. Berlin: Blackwell Wissenschafts-Verlag. Scholten, M., P. A. Blaauw, M. Stroetenga & J. Rozema (1987): The impact of competitive interactions on the growth and distribution of plant species in salt marshes. - In: Huiskes, A. H. L., C. W. P. M. Blom & J. Rozema (Hrsg.): Vegetation between land and sea. Dordrecht: Dr W. Junk Publishers. Schröder, B. (2000): Zwischen Naturschutz und theoretischer Ökologie: Modelle zur Habitateignung und räumlichen Populationsdynamik für Heuschrecken im Niedermoor. Technische Universität Braunschweig. Schröder, H. K., K. Kiehl & M. Stock (2002): Directional and non-directional vegetation changes in a temperate salt marsh in relation to biotic and abiotic factors. - Applied Vegetation Science 5: 33-44. Skogley, E. O. & A. Dobermann (1996): Synthetic ion-exchange resins: Soil and environmental studies. - Journal of Environmental Quality 25: 13-24. Spalke, J. (unveröff.): Biomasse- und Nährstoffallokation von Dünen- und Salzwiesenpflanzen in Bezug zu ihrer Umwelt. Diplomarbeit, Universität Oldenburg. Srivastava, D. S. & R. L. Jefferies (1995): Mosaics of Vegetation and Soil-Salinity - a Consequence of Goose Foraging in an Arctic Salt-Marsh. - Canadian Journal of Botany-Revue Canadienne De Botanique 73: 75-83. Steinborn, H. (unveröff.): Welchen Einfluss haben Windkraftanlagen im Vergleich zu anderen Habitatparametern auf ausgewählte Wiesenvögel? Diplomarbeit, Universität Oldenburg. Stewart, G. R., J. A. Lee & T. O. Orebamjo (1973): Nitrogen-Metabolism of Halophytes .2. Nitrate Availability and Utilization. - New Phytologist 72: 539-546. Strauß, B. & R. Biedermann (2006): Urban brownfields as temporary habitats: driving forces for the diversity of phytophagous insects. - Ecography 29: 928-940.
7 LITERATURVERZEICHNIS 118
Strauß, B. (unveröff.): Habitatmodelle zur Prognose phytophager Insekten in Mosaikzyklen. Diplomarbeit, Universität Oldenburg. Streif, H. (1990): Das ostfriesische Küstengebiet: Nordsee, Inseln, Watten und Marschen. Berlin - Stuttgart: Gebrüder Bornträger. Taux, K. (1986): Die Oldenburgischen Naturschutzgebiete. Oldenburg: Heinz Holzberg Verlag. Temmerman, S., G. Govers, S. Wartel & P. Meire (2003): Spatial and temporal factors controlling short-term sedimentation in a salt and freshwater tidal marsh, Scheldt estuary, Belgium, SW Netherlands. - Earth Surface Processes and Landforms 28: 739-755. Tessier, M., J. C. Gloaguen & V. Bouchard (2002): The role of spatio-temporal heterogeneity in the establishment and maintenance of Suaeda maritima in salt marshes. - Journal of Vegetation Science 13: 115-122. Ungar, I. A. (1998): Are biotic factors significant in influencing the distribution of halophytes in saline habitats? - Botanical Review 64: 176-199. van Wijnen, H. J. & J. P. Bakker (1999): Nitrogen and phosphorus limitation in a coastal barrier salt marsh: the implications for vegetation succession. - Journal of Ecology 87: 265-272. van Wijnen, H. J. & J. P. Bakker (2001): Long-term surface elevation change in salt marshes: a prediction of marsh response to future sea-level rise. - Estuarine Coastal and Shelf Science 52: 381-390. Vince, S. W. & A. A. Snow (1984): Plant Zonation in an Alaskan Salt-Marsh .1. Distribution, Abundance and Environmental-Factors. - Journal of Ecology 72: 651-667. Willis, A. J., B. F. Folkes, J. F. Hopesimpson & E. W. Yemm (1959): Braunton Burrows - the Dune System and Its Vegetation .1. - Journal of Ecology 47: 1-24. Willis, A. J. (1963): Braunton-Burrows - the Effects on the Vegetation of the Addition of Mineral Nutrients to the Dune Soils. - Journal of Ecology 51: 353-374. Wisskirchen, R. & H. Haeupler (1998): Standardliste der Farn- und Blütenpflanzen Deutschlands. Stuttgart: Ulmer. Wolff, W. J. (1983): Ecology of the Wadden Sea. Rotterdam: Balkema.
8 ANHANG 119
8 ANHANG
ABBILDUNGSVERZEICHNIS DES ANHANGS Abbildung I-1: Lage der Probeflächen und geographische Bezeichnungen. Abbildung I-2: Grundwasserganglinien der 14-täglichen Wasserstandsmessungen über
den gesamten Messzeitraum beispielhaft für 4 Probeflächen (Anordnung nach Geländehöhe).
Abbildung I-3: Grundwasserganglinien der stündlichen Wasserstandsmessungen der Pegeldatenlogger über eine Woche (01.06-07.06.2007) beispielhaft für 4 Probeflächen (Anordnung nach Geländehöhe).
Abbildung I-4: Regressionsgeraden der Transferfunktionen der Variablen GW20 (links) und GWmw (rechts).
Abbildung I-5: Art-Antwortkurven des gesamten Datensatzes für die Variable Phosphorgehalt.
Abbildung I-6: Art-Antwortkurven des Salzwiesendatensatzes für die Variable Phosphorgehalt.
Abbildung I-7: Art-Antwortkurven des gesamten Datensatzes für die Variable absolute Störung.
Abbildung I-8: Art-Antwortkurven des Salzwiesendatensatzes für die Variable absolute Störung.
Abbildung I-9: Art-Antwortkurven des gesamten Datensatzes für die Variable Sandanteil. Abbildung I-10: Art-Antwortkurven des Salzwiesendatensatzes für die Variable Sandanteil.
TABELLENVERZEICHNIS DES ANHANGS Tabelle I-1: Zuordnung der Probeflächen zu Vegetationstypen. Tabelle I-2: Ergebnisse der linearen Regression zur Transferfunktionsbildung der
Variablen GW20 und GWmw. Tabelle I-3: Korrelationsmatrix des gesamten Datensatzes. Tabelle I-4: Korrelationsmatrix des Salzwiesendatensatzes. Tabelle I-5. Multiple Modelle des gesamten Datensatzes. Tabelle I-6: Multiple Modelle des Salzwiesendatensatzes. Tabelle I-7: Modellgütekriterien für alle multiplen Modelle des gesamten Datensatzes. Tabelle I-8: Modellgütekriterien für alle multiplen Modelle des Salzwiesendatensatzes. Tabelle I-9: Univariate Modelle des gesamten Datensatzes. Tabelle I-10: Univariate Modelle des Salzwiesendatensatzes. Tabelle I-11: Vegetationstabelle der Salzwiesen- und Dünenprobeflächen.
8 ANHANG 120
Probeflächen und Vegetaionstypen
Abbildung I-1: Lage der Probeflächen und geographische Bezeichnungen.
8 ANHANG 121
Tabelle I-1: Zuordnung der Probeflächen zu Vegetationstypen. Probe-fläche TMAP-Typ Vege-
tationstyp 1 S.1.2 Salicornia spec.-Typ PZ 2 S.1.2 Salicornia spec.-Typ PZ 3 S.1.1 Spartina anglica-Typ PZ 4 S.2.0 untere Salzwiese(unspezifisch) USW 5 S.1.1 Spartina anglica-Typ PZ 6 S.1.2 Salicornia spec.-Typ PZ 7 S.1.1 Spartina anglica-Typ PZ 8 S.1.2 Salicornia spec.-Typ PZ 9 S.1.2 Salicornia spec.-Typ PZ 10 S.1.2 Salicornia spec.-Typ PZ 11 S.4.0 Grüner Strand(unspezifisch) GS 12 S.4.0 Grüner Strand(unspezifisch) GS 13 S.4.0 Grüner Strand(unspezifisch) GS 14 S.2.2 Limonium vulgare/Puccinellia maritima-Typ USW 15 S.3.7 Elymus athericus-Typ OSW 16 S.3.7 Elymus athericus-Typ OSW 17 S.3.8 Carex extensa-Typ OSW 18 m Wattflächen PZ 19 S.2.0 untere Salzwiese(unspezifisch) USW 20 S.2.2 Limonium vulgare/Puccinellia maritima-Typ USW 21 S.2.2 Limonium vulgare/Puccinellia maritima-Typ USW 22 S.2.2 Limonium vulgare/Puccinellia maritima-Typ USW 23 S.2.2 Limonium vulgare/Puccinellia maritima-Typ USW 24 S.2.2 Limonium vulgare/Puccinellia maritima-Typ USW 25 S.3.3 Festuca rubra-Typ OSW 26 S.2.4 Atriplex portulacoides/Puccinellia maritima-Typ USW 27 S.2.4/ 3.7 Mischtyp USW 28 S.2.2 Limonium vulgare/Puccinellia maritima-Typ USW 29 S.3.3 Festuca rubra-Typ OSW 30 S.3.7 Elymus athericus-Typ OSW 31 X.3.1 Elymus farctus-Typ VD 32 X.3.1 Elymus farctus -Typ VD 33 X.1 Strandplate ST 34 X.1 Strandplate ST 35 X.3.1 Elymus farctus -Typ VD 36 X.1 Strandplate ST 37 X.1 Strandplate ST 38 X.1 Strandplate ST 39 X.1 Strandplate ST 40 X.1 Strandplate ST 41 S.3.3 Festuca rubra-Typ OSW 42 S.2.4 Atriplex portulacoides/Puccinellia maritima-Typ USW 43 S.2.4 Atriplex portulacoides/Puccinellia maritima -Typ USW 44 S.2.4 Atriplex portulacoides/Puccinellia maritima -Typ USW 45 S.3.7 Elymus athericus-Typ OSW 46 S.2.4 Atriplex portulacoides/Puccinellia maritima -Typ USW 47 S.2.2 Limonium vulgare/Puccinellia maritima-Typ USW 48 S.2.4 Atriplex portulacoides/Puccinellia maritima -Typ USW 49 S.2.4/ 3.7 Mischtyp USW 50 S.3.7 Elymus athericus-Typ OSW 51 S.3.7 Elymus athericus-Typ OSW 52 X.3.1 Elymus farctus -Typ VD 53 X.5.0 Graudüne GD 54 X.5.0 Graudüne GD 55 X.5.0 Graudüne GD 56 X.5.0 Graudüne GD 57 X.5.0 Graudüne GD 58 X.3.1 Elymus farctus -Typ VD
8 ANHANG 122
59 X.3.1 Elymus farctus-Typ VD 60 X.5.0 Graudüne GD 61 S.3.8 Carex extensa-Typ OSW 62 X.11 Salzbeeinflusster Dünenbereich VSW 63 X.11 Salzbeeinflusster Dünenbereich VSW 64 m Wattflächen PZ 65 S.3.3 Festuca rubra-Typ OSW 66 S.1.1 Spartina anglica-Typ PZ
Grundwasserganglinien
Grundwasserganglinien der 14-täglichen Messungen
-75-70-65-60-55-50-45-40-35-30-25-20-15-10
-505
07/04/07 27/04/07 17/05/07 06/06/07 26/06/07 16/07/07 05/08/07 25/08/07 14/09/07
Zeit [Tage]
Was
sers
tand
[cm
unt
er F
lur]
M18
M5
M21
M49
Abbildung I-2: Grundwasserganglinien der 14-täglichen Wasserstandsmessungen über den gesamten Messzeitraum beispielhaft für 4 Probeflächen (Anordnung nach Geländehöhe).
Grundwasserganglinien der Pegeldatenlogger (1 Woche)
-80
-60
-40
-20
0
20
40
60
80
0:00 0:00 0:00 0:00 0:00 0:00 0:00 0:00Uhrzeit
Was
sers
tand
[cm
unt
er/ü
ber F
lur]
M18M5M21M49
Abbildung I-3: Grundwasserganglinien der stündlichen Wasserstandsmessungen der Pegeldatenlogger über eine Woche (01.06-07.06.2007) beispielhaft für 4 Probeflächen (Anordnung nach Geländehöhe).
8 ANHANG 123
Transferfunktionen Grundwasservariablen Tabelle I-2: Ergebnisse der linearen Regression zur Transferfunktionsbildung der Variablen GW20 und GWmw ( 110 xββy += , mit y = abhängige Variable (Variablenwerte berechnet aus Pegelloggerdaten), x = unabhängige Variable (Variablenwerte berechnet aus 14-täglichen Messungen), ß0 = y-Achsenabschnitt, ß1 = Regressionskoeffizient).
Transferfunktion für: Koeffizienten R2 p GW20 ß0 = 384,3 0,88 <0,001 ß1 = 0,7 GWmw ß0 = 7,3 0,97 <0,001 ß1 = 1,0
0 1000 2000 3000
050
010
0015
0020
0025
0030
00
B_GW_20
D_G
W_2
0
-60 -50 -40 -30 -20 -10 0
-50
-40
-30
-20
-10
0
MW_B
MW
_D
Abbildung I-4: Regressionsgeraden der Transferfunktionen der Variablen GW20 (links) und GWmw (rechts) (D_GW_20 bzw. MW_D = Variablenwerte berechnet aus Pegelloggerdaten, B_GW_20 bzw. MW_B = Variablenwerte berechnet aus 14-täglichen Messungen).
8 ANHANG 124
Korrelationen der unabhängigen Variablen Tabelle I-3: Korrelationsmatrix des gesamten Datensatzes. K P pH_eDW pH_Gr CO3 LF_eDW LF_Gr STÖR_abs GW20 GWmw T_eDW U_eDW S_eDW UEH K 1.00 P 0.81 1.00 pH_eDW 0.06 -0.10 1.00 pH_Gr 0.08 0.29 0.00 1.00 CO3 0.02 -0.08 0.49 0.19 1.00 LF_eDW 0.87 0.66 0.11 -0.10 -0.07 1.00 LF_Gr 0.84 0.70 -0.01 -0.07 -0.13 0.91 1.00 STÖR_abs -0.42 -0.29 0.24 0.01 0.31 -0.51 -0.52 1.00 GW20 0.60 0.52 0.10 -0.09 0.03 0.65 0.55 -0.19 1.00 GWmw 0.77 0.68 0.07 -0.10 -0.09 0.86 0.81 -0.38 0.86 1.00 T_eDW 0.57 0.44 -0.24 -0.28 -0.26 0.63 0.58 -0.42 0.27 0.48 1.00 U_eDW 0.57 0.44 -0.29 -0.27 -0.34 0.61 0.58 -0.45 0.25 0.46 0.98 1.00 S_eDW -0.56 -0.42 0.23 0.32 0.28 -0.60 -0.53 0.36 -0.28 -0.44 -0.98 -0.98 1.00 UEH 0.60 0.55 0.00 -0.10 -0.15 0.60 0.61 -0.04 0.58 0.74 0.42 0.43 -0.40 1.00
Tabelle I-4: Korrelationsmatrix des Salzwiesendatensatzes. K P pH_eDW pH_Gr CO3 LF_eDW LF_Gr STÖR_abs GW20 GWmw T_eDW U_eDW S_eDW UEH K 1.00 P 0.81 1.00 pH_eDW 0.01 -0.10 1.00 pH_Gr 0.05 0.28 0.06 1.00 CO3 -0.03 -0.10 0.49 0.21 1.00 LF_eDW 0.88 0.67 0.07 -0.11 -0.10 1.00 LF_Gr 0.86 0.70 -0.04 -0.07 -0.16 0.92 1.00 STÖR_abs -0.51 -0.34 0.27 0.07 0.35 -0.55 -0.56 1.00 GW20 0.63 0.52 0.06 -0.08 0.00 0.66 0.57 -0.28 1.00 GWmw 0.79 0.66 0.01 -0.10 -0.13 0.86 0.81 -0.49 0.87 1.00 T_eDW 0.59 0.46 -0.25 -0.30 -0.30 0.63 0.59 -0.48 0.28 0.49 1.00 U_eDW 0.59 0.46 -0.30 -0.30 -0.38 0.62 0.59 -0.50 0.26 0.47 0.98 1.00 S_eDW -0.57 -0.44 0.25 0.33 0.31 -0.60 -0.54 0.42 -0.29 -0.45 -0.98 -0.98 1.00 UEH 0.44 0.45 0.05 -0.04 -0.08 0.46 0.46 0.15 0.48 0.55 0.28 0.29 -0.27 1.00
8 ANHANG 125
Multiple Modelle Tabelle I-5: Multiple Modelle des gesamten Datensatzes. (Intercept = y-Achsenabschnitt, x = Regressionskoeffizient sigmoidales Modell, x² =quadrierter Term unimodales Modell, P = Phosphorgehalt, CO3 = Carbonatgehalt, STOER_abs = absolute Störung, S_eDW = Sandanteil im Wurzelraum, UEH = Überflutungshäufigkeit, LF_pc = Leitfähigkeit (Abkürzungen Arten s. Kap. 4.3.2.2)).
LF_pc P S_eDW STOER_abs UEH CO3 Art Intercept x x² x x² x x² x x² x x² x x² Art.mar -17.95 - - 10.49 -2.60 3.04 -0.26 - -2.34 - - - - Ely.ath -1.70 0.45 -0.22 3.66 -1.04 - - - - -0.47 - - - Ely.far 4.24 0.86 - -2.80 - 0.04 - - 0.43 -0.70 - - - Fes.rub.ar 7.70 0.02 - -4.28 - 0.03 - - - -1.04 - - - Fes.rub.li -68.70 - - 68.71 -17.06 0.07 -0.01 - -1.83 3.34 -1.20 - - Gla.mar -113.59 - - 109.50 -26.65 - - - - - - - - Hal.por 2.05 -0.03 - 0.71 - -0.26 - - -2.27 - - - - Lim.vul -5.44 - - 2.34 - 0.96 -0.11 - -0.26 0.0003 - -0.01 - Puc.mar -77.35 - - 66.10 -15.07 -0.36 - - - 5.06 -0.85 - - Sal.bra -94.93 - - 82.62 -18.93 -0.41 - - -0.001 5.61 -0.91 -0.002 - Sal.str -15.92 -0.81 - - - - - -0.57 1.58 3.23 - 2.01 - Spa.ang -14.06 -0.0001 - 6.51 - -0.86 - -1.84 6.58 0.44 - - - Spe.mar -2.17 - - - - - - -4.22 5.65 - - - - Sua.mar -3.07 -0.03 - 2.27 - -0.07 - - -1.05 - - - - Tri.mar -66.77 - - 58.56 -12.90 - - - - - - - -
8 ANHANG 126
Tabelle I-6: Multiple Modelle des Salzwiesendatensatzes. (Intercept = y-Achsenabschnitt, x = Regressionskoeffizient sigmoidales Modell, x² =quadrierter Term unimodales Modell, P = Phosphorgehalt, CO3 = Carbonatgehalt, STOER_abs = absolute Störung, S_eDW = Sandanteil im Wurzelraum, WASSER_pc = Feuchtigkeit, LF_pc = Leitfähigkeit (Abkürzungen Arten s. Kap. 4.3.2.2)).
LF_pc P S_eDW STOER_abs WASSER_pc CO3 Art Intercept x x² x x² x x² x x² x x² x x² Art_mar -8.50 - - - - 3.10 -0.28 - - - - 0.25 -0.11 Ely_ath 6.26 0.85 - -4.91 - 1.61 -0.15 - - - - - - Fes_rub_li -3.45 - - - - 0.57 -0.04 - - 0.88 - - - Hal_por 3.15 - - - - -0.31 - -0.94 - 0.41 -0.17 - - Lim_vul 1.63 - - - - - - -1.34 - - - - - Sal_str -4.78 -0.0006 - - - - - 0.02 -0.01 -1.92 - 1.93 - Spa_ang -8.50 - - 4.73 - -0.59 - 1.10 -0.31 -2.91 -0.87 - - Spe_mar -2.44 - - - - - - 7.01 -5.20 - - - - Sua_mar -9.12 - - 4.00 - 1.25 -0.15 - - - - - - Tri_mar -1.95 - - - - - - 6.12 -5.05 - - - -
8 ANHANG 127
Tabelle I-7: Modellgütekriterien für alle multiplen Modelle des gesamten Datensatzes.
Art R²n AUC p.kappa kappa %korrekt Sensi- tivität
Spezi- fizität
Art.mar 0.54 0.89 0.28 0.61 0.83 0.93 0.80 Ely.ath 0.46 0.85 0.39 0.57 0.78 0.85 0.73 Ely.far 0.84 0.99 0.54 0.90 0.97 0.92 0.98 Fes.rub.ar 0.75 0.96 0.39 0.71 0.93 0.86 0.94 Fes.rub.li 0.62 0.93 0.49 0.69 0.92 0.70 0.96 Gla.mar 0.52 0.81 0.17 0.29 0.70 1.00 0.67 Hal.por 0.62 0.88 0.46 0.67 0.83 0.93 0.74 Lim.vul 0.57 0.85 0.34 0.63 0.82 0.93 0.70 Puc.mar 0.52 0.88 0.40 0.61 0.82 0.89 0.78 Sal.bra 0.66 0.91 0.41 0.74 0.87 1.00 0.77 Sal.str 0.77 0.97 0.28 0.84 0.95 0.91 0.96 Spa.ang 0.74 0.97 0.27 0.80 0.92 0.94 0.91 Spe.mar 0.27 0.76 0.30 0.36 0.68 0.86 0.63 Sua.mar 0.55 0.82 0.53 0.63 0.82 0.88 0.75 Tri.mar 0.31 0.77 0.34 0.36 0.73 0.69 0.74
Tabelle I-8: Modellgütekriterien für alle multiplen Modelle des Salzwiesendatensatzes.
Art R²n AUC p.kappa kappa %korrekt Sensi- tivität
Spezi- fizität
Art_mar 0.35 0.82 0.47 0.47 0.77 0.71 0.79Ely_ath 0.54 0.87 0.41 0.61 0.81 0.84 0.79Fes_rub_li 0.41 0.86 0.15 0.50 0.77 1.00 0.70Hal_por 0.64 0.85 0.29 0.58 0.81 1.00 0.55Lim_vul 0.55 0.68 0.59 0.45 0.74 0.80 0.65Sal_str 0.70 0.96 0.52 0.88 0.96 0.91 0.97Spa_ang 0.74 0.95 0.38 0.82 0.91 0.94 0.90Spe_mar 0.20 0.74 0.44 0.34 0.77 0.38 0.91Sua_mar 0.70 0.87 0.28 0.61 0.83 1.00 0.56Tri_mar 0.21 0.73 0.30 0.34 0.66 0.85 0.59
Univariate Modelle Tabelle I-9: Univariate Modelle des gesamten Datensatzes (Intercept = y-Achsenabschnitt, x = Regressionskoeffizient sigmoidales Modell, x² =quadrierter Term unimodales Modell, P = Phosphorgehalt, CO3 = Carbonatgehalt, STÖR_abs = absolute Störung, S_eDW = Sandanteil im Wurzelraum, UEH = Überflutungshäufigkeit, LF_pc = Leitfähigkeit).
Art Koeffizienten P CO3 STÖR_abs S_eDW UEH LF Intercept -80.38 - 0.69 -10.24 - -0.67x 77.17 - -2.75 3.85 - -0.58Artemisia
maritima x² -18.59 - - -0.35 - -0.66Intercept - -5.30 - - - -x - 2.09 - - - -Aster tripolium x² - - - - - -Intercept -21.03 - 1.82 3.81 - -0.12x 18.03 - -2.21 -0.57 - -0.68Atriplex
portulacoides x² -3.74 - - - Intercept -22.46 - - -4.49 2.31 0.79x 26.32 - - 1.43 -0.95 1.22Elymus
athericus x² -7.46 - - -0.11 -0.58Intercept 12.81 - -2.30 -18.42 2.35 -2.53x -7.34 - 0.97 2.15 -1.65 2.00Elymus farctus x² - - - - - -
8 ANHANG 128
Intercept 8.85 - - -11.67 0.87 -2.79x -5.74 - - 1.24 -1.58 1.10Festuca rubra
ssp arenaria x² - - - - - - Intercept -60.16 - -0.29 -25.58 -2.82 -0.41x 58.28 - -1.74 7.52 3.18 0.39Festuca rubra
ssp litoralis x² -14.31 - -0.56 -0.91 -1.01Intercept -113.59 - - - - -0.61x 109.50 - - - - 0.70Glaux maritima x² -26.65 - - - - -1.55Intercept -7.23 1.13 1.28 -0.62 -1.84 0.80x 3.56 -0.84 -1.42 1.20 0.69 -1.97Limonium
vulgare x² - - - -0.15 - -1.93Intercept -55.37 - 0.14 1.88 -21.60 -0.49x 48.42 - -1.05 -0.41 14.27 -0.98Puccinellia
maritima x² -10.54 - - -2.32 -0.64Intercept -67.31 0.92 0.70 2.84 -23.38 0.10x 60.01 -0.95 -1.18 -0.48 15.61 -1.96Salicornia
brachystachya x² -13.22 - - - -2.50 -1.66Intercept - -4.60 -6.66 - -9.00 -3.01x - 2.09 12.36 - 2.36 -2.31Salicornia
stricta x² - -5.76 - - - Intercept -14.54 - -3.39 1.78 -6.75 -1.37x 6.41 - 6.00 -0.44 1.88 -1.03Spartina
anglica x² - - -2.64 - - - Intercept 0.12 - -2.17 - - -0.48x -1.02 - 5.65 - - 0.03Spergularia
maritima x² - - -4.22 - - -0.50Intercept -7.44 - 1.29 3.39 - 0.11x 3.74 - -1.24 -0.48 - -0.68Suaeda
maritima x² - - - - - -Intercept -66.77 - -0.35 -2.39 -2.70 -1.33x 58.56 - -1.10 1.30 0.52 -0.46Triglochin
maritmum x² -12.90 - - -0.16 - -
8 ANHANG 129
Tabelle I-10: Univariate Modelle des Salzwiesendatensatzes. (Intercept = y-Achsenabschnitt, x = Regressionskoeffizient sigmoidales Modell, x² =quadrierter Term unimodales Modell, P = Phosphorgehalt, CO3 = Carbonatgehalt, STÖR_abs = absolute Störung, S_eDW = Sandanteil im Wurzelraum, WASSER = Feuchtigkeit, LF = Leitfähigkeit).
Art Koeffizienten P CO3 STÖR_abs S_eDW WASSER LF Intercept - -3.86 -1.29 -11.49 -0.48 -x - 6.99 8.94 0.004 1.05 -Artemisia
maritima x² - -3.04 -11.31 -0.0000004 -0.47 -Intercept - - 2.01 3.67 1.05 -x - - -2.2 -0.0005 0.72 -Atriplex
portulacoides x² - - - - -0.48 -Intercept 7.97 - - -7.94 -0.51 -0.46x -3.94 - - 0.003 1.29 1.03Elymus
athericus x² - - - -0.0000002 - -Intercept - - -0.03 -26.42 -1.75 -x - - -2.02 0.0075 1.11 -Festuca rubra
ssp litoralis x² - - - -0.0000005 - -Intercept - - 1.75 -0.51 - 1.28x - - -1.47 0.001 - 0.52Limonium
vulgare x² - - - -0.0000001 - -0.52Intercept - - -1.32 -1.18 1.01 -x - - 5.28 0.001 -0.28 -Puccinellia
maritima x² - - -4.16 -0.0000002 -1.58 -Intercept - - - -1.70 2.31 0.65x - - - 0.002 -0.62 0.26Salicornia
brachystachya x² - - - -0.0000002 -2.28 -0.43Intercept - -5.01 -7.14 - -2.34 -1.53x - 2.51 13.57 - -2.03 -1.1Salicornia
stricta x² - - -6.39 - -
Intercept -14.76 - -3.4 1.51 -0.57 -
x 6.51 - 6.03 -0.0004 -2.98 -Spartina anglica
x² - - -2.44 -1.42 -Intercept - - -3.01 - -0.44 -x - - 8.94 - -0.77 -Spergularia
maritima x² - - -6.62 - -0.67 -Intercept -9.48 - - 0.21 1.26 -x 4.71 - - 0.001 0.09 -Suaeda
maritima x² - - - -0.0000001 -0.5 -Intercept - - -2.44 -3.08 0.59 -x - - 7.89 0.002 -1.56 -Triglochin
maritmum x² - - -6.46 -0.0000002 -2.78 -
8 ANHANG 130
Art-Antwortkurven
Am = Artemisia maritimaAp = Atriplex portulacoidesEa = Elymus athericusEf = Elymus farctusFra = Festuca rubra arenariaFrl = Festuca rubra litoralisGm = Glaux maritimaLv = Limonium vulgarePm = Puccinellia maritimaSa = Spartina anglicaSb = Salicornia brachystachyaSpm = Spergularia media Sm = Suaeda maritimaTm = Triglochin maritimum0.0 0.5 1.0 1.5 2.0 2.5
0.0
0.2
0.4
0.6
0.8
1.0
Phosphorgehalt
Vor
kom
men
swah
rsch
einl
ichk
eit
Ef
Fra
Spm
Am
Ea
Sm Lv
Frl
Sa
Pm
Sb
Ap
Gm
Tm
USWPZ
DOSW
Geringer Phosphorgehalt
hoher Phosphorgehalt
Am = Artemisia maritimaAp = Atriplex portulacoidesEa = Elymus athericusEf = Elymus farctusFra = Festuca rubra arenariaFrl = Festuca rubra litoralisGm = Glaux maritimaLv = Limonium vulgarePm = Puccinellia maritimaSa = Spartina anglicaSb = Salicornia brachystachyaSpm = Spergularia media Sm = Suaeda maritimaTm = Triglochin maritimum0.0 0.5 1.0 1.5 2.0 2.5
0.0
0.2
0.4
0.6
0.8
1.0
Phosphorgehalt
Vor
kom
men
swah
rsch
einl
ichk
eit
Ef
Fra
Spm
Am
Ea
Sm Lv
Frl
Sa
Pm
Sb
Ap
Gm
Tm
USWPZ
DOSW
Geringer Phosphorgehalt
hoher Phosphorgehalt
0.0 0.5 1.0 1.5 2.0 2.5
0.0
0.2
0.4
0.6
0.8
1.0
Phosphorgehalt
Vor
kom
men
swah
rsch
einl
ichk
eit
Ef
Fra
Spm
Am
Ea
Sm Lv
Frl
Sa
Pm
Sb
Ap
Gm
Tm
0.0 0.5 1.0 1.5 2.0 2.5
0.0
0.2
0.4
0.6
0.8
1.0
Phosphorgehalt
Vor
kom
men
swah
rsch
einl
ichk
eit
Ef
Fra
Spm
Am
Ea
Sm Lv
Frl
Sa
Pm
Sb
Ap
Gm
Tm
USWPZ
DOSW
USWPZ
D
USWPZUSWPZ
DOSW
Geringer Phosphorgehalt
hoher Phosphorgehalt
Abbildung I-5: Art-Antwortkurven des gesamten Datensatzes für die Variable Phosphorgehalt.
0.0 0.5 1.0 1.5 2.0 2.5
0.0
0.2
0.4
0.6
0.8
1.0
Phosphorgehalt
Vor
kom
men
swah
rsch
einl
ichk
eit
Ea
Sa
Sm
GeringerPhosphorgehalt
hoher Phosphorgehalt
P
OSW
USWPZ
Ea = Elymus athricusSa = Spartina anglicaSm = Suaeda maritima
0.0 0.5 1.0 1.5 2.0 2.5
0.0
0.2
0.4
0.6
0.8
1.0
Phosphorgehalt
Vor
kom
men
swah
rsch
einl
ichk
eit
Ea
Sa
Sm
GeringerPhosphorgehalt
hoher Phosphorgehalt
P
OSW
USWPZ
0.0 0.5 1.0 1.5 2.0 2.5
0.0
0.2
0.4
0.6
0.8
1.0
Phosphorgehalt
Vor
kom
men
swah
rsch
einl
ichk
eit
Ea
Sa
Sm
GeringerPhosphorgehalt
hoher Phosphorgehalt
P0.0 0.5 1.0 1.5 2.0 2.5
0.0
0.2
0.4
0.6
0.8
1.0
Phosphorgehalt
Vor
kom
men
swah
rsch
einl
ichk
eit
Ea
Sa
Sm
0.0 0.5 1.0 1.5 2.0 2.5
0.0
0.2
0.4
0.6
0.8
1.0
Phosphorgehalt
Vor
kom
men
swah
rsch
einl
ichk
eit
Ea
Sa
Sm
GeringerPhosphorgehalt
hoher Phosphorgehalt
P
OSW
USWPZ
OSW
USWPZUSWPZUSWPZ
Ea = Elymus athricusSa = Spartina anglicaSm = Suaeda maritima
Abbildung I-6: Art-Antwortkurven des Salzwiesendatensatzes für die Variable Phosphorgehalt.
8 ANHANG 131
0.0 0.5 1.0 1.5 2.0 2.5 3.0
0.0
0.2
0.4
0.6
0.8
1.0
absolute Störung
Vor
kom
men
swah
rsch
einl
ichk
eit
Sm
Lv
At
Pm
SbEf
Sa
Ss
Am
Frl
Spm Tm
USWPZ
DOSW
Am = Artemisia maritimaAt = Aster tripoliumEf = Elymus farctusFrl = Festuca rubra litoralisLv = Limonium vulgarePm = Puccinellia maritimaSa = Spartina anglicaSb = Salicornia brachystachyaSpm = Spergularia media Sm = Suaeda maritimaSs = Salicornia strictaTm = Triglochin maritimum
stabil stark gestört 0.0 0.5 1.0 1.5 2.0 2.5 3.0
0.0
0.2
0.4
0.6
0.8
1.0
absolute Störung
Vor
kom
men
swah
rsch
einl
ichk
eit
Sm
Lv
At
Pm
SbEf
Sa
Ss
Am
Frl
Spm Tm
0.0 0.5 1.0 1.5 2.0 2.5 3.0
0.0
0.2
0.4
0.6
0.8
1.0
absolute Störung
Vor
kom
men
swah
rsch
einl
ichk
eit
Sm
Lv
At
Pm
SbEf
Sa
Ss
Am
Frl
Spm Tm
USWPZ
DOSW
USWPZ
D
USWPZUSWPZ
DOSW
Am = Artemisia maritimaAt = Aster tripoliumEf = Elymus farctusFrl = Festuca rubra litoralisLv = Limonium vulgarePm = Puccinellia maritimaSa = Spartina anglicaSb = Salicornia brachystachyaSpm = Spergularia media Sm = Suaeda maritimaSs = Salicornia strictaTm = Triglochin maritimum
stabil stark gestört
Abbildung I-7: Art-Antwortkurven des gesamten Datensatzes für die Variable absolute Störung.
Am = Artemisia maritimaAp = Atriplex portulacoidesFrl = Festuca rubra litoralisLv = Limonium vulgarePm = Puccinellia maritimaSa = Spartina anglicaSpm = Spergularia mediaSs = Salicornia strictaTm = Triglochin maritimum
0.0 0.5 1.0 1.5 2.0
0.0
0.2
0.4
0.6
0.8
1.0
absolute Störung
Vor
kom
men
swah
rsch
einl
ichk
eit
Lv
Ap
Pm
TmSpm
Frl
Am Sa
Ss
OSW
USWPZ
stabil stark gestört
Am = Artemisia maritimaAp = Atriplex portulacoidesFrl = Festuca rubra litoralisLv = Limonium vulgarePm = Puccinellia maritimaSa = Spartina anglicaSpm = Spergularia mediaSs = Salicornia strictaTm = Triglochin maritimum
0.0 0.5 1.0 1.5 2.0
0.0
0.2
0.4
0.6
0.8
1.0
absolute Störung
Vor
kom
men
swah
rsch
einl
ichk
eit
Lv
Ap
Pm
TmSpm
Frl
Am Sa
Ss
OSW
USWPZ
stabil stark gestört0.0 0.5 1.0 1.5 2.0
0.0
0.2
0.4
0.6
0.8
1.0
absolute Störung
Vor
kom
men
swah
rsch
einl
ichk
eit
Lv
Ap
Pm
TmSpm
Frl
Am Sa
Ss
0.0 0.5 1.0 1.5 2.0
0.0
0.2
0.4
0.6
0.8
1.0
absolute Störung
Vor
kom
men
swah
rsch
einl
ichk
eit
Lv
Ap
Pm
TmSpm
Frl
Am Sa
Ss
OSW
USWPZ
OSW
USWPZUSWPZUSWPZ
stabil stark gestört
Abbildung I-8: Art-Antwortkurven des Salzwiesendatensatzes für die Variable absolute Störung.
8 ANHANG 132
0 2 4 6 8
0.0
0.2
0.4
0.6
0.8
1.0
Sandanteil
Vor
kom
men
swah
rsch
einl
ichk
eit
Fra
Ef
Lv
Sa
Am
Ea
Frl
Tm
Sm
Pm
Sb
Ap USWPZ
DOSW
Am = Artemisia maritimaAp = Atriplex portulacoidesEa = Elymus athericusEf = Elymus farctusFrl = Festuca rubra litoralisFra = Festuca rubra arenariaLv = Limonium vulgarePm = Puccinellia maritimaSa = Spartina anglicaSb = Salicornia brachystachyaSm = Suaeda maritimaTm = Triglochin maritimum
geringer Sandanteil hoher Sandanteil 0 2 4 6 8
0.0
0.2
0.4
0.6
0.8
1.0
Sandanteil
Vor
kom
men
swah
rsch
einl
ichk
eit
Fra
Ef
Lv
Sa
Am
Ea
Frl
Tm
Sm
Pm
Sb
Ap
0 2 4 6 8
0.0
0.2
0.4
0.6
0.8
1.0
Sandanteil
Vor
kom
men
swah
rsch
einl
ichk
eit
Fra
Ef
Lv
Sa
Am
Ea
Frl
Tm
Sm
Pm
Sb
Ap USWPZ
DOSW
USWPZ
D
USWPZUSWPZ
DOSW
Am = Artemisia maritimaAp = Atriplex portulacoidesEa = Elymus athericusEf = Elymus farctusFrl = Festuca rubra litoralisFra = Festuca rubra arenariaLv = Limonium vulgarePm = Puccinellia maritimaSa = Spartina anglicaSb = Salicornia brachystachyaSm = Suaeda maritimaTm = Triglochin maritimum
geringer Sandanteil hoher Sandanteil Abbildung I-9: Art-Antwortkurven des gesamten Datensatzes für die Variable Sandanteil.
Sa
SbTm
Ea
Frl
Pm
Ap
Sm
Lv
Am
0 2000 4000 6000 8000
0.0
0.2
0.4
0.6
0.8
1.0
Sandgehalt
Vor
kom
men
swah
rsch
einl
ichk
eit OSW
USWPZ
Am = Artemisia maritimaAp = Atriplex prostrataEa = Elymus athericusFrl = Festuca rubra litoralisPm = Puccinellia maritimaLv = Limonium vulgareSa = Spartina anglicaSb = Salicornia brachystachyaSm = Suaeda maritimaSs = Salicornia strictaTm = Triglochin maritima
geringer Sandanteil hoher Sandanteil
Sa
SbTm
Ea
Frl
Pm
Ap
Sm
Lv
Am
0 2000 4000 6000 8000
0.0
0.2
0.4
0.6
0.8
1.0
Sandgehalt
Vor
kom
men
swah
rsch
einl
ichk
eit Sa
SbTm
Ea
Frl
Pm
Ap
Sm
Lv
Am
0 2000 4000 6000 8000
0.0
0.2
0.4
0.6
0.8
1.0
Sandgehalt
Vor
kom
men
swah
rsch
einl
ichk
eit OSW
USWPZ
OSW
USWPZUSWPZUSWPZ
Am = Artemisia maritimaAp = Atriplex prostrataEa = Elymus athericusFrl = Festuca rubra litoralisPm = Puccinellia maritimaLv = Limonium vulgareSa = Spartina anglicaSb = Salicornia brachystachyaSm = Suaeda maritimaSs = Salicornia strictaTm = Triglochin maritima
geringer Sandanteil hoher Sandanteil
Abbildung I-10:Art-Antwortkurven des Salzwiesendatensatzes für die Variable Sandanteil.
8 ANHANG 133
Vegetationstabelle Tabelle I-11: Vegetationstabelle der Salzwiesen- und Dünenprobeflächen. Vegetationszone PZ PZ PZ PZ PZ PZ PZ PZ PZ PZ PZ PZ GS GS GS USWUSWUSWUSW USWUSWUSW USWUSWUSWUSWUSW USW USW USW USW USW USW OSW OSW OSW OSW OSW OSW OSW OSW OSW OSW OSW OSW GD GD GD GD GD GD VSWVSWVD VD VD VD VD VD ST ST ST ST ST ST STProbeflächen 18 3 66 5 7 64 1 2 6 8 9 10 11 12 13 4 19 14 24 28 20 21 23 47 22 44 42 43 48 26 46 27 49 25 65 29 41 17 61 45 15 16 50 51 30 53 55 54 57 56 60 63 62 35 32 31 58 52 59 34 36 33 37 38 39 40Spartina anglica 100 100 100 100 5 24 45 1 21 4 1 67 3 1 33 4Salicornia stricta 3 11 10 43 4 40 32 27 26 30 2Salicornia brachystachya 100 100 100 100 100 13 2 94 46 56 28 72 26 82 38 6 18 6 31 22 27 3 1 2 5Suaeda maritima 1 27 89 67 26 14 11 32 25 70 98 16 42 100 69 80 96 43 27 22 2 77 21 2 50 6 19 27 2 1 10 4Limonium vulgare 2 1 1 5 10 40 5 32 61 84 92 100 80 85 100 81 27 89 98 34 29 44 69 3 75 78 93 43 38 9Puccinellia maritima 24 59 95 100 100 49 52 51 8 26 18 57 3 4 1 6 6 16 8Halimione portulacoides 38 6 2 6 54 91 78 28 34 98 81 99 98 100 100 100 100 100 100 100 45 70 5 42 1 2 16 1 1Festuca rubra ssp. litoralis 16 7 100 97 100 100 100 100 81 59Artemisia maritima 2 2 6 3 22 18 8 9 39 62 47 99 43 11Elymus athericus 8 40 12 4 4 100 92 100 100 84 71 100 100 100 100 100 100 21 78 47 31 43 29 33 52 12 27Triglochin maritima 1 34 39 10 5 28 5 12 15 18 12 11 14Glaux maritima 23 26 19 1 8 1Spergularia maritima 7 1 3 26 49 61 28 7 1 1 1 7 4 3Aster tripolium 1 25 16 47 1 3Plantago maritima 49 18 46 42 23Agrostis stolonifera 19 72 25 5 100Carex extensa 9 27Atriplex prostrata 12 24 29 10Leymus arenarius 58 17Cakile maritima 26 15 42 1Honckenya peploides 5 12 4 41 2Sedum acre 94 100 100 100 100Elymus farctus 59 25 29 20 39 20 32 15 4 100 87 98 2Festuca rubra ssp. arenaria 34 48 95 5 54 44 15Oenothera oakesiana 67 18 6 30 9Plantago coronopus 70 77Leontodon saxatilis 12 13 3Arenaria serpyllifolia 35 6 9 2Elymus farctus x athericus 11 44Sonchus arvensis 1 4 7Cerastium diffusum 6 1Chenopodium album/strictum 4 2 1Linaria vulgaris 1Sagina nodosa 4Sonchus spec. (asper) 2Trifolium striatum 21Armeria maritima 46Cochlearia danica 14 7 4 17Moos 100 79 100 76Offenboden 100 2 14 100 100 100 100 100 2 40 45 3 18 2 2 13 5 41 85 50 7 56 36 38 18 85 100 100 100 100 100 100 100
8 ANHANG 134
Hiermit versichere ich, dass ich diese Arbeit selbständig verfasst und keine anderen als die
angegebenen Hilfsmittel und Quellen verwendet habe.
Oldenburg, im Oktober 2008