In meiner Masterarbeit untersuche ich die Regeneration gestörter Fichtenwaldflächen in den Mittelgebirgsregionen Zentraldeutschlands, konkret im Südharz, im Thüringer Wald und im Thüringer Schiefergebirge.

Gängige Fernerkundungsprodukte zur Erfassung von Störungen unterscheiden meist lediglich zwischen gestörten und ungestörten Waldflächen, während differenzierte Aspekte wie der Verbleib von Totholz oder unterschiedliche Managementansätze häufig unberücksichtigt bleiben.

Auf Grundlage von Zeitreihen des Sentinel-basierten Blattflächenindex (Leaf Area Index, LAI) sowie ergänzender Informationen zu Topographie, Böden und Klima entwickle ich ein maschinelles Lernmodell, das unterschiedliche Formen des Post-Disturbance-Managements klassifizieren und voneinander abgrenzen soll. Hierzu erhebe ich detaillierte kategoriale Trainingsdaten im Gelände und erweitere bestehende Datensätze aus dem Projekt „ResEt-Fi“ (BMFTR, REGULUS-Programm) von der Plot- auf die regionale Ebene.

Der so entstehende umfassende Datensatz ermöglicht eine robuste Modellkalibrierung und -validierung. Durch die Analyse von Unterschieden in LAI-Erholungsverläufen und deren Zusammenhang mit Umweltfaktoren trägt die Arbeit zu einem besseren Verständnis früher Sukzessionsprozesse bei, unterstützt das Monitoring von Waldökosystemen und liefert wichtige Erkenntnisse zur Wiederherstellung von Ökosystemfunktionen sowie zur Bewertung von Landschaftsresilienz.