Moore sind bedeutende Kohlenstoffspeicher und können als Senken und Quellen von Treibhausgasen klimatische Bedingungen über Jahrhunderte beeinflussen. Während der Photosynthese produzierte Biomasse wird in Torfschichten akkumuliert, weil Zersetzungsraten aufgrund von Sauerstoffmangel und geringer Nährstoffverfügbarkeit typischerweise gering sind. Insbesondere Veränderungen in der Temperatur, Niederschlagsmustern und atmosphärischer Stickstoffdeposition können aber Biomasseproduktion und Zersetzungsraten so verändern, dass Moore zu Treibhausgasquellen werden.
Um die Wirkung einzelner Faktoren zu verstehen, ist ein Verständnis der Prozesse und ihrer Interaktionen notwendig. Ein detailliertes Prozessverständnis ermöglicht bessere Vorhersagen der Kohlenstoffakkumulation, Treibhausgasemissionen und naturschutzfachlichen Entwicklung von Moorstandorten angesichts sich ändernder Umweltbedingungen oder menschlicher Eingriffe.
Modelle, die diesen Netzwerk an Prozessen dynamisch über die Zeit abbilden (dynamische Moormodelle, DMM) sind dafür ein wichtiges Werkzeug, insbesondere da sie Zeiträume zugänglich machen, die nicht mit anderen Methoden untersucht werden können. DMM wurden seit über 40 Jahren entickelt und kontinuierlich verbessert, wodurch wichtige Einblicke über die Bedeutung einzelner Prozesse und die Veränderung von Mooren gewonnen werden konnte.
Problematisch ist, dass DMM typischerweise große Unsicherheiten haben, die ihre Vorhersagen und Interpretation beeinträchtigen, und dass diese Unsicherheiten bisher kaum quantifiziert werden. Dadurch kann der Einfluss bestimmter Prozesse unterschätzt werden und damit potentielle Entwicklungen falsch interpretiert werden. Im schlimmsten Fall können Kohlenstoffemissionen aus Mooren dramatisch unterschätzt werden und politischen Entscheidungsträgern kritische Informationen fehlen. Aus diesem Grund ist es wichtig, Unsicherheiten in Prozessmodellen zu berücksichtigen.
Hauptziel dieses Projekts ist daher die Entwicklung eines probabilistischen DMM, das Unsicherheiten in Daten und Parametern berücksichtigt. Hierfür geeignete statistische Methoden Bayes’sche hierarchische Modelle – wurden in anderen Disziplinen und Ökosystemen (z.B. Wälder, Mineralböden) erfolgreich angewendet und haben neue Einsichten in Prozesse und ihre Unsicherheiten gegeben.
Weitere Ziele sind eine detaillierte Analyse der Unsicherheiten und ihre Verringerung mithilfe von Datenassimilation. Beide Ansäzte wurden ebenfalls in anderen Modellen erfolgreich erprobt. Eine Unsicherheitsanalyse erlaubt es, Datenlücken und Parameter zu identifizeren, die maßgeblich zur Unsicherheit in der vorhergesagten Kohlenstoffakkumulation beitragen. Dadurch lassen sich Forschungsressourcen effizienter einsetzen, um diese Unsicherheiten zu verringern. Datenassimilation macht es möglich, vielfältige Datensätze in einem DMM zu berücksichtigen, wodurch Unsicherheiten verringert werden können, insebsondere in langfristigen Zersetzungsraten.
Hierfür werden im Rahmen des Projekts offen zugängliche Datenkompendien aus existierenden Datensätzen erstellt und Datenlücken über Torfeigenschaften mithilfe von Kalibrationsmodellen und vorhandenen Infrarotspektren gefüllt. Diese Daten werden zur Entwicklung des probabilstisches DMM und für Datenassimilation verwendet. Unsicherheiten der DMM-Parameter und der vorhergesagten Kohlenstoffakkumulation werden allgemein und im Kontext der wissenschaftlichen Literatur analysiert, um dominante Unsicherheitsquellen zu identifizieren und den aktuellen Wissensstand über die Unsicherheiten zu kartieren, insbesondere in Bezug auf Effekte von Temperatur, Niederschlag und Stickstoffdeposition. Darauf aufbauend wird eine Strategie entwickelt, um Unsicherheiten durch Datenlücken und in Parametern effektiv zu verringern.
Damit soll das Prozessverständnis von Mooren verbessert werden und ein offener Grundstein für das Monitoring und Enticklungsperspektiven von Mooren gelegt werden.