das weidepotential im gutu distrikt (zimbabwe). möglichkeiten und grenzen der modellierung unter...
TRANSCRIPT
Karlsruher Schriften zur Geographie und Geoökologie
Band 19
Das Weidepotential im Gutu Distrikt (Zimbabwe)
Möglichkeiten und Grenzen der
Modellierung unter Verwendung von Landsat TM-5
von
Cyrus Samimi
Schriftleitung: Beate Fischer
Herausgeber: M. Meurer, D. Burger und J. Vogt Institut für Geographie und Geoökologie
der Universität Karlsruhe (TH)
Karlsruhe 2003
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 I
Vorwort
Die aktuelle Diskussion über die Habilitation möch-
te ich in meinem Vorwort nicht aufgreifen. Zumal
mir die viel verwendete Argumentation zu einfach
erscheint, dass es schon sinnvoll ist, nach der Pro-
motion eine weitere „große eigenständige Arbeit“
abzufassen, wenn die eigene Habilitationsschrift
vollendet ist. Vielmehr stellt sich mir die Frage, ob
sie ein Exemplar der letzten Generation sein wird
oder ob sich die Tradition der Habilitationsschrif-
ten noch weiter erhalten wird. Tatsache jedoch ist,
dass die Organisation, Bearbeitung und Fertigstel-
lung einer Arbeit, die sich über 6 Jahre hinzieht,
viel an Gedanken und Ideen zu weiteren kleineren
Projekten weitgehend verhindert und so vielleicht
auch Kreativität verloren gehen kann. Bietet sich
die Möglichkeit zum eigenständigen Arbeiten, wie
in meinem Fall, schafft die Habilitation beste Be-
dingungen, ein Forschungsprojekt zu organisieren
und zu leiten – von der Antragsstellung mit allen
denkbaren Frustrationen, der Geländearbeit, dem
Aufbau von Netzwerken bis hin zum lang ersehn-
ten Abschluss.
Nun folgt normalerweise eine lange Liste von Men-
schen, denen Dank gebührt, weil sie in unterschied-
lichster Weise die Arbeit ermöglichten, unterstütz-
ten oder wie auch immer einen Beitrag dazu lei-
steten. Ohne diese Hilfe wäre es ja auch wirklich
kaum möglich, durchzuhalten. Meistens vergisst
man jemanden oder setzt falsche Prioritäten in der
Reihenfolge. Deshalb danke ich allen, die mit der
Arbeit oder mir zu tun hatten, mich unterstützten
oder ertragen mussten. Zu erwähnen ist aber, dass
Ergebnisse der Diplomarbeiten von E. Ebenhöch
und F. Grüninger wichtige Ergebnisse lieferten. Die
Diplomarbeiten waren eingebettet in das Projekt
und wurden von mir betreut.
Finanziell gefördert wurde die Arbeit, in alphabeti-
scher Reihenfolge, von der DaimlerChrysler AG, der
Deutschen Forschungsgemeinschaft (DFG), der Dr.
Dr. Richard Zantner-Busch-Stiftung, der Gesell-
schaft für technische Zusammenarbeit (GTZ) und
der Universität Erlangen-Nürnberg.
Wie viel Zeit vom Beginn der Arbeit bis zu ihrem
Ende vergangen ist, sieht man an dem innenpoliti-
schen Wandel in Zimbabwe. Das Land wurde ur-
sprünglich für die Untersuchung ausgewählt, weil
es sich trotz der Diskrepanzen zwischen hoch
technisierter, kommerzieller und traditioneller,
subsistenz-orientierter Landwirtschaft mit all ihren
gesellschaftlichen Verwerfungen durch politische
Stabilität auszeichnete. Für eine mögliche Lösung
der soziokulturellen und ökologischen Probleme,
die sich aus der Landfrage ergeben, sollten nach-
vollziehbare, anwendbare Planungstools entwickelt
werden, die von lokalen Entscheidungsträgern,
Planern und Berater herangezogen werden kön-
nen. Zu diesem Zweck war eine enge Absprache
mit Institutionen vor Ort, wie der Universität Harare
und der AGRITEX, geplant und wurde z.T. auch
verwirklicht. Dies war ursprünglich wegen der poli-
tische Stabilität und des vergleichsweise hohen
Entwicklungsstandes der Institutionen gut möglich.
Die politische Entwicklung der letzten Jahre mit
all ihren Konsequenzen für das Land hat, wie so
oft, die Arbeit überholt. Es bleibt zu hoffen, dass
sich die Situation entspannt und in Zukunft ein
Prozess in Gang kommt, der nachhaltig zu einer
Lösung der ökonomischen und ökologischen Pro-
bleme des Landes führt und einen Ausgleich der
gegensätzlichen Interessen bewirkt. Zimbabwe
hätte, wie kaum ein anderes Land in Afrika, die
besten Vorraussetzungen dafür.
Erlangen im April 2002 Cyrus Samimi
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 III
Inhaltsverzeichnis
Vorwort .................................................................................................................................... I
Inhaltsverzeichnis .................................................................................................................... III
Verzeichnis der Abbildungen ................................................................................................... V
Verzeichnis der Tabellen ...................................................................................................... VIII
Verzeichnis der Abkürzungen ................................................................................................. IX
1 Einführung ............................................................................................................................ 1
1.1 Problemstellung und Zielsetzung ............................................................................................. 1
1.2 Aufbau der Arbeit .................................................................................................................... 2
2 Sozioökonomischer und ökologischer Hintergrund in Zimbabwe ................................... 3
2.1 Naturräumliche Rahmenbedingungen ...................................................................................... 3
2.2 Historische und politische Rahmenbedingungen...................................................................... 8
2.3 Konsequenzen der Landnutzung auf den Naturraum ................................................................ 9
3 Übersicht über das Arbeitsgebiet im Distrikt Gutu ........................................................... 10
3.1 Auswahl und Lage des Arbeitsgebietes ................................................................................. 10
3.2 Geologie, Geomorphologie und Böden ................................................................................... 11
3.3 Klima .................................................................................................................................... 13
3.4 Bevölkerung .......................................................................................................................... 16
3.5 Vegetation und Landnutzung ................................................................................................. 19
4 Erhebung der Basisdaten .................................................................................................. 22
4.1 Klima .................................................................................................................................... 22
4.2 Auswahl der Testgebiete ....................................................................................................... 22
4.3 Vegetationsaufnahmen .......................................................................................................... 24
4.4 Bestimmung der Phytomasse ............................................................................................... 26
4.4.1 Phytomasse der Gras- und Krautschicht ............................................................................... 27
4.4.1.1 Methodik ............................................................................................................................... 27
4.4.1.2 Ergebnis der gravitativen Phytomassebestimmung ................................................................ 28
4.4.1.3 Statistische Zusammenhänge zwischen der gravimetrischen Phytomassebestimmung
und den Ergebnissen der ten-point-frame-Methode ................................................................ 28
4.4.2 Blattmasse der Strauch- und Baumschicht ........................................................................... 38
4.4.2.1 Methodik ............................................................................................................................... 38
4.4.2.2 Statistische Zusammenhänge zwischen Wuchsparametern und Blattmasse ......................... 33
4.4.2.3 Vergleich mit anderen Ansätzen ............................................................................................ 38
4.5 Futterwertanalysen ............................................................................................................... 39
4.6 Aufnahme der Bodenparameter ............................................................................................. 41
4.7 Digitale Bildverarbeitung und GIS-Analysen ........................................................................... 41
IV SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
4.7.1 Datengrundlagen ................................................................................................................... 41
4.7.2 Korrektur der Satellitenbilder ................................................................................................. 42
5 Diskussion der Ergebnisse und Übertragung der Daten auf die Fläche ........................ 46
5.1 Die klimatologische und bodenkundliche Ausstattung des Arbeitsgebietes ............................ 46
5.2 Vegetationsformationen ......................................................................................................... 47
5.2.1 Klassifikation der Vegetation ................................................................................................. 49
5.2.2 Validierung der Klassifikation ................................................................................................ 50
5.3 Vegetationszusammensetzung ............................................................................................. 55
5.3.1 Gesamtdatensatz ................................................................................................................. 55
5.3.2 Strauch- und Baumschicht .................................................................................................... 59
5.3.3 Gras- und Krautschicht ......................................................................................................... 61
5.3.4 Bewertung der Artenzusammensetzung ................................................................................ 64
5.4 Phytomasse ......................................................................................................................... 65
5.4.1 Phytomasse der Testfläche ................................................................................................... 65
5.4.2 Statistische Zusammenhänge zwischen der Phytomasse und den Satellitendaten und
Übertragung auf den Untersuchungsraum .............................................................................. 70
5.4.2.1 Trockenzeit ........................................................................................................................... 71
5.4.2.2 Regenzeit ............................................................................................................................. 88
5.5 Futterqualität ......................................................................................................................... 96
5.5.1 Überblick .............................................................................................................................. 96
5.5.2 Gras- und Krautschicht ......................................................................................................... 99
5.5.3 Bäume und Sträucher ..........................................................................................................102
5.6 Futterkapazität, Weidekapazität ..........................................................................................102
6 Bewertung der Weidekapazität im Untersuchungsgebiet und
Planungsvorschläge ..........................................................................................................106
6.1 Bewertung der Weidekapazität .............................................................................................106
6.2 Vorschläge zur Verbesserung der Weidenutzung ................................................................. 110
7 Bewertung des methodischen Instrumentariums ........................................................... 111
8 Zusammenfassung ............................................................................................................. 113
9 Summary ............................................................................................................................ 115
Literaturverzeichnis ......................................................................................................................... 117
Photos ............................................................................................................................................125
Anhang ............................................................................................................................................127
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 V
Verzeichnis der Abbildungen
Abb. 1: Übersichtskarte von Zimbabwe mit Höhenangaben .................................................................. 3
Abb. 2: Niederschlagskarte von Zimbabwe .......................................................................................... 4
Abb. 3: Jahresgang der Temperatur und des Niederschlags an drei ausgewählten Stationen ............... 5
Abb. 4: Vegetation in Zimbabwe .......................................................................................................... 6
Abb. 5: Agrarökologische Zonen und Besitzverhältnisse in Zimbabwe ................................................. 7
Abb. 6: Übersichtskarte des Gutu Distriktes mit agrarökologischen Zonen und
Besitzverhältnissen ............................................................................................................... 10
Abb. 7: Geologie des Untersuchungsgebietes .................................................................................... 11
Abb. 8: Übersichtskarte des Untersuchungsgebietes mit Reliefdarstellung ........................................ 12
Abb. 9: Niederschlag im Gutu Distrikt ............................................................................................... 13
Abb. 10: Niederschlag an der Station Gutu .......................................................................................... 14
Abb. 11: Niederschlag an den Stationen Gutu, Kurai und Masvingo während
des Untersuchungszeitraumes .............................................................................................. 14
Abb. 12: Temperaturgang an den Stationen Gutu, Kurai und Masvingo während
des Untersuchungszeitraumes .............................................................................................. 15
Abb. 13: Gang der relativen Feuchte an den Stationen Gutu, Kurai und Masvingo während
des Untersuchungszeitraumes .............................................................................................. 16
Abb. 14: Bevölkerungsdichte im Gutu Distrikt der Jahre 1969, 1982 und 1992 ..................................... 17
Abb. 15: Vegetation im Gutu Distrikt im Jahr 1992 .............................................................................. 18
Abb. 16: Veränderung der Vegetation im Gutu Distrikt von 1970 bis 1992 ............................................ 18
Abb. 17: Veränderung der Vegetation im Gutu Distrikt von 1970 bis 1992 nach
Besitzverhältnissen ............................................................................................................... 19
Abb. 18: Testflächen im Untersuchungsgebiet ..................................................................................... 22
Abb. 19: ten-point-frame ...................................................................................................................... 27
Abb. 20: Phytomasse auf den Testquadraten aus der gravimetrischen Bestimmung ............................ 29
Abb. 21: Statistische Zusammenhänge zwischen der gravimetrischen Massebestimmung und
den Berührungen mit dem ten-point-frame während der Trockenzeit ...................................... 30
Abb. 22: Statistische Zusammenhänge zwischen der gravimetrischen Massebestimmung und
den Berührungen mit dem ten-point-frame während der Regenzeit ......................................... 31
Abb. 23: Statistische Zusammenhänge zwischen der gravimetrischen Massebestimmung und
den Berührungen mit dem ten-point-frame, Trocken- und Regenzeit kombiniert ..................... 32
Abb. 24: Statistische Zusammenhänge zwischen dem Stammumfang der Bäume und
der Blattmasse während der Trockenzeit ............................................................................... 35
Abb. 25: Statistische Zusammenhänge zwischen dem Stammumfang der Bäume und
der Blattmasse während der Regenzeit ................................................................................. 36
Abb. 26: Statistische Zusammenhänge zwischen dem Stammumfang der Bäume und
der Blattmasse, Trocken- und Regenzeit kombiniert ............................................................. 37
VI SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
Abb. 27: Zusammenhang zwischen der Blattmassebestimmung in Gutu und dem
überregionalen Ansatz nach RUTHERFORD (1982) .................................................................... 38
Abb. 28: Zusammenhang zwischen der Blattmassebestimmung in Gutu und
überregionalen Ansätzen verschiedener Autoren .................................................................... 38
Abb. 29: Jahresmitteltemperaturen im Arbeitsgebiet ............................................................................ 46
Abb. 30: Landnutzungsklassifikation im Arbeitsgebiet ......................................................................... 51
Abb. 31: Ordinationsdiagramm der DCA aller Arten und Aufnahmenflächen .......................................... 56
Abb. 32: Ordinationsdiagramm der DCA ohne Aufnahmenflächen 30 und 33 ........................................ 57
Abb. 33: Ordinationsdiagramm der CCA aller Arten und Aufnahmenflächen .......................................... 58
Abb. 34: Ordinationsdiagramm der CCA für die Baum- und Straucharten aller Aufnahmenflächen ........ 60
Abb. 35: Ordinationsdiagramm der CCA für die Gras- und Krautarten aller Aufnahmenflächen ............. 62
Abb. 36: Ordinationsdiagramm der CCA für die Gras- und Krautarten ohne
Aufnahmenflächen 3 und 18 ................................................................................................. 63
Abb. 37: Phytomasse der Gras- und Krautschicht auf den Testflächen ................................................ 66
Abb. 38: Biomasse der Gras- und Krautschicht auf den Testflächen .................................................... 66
Abb. 39: Nekromasse der Gras- und Krautschicht auf den Testflächen ................................................ 67
Abb. 40: Gesamtphytomasse auf den Testflächen ............................................................................... 67
Abb. 41: Blattmasse der Gehölzschicht auf den Testflächen ............................................................... 68
Abb. 42: Boxplots der Phytomasse der Gras- und Krautschicht für die
Aufnahmejahre 1998 und 1999 .............................................................................................. 69
Abb. 43: Boxplots der Blattmasse der Gehölzschicht und der Gesamtphytomasse
für die Aufnahmejahre 1998 und 1999 .................................................................................... 69
Abb. 44: Übersichtskarte des südlichen Afrika .................................................................................... 70
Abb. 45: Histogramme der Grasphytomasse und der Blattmasse für die Untersuchungsgebiete
in Zimbabwe und in der Republik Südafrika ........................................................................... 71
Abb. 46: Regressionsmodelle der Satellitendaten und der Grasphytomasse
im südlichen Afrika während der Trockenzeit ......................................................................... 72
Abb. 47: Reflexionskurven unterschiedlicher Grasphytomasse während der Trockenzeit ..................... 73
Abb. 48: Zusammenhang der Grasphytomasse ermittelt aus Satellitendaten und
aus Geländemessungen während der Trockenzeit ................................................................. 73
Abb. 49: Wertespannen der Grasphytomasse erhoben aus Satellitendaten und
aus Geländemessungen während der Trockenzeit ................................................................. 74
Abb. 50: Differenz der Grasphytomasse aus Geländemessungen und erhoben aus
Satellitendaten während der Trockenzeit ............................................................................... 74
Abb. 51: Regressionsmodelle der Satellitendaten und der Grasphytomasse im
Untersuchungsgebiet Gutu während der Trockenzeit ............................................................. 75
Abb. 52: Karte der Grasphytomasse im Arbeitsgebiet zum Trockenzeitaspekt 1998 ........................... 77
Abb. 53: Regressionsmodelle der Satellitendaten und der Gesamtphytomasse im
südlichen Afrika während der Trockenzeit ............................................................................. 80
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 VII
Abb. 54: Regressionsmodelle der Satellitendaten und der Gesamtphytomasse im
Untersuchungsgebiet Gutu .................................................................................................... 81
Abb. 55: Zusammenhang der Gesamtphytomasse ermittelt aus Satellitendaten und
aus Geländemessungen während der Trockenzeit ................................................................. 81
Abb. 56: Differenz der Gesamtphytomasse aus Geländemessungen und erhoben aus
Satellitendaten während der Trockenzeit ............................................................................... 82
Abb. 57: Karte der Gesamtphytomasse im Arbeitsgebiet Gutu zum Trockenzeitaspekt 1998 .............. 83
Abb. 58: Karte der Blattmasse der Gehölzschicht im Arbeitsgebiet Gutu zum
Trockenzeitaspekt 1998 ........................................................................................................ 85
Abb. 59: Komposit der Landsat-Bänder 7,1,2 des Bildes 169/74 vom 12.10.1998 für das
Untersuchungsgebiet Gutu .................................................................................................... 87
Abb. 60: Regressionsmodelle der Satellitendaten und der Nekro, Bio-, Phyto-, Blatt- und
Gesamtphytomasse im Untersuchungsgebiet Gutu während der Regenzeit .......................... 89
Abb. 61: Differenz der Grasphytomasse aus Geländemessungen und erhoben aus
Satellitendaten während der Regenzeit ................................................................................. 90
Abb. 62: Zusammenhang der Grasphytomasse ermittelt aus Satellitendaten und aus
Geländemessungen während der Regenzeit .......................................................................... 90
Abb. 63: Residuen für den Zusammenhang der Grasphytomasse und der Strahlungs-Ratio aus
Kanal 5 und 7 (DOS3) ........................................................................................................... 91
Abb. 64: Regressionsmodell des Strahlungs-Ratio aus Kanal 5 und 7 (DOS3) und der
Grasphytomasse im Untersuchungsgebiet Gutu während der Regenzeit ............................... 91
Abb. 65: Zusammenhang der Grasphytomasse ermittelt aus Satellitendaten und aus
Geländemessungen während der Regenzeit mit dem verbesserten Regressionsmodell ......... 91
Abb. 66: Wertespannen der Grasphytomasse erhoben aus Satellitendaten und aus
Geländemessungen während der Regenzeit .......................................................................... 92
Abb. 67: Karte der Grasphytomasse im Arbeitsgebiet zum Regenzeitaspekt 1999 .............................. 93
Abb. 68: Differenz der Gesamtphytomasse aus Geländemessungen und erhoben aus
Satellitendaten während der Regenzeit ................................................................................. 95
Abb. 69: Zusammenhang der Gesamtphytomasse ermittelt aus Satellitendaten und aus
Geländemessungen während der Regenzeit .......................................................................... 95
Abb. 70: Karte der Gesamtphytomasse im Arbeitsgebiet zum Regenzeitaspekt 1999 ......................... 97
Abb. 71: Boxplots der Energie- und Proteingehalte der Gras- und Krautschicht auf
den Testflächen ....................................................................................................................101
Abb. 72: Boxplots der Energie- und Proteingehalte der untersuchten Gehölze ...................................103
Abb. 73: Karte der verwertbaren Energie im Untersuchungsraum Gutu für die Trocken-
und Regenzeit ......................................................................................................................105
VIII SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
Verzeichnis der Tabellen
Tab. 1: Agrarökologische Zonen und Landnutzung .............................................................................. 7
Tab. 2: Viehzahlen in den Communal Lands, in den SSCFA-Gebieten und in den
Resettlement-Gebieten des Gutu Distrikt .............................................................................. 21
Tab. 3: Testflächenanzahl ................................................................................................................. 23
Tab. 4: Baumarten für die Eichung der Blattmassebestimmung ........................................................ 34
Tab. 5: Baumarten für die Analyse der Futterqualität ......................................................................... 40
Tab. 6: Lifetime gains und biases für Landsat-5 ................................................................................ 42
Tab. 7: Gains und biases der Landsat-Bilder vom 12.10.1998 und 22.4.1999 .................................... 42
Tab. 8: Sonnenparameter für die Landsat-Bilder vom 12.10.1998 und 22.4.1999 ............................... 43
Tab. 9: Strahlungsäquivalente (E0) der Landsat-Kanäle 1-5,7 für die Szenen vom 12.10.1998 und
22.4.1999 .............................................................................................................................. 43
Tab. 10: Ansätze zur Atmosphärenkorrektur der Satellitenbilder n. SONG u.a. ..................................... 45
Tab. 11: Klassifikationsgüte der Teilklassifikationen ............................................................................ 50
Tab. 12: Vegetations- und Nutzungsklassen im Arbeitsgebiet ............................................................. 53
Tab. 13: Klassifizierungsgüte im Arbeitsgebiet nach der Fehlermatrix der Testflächen ......................... 54
Tab. 14: Klassifizierungsgüte im Arbeitsgebiet nach der Fehlermatrix mit Zufallsflächen ..................... 54
Tab. 15: Eigenwerte und kumulative Varianz der DCA ......................................................................... 56
Tab. 16: Korrelation der Umweltvariablen mit den Art-Achsen für den Gesamtdatensatz (CCA) ........... 58
Tab. 17: Eigenwerte, Art-Umweltkorrelationskoeffizienten, kumulative Varianzen der Arten und
kumulative Varianzen der Art-Umwelt-Beziehungen der CCA des Gesamtdatensatzes ......... 59
Tab. 18: Korrelation der Umweltvariablen mit den Art-Achsen für den Gehölzdatensatz (CCA) ............ 60
Tab. 19: Korrelation der Umweltvariablen mit den Art-Achsen für den Datensatz der Gras- und
Krautschicht (CCA) ............................................................................................................... 61
Tab. 20: Korrelation der Umweltvariablen mit den Art-Achsen für den Datensatz der Gras- und
Krautschicht ohne Aufnahmeflächen 3 und 18 (CCA)............................................................ 62
Tab. 21: Regressionsgleichungen und Bestimmtheitsmaße für die Grasphytomasse mit
spektralen Indizes aus Satellitendaten im südlichen Afrika während der Trockenzeit ............. 73
Tab. 22: Regressionsgleichungen und Bestimmtheitsmaße für die Grasphytomasse mit
spektralen Indizes aus Satellitendaten im Untersuchungsgebiet Gutu während
der Trockenzeit ..................................................................................................................... 76
Tab. 23: Regressionsgleichungen und Bestimmtheitsmaße für die Gesamtphytomasse mit
spektralen Indizes aus Satellitendaten im südlichen Afrika während der Trockenzeit ............. 79
Tab. 24: Regressionsgleichungen und Bestimmtheitsmaße für die Gesamtphytomasse mit
spektralen Indizes aus Satellitendaten im Untersuchungsgebiet Gutu während
der Trockenzeit ..................................................................................................................... 81
Tab. 25: Futterwertkategorien ............................................................................................................. 99
Tab. 26: Protein- und Energiegehalte der Gras- und Krautschicht auf den Testflächen .......................100
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 IX
Tab. 27: Protein- und Energiegehalte der untersuchten Gehölze ........................................................102
Tab. 28: Mittlere Energiegehalte im Arbeitsgebiet ..............................................................................106
Tab. 29: Energiebedarf der Weidetiere ...............................................................................................107
Tab. 30: Weidetage im Arbeitsgebiet .................................................................................................108
Tab. 31: Flächenbedarf pro TLU in Zimbabwe .....................................................................................109
Verzeichnis der Abkürzungen
ADF Saure Detergentien Faser
ADL Rohlignin
AGRITEX Agricultural Technical and Extension Services
bnew
Bias n. TEILLET u.a.
bold
Bias aus dem Header von Landsat-5
CA Correspondence Analysis
CARD Coordinated Agricultural and Rural Development
CCA Canonical Correspondence Analysis
cos(d) Cosinus der Geländeneigung
cos(θz) cos des Zenitwinkels (θ
z) der Sonne
d relativer Abstand Erde – Sonne
DCA Detrended Correspondence Analysis
DNmin
Minimaler Grauwert des Satellitenbildes
DNnew
Grauwert auf Landsat-7 kalibriert n. TEILLET u.a.
DNold
Orginal-Grauwert von Landsat-5
dOS Verdaulichkeit
DOS1 Atmosphärenkorrekturmodell 1 n. SONG u.a
DOS2 Atmosphärenkorrekturmodell 2 n. SONG u.a
DOS3 Atmosphärenkorrekturmodell 3 n. SONG u.a
Edown
diffuser Strahlungsanteil an der Erdoberfläche
E0
Strahlung an der Erdoberfläche
Es
Strahlungsäquivalent der Landsat- 5 Kanäle
gnew
Gain n. TEILLET u.a.
gold
Gain aus dem Header von Landsat-5
GTZ Gesellschaft für technische Zusammenarbeit
H Meereshöhe
IRDEP Integrated Rural Development Program
JD Tag des Jahres
Lcorr
reliefkorrigierte Strahlung
Lp
diffuser Strahlungsanteil am Sensor
Lsat
Strahlung am Sensor
X SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
LSCFA Large Scale Commercial Farm Area
λ Wellenlange
LSCFA Large Scale Commercial Farm Area
ME umsetzbare (verwertbare) Energie
NDF Neutrale Detergentien Faser
NDVI Normalised difference vegetation index
nFK nutzbare Feldkapazität
θz
Zenitwinkels der Sonne
ρ spektrale Reflexion der Erdoberflache
ϕi
Sonnenazimut
ϕn
Azimut des Reliefs
RP Rohprotein
SAC Satellite Application Centre, Pretoria
SAVI Soil adjusted vegetation index
sin(d) Sinus der Geländeneigung
sin(θz) Sinus des Zenitwinkels (θ
z) der Sonne
SSCFA Small Scale Commercial Farm Area
StE Stärkeeinheiten
Tmean
Mitteltemperatur
τr
atmospharische Extinktion bei einer Raylaigh-Atmosphäre
Tv
atmosphärische Durchlässigkeit von der Erdoberfläche zum Sensor
Tz
atmosphärische Durchlässigkeit von der Sonne zur Erdoberfläche
TDN Total digestible nutrients
TS Trockensubstanz
U.F. Unité fourragère
vP verdauliches Protein
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 1
1.1 Problemstellung
Untersuchungen zur Tragfähigkeit sind ein tradi-
tionelles Forschungsfeld der Geographie. Die end-
lose Zahl von Arbeiten hier aufzulisten, würde nur
bedeuten, Platz zu füllen. Einen Schwerpunkt bil-
deten dabei schon immer Untersuchungen zur
agraren Tragfähigkeit, die wiederum das Weide-
nutzungspotential einschließen. Die Bedeutung
des Weidenutzungspotentials wird deutlich, wenn
man bedenkt, dass etwa ein Viertel der Landfläche
der Erde als Dauerweideland genutzt wird, meist
weil es für den Ackerbau ungeeignet ist. Gerade
auch in Afrika hat Viehhaltung eine lange Geschich-
te und wird in vielen Regionen, immer noch unter
weitgehend traditionellen Bedingungen und Mu-
stern, häufig zur Subsistenz betrieben. Daneben
haben sich insbesondere im südlichen Afrika, so
auch in Zimbabwe, Großranches etabliert. Auf den
Großfarmen findet die Weidewirtschaft meistens
mit gezieltem Weidemanagement statt. In den Re-
gionen der traditionellen Weidewirtschaft kam es
hingegen mit steigender Bevölkerungszahl zu ei-
ner stetigen Vergrößerung der Herden. Folge da-
von sind häufig Degradationserscheinungen der Ve-
getation und des Bodens bis hin zur Desertifikati-
on. Ein Überbesatz der Weideflächen zieht aber
während Dürrephasen auch katastrophale Zusam-
menbrüche der Viehbestände nach sich (CHENJE
& JOHNSON 1994, CHENJE u.a. 1998, MANSHARD
1988).
Die humanökologischen Probleme der Weide-
nutzung sind der Grund, dass sich sowohl die wis-
senschaftliche als auch die entwicklungspolitische
Seite oft Hand in Hand intensiv mit der Problema-
tik auseinandersetzen (z.B. MEURER 1991). Ziel ist
es, die Wirkungszusammenhänge zu erklären und
daraus tragfähige Beweidungskonzepte abzuleiten,
die auch zu einer Verbesserung der Lebenssituati-
on der Menschen führen.
Auf der ökologischen Seite ist die Ermittlung der
Tragfähigkeit eines Raumes ein zentraler Punkt.
Dabei wird seit Beginn der wissenschaftlichen
Nutzung von Fernerkundungssatelliten auch das
Instrumentarium der digitalen Bildverarbeitung ein-
gesetzt, wobei auch in jüngerer Zeit häufig immer
noch Fragen der räumlichen Differenzierung von
Oberflächenphänomenen im Vordergrund stehen.
Beispiele aus Afrika finden sich bei ANHUF 1997,
CSAPLOVICS 1992, KUß EROW 1990, 1994, WILL 1996.
Gleichzeitig gab es aber schon immer Versuche,
spektrale Eigenschaften der Vegetation zur Quan-
tifizierung von Vegetationsparametern heranzuzie-
hen. Für Kulturpflanzen liegen Untersuchungen zu
den verschiedensten Pflanzenparametern vor, die
sich in einer kaum überschaubaren Literaturfülle
widerspiegeln (z.B. ASRAR u.a. 1985, DAUGHTRY u.a.
1992, GARDNER u.a. 1985, MAUSER 1989, SAMIMI
1996). Die Verfahren sind soweit ausgereift, dass
z.B. Erntevorhersagen standardmäßig durchgeführt
werden (z.B. BENEDETTI & ROSSINI 1993, GIOVACCHINI
1986). Aber auch für natürliche Vegetationsein-
heiten liegen Erfahrungen vor, die über die reine
Klassifikation hinausgehen. Insbesondere die groß-
flächige Bestimmung der Biomasse mit Hilfe von
NOAA-Daten ist weit fortgeschritten (z.B. GROTEN
1991, MENZ 1994 u. 1996, TUCKER u.a. 1983, 1985).
Auch für höher auflösende Satellitensysteme las-
sen sich Beispiele für quantitative Anwendungen
anführen. Die Untersuchungsgebiete liegen u.a. im
Sahel (z.B. FRANKLIN & HIERNAUX 1991, HELLDÉN &
1 Einführung
2 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
OLSSON 1982, MOUGIN u.a. 1995, OLSSON 1984) und
in den Steppen der USA (z.B. ANDERSON u.a. 1993,
EVERITT u.a. 1989, TODD u.a. 1998), aber jüngst auch
in Botswana (MOLEELE u.a. 2001). Sie sind so z.T.
ähnlich strukturiert wie der Untersuchungsraum in
Zimbabwe. Die Heterogenität natürlicher Räume
macht eine direkte Übertragung der Ergebnisse
aber schwierig bis unmöglich.
Mit der Integration von Fernerkundungsdaten in
Geographische Informationssysteme (GIS) ist die
Einbeziehung anderer Parameter und die Verknüp-
fung der Datensätze möglich, so dass weiterge-
hende, integrative Aussagen realisierbar erschei-
nen.
1.2 Zielsetzung und Aufbau derArbeit
In Zimbabwe zeigen sich in einem Land die ange-
sprochenen Probleme, wenn auch nicht in den z.T.
katastrophalen Ausmaßen der Sahelregion. Insbe-
sondere aber die scharfen Gegensätze zwischen
den kommerziell ausgerichteten Farmen und dem
Rest des Landes, die sicher nicht durch Land-
reformen alleine gelöst werden könnten, machen
es nötig, den politischen Entscheidungsträger und
den Planern die ökologischen Zusammenhänge auf-
zuzeigen bzw. ihnen Werkzeuge an die Hand zu
geben, künftige Planungen selbst durchzuführen.
Das erste Ziel der Arbeit ist es deshalb, die weide-
ökologischen Grundlagen des engeren Untersu-
chungsraumes zu erfassen. Die Daten können di-
rekt für die Agrarplanung und Agrarberatung vor Ort
herangezogen werden.
Das zweite Ziel ist der Versuch, die Wirkungs-
mechanismen zwischen den Teilkomponenten, die
die weideökologischen Grundlagen bedingen,
grundlegend aufzuzeigen und damit nachvollzieh-
bare und auf andere, ähnlich ausgestattetet Räu-
me, übertragbare Tools zur Erfassung des Weide-
nutzungspotentials zu entwickeln.
Um das zweite Ziel zu erreichen, wird versucht,
die erklärenden Parameter über statistische Be-
ziehungen zwischen den biotischen und abioti-
schen Parametern zu isolieren, um damit zur
Quantifizierung der Einzelfaktoren des Weide-
potentials zu kommen. Die entscheidenden Einzel-
faktoren sind dabei die Futterquantität und die
Futterqualität. Zur Erhebung der biotischen und abi-
otischen Parameter werden Methoden entwickelt
bzw. auf den Untersuchungsraum angepasst, die
eine schnelle Erfassung ermöglichen, wobei die
Satellitenfernerkundung eine zentrale Rolle spielt.
Bezüglich des Weidepotentials ist anzumerken,
dass es sich um Momentaufnahmen zum Ende
der Trockenzeit des Jahres 1998 und zum Ende
der Regenzeit 1999 handelt. Die Produktion der
Weiden, d.h. die Nettoprimärproduktion für einen
bestimmten Zeitraum, ist nicht ermittelt worden,
da dies eine kontinuierliche Messung nötig ma-
chen würde, was aus organisatorischen Gründen
nicht möglich war.
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 3
2.1 NaturräumlicheRahmenbedingungen
Zimbabwe liegt als Binnenstaat im südlichen Afri-
ka zwischen ca. 15° 36´ und 21° 26´ südlicher Brei-
te. Es grenzt im Norden an Zambia und Mozambi-
que, im Osten an Mozambique. Der südliche Nach-
bar ist die Republik Südafrika, der westliche Bots-
wana (s. Abb. 1). Einen maßgeblichen Einfluss auf
den Naturraum hat die Höhenlage Zimbabwes, die
in sog. Velds eingeteilt wird; das Highveld bezeich-
net Gebiete in einer Höhe >1200 m ü.M., das
Middleveld erstreckt sich von 900 - 1200 m ü.M.
und im Bereich des Lowveld fällt die Landoberfläche
auf <900 m ü.M. ab. Zum Highveld zu zählen sind
auch die Eastern Highlands, ein Gebirgszug an
der östlichen Grenze zu Mozambique, der Höhen
von über 2000 m erreicht. Das Highveld erstreckt
sich im Zentrum des Landes von Südwest nach
Nordost. Flankiert wird es vom Middleveld, an das
sich dann nach Süden und Norden das Lowveld
anschließt.
Gemäß der Lage in den südlichen Randtropen ist
Zimbabwe nach TROLL u. PAFFEN (1964) dem
wechselfeuchten Tropenklima V3 mit 5 – 7,5 ariden
2 Sozioökonomischer und ökologischer Hintergrund in Zimbabwe
������
�����������
�����������
�����������
���������
���������
����������
�����
��������
�������������
���������������� �!�"#"����#� $���%��&
��� ������ ����'�����'�����'�
(���"����)�##�
*����
'�����
+���$��,����"%�
-%���.����
�����
/��"�����
/$����,����$
!*��$
/������"
,����������
,�����0�
,��.����
+���������
1#$�����
+$#�*�%"
!�2�
Abb. 1: Übersichtskarte von Zimbabwe mit Höhenangaben
4 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
Monaten zuzuordnen. Die Regenzeit ist an die jähr-
liche Wanderung der ITC gebunden und räumlich
und zeitlich äußerst variabel. Im Normalfall dauert
die Hauptregenzeit im Sommer von Mitte Novem-
ber bis Mitte März. Der Beginn kann sich jedoch
auch auf Anfang Dezember verzögern und von April
bis Mitte Mai ist noch mit vereinzelten Regen-
ereignissen zu rechnen. Modifiziert wird das
Niederschlagsgeschehen von den oben geschilder-
ten Höhenverhältnissen, die sich in der Nieder-
schlagsmenge und der Niederschlagsvariabilität
widerspiegeln. Die höchsten Regenmengen fallen
in den Eastern Highlands (s. Abb. 2). Hier können
durch Staueffekte auch in den Wintermonaten nen-
nenswerte Niederschläge auftreten. Diese beson-
dere Witterungssituation im Winter ist an ein Druck-
gefälle zwischen einem Hoch über der Straße von
Mozambique und tiefem Druck im Zentrum des süd-
lichen Afrika gebunden und wird als „guti spells”
bezeichnet (BUCKLE 1996). In niedrigeren Regionen
im Osten und Südosten des Landes ist der
niederschlagsbringende Effekt deutlich abge-
schwächt, zeigt sich aber in einem starken Tem-
peraturrückgang und durch Nieselregen. Relativ
� �� �� �� ������
3��������������#���4��5
&����������
����������
���������
�����������
������6��
6��������
��������
�����&��
��������6��
�6��������
����������
����������� �� ����������������������� ������������������������
(���"����)�##�
*����
'�����
+���$��,����"%�
-%���.����
�����
/��"�����
/$����,����$
!*��$
/������"
,����������
,�����0�
,��.����
+���������
1#$�����
+$#�*�%"
!�2�
Abb. 2: Niederschlagskarte von Zimbabwe
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 5
hohe Jahresniederschläge von bis zu 1000 mm sind
noch im Nordosten des Highvelds zu beobachten.
Sie nehmen im Highveld nach Südwesten sowie
zum Lowveld deutlich ab und erreichen im äußer-
sten Südosten und Norden nur noch knapp 500
mm. Verbunden mit der Niederschlagsverteilung ist
die Temperaturdifferenzierung in Zimbabwe. Die
Temperaturen nehmen mit der Höhe deutlich ab,
so dass niedrige Niederschläge mit hohen Tempe-
raturen korrelieren und damit die Dürregefährdung
erhöht wird (s. Abb. 3).
Der größte Teil des Landes wird nach der FAO-
Unesco (1977) durch Luvisols charakterisiert. Die
zweitgrößte Bodeneinheit, die weitgehend an
Kalaharisande im Westen gebunden ist, stellen die
Arenosols dar. Von Bedeutung sind noch Lithosole,
die größere Gebiete im Norden des Landes be-
decken. Die anderen Bodeneinheiten spielen eine
untergeordnete Rolle.
Die potentiell natürliche Vegetation in Zimbabwe
wird nach WHITE (1983) zum größten Teil durch
den Miombo Trockenwald gebildet (s. Abb. 4). Er
ist in den wechselfeuchten Tropen im südlichen
Afrika weit verbreitet und stellt mit fast 3 Mio. km²
das größte, noch weitgehend zusammenhängen-
de Trockenwaldgebiet der Erde dar (FROST u. DES-
ANKER 1997). In Zimbabwe wächst die trockene Va-
riante des Miombo. Es handelt um einen offenen
regengrünen Wald, der von den Gattungen
Brachystegia und Julbernardia dominiert wird und
teilweise offene savannenartige Vegetations-
formationen einschließt. Im Norden und Süden
Zimbabwes wird der Miombo Trockenwald mit ab-
nehmenden Niederschlägen von Mopane Trocken-
�
�
��
��
��
��
��
3�� )�� /�� �.� /�� 3$� 3$# �$� 78� -"�
2��.����$����9,
�
��
���
���
���
���
-��������#�������
-��������#��:
����� +$#�*�%" /������
2��.����$�:
����� +$#�*�%" /������
�.� ;�0
Abb. 3: Jahresgang der Temperatur und des Niederschlags an drei ausgewählten Stationen; Messina(Republik Südafrika) liegt bei Beitbridge (n. MÜLLER 1980)
6 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
wald (Colophospermum mopane) abgelöst. Im
Westen des Landes hauptsächlich auf Kalahari
Sanden sind Acacia/Terminalia Trockenwald und
Zambezi Teak Trockenwald (Baikiaea plurijuga)
ausgebildet. Außer der flächenmäßig unbedeuten-
den afromontanen Vegetation in den Eastern High-
lands und dem tropischen Tieflandwald an der Gren-
ze zu Mozambique sind alle anderen Vegetations-
typen nach CAMPBELL u.a. (1996) mit dem Miombo
Trockenwald assoziiert.
Ausgehend von den Niederschlagsverhältnissen
wurde Zimbabwe in agrarökologische Regionen
eingeteilt (VINCENT u. THOMAS 1962), die eine grobe
Abschätzung des Agrarpotenziales darstellen.
Nach dieser immer wieder überarbeiteten Klassifi-
kation ist das Land in 5 Zonen aufgeteilt, die für
unterschiedliche Nutzungsformen und Nutzungs-
intensitäten geeignet sind (s. Tab. 1 u. Abb. 5).
Abb. 4: Vegetation in Zimbabwe
(���"����)�##�
*����
'�����
+���$��,����"%�
-%���.����
�����/��"�����
/$����,����$
!*��$
/������"
,����������
,�����0�
,��.����
+���������
1#$�����
+$#�*�%"
!�2�
(�������"�������<�����=���>
?����*�#������2��@#�����
�@�"�"�������<�#�A!��B����$���!���#���
2��8�<�#��$���"@@�����<�#�
/�"��"�2�"�8��*�#��$��� ������
/".����2�"�8��*�#��$���!��B����
�������$���2������#���2�"�8��*�#�A�2��8�<�#� ��� ������ ����'�����'�����'�
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 7
/+
��� ��������� ����'�����'�����'�
'"����0��##���)���#���
,"��$��#�C���
�"��������=-���"��#�1��8�����D>
'������ ��
C���8#����@�0���$��
������8"#"�������E"���
F���������A��������@�0��������8����$�$���(���*�������@�
F������������8����$$���(���*�������@�
�����������������8����$A��B���������������8��@�B�����$���<����*�������@�
�����G��������<����*�������@��$���*������B����������������8��@�B����
HG��������<����*�������@�
Abb. 5: Agrarökologische Zonen und Besitzverhältnisse in Zimbabwe (n. VINCENT & THOMAS 1962,Department of the Surveyor General 1998)
Tab. 1: Agrarökologische Zonen und Landnutzung (n. WHITLOW 1980b)
Agrarökologische Zone Flächen-
anteil In %
Niederschlag in mm
Temperatur in °C
Nutzung
Anteil von Communal
Land in %
I Intensiver, diversifizierter Ackerbau und Viehwirt-
schaft
2 > 1000 < 15
- Forstwirtschaft, Sondernutzun-gen, Früchte, Tee, Kaffee
- intensive Weidewirtschaft (Milchvieh)
0,8
II Intensiver Ackerbau und
Viehwirtschaft 15 750 – 1000
18 – 22 (So) 16 – 18 (Wi)
- Mais, Tabak, Baumwolle, Ge-müse, Winterweizen unter Be-wässerung
- intensive Weidewirtschaft (Milch- und Fleischproduktion)
7,8
III Semi-intensiver Ackerbau
dürreresistente Acker-früchte und Weidewirt-
schaft
19 650 – 750 18 – 24
- trockenresistente Baumwolle, Soja, Hirse, risikoreicher Mais-anbau (hohe Bodenfeuchte not-wendig)
- große Flächen für Vieh
17,2
IV Semi-extensive
Weidewirtschaft und weni-ge dürreresistente Acker-
früchte
38 540 – 650 20 – 25
- risikoreicher Regenfeldbau, trockenresistente Hirse, Mais unter Bewässerung als Sub-sistenzanbau
- extensive Weidewirtschaft auf großen Flächen
44,9
V Extensive Weidewirtschaft 28 < 500 22 – 30
- unterhalb der Trockenfeldbau-grenze, v.a. Zuckerrohr unter Bewässerung
- extensive Viehwirtschaft auf sehr großen Flächen (z.T. durch Tsetse-Fliege eingeschränkt), Wildtierbewirtschaftung
29,3
8 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
über 80 Einw./km² (Central Statistical Office 1984).
Die Rural Councils umfassten bis zur Unabhän-
gigkeit nur die LSCFA-Flächen, dann auch die
Resettlement-Gebiete. Sie wiesen 1969 eine
durchschnittliche Einwohnerdichte von 7,3 Einw./
km², im Jahr 1982 von 9,4 Einw./km² auf.
Nach der Unabhängigkeit im Jahre 1980 war es
deshalb Ziel der neuen Regierung, dieses Ungleich-
gewicht durch eine Landreform zu beseitigen. Die
Planungen sahen bis zum Jahr 1990 Landum-
verteilungen von insgesamt ca. 9 Mio ha der ca. 11
Mio ha Großfarmen vor (Auditor General 1990 zit.
in MOYO 1995). Bis heute wurden allerdings nur
ca. 4 Mio. ha tatsächlich umverteilt (Department
of the Surveyor General 1998). Der Bevölkerungs-
druck in den Communal Lands bleibt somit erhal-
ten bzw. verstärkt sich durch eine nach wie vor
hohe jährliche Wachstumsrate von ca. 3 % weiter
(Statistisches Bundesamt 1995). Immer wieder
spielt daher die Frage der Landreform eine wichti-
ge Rolle in der innenpolitischen Diskussion, aber
auch in der Außenpolitik des Landes, und die
nächsten Schritte für weitere Umverteilungen sind
durch die Auswahl von ca. 5 Mio. ha Großfarmen
schon eingeleitet (BAUMHÖGGER 1999). Die Situati-
on eskalierte im Jahr 2000, als begonnen wurde,
Farmen zu besetzen und es zu gewalttätigen Aus-
schreitungen gegen Farmbesitzer kam. Bis heute
hat sich die Lage in Zimbabwe nicht beruhigt. Aber
selbst bei einer kompletten Umverteilung des Lan-
des bliebe die kritische Situation aufgrund des
hohen Bevölkerungsdruckes und der ökologischen
Rahmenbedingungen in einem Großteil der
Communal Lands bestehen.
2.2 Historische und politischeRahmenbedingungen
Beginnend mit der ersten Ausweisung afrikanischer
Reservate im Jahr 1894 kam es in weiteren Schrit-
ten zu einer Formalisierung und Zementierung der
Besitzverhältnisse nach rassischen Gesichtspunk-
ten. Der Land Tenure Act des Jahres 1964 bildete
dabei den Abschluss. Der schwarzen Bevölkerung
wurden etwa 50 % des Landes zugeteilt, obwohl
sie 95 % der Bevölkerung ausmachte. Der Gros-
steil dieses Landes war so genanntes Tribal Trust
Land, nach der heutigen Terminologie Communal
Land. Eigentümer des Landes ist der Staat. Die
Bevölkerung hat Nutzungsrechte, wobei Ackerbau-
flächen und Wohnflächen individuell und das Wei-
deland gemeinschaftlich genutzt werden. Nur knapp
4 % wurden African Purchase Land, also individu-
elles Eigentum (ZINYAMA 1982). Dieses Land wird
heute als Small Scale Commercial Farm Area
(SSCFA) bezeichnet. Zu dieser ungleichen Vertei-
lung kommt zusätzlich die Tatsache, dass fast 75
% der Communal Lands in den agrarökologischen
Zonen IV und V, die Commercial Farms (Large
Scale Commercial Farm Area, LSCFA) hingegen
zu über 50 % in den Zonen I, II und III liegen (MOYO
1995). Nach der agrarökologischen Bewertung ist
in den Zonen IV und V ohne Bewässerung Acker-
bau praktisch nicht möglich, in Zone V sollte auch
Weidewirtschaft nur extensiv betrieben werden (s.
Tab. 1 u. Abb. 5). Dementsprechend haben
Commercial Farms in diesen Zonen Betriebs-
größen von z.T. mehreren 1000 ha Größe.
Gemäß der Landverteilung verhält sich auch die
Bevölkerungsverteilung. Im Jahr 1969 ergab der
Zensus für die District Councils - sie umfassen die
Communal Lands und African Purchase Land - eine
durchschnittliche Bevölkerungsdichte von 17,8
Einw./km², die bis 1982 auf 25,2 Einw./km² anstieg.
In einzelnen Councils lagen die Werte sogar bei
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 9
2.3 Konsequenzen derLandnutzung auf denNaturraum
Arbeiten über die Umweltauswirkung der Land-
nutzung beziehen sich hauptsächlich auf die
Bodenerosion und gehen auf mögliche Auswirkun-
gen der Landreform nicht direkt ein. Insbesondere
der Zusammenhang zwischen der Bevölkerungs-
dichte, der Besatzdichte durch Rinder und dem
Maß der Bodenerosion wurde bereits mehrfach
aufgezeigt. Die dünner besiedelten Großfarmen
sind dementsprechend weit weniger von Erosion
betroffen als die Communal Lands (PRESCOTT 1961,
STOCKING u. ELWELL 1973, WHITLOW 1980a). WHITLOW
(1988) sowie WHITLOW u. CAMPBELL (1989) versuch-
ten in einer landesweiten Untersuchung neben der
Bevölkerungsdichte weitere Parameter zur Erklä-
rung der Verbreitung von Bodenerosionsschäden
einzubeziehen. Ein Parameter war dabei auch das
Landbesitzverhältnis, wobei nur zwischen General
Land (LSCFA), Communal Land und Other Land
(Nationalparks u.ä.) unterschieden wurde. Auch
diese statistischen Untersuchungen zeigen, dass
die Bevölkerungsdichte vor den Landbesitz-
verhältnissen den größten Einfluss auf die Boden-
erosion hat.
Aussagen, inwieweit sich die Landbesitzver-
hältnisse auf die Vegetation auswirken, sind dage-
gen kaum verfügbar. Dabei lässt sich festhalten,
dass auf den Großfarmen der Trockenwaldanteil
höher ist als in den Communal Lands, auch wenn
insgesamt ein Rückgang des Miombo Trocken-
waldes auch auf den Großfarmen festzustellen ist,
wie es z.B. GEIST (1998) darstellt. Interessant ist,
dass der Trockenwald in den Gebieten der Land-
reform mit 60 % den höchsten Anteil außerhalb
von Schutzgebieten hat (KWESHA u. DREISER 1998),
was sicher auch daran liegt, dass ein großer Teil
des umverteilten Landes wenig genutztes ehema-
liges Staatsland war (MOYO 1995). Aus der Auf-
stellung von KWESHA u. DREISER (1998) geht aber
auch hervor, dass in den Communal Lands die
Ackerbauflächen mit einem Anteil von fast 50 %
die höchsten Werte erreichen, obwohl der Groß-
teil der Communal Lands in den agrarökologisch
benachteiligten Räumen liegt.
10 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
3.1 Auswahl und Lage desArbeitsgebietes
Das Untersuchungsgebiet liegt ca. 150 km süd-
lich der Hauptstadt Harare im Distrikt Gutu (Pro-
vinz Masvingo) (s. Abb. 6). Das Gebiet wurde in
Absprache mit der GTZ, die ursprünglich als Part-
ner vorgesehen war, und dem Department of Crop
Science (University of Zimbabwe) ausgewählt. Die
GTZ unterstützte bis 1998 ein Projekt zur ländli-
chen Regionalentwicklung (CARD dann IRDEP).
Die AGRITEX (Distriktbüro Gutu), die im Rahmen
des GTZ-Projektes unterstützt wurde, stellte einen
wichtigen Partner vor Ort dar. Neben diesen orga-
nisatorischen Gründen verkörpert der Distrikt Gutu
eine typische Region Zimbabwes, in der sich die
3 Übersicht über das Arbeitsgebiet im Distrikt Gutu
in Kapitel 2.2 aufgezeigten Gegensätze und Pro-
bleme der Landverteilung sowie die damit verbun-
denen Unterschiede in den Nutzungsintensitäten
widerspiegeln (vgl. Kap. 2 und Kap. 3.2 bis 3.5 u.
Abb. 6). Sie ist somit für agrarökologische Unter-
suchungen in den Communal Lands gut geeignet.
Da sich die Untersuchungen auf die Communal
Lands und die dazu benachbarten SSCFA-Gebie-
te beschränken sollten, wurde das engere Arbeits-
gebiet im Osten der Stadt Gutu ausgewählt (s. Abb.
6 u. Abb. 8). Die Abgrenzung des Gebietes erfolg-
te im Osten durch die Grenzlinie des Gutu Distrik-
tes entlang des Flusses Nyazvidzi, im Süden eben-
falls entlang der Distriktgrenze, die hier weitgehend
mit dem Verlauf des Devure bzw. Mungezi zusam-
������������� � ��� � ����� ��� ������
�����
�����
������ �����
� ��� � ��
���� ��������
!�"����� !�"����� !�"�����
����#����#����#$����$����$����
���������������%���%���%���&�' &�' &�'
! �� � ! �� � ! �� �
% � % � % �
% � % � % �
% � �((% � �((% � �((���$�������$�������$����
! � � ! � � ! � �
� ���� ���� ���
����$��������$��������$����
����$��������$��������$����
)$������)$������)$������
% � % � % �
% � ��� ��% � ��� ��% � ��� ��
*"�����*"�����*"�����
������ �� ������ �� ������ ��
! � � ! � � ! � �
! � � ! � � ! � �
����$��������$��������$����
+�� � +�� � +�� � ���
��
�
, �� -�������������� �� ��� ��./�� ��� 0�1������2345 , �� -������ ��� ������ �.! '���� ����6��� �� �� "���% � �����2275
&����
+�����
Abb. 6: Übersichtskarte des Gutu Distriktes mit agrarökologischen Zonen und Besitzverhältnissen
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 11
menfällt; im Westen endet der Untersuchungsraum
an der Verbindungsstraße zwischen Chivhu und
Masvingo - Birchenough Bridge. Die nördliche Be-
grenzung erstreckt sich entlang der geographischen
Breite von 19° 37’ S, da hier keine administrativen
oder naturräumlichen Grenzen zur Abgrenzung vor-
handen sind. Die Größe des Untersuchungs-
raumes beträgt 2100 km².
Für das Jahr 2000 war eine Ausweitung der Unter-
suchungen in die Commercial Areas westlich von
Gutu im Rahmen zweier Diplomarbeiten geplant.
Leider konnten die Arbeiten auf Grund der politi-
schen Situation im Land nicht verantwortet wer-
den.
3.2 Geologie, Geomorphologie undBöden
Der größte Teil des Distriktes, wie auch des Ar-
beitsgebietes wird aus jungen intrusiven Graniten
und Granodioriten aufgebaut (s. Abb. 7). Weitere
saure Gesteine sind Gneise. Inselhaft durchset-
zen Rücken aus Dolerit die sauren Gesteine. Von
noch geringerer Bedeutung sind die übrigen Ge-
steine.
Das Relief im Distrikt ist vom Übergang aus dem
Highveld im Nordwesten über das Middleveld zum
Lowveld im Südosten geprägt (s. Abb. 8). Das ei-
gentliche Arbeitsgebiet hat im Westen noch einen
kleinen Anteil am Highveld, wobei die Höhen nach
Osten schnell auf unter 1200 m fallen und damit
dem Middleveld zuzuordnen sind. Der äußerste
Osten und Südosten liegt dann unter 900 m und
somit im Lowveld. Charakterisiert wird die Oberflä-
che von Rumpfflächen, die von zahlreichen grani-
tischen Inselbergen durchsetzt werden. Die Insel-
berge prägen v.a. im Osten des Arbeitsgebietes
das Landschaftsbild.
Die bodenkundliche Ausstattung des Arbeitsgebie-
tes wurde in einem Bericht des Ministry of Internal
Affairs (1971) nach dem südafrikanischen System
aufgenommen (MACVICAR 1977). Das System und
die Differenzierung der Böden im Untersuchungs-
gebiet sind bei EBENHÖCH (2000) ausführlich be-
schrieben. Aus der bestehenden Karte und Unter-
suchungen zu den Bodeneigenschaften konnten
die Bodentypen zu zwei Gruppen zusammen-ge-
fasst werden. Zusammenfassend kommt EBENHÖCH
(2000) zu dem Ergebnis, dass die Böden insbe-
�� ���� ������������������������ ��� ����.�28�59����� ���������� ���������.�22:5��� ��� ���)����)����)�
� �� �� ���� � ����� �
% ���� �� ��; �� �
��� 6 �
�������6�� �+ ��� �����
!�����
� �' ����
%����
%�
Abb. 7: Geologie des Untersuchungsgebietes
12 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
�����
�
��
�
�� ������
���
���
! $
��
% � �+��
! � �
%��
" <� ��
) ��
2��
�4��
2��
�4��
=��
)��
�� >
����� �
����>
�
&�� ��� �
������
����
���
���
����
�
Abb
. 8:
Übe
rsic
htsk
arte
Unt
ersu
chun
gsge
biet
es m
it R
elie
fdar
stel
lung
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 13
sondere wegen der schlechten Phosphor- und
Stickstoffversorgung sowie den schlechten Boden-
wasserverhältnissen ungünstig bis mäßig für acker-
bauliche Nutzung geeignet sind. Die etwas besse-
ren Böden sind auf Epidiorit und Dolorit ausgebil-
det und damit flächenmäßig untergeordnet bzw.
an felsige Rücken gebunden.
3.3 Klima
Gemäß des Höhengradienten im Distrikt verhält
sich die Niederschlagsverteilung, die aus einer 7-
jährigen Messreihe der AGRITEX an 22 Stationen
interpoliert wurde (s. Abb. 9). Zusätzlich fanden
noch Regenmessstationen außerhalb des Distrik-
tes Eingang in die Berechnung. Die höchsten Nie-
derschläge mit z.T. über 700 mm fallen im Nord-
westen des Distriktes. Sie nehmen dann sehr
schnell nach Südosten ab. Im eigentlichen Arbeits-
gebiet wurden während des Messzeitraumes die
höchsten Regenwerte in Gutu mit 671,4 mm er-
fasst. Im Südosten fallen im Mittel nur mehr unter
350 mm, mit dem niedrigsten Wert von 322,0 mm
in Zimbizi. Diese Niederschlagsmengen stehen in
deutlichem Widerspruch zu den vom Ministry of
Internal Affairs (1971) veröffentlichten Daten. Für
Gutu sind 874 mm veröffentlicht, die 600 mm
Isohyethe liegt in einem Bereich, in dem nach den
Daten der AGRITEX nur zwischen 350 und 450 mm
fallen. Als langjähriges Mittel (1958 – 1998) wer-
den für Gutu 683,7 mm angegeben (Department of
Meteorological Services Harare), ein Wert, der den
Daten der AGRITEX vergleichbar ist (s. Abb. 10).
Mit der Niederschlagshöhe korrespondiert die Va-
riabilität der Niederschläge. Sie nimmt nach Os-
ten deutlich zu und erreicht an einigen Stationen
über 80 %. Der niedrigste Jahresniederschlag wäh-
rend des Messzeitraumes betrug 116,3 mm an der
Station Zinhata im Jahr 1988.
Abb. 9: Niederschlag im Gutu Distrikt
?���#�?��
?���#�:��
:���#�:��
:���#����
����#����
����#�3��
3���#�3��
3���#�8��
8���#�8��
8���#�7��
* � �����������
% � �!����@��� � � ������
.@��� -��2789�779�729�2?9�2:9�289�275
� � �� �1 ����>
! �� � ! �� � ! �� �
�379��379��379�
?:�9�
?:29�?:29�?:29�
���������������
* �����$ * �����$ * �����$
*"��
���
< � ��+ �����
��
�4?9?�4?9?�4?9?
8229�8229�8229�
�3�9��3�9��3�9�
�239��239��239� 38�9:38�9:38�9:
���9����9����9�
:�?9?:�?9?:�?9?
:��9�:��9�:��9�
���97���97���97 ?449�?449�?449�
��894��894��894 �4�93�4�93�4�93
?2?9�?2?9�?2?9�
�??98�??98�??98�229:�229:�229:
�4?9:�4?9:�4?9:
:?397:?397:?397?2:94?2:94?2:94
������������������������
������ �� �1�������������� �� �1�������������� �� �1��������
���������������
%���$%���$%���$
*��$*��$*��$
���"�����"�����"��
+�6 � +�6 � +�6 � A����� ��A����� ��A����� ��
!�����$ !�����$ !�����$
%��" %��" %��" A���A���A���
A�����A�����A�����! $ �� ! $ �� ! $ �� �� � ����� � ����� � ���
B6 ������&��B6 ������&��B6 ������&��
��������������������� / ���/ ���/ ���
������������������
�?:9��?:9��?:9�
������������
�0�������222
� �����
* � ���������� ��� �'�� ���� ���������� �����)�����.� � �� ��� ���%�(1;C5%� ������
+�����
+�����+�����
+� ��
+� ��
������ ����> ; �����
14 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
�
���
4��
?��
:��
���
3��
8��
7��
2��
����
�278 �277 �272 �224 �22? �22: �228 �227
* � �����������
���� � ��@��� � � ������37?98����.�2�7�#��2275
Abb. 10: Niederschlag an der Station Gutu
Abb. 11: Niederschlag an den Stationen Gutu, Kurai und Masvingo während des Untersuchungszeitrau-mes
���� ��������
% ���� � �������% � -����29:���
% ���� � �������) �� -��42893���
% ���� � �������+�����-���?�9:���
% � ) ��+�����
�
4�
:�
3�
7�
���
�4�
�:�
�3�
�7�
4��
* � �����������
��0��0�#���0��0
4�0��0�#�?�0��0
��0�40�#���0�40
��0�40�#�4�0�40
4�0�40�#�?�0�40
?�0�40�#��20��0
��0��0�#��20��0
4�0��0�#�420��0
?�0��0�#��70�40
�20�40�#��70�40
�20�40�#�470�40
��0�?0�#���0�?0
��0�?0�#�4�0�?0
4�0�?0�#�?�0�?0
?�0�?0�#��20�:0
��0�:0�#��20�:0
4�0�:0�#�420�:0
?�0�:0�#��20��0
��0��0�#��20��0
4�0��0�#�420��0
?�0��0�#��70�30
�20�30�#��70�30
�20�30�#�470�30
420�30�#��70�80
�20�80�#��70�80
�20�80�#�470�80
420�80�#��80�70
�70�70�#��80�70
�70�70�#�480�70
470�70�#��30�20
�80�20�#��30�20
�80�20�#�430�20
480�20�#��30��0
�80��0�#��30��0
�80��0�#�430��0
480��0�#���0��0
�30��0�#���0��0
�30��0�#�4�0��0
430��0�#���0�40
�30�40�#���0�40
�30�40�#�4�0�40
430�40�#��:0��0
��0��0�#��:0��0
��0��0�#�4:0��0
4�0��0�#��?0�40
�:0�40�#��?0�40
�:0�40�#�4?0�40
4:0�40�#���0�?0
�30�?0�#���0�?0
�30�?0�#�4�0�?0
430�?0�#�?�0�?0
��0��0�#�4�0��0
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 15
In der Abbildung 11, in der neben Daten zweier tem-
porärer Klimastationen (vgl. Kap. 4.1 u. Abb. 8) im
Arbeitsgebiet zusätzlich das Niederschlags-
geschehen in Masvingo wiedergegeben ist, zeigt
sich ebenfalls die räumliche und zeitliche Variabi-
lität des Niederschlags. Auf Distanzen von ca. 100
km zwischen den Stationen laufen die Dekaden-
summen des Regens z.T. weit auseinander. Ent-
gegen des langjährigen Mittels weist die Station
Kurai für den Messzeitraum auch sehr hohe Wer-
te auf, was an den Messstellen der AGRITEX für
Stationen im Osten des Distriktes bestätigt wird.
Für alle drei Orte zeigt sich sehr schön, dass die
letzten nennenswerten Niederschläge gegen Ende
März fallen und Mitte November wieder einsetzen.
Allerdings wird die winterliche Trockenzeit immer
wieder durch „Guti spells” unterbrochen (vgl. Kap.
2.1), die geringe Regenmengen bringen.
Der Temperaturverlauf an den drei Stationen zeigt
deutlich ausgeprägt den Jahresgang, der für die
Hochländer im südlichen Afrika typisch ist. Erkenn-
bar ist die kühle Periode während der winterlichen
Trockenzeit mit dem starken Anstieg der Tempe-
ratur im Oktober, bis mit dem Einsetzen der Re-
genzeit die Temperatur wieder zurückgeht (s. Abb.
12). Gut zu erkennen ist aber auch, dass im Gang
der Temperatur z.T. große Schwankungen auftre-
ten, die mit Niederschlagsereignissen korrelieren,
so z.B. ein Temperaturrückgang in der Dekade vom
10. bis 19.4.98 um mehr als 5 K oder in der Deka-
de vom 17. bis 26.10.98 eine Abnahme um über 3
K und dann eine Zunahme um fast 6 K. Zurückzu-
��0��0�#���0��0
��0��0�#�4�0��0
4�0��0�#�?�0��0
��0�40�#���0�40
��0�40�#�4�0�40
4�0�40�#�?�0�40
?�0�40�#��20��0
��0��0�#��20��0
4�0��0�#�420��0
?�0��0�#��70�40
�20�40�#��70�40
�20�40�#�470�40
��0�?0�#���0�?0
��0�?0�#�4�0�?0
4�0�?0�#�?�0�?0
?�0�?0�#��20�:0
��0�:0�#��20�:0
4�0�:0�#�420�:0
?�0�:0�#��20��0
��0��0�#��20��0
4�0��0�#�420��0
?�0��0�#��70�30
�20�30�#��70�30
�20�30�#�470�30
420�30�#��70�80
�20�80�#��70�80
�20�80�#�470�80
420�80�#��80�70
�70�70�#��80�70
�70�70�#�480�70
470�70�#��30�20
�80�20�#��30�20
�80�20�#�430�20
480�20�#��30��0
�80��0�#��30��0
�80��0�#�430��0
480��0�#���0��0
�30��0�#���0��0
�30��0�#�4�0��0
430��0�#���0�40
�30�40�#���0�40
�30�40�#�4�0�40
430�40�#��:0��0
��0��0�#��:0��0
��0��0�#�4:0��0
4�0��0�#��?0�40
�:0�40�#��?0�40
�:0�40�#�4?0�40
4:0�40�#���0�?0
�30�?0�#���0�?0
�30�?0�#�4�0�?0
430�?0�#�?�0�?0
���� ���������
�
��
��
4�
4�
?�
������ ������
+�����
% �
) ��
Abb. 12: Temperaturgang an den Stationen Gutu, Kurai und Masvingo während des Untersuchungszeit-raumes
16 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
führen sind diese starken Schwankungen auf “Guti
spells”, was sich auch in Niederschlägen und star-
ken Änderungen in der relativen Feuchte in den
gleichen Beobachtungsdekaden zeigt (s. Abb. 11
u. Abb. 13).
Aus dem Vergleich der Kurven lassen sich die Dif-
ferenzen der Temperaturen in Abhängigkeit von der
Lage im Raum ablesen. Kurai, im Osten des Unter-
suchungsgebietes mit einer Höhe von 960 m ü.M.
gerade noch im Middleveld gelegen, weist im Mit-
tel eine um 3,5 K höhere Temperatur auf als die
Station Gutu Secondary School (1300 m ü.M.).
Das Maximum der Temperatur während der Mess-
phase erreichte in Kurai 38,9 °C, in Gutu 34,9 °C.
Die Minimumtemperaturen lagen mit 4,7 °C (Gutu)
und 5,7 °C (Kurai) enger zusammen. Die Tempera-
turzunahme mit abnehmender Höhenlage verschärft
über höhere Verdunstungswerte die oben aufge-
zeigte Niederschlagsverteilung im Distrikt.
3.4 Bevölkerung
In den Grundzügen entspricht die Bevölkerungs-
verteilung den landesweiten Verhältnissen mit nied-
rigen Bevölkerungsdichten in den Gebieten der
LSCFA-Gebieten und hohen Einwohnerdichten in
den Communal Lands (s. Abb. 14). Zwischen 1969
und 1982 steigt die Bevölkerung in den Communal
Lands an und bleibt dann bis 1992 weitgehend
konstant. Da sich die Geburtenrate für Zimbabwe
kaum veränderte und insbesondere in den ländli-
che Regionen immer noch sehr hoch liegt, ist die
Stagnation der Einwohnerzahlen vor allem durch
Abwanderung zu erklären. Gerade die Dürrejahre
zu Beginn der 90iger Jahre sind dafür verantwort-
�
��
4�
?�
:�
��
3�
8�
7�
2�
���
� ���� �� 6�6 ��� ���D
���� ��������
+�����
% �
) ��
��0��0�#���0��0
��0��0�#�4�0��0
4�0��0�#�?�0��0
��0�40�#���0�40
��0�40�#�4�0�40
4�0�40�#�?�0�40
?�0�40�#��20��0
��0��0�#��20��0
4�0��0�#�420��0
?�0��0�#��70�40
�20�40�#��70�40
�20�40�#�470�40
��0�?0�#���0�?0
��0�?0�#�4�0�?0
4�0�?0�#�?�0�?0
?�0�?0�#��20�:0
��0�:0�#��20�:0
4�0�:0�#�420�:0
?�0�:0�#��20��0
��0��0�#��20��0
4�0��0�#�420��0
?�0��0�#��70�30
�20�30�#��70�30
�20�30�#�470�30
420�30�#��70�80
�20�80�#��70�80
�20�80�#�470�80
420�80�#��80�70
�70�70�#��80�70
�70�70�#�480�70
470�70�#��30�20
�80�20�#��30�20
�80�20�#�430�20
480�20�#��30��0
�80��0�#��30��0
�80��0�#�430��0
480��0�#���0��0
�30��0�#���0��0
�30��0�#�4�0��0
430��0�#���0�40
�30�40�#���0�40
�30�40�#�4�0�40
430�40�#��:0��0
��0��0�#��:0��0
��0��0�#�4:0��0
4�0��0�#��?0�40
�:0�40�#��?0�40
�:0�40�#�4?0�40
4:0�40�#���0�?0
�30�?0�#���0�?0
�30�?0�#�4�0�?0
430�?0�#�?�0�?0
Abb. 13: Gang der relativen Feuchte an den Stationen Gutu, Kurai und Masvingo während des Unter-suchungszeitraumes
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 17
lich. In den LSCFA- und den SSCFA-Gebieten sind
die Bevölkerungszahlen weitgehend konstant. Be-
trachtet man die Karte, die für das Jahr 1992 nach
Wards differenziert, wird deutlich, dass z.T. erheb-
liche Unterschiede innerhalb der großen Gruppen
bestehen. So gibt es einzelne Sprengel innerhalb
der Communal Lands, die Einwohnerdichten von
über 70 pro km² haben, also der Bevölkerungs-
druck als extrem bezeichnet werden kann. Außer-
dem zeichnen sich jetzt die Resettlement-Gebie-
te, die in der zusammenfassenden Darstellung von
1992 nicht extra ausgewiesen sind, deutlich ab (s.
Abb. 6 u. Abb. 14). Dort haben die Bevölkerungs-
dichten inzwischen die Werte der SSCFA-Gebiete
erreicht.
Es lässt sich damit zusammenfassend sagen,
dass der Bevölkerungsdruck in den Communal
Lands weiter sehr hoch ist und die Großfarmen
nach wie vor sehr dünn besiedelt sind. Die
Resettlement-Gebiete haben innerhalb von 10 Jah-
ren die Bevölkerungsdichten der SSCFA-Gebiete
erreicht. Diese wiederum stagnieren in den
Bevölkerungszahlen oder haben sogar Verluste zu
verzeichnen.
A � ��232 A � ��274
A � ��224 A � ��224������A���'� �� �
;�$0�'�����E
� �����
, �� -�� ���������������=66� �&���� ��27:9��22?
?��#�:�
:��#���
���#�3�
3��#�8�
F�8�
��#����
��#���
���#���
���#�4�
4��#�?�
Abb. 14: Bevölkerungsdichte im Gutu Distrikt der Jahre 1969, 1982 und 1992
18 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
4�0��
4�0��
��0��
��0��
�0��
�0��
#��0��
#���0��
#���0��
G�� � �����D
=66 � �1���� �$��� % �H��
<� �#I���� ��#������ %������ ��� ����� � � J� �
Abb. 16: Veränderung der Vegetation im Gutu Distrikt von 1970 bis 1992
Abb. 15: Vegetation im Gutu Distrikt im Jahr 1992
, �� -�! '���� ����6��� �� �� "���% � �����223
=66 � ��1���� �$���
% �H��
<� �#I���� �������
%������
��� �����
� �
�
� �����
% � �!����/ � �����#�* �� ����� ���224
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 19
:�0��
?�0��
4�0��
��0��
�0��
#���0��
#�4�0��
G�� � �����D
���� ��������G�� � ����28��#��224
� ��� � ��G�� � ����28��#��224
�����G�� � ����28��#��224
�����G�� � ����28��#��224
=66 � ��1���� �$���
% �H��
<� �#I���� �������
%������
��� �����
� �
Abb. 17: Veränderung der Vegetation im Gutu Distrikt von 1970 bis 1992 nach Besitzverhältnissen
3.5 Vegetation und Landnutzung
Im Gutu Distrikt vollzieht sich nach WHITE (1983)
der Übergang vom Miombo Woodland zum Mopane
Woodland. Dieser Übergang geht im eigentlichen
Arbeitsgebiet mit dem Übergang vom Highveld ins
Lowveld vonstatten, wird aufgrund des starken
Nutzungsdruckes allerdings nur noch in wenigen
Waldresten sichtbar. Es fällt insbesondere auf,
dass in den Communal Lands die natürliche Vege-
tation weitgehend von Ackerflächen verdrängt wur-
de, obwohl nach der agrarökologischen Eignung
Ackerbau vor allem im Südosten des Distriktes nur
mehr sehr eingeschränkt möglich ist (vgl. Kap. 2.2,
Abb. 6 u. Abb. 15). Nach dieser Kartierung aus
dem Jahr 1992 geht hervor, dass in den Communal
Lands größere zusammenhängende Bestände des
Trockenwaldes nur noch in Restbeständen auf
Inselbergen wachsen (Department of the Surveyor
General 1996)(s. Photo 1). In den LSCFA-Gebie-
ten hingegen sind kaum Ackerbauflächen anzutref-
fen. Hier sind noch größere Bestände des Miombo
Woodlands ausgebildet, die mit Buschland und
Grasland verzahnt sind.
Ein Vergleich der Vegetationsbestände mit dem
Jahr 1970 zeigen, dass der Miombo Trockenwald
insgesamt stark im Rückgang begriffen ist, wobei
der Hauptrückgang in den Communal Lands und
den Resettlement-Gebieten stattfindet (s. Abb. 16
u. Abb. 17, SAMIMI 2000). Allerdings sind die Ak-
kerflächen nicht flächendeckend angelegt, sondern
bilden ein Mosaik mit nicht ackerbaulich genutz-
ten Vegetationsbeständen.
Nach eigenen Erhebungen finden sich im Arbeits-
gebiet folgende Pflanzenformationen nach MUELLER-
DOMBOIS & ELLENBERG (1974):
IIB a1: Tropische regengrüne offene Wälder des
Tieflandes, breitblättrig (s. Photo 1):
Der Miombo-Trockenwald gilt hier als wich-
tigste Gesellschaft. Die beiden Charakter-
arten im Arbeitsgebiet gehören der Gattung
Brachystegia an. Bei trockeneren Verhält-
nissen dominiert B. boehmii, in feuchte-
ren Bereichen B. spiciformis, die häufig mit
Julbernardia globiflora vergesellschaftet ist.
Im südöstlichen Teil des Arbeitsgebietes
wird das Miombo-Waldland von
20 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
Colophospermum mopane abgelöst und es
tritt Adansonia digitata auf.
IIB1a2: Tropische regengrüne offene Wälder des
Tieflandes, fiederblättrig:
Bereiche dieser Formation sind auf
flachgründigen Böden über das gesamte
Arbeitsgebiet verteilt anzutreffen. Es domi-
nieren Akazien mit den Arten Acacia
nilotica, A. karoo, A. gerrardii und A.
rehmanniana.
IIIB1a1: Tropische regengrüne Gebüsche, breit-
blättrig
IIIB1a2: Tropische regengrüne Gebüsche, fieder-
blättrig (s. Photo 2)
Die Pflanzenformationen stellen das
niederwüchsige Pendant zu IIB1a1 und 2
dar.
VA1: Die Savannen-Formation wird vor allem von
Gräsern und krautigen Pflanzen geprägt,
Bäume und Sträucher können jedoch eben-
falls mit bis zu 30% Deckung allein ste-
hend oder in kleinen Gruppen vorkommen
(s. Photo 3).
Je nach Deckungsverhältnissen, Wuchs-
höhen und Baumarten werden folgende
Einheiten unterschieden:
- VA1a1: Regengrüne offene Baumgruppen
mit Hochgrassavannen-Inseln,
breitblättrig,
- VA1a2: Regengrüne offene Baumgruppen
mit Hochgrassavannen-Inseln,
fiederblättrig,
- VA1b3: Baumsavanne mit laubwerfenden
Bäumen,
- VA1c3: Strauchsavanne mit laubwerfen-
den Sträuchern
Im Arbeitsgebiet finden sich alle Typen, die
meist Restbestände des eigentlichen
Miombo Trockenwaldes sind. Oft sind die
Gehölzgruppen auch an Termitenbauten ge-
bunden.
VA1d: Hochgrassavanne (s. Photo 4, 5)
Große zusammenhängende Grasbestände
finden sich im Arbeitsgebiet kaum. Durch
den starken Beweidungsdruck vermitteln
sie außerdem kaum das Bild einer Hoch-
grassavanne, sondern vielmehr das einer
Kurzgrassavanne. Die vorkommenden Ar-
ten sind aber fast ausnahmslos Arten der
Hochgrassavanne, die an wenigen schwä-
cher beweideten Stellen auch durchaus
Wuchshöhen von mehr als 1 m erreichen.
VI A1a1: Felsspaltenvegetation
Dieser Typ findet sich an den granitischen
Inselbergen, besonders an steilen Partien.
Häufig sind aber auch die Inselberg von
Miombo bestanden.
Die ackerbauliche Nutzung dient in den Communal
Lands vor allem dem Anbau des Hauptnahrungs-
mittels Mais (s. Photo 6). An die klimatischen Ver-
hältnisse besser angepasste Hirsesorten werden
nur in geringem Umfang zur Herstellung des tradi-
tionellen Bieres angebaut. Steht Wasser für die
Bewässerung zur Verfügung, wird in sehr kleinen
Gärten um die Wohnstätten Gemüse angebaut.
Eine Vermarktung der Produkte findet nicht statt.
Im Gegenteil, die Ertragssicherheit ist so gering,
dass eine Existenzsicherung nur durch Zukauf von
Nahrungsmitteln bzw. durch staatliche Nahrungs-
mittellieferungen möglich ist. Neben dem Acker-
bau wird Vieh, hauptsächlich Rinder, auf den ge-
meinschaftlichen Weideflächen gehalten. Auch hier
ist eine Vermarktung kaum gegeben. Als Reste
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 21
Tab. 2: Viehzahlen in den Communal Lands, in den SSCFA-Gebieten und in den Resettlement-Gebie-ten des Gutu Distrikt
Communal Lands Resettlement Areas SSCFA
Stück TLU pro ha Stück TLU pro ha Stück TLU pro ha
Rinder 58899 0,160 1345 0,004 5199 0,014
Ziegen 43225 0,010 9 0,000 3148 0,009
Schafe 12814 0,004 13 0,000 1703 0,005
Esel 4147 0,010 30 0,000 419 0,001
Schweine 1548 0,001 6 0,000 432 0,001
Quelle: Zählung des Veterinäramtes Gutu an Viehtauchbecken; 1 Rind = 1 TLU, 11 Ziegen = 1 TLU, 10 Schafe = 1 TLU, 1 Esel = 1 TLU, 5 Schweine = 1 TLU
der GTZ-Projekte sind in den Communal Lands noch
Paddocks, über die die Beweidung angepasster
gesteuert werden sollte, zu finden. Sie sind aber
nur noch in Ausnahmefällen in Funktion.
In den kleinen SSCFA-Gebieten liegt der Schwer-
punkt hingegen auf der Viehwirtschaft, die in der
Regel auf Paddocks betrieben wird. Nur sehr un-
tergeordnet wird zur Grundversorgung Ackerbau,
häufig mit Zusatzbewässerung, betrieben. Das Vieh
wird hier dem Markt zugeführt.
Absolut verlässliche Viehzahlen liegen für die
Communal Lands, aber auch die SSCFA-Farmen,
nicht vor. Gezählt werden die Tiere vom Veterinär-
amt des Distriktes an 70 Tauchbädern, die zur
Seuchenkontrolle der Weidetiere eingerichtet sind.
Da nicht unbedingt alle Tiere zur Behandlung ge-
bracht werden, kann die Zahl höher liegen (mündl.
Mitteilung AGRITEX Gutu, District Veterinary Gutu).
Auch die Bücher, die im Veterinärbüro des Distrik-
tes eingesehen und aus denen die Daten entnom-
men werden konnten, schienen nicht unbedingt
vollständig. Die Besatzzahlen im Gutu Distrikt lie-
gen in den Communal Lands nach den vorliegen-
den Daten also etwas unter den veröffentlichten
Zahlen (s. Tab. 2). CHENJE u. a. (1998) sprechen
für das Jahr 1996 von 3.076.134 Rindern und
2.695.036 Schafen und Ziegen in den Communal
Lands Zimbawes, was einer Besatzdichte von 0,2
TLU/ha bzw. 0,02 TLU/ha entspricht.
Einen Hinweis auf deutliche höhere Viehzahlen gibt
der Report des Ministry of Internal Affairs (1971),
der für das Jahr 1969 110073 Rindern angibt und
von einer zusätzlichen Dunkelziffer von 10 % aus-
geht. Tatsächlich ist also davon auszugehen, dass
die Viehzahlen im Distrikt Gutu deutlich höher sind,
als bei den Zählungen an den Tauchbädern erfasst
werden.
22 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
4.1 Klima
Während des Untersuchungszeitraumes liefen vom
1.11.1997 bis zum 31.3.1999 zwei automatisch
schreibende Klimastationen in der Gutu High School
und der Kurai Primary School (s. Abb. 8), die Tages-
summen des Niederschlages, Tagesmittel, Maxi-
mum und Minimum aus Stundenwerten der Tem-
peratur und der relativen Feuchte sowie z.T. Tages-
mittel der Bodenfeuchte in 20 cm und 50 cm Tiefe
aufzeichneten (s. Photo 7).
4.2 Auswahl der Testgebiete
Grundlage für die Auswahl der Testgebiete sind die
in Kapitel 3.5 beschriebenen Vegetations-
formationen. Die Auswahl ist dabei an die Kriterien
der Homogenität, der Repräsentanz sowie der Zu-
gänglichkeit gebunden. Die Lagebestimmung er-
folgte mit einem GPS. Für die Verrechnung von
auf den Flächen erhobenen Parametern mit
Satellitendaten wurde bei der Aufnahme darauf
geachtet, dass die Größe mindestens 4 x 4 Pixel
des Satelliten Landsat-5 beträgt, also 120 m x
4 Erhebung der Basisdaten
120 m. Um Fehler bei der Positionsbestimmung
und Randeffekte benachbarter Flächen zu vermei-
den, lagen die Aufnahmeflächen jeweils innerhalb
einer größeren homogenen Einheit. Die 10 Vegeta-
tionsformationen sind durch 114 Testflächen reprä-
sentiert (s. Tab. 3, s. Abb. 18). Dazu kommen noch
Flächen für die Klassen Ackerfläche, Dorf und Was-
ser und Flächen, auf denen nur Bodenproben ge-
nommen wurden. Insgesamt ergaben sich damit
149 Testgebiete.
Für die meisten Gebiete wurde ein Flächenprotokoll
angelegt, um bestimmte, für die Fragestellung
wichtige Geofaktoren zu beschreiben. Folgende
Angaben wurden aufgenommen:
- eine allgemeine Beschreibung des Gebietes
und der angrenzenden Bereiche (Lage-
beschreibung und Geländeform),
- das Aufnahmedatum,
- die aktuellen Witterungsbedingungen,
- anthropogene und zoogene Einflüsse (z.B. Fuß-
wege, Lehmgruben, Termitenhügel, Eindruck
über den vorherrschenden Weidedruck).
���� ���������������������������� �� ��
������
������ ��
����
��������
����
����������
����
������
��������
����
����
���� ��
����������
�
��
�� ��
� ��
�� ���� ��
�� ����
�� ��
�
���
�
�
�� �����
���� ���
����
�
����� ��
���
������
��
��
�
�� ���
�����
�����
�� ���
���� � �
���
��� �
���
� ��
����
����
�����
�� ��
��
����
��� �
�
��
�
�
�
�
�
�
���
���
��
���
��� ���
���
�����
��
���
���
���
���
���
���
��
��
��
��
��
������
������
��
���
���
���
�� �
��
��
��
�������
��
���
���
���
���
��
���
���
��
���
���
������
�� ������������� � �������� � ��������� ���� ��� ����������������� � ��!���� ����������������� � �������� � ��!���� ����������������� � ���������� ����������������� � ��!���� �������������������!��
"��������#���#!��#$���� �%��
� � ��#&�
''(�"
)����� ����� �#*#�� $���� �%���
Abb. 18: Testflächen im Untersuchungsgebiet
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 23
Tab.
3:
Test
fläch
enan
zahl
im A
rbei
tsge
biet
Vege
tatio
n
Nutz
ungs
klass
e
Test
flä-
chen
zahl
Pf
lanz
en-
aufn
ahm
en
Dich
tebe
-st
imm
ung
Biom
asse
Kr
aut
Eich
ung
Troc
kenz
eit
1997
Biom
asse
Kr
aut
Eich
ung
Rege
nzei
t 19
98
Biom
asse
Kr
aut
Troc
kenz
eit
1998
Biom
asse
Kr
aut
Rege
nzei
t 19
99
Blat
tbio
mas
se
Troc
kenz
eit
1998
Blat
tbio
mas
se
Rege
nzei
t 199
9
Futte
rwer
t Kr
aut
Troc
kenz
eit
1997
Futte
rwer
t Kr
aut
Rege
nzei
t 19
98
Bode
n-pr
oben
G
elän
debe
-sc
hrei
bung
Be
urte
ilung
des
Bewe
idun
gsdr
ucks
II B
1a1
14
3 9
2 3
2 4
5 5
2 3
13
13
11
II B
1a2
5 2
5 2
1 2
2 2
2 2
2 3
4 4
III B
1a1
4
4
1
1 1
4 4
4
III B
1a2
6
1 6
1 1
3 3
3 3
1 1
5 6
6
V A
1a1
33
8 31
8
8 17
17
17
17
8
8 32
32
29
V A
1a2
7
7
3
3 3
3
7
7 7
V A
1b3
17
8 14
8
8 8
8 8
8 8
8 16
15
15
V A
1c3
14
5 12
5
5 7
7 7
7 5
5 12
11
12
V A
1d
6 2
6 2
2 3
3
2
2 6
6 5
VI A
1a1
8
3
Acke
rfläc
hen
15
3
1 1
8 9
Sied
lung
2
0
Was
ser
1
0
nur B
oden
prob
en
17
17
Sum
me
149
29
97
28
28
45
48
47
47
28
29
126
107
93
24 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
4.3 Vegetationsaufnahmen
Auf 114 Testflächen wurde die Vegetationseinheit
nach MUELLER-DOMBOIS & ELLENBERG (1974) und BEN-
NETT (1985) aufgenommen. Die Schätzung der pro-
zentualen Deckung erfolgte auf 97 Flächen diffe-
renziert nach der Krautschicht sowie der Strauch-
und Baumschicht in den Größenklassen < 1m, 1 -
2 m, 2 - 5 m und > 5 m, zum einen als Gesamt-
deckung und zum anderen als Deckung von 100
%, um der Tatsache zu entsprechen, dass Satelli-
tenbilder nur das Kronendach und kaum den
Stockwerkbau der Vegetation aufnehmen. Beach-
tung fand auch die Phänologie der Sträucher und
Bäume, um zusätzlich zu den Deckungsaufnah-
men Aussagen über den Belaubungszustand in der
Trocken- und Regenzeit machen zu können.
Auf 29 Flächen wurde die Artenzusammensetzung
erhoben (s. Photo 8). Inselberge und die Vegeta-
tion entlang von Flussläufen wurden wegen ihrer
Sonderstellung, insbesondere bezüglich der sehr
großen Artenvielfalt, ausgeschlossen. Die Aufnah-
men der Gras- und Krautschicht innerhalb eines
Testgebietes stellen eine Stichprobe dar, die die
Grundgesamtheit der Vegetation im Sinne der Fra-
gestellung möglichst genau beschreiben soll. Die
aufgenommenen Flächen müssen damit als reprä-
sentativ für die Vegetation des Testgebietes be-
trachtet werden können.
Die Plazierung der Aufnahmen erfolgte nach dem
Zufallsprinzip, wobei die Lage der einzelnen
Aufnahmeflächen durch einen random walk ermit-
telt wurde (LAMBERT 1972). Beim „zufälligen Gang”
geht man von einem willkürlich gewählten Punkt
eine zufällige Anzahl von Schritten in eine zufällige
Richtung, um die erste Aufnahme zu machen. Von
diesem Punkt aus wird das Schema in gleicher
Weise angewandt, um die nächsten Aufnahme-
flächen zu bestimmen.
Bereiche, die durch anthropogenen Einfluss ver-
ändert waren, wie z.B. Pfade und Lehmgruben,
wurden von der Beprobung ausgeschlossen.
Die Anzahl der Aufnahmen pro Testfläche musste
vor allem aufgrund der limitierten Arbeitszeit im
Gelände möglichst gering gehalten werden. Auf-
grund der oft langen Anfahrtswege und der umfang-
reichen Bearbeitung der einzelnen Aufnahmeflächen
konnten pro Saison und Testgebiet nur ca. 5-10
Aufnahmen mit einer Größe von je 1 m² erfolgen,
eine Zahl, die aber auch den bei MUELLER-DOMBOIS
& ELLENBERG (1974) ausführlich beschriebenen
Anforderungen an Flächenzahl und Flächengröße
gerecht wird. Die Artmächtigkeit wurde zum Ende
der Trockenzeit im September/Oktober 1997 und
zum Ende der Regenzeit im März/April 1998 nach
BRAUN-BLANQUET geschätzt.
Je nach Deckungsgrad der Sträucher und Bäume
auf den Testflächen konnten alle Individuen pflan-
zensoziologisch aufgenommen werden oder muss-
ten entlang von Transekten erfasst werden (BASS
1993).
Die Bestimmung der Arten und ihre Nomenklatur
erfolgte nach DRUMMOND (1981), LIGHTFOOT (1998),
PALGRAVE (1996), RUSSELL u.a. (1991), VAN
OUDTSHOORN (1992) sowie VAN WYK & VAN WYK
(1997). Herr Drummond (Direktor a.D. des Natio-
nal Herbarium, Harare) überprüfte die Bestimmung
bzw. bestimmte viele Arten. Weiter aktualisierte er
bei Bedarf die Namen der Pflanzenarten.
Um quantitative numerische Methoden anwenden
zu können, wurden die im Gelände aufgenomme-
nen Artmächtigkeitsbereiche der Gras- und Kraut-
schicht mittels Code-Replacement in den Mittel-
wert der Deckung der jeweiligen Schätzklasse über-
führt. Die Artenzusammensetzung der Sträucher
und Bäume ist prozentual auf die Gesamtarten-
zahl der Aufnahmeflächen oder Transekte bezo-
gen.
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 25
Dieser Basisdatensatz (Anhang 1 a-e) wird vor der
Klassifikation häufig verändert, um die Daten in eine
der Fragestellung angemessene Form zu überfüh-
ren. Bei der Skalartransformation werden die
Attributwerte (Deckungswerte) so umgewandelt,
dass die in den Basisdaten vorhandene Varianz
hervorgehoben oder ausgeglichen wird. Neben der
Verwendung des nicht transformierten Datensat-
zes wurde eine Binärtransformation durchgeführt,
die auf die quantitativen Aussagen der Deckungs-
werte vollständig verzichtet und die Arten innerhalb
einer Aufnahme nur mittels der An- oder Abwesen-
heit (presence-absence) beschreibt. Die Methode
eignet sich für eine erste Beschreibung der unter-
suchten Testgebiete, und die Klassifikation einer
binärtransformierten Vegetationstabelle kann in
ihren Grundzügen der visuellen Auswertung einer
pflanzensoziologischen Tabelle gleichgesetzt wer-
den.
Die hoch deckenden Arten üben einen entschei-
denden Einfluss auf den Futterwert einer Fläche
aus. Es erwies sich somit für den Vergleich von
Vegetationszusammensetzung und ihrem ermittel-
ten energetischen Wert als sinnvoll, den Primär-
datensatz außerdem einer Transformation zu un-
terziehen, bei der hoch deckende Arten stärker
gewichtet werden als die mittlerer oder geringer
Deckung. Eine solche Möglichkeit bietet die Expo-
nentialtransformation, die auf dem simplen Arbeits-
schritt beruht, alle gegebenen Deckungswerte (im
vorliegenden Fall) zu quadrieren. Der Rechenschritt
führt zu dem Ergebnis, dass Deckungen unter 1%
nur noch unwesentlich in die späteren Analysen
einfließen und die Ähnlichkeitsbeziehungen der
Flächen vor allem an den höher deckenden Arten
(hier 15 % und 37,5 % Deckung) festgemacht wer-
den.
Eine weitere Möglichkeit bietet eine Transformati-
on, die die schwach deckenden Arten stärker ge-
wichtet als die stark deckenden Arten. Dies erfolgt
durch das Ziehen der Quadratwurzel.
Schließlich kann davon ausgegangen werden,
dass nur über so genannte Differentialarten Grup-
penbildungen der Vegetation möglich sind. Die
Annahme ist, dass Arten mit hoher Stetigkeit eine
hohe ökologische Amplitude haben und Arten mit
niedriger Stetigkeit eher zufällig in den Aufnahmen
vorkommen. GRÜNINGER (1999) hat in Anlehnung
an KREEB (1983) Arten mit einer Stetigkeit zwischen
30 % und 60 % herangezogen, MUELLER-DOMBOIS
& ELLENBERG (1974) setzen die Schwellen auf 10
% und 60 %.
Die Vektortransformation dient zur Gewichtung ein-
zelner Arten oder Aufnahmen in Bezug auf den
Gesamtdatensatz; sie ändert die Beziehungen in-
nerhalb der Variablen nicht, hat jedoch großen Ein-
fluss auf die Beziehungen der Aufnahmen. Eine
Veränderung der Daten in dieser Weise erschien
nicht sinnvoll.
Zusammenhänge zwischen dem Vorkommen von
Arten und ökologischen Parametern, zu denen
auch anthropogen induzierte, wie z.B. Beweidungs-
intensität und Holznutzung, zu zählen sind, las-
sen sich mit Hilfe des Programms CANOCO er-
mitteln (JONGMAN u.a. 1995, TER BRAAK 1988). Der
erste Schritt ist die Überprüfung, ob die Aufnah-
men einem linearen oder einem unimodalen Ant-
wortmodell folgen. Da alle Gradientlängen der Ach-
sen größer als 2, die Längen der 1. und 2. Achse
sogar größer als 4 sind, liegt ein unimodales
Antwortmodell zugrunde (JONGMAN u.a. 1995). Dem-
nach kamen die trendbereinigte Korrespondenz-
analyse (DCA) und die kanonische Korrespondenz-
analyse (CCA) zum Einsatz. Die DCA ermittelt nur
floristische Ähnlichkeiten der Arten bzw. der Auf-
nahmen. Sie wurde der Korrespondenzanalyse
(CA) vorgezogen, da sich gezeigt hat, dass bei
der CA Artefakte auftreten. Dieses Phänomen ist
26 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
ausführlich bei JONGMAN u.a. (1995) beschrieben.
Die CCA bezieht bei der Ähnlichkeitsanalyse die
Umweltfaktoren ein. Als Umweltfaktoren fließen in
die CCA nur die gemessenen Parameter Höhe über
Meeresspiegel, Niederschlag, der Ton-, Schluff-,
Sandgehalt, der pH-Wert, die elektrische Leitfä-
higkeit des Bodenwasserextraktes und das C/N-
Verhältnis ein. Die Nutzungsverhältnisse (SCCFA,
Communal Land, Grazing Schemes), die agraröko-
logische Zone und geschätzte Parameter, wie z.B.
Beweidungsintensität, wurden in die Berechnung
nicht einbezogen. Ein Grund ist, dass diese ordi-
nalskalierten Parameter nur sehr kleine Werte-
bereiche haben und ihre Schätzung im Gelände
sehr subjektiv ist. Die Einschätzung der Bewei-
dungsintensität ist als relative auf den Untersu-
chungsraum bezogene Einstufung zu sehen. Da
der gesamte Untersuchungsraum stark genutzt ist,
fehlt ein Vergleich zu tatsächlich extensiver Nut-
zung. Die agrarökologischen Zonen sind hauptsäch-
lich aus dem Niederschlag abgeleitet, also in dem
Parameter Niederschlag schon quantitativ enthal-
ten.
Ein anderes Verfahren zur Typisierung der Vegeta-
tion ist die Clusteranalyse, die über Ähnlichkeits-
analysen Gruppierungen vornimmt. Die Ähnlich-
keitsanalyse bezieht sich dabei auf die Arten-
zusammensetzung der repräsentativen Test-
gebiete.
Für die Daten wird in einem ersten Schritt eine
Vergleichsmatrix der Aufnahmen berechnet, für die
verschiedene Ähnlichkeits- oder Distanzmaße An-
wendung finden können. Die Eigenschaften des
Van der Maarel Koeffizienten (“Index of Similarity”),
der als ein Maß für die floristische Ähnlichkeit von
Aufnahmen gesehen werden kann, erwiesen sich
als besonders günstig, da er zum einen sowohl für
binäre, als auch für quantitative Daten verwendet
werden kann, zum anderen aber anders als z.B.
die Euklidische Distanz das Fehlen von Arten in
Aufnahmen nicht als Gemeinsamkeit dieser Daten-
sätze auffasst, was zu Fehleinschätzungen der
Ähnlichkeit führen könnte.
Zur eigentlichen Gruppierung diente das Verfahren
des “minimum variance clustering”, das die Grup-
pen nach möglichst geringer Zunahme der gruppen-
internen Varianz bildet, wobei der erste Gruppen-
zusammenschluss mit Hilfe der Distanzmatrix vor-
genommen wird und als Ausgangspunkt für die fol-
genden Varianzberechnungen dient.
4.4 Bestimmung der Phytomasse
In der Arbeit werden für die einzelnen Bestandteile
der Phytomasse bestimmte Termini verwendet, die
in Anlehnung an die Arbeit von STURM (1993) von
den gebrauchsüblichen Definitionen abweichen und
aus diesem Grund kurz erläutert werden sollen.
Der pflanzliche Bestandesvorrat wird von vielen
Autoren mit dem Begriff der Biomasse belegt, be-
zeichnet im eigentlichen Sinne jedoch die gesam-
te Trockenmasse aller lebenden Organismen
pflanzlichen und tierischen Ursprungs. In der vor-
liegenden Arbeit wurde das vorhandene oberirdi-
sche Pflanzenmaterial der Gras- und Krautschicht
geerntet und in tote und lebende Pflanzenmasse
separiert. Der Begriff Biomasse wird in dieser Ar-
beit im Sinne von JANETSCHEK (1982) stellvertretend
für die lebende, oberirdische Pflanzenmasse be-
nutzt, so dass die Vorsilbe “bio” den Unterschied
zum toten Pflanzenmaterial hervorhebt.
Die Nekromasse benennt dann die tote, der Bio-
masse anhaftende oder in der Testfläche verwur-
zelte, aufrechtstehende Pflanzenmasse der Gras-
und Krautschicht, schließt aber - anders als bei
STURM - die Streu (tote, dem Boden aufliegende
Teile pflanzlichen Ursprungs) mit ein, da sich eine
separate Erntung sich als kaum durchführbar er-
wies.
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 27
Der Begriff Grasphytomasse bezeichnet schließ-
lich die Gesamtheit der Bio- und Nekromasse der
Gras- und Krautschicht.
Die Blätter der Bäume und Sträucher werden in
der Arbeit als Blattmasse bezeichnet. Es wurden
nur grüne Blätter aufgenommen. Blattstreu ist bei
der Gras- und Krautschicht erfasst.
Die Summe der Grasphytomasse und der Blatt-
masse ist die Gesamtphytomasse. Alle Gewichts-
angaben, wenn nicht anders angegeben, geben das
Trockengewicht an. Der Begriff Phytomasse ohne
Zusatz von Gras- bzw. Gesamt- steht neutral für
Pflanzenmaterial.
4.4.1 Phytomasse der Gras- undKrautschicht
4.4.1.1 Methodik
Für die Bestimmung der Phytomasse der Gras-
und Krautschicht sind in der Literatur zahlreiche
Methoden beschrieben, die das sehr zeitaufwen-
dige Abernten ersetzen. Im südlichen Afrika wird
häufig das disc pasture meter eingesetzt (BRANSBY
& TAINTON 1977, TROLLOPE & POTGIETER 1986). Das
Verfahren beruht darauf, dass eine Scheibe aus
einer definierten Höhe auf die Gras- und Kraut-
schicht fallen gelassen wird. Die Scheibe kommt
nach einer ablesbaren Fallhöhe auf den Pflanzen
zu liegen. Die Fallhöhe ist abhängig von der
Phytomasse, die sich über Regressionsgleichung
errechnen lässt. Das Gerät muss, wie die anderen
Verfahren auch, regional geeicht werden. Mit dem
disc pasture meter ist eine Differenzierung zwi-
schen grüner und vertrockneter Phytomasse bzw.
Streu nicht möglich. Schwierigkeiten ergeben sich
auch bei sehr spärlicher Vegetationsbedeckung,
bei der die Scheibe im Prinzip schon auf dem Bo-
den aufliegt.
Aus den genannten Gründen wurde auf die point-
Intercept-Methode, die mit einem point-frequency-
frame oder 10-point-frame durchgeführt wurde, zu-
rückgegriffen (MUELLER-DOMBOIS & ELLENBERG 1974).
Die Anwendung zur Bestimmung der Phytomasse
ist u.a. bei DAGET & POISSONET (1971 zit. in MUELLER-
DOMBOIS & ELLENBERG 1974), DREISER (1987), HER-
LOCKER & DOLAN (1982) und POISSONET (1971 zit. in
MUELLER-DOMBOIS & ELLENBERG 1974) für Gras-
ökosysteme beschrieben. Der ten-point-frame ist
ein 1 m hoher Rahmen mit einer Breite von 110
cm, der mit 10 Führungslöchern im Abstand von
10 cm und einer zweiten Führungslatte ausgestat-
tet ist (s. Abb. 19). Durch die Bohrlöcher werden
Stäbe von oben vertikal zum Boden abgesenkt, wo-
bei die zweite Führungsschiene dem Parallaxen-
effekt entgegenwirkt. Jede Berührung der Stäbe mit
der Bio- oder Nekromasse wird notiert. Der Rah-
men wird zehnmal im Abstand von 10 cm verscho-
ben. Wie das disc pasture meter muss auch der
10-point-frame regional geeicht werden. Dies er-
folgte durch das Abernten bzw. Einsammeln der
Phytomasse auf 1 m² großen Untersuchungs-
quadraten bis auf Bodenniveau. Das Abernten auf
einem bestimmten Niveau über dem Boden, wo-
durch die Bisshöhen der grasenden Tiere in die
Erntemethodik einbezogen werden könnten (bei
�#�
�#�
��#%�
Abb. 19: ten-point-frame (aus GRÜNINGER 1999)
28 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
Rindern z.B. 5 cm über dem Boden, bei Schafen
und Ziegen 3,5 cm) wurde abgelehnt, weil diese
Methode nur schwer durchführbar und so oftmals
mit Messfehlern behaftet ist (STURM 1993); eine
weitere Schwäche der Methode wird deutlich, wenn
weideanalytische Untersuchungen für verschiede-
ne Tierarten auf derselben Fläche durchgeführt
werden sollen. Das geerntete Material wurde so-
fort im Gelände gewogen und anschließend luftge-
trocknet. Die Erhebung der Phytomasse zur Ei-
chung des ten-point-frame erfolgte am Ende der
Trockenzeit im September und Oktober 1997 und
gegen Ende der Regenzeit im März und April 1998
auf den jeweils gleichen Flächen, die auch der Auf-
nahme des Artenspektrums dienten.
4.4.1.2 Ergebnisse der gravitativenPhytomassebestimmung
Erwartungsgemäß sind die Phytomassemengen
auf den meisten Testflächen am Ende der Regen-
zeit im März/April 1998 deutlich höher als nach
der Trockenzeit im September/Oktober 1997 (s.
Abb. 20). Abweichend verhalten sich nur wenige
Flächen. Die Abweichungen können nur über die
Weideaktivität erklärt werden, was insbesondere
durch die Lage der Flächen 13, 38 und 40 in Pad-
docks deutlich wird. Für die Nekromasse sind kei-
ne signifikanten Mittelwertsunterschiede zwischen
der Trocken- und der Regenzeit festzustellen. Es
zeigt sich aber, dass hohe Werte an Biomasse
während der Regenzeit auch hohe Werte an
Nekromasse nach sich ziehen. Auch die Gras-
phytomasse, die sich aus der Addition der Biomas-
se mit der Nekromasse errechnet, zeigt keinen ein-
heitlichen Trend zwischen Trocken- und Regenzeit.
Für die Überprüfung der statistischen Zusammen-
hänge zwischen der Phytomasse und den Erhe-
bungen mit dem ten-point-frame ist wichtig, dass
alle Häufigkeitsverteilungen der Bio-, Nekro- und
Grasphytomasse nicht normalverteilt sind.
4.4.1.3 Statistische Zusammenhängezwischen der gravimetrischenPhytomassebestimmung undden Ergebnissen der ten-point-frame-Methode
Die statistischen Zusammenhänge zwischen den
Berührungen mit den Stangen des ten-point-frame
und den jeweiligen gravimetrisch gemessenen
Gewichten - nach Bio-, Nekro- und Grasphyto-
masse getrennt - sind mit dem verteilungsunab-
hängigen Rangkorrelationskoeffizienten nach
SPEARMAN berechnet. Weiter wurde der saisonale
Aspekt getrennt nach Trocken- und Regenzeit, aber
auch zusammengefasst berücksichtigt (s. Abb. 21,
22 u. 23). Aus den Abbildungen und den angege-
benen Bestimmtheitsmaßen lässt sich ein hoher
statistischer Zusammenhang ablesen, der signifi-
kant ist (p < 0,0001). Somit steht ein geeignetes
Instrumentarium zur schnellen Erfassung der
Phytomasse zur Verfügung. In den Regressions-
diagrammen sind zusätzlich das obere und untere
95 %-Konfidenzintervall und das obere und untere
95 %-Vorhersageband angegeben (SACHS 1997).
Über das Vorhersageband lässt sich sagen, in
welchem Bereich die Phytomasse zu 95 %
schwanken wird, was für die Planungspraxis rele-
vanter ist als ein scheinbar exakter Wert.
4.4.2 Blattmasse der Strauch- undBaumschicht
4.4.2.1 Methodik
Das Hauptproblem bei der Bestimmung der Blatt-
masse von Sträuchern und Bäumen ist, dass sie
nur sehr eingeschränkt möglich ist. Destruktiv, d.h.
durch Fällen und Ernten die Blattmasse zu bestim-
men, wäre noch zeitaufwendiger als bei der Gras-
und Krautschicht, bzw. ist in großem Umfang über-
haupt nicht möglich, da die lokale Bevölkerung dem
Fällen von Bäumen nicht zustimmen würde. Um
das Problem zu umgehen, liegen zahlreiche Un-
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 29
Abb. 20: Phytomasse auf den Testquadraten aus der gravimetrischen Bestimmung
��� � � � �� �� �� �� �� �� �� � � � � �� � �� �� �� �� � �� �� ���
�
��
��
��
���
��
���
���
���
��
�
��
��������#����%�#��# ��
+
$���� �%���
#$��%,������#��
#)� ������#��
#$��%,������#��#)� ������#��
� � � � �� �� �� �� �� �� �� � � � � �� � �� �� �� �� �� � �� �� ���
��
���
���
��
��
���
���
���
���
-�,�������#��# ��+
$���� �%���
$���� �%���
#$��%,������#��#)� ������#��
.���/�0�������#��# ��+
� � � � �� �� �� �� �� �� �� � � � � �� � �� �� �� �� �� � �� �� ���
���
��
���
���
���
���
���
30 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
Abb. 21: Statistische Zusammenhänge zwischen der gravimetrischen Massebestimmung und den Berüh-rungen mit dem ten-toint-frame während der Trockenzeit
�
�#1#����+#1#�2��
0#1#�2�#3#4
$��%,������
� ��� �� ��� ��� ��� ��� ��� ����
��
���
���
��
��
���
���
���
-�,�������#��# ��
+
���5���� ��
� �� ��� ��� ���
��
���
���
��
�� $��%,��������������#��# ��
+
���5���� ��
$��%,������
� �� ��� ��� ���
���
��
���
���
���
.���/�0�������#��# ��
+
���5���� ��
�#1#���+#1#�2��
0#1#�2��#3#4
�#1#����+#1#�2�
0#1#�2�#3#4
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 31
Abb. 22: Statistische Zusammenhänge zwischen der gravimetrischen Massebestimmung und den Berüh-rungen mit dem ten-toint-frame während der Regenzeit
� �� ��� ��� �� �� ���
���5���� ��
�
��
���
���
��
��
���
���)� ������
��������#��# ��+
�#1#���
�+#1#�2��
0#1#�2��#3#4
�#1#���
�+#1#�2��
0#1#�2��#3#4
�
��
���
���
���
-�,�������#��# ��+
� ��� �� ��� ��� ��� ���
���5���� ��
)� ������
� ��� �� ��� ��� ��� ��� ��� ���
���5���� ��
�
��
���
���
���
����
���)� ������
.���/�0�������#��# ��+
�#1#���
�+#1#�2��
0#1#�2��#3#4
32 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
Abb. 23: Statistische Zusammenhänge zwischen der gravimetrischen Massebestimmung und den Berüh-rungen mit dem ten-toint-frame, Trocken- und Regenzeit kombiniert
�
��
���
���
��
��
���
�����������#��# ��
+
� �� ��� ��� �� �� ���
���5���� ��
)� ��* � $��%,������
�#1#�
�+#1#�2��
0#1#�2�#3#4
�
��
���
���
���
-�,�������#��# ��
+
� ��� �� ��� ��� ��� ��� ��� ���
���5���� ��
)� ��* � $��%,������
�#1#��
�+#1#�2��
0#1#�2��#3#4
�#1#�
�+#1#�2��
0#1#�2��#3#4
)� ��* � $��%,������
���5���� ��� �� ��� ��� ���
�
��
���
���
���
����
.���/�0�������#��# ��
+
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 33
tersuchungen vor, die über allometrische Verfah-
ren Rückschlüsse auf die Holz- und Blattmasse
zulassen (BILLE 1980, CISSÉ 1980, MUSHOVE 1996,
NETSHILUVI & SCHOLES 2001, RUTHERFORD 1970,
1982). Die meisten Formeln, die einfach zu mes-
sende Parameter wie Stammumfang, Höhe usw.
beinhalten, beziehen sich auf bestimmte Arten oder
Artenzusammensetzungen, die aber nicht näher
spezifiziert werden. Deshalb erschien es notwen-
dig, für das Untersuchungsgebiet gültige Gleichun-
gen aufzustellen. Da Bäume nicht gefällt werden
konnten, kam ein von MILL u.a. (1988) beschriebe-
ner Ansatz zum Einsatz. Das Verfahren, das auch
in Namibia eingesetzt wurde und gute Ergebnisse
lieferte, beruht darauf, dass das Kronenvolumen
berechnet wird. Aus der Krone wird dann mit ei-
nem Holzkasten ein Volumen von 0,1 m³ entnom-
men, die Blätter werden abgeerntet, sofort gewo-
gen und das Ergebnis der Probe dann auf das
Gesamtvolumen der Krone hochgerechnet. Abwei-
chend von MILL u.a. (1980) wurde nicht die Standard-
krone eines Kegelstumpfes zugrunde gelegt, son-
dern die Kronenform möglichst genau beschrieben
und dann parametrisiert. Da Kronen selten gleich-
förmig sind, erfolgte die Messung der Parameter
Kronendurchmesser (wenn durch die Geometrie
erforderlich in zwei Höhen) und Kronenhöhe in zwei
senkrecht zueinander stehenden Richtungen
(MUELLER-DOMBOIS & ELLENBERG 1976). Neben den
Größen zur Beschreibung des Kronenvolumens
wurde der Stammumfang an der Basis und in 130
cm Höhe aufgenommen, bei Mehrstämmigkeit
additiv für jeden Stamm. Die Gesamtartenzahl, die
der Erhebung zugrunde liegt, beträgt 37 (s. Tab.
4). Die Probenzahl pro Art richtet sich nach der
Bedeutung des Vorkommens im Untersuchungs-
gebiet und deckt weitgehend das jeweilige Größen-
spektrum der Art ab. Beprobt wurde am Ende der
Trocken- und am Ende der Regenzeit.
4.4.2.2 Statistische Zusammenhängezwischen Wuchsparameternund Blattmasse
Ziel der Untersuchung war, mit möglichst einfach
zu erhebenden Parametern eine möglichst genaue
Aussage zur Blattmasse der Bäume zu erzielen.
Hochsignifikante Zusammenhänge ergaben sich für
die Parameter Stammumfang an der Basis und in
130 cm Höhe, der Baumhöhe und der Kronenhöhe.
Der Stammumfang an der Basis korrelierte etwas
besser als der Stammumfang in 130 cm Höhe und
ist bei Sträuchern oft auch einfacher zu erheben.
Die Baumhöhe und die Kronenhöhe zeigen auch
gute, z.T. sogar etwas bessere Zusammenhänge,
sind aber schwieriger zu erheben und wurden des-
halb nicht herangezogen. Die zugrunde gelegten
Stichproben sind nicht normalverteilt und die Zu-
sammenhänge sind nicht linear. Für die Kurvenan-
passung, die die Zusammenhänge beschreibt,
wurde durch die Festsetzung von Parametern auf
möglichst einfache Verfahren zurückgegriffen, was
für die Messungen in der Trocken- und Regenzeit
sowie für den Gesamtdatensatz eine quadratische
Funktion (s. Abb. 24, 25 u. 26) zur Folge hat. Alle
für die Funktionen angegebenen Korrelationskoef-
fizienten sind hochsignifikant (p < 0,0001). Aus dem
Vergleich der Kurven und der Funktionen zeigt sich,
dass der Stammumfang an der Basis saisonal dif-
ferenziert oder unabhängig von der Saison sehr gut
zur Schnellbestimmung der Blattmasse geeignet
ist.
34 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
Art Trockenzeit Regenzeit gesamt
Acacia gerrardii 5 1 6
Acacia karroo 6 6
Acacia nilotica 1 11 12
Acacia rhemanniana 3 3
Adansonia digitata 3 3
Albizia amara 7 7
Brachystegia glaucescens 2 2
Brachystegia spiciformis 7 11 18
Bridelia mollis 2 2
Burkea africana 7 4 11
Cassia singuinea 6 6
Colophospermum mopane 7 5 12
Combretum apiculatum 4 4
Combretum molle 4 4
Dalbergiella nyasae 6 3 9
Dichrostachys cinerea 3 3
Diospyros mespiliformis 7 2 9
Euclea divinorum 6 1 7
Euclea natalensis 6 2 8
Ficus sycromorus 7 2 9
Flacourtia indica 2 2
Julbernardia globiflora 7 2 9
Kigelia africana 10 2 12
Kirkia accuminata 5 5
Mangifera indica 5 5
Maytenus senegalensis 6 2 8
Parinari curatellifolia 9 3 12
Peltophorum africanum 5 5 10
Piliostigma thonningii 6 2 8
Pseudolachnostylis maprouneifolia 5 5
Rhus leptodictya 6 6
Sclerocarya birrea 3 3
Strychnos cocculoides 7 4 11
Strychnos spinosa 6 1 7
Syzygium guineense 5 2 7
Terminalia sericea 11 11
Uapaca kirkiana 8 1 9
gesamt 145 126 271
Tabelle 4: Baumarten für die Eichung der Blattmassebestimmung
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 35
Abb. 24: Statistische Zusammenhänge zwischen dem Stammumfang der Bäume und der Blattmassewährend der Trockenzeit
�
��
���
���
���
����
���
����
����
� � � � � �
$��%,������
���%,���#� ����
����#��#,
'��������� #��#!��#�����#��#�
�#1#���
�+#1#�2��
0#1#��2#3#4+
�#1#���
�+#1#�2��
0#1#��#3#4+
� � � � � ��
���
����
����
���
���
����$��%,������
����%��#� ����
����#��#,
'��������� #��#!��#�����#��#�
36 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
� � � � � ��
���
����
����
���
���
�+#1#�2���#1��
)� ����������%��#� ����
����#��#,
'��������� #��#!��#�����#��#�
�+#1#�2���#1#��0#1#��#3#4+
0#1#���#3#4+
)� ������
���%,���#� ����
����#��#,
'��������� #��#!��#�����#��#�
�
��
���
���
���
����
���
� � � � �
Abb. 25: Statistische Zusammenhänge zwischen dem Stammumfang der Bäume und der Blattmassewährend der Regenzeit
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 37
Abb. 26: Statistische Zusammenhänge zwischen dem Stammumfang der Bäume und der Blattmasse,Trocken- und Regenzeit kombiniert
�#1#��
�#1#��
�+#1#�2��
�+#1#�2��
� � � � � �
'��������� #��#!��#�����#��#�
0#1#���#3#4+
0#1#��2�#3#4+
���%,���#� ����
����#��#,
$��%,��* � )� ������
$��%,��* � )� ������
�
��
���
���
���
����
���
����
����
����
�
���
����
����
���
���
����
'��������� #��#!��#�����#��#�� � � � � �
����%��#� ����
����#��#,
38 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
4.4.2.3 Vergleiche mit anderenAnsätzen
Vergleiche mit anderen Modellen sind nur bedingt
möglich, da sie häufig nur Zusammenhänge für ein-
zelne Arten darstellen. RUTHERFORD (1982) gibt eine
Formel an, die unabhängig von Arten ist. Mit der
Formel und Daten, die freundlicherweise Herr
LEROUX (Etosha Ecological Institute) zur Verfügung
stellte, konnten die eigenen Ergebnisse validiert
werden. Dabei zeigt sich, dass die modifizierte
Methode von MILL u.a. (1980) um den Faktor 7 zu
hohe Blattmassewerte ergibt (s. Abb. 27). Stellt
man Vergleichswerte für einzelne Arten nach ver-
schiedenen Autoren (BILLE 1980, CISSÉ 1980,
Abb. 27: Zusammenhang zwischen der Blattmassebestimmung in Gutu und dem überregionalen Ansatznach RUTHERFORD (1982)
����6��
� ��������#��%�#'�����#��#,
�+#1#�2�
0#1#�6����4#7#�6����
�6��
��6��
���6��
���6��
��6��
��6��
����6��
� ����
����#��%�#)��������!#8��9#��#,
�6�� ��6�� ���6�� ���6�� ���6�� ���6�� ����6�� ����6��
Abb. 28: Zusammenhang zwischen der Blattmassebestimmung in Gutu und überregionalen Ansätzen ver-schiedener Autoren
�6��
�6��
��6��
��6��
��6��
���6��
��6��
���6��
���6��
���6��
��6��
� ����
����#��%�#:���%�6#"
������
#��#,
� ��������#��%�#'�����#��#,
�+#1#�2���
����6���6�� ��6�� ���6�� ���6�� ���6�� ����6�� ���6�� ����6�� ����6��
0#1#�6���4#7#�6��
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 39
MUSHOVE 1996, NETSHILUVI & SCHOLES 2001,
RUTHERFORD 1970, 1982) zusammen und vergleicht
sie mit den Erhebungen in Gutu, sind die Werte
etwa um den Faktor 8,9 zu hoch (s. Abb. 28).
Wegen des besseren statistischen Zusammenhan-
ges (r² = 0,98) zwischen den Erbebungen in Gutu
mit dem Modell nach RUTHERFORD (1982) stellen
die um den Faktor 7 reduzierten Gleichungen aus
Kapitel 4.4.2.2 für das südliche Afrika einsetzbare
Modelle dar, unabhängig von der Strauch- oder
Baumart. Im Vergleich zum Ansatz von RUTHERFORD
(1982) haben sie den Vorteil, dass sie nur den
Stammumfang an der Basis und nicht zusätzlich
die Baumhöhe benötigen.
4.5 Futterwertanalysen
Erst in der Kombination der Futtermenge mit dem
Futterwert lässt sich die Futterkapazität bezogen
auf den Futterbedarf der Weidetiere abschätzen.
Die Analyse erfolgte nach der durch VAN SOEST &
WINE erweiterten Weender-Analyse (BASSLER 1997).
Sie spaltet zusätzlich zur Weender-Analyse die
Stoffgruppen Rohfaser und N-freie Extraktstoffe in
ihre Einzelbestandteile Cellulose, Hemicellulose,
Lignin und Asche auf. Rohasche, Rohprotein und
Rohfett sind in beiden Verfahren gleich ermittelt.
Hemicellulose, Cellulose und Lignin werden zusam-
men als Neutrale Detergentien Faser (NDF) be-
zeichnet, Cellulose und Lignin bilden gemeinsam
die Saure Detergentien Faser (ADF). Das Lignin
umfasst noch das Rohlignin (ADL). Aus dem Roh-
proteingehalt lässt sich nach DEMARQUILLY & WEISS
(1970, zit. in JENISCH 1997) zusätzlich das verdau-
liche Rohprotein berechnen nach:
Gl. 4.1 vP = 9,29 * RP – 35,2
mit
vP verdauliches Protein in g/kg TS
RP Rohprotein in % TS
Das genaue Vorgehen und notwendige Modifika-
tionen sind ausführlich bei GRÜNINGER (1999) be-
schrieben. Die Analysen wurden in Labors des In-
stitutes für Geographie und des Institutes für Le-
bensmittelchemie der Universität Erlangen-Nürn-
berg durchgeführt. Untersucht wurden Proben der
Testflächen, auf denen in der Trockenzeit 1997 und
der Regenzeit 1998 die pflanzensoziologischen
Aufnahmen stattfanden, getrennt nach der Bio-
masse und der Nekromasse.
Neben der Gras- und Krautschicht ist auch die
Futterqualität der Futtersträucher und Futterbäume
von Bedeutung, von denen ausgewählte Arten nach
den oben beschriebenen Verfahren untersucht
wurden. Insgesamt sind 42 Arten in die Futter-
analysen einbezogen, wobei wie bei der Gras- und
Krautschicht der saisonale Aspekt der Trocken-
und Regenzeit berücksichtigt ist (s. Tab. 5).
40 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
Art Probenzahl
Trockenzeit
Probenzahl
Regenzeit
Gesamtzahl
Acacia gerrardii 1 1 2
Acacia karoo 1 1
Acacia nilotica 2 3 5
Acacia rhemanniana 1 1
Adansonia digitata 1 1
Albizia amara 1 2 3
Bauhinia thonningii 1 1
Brachystegia glaucescens 1 1
Brachystegia spiciformis 3 1 3
Bridelia mollis 1 1
Burkea afrikana 1 1 2
Cassia edulis 1 1
Colophospermum mopane 1 2 3
Combretum apiculatum 1 1
Combretum molle 1 1 2
Dalbergiella nyasae 2 1 3
Dichrostachys cinerea 1 1 2
Diospyros mespiliformis 1 1 2
Euclea crispa-crispa 1 1
Euclea divinorum 1 1 2
Euclea natalensis 1 1
Ficus sycromorus 1 1 2
Flacourtia indica 1 1
Julbernardia globiflora 1 1 2
Kigelia africana 1 1 2
Kirkia accuminata 1 1
Lonchocarpus capassa 1 1
Mangifera indica 1 1
Maytenus senegalensis 1 1 2
Parinari curatellifolia 1 1 2
Peltophorum africanum 1 1
Piliostigma thonningii 1 1
Pseudolachnostylis maprouneifolia 1 1
Rhus leptodictya 1 1
Sclerocarya birrea 1 1
Senna singuenea 1 1
Strychnos coccoloides 1 1 2
Strychnos spinosa 1 1 2
Syzygium guineense 1 1
Terminalia sericea 1 2 3
Uapaca kirkiana 1 1 2
Ziziphus mucronata 1 1
Tab. 5: Baumarten für die Analyse der Futterqualität
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 41
4.6 Aufnahme der Bodenparameter
Die Auswahl der Flächen zur Bodenprobenent-
nahme musste für zwei Fragestellungen hinrei-
chende Resultate liefern. Die ermittelten Boden-
parameter sollten Eingang in die Satellitenbild-
verarbeitung finden und außerdem die Grundlage
zur Erstellung einer digitalen Bodeneigenschafts-
karte bilden (EBENHÖCH 2000). Um alle Bodentypen
nach dem Bericht des Ministry of Internal Affairs
(1971) ausreichend zu repräsentieren, wurden au-
ßer den Testflächen der Vegetationsaufnahmen 17
weitere Flächen beprobt (s. Tab. 3). Die Proben-
entnahme erfolgte auf den Flächen der pflanzen-
soziologischen Aufnahmen bzw. an mindestens 3
zufallsverteilten Stellen auf den Testflächen aus
einer Tiefe von 10 – 30 cm, der Hauptwurzelzone
der Gras- und Krautschicht. Die Proben wurden
noch vor Ort gemischt und repräsentieren so die
jeweiligen Testflächen. Auf den Testflächen erfolg-
ten während der Trockenzeit 1997 und der Regen-
zeit 1998 außerdem Bodenfeuchtemessungen mit
Hilfe einer TDR-Sonde in der Hauptwurzelzone.
Die Analyse der Proben erfolgte im Labor des In-
stitutes für Geographie der Universität Erlangen-
Nürnberg nach Standardverfahren (SCHLICHTING u.a.
1995). Aufgenommen wurde die Bodenfarbe der
lufttrockenen Probe nach MUNSELL, die Korngrößen-
verteilung mittels kombiniertem Sieb- und
Schlämmverfahren, der Humusgehalt durch
Veraschung, der pH-Wert, die elektrische Leitfä-
higkeit, der Stickstoffgehalt nach Kjeldahl, das
austauschbare Phosphat, die Kationenaustausch-
kapazität, die Basensättigung und das dithionit-
lösliche Eisen.
4.7 Digitale Bildverarbeitung undGIS-Analysen
Die digitale Bildverarbeitung und die GIS-Analysen
erfolgten am Institut für Geographie der Universität
Erlangen-Nürnberg mit der Software TNTmips der
Firma MicroImages.
4.7.1 Datengrundlagen
Hauptgrundlage der Satellitenbildverarbeitung sind
zwei Landsat-5 Szenen des path/row 169/74 vom
12.10.1998 und vom 22.4.1999. Sie sind vom SAC
in Pretoria auf 25 m x 25 m resampled. Die Bilder
decken sich zeitlich somit mit den Geländeer-
hebungen während dem Ende der Trockenzeit im
September/Oktober 1998 und dem Ende der Re-
genzeit März/April 1999. Zusätzlich standen pan-
chromatische SPOT-Szenen (1931 A-D, 1930 B u.
D) einer landesweiten Aufnahmekampagne des
Jahres 1995 zur Verfügung. Da die SPOT-Daten
auf dem Level 2B + DEM orthorektifiziert sind,
wurden alle anderen Datensätze auf sie bezogen.
Das Koordinatensystem ist das in Zimbabwe übli-
che UTM mit dem Clarke 1880 (Africa) Ellipsoid
und dem Datum Arc 1950 – Zimbabwe. Das Ar-
beitsgebiet liegt in der UTM-Zone 36 Süd.
Aus den topographischen Blättern 1931 C1-C4 und
1931 D1-D4 im Maßstab 1 : 50000 wurden die
Höhenlinien digitalisiert und mit Minimum Curvature
im Modul Surface Modelling von TNTmips auf die
Fläche übertragen sowie die Hangneigungen und
Expositionen für jedes Pixel abgeleitet. Um die
Höheninformation weiter verwenden zu können,
entspricht die räumliche Auflösung den Landsat-
Szenen.
42 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
4.7.2 Korrektur der Satellitenbilder
Satelliten zeichnen von der Erdoberfläche reflek-
tierte Strahlung auf. Diese Strahlung wird auf 8-bit
kalibriert. Hierzu werden gains und biases verwen-
det, die vor dem Start der Satelliten geeicht und im
Satelliten nachgeeicht werden. Überprüfungen auf
Testflächen und Parallelmessungen mit Flugzeug-
scannern ergaben aber, dass z.T. erhebliche Ab-
weichungen von den tatsächlichen Strahlungs-
werten auftreten. Dies führte dazu, dass im Laufe
der Betriebzeiten von Landsat TM-4 und TM-5 die
gains und biases ständig angepasst wurden. Nach
dem erfolgreichen Start von Landsat TM-7 war es
dann noch möglich, Tandemmessungen mit TM-5
durchzuführen, um so die Datenserien konsistent
zu halten und eine abschließende Kalibrierung zu
erreichen. Aus den Tandemmessungen leiteten
TEILLET u.a. (2001) gains und biases ab, mit denen
die im Header der Bilder mitgelieferten gains und
biases angepasst und so die tatsächlichen
Strahlungswerte berechnet werden können. Die
Untersuchungen von TEILLET u.a. (2001) ergaben,
dass sie für Landsat-5 Szenen nach 1992 konstant
sind (s. Tab. 6). Die Header der EOSAT Level-1
Produkte geben die gains und biases in den Ein-
heiten mW/cm²sr an. In der Literatur sind Einhei-
ten gebräuchlich, die die Spaltbreite der Sensoren
einbeziehen (PRICE 1987, TEILLET u.a. 2001). Des-
halb findet sich häufig die Einheit W/m²srµm. Die
gains und biases der vorliegenden Bilder sind in
Tabelle 7 in den verschiedenen Einheiten angege-
ben.
Aus den bei TEILLET u.a. (2001) publizierten und
den im Header der Bilder angegebenen Werten
lassen sich nun die neuen Grauwerte der Landsat-
5 Szenen durch die Kombination der Gleichungen
errechnen:
Gl. 4.2 Lsat = (DNnew – bnew) / gnew
mit
Lsat
Strahlung am Sensor in W/m²srµm
DNnew
Digital Number (Grauwert) in counts
gnew gain in counts/Wm-2sr-1µm-1 nach TEIL-
LET u.a. (2001) (s. Tab.6)
bnew bias in counts nach TEILLET u.a. (2001)
(s. Tab. 6)
Kanal Gain in counts/Wm-2
sr-1µm
-1 Bias in counts (TEILLET u. FEDOSEJEVS 1995)
1 1,243 2,523
2 0,6561 2,417
3 0,9050 1,452
4 1.082 1,854
5 7,944 3,423
7 14,52 2,633
Tab. 6: Lifetime gains und biases für Landsat-5
Tab. 7: Gains und biases der Landsat-Bilder vom 12.10.1998 und 22.4.1999
Kanal Spaltbreite in
µm
Gain in
mW/ cm²sr
Bias in
mW/cm²sr
Gain in
W/m²srµm
Bias in
W/m²srµm
1 0,061 0,00398 -0,01 0,6525 -1,6393
2 0,074 0,00964 -0,0232 1,3027 -3,1351
3 0,067 0,0054 -0,0078 0,8060 -1,1642
4 0,127 0,01043 -0,0193 0,8213 -1,5197
5 0,209 0,00235 -0,008 0,1124 -0,3828
7 0,235 0,00154 -0,004 0,0655 -0,1702
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 43
Gl. 4.3 Lsat = DNold * gold + bold
mit
Lsat
Strahlung am Sensor in W/m²srµm
DNold
Digital Number (Grauwert) in counts
gold
gain in W/m²srµm (s. Tab. 7)
bold
bias in W/m²srµm (s. Tab. 7)
Aus der Kombination ergibt sich:
Gl. 4.4 DNnew = gnew * (gold * DNold + bold) + bnew
Die tatsächliche Strahlung errechnet sich dann
nach:
Gl. 4.5 Lsat = DNnew * gold + bold
mit
Lsat
Strahlung in W/m²srµm
gold
gain in W/m²srµm (s. Tab. 7)
bold
bias in W/m²srµm (s. Tab. 7)
Für die Ableitung der Reflexion sind weitere Para-
meter nötig. Einer ist die an der Oberfläche an-
kommende Strahlung (E0), die durch den Abstand
Erde – Sonne mitbestimmt wird.
Für die Termine der Satellitenbilder, vom 22.4. und
12.10. ergeben sich für den Sonnenabstand nach
der Formel (MATHER 1999):
Gl. 4.6 d = 1 / (1- 0,01674 * cos (0,9856 * (JD –
4)))
mit:
d relativer Abstand Erde – Sonne in astro-
nomischen Einheiten
JD Tag des Jahres (1. Januar = 1)
und aus dem Header der Bilder die in Tabelle 8
aufgeführten Sonnenparameter.
E0 errechnet sich aus den Strahlungsäquivalenten
(Es) der jeweiligen Landsat-5 Kanäle (TEILLET &
FEDOSEJEVS 1995) mit:
Gl. 4.7 E0 = Es / d²
mit
E0
Strahlung an der Erdoberfläche in W/m²µm
Es
Strahlungsäquivalent der Landsat-Kanäle in
W/m²µm
Für E0 folgen daraus die in Tabelle (s. Tab. 9) an-
gegebenen Werte.
Termin Sonnenentfernung d Zenitwinkel der Sonne Sonnenazimut
12.10.98 1,002030752 33 71
22.4.99 0,9952834 46 49
Tab. 8: Sonnenparameter für die Landsat-Bilder vom 12.10.1998 und 22.4.1999
Termin E0 TM 1 E0 TM 2 E0 TM 3 E0 TM 4 E0 TM 5 E0 TM 7
12.10.98 1951,2778 1820,0108 1520,9731 1021,3090 216,6160 73,5562
22.4.99 1977,8312 1844,7778 1564,7398 1050,6976 222,8492 75,6728
Tab. 9: Strahlungsäquivalente (E0) der Landsat-Kanäle 1-5,7 für die Szenen vom 12.10.1998 und 22.4.1999
44 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
Mit den nun zur Verfügung stehenden Parametern
lässt sich die an der Erdoberfläche reflektierte
Strahlung nach:
Gl. 4.8 ρρρρρ = π * Lsat / E0 * cos(θz)
mit
ρ spektrale Reflexion der Erdoberfläche
Lsat
am Satelliten empfangene Strahlung in
W/m²srµm
E0
spektrale Einstrahlung an der Erdober-
fläche unter Einbeziehung des Sonnen-
abstandes in W/m²srµm
cos(θz) cos des Zenitwinkels (θ
z) der Sonne
errechnen.
Die so aus den Grauwerten der Satellitenkanäle
abgeleitete Reflexion ist noch nicht atmosphären-
korrigiert, d.h. Einflüsse der Atmosphäre auf die
Strahlungsflüsse sind noch nicht berücksichtigt.
Inwieweit diese Beeinflussung stattfindet, ist hin-
reichend z.B. bei HILDEBRANDT (1996), MATHER
(1999), oder TEILLET & FEDOSEJEVS (1995) beschrie-
ben. Atmosphärenkorrekturen können die Ergeb-
nisse von automatischen Klassifikationen und an-
deren numerischen Auswertungen von Satelliten-
bildern verbessern, insbesondere wenn multi-
temporale Datensätze herangezogen werden (SONG
u.a. 2001).
Da häufig keine quantifizierten Informationen über
den Atmosphärenzustand vorliegen, sind zahlrei-
che Ansätze beschrieben und bewertet, die nur auf
bildinterne Informationen bzw. auf Modellierungen
von so genannten Standardatmosphären zurück-
greifen (z.B. CHAVEZ 1988, 1996, MORAN u.a. 1992,
TEILLET & FEDOSEJEVS 1995). Alle bildinternen Kor-
rekturen gehen von der Annahme aus, dass es in
jeder Satellitenszene Flächen gibt, die praktisch
keine Strahlung reflektieren. Sie müssten demnach
Grauwerte von 0 oder zumindest nahe an 0 haben.
Deutlich darüber liegende Grauwerte werden dem-
nach durch die diffuse Reflexion der Strahlung ver-
ursacht.
In der vorliegenden Arbeit werden drei Ansätze
(DOS1, DOS2, DOS3) angewendet, die bei SONG
u.a. (2001) beschrieben sind und auf die oben er-
wähnten Autoren zurückgehen. Allen dreien liegt
zugrunde, dass von der am Satelliten erfassten
Strahlung der diffuse Anteil abgezogen wird. Bei
der Einbeziehung der diffusen Strahlung und des
Strahlungsganges zur Erde bzw. von der Erde zum
Sensor unterscheiden sich die Ansätze. Die Glei-
chung zur Errechnung der Reflexion (vgl. Gl. 4.8)
wird zur Einbeziehung des Atmosphäreneinflusses
erweitert:
Gl. 4.9 ρρρρρ = π * (Lsat - Lp )/ Tv * (Eo * cos(θz) * Tz
+ Edown)
mit
ρ spektrale Reflexion der Erdoberfläche
Lsat
am Satelliten empfangene Strahlung in
W/m²srµm
Lp
am Sensor ankommender diffuser
Strahlungsanteil in W/m²srµm
Tv
atmosphärische Durchlässigkeit von der
Erdoberfläche zum Sensor
Eo
spektrale Einstrahlung an der Erdober-
fläche unter Einbeziehung des Sonnen-
abstandes in W/m²srµm
cos(θz) cos des Zenitwinkels (θ
z) der Sonne
Tz
atmosphärische Durchlässigkeit von der
Sonne zur Erdoberfläche
Edown
diffuser Strahlungsanteil an der Erdober-
fläche in W/m²srµm.
Zur Berechnung muss nach CHAVEZ (1988) aus der
Satellitenszene für einen Kanal der minimale Grau-
wert ermittelt und auf die anderen Kanäle ange-
passt werden. Lp errechnet sich dann nach Glei-
chung 4.10, wobei angenommen wird, dass auch
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 45
dunkle Objekte nicht absolut dunkel sind, sondern
1 % reflektieren (CHAVEZ 1996, MORAN u.a. 1992):
Gl. 4.10 Lp = DNmin * gold + bold – 0.01 * (Eo *
cos(θz) * Tz + Edown) * Tv / π
Die drei Ansätze (DOS1, DOS2, DOS3) unterschei-
den sich dadurch, dass die Parameter Tv, T
z und
Edown
unterschiedlich in die Gleichungen 4.9 und
4.10 einfließen (s. Tab. 10).
Die atmosphärische Extinktion, die für das Modell
DOS3 benötigt wird, lässt sich für jeden Landsat-
Kanal nach:
Gl. 4.11 τr = 0,008569 * λ-4 * (1 + 0,0113 * λλλλλ-2 +
0,00013 * λλλλλ-4)
mit
τr
atmosphärische Extinktion bei einer
Rayleigh-Atmosphäre
λ Wellenlänge in µm
errechnen (SONG u.a. 2001).
Edown
kann mit Hilfe von Atmosphärenmodellen
modelliert werden. Hier kam Streamer (KEY 2001)
unter Annahme einer tropischen Standard-
atmosphäre zum Einsatz. Im Programm lassen
sich außerdem Standardmodelle zum Aerosol-
einfluss auswählen, wobei in der vorliegenden Ar-
beit das Modell für einen ländlichen Raum gewählt
wurde. Beim Streuungseinfluss wurde für den Ter-
min 12.10.98 nur eine Rayleigh-Atmosphäre
zugrunde gelegt. Für den Termin 24.4.99 sind
außerdemdie Wolken berücksichtigt. Gasab-
sorptionen (z.B. durch Ozon) sind nicht in die
Modellierung eingeflossen.
Weiter lassen sich Fehlklassifikationen bzw. Feh-
ler in Modellrechnungen bei reliefiertem Gelände
durch eine Korrektur der Strahlung auf die horizon-
tale Fläche minimieren. Die Reliefkorrektur erfolg-
te hier nach HILDEBRANDT (1996) über eine Kosinus-
korrektur:
Gl. 4.12 Lcorr = (Lsat – Lp) * cos(θθθθθz) / cos(i)
mit
Lcorr
reliefkorrigierte Strahlung
Lsat
am Satelliten empfangene Strahlung in
W/m²srµm
Lp
am Sensor ankommender diffuser
Strahlungsanteil in W/m²srµm
cos(θz) cos des Zenitwinkels (θ
z) der Sonne
cos(i) = cos(θz) * cos(d) + sin(θ
z) * sin(d) * cos(ϕ
n
– ϕi)
mit
cos(d) Kosinus der Geländeneigung
sin(θz) Sinus des Zenitwinkels (θ
z) der Sonne
sin(d) Sinus der Geländeneigung
ϕn
Azimut des Reliefs
ϕi
Sonnenazimut.
Lcorr
geht dann in die Gleichungen 4.9 anstelle des
Terms Lsat
– Lp ein.
Methode Tv Tz Edown
DOS1 1,0 1,0 0,0
DOS2 1,0 cos(θz) 0,0
DOS3 e- τr / cos(θv)
e- τr / cos(θz)
Rayleigh (Streamer)
cos(θz) = cos des Zenitwinkels (θz) der Sonne τr = atmosphärische Extinktion bei einer Rayleigh-Atmosphäre cos(θv) = cos des Zenitwinkels (θv) des Sensors
Tab. 10: Ansätze zur Atmosphärenkorrektur der Satellitenbilder n. SONG u.a. (2001)
46 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
5.1 Die klimatologische undbodenkundliche Ausstattungdes Untersuchungsgebietes
Aus der in Kapitel 3.3 schon teilweise vorgestell-
ten klimatischen Ausstattung des Arbeitsgebietes
können flächendeckende Aussagen abgeleitet
werden. Die Niederschlagsdaten liegen über die
Interpolation ausreichender Messstationen ohne-
hin für den gesamten Distrikt vor. Der Temperaturver-
lauf an den zur Verfügung stehenden Mess-
stationen Masvingo, Gutu und Kurai zeigt eine li-
neare Beziehung zur Höhenlage der Station mit:
Gl. 5.1 Tmean = -0,0076 * H + 28,9
mit
Tmean
Mitteltemperatur in °C
H Meereshöhe in m
Über diese Beziehung und mit dem digitalen
Höhenmodell des Arbeitsgebietes (s. Kap. 4.6.1)
5 Diskussion der Ergebnisse und Übertragung der Daten auf die Fläche
kann die Jahresmitteltemperatur auf die Fläche
übertragen werden (s. Abb. 29).
Damit liegen die relevanten Klimaparameter digital
für das gesamte Arbeitsgebiet vor und können für
jeden Punkt bzw. alle Testflächen über GIS-Abfra-
gen extrahiert werden.
EBENHÖCH (2000) leitet aus der Bodentypen-
kartierung mittels statistischer Verfahren und ei-
nem GIS Bodeneigenschaften für das Unter-
suchungsgebiet ab (vgl. Kap. 3.2). Aus der Aus-
wertung der Bodenparameter mittels Cluster-Ana-
lyse lassen sich zwei Bodengruppen im Arbeits-
gebiet voneinander abgrenzen. Sie unterscheiden
sich primär durch die Korngrößenverteilung und den
Glühverlust. Die flächenmäßig kleinere Gruppe hat
mittlere Tongehalte von knapp 24 %. Sie entsteht
vorwiegend auf den Doloritinseln im Gebiet. Die
andere Gruppe hat Tongehalte von nur 5 %. Sie ist
weitgehend an Granite gebunden. Der Glühverlust
beträgt im ersten Fall 2 %, im zweiten Fall 0,5 %.
��� ��� ���������������
�������
�������
�������
�������
�������
������
�����
������
� �� ����������
� � �� � � �� � � ��
���������� ����������� ����������� �
� !�� � !�� � !��
� �" � �" � �" #�� ��#�� ��#�� ��
$����$����$����
Abb. 29: Jahresmitteltemperaturen im Arbeitsgebiet
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 47
Als direkte Folge der Korngrößenverteilung unter-
scheiden sich die Wasserspannungs- und Kationen-
austauschverhältnisse der beiden Gruppen signifi-
kant. Die granitischen Böden haben eine Kationen-
austauschkapazität von im Mittel 4 %, die Basen-
sättigung liegt bei 32 %, die nFK beträgt 11,5
Vol.-%. Die Böden auf Dolorit haben mit im Mittel
10 % eine etwas höhere Kationenaustausch-
kapazität, bei einer deutlich höheren Basen-
sättigung von 61 %; die nFK beträgt 14,3 Vol.-%.
Die Bodenfarbe der Böden auf Dolorit tendiert zu
rötlichen Farben, die der granitischen Böden zu
gelblichen Farbtönen. Für die anderen untersuch-
ten Parameter sind keine signifikanten Trends fest-
zustellen.
Unterschiedliche Bodenfeuchtebedingungen kön-
nen einen Einfluss auf das Reflexionsverhalten der
Bodenoberfläche haben. Messungen hierzu zei-
gen, dass es bezüglich der beiden Bodengruppen
signifikante Unterschiede im Wassergehalt der
Böden gibt, wobei die verfügbare Bodenfeuchte
aufgrund der oben diskutierten Wasserspannungs-
verhältnisse in beiden Fällen, sowohl zum Trocken-
als auch zum Regenzeitenaspekt, gegen null ten-
diert (EBENHÖCH 2000). Damit ist die Boden-
oberfläche trocken.
5.2 Vegetationsformationen
Die Beschreibung der schon in Kapitel 3.5 kurz
angesprochenen Pflanzenformationen erfolgt nach
MUELLER-DOMBOIS & ELLENBERG (1974) und nach
BENNETT (1985). Die typischen Vertreter der einzel-
nen Formationen finden sich bei TIMBERLAKE u.a.
(1993).
IIB1a1: Tropische regengrüne offene Wälder des
Tieflandes, breitblättrig. Tree Woodland
(deciduous):
Die beiden Charakterarten gehören zur
Gattung Brachystegia, bei trockeneren
Verhältnissen dominiert B. boehmii, in
feuchteren Bereichen B. spiciformis, die
häufig mit Julbernardia globiflora durch-
mischt steht. Der eigentlich zu erwarten-
de geschlossene Miombo Trockenwald
ist in Resten allerdings nur noch in den
Commercial Lands und auf Inselbergen
anzutreffen. Selbst offene Wälder finden
sich in den Communal Lands kaum
noch. Die wenigen hochstämmigen Bäu-
me sind Fruchtbäume, wie z.B. Ficus-
Arten, Kigelia africana, Parinari
curatellifolia und Uapaca kirkiana. Die
Krautschicht beherbergt außer Setaria
spec., Pogonarthria squarrosa und Spor-
obolus pyramidalis zahlreiche Arten aus
den Gattungen Aristida, Digitaria und
Eragrostis.
Im südöstlichen Teil des Arbeitsgebietes
wird das Miombo Waldland von
Colophospermum mopane abgelöst, ei-
ner Art, die besser an die klimatische
Situation des Lowveld angepasst ist.
Colophospermum mopane tritt vor allem
auf tiefgründigen Böden nahezu in Rein-
beständen auf und wird dort von Gräsern
aus den Gattungen Aristida und Digitaria
sowie Chloris virgata und Eragrostis
viscosa begleitet. Auf Lithosolen und
skelettreichen Böden kann Mopane auch
mit verschiedenen Akazienarten verge-
sellschaftet sein. Außerdem finden sich
dort Combretum apiculatum,
Commiphora africana, Dichrostachys
cinera, Kirkia acuminata und Grewia
spec. Der Unterwuchs ist meist eher
spärlich ausgebildet, als dominierende
48 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
Gräser sind Eragrostis rigidior, E.
superba, Heteropogon contortus,
Digitaria spec. und Aristida spec. anzu-
treffen.
IIB1a2: Tropische regengrüne offene Wälder des
Tieflandes, fiederblättrig. Tree woodland
(deciduous):
Bereiche dieser Region sind auf flach-
gründigen Böden über das gesamte Ar-
beitsgebiet verteilt anzutreffen. Nach
TIMBERLAKE u.a. (1993) lassen sich zwei
Subtypen unterscheiden, die wahrschein-
lich an unterschiedlich hohe Niederschlä-
ge gebunden sind. Beide Subtypen wer-
den von fiederblättrigen Leguminosen
gebildet, die sandige Lehme und Nieder-
schläge von 500 - 600 mm im Jahres-
mittel bevorzugen. Als Hauptverteter der
Akazienarten beider Subtypen können
Acacia nilotica, A. karoo, A. gerrardii
und A. rehmanniana angesehen werden.
Vergesellschaftungen finden sich zum
einen häufig mit Peltophorum africanum,
Combretum apiculatum, C. hereroense,
C. molle, Cassia abreviata und Ziziphus
mucronata, im anderen Fall können auch
Brachystegia boehmii, Julbernardia
globiflora und Pterocarpus rotundifolius
angetroffen werden. Der Unterwuchs be-
steht in beiden Fällen hauptsächlich aus
Arten der Gattungen Eragrostis, Aristida
und Digitaria, sowie Heteropogon
contortus.
IIIB1a1/2: Tropische regengrüne Gebüsche, breit-
blättrig und fiederblättrig. Shrubland (tall,
medium, dwarf).
Die Pflanzenformation stellt das nieder-
wüchsige Pendant zu IIB1a1 und 2 dar.
Die Vegetationszusammensetzung der
beiden Formationen ist sich sehr ähn-
lich. Die Wuchshöhe der Arten be-
schränkt sich auf eine Höhe bis zu 5 m.
Im Arbeitsgebiet sind die Gebüsch-
formationen größtenteils auf Übernutzung
zurückzuführen und nicht als natürliche
Bestände anzusehen.
V A 1: Die Formationen werden vor allem von
Gräsern und krautigen Pflanzen geprägt,
Bäume und Sträucher können jedoch
ebenfalls mit bis zu 30% Deckung allein
stehend oder in kleinen Gruppen vorkom-
men.
Je nach Deckungsverhältnissen,
Wuchshöhen und Baumarten werden
folgende Einheiten unterschieden:
VA1a1: Regengrüne offene Baumgrup-
pen mit Hochgrassavannen-In-
seln, breitblättrig; open
woodland (tree, tall shrub, me-
dium shrub, dwarf shrub).
VA1a2: Regengrüne offene Baumgrup-
pen mit Hochgrassavannen-In-
seln, fiederblättrig; open
woodland (tree, tall shrub, me-
dium shrub, dwarf shrub).
VA1b3: Baumsavanne mit laubwerfen-
den Bäumen; tree wooded grass-
land.
VA1c3: Strauchsavanne mit laub-
werfenden Sträuchern; shrub
(tall, medium, dwarf) wooded
grassland.
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 49
VA1d: Hochgrassavanne, grassland
TIMBERLAKE u.a. (1993) geben je
nach Boden, Artenzusammen-
setzung und vorkommenden
Gehölzpflanzen folgende Vege-
tationseinheiten an:
- Parinari curatellifolia mit den
Grasgattungen Digitaria, Spor-
obolus und Eragrostis
- Cynodon - Eragrostis Grasland
auf sandigen Böden
- Cynodon - Sporobolus Gras-
land in granitischen Vleis
Grasland auf basischen Böden
mit Heteropogon spec. und
Setaria spec., Cynodon
dactylon und Bothriochloa
insculpta.
VI A 1a1: Felsspaltenvegetation
Die Vegetationsformation ist an die Insel-
berge im Arbeitsgebiet gebunden.
5.2.1 Klassifikation der Vegetation
Die oben aufgeführten Vegetationsklassen, ergänzt
durch die Klassen „Ackerfläche” und „Wasser”,
dienten zur Klassifikation der Satellitenbilder (s.
Kap. 4.1). Die ursprünglich ebenfalls zur Klassifi-
kation in Betracht gezogene Klasse „Siedlung”
wurde nicht berücksichtigt, da die Klasse keine
charakteristische spektrale Information besitzt.
Grund hierfür ist sicher die kleine Größe und die
sehr geringe Verdichtung der Siedlungen im Ar-
beitsgebiet. Als Datensätze für die Klassifizierung
standen neben den nicht korrigierten Originaldaten
alle korrigierten Datensätze der beiden saisonalen
Aspekte, Trockenzeit – Regenzeit, zur Verfügung
(s. Kap. 4.7.2). Um bei der Klassifikation den multi-
temporalen Aspekt einzubeziehen, wurden die
Klassifikationen auch für die Kombination der
beiden Szenen zu einem Datensatz evaluiert. Für
die erste Abschätzung der Klassifikationsgüte gin-
gen alle Vegetationsklassen in die überwachten
Klassifizierungen ein. Die Gesamtgüte dieser ers-
ten Klassifikation lag bei knapp über 50 %. Fehl-
klassifikationen traten vor allem bei den verschie-
denen Savannenklassen auf, die sich ja gerade
durch die Kombination von Gehölzen mit Grasflä-
chen auszeichnen und damit spektral äußerst he-
terogen sind. Sie gingen deshalb nicht in die wei-
teren Berechnungen ein. Vielmehr wurden nur die
vermeintlich homogenen Vegetationsformationen
offene Wälder, Gebüsche, Grasland, Ackerflächen
und Wasser verwendet. Wälder und Gebüsche
umfassen dabei zu Beginn breitblättrige und fieder-
blättrige Varianten.
Die Klassifikation erfolgte mit Standardverfahren.
Es zeigte sich, dass der Maximum-Likelihood
Klassifizierer die besten Resultate brachte. Die
Unterschiede zwischen den Original-, Strahlungs-
und Reflexionsdaten sind nur gering. Durch die
Einbeziehung der Atmosphären- und Reliefkorrektur
konnte allerdings die Güte etwas verbessert wer-
den, wobei die einfachste Atmosphärenkorrektur
(DOS1) mit Reliefkorrektur die besten Ergebnisse
lieferte. Eine eindeutige Erhöhung der Klassifika-
tionsgüte brachte die Kombination der Datensätze.
Da das Maximum-Likelihood Verfahren streng ge-
nommen nur für normalverteilte und nicht korrelier-
te Kanäle anwendbar ist, wurden die Daten einer
Hauptkomponententransformation unterzogen. Für
den kombinierten Datensatz der Szenen aus dem
Jahr 1998 und 1999 ergaben sich so 12 Haupt-
komponenten, die alle Eingang in die Klassifikati-
50 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
on fanden. Die Bereiche, die im Jahr 1999 von
Wolken bedeckt sind, wurden im Gesamtdatensatz
maskiert und nur auf der Szene des Jahres 1998
getrennt bearbeitet.
Trotz der Zusammenfassung der Klassen zu ver-
meintlich homogenen Gruppen und den Korrektu-
ren der Bilder lag die Gesamtgüte der ersten Klas-
sifikation bei unbefriedigenden knapp 60 %. Die
Fehlermatrix ergab, dass Fehlklassifikationen ins-
besondere zwischen Wald und Gebüsch und zwi-
schen Grasland und Ackerflächen auftraten. Was-
ser war erwartungsgemäß gut trennbar. Deshalb
wurden die Testflächen weiter aggregiert, so dass
nur die Klassen Gehölze, Wasser und Rest ver-
blieben. Die Klassifikationsgüte für diese 3 Klas-
sen beträgt 83 %, wobei Zuordnungsprobleme vor
allem die Klasse Gehölze betreffen. In den näch-
sten Schritten wurden dann die Klassen jeweils
weiter aufgeschlüsselt. Die Güten der Teilklassi-
fikationen zeigt Tabelle 11. Abschließend wurden
alle Klassen sowie die Klassen der wolkenbedek-
kten Bereiche, die nur im Bild des Jahres 1998
bearbeitet wurden, zu einem Gesamtdatensatz
zusammengefasst (s. Abb. 30).
5.2.2 Validierung der Klassifikation
Gut zu erkennen ist, dass geschlossene Flächen
mit Miombo Trockenwald insbesondere im Westen,
Südwesten und im Osten sowie auf den Inselbergen
und felsigen Doloritrücken des Arbeitsgebietes zu
finden sind. Deutlich erkennbar ist dabei auch der
dichtere Baumbestand im Gebiet der SCCFA. Ein
weiteres Merkmal ist die Heterogenität der Vege-
tation bzw. der Nutzungsklassen im Arbeitsgebiet
(s. Photo 3). Dabei stehen auf Acker- und Grasflä-
chen Baum- und Gebüschgruppen, die mit der
Auflösung von Landsat erfassbar sind und den bei
BLASCHKE (2000) diskutierten „salt and pepper-Ef-
fekt” erzeugen. Sie wären bei der Mischung aus
Grasland mit Gehölze in unterschiedliche Savan-
nentypen, wie sie in Kapitel 3.5 und 5.2 aufgeführt
sind, einzuteilen. Ansätze, Bilder mit heterogenen
Oberflächenphänomenen zu klassifizieren sind
insbesondere für hoch auflösende Satelliten der
neuen Generation beschrieben (BLASCHKE 2002).
Da für die vorliegende Studie die exakte Abgren-
zung von Vegetationsformationen nicht im Mittel-
punkt der Arbeit steht, wurden keine Versuche
unternommen, weitere nicht pixel-basierte Klassi-
fizierungsverfahren anzuwenden.
Betrachtet man die Flächenanteile der unterschied-
lichen Vegetations- bzw. Nutzungsklassen, fällt vor
allem auf, dass im Vergleich mit den Kartierungen
aus dem Jahr 1970 (Ministry of Internal Affairs 1971)
und 1992 (Department of the Surveyor General
1996) der Anteil an Ackerflächen deutlich niedriger
ist (s. Tab. 12). Andererseits ist die Klasse „Fels/
erodierter Boden” in der Klassifizierung stärker ver-
treten. Hier sind sicher auch stark degradierte Ak-
kerflächen erfasst, die in den Kartierungen der Jahre
1970 und 1992 eher der Klasse „Ackerfläche“ zu-
geordnet sind. Bei diesen Kartierungen, die aus
Klassen Klassifikationsgüte
Wald, Wasser, Rest 83,0 %
Gras, Fels, Ackerflächen 95,9 %
Breitblättriges Gehölz, fiederblättriges Gehölz 90,9 %
Breitblättrige Bäume, breitblättriges Gebüsch 94,8 %
fiederblättrige Bäume, fiederblättriges Gebüsch 98,7 %
Tab. 11: Klassifikationsgüte der Teilklassifikationen
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 51
Abb
. 30:
Lan
dnut
zung
skla
ssifi
katio
n im
Arb
eits
gebi
et
%����
���!��&
���
�'�
���
�� �
��� �����
��
�� �
��� ���
����
����
� ���
����� �����
��
� ���
����� ���
����
����
�������
�
���������
�������
��
���
�����
����
���
���
�����
� ����
����
��!�
����
"��#�$%
�&'(��)*��
*�%%
+�*�))*'*�%
%%,�� �-�.
���
�! ��� ���
�
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 53
Luftbildern (1970) und Satellitenbildern (1992) vi-
suell mit weitreichenden Geländearbeiten entstam-
men, beinhaltet die Klasse „Fels” hingegen nur
Fels. Weiter dürften die Unterschiede in den Maß-
stäben der Kartierungen mitverantwortlich sein für
scheinbare Fehlzuordnungen bzw. Generalisie-
rungen. Die Kartierung des Jahres 1970 liegt im
Maßstab 1 : 100000, die des Jahres 1992 im Maß-
stab 1 : 250000 vor. Über die Auflösung der Landsat-
Bilder, die nominell bei 30 m x 30 m liegt und in
den Datensätzen auf 25 m x 25 m hochgerechnet
ist, ist der Maßstab der Klassifizierung deutlich
besser. Da die Kartierungen 1970 und 1992 visuell
erfolgten, sind außerdem Savannenklassen aus-
gewiesen, die durch die automatische Klassifizie-
rung nicht erfasst wurden, sondern sich durch den
angesprochenen „salt and pepper-Effekt” darstel-
len.
Eine Validierung der Klassifizierung mit den Kar-
ten ist wegen der geschilderten Maßstabsprob-
lematik und des zu großen zeitlichen Abstandes
zu den Kartenaufnahmen nicht möglich. Die Vali-
dierung erfolgte vielmehr mit einer Fehlermatrix, in
der die klassifizierten Pixel mit den Pixeln aus den
Trainingsgebieten verglichen werden und über 58
über das Gebiet verteilte Zufallspunkte. Bei der
Überprüfung mit den Trainingsgebieten wird vergli-
chen, wie die Pixel der Trainingsgebiete in der tat-
sächlichen Klassifizierung zugeordnet werden. Die
Position der Zufallspunkte wurde mit einem Zufalls-
generator bestimmt. Die Punkte bzw. 100 m x 100 m
große Flächen um die Punkte wurden mit einem
GPS im Gelände aufgesucht.
Die Validierung der Klassifizierung mit Hilfe
derTrainingsgebiete ergibt eine Gesamtgüte von
72,9 %. Die Klassifikationsgüte variiert dabei zwi-
schen den jeweiligen Klassen deutlich (s. Tab. 13).
So ist die Klasse „Wasser“ mit 100 % am besten
klassifiziert, gefolgt von den Klassen „Felsflächen“
(87,8 %) und „Ackerflächen“ (86,8 %). Auch die
Flächen „fiederblättriger Trockenwald“ sind noch gut
zugeordnet. Alle anderen Klassen sind nicht mehr
befriedigend klassifiziert, wobei die Klasse „Gras-
land“ am deutlichsten abfällt. Insbesondere die
häufige Zuordnung von Grasland in Gehölzklassen
ist unbefriedigend. Die Überschneidungen mit
Vegetations-/
Nutzungsklasse
Klassifizierung
km²
Klassifizierung
in %
1970
in km²
1970
in %
1992
km²
1992
in %
Breitblättrige Bäume 581,0 27,6
Fiederblättrige Bäume 108,3 5,1
Bäume gesamt 834,8 39,9 501,4 23,8
Offenes Waldland 15,9 0,8
Breitblättrige Bäume
Fiederblättriges Gebüsch 170,2 8,1
Gebüsch gesamt 68,3 3,2
Dickicht 93,8 4,5
Offene Gebüsche 139,5 6,7
Grasland mit Gehölz 28,7 1,4 8,0 0,4
Grasland 246,9 11,7 6,3 0,3 0,1 0,0
Fels/erodierter Boden 340,6 16,2 8,8 0,4 38,4 1,8
Ackerflächen 576,1 27,4 965,4 46,1 1488,2 70,7
Wasser 1,3 0,1
Summe 2104,3 100,0 2093,2 100,1 2104,4 99,9
Tab. 12: Vegetations- und Nutzungsklassen im Arbeitsgebiet
54 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
Ackerland sind weniger überraschend, da brach-
liegende Ackerflächen oft schon wieder spärlichen
Grasbewuchs aufweisen und so zumindest
teilweise den stark degradierten Grasflächen äh-
neln.
Beurteilt man die Güte mit Hilfe der zufallsverteilten
Flächen, ergibt sich eine bessere Gesamtgüte von
84,5 %. Dabei zeigt sich aber auch wieder, dass
Unterschiede hinsichtlich der Klassen auftreten (s.
Tab. 14). Dies betrifft sowohl die Zahl der Zufalls-
flächen pro Nutzungsklasse als auch die Klassi-
fizierungsgüte. Die meisten Zufallsflächen lagen auf
Ackerflächen, was somit auch den hohen Flächen-
anteil im Untersuchungsgebiet widerspiegelt. Als
nächstes folgt die Klasse „breitblättriger Trocken-
wald“ (IIB1a1). „Fiederblättriger Trockenwald“ und
Wasserflächen sind nicht vertreten. Die beste Zu-
ordnung in der Klassifizierung haben „breitblättrige
Gebüsche“ (IIIB1a1) und „Felsflächen“ (VIA1a)
mit 100 %, wobei aber die geringe Zahl der Zufalls-
punkte erwähnt werden muss. Das gleiche gilt für
die mit 66,7 % am schlechtesten klassifizierten
Einheiten, „fiederblättrige Gebüsche“ (IIIB1a2) und
„Grasland“ (VA1d). Mit 89,7 % sind „Ackerflächen“
gut und der „breitblättrige Trockenwald“ mit 76,9 %
befriedigend klassifiziert. Die fehlklassifizierten Tro-
Tab. 13: Klassifizierungsgüte im Arbeitsgebiet nach der Fehlermatrix der Testflächen
� ��������������
� �� ���� �� ���� ��� ���� ��� ���� ���� ����� ��������� ����� ����� ���������
���� ���� ���� �� � �� � !�� ��� � !!"� �#$%�
���� ���� ��� &� �� �� %� #� �� � ��"� %�$!�
����� ���� ��� � ! � � �� #� � � # � ��$��
����� ���� ��� �� � ��� �� !�� �� � ��"� #�$%�
������� �%� %� �� ��� #�� %� ��� � ���� � $��
�������� �� �� �� !� �� �!%� !� � �#�� "%$"�
������������ %� �� �� �!� !� �&� �"!� � !��� "�$"�
������� � � � � � � � !&� !&� �&&$&�
������� �" � �&"� #�� �� % � �!�� !�%� !&� ��# � �
��'('������
����������� %�$"� "!$!� %�$�� �!$#� %&$ � #"$�� %%$�� �&&$&� � �
�
Tab. 14: Klassifizierungsgüte im Arbeitsgebiet nach der Fehlermatrix mit Zufallsflächen
� ��������������
� �� ���� �� ���� ��� ���� ��� ���� ����� ������ ��������� ���������� ��������
���� ���� �&� �� � � � �� �� � �!� %�$ �
���� ���� � � � � � � � � &� �
����� ���� � � !� � � � � � !� �&&$&�
����� ���� � � � �� � � �� � �� ��$%�
������� � � � � �� � �� � !� ��$%�
�������� � � � � � �� � � �� �&&$&�
������������ !� � � � � � ��� � � � " $%�
������� � � � � � � � � &� �
������� �!� �� !� �� �� #� !&� &� #"� �
��'('������
����������� %�$ � &$&� �&&$&� �&&$&� �&&$&� "&$&� "�$%� � � �
�
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 55
ckenwald-Punkte (breitblättrig) sind dem „fieder-
blättrigen Trockenwald“, „Fels“ und „Ackerflächen“
zugeordnet. Insbesondere die falsche Zuordnung
Fels lässt sich leicht dadurch erklären, dass der
Trockenwald häufig auf Inselbergen stockt. Ist der
Trockenwald lückig, bzw. schwach belaubt, kann
entsprechend der Fels die Reflexionseigenschaften
stark beeinflussen.
Unter Einbeziehung aller Klassifizierungsgüten (s.
Tab. 13 u. Tab. 14) kann die Klassifizierung nicht
als optimal, aber dennoch als ausreichend beur-
teilt werden. Die differenzierten Vegetations- und
Nutzungsklassen und ihre Verteilung gibt ein reali-
stisches Bild der Wirklichkeit im Arbeitsgebiet wi-
der. Der Versuch, Vegetationsformationen nach
MUELLER-DOMBOIS & ELLENBERG (1974) mit pixel- und
spektralbasierten Verfahren auszuweisen, ist nicht
gelungen, erscheint aber aus den vorliegenden
Resultaten unter Einbeziehung erweiterter Metho-
den (BLASCHKE 2002) auch mit Landsat möglich.
5.3 Vegetationszusammensetzung
Die Zusammensetzung der Vegetation unter na-
türlichen Bedingungen wird über abiotische Fakto-
ren gesteuert, vor allem über die klimatische und
bodenkundliche Ausstattung eines Raumes. Durch
menschliche Nutzung kommt es im Arbeitsgebiet
auf den nicht zu Ackerflächen umgewandelten Flä-
chen zusätzlich vor allem zu einem Einfluss über
die Weideintensität und die Holznutzung. Die Holz-
nutzung dient größtenteils der Feuerholzgewin-
nung, z.T. durch Schneitelung aber auch der Futter-
gewinnung für das Vieh. Aufgrund der Annahme,
dass diese Art der Nutzung die verschiedenen
Vegetationsstockwerke in unterschiedlichem Aus-
maß betrifft, wurde neben der Analyse des Gesamt-
datensatzes dieser noch aufgeteilt in die Strauch-
und Baumschicht und die Gras- und Krautschicht
untersucht.
Die endgültige Auswertung der Daten erfolgte nur
mit Arten, die eine Stetigkeit zwischen 10 % und
60 % aufweisen (s. Kap. 4.3). Deshalb wurde in
CANOCO keine weitere Transformation der Daten
durchgeführt, seltene Arten über eine programm-
interne Option dennoch schwächer gewichtet. Die
von GRÜNINGER (1999) durchgeführten Klassifizie-
rungen der Gras- und Krautschicht mit MULVA
werden hier nicht dargestellt, fließen aber in die
Interpretation mit ein. Für MULVA kamen die in
Kapitel 4.3 diskutierten Transformationen der Da-
ten zum Einsatz.
5.3.1 Gesamtdatensatz
Im Ordinationsdiagramm der DCA für die Arten und
die Aufnahmeflächen zeigen sich zwei Gradienten,
die der ersten und zweiten Achse folgen (s. Abb.
31). Die ersten beiden Achsen haben nach ihren
Eigenwerten den größten Erklärungsanteil für den
Datensatz, erklären aber nur 18,6 % der Daten-
varianz (s. Tab. 15). Über vier Achsen sind 31,1 %
der Varianz erklärt.
Deutlich sind die Aufnahmeflächen 30 und 33 von
den anderen Flächen abgegrenzt. Die bestimmen-
de Art für diese Flächen ist Colophospermum
mopane, die hier mit hohen Deckungen vertreten
ist (s. Anhang 1 a-e). Weitere Arten, die die Flä-
chen besonders charakterisieren sind, Endoste-
mon tereticaulis, Combretum apiculatum und
Aristida rhiniochloa. In der Hauptwolke der Arten
und Aufnahmen lässt sich bei der Gesamtbe-
trachtung des Datensatzes eine Zweiteilung fest-
stellen. Die Arten und Aufnahmen in der oberen
Hälfte haben ihre Verbreitung eher im westlichen
Teil des Untersuchungsgebietes mit höheren Nie-
derschlägen und niedrigeren Temperaturen. Die
untere Hälfte ist eher im Lowveld angesiedelt.
Nimmt man aus der Berechnung der DCA aller-
56 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
��(� )�(�
��(�
)�(�
�� *�� �
�+����� ,��+���
-���.���
% � . ��
/.�.'�� ,��&��.
0��1��.+
2+������
0�����.+
/*1��� .
3����*1�
� �& ���
����� ��
���� ��*
# �+���.
4�� �� �
��*1� *�
5�� ���.
#��.���
$��'�.��
0*� !��
6 1 ���
-+"*���
# �&� .�
2+ �� !
7� .���.
-����.�
/* 8.
� �"� &"
���&1 ��
�"��� �+
/����9��3� ��"��
,�.*.���
2+��.+��
2+ �����
%"� *�*�
:������&
3";"&���
3 *��.�*
#�*11��./** �9��
-���.��
/.�.� +�2+��*��.
2+��� ��
2+���"�
,��+����
# �.���.
-� �*��
% *�.� �
0�.����
/���! �
�� ��+ �
/.�.�� .
6���� *�
2+"�� ��
� �1� **
��.�'���
-�"�*�!�3� �.��
-�! &���
,+� 1��
#��'�9��
:�*1&* 1
��&���*�
,��+��&
,��&����
,�.*����
� �1�*��
�� ���.�
$�& �9��
��. � �
���&���.3�������
���.� ��
�� �� ��
<���9*�!
4 � ���+
<� �* �.
��������
3��"����
�� �� ��
3.* 1���
0*�.����
#���.��+
� �1+ �
�����1�
,! *�*��
- ��&���
� �1; "+
/*1�����
3��"����
3.+ 1��.
/;��&��.
#���� **
2+��* ��
3� �� �
=�;���.�
5; �����
��. � � > � � �'
����+���
% *�.���
6 �..���
��&� ���
/�����&�
6�&&� .�?�+*� ��� �.'��'
$ +�."��
,��&���
��"�+ �
>��&��9�
� ��. *
%"1� �� 6������.
6���.���%�1��� .
-�*��+ �
/*1�����
5*� + �1
�"� � ��
= ��&* .
3�"*9��.
2 �++���
-�! �.+�
����� ��
6 �+. ��
/��+��&�
0�����*� #��.���.#* �����
- & �@��
� �+����
<�������
% *�'���
2�.+�.�1
>�� ��"
-� ������ �+* �&
/���A��.
� * � ��
,�� � �
� �1���./����+��
3� �9 ��,��&��&�
3 ������/.�.��&�
�
�
�B
��
�
�
�
��
�
�
�
�
B
��
�
��
B
�
�
�B��
����
�
��
Abb. 31: Ordinationsdiagramm der DCA aller Arten und Aufnahmenflächen
Achse Eigenwert
Gesamtdatensatz
Kumulative Varianz in %
Gesamtdatensatz
Eigenwert
ohne Fl. 30, 32
Kumulative Varianz in %
ohne Fl. 30, 33
1 0,715 11,0 0,580 9,8
2 0,491 18,6 0,474 17,9
3 0,467 25,8 0,390 24,5
4 0,342 31,1 0,351 30,4
Tab. 15: Eigenwerte und kumulative Varianz der DCA
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 57
dings die Flächen 30 und 33 heraus, die sehr stark
dominieren, ändert sich das Bild. Die Zweiteilung
verschwimmt (s. Abb. 32), wobei die Erklärungs-
varianz kaum veränderte Werte aufweist (s. Tab.
15). Die Eigenwerte der Achsen werden allerdings
nicht mehr so stark von der ersten Achse domi-
niert.
Die Einbeziehung der Umweltfaktoren bei der CCA
zeigt ein vergleichbares Bild wie die DCA. Auf der
ersten und zweiten Achse steuern zwei Gradien-
ten die Artenverbreitung (s. Abb. 33). Die erste
Achse wird durch den Niederschlag, die Höhenla-
ge und den pH-Wert bestimmt (s. Tab. 16). Die
zweite Achse beinhaltet bodenkundliche Faktoren,
besonders den Schluffgehalt und die elektrische
Leitfähigkeit. Auch die dritte Achse korreliert hoch
mit bodenkundlichen Parametern. Die Länge der
Pfeile im Ordinationsdiagramm gibt dabei die Be-
deutung des Faktors an. Die Eigenwerte der Ach-
sen sind weiter hoch und sie korrelieren stark mit
��(� )�(�
��(�
)�(�
,��&��&�/�����&�
6�&&� .�
� �.'��'
�����1� �� �� ��
#���� **
-�"�*�!�
7� .���.
0*� !��
2+��* ��
/.�.��&�
$��'�.��
,��+����
� �"� &"
2+ �� !
# �.���.
6 �..���
����+���
#���.��+
� �1; "+
?�+*� ��
�� �� ��
� �1+ �
3��"����
0*�.����
$ +�."��� �+����
/*1�����
-+"*���
�� ���.�
��. ��..
/*1��� .:�*1&* 1
3����*1�
/����9��
#��.���
�"��� �+
/* 8.
� �& ���
%"1� ��
� ��. *
,�.*����
� ��������
��*1� *�
��&� ���=�;���.�
3.+ 1��.
,! *�*��/���! �
3";"&���
2�.+�.�1
#* ������ *�� �
3 ������
:������&
�� ��+ �
2+"�� ��
<�������
-���.�� ,+� 1��
���&1 ��
/.�.�� .
/.�.� +�
- ��&���
2+��� ��
-� �����
# �+���.
� �1� **>��&��9�
,��+��&
= ��&* .
��"�+ �
6 1 ��� -����.� # �&� .�
2+ �����
0��1��.+
��.�'���
�"� � ��
����� ��2+������
% � . ��
� * � ��
3� �.��
<� �* �.
��. � �
3��"����
3.* 1���� �1���.
4 � ���+,��&���
���.� ��
5*� + �1
% *�.� �
/*1�����
5; �����
/;��&��.
/��+��&�
- & �@��
% *�.���0�����*�
-�! �.+�
� �+* �&
6������.
� �1�*��
���&���.
-�*��+ �
3� �� �
5�� ���.-�! &���3 *��.�*
3�"*9��.
> � � �'
�+�����
�"� �.�,��&����
,��+���
0�����.+
,��&��&�
6���.���
��. � �
2+���"�
3� �9 ��
,�� � �
#�*11��.
/** �9��
#��.���.
2+��*��. -���.������� ��*
/.�.'��
����� ��
6���� *�
>�� ��"
4�� �� � #��'�9��
<���9*�!
2 �++���%�1��� .
$�& �9��
/����+��
� ��������&���*�
3�������
% *�'���
6 �+. ��
/���A��.
-� �*�� 3� ��"��
,�.*.���
2+��.+��
,��&��. 0�.����%"� *�*� �
�
��
�
�
��
�
�
��
�
��
��
�B�
�
�
�
��
B�
B
��
��
� �B
Abb. 32: Ordinationsdiagramm der DCA ohne Aufnahmenflächen 30 und 33
58 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
��(� )�(�
��(�
)�(�
%C+
D� � ��.+*�&
�%�? ��
�ED
� �
3���
3.+*�99
* '��(6 ��9F+�&' ��
��������
��
��
��
�
��
�
�
�B
��
��
�
�
�
B
�
�B
B
��
�
��
�
��
�
�
�
� * � ��� �1���.
3��"����3.* 1���
,�� � �
,��&��&�
3.+ 1��.
3� �9 ��
-+"*���
3 ������
# �+���.
#��.���
/.�.'��
2+��* ��
#* �����
3����*1�
2+��� ��
4�� �� �
,��&����
���� ��*
� �"� &"
���&1 ��
0�.����
% *�.� �
3� ��"��
# �&� .�
%"� *�*�
2+��.+��
6 1 ���
,�.*.���
,��&��.
/���! �
0��1��.+
-����.�
-�! &���
3 *��.�*
-���.��
��.�'���
:������&
2+������
/.�.�� .
-� �*��
�� ��+ �
% � . ��
,��+��&
,��+���
,�.*����
�"��� �+
:�*1&* 1
,+� 1��
����� ��
/* 8.
/.�.� +�
6���� *�
2+��*��.
# �.���.
2+"�� ��
/����9��
2+���"�
2+ �����
0�����.+
#�*11��.
� ��. *
��"�+ �
% *�'���
,��&���
5*� + �1
/���A��.
3";"&���
6 �+. ��
0�����*�
2�.+�.�1
�"� � ��/��+��&�
�+�����
� �1�*��
� *�� �
#��'�9��
>��&��9�
3� �.��
#��.���.
/** �9��
� �1� **
= ��&* .
6���.���
>�� ��"
� ������
����� ��
��&���*�
-���.���
%"1� ��
-� �����
,��+����
��. � �
<� �* �.
��������
����+���
��*1� *�
/����+��
6 �..���
�� �� ��
/�����&�
5�� ���.
3��"����
�����11�
/.�.��&�
#���.��+
6�&&� .�
� �1; "+�� �� ��
� �.'��'
0*�.����
4 � ���+
� �1+ �
?�+*� ��
���.� ��
/*1�����
0*� !��
- ��&���
> � � �'
$ +�."��
/*1��� .
� �+����
-�*��+ �
-�! �.+�
$��'�.��
% *�.���
<�������
� �+* �&%�1��� .
2+ �� !
$�& �9����. ��..
6������.
3�"*9��.
�"� �.�
�� ���.�
-�"�*�!�
��. � �
2 �++���
/;��&��.<���9*�!
/*1�����3� �� �
=�;���.�#���� **
���&���.
7� .���.
5; �����
- & �@��
3�������
,! *�*��
��&� ���
Abb. 33: Ordinationsdiagramm der CCA aller Arten und Aufnahmenflächen
Umweltvariable 1. Achse 2. Achse 3. Achse 4. Achse
Niederschlag -0.69 0.41 0.23 -0.10
Höhe ü. M. -0.91 0.06 0.19 0.20
Ton 0.28 0.15 0.66 0.18
Schluff 0.12 0.57 0.38 -0.27
Sand -0.21 -0.40 -0.57 0.05
pH-Wert 0.62 0.46 -0.25 0.42
elektr. Leitfähigkeit 0.05 0.73 0.43 0.12
C/N -0.31 -0.11 0.33 0.15
Tab: 16: Korrelation der Umweltvariablen mit den Art-Achsen für den Gesamtdatensatz (CCA)
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 59
den Umweltfaktoren (s. Tab. 17). Insgesamt sind
aber nur knapp 25 % der Artenvarianz und knapp
75 % der Art-Umwelt-Beziehungen erklärt.
Wie bei der DCA sind die Arten und Aufnahmen in
der linken oberen Hälfte des Diagramms eher im
High- und Middleveld, die anderen im Lowveld an-
zutreffen. Die bei der DCA isoliert stehenden Flä-
chen 30 und 33 sind unter Einbeziehung der Um-
weltvariablen flankiert von den Flächen 29 und 45.
Zusammen mit den Flächen 26, 28 und 32, die
eher sandige, saure Standorte kennzeichnen, re-
präsentieren sie im Untersuchungsraum trockene,
warme Standorte (s. Abb. 33). Zu den bei der DCA
genannten Arten kommen für die tonigeren Stand-
orte noch Dalbergia melanoxylon und Ipomoena
leucanthemum. Die wichtigsten Arten für die san-
digeren Standorte sind Adansonia digitata,
Catunaregam spinosa, Cassia abreviata,
Coichorus kirkii, Laggera decurrens,
Lonchocarpus capassa, Ormocarpum
trichocarpum, Tridiceras hirsutum und
Wahlenbergia denticulata. Am anderen Ende des
Höhen- und Feuchtegradienten sind v.a. die Flä-
chen 14, 16, 19 und 34 angesiedelt. Charakteristi-
sche Arten sind Antidesma venosum, Bergia
decumbens, Eragrostis patens, Eragrostis
racemosa, Euclea crispa var. crispa, Ficus sur,
Fimbristylis dichotoma, Helichrysum caespititium,
Hypericum lalandii, Lobelia erinus, Paspalum
scrobiculatum, Rhoicissus tridentata, Rhus
chirindensis, Rhus natalensis und Sporobolus
pyramidalis, um nur die eindeutigsten und wichtig-
sten Arten zu nennen.
5.3.2 Strauch- und Baumschicht
Betrachtet man Arten der Baum- und Strauch-
schicht, ändern sich die Zusammenhänge im Ver-
gleich zum Gesamtdatensatz kaum. Das Ordina-
tionsdiagramm der ersten und zweiten Achse ist
wieder durch die Gradienten Klima und Boden be-
stimmt (s. Abb. 34). Allerdings ist der Einfluss der
Bodenart, mit einer stärkeren Gewichtung auf der
zweiten Achse, größer als für den Gesamtdaten-
satz (s. Tab. 18). Deutlich abweichend vom Gesamt-
datensatz werden die Flächen 1, 3, 18, 22 einge-
ordnet. Die Fläche 1 ist stärker durch boden-
kundliche Parameter gekennzeichnet, insbeson-
dere durch den Tongehalt. Dominierende Gehölz-
arten sind Flueggea virosa, Kirkia acuminata,
Sclerocarya birrea. Das Ergebnis deckt sich mit
der Geländebeobachtung, dass Kirkia acuminata
sehr oft auf Doloritrücken steht, wie auf Testfläche
1. Die Flächen 3, 18 und 22 sind in der Arten-
zusammensetzung jeweils stark von Kräutern bzw.
Gräsern dominiert. Betrachtet man nur die Gehölz-
schicht, verhalten sich die Flächen neutraler und
entsprechen auch besser den ihnen benachbarten
Aufnahmeflächen. Am trockenen, sandigen Ende
des Gradienten kommen noch die Arten
Combretum zeyheri, Diospyros mespiliformis,
Xeroderris stuhlmannii und Xeromphis obovata zu
den in Kapitel 5.2.1 aufgezählten hinzu. Die Posi-
Tab. 17: Eigenwerte, Art-Umweltkorrelationskoeffizienten, kumulative Varianzen der Arten und kumulativeVarianzen der Art-Umwelt-Beziehungen der CCA des Gesamtdatensatzes
Achse Eigenwert Art-Umwelt-Korrelationskoeffizient
Kumulative Varianz in % der Arten
Kumulative Varianz in % der Art-Umwelt-
Beziehungen
1 0,632 0,964 8,8 26,6
2 0,412 0,919 14,6 43,9
3 0,393 0,908 20,0 60,4
4 0,328 0,934 24,6 74,2
60 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
Umweltvariable 1. Achse 2. Achse 3. Achse 4. Achse
Niederschlag -0.70 0.40 -0.11 -0.03
Höhe ü. M. -0.90 0.18 0.17 0.18
Ton 0.34 0.57 0.14 0.42
Schluff 0.15 0.69 -0.39 0.10
Sand -0.27 -0.68 0.12 -0.29
pH-Wert 0.58 -0.02 -0.40 0.30
elektr. Leitfähigkeit 0.10 0.70 -0.08 0.06
C/N -0.27 0.20 0.31 0.09
Tab. 18: Korrelation der Umweltvariablen mit den Art-Achsen für den Gehölzdatensatz (CCA)
Abb. 34: Ordinationsdiagramm der CCA für die Baum- und Straucharten aller Aufnahmenflächen
��(� )�(�
��(�
)�(�
%C+
D� � ��.+*�&
�%�? ��
� �
3���
�ED
3.+*�99
���� * '��(6 ��9F+�&' ��
�
�
��
��
����
��
B
��
��
�
�
�
�
�
B
�
�
�B
��
�
�
��
�
�B
/.�.��&�
3.* 1���
� �1+ �
0*� !��
$��'�.��
/.�.'��
2+��* ��2+ �� !
� * � ��
� �1���.��*1� *�
3��"����
3.+ 1��.
/*1�����
#���� **
,�.*����6���� *� /* 8.
� �1� **���� ��*
4 � 1 !
6 �..���
�����11�
3��"����
�� �� ��
6�&&� .�
/�����&�
5�� ���.
#���.��+
� �.'��'
�� �� ��
0*�.����
4 � ���+
/;��&��.
5; �����
=�;���.�
/*1������ �+* �&3�������
���&���.
%�1��� .
$�& �9��
6������.
-�! �.+�
� �1; "+
3���. ��
-�*��+ �
0�.����
2+ �����
2+��.+��
,�.*.���
/���! �
3";"&���
3 *��.�*
-�! &���
-���.��
2+������
,��+��&
,+� 1��
/.�.� +�
2+��*��.
<����� .
����� ��
2+"�� ��
/����9��
2+���"�
,��+����
2+��� ��
# �.���.
4�� �� �
-�"�*�!�
% *�'���
6 �+. ��
0�����*�
� �1�*��
#��'�9��
-���.���
>��&��9� :�*1&* 1
#��.���.
-� �����
��"�+ � 6���.���
����� ��
>�� ��"
/** �9��
�"��� �+
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 61
tion von Syzygium guineense am feuchten, kühlen
Ende des Klimagradienten muss relativiert werden,
da die Art auch hohe Grundwasserstände anzei-
gen kann.
5.3.3 Gras- und Krautschicht
Auf den ersten Blick erscheint das Ordinations-
diagramm für die Gras- und Krautschicht völlig
anders aufgebaut zu sein, als die Diagramme für
den Gesamtdatensatz und die Strauch- und Gras-
schicht. Tatsächlich bleibt die Gruppierung der Ar-
ten und Aufnahmen sehr ähnlich. Es ändert sich
aber die Belegung der Achsen. Die erste Achse
trägt wesentlich schwächer als beim Gesamt- und
Gehölzdatensatz den Niederschlag, dagegen mit
einer hohen Korrelation die elektrische Leitfähig-
keit (s. Tab. 19). Keinen Einfluss hat die Höhe, die
vor allem über die Temperaturverhältnisse steuernd
wirkt. Die zweite Achse ist mit dem pH-Wert be-
legt. Der Einfluss der Korngröße kommt erst auf
der dritten und vierten Achse mit relativ geringen
Korrelationen zum Tragen.
Zwei Flächen setzen sich vom Rest der Aufnahme-
flächen deutlich ab (s. Abb. 35). Fläche 3 wird durch
die Arten Geigeria ornativa ssp. ornativa, Nicolasia
nitens, Bothriochloa insculpta und Sida alba cha-
rakterisiert. Hier scheint der pH-Wert des Bodens
der entscheidende Faktor für das Vorkommen bzw.
die hohe Deckung dieser Arten zu sein. Die Flä-
che 18, die in unmittelbarer Nachbarschaft zur Flä-
che 19 liegt, wird durch die hohe Dominanz von
Aristida junciformis und einer weiteren nicht be-
stimmbaren Aristida-Art charakterisiert (s. Photo
8). Die Arten Commelina africana var. lancispatha
und Kalanchoe rotundifolia kommen nur auf der
Fläche 18 vor. Auch hier ist der pH-Wert der be-
stimmende Faktor, im Gegensatz zur Fläche 3 al-
lerdings der niedrige pH-Wert. Interessant ist beim
Vergleich der Flächen 18 und 19 vor allem, dass
eigentlich beide Flächen durch sehr hohen Bewei-
dungsdruck gekennzeichnet sind. Aristida
junciformis gilt als sehr ungenießbares Gras, das
allerdings auch Stauwasserverhältnisse anzeigt
(RUSSELL u.a. 1991, VAN OUDTSHOORN 1992). Da zu
den Bodenwasserverhältnissen nur sehr einge-
schränkte Daten vorliegen, ist die Dominanz von
Aristida junciformis nicht eindeutig zu klären.
Der Deckungsgrad der Baum- und Strauchschicht
als Umweltvariable hat nur einen geringen Anteil
an der Erklärung der Artenzusammensetzung der
Gras- und Krautschicht. Dies liegt z.T. an der oh-
nehin sehr lichten Struktur des Miombo Trocken-
waldes, aber zum größeren Teil an der menschli-
chen Nutzung, durch die die Reste des Miombo
im Untersuchungsraum kaum noch ihren natürli-
chen Charakter haben, sondern stark aufgelichtet
sind.
Umweltvariable 1.Achse 2 Achse 3. Achse 4. Achse
Niederschlag 0.59 -0.31 -0.29 -0.00
Ton 0.33 0.12 0.60 0.25
Schluff 0.44 0.12 0.10 0.55
Sand -0.42 -0.13 -0.37 -0.44
pH-Wert 0.04 0.85 -0.02 -0.17
elektr. Leitfähigkeit 0.82 0.34 -0.01 0.09
C/N 0.26 -0.19 0.11 -0.32
Deckungsgrad der Gehölzschicht 0.05 0.13 0.34 0.38
Tab. 19: Korrelation der Umweltvariablen mit den Art-Achsen für den Datensatz der Gras- und Kraut-schicht(CCA)
62 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
��(� )�(�
��(�
)�(�
* '��(6 ��9F+�&' ��
D� � ��.+*�&
3.+*�99
3���
� �
�ED
� .
�%�? ��
���*� ��
/����� .� ���9��
$�*�� ��
/���A��.
�
��
�
�
�
�
�
�
�B
��
B
�
��
�
�
�
��
��
��
��B
�
�
��
B
��
� �& ���
D�. ���
3����*1�# �+���.
0 *�����
�+* !��&:���1 �
:������&
0 *��� .
3 ������
�"� ��.�
���&1 ��
,��&��&�
#�*1� ��
,��+���
3� �9 ��
� ��. *
,��&.��!
#��.���
� �+�� .
%�1���� ,��&���.
��+ 9�*�$"**����
,��&��.
6 1 ���
0��1��.+
-����.� � �"�*1�
3� ��"��
6�.��� �
������1
-���� !
�"� � ��
# �&� .�
0�����.+
%"� *�*�
% � . ��
�� ��+ �
��.�'���
,��&!��.
7� .���.
,��*�*��
�"� � ��
% *�.� �
,��&���
6����� .
,��&����
3� ���!�
6"�+��&�� ��6�������
6 �.����
� �"� &"
-� �*�� <������.
D A� .�
�"�.����3 ����.�
,* �. �
3 � �� .
�"�.���
��������
<���.+�� ?�+*� ��
%�1���.�
���.&���
/����*1�
- ���� .
<� �� *�
� �+����
� ������
<� ��� .
�� ���.�
$ +�."��
- � ���
/��+��&�
<��� "*
���.* �&
%"1� ��
��. ��..
2 �++���
> � � �'
�"� �.�
� *�� �
3� �.��
����� 1�
3�"*9��.
58"&����
5*� + �1
��.�� &"
= ��&* .
2�.+�.�1
�+�����
�� ��� �
/�� *�� #��.��&�
-+"*� ��
��. � � % *�.���
��&���*�
,��&.+*
� �+����
� �&����<� �. ��
<� ��* 1
%�1�����
6���A�!���*!�� .������ .
%�1�� �
� �&�.��
6�� ��*.
- ��&���
� �.���� ��&� ������.� ��
/&��1 &
/���1��1
,��&.�*�
<������
,! *�*��
-".���.�
6 � +"�.
����+��� - & �@��
3���+ �
��. � �
<���9*�!
<� �* �.
4 � �.+*
3� �� �
/����+��
,��&���
,�� � �
> � 9���
� �.�.+�
�+���1��
#�*11��.
��� �9��
#* �����
�����*��
-+"*���
� �1� .�- *" ��
�� �����
$"**�*1�� ���9��
<���!���
#��.�� .
�"� �� .
������1�
�����+ �- *"�* 1- *"��+ 3 ���� .
-* .� � � ������
Abb. 35: Ordinationsdiagramm der CCA für die Gras- und Krautarten aller Aufnahmenflächen
Umweltvariable 1. Achse 2.Achse 3. Achse 4. Achse
Niederschlag 0.72 -0.18 -0.21 0.20
Ton 0.20 0.73 0.12 0.07
Schluff 0.43 0.37 0.40 0.06
Sand -0.35 -0.59 -0.29 -0.07
pH-Wert -0.36 0.48 -0.32 -0.17
Elektr. Leitfähigkeit 0.72 0.42 0.00 -0.03
C/N 0.25 0.03 -0.27 -0.26
Deckungsgrad der Gehölzschicht 0.01 0.49 0.03 0.68
Tab. 20: Korrelation der Umweltvariablen mit den Art-Achsen für den Datensatz der Gras- und Krautschichtohne Aufnahmeflächen 3 und 18 (CCA)
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 63
Schließt man wiederum die als Ausreißer einzu-
stufenden Flächen 3 und 18 aus, gewinnt der Nie-
derschlag auf der ersten Achse und die Bodenart
über den Tongehalt auf der zweiten Achse wieder
eine größere Bedeutung zur Erklärung der Arten-
zusammensetzung (s. Tab. 20). Insbesondere die
Flächen, die durch hohen Niederschlag charakte-
risiert sind, werden deutlicher zugeordnet. Es sind
vor allem die Flächen 14, 16, 22, 38 und 39 (s.
Abb. 36). Die zugehörigen Grasarten haben als
Standortansprüche hohen Niederschlag oder Zu-
schusswasser am Rande von Vleis (RATTREY 1970,
VAN OUDTSHOORN 1992). Sie zeigen aber auch ge-
störte Standortbedingungen bzw. Beweidungsdruck
an. Am trockenen Ende des Gradienten ist wie beim
Gesamtdatensatz wieder die Zweiteilung in sandi-
ge und tonige Standorte zu erkennen, wobei es zu
Verschiebungen der Zuordnung der Flächen 9, 10,
13, 17, 32, 35 und 36 kommt.
Zwar kommen die aufgenommenen natürlichen
Umweltfaktoren in den Ordinationsdiagrammen
zum Ausdruck, allerdings scheint der Beweidungs-
��(� )�(�
��(�
)�(�
�ED
D� � ��.+*�&
* '��(6 ��9F+�&' ��
3.+*�99
�%�? ��
3���
� �
� .
�B��
�
�
�
�
�
�
���
��
�
�
�B
��
�
�
�
�
B
��
��
��
�
B
,�� � � 6 �.����
-���� !
������1
� �"� &"
�+* !��&
3 ������
,��&��&�
7� .���.
#�*1� ��
3� �9 ��
:���1 �
:������&
,��&!��.
�"� ��.����&1 ��
0 *��� .
,��&.��!
%�1����
% � . ��D A� .�
��&�� ��
,��&��.
6 1 ���
3� ��"��
0��1��.+
-����.� � �"�*1�
# �&� .�
�"� � ��
6�.��� �
���*� ��
%"� *�*�
�"�.���
��+ 9�*�
$"**����
6�������0 *�����
-� �*��
3 � �� .
�"�.����
6"�+
3 ����.�
,* �. �
> � 9���
� �1� .�
- *"��+
$"**�*1�
4 � �.+*
- *" ��
-* .� �
������1�
<� �. ��
�"� �� .
<� �* �.
<� ��� .
�+���1��
��� �9��
/����+��
,�� � �
3� �� �
� ���9��-+"*���
��.�� &"
<���!���
,��&���.
#��.���
<� �� *�
��*!�� .
6���A�!�
� ������
� �.�.+�
- *"�* 1�����*��
,��&.�*�
<� ��* 1� �.����
3 ���� .
� �&����
������ .
�����+ �
%�1�����
%�1���.���. � �
����+���<���9*�!
/���A��.
� �+����
,��&���
# �+���.
,! *�*��
/���1��1
%�1�� �
�� ��� �
3���+ �
� �&�.�� - ��&���
?�+*� ��
$ +�."��
-+"*� ��
6�� ��*.
���.� ��> � � �'
��&� ���
% *�.���
��. ��..
��&���*�
- � ���
�"� �.�
- & �@�� #�*11��.
2 �++���
#* �����
� *�� �
3� �.��
3�"*9��.
�+�����
�� �����
58"&����
� �+�� .
= ��&* .
� ��. *
5*� + �1
��������
#��.�� .
6 � +"�.
<���.+��
- ���� .
/����*1�
��. � � �� ���.�
� ������ %"1� ��
� �& ���
2�.+�.�1
/�� *��
#��.��&�
<������
���.&���
� �+����
���.* �&
/&��1 &
/��+��&�
<��� "*
,��&.+*
,��&���
-".���.�
3� ���!�
% *�.� �
����� 1�
6����� .
0�����.+
3����*1�
�� ��+ ���.�'���
,��*�*���"� � ��<������.
,��+���
,��&����
D�. ���
Abb. 36: Ordinationsdiagramm der CCA für die Gras- und Krautarten ohne Aufnahmenflächen 3 und 18
64 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
druck, der nicht in die numerischen Auswertung
einging, eine entscheidende Größe für die Arten-
zusammensetzung zu sein. GRÜNINGER (1999) stellt
dazu fest, dass die meisten der aufgenommenen
hochdeckenden Grasarten im Untersuchungsgebiet
nach VAN OUDTSHORN (1992) in die Kategorie der
Increaser IIb oder IIc (s. Anhang 2) fallen, also bei
mittlerer bis starker Beweidung zunehmen. Aristida
barbicollis, A. junciformis, Bothrichloa insculpta,
Cynodon dactylon, Eragrostis racemosa, E.
trichophora, E. viscosa, Melinis repens, Paspalum
scrobiculatum, Perotis patens, Pogonarthria
squarrosa und Tricholaena monachne (alle mit dem
ökologischen Status IIb / IIc) tragen mit 34 % allei-
ne über die Hälfte von der Deckung der Krautschicht
(62 %) im Arbeitsgebiet. Digitaria eriantha fällt als
einzige Grasart in die Kategorie der decreaser und
ist auf 1/3 der untersuchten Flächen vorhanden. Sie
ist zu 2,4 % an der Vegetationsbedeckung der
Untersuchungsflächen beteiligt. Ähnliche Ergebnis-
se berichtet O´CONNOR (1995). Auch dort kam es
bei Weideversuchen zu einem verstärkten Auftre-
ten anueller und schwer verdaulicher Arten auf
Kosten perenner, leicht verdaulicher Gräser. Eine
Ausnahme bildet wieder Digitaria eriantha.
Trotz der Dominanz der Weidedruck anzeigenden
Arten spiegeln sich aber dennoch die Umwelt-
faktoren in der Verteilung der Grasarten wider. Ihre
Standorte entsprechen bezüglich der ökologischen
Ausstattung weitgehend auch den in der Literatur
veröffentlichten Ansprüchen der Gräser (RATTRAY
1970, RUSSELL u.a. 1991, VAN OUDTSHORN 1992).
Für Kräuter sind in der zugänglichen Literatur kaum
Angaben ökologischer Ansprüche wiedergegeben.
Auch bei KANSCHIK (1999), der ausdrücklich Kräu-
ter in seine Untersuchungen einbezieht, finden sich
keine aussagekräftigen Ergebnisse.
5.3.4 Bewertung derArtenzusammensetzung
Die numerische Auswertung der pflanzensoziolo-
gischen Aufnahmen im Untersuchungsgebiet er-
gab, dass die Vegetationszusammensetzung zu
ca. 30 % über die aufgenommenen Umweltvariablen
erklärt werden kann. Es sind demnach entweder
weitere Variablen von Bedeutung bzw. die Aufnah-
men der einbezogenen Variablen erfolgte nicht
unbedingt gemäß der Fragestellung. Letzteres gilt
sicher für die Baum- und Strauchschicht, wo die
Entnahmen der Bodenproben aus den oberen
Bodenbereichen nicht dem Hauptversorgungs-
bereich entsprechen. Für die Gras- und Kraut-
schicht kann hingegen angenommen werden, dass
die Probennahme dem Hauptversorgungsbereich
der Pflanzen gerecht wird. Der Hauptgrund für die
geringe Erklärungsvarianz und die relative Homo-
genität der Vegetation dürfte allerdings zum grö-
ßeren Teil in der starken anthropogenen Nutzung
zu sehen sein. Sie wurde zwar bewertend auf den
Flächen erfasst, fließt aber nicht in die numerischen
Berechnungen ein. Dennoch zeigen sich Trends,
die in den vorangegangenen Kapiteln diskutiert
wurden und die sich auch weitgehend mit den Aus-
sagen bei GRÜNINGER (1999, S. 49ff. u. S. 84ff.)
decken.
Vergleiche mit anderen Untersuchungen beschrän-
ken sich auf wenige Publikationen. NYAMAPFENE
(1988) gibt für einige Baumarten Standort-
verhältnisse an, die sich für die Arten Terminalia
sericea, Colophospermum mopane, Parinari
curatellifolia und Syzygium guineense im
Untersuchungsgebiet bestätigen.
CAMPBELL & DU TOIT (1994) stellen in einem Gebiet
ca. 100 km nordöstlich des Arbeitsgebietes Zu-
sammenhänge zwischen der Vegetation und Um-
weltparametern dar und grenzen dabei Pflanzen-
gesellschaften voneinander ab. Die dort abgrenzte
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 65
Combretum apiculatum - Acacia nigrescenes –
Gesellschaft lässt sich auch in Gutu bilden. Die
Gesellschaft ist in beiden Fällen sehr eng mit
Colophospermum mopane verzahnt, in Gutu ein-
geschränkt auch mit Flächen auf denen Kirkia
acuminata auftritt. Anders als bei CAMPBELL & DU
TOIT (1994) ist Kirkia acuminata in Gutu allerdings
sehr oft an Dolorit-Standorte gebunden. Eine
Julbernardia globiflora – Gesellschaft lässt sich in
Gutu nicht abgrenzen, insbesondere nicht mit den
nach CAMPBELL & DU TOIT (1994) korrespondieren-
den Arten. Acacia nilotica und Terminalia sericea
bilden in Gutu keine eigenständigen Gesellschaf-
ten, sondern kommen wie viele andere Arten (z.B.
Acacia rehmanniana, Burkea africana,
Dichrostachys cinerea und Euclea divinorum), die
CAMPBELL & DU TOIT (1994) zur Differenzierung ihrer
Gesellschaften heranziehen, mit hoher Stetigkeit
in den unterschiedlichsten Flächen vor.
Die Schlussfolgerungen, die KANSCHIK (1999, S.
97ff.) zieht, lassen sich in Gutu nur zum Teil be-
stätigen. Bestätigen lässt sich die Zuordnung der
Klassen 5 (Bridelia cathartica – Cassia abbreviata)
und 7 (Ampelocissus africana – Acacia
nigrescens) zu trockenen Standorten, vorwiegend
im Lowveld. Die Feststellung, dass Azanza
grackeana (Klasse 4) eine Übergangsklasse dar-
stellt, trifft auch für Gutu zu. Nicht nachvollziehbar,
auch nach den Standortansprüchen, die PALGRAVE
(1996) angibt, ist die Zuordnung der Klasse 3 zu
frischen Bodenverhältnissen, die sich nach
KANSCHIK (1999) über Burkea africana definiert. Sie
kommt in Gutu an fast allen Standorten vor. Mit
einer hohen Deckung ist Burkea africana sogar
auf einem ausgesprochen sandigen Standort (Flä-
che 40) mit Terminalia sericea vergesellschaftet.
Insbesondere die von KANSCHIK (1999) angegebe-
nen Niederschlagsverhältnisse für die jeweiligen
Klassen sind mit Vorsicht zu betrachten. In Gutu
liegen die Niederschläge auch für die im Prinzip
übereinstimmenden Vegetationsklassen deutlich
niedriger.
Als zusammenfassende Schlussfolgerung ist die
Aussage zu machen, dass sich nach den vorlie-
genden Untersuchungen quantitative Beziehungen
zwischen der Verbreitung von Pflanzen und Um-
weltfaktoren nicht gesichert herstellen lassen. Ins-
besondere der Einfluss der menschlichen Nutzung
bleibt ein großer Unsicherheitsfaktor in allen Ar-
beiten. Auch die Aufstellung von Vegetations-
gesellschaften ist nach den Vergleichen der bis-
lang erst wenigen Publikationen mit den eigenen
Untersuchungen problematisch. Damit sind Aus-
sagen über die Artenverbreitung im Arbeitsgebiet
nicht flächendeckend möglich.
5.4 Phytomasse
5.4.1 Phytomasse der Testflächen
Ausgehend von den in Kap. 4.4 diskutierten Grund-
lagen war es möglich, am Ende der Trockenzeit
1998 und Ende der Regenzeit 1999 die Phyto-
masse der Gras- und Krautschicht sowie die Blatt-
masse der Bäume auf den Testflächen zu ermit-
teln.
1998 umfasste die Erhebung 45 Flächen mit ins-
gesamt 225 Aufnahmequadraten für die Gras- und
Krautschicht, 1999 für die Gras- und Krautschicht
48 Flächen mit 187 Aufnahmequadraten. Auf den
Quadraten wurde die Bio- und Nekromasse getrennt
über den 10-point-frame bestimmt und als Mittel-
wert für die jeweiligen Testflächen hochgerechnet.
Neben den Mittelwerten steht über die Aufnahme-
quadrate aber auch die Varianz der Massewerte
für die Testflächen zur Verfügung.
Die Baum- und Strauchschicht wurde 1998 und 1999
auf 47 Flächen entlang von Transekten über den
Stammumfang aufgenommen (BAAS 1993). Pro
66 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
Testfläche waren es 1 bis 2 Transekte mit Längen
von 25 bis 210 m und festen Breiten von 5 m. Die
Blattmasse wurde dann über die nach Kapitel
4.3.2.3 reduzierten Modelle, die Transektgröße,
den Deckungsgrad der Strauch- und Baumschicht
sowie der Phänologie auf die jeweiligen Testflächen
übertragen.
Deutlich treten die höheren Grasphytomassewerte
zum Ende der Regenzeit 1999 hervor (s. Abb. 37).
Die Unterschiede resultieren aus den viel höheren
Mengen der Biomasse, also dem Gewicht der le-
benden Pflanzen (s. Abb. 38). Aus der Abbildung
wird deutlich, dass gegen Ende der Trockenzeit
praktisch keine grüne Vegetation auf den Test-
flächen wächst. Aber auch die Menge an vertrock-
neter Vegetation und an Streu ist auf vielen Flä-
chen sehr klein (s. Abb. 39). Die optische Interpre-
tation der Daten wird durch den WILCOXON-Test
�����+"� ����
�(�
�(�
�(�
(�
(�
�(�
B(�
� ��9*F.+ ����� �
��������
� � �� � �B �� �� �B �� � B � � � � �� B B� �� �B �� �� � B � �� � �� �� � �� � � � � � B �B B BB �� � �� �� ��� ��
�� .' �& �
�.+��G�E+�H
Abb. 37: Phytomasse der Gras- und Krautschicht auf den Testflächen
#� ���� �����E$����
�(�
�(�
�(�
�(�
�(�
�(�
��������
� � �� � �B �� �� �B �� � B � � � � �� B B� �� �B �� �� � B � �� � �� �� � �� � � � � � B �B B BB �� � �� �� ��� ��
� ��9*F.+ ����� �
�� .' �& �
�.+��G�E+�H
Abb. 38: Biomasse der Gras- und Krautschicht auf den Testflächen
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 67
bestätigt. Die Nekromasse zeigt keine signifikan-
ten Unterschiede zwischen der Trocken- und Re-
genzeit. Die Biomasse und die Phytomasse der
Gras- und Krautschicht sind hingegen nach der
Regenzeit signifikant (p < 0,0001) höher als nach
der Trockenzeit. Der gleiche signifikante Unter-
schied ergibt sich für die Blattmasse der Bäume
und Sträucher sowie für die Gesamtphytomasse,
also der Summe aus Blattmasse und Grasphy-
tomasse (s. Abb. 40).
Neben den Communal Lands und den SSCFA-
Gebieten (Flächen: 4, 6, 13, 37, 41, 63, 64, 68,
72, 74, 77, 88) wurden drei Flächen in Grazing
Schemes (Flächen 38, 39, 40) untersucht (s. Kap.
4.2 u. Abb. 18). Betrachtet man die Unterschiede
zwischen den drei Gruppen, so fällt auf, dass si-
D '� ���� �����E$����
�(�
�(�
�(�
(�
(�
�(�
B(�
� ��9*F.+ ����� �
��������
� � �� � �B �� �� �B �� � B � � � � �� B B� �� �B �� �� � B � �� � �� �� � �� � � � � � B �B B BB �� � �� �� ��� ��
�� .' �& �
�.+��G�E+�H
Abb. 39: Nekromasse der Gras- und Krautschicht auf den Testflächen
� �����+"� ���� �& ����
�(�
�(�
�(�
�(�
�(�
�(�
(�
(�
(�
(�
�(�
� ��9*F.+ ����� �
��������
�� .' �& �
�.+��G�E+�H
� � �� � �B �� �� �B �� � B � � � � �� B B� �� �B �� �� � B � �� � �� �� � �� � � � � � B �B B BB �� � �� �� ��� ��
Abb. 40: Gesamtphytomasse auf den Testflächen
68 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
gnifikante Unterschiede nur zwischen den Commu-
nal Lands und den SSCFA-Gebieten bestehen. Die
Blattmasse der Bäume und Sträucher weist dabei
keine Unterschiede auf, d.h. sie wird weniger durch
die Intensität der Nutzung als vielmehr durch die
Vegetationsformation beeinflusst (s. Abb. 41). Kei-
ne signifikanten Unterschiede sind auch für die
Biomasse nach der Trockenzeit und der Nekro-
masse nach der Regenzeit festzustellen. Die Bio-
masse nach der Regenzeit ist insgesamt für alle
Nutzungsintensitäten sehr niedrig. Bei den ande-
ren Parametern sind die Werte nach der Regen-
zeit mindestens auf dem 5 %-Niveau signifikant
höher als nach der Trockenzeit.
Deutlich wird der Sachverhalt auch aus der Abbil-
dung 42, die für die Trocken- und Regenzeit die
Werte getrennt nach den Landklassifikationen zei-
gen. Die Abbildung gibt in den Boxen das 25. bzw.
75. Perzentil und als horizontale Linie den Median
wieder. Die T-Linien sind die Minimal- und Maxi-
malwerte, ohne Ausreißer und Extremwerte, die
gesondert dargestellt sind. In der Trockenzeit
(1998) besteht die Grasphytomasse fast aus-
schließlich aus Nekromasse, wobei die höchsten
Werte auf den Flächen der SSCFA anzutreffen sind.
Extremwerte der Nekromasse fanden sich auf der
Fläche 64. Hier kommt der Einfluss von geregelter
Beweidung mit Hilfe von Paddocks zum Ausdruck,
wie sie zumindest z.T. in den Gebieten der Klein-
farmen (SSCFA) eingerichtet sind. Die Fläche 64
scheint offensichtlich aus der Beweidung heraus-
genommen zu sein, was auch die insgesamt ho-
hen Werte zeigen (s. Abb. 37)(s. Photo 5). In den
Communal Lands fällt insbesondere die Fläche 18
auf, die stark von Aristida-Arten dominiert wird und
offensichtlich vom Weidevieh gemieden wird (s.
Photo 8). Eine Steuerung der Beweidung findet in
der Region der Flächen 18 nämlich nicht statt.
Evident sind auch die deutlich höhere Biomasse
am Ende der Regenzeit und die Tatsache, dass
auf den Flächen der Grazing Schemes und der
Kleinfarmen der Weideaufwuchs signifikant größer
ist. Die Ausreißer auf den Flächen 47 und 11 nach
oben sind aus den Geländebeobachtungen nicht
zu erklären. Der Anstieg der Biomasse und die Un-
terschiede zwischen den Landklassifikationen fin-
#*������� �� ��� +C*;
�(�
�(�
�(�
(�
(�
�(�
B(�
�(�
�� .' �&
��.+��G�E+�
H
��������
� � �� � �B �� �� �B �� � B � � � � �� B B� �� �B �� �� � B � �� � �� �� � �� � � � � � B �B B BB �� � �� �� ��� ��
� ��9*F.+ ����� �
Abb. 41: Blattmasse der Gehölzschicht auf den Testflächen
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 69
den sich dann auch entsprechend bei der Phyto-
masse der Gras- und Krautschicht.
Betrachtet man die Blattmasse der Gehölze, fällt
auch in der Darstellung mit Boxplots auf, dass
keine Unterschiede durch die Landklassen hervor-
gerufen werden (s. Abb. 43). Auch ist die Blatt-
masse zum Ende der Regenzeit signifikant höher
als zum Ende der Trockenzeit, aber der Unter-
schied ist weniger stark, als bei laubwerfenden
Gehölzen vielleicht anzunehmen ist. Die Gehölze
werfen zwar größtenteils ihr Laub ab, aber nicht
zeitgleich und z.T. nur für sehr kurze Zeit. Die Aus-
reißer sind durch die Vegetationsstruktur (Trocken-
waldstandorte) bedingt. Für die Gesamtphytomas-
�� .' �& ��.+��G� E+�H
��
B
���
�� .' �& ��.+��G� E+�H
�� .' �& ��.+��G� E+�H
33�0/���;��&��.+ � � �����*�6���
�(�
�(�
�(�
�(�
�(�
�(�
�
��
��
#� ����
33�0/���;��&��.+ � � �����*�6���
B
�
�
�
�
D '� ����
33�0/���;��&��.+ � � �����*�6���
B
�
�
�
�
B
���
�����+"� ����
����
����
����
����
����
����
Abb. 42: Boxplots der Phytomasse der Gras- undKrautschicht für die Aufnahmejahre 1998und 1999
�� .' �& ��.+��G� E+�H�
B
�
�
�
�
����
����
�
�
�
�
�
#*�������
�� .' �& ��.+��G� E+�H
33�0/���;��&��.+ � � �����*�6���
�
�
�
�
�
�
� �����+"� ����
33�0/���;��&��.+ � � �����*�6���
����
����
Abb. 43: Boxplots der Blattmasse der Gehölz-schicht und der Gesatmphytomasse fürdie Aufnahmejahre 1998 und 1999
70 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
se auf den Testflächen sind die Werte nach der
Regenzeit deutlich höher als nach der Trockenzeit
und zu diesem Zeitpunkt auch auf den Flächen
der Kleinfarmen signifikant höher als in den
Communal Lands.
Vergleicht man die Ertragsmengen der Gras- und
Krautschicht in Gutu mit den Werten im Krüger
Nationalpark und mit veröffentlichten Daten für
Savannenökosyteme, sind sie als sehr gering ein-
zustufen (s. Kap. 5.4.2.1., Z.B. BOURLIÈRE & HADLEY
1983).
5.4.2 Statistische Zusammenhängezwischen der Phytomasse undden Satellitendaten undÜbertragung auf denUntersuchungsraum
Um ausgehend von den Testflächen mit Hilfe der
Satellitendaten die Berechnung der Phytomasse
auf den gesamten Untersuchungsraum übertragen
zu können, muss getestet werden, ob zwischen
den spektralen Eigenschaften der Testflächen und
den auf den Testflächen erhobenen Phytomasse-
werten statistische Beziehungen bestehen. In die
Analysen einbezogen sind die Grauwerte, die dar-
aus abgeleiteten Strahlungs- und Reflexionsdaten,
sowohl unkorrigiert als auch atmosphären- und
reliefkorrigiert (vgl. Kap. 4.7.2). Für die Testflächen
stehen die Mittelwerte der Phytomasse, aber auch
die Einzelwerte der Aufnahmequadrate, zur Verfü-
gung (s. Kap. 5.3.1). Deshalb wurde durch GIS-
Abfragen aus den Satellitenbildern für die Test-
flächen auch der jeweilige Mittelwert, Minimum-
und Maximumwert extrahiert. Die extrahierten
Werte bilden die Grundlage zur Errechnung von 39
verschiedenen Indizes, was angewandt auf die 12
Varianten der jeweiligen Satellitenszenen (Original-
daten und korrigiert) insgesamt 468 Indizes ergibt.
Die Indizes umfassen Ratios, normalisierte Ratios,
lineare Bandkombinationen und Tasselled Cap
Transformationen nach HUANG u.a. (2002). Um den
6���'�
6�* �&� 6�* �&� 6�* �&�
?���+ '?���+ '?���+ '
��1 � � ��1 � � ��1 � � -� � ���
: +��� �1��&: +��� �1��&: +��� �1��&�1�1�� �1�1�� �1�1��
���1�����1�����1����� ����� ����� ��
��� �� ����� �� ����� �� ��
������������������
���������������������������������������
������������������
������� ��������� ��������� ��
������������������
������������������������
��������������������������������� ���������������
������������������������
����� ����� �����
%����
#�*���" #�*���" #�*���" �
��
�����������'�����'� �?�*�� � �!��$�I& ��D��� ��*���'
������ /�����/�����/�����
Abb. 44: Übersichtskarte des südlichen Afrika
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 71
Bodeneinfluss einzubeziehen, sind auch modifizier-
te Ratios berücksichtigt (HUETE 1988, QI u.a. 1994;
RONDEAUX u.a. 1996). Für viele der eingesetzten
Indizes liegen Erfahrungen für die Bestimmung von
Pflanzenparametern, häufig von Ackerpflanzen, vor
(DUSEK u.a. 1985, GARDNER 1985, HILDEBRANDT
1996). Die Indizes wurden anschließend mit den
im Gelände erhobenen Phytomassewerten stati-
stisch in Beziehung gesetzt. Alle nachfolgend dis-
kutierten Zusammenhänge sind mindestens auf
dem 5 %-Niveau signifikant.
5.4.2.1 Trockenzeit
Für den Trockenzeitaspekt konnte der Datensatz
um Untersuchungsgebiete in der Republik Südaf-
rika erweitert und so auf einen regionalen Maß-
stab gehoben werden (KRAUS & SAMIMI 2002). Die
Untersuchungen fanden im Jahr 2000 im Krüger
Nationalpark und im Madikwe Wildreservat statt
(s. Abb. 44). Da die Satellitendaten von Landsat-5
für Gutu auf das Landsat 7-System der Bilder für
Südafrika angepasst sind (vgl. Kap. 4.7.2) und die
Felduntersuchungen unter vergleichbaren Bedingun-
gen durchgeführt wurden, sind die Daten kompati-
bel und direkt vergleichbar. Als Vorteil der Zusam-
menführung der Untersuchungen ist die Erweite-
rung auf die regionale Maßstabsebene und die Ab-
deckung eines größeren Wertebereichs der
Phytomasse zu nennen. Die Untersuchungsgebiete
in der Republik Südafrika haben bedingt durch ihre
Lage in Schutzgebieten wesentlich höhere Phyto-
massewerte, insbesondere eine höhere Grasphyto-
masse (s. Abb. 45). Als Unterschied zwischen den
Untersuchungen sei hervorgehoben, dass die Sa-
tellitenbilder für Südafrika nicht atmosphären- und
reliefkorrigiert sind.
Abbildung 46 und Tabelle 21 geben die Regres-
sionsmodelle mit den besten Zusammenhängen
zwischen den Satellitendaten und der Phytomasse
der Gras- und Krautschicht wieder. Es fällt auf, dass
einfache Ratios der Kanäle 2 und 1 sowie der Ka-
näle 7 und 1 die höchsten Korrelationen aufwei-
sen. Auch im Tasselled Cap Wetness Index ist
Kanal 7 stark gewichtet. Insbesondere die Eignung
von Kanal 7 ist aus der Abbildung 47 gut zu erken-
nen. Die Reflexionskurven für fünf Phytomassewerte
liegen im Kanal 1 eng zusammen. Im Band 2 diffe-
renzieren sie sich. In folgenden Kanälen verlaufen
sie ohne offensichtliche Regel, um dann im Kanal
�����+"� ���� ����� E +��J��J�BJ�BJ��J��J�(�(�(�(��(��(��(��(��(��(�
��
��
�
�
�J��J�J��J��J��J�J��J��J��J�J�
�
��
��
�
#*������� ����� E +�
%F�9�&' �� %F�9�&' ��
Abb. 45: Histogramme der Grasphytomasse und der Blattmasse für die Untersuchungsgebiete in Zimbabweund in der Republik Südafrika
72 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
Abb. 46: Regressionsmodelle der Satellitendaten und der Grasphytomasse im südlichen Afrika währendder Trockenzeit
�
�
�
�
�
B
�
�����+"� ���� ����� E +��
�
�
�
�
B
�
�����+"� ���� ����� E +�
�(�� �(�� �(�� �(���(� �(� �(� �(�
"�K�G�(��)��(�� E 8HLJ�� L�K��(� "�K�G�(��)��(�� E 8HLJ�� L�K��(�
6�� E� ��� E�
�
�
�
�
�
B
�
�����+"� ���� ����� E +�
�(�� �(��� �(��� �(���
"�K�G�(�B�����(��8HLJ�� L�K��(��
6�� E�
�
�
�
�
�
B
�
�����+"� ���� ����� E +�
� �
"�K�G�(�B����(B�8HLJ�� L�K��(��
���E�
�
�
�
�
�
B
�
�����+"� ���� ����� E +�
"�K�G(���)��(��8HLJ�� L�K��(��
���� ** ������? �� ���G�H
�
�
�
�
�
B
�
�����+"� ���� ����� E +�
�(�� �(�� �(� �(�
"�K�G��(��)��(� E 8HLJ�� L�K��(�B
��( ��(� ��(���( �(�
�(���
��G�����H E
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 73
7 deutlich zu divergieren. Vergleicht man die aus
den Satellitenbildern errechneten Phytomassewerte
der Gras- und Krautschicht mit den im Gelände
erhobenen Werten, zeigt sich, dass das Ratio aus
Kanal 7 und Kanal 1 bessere Resultate als das
Ratio aus Band 2 und 1 erzielt (s. Abb. 48). Ver-
gleicht man weiter die Wertespannen der Messun-
gen auf den Testflächen und die Wertespannen der
aus den Satellitenbildern errechneten Phytomasse-
werte fällt auf, dass beide Verfahren z.T. erhebli-
che Varianzen aufweisen (s. Abb. 49). Die Aussa-
ge der Abbildung 50 geht in die gleiche Richtung.
In der Abbildung ist die Differenz der im Gelände
6������ � $��F*
�(��
�(��
�(��
�(��
�(��
�(��
�(�
�(�
�(�
2 9* 8� �
�J�
�JB�
� � � �
�����+"� ���� ����� E +�
�JJ��
�J��
Abb. 47: Reflexionskurven unterschiedlicher Gras-biomasse während der Trockenzeit
B���������+"� ���� ����� E +��G �� .+� ���������E�H
�����+"� ���� ����� E +��G� *F�� � ����& �H
�
B
�
�
�����������'�����'� �?�*�� � �!��$�I& ��D��� ��*���'
B���������+"� ���� ����� E +��G �� .+� ��������� E�H
�����+"� ���� ����� E +��G� *F�� � ����& �H
�
�
�
�����������'�����'� �?�*�� � �!��$�I& ��D��� ��*���'
B
"� K��J�����8�)��J�L�K��J����M��J����
"� K��J�B���8����J���L�K��J���M��J����
Abb. 48: Zusammenhang der Grasphytomasse ermittelt aus Satellitendaten und aus Geländemessungenwährend der Trockenzeit
Tab. 21: Regressionsgleichungen und Bestimmtheitsmaße für die Grasphytomasse mit spektralen Indi-zes aus Satellitendaten im südlichen Afrika während der Trockenzeit (y = Grasphytomasse in t/ha, x = spektraler Index, n = 64)
Index Regressionsgleichung r2
L 2/1 y = (-4,53 + 5,22/x)2 0,83
ρ 2/1 y = (-4,53 + 5,58/x)2 0,83
L 7/1 y = (2,76 – 15,9x)2 0,79
ρ 7/1 y = (2,76 – 0,65x)2 0,79
Tasselled Cap Wetness (ρ) y = (3,02 + 5,7x)2 0,78
ρ (2*5)/3 y = (-1,74 + 0,30/x)2 0,76
74 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
gemessenen Grasphytomasse und der aus dem
Satellitenbild errechneten dargestellt. Die größten
Abweichungen weisen die Flächen auf, die bereits
eine große Varianz der Satellitendaten haben.
Damit wird deutlich, dass eine absolut exakte
Messung der Phytomasse im Gelände für größere
Gebiete nur mit einem immensen Zeitaufwand zu
leisten ist oder im dargestellten Ungenauigkeits-
bereich bleibt. Folglich ist das vorgestellte Regres-
sionsmodell eine gute Alternative zur Abschätzung
der Phytomasse der Gras- und Krautschicht.
Reduziert man den Datensatz nur auf den Unter-
suchungsraum im Gutu Distrikt, also auf einen re-
lativ kleinen Wertebereich der Phytomasse, bestä-
tigen sich die oben diskutieren Zusammenhänge
weitgehend (s. Abb. 51 und Tab. 22). Zwar sind die
Korrelationen des Ratios von Kanal 7 und 1 etwas
Abb. 49: Wertespannen der Grasphytomasse er-hoben aus Satellitendaten und aus Ge-ländemessungen während der Trocken-zeit
�
�
�
� E +�
�������BB
�BB������������
B � �� �B �� �� B � � � � ��
B� �� �B����
�B B� ��� ��9*F.+ ����� �
3�� **�� ���� �
���� *� ��� *F�� �+ 1��&
? �� 1 � �.+ �� �������+"� ���� N
����
����
�B�
����
B�BB
B��
�B�
B�
��
��
�B
�
�
����
�B��
����
�B�
����
��
B
�J�
�J�
�J�
��J�
��J�
� ��9*F.+ ����� �
/1� �.+��&�����E+�
����* � �/1� �.+��&��8���* �/1� �.+��&3��������1� �.+��&
K��J�K��J�K��J�
Abb. 50: Differenz der Grasphytomasse aus Geländemessungen und erhoben aus Satellitendaten wäh-rend der Trockenzeit
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 75
�
�
�(��
�(�
�(��
�
�(��
�(�
�(��
�����+"� ���� ����� E +�
�(�� �(�� �(��
"�K�G��J�B�)�J��E 8HLJ�� L�K��JB�
� E�
�
�
�(��
�(�
�(��
�
�(��
�(�
�(��
�����+"� ���� ����� E +�
�(� �(�� �(� �(��
"�K�G��J�B�)�J�E 8HLJ�� L�K��JB�
6�� E�
�
�
�(��
�(�
�(��
�
�(��
�(�
�(��
�����+"� ���� ����� E +�
�( �(� �( �(�
"�K�G�J���)��J��E8LHLJ�� L�K��J��
���� ** ������#��&+�� ���G���53�2 *� 9H�(�
�
�
�(��
�(�
�(��
�
�(��
�(�
�(��
�����+"� ���� ����� E +�
�B� ��� ���
"�K�G��J���)�B�J�E8HLJ�� L�K��JB�
������� ** ������#��&+�� ���G�DH
�
�
�(��
�(�
�(��
�
�(��
�(�
�(��
�����+"� ���� ����� E +�
�(�� �(��(�
6�� E�
�
�
�(��
�(�
�(��
�
�(��
�(�
�(��"�K�G�JB����JB8HLJ�� L�K��J�� "�K�G�JB����JB�8HLJ�� L�K��J��
���E�
�����+"� ���� ����� E +�
�(� (�
�
�
Abb. 51: Regressionsmodelle der Satellitendaten und der Grasphytomasse im Untersuchungsgebiet Gutuwährend der Trockenzeit
76 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
schlechter als die anderen aufgelisteten, aber die
Regressionsgleichung entspricht sehr gut der für
die Region Südafrika vorgestellten (s. Tab. 21).
Die für die Gutu-Szenen durchgeführten Atmosphä-
ren- und Reliefkorrekturen brachten außer für den
Tasselled Cap Brightness Index keine Verbesse-
rung der Korrelationen. Für alle Indizes gilt außer-
dem, dass sie sich aus den Strahlungs- und
Reflexionswerten der jeweiligen Kanäle und nicht
aus den Grauwerten zusammensetzen. Indizes,
die häufig für grüne Biomasse eine gute Eignung
zur Quantifizierung von Pflanzenparametern aufwei-
sen, wie der NDVI oder der um den Bodeneinfluss
korrigierte SAVI, eignen sich für weitgehend trok-
kene Biomasse offensichtlich nicht. Die gute Eig-
nung von Kanal 7 zur Klassifizierung der Vegetati-
on beschreiben hingegen auch RINGROSE u.a. (1997)
für Botswana.
Tab. 22: Regressionsgleichungen und Bestimmtheitsmaße für die Grasphytomasse mit spektralen Indi-zes aus Satellitendaten im Untersuchungsgebiet Gutu während der Trockenzeit (y =Grasphytomasse in t/ha, x = spektraler Index, n = 45)
Index Regressionsgleichung r2
L 2/1 y = (-2,76 + 3,48/x)2 0,62
ρ 2/1 y = (-2,76 + 3,72/x)2 0,62
Tasselled Cap Brightness (DN) y = (-1,09 + 367,9/x)2 0,60
Tasselled Cap Brightness (ρ DOS3 Relief) y = (0,11 + 0,09/x2)2 0,59
L 7/1 y = (2,64 – 14,64x)2 0,57
ρ 7/1 y = (2,64 – 0,60x)2 0,57
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 77
%����
���!��&
����'�
����0
�1����
��� �
���
�
��"��*)�
�*)�
�"��*��
�*��
�"��*&�
�*&�
�"��*��
�*��"��*�
�*��"�)*�
)*��"�/*�
/*��"�'*�
'*��"�$*�
$*��"�+*�
���
Abb
. 52:
Kar
te d
er G
rasp
hyto
mas
se im
Arb
eits
gebi
et z
um T
rock
enze
itasp
ekt 1
998
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 79
Die Übertragung der Phytomasse der Gras- und
Krautschicht erfolgte aufgrund der diskutierten Zu-
sammenhänge mit dem Ratio der Strahlung von
Kanal 7 und Kanal 1 für die Region Südafrika (s.
Tab. 21):
Gl. 5.2 y = (2,76 – 15,79 * x)2
mit
y Grasphytomasse in t/ha
x Ratio der Strahlung von Landsat Kanal 7
und Kanal 1
Vor der Berechnung wurden die Flächen mit den
Baum- und Gebüschklassen und die Wasserflä-
chen über das klassifizierte Bild (s. Abb. 30) mas-
kiert. In die Berechnung einbezogen sind die Klas-
sen „Grasland”, „Ackerflächen” und „Fels/erodier-
ter Boden”. Ackerflächen sind eingeschlossen, da
sie zum Ende der Trockenzeit brach liegen und oft
einen Aufwuchs von Gräsern und Kräutern haben.
Die Klasse „Fels/erodierter Boden” beinhaltet auch
Flächen mit sehr spärlichem Grasbewuchs. In der
Karte der Grasphytomasse fallen Flächen höherer
Phytomasse insbesondere im Gebiet der SSCFA
auf (s. Abb. 52 u. Abb. 6). Weiter sind auch der
bergige Südosten und die unmittelbare Umgebung
von Inselbergen hervorzuheben. Insgesamt ist der
Pflanzenaufwuchs der Flächen allerdings am Ende
der Trockenzeit sehr niedrig. Es überwiegen die
Klassen mit Werten von 0 – 0,5 t/ha.
Wie die Grasphytomasse, lässt sich auch die
Summe der Grasphytomasse und der Blattmasse
der Gehölze mit Hilfe von Satellitendaten quantifi-
zieren. Auch hier sind die Datensätze der Untersu-
chungsräume in Zimbabwe und in der Republik Süd-
afrika zusammengefasst. Aus Tabelle 23 und Ab-
bildung 53 ist zu entnehmen, dass ebenfalls die
Kanalkombination 7 und 1 bzw. 2 und 1 sowie ein
Tasselled Cap Index gute Korrelationen mit der
Gesamtphytomasse haben. Bei der Reduktion auf
das Gebiet Gutu beschreiben nur noch die Ratios
der Strahlung und der Reflexion von Band 7 und
Band 1 die Gesamtphytomasse ausreichend (s.
Abb. 54 u. Tab. 24). Die Regressionsgleichungen
entsprechen dabei weitgehend denen des regio-
nalen Datensatzes. Atmosphären- und Relief-
korrekturen bringen keine Verbesserungen der
Korrelationen.
Testet man die Modellergebnisse mit Gelände-
messungen, ist der Zusammenhang schlechter als
für die Grasphytomasse (s. Abb. 55). Auffällig ist
dabei eine Gruppe Ausreißer. Sie sind aus den
Geländebeobachtungen keiner einheitlichen Grup-
pe zuzuordnen, liegen vielmehr weit auseinander
und in unterschiedlichen Vegetationseinheiten. Es
lässt sich mit den vorliegenden Daten nicht klä-
ren, warum sich die Flächen als Ausreißer verhal-
ten. Ohne diese vier Testflächen verbessert sich r²
Tab. 23: Regressionsgleichungen und Bestimmtheitsmaße für die Gesamtphytomasse mit spektralen In-dizes aus Satellitendaten im südlichen Afrika während der Trockenzeit (y = Grasphytomasse in t/ha, x = spektraler Index, n = 64)
Index Regressionsgleichung r2
Tasselled Cap Brightness (L) y = (-0,45 + 168,6/x)2 0,82
L 2/1 y = (-3,66 + 4,59/x)2 0,81
ρ 2/1 y = (-3,66 + 4,91/x)2 0,81
ρ (2*5)/3 y = -1,26 + 0,29/x2 0,76
L 7/1 y = (2,73 – 13,66x)2 0,75
ρ 7/1 y = (2,73 – 0,56x)2 0,75
80 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
�
�
�
�
�
B
�
� �����+"� ��������� E +�
B� �� ��� ������ ** ������#��&+�� ���G6H
�
�
�
�
�
�
B
�
� �����+"� ���� ����� E +�
�(� �(� �(� �(�6�� E�
�
���
�
�
�
�
�
B
�
� �����+"� ���� ����� E +�
�(�� �(�� �(����� E�
�
�(��
�
�
�
�
�
B
�
� �����+"� ���� ����� E +�
�(�� �(�� �(� �(�
�
�
�
�
�
�
B
�
� �����+"� ���� ����� E +�
� �
"�K�G�(�����(�B8HLJ�� L�K��(���
�
�
�
�
�
B
�
� �����+"� ���� ����� E +�
�(��� �(��� �(��� �(���
"�K�G�(�����(BB8HLJ�� L�K��(��
6�� E�
�
��� E�
"�K�G��(��)��B�(B E 8HLJ�� L�K��(�� "�K�G�(BB�)�(�� E 8HLJ�� L�K��(��
"�K�G�(BB�)�(��E 8HLJ�� L�K��(�� "�K���(�B�)��(�� E 8LJ�� L�K��(�B
���������H E�(�
�(���
Abb. 53: Regressionsmodelle der Satellitendaten und der Gesamtphytomasse im südlichen Afrika wäh-rend der Trockenzeit
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 81
von 0,63 auf 0,81. Die Steigung der Regressions-
gerade ist etwas flacher, d.h. aus den Satellitenbil-
dern wird die Gesamtphytomasse etwas unter-
schätzt, was sich aus Abbildung 56 erkennen lässt.
Nur wenige Flächen werden über das Satellitenbild
überschätzt, insbesondere wieder Fläche 19.
Wie für die Grasphytomasse, sind auch für die
Gesamtphytomasse Satellitendaten ein geeigne-
tes Instrument zur großräumigen Abschätzung des
Pflanzenaufwuchses. Wegen der guten Überein-
stimmung des Ratios aus Kanal 7 und Kanal 1 auf
regionalem Maßstab und auf den Raum Gutu be-
zogen, dient folgende Gleichung zur Berechnung
der Gesamtphytomasse:
Gl. 5.3 y = (2,73 – 13,66 * x)2
mit
y Gesamtphytomasse (Summe der Gras-
phytomasse und der Blattmasse der
Bäume und Sträucher) in t/ha
x Ratio der Strahlung von Landsat Kanal 7
und Kanal 1
� �����+"� ���� ����� E +�
�(� �(�� �(�
"�K�G�J�������J�8HLJ�� L�K��JB�
6�� E�
�
�
�(�
�
�(�
�(�� �����+"� ���� ����� E +�
�(� (�
"�K�G�J������JB�8HLJ�� L�K��JB�
�� E��
�
�
�(�
�
�(�
�(�
Abb. 54: Regressionsmodelle der Satellitendaten und der Gesamtphytomasse im UntersuchungsgebietGutu
B����
�
�
�
B
�
�
�
�
�����0�1������� �� ����#�������������!�&��,
�����0�1������� ������#����������������,
1� 2��(+��3�.�4��(/$
�5�2��($/
����'� �?�*�� � �!�������������'�
$�I& ��D��� ��*���'
Abb. 55: Zusammenhang der Gesamtphyto-masse ermittelt aus Satellitendaten undaus Geländemessungen während derTrockenzeit
Index Regressionsgleichung r
2
L 7/1 y = (2,87 – 15,13x)2 0,62
? 7/1 y = (2,87 – 0,62x)2 0,62
Tab. 24: Regressionsgleichungen und Bestimmt-heitsmaße für die Gesamtphytomassemit spektralen Indizes aus Satelliten-daten im Untersuchungsgebiet Gutuwährend der Trockenzeit (y =Grasphytomasse in t/ha, x = spektralerIndex, n = 45)
82 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
Für das Arbeitsgebiet zeigt sich das in Abbildung
57 dargestellte Bild. Wie für die Grasphytomasse
lassen sich die SSCFA-Gebiete und die bergigen
Areale als Räume mit höherer Gesamtphytomasse
ausmachen.
Aus den Datensätzen zur Gesamtphytomasse und
der Grasphytomasse lässt sich durch einfache
Subtraktion die Blattmasse der Gehölze ermitteln
(s. Abb. 58). Die Berechnung ist nur für „Grasflä-
chen” durchgeführt. Es lässt sich so der Tatsache
Rechnung tragen, dass auch auf diesen Flächen
teilweise noch Gehölze wachsen, die zur Gesamt-
phytomasse beitragen. Die Kontrolle mit den im
Gelände ermittelten Werten bringt auch hier be-
friedigende Resultate.
Die Abbildung 59 soll in einem Falschfarben-
komposit die geschilderten Tatsachen darstellen.
����
����
�B�
����
B�BB
B��
�B�
B�
��
��
�B
�
�
����
�B�
����
���B
���
���
�B
�
�J�
�J�
�J�
�J�
�J�
��J�
��J�
/1� �.+��&�����E+�
� ��9*F.+ ����� �
����* � �/1� �.+��&��8���* �/1� �.+��&3��������1� �.+��&
K��J�K��J��K��J
Abb. 56: Differenz der Gesamtphytomasse aus Geländemessungen und erhoben aus Satellitendaten wäh-rend der Trockenzeit
Das Falschfarbenkomposit ist aus den Kanälen 7,
1 und 2 zusammengesetzt. Der Kanal 7 ist rot,
Kanal 1 grün und Kanal 2 blau zugeordnet. Damit
repräsentieren die grünen Bereiche Flächen mit
hoher Phytomasse. Es zeigen sich dabei auch
wieder deutlich die Unterschiede zwischen den
SSCFA-Gebieten, den Inselbergen, insbesondere
im Südosten und den Communal Lands. Die hell-
roten und sehr hellen Töne entsprechen niedriger
Phytomasse. Augenfällig sind noch Flächen mit
dunkelrot-braunen Farben. Sie decken sich weit-
gehend mit den Doloritrücken, die durch rote Bö-
den gekennzeichnet sind (vgl. Kap. 5.1)(s. Photo
9). Sie sind aber als vorwiegend gehölzbestanden
und mit relativ hoher Phytomasse durch die Klas-
sifizierung und die Modelle richtig beschrieben (s.
Abb. 30 u. Abb. 57)
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 83
Abb
. 57:
Kar
te d
er G
esam
tphy
tom
asse
im A
rbei
tsge
biet
Gut
u zu
m T
rock
enze
itasp
ekt 1
998
%����
���!��&
���
�'�
���
��0�1
����
��� �
���
�
��"��*)�
�*)�
�"��*��
�*��
�"��*&�
�*&�
�"��*��
�*��"��*�
�*��"�)*�
)*��"�/*�
/*��"�'*�
'*��"�$*�
$*��"�+*�
���
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 85
Abb
. 58:
Kar
te d
er B
lattm
asse
der
Geh
ölzs
chic
ht im
Arb
eits
gebi
et G
utu
zum
Tro
cken
zeita
spek
t 199
8
%����
���!��&
���
�'�
��� ���
����
� ����
�
�('�"��($
�($�"��(+
��"��()
�()�"��('
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 87
Abb
. 59:
Kom
posi
t der
Lan
dsat
-Bän
der 7
,1,2
des
Bild
es 1
69/7
4 vo
m 1
2.10
.199
8 fü
r das
Unt
ersu
chun
gs-
gebi
et G
utu
����'�
���
!���
��"
��#�$%
�&'(��)*��
*�%%
+,���
���&(�()
88 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
5.4.2.2 Regenzeit
Im Unterschied zur Trockenzeit beschränken sich
die Datensätze für die Regenzeit nur auf den
Untersuchungsraum im Gutu Distrikt. Die Werte-
spanne der Phytomasse ist ohne Einbeziehung der
Schutzgebiete in Südafrika, die sich durch ver-
gleichsweise dichte Vegetation auszeichnen, ein-
geschränkt. Außerdem führen Wolkenschleier zu
Störungen im Satellitenbild. Diese konnten durch
Atmosphärenkorrekturen abgeschwächt werden.
Fast alle Zusammenhänge zwischen den Satelli-
tendaten und den im Gelände gemessenen
Parametern sind in den atmosphärenkorrigierten
Datensätzen besser. Am besten hat sich der Da-
tensatz mit den durch das Modell DOS3 korrigier-
ten Strahlungen erwiesen. Für die statischen Be-
rechnungen sind Testflächen, die auch nach der
Atmosphärenkorrektur durch Dunst bzw. durch
Wolken beeinflusst sind, ausgeschlossen. Der Da-
tensatz reduziert sich so von 45 auf 40 Testflächen.
Für die Gras- und Krautschicht zeigt das Ratio der
Strahlung, korrigiert mit DOS3 (vgl. Kap. 4.7.2),
aus Kanal 5 und Kanal 7 die besten Zusammen-
hänge (s. Abb. 60). Festzustellen ist aber, dass
die Zusammenhänge im Vergleich zur Trockenzeit
wesentlich schlechter sind. Zurückzuführen könn-
te dies auf Unterschiede in der Bodenfeuchte sein.
Auch Indizes, die Unterschiede in den boden-
kundlichen Verhältnissen berücksichtigen, wie die
Tasselled Cap Indizes und bodenkorrigierte NDVIs,
konnten die Situation nicht besser modellieren.
Der Vergleich der aus den Satellitendaten berech-
neten Grasphytomassewerte mit den im Gelände
erhobenen Daten für die Testflächen zeigt erhebli-
che Diskrepanzen. Außer für eine Fläche unter-
schätzt das Modell die Werte deutlich (s. Abb. 61
u. Abb. 62). Besonders groß ist die Differenz für
die Testfläche 64. Diese Fläche wurde in der Dis-
kussion der Phytomassen schon als Ausreißer
identifiziert (vgl. Kap. 5.4.1 u. s. Abb. 42). Die Be-
urteilung der Residuen mit Hilfe der Cook-Distanz
bestätigt die Kategorisierung als Ausreißer. Die
Cook-Distanz ist größer als 1 und liegt damit über
diesem allgemein als Grenzwert für Ausreißer an-
genommenen Wert (COOK & WEISBERG 1982). Alle
anderen Cook-Distanzen sind kleiner als 1. Nach
der Ableitung des Modells ohne die Fläche 64 ver-
besserte sich das Modell allerdings kaum. Im Streu-
diagramm der Residuen für dieses Modell fallen
zwei Flächen auf (s. Abb. 63). Es sind Flächen mit
hohem Gehölzanteil. In der Trockenzeit spielte der
Gehölzanteil auf den Testflächen für die Modellie-
rung der Phytomasse der Grasschicht keine Rol-
le, was wahrscheinlich auf die reduzierte Belau-
bung des ohnehin lichten Charakters der Gehölze
zurückzuführen ist. Beim Regenzeitaspekt scheint
das Laub zu dicht zu sein und so die Modellierung
des Unterwuchses erheblich zu beeinflussen. Des-
halb wurden alle Flächen mit höherem Laubanteil
von der Modellierung ausgeschlossen. Nach dem
Ausschluss der diskutierten Testflächen ergibt sich
das in Abbildung 64 dargestellte Modell. Das
Bestimmtheitsmaß ist mit 0,69 (p < 0,0001) deut-
lich besser und auch die Überprüfung mit den
Geländeerhebungen bestätigt die Verbesserung
des Modells (s. Abb. 65). Zwar fällt wieder die Flä-
che 64 auf, doch insgesamt ist die Güte akzepta-
bel, was sich auch in den Wertespannen der
Geländemessungen und den Berechnungen aus
den Satellitendaten widerspiegelt (s. Abb. 66). In
einer Studie in Botswana eignen sich ebenfalls,
allerdings für die Gesamtphytomasse, Kombina-
tionen der Kanäle 5 und 7 zur Quantifizierung
(MOLEELE u.a. 2001).
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 89
"�K��(��)��(��8OJ�� L�K��(��
D '� 1� ���� ����� E +�(�
�
�(�
�(�
�
�
�(�
�(�� (�� (��
"�K���(���)��(��8OJ�� L�K��(�
6�53�� E�
#� ���� ����� E +�
�(�� (�� (��
"�K���(��)��(��8LJ�� L�K��(�
6�53�� E�
�
�
�(�
�
�(�
�(�
#*������� ����� E +�
� �(� (�
"�K���(���)��(��8OJ�� L�K��(�
6�53�E
�����+"� ���� ����� E +�
�(�� (��
"�K���(BB�)��(��8OJ�� L�K��(��
(��6�53��E�
�
�
�
�
�
B
� �����+"� ���� ����� E +�
�(� (��6�53�E
�
�
�
�
�
B
�
�
�
�
�
B
Abb. 60: Regressionsmodelle der Satellitendaten und der Nekro, Bio-, Phyto-, Blatt- und Gesamtphytomasseim Untersuchungsgebiet Gutu während der Regenzeit
90 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
� ��9*F.+ ����� �
���
��
��
��
��
�B
�
��
��
B�
BB
B
B
��
�B
�
B
�
�
�
�
�
�
B
�
�
�
��
��
�B
�
��
��
��
��
�B
�
�
��
��
�
�
B
�
�
�
�
�
��
/1� �.+��&�����E+�
Abb. 61: Differenz der Grasphytomasse aus Geländemessungen und erhoben aus Satellitendaten wäh-rend der Regenzeit
�����+"� ���� ����� E+��G �� .+� �������E��6�53H
�(B�(�(��(��(��(B�(�(��(�
�����+"� ���� ����� E+��G� *F�� � ����& �HB
�
�
�
��L�K��(
���
��
��
��
��
�B
�
��
��
B�
BB
B
B
���B
�
B�
��
��
�
B �
�
�
��
��
�B
��
��
��
���B
�
��
��
�
�
B
Abb. 62: Zusammenhang der Grasphytomasseermittelt aus Satellitendaten und ausGeländemessungen während der Regen-zeit
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 91
�( �(B �(� (� ( (B (� ��
��(�
��
��(�
�
�(�
�
2 ���� �
�E��G6�53H
Abb. 63: Residuen für die Zusammenhang der Grasphytomasse und der Strahlungs-Ratio aus Kanal 5 und7 (DOS3)
�����+"� ���� ����� E +�
�(�� (�� (��
"�K���(��)��(8LJ�� L�K��JB�
6�53��E�
(�
�(�
�(�
�(�
�(�
�(�
(�
(�
Abb. 64: Regressionsmodell des Strahlungs-Ra-tio aus Kanal 5 und 7 (DOS3) und derGrasphytomasse im Untersuchungs-gebiet Gutu während der Regenzeit
�����+"� ���� �����E+��G �� .+� �������E��6�53� +� �/��� �P �H
(�(��(��(��(��(��(�
�����+"� ���� �����E+��G� *F�� � ����& �HB
�
�
�
�
�L�K��JB"��K��J��Q�8����J��
Abb. 65: Zusammenhang der Grasphytomasseermittelt aus Satellitendaten und ausGeländemessungen während der Re-genzeit mit dem verbesserten Regres-sionsmodell
92 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
Grundlage der Flächenberechnung der Grasphyto-
masse ist damit:
Gl. 5.4 y = -1,35 + 0,3 * x²
mit
y Grasphytomasse in t/ha
x Ratio der Strahlung von Landsat Kanal 5
und Kanal 7, korrigiert mit DOS3
Aus der resultierenden Karte ist sofort ersichtlich,
dass im gesamten Arbeitsgebiet die Phytomasse
der Grasschicht deutlich höher als zur Regenzeit
ist (s. Abb. 67). Außerdem sind die Variationen im
Untersuchungsgebiet weniger stark ausgeprägt.
Insgesamt ist die Grasphytomasse aber auch zur
Regenzeit als niedrig einzustufen.
Die Blattmasse der Gehölze und die Gesamtphyto-
masse ist am besten durch das Ratio der DOS3-
korrigierten Strahlung der Bänder 4 und 3 beschrie-
ben, wobei auch hier die Zusammenhänge nicht
besonders gut sind (s. Abb. 60). Die Güte des Mo-
dells zeigt sich in den z.T. großen Abweichungen
3�� **�� ���� �
���� *� ��� *F�� �+ 1��&
? �� 1 � �.+ �� �������+"� ���� N
� E +�
�
B
�
�
�
�
�����
����
���B
���
��B�
BBB
B��
�B�
B�
��
��
�B
�
�
���
���B
����
����
�B�
�����
�B
� ��9*F.+ ����� �
Abb. 66: Wertespannen der Grasphytomasse er-hoben aus Satellitendaten und ausGeländemessungen während der Re-genzeit
zwischen den Geländeaufnahmen der Gesamt-
phytomasse und den aus den Satellitendaten er-
mittelten Werten (s. Abb. 68). Besonders bei den
Flächen 1 und 13, beides Trockenwälder, sind die
Abweichungen groß. Betrachtet man die Regres-
sion der Satelliten- und Geländedaten für die Test-
flächen, bestätigt sich die Einschätzung. Ein
Bestimmtheitsmaß von 0,58 (p < 0,0001) kann
allerdings noch akzeptiert werden. Bei dem schein-
baren Ausreißer handelt es sich um die Fläche 4,
die den dichtesten Gehölzbestand aller Testflächen
aufweist (Abb. 69). Mit einer Cook-Distanz von 0,56
ist der Punkt aber weit von der allgemein gebräuch-
lichen Größe von 1 für Ausreißer entfernt und ver-
bleibt damit in den Analysen.
Für die Übertragung auf die Fläche mit den
Satellitendaten kommt somit die Formel unverän-
dert zum Einsatz:
Gl. 5.5 y = 1,23 + 0,09 * x³
mit
y Gesamtphytomasse in t/ha
x Ratio der Strahlung von Landsat Kanal 4
und Kanal 3, korrigiert mit DOS3
Deutlich heben sich im Untersuchungsgebiet die
Regionen der SSCFA und die Inselberge mit höhe-
ren Gesamtphytomassen ab (s. Abb. 70). Für die
Flächen mit Trockenwald bzw. Gebüsch (s. Abb.
30) ist die Differenzierung in der Dichte der Be-
stände gut zu erkennen. Ebenso treten die größe-
ren Flüsse als Linien mit niedriger Gesamtphyto-
masse, teilweise begleitet von dichterer Vegeta-
tion, die kleineren Flussläufe dagegen als Linien
mit höherer Gesamtphytomasse hervor. Es ergibt
sich also ein durchaus realistisches Bild, das mit
den oben als noch akzeptabel bewerteten statisti-
schen Zusammenhängen eine Flächeninformation
über die Gesamtpyhtomasse des Untersuchungs-
raumes darstellt.
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 93
Abb
. 67:
Kar
te d
er G
rasp
hyto
mas
se im
Arb
eits
gebi
et z
um R
egen
zeita
spek
t 199
9
%����
���!��&
���
�'�
����0
�1����
��� �
���
�
��"��*)�
�*)�
�"��*��
�*��
�"��*&�
�*&�
�"��*��
�*��"��*�
�*��"�)*�
)*��"�/*�
/*��"�'*�
'*��"��$*�
$*��"���+
*�
���
+*��"���
*�
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 95
� ��9*F.+ ����� �
�����
����
���B
���
��B�
BBB
���B
�B
��
��
��
B�
���
���B
���
����
�B�
���
���
�B
�
�
�
�
��
��
�
/1� �.+��&�����E+�
����* � �/1� �.+��&��8���* �/1� �.+��&3��������1� �.+��&
K���J��K� ��J�K� ��J�
Abb. 68: Differenz der Gesamtphytomasse aus Geländemessungen und erhoben aus Satellitendaten wäh-rend der Regenzeit
� �����+"� ���� �����E+��G �� .+� ������E�6�53H
��B���
� �����+"� ���� ����� E+��G� *F�� � ����& �H�
�
B
�
�
�
��L�K��(��
Abb. 69: Zusammenhang der Gesamtphytomas-se ermittelt aus Satellitendaten und ausGeländemessungen während der Regen-zeit
96 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
5.5 Futterqualität
5.5.1 Überblick
Die Futterqualität einer Fläche wird vor allem von
der chemischen Zusammensetzung der Vegetati-
on und ihrer Verdaulichkeit bestimmt. Die beiden
angesprochenen Komponenten unterliegen
Schwankungen, da Trocken- und Regenzeiten die
chemische Zusammensetzung der Pflanzen beein-
flussen und die Vegetation innerhalb des Vegeta-
tionszyklus Phasen verschiedener Nährstoffgehalte
durchläuft. Für die endgültige Qualitätsbeurteilung
von Weideflächen muss dann zusätzlich die Tier-
art bzw. Rasse und ihr Entwicklungsstand einbe-
zogen werden, da diese Kriterien für den Energie-
bedarf der Tiere und ihre Möglichkeit zur Futter-
aufnahme entscheidend sind.
Die Nährstoffaufnahmefähigkeit der Pflanzen wird
unter hohem Wasserstress gehemmt und Hitze-
perioden bewirken eine schnelle physiologische Al-
terung der Pflanzen, was sich u.a. auf das Maß
der Verdaulichkeit durch einen erhöhten Lignin-
gehalt auswirkt. Nach WHITEMAN (1980) ist dies der
Hauptgrund, dass Gräser tropischer Regionen im
Allgemeinen eine schlechtere Verdaulichkeit auf-
weisen als Gräser temperierter Standorte.
Lignin ist als eine heterogene Verbindung zu se-
hen, die weder von den Mikroorganismen im Ma-
gen noch mittels intestinaler Enzyme verdaut wer-
den kann. Da das Lignin an die Rohfaser gebun-
den ist, senkt es unter anderem deren Verdaulich-
keit. Der Gehalt an Lignin bestimmt somit zum
größten Teil, wie gut die Rohfaser verdaut werden
kann. Bei reifen Pflanzen findet eine Ligninanrei-
cherung statt, da der Ligningehalt schneller als der
Fasergehalt zunimmt, wodurch ältere Pflanzen
schlechter verdaulich sind als junge Triebe.
Innerhalb des Vegetationszyklus führt die fortschrei-
tende Alterung von Pflanzen zu einem erhöhten
Anteil an Nekromasse, wodurch sich der Gesamt-
gehalt an Zellwandbestandteilen erhöht und der Ge-
halt an Zellinhaltsstoffen abnimmt. Die so verrin-
gerte Aktivität der Mineralanlagerung führt zu einer
Abnahme des prozentualen Anteils an Rohprotein,
Phosphor und Kalium, während der Gehalt an Roh-
faser steigt. Dieses Verhältnis zwischen Zellin-
haltsstoffen und Zellwandbestandteilen bestimmt
neben dem Ligningehalt die Verdaulichkeit der
Pflanzen. Sie hängt davon ab, in welcher prozen-
tualen Zusammensetzung die Pflanzeninhaltsstoffe
zum Zeitpunkt der Nahrungsaufnahme vorliegen.
Bestimmte Stoffe sind nicht oder nur begrenzt ver-
daulich und eine Erhöhung ihres Anteils im Futter-
mittel wirkt sich bei gleicher Aufnahmemenge ne-
gativ auf den Nährwert aus.
Wichtig zur Beurteilung der Futterqualität ist ne-
ben der chemischen Zusammensetzung und der
Verdaulichkeit auch der Energiegehalt des Futter-
mittels. Der Energiegehalt hängt wie die Verdau-
lichkeit zusätzlich zu den von RIVIÈRE (1978) als
„facteures externes” bezeichneten Größen von den
„facteures internes”, wie Tierart, Rasse, Alter und
Zustand der Tiere ab. Weiter ist dann noch zu be-
rücksichtigen, dass nur ein Teil der Bruttoenergie
von den Tieren tatsächlich verwertetet wird bzw.
ein großer Anteil als sogenannter Erhaltungsum-
satz verbraucht wird. Nur ein Teil der Energie dient
als Leistungsumsatz oder Nettoenergie der Pro-
duktion tierischer Produkte, wie Ansatz, Milch und
Wolle. Einen genaueren Überblick über die Zusam-
menhänge geben GLATZLE (1990), GRÜNINGER (1999)
und JENISCH (1997). Dort sind auch die verschiede-
nen Bewertungskriterien und deren Herleitung aus
der chemischen Zusammensetzung des Futters
dargestellt. Sechs häufig verwendete Bewertungs-
kriterien für Futtermittel werden zur Charakterisie-
rung der Weideflächen herangezogen:
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 97
Abb
. 70:
Kar
te d
er G
esam
tphy
tom
asse
im A
rbei
tsge
biet
zum
Reg
enze
itasp
ekt 1
999
%����
���!��&
���
�'�
���
��0�1
����
��� �
���
�
�*��"��*�
�*��"�)*�
)*��"�)*�
)*��"�/*�
/*��"��'*�
'*��"��$*�
$*��"��+*�
+*��"���
*�
��*��"���*�
6���
*�
���
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 99
- Rohproteingehalt in % der Trockensubstanz
(TS) bzw. der daraus errechnete Gehalt an ver-
daulichen Proteinen in g/kg TS,
- Verdaulichkeit (dOS) in % der Trockensubstanz
(nach SALEWSKI 1970 zit. in DIAGAYÉTÉ 1981),
- total digestible nutrients (TDN) (nach WEISS u.
a. 1992, modifiziert von VAN SOEST 1994) wer-
den vor allem in den USA aber auch in anderen
anglophonen Ländern häufig verwendet,
- unité fourragère (U.F.) (nach “holländischen Ta-
bellen” BOUDET 1978) sind im frankophonen
Sprachraum gebräuchlich; werden inzwischen
aber zur Bestimmung der Energiegehalte als
unzureichend angesehen und deshalb nach VAN
SOEST 1994 und WEISS u.a. 1992 aus TDN er-
rechnet (GRÜNINGER 1999),
- Stärkeeinheiten (StE) sind in Deutschland ge-
bräuchlich,
- umsetzbare (verwertbare) Energie (ME), die
heute internationaler Standard der Futtermittel-
bewertung ist.
Für die weiteren Betrachtungen wird nur auf die
Proteingehalte, U.F. und die verwertbare Energie
(ME) zurückgegriffen, nach denen BOUDET (1978,
1984, modifiziert n. JENISCH 1997) die Futterqualität
in vier Kategorien einteilt (s. Tab. 25), bzw. die mit
dem täglichen Energie- und Proteinbedarf von
Weidetieren verglichen werden können (s. Tab. 29).
5.5.2 Gras- und Krautschicht
Bei GRÜNINGER (1999) sind nur die Ergebnisse von
15 ausgewählten Flächen dargestellt. Die Erwei-
terung des Datensatzes auf 28 Flächen erbrachte
eine Veränderung der Ergebnisse. Die Unterschie-
de zwischen der Trockenzeit und der Regenzeit
bei der sauren Detergentienfaser (ADF) (p < 0,0001,
n = 28) und dem Ligningehalt (ADL) (p = 0,014,
n = 28) sind für 28 Flächen signifikanter als für 15
Flächen (WILCOXON-Test). Der Rohprotein- und der
Rohfettgehalt sind jetzt während der Regenzeit si-
gnifikant höher als in der Trockenzeit (p = 0,004
bzw. p = 0,024, n = 28)(s. Anhang 3). Beim Roh-
aschegehalt sind keine Veränderungen durch die
Erweiterung des Datensatzes festzustellen. Er ist
in der Trockenzeit zwar etwas höher als in der Re-
genzeit, allerdings sind die Unterschiede nicht si-
gnifikant. Für die Verdaulichkeit und alle in Kapitel
5.4.1 dargestellten Energiewerte sind die Unter-
schiede zwischen der Trocken- und der Regenzeit
sehr signifikant. Wie zu erwarten, sind die Werte
in der Trockenzeit niedriger als in der Regenzeit,
die Verdaulichkeit des Futters ist also schlechter
und der Energiegehalt niedriger. Die Daten, der zur
Interpretation der Weidequalität relevanten Para-
meter sind, nach der Saison aufgeschlüsselt, in
Tabelle 26 und in Abbildung 71 zusammengefasst.
Demnach sind nach den Kriterien aus Tabelle 25
Kategorie Energiegehalt in U.F./kg TS Verdauliches Protein in g/kg TS Rohprotein in % d. TS
I
(minderwertiges Futter) < 0,45 < 25 < 6,48
II
(Futter mittlerer Qualität) 0,45 – 0,50 25 – 34 6,48 – 7,45
III
(Futter guter Qualität) 0,50 – 0,60 34 – 53 7,45 – 9,49
IV
(Futter bester Qualität) > 0,60 > 53 > 9,49
Tab. 25: Futterwertkategorien (BOUDET 1978, 1984, modifiziert n. JENISCH 1997)
100 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
in der Trocken- und auch in der Regenzeit die meis-
ten Flächen der Kategorie I (minderwertiges Fut-
ter) zuzuordnen. In der Trockenzeit sind die Flä-
chen 3 und 34 der Kategorie II, die Fläche 19 nach
den verdaulichen Proteinen sogar der Kategorie III
zuzurechnen. In der Regenzeit entsprechen nach
den Rohproteinen und den verdaulichen Proteinen
die Flächen 13, 16, 22 und 23 der Kategorie II, die
Flächen 1 und 19 der Kategorie III. Nach der U.F.
weisen die Flächen 3, 14, 22 und 30 Futter mittle-
rer Qualität auf. Interessanterweise ist die Fläche
34, die in der Trockenzeit noch Futter mittlerer Qua-
lität trug, in der Regenzeit in die Kategorie I einzu-
stufen. Fläche 3, deren Proteinwerte in der Regen-
zeit noch mittlere Qualität hatten, ist in der Re-
genzeit nur nach der U.F. von mittlerer Qualität.
Offensichtlich scheint sich die Artenzusammen-
setzung auf diesen Flächen zu Gunsten unverdau-
licher Arten verschoben zu haben. Im Mittel sind
die Testflächen mit relativ geringer Streuung um
den Mittelwert der Kategorie I (minderwertiges Fut-
ter) zuzuordnen. Außerdem sind die Flächen 8, 13
und 35 in der Regenzeit bezüglich der verwertba-
ren Energie und der U.F. Ausreißer bzw. Extrem-
werte im negativen Sinn.
Die drei Flächen zeichnen sich durch hohe Dek-
kungen von Gräsern mit z.T. sehr niedrigem Futter-
wert aus, wie Aristida barbicollis, Eragrostis patens
und Perotis patens (VAN OUDTSHORN 1992). Auf Flä-
che 35 wachsen außerdem die Cyperaceen
Trockenzeit Regenzeit
Rohprotein in % d. TS
Mittelwert
Median
Standardabweichung
Minimum
Maximum
4,72
4,55
1,40
1.44
7,69
5,29
5,25
1,48
2,75
8,49
verdauliche Proteine in g/kg TS
Mittelwert
Median
Standardabweichung
Minimum
Maximum
13,97
10,50
9,81
0,01
36,24
17,17
16,12
11,88
0,75
43,64
verwertbare Energie in MJ
Mittelwert
Median
Standardabweichung
Minimum
Maximum
6,54
6,60
0,72
4,80
8,11
6,94
7,09
0,64
4,84
7,62
U.F. pro kg TS
Mittelwert
Median
Standardabweichung
Minimum
Maximum
0,34
0,35
0,09
0,12
0,54
0,39
0,41
0,08
0,13
0,48
Tab. 26: Protein- und Energiegehalte der Gras- und Krautschicht auf den Testfläche
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 101
Bulbostylis barchellii und Cyperus esculentus mit
hoher Deckung, die vom Weidevieh gemieden wer-
den.
Die Ergebnisse der chemischen Untersuchung der
Futterqualität decken sich für Gras- und Kraut-
schicht weitgehend mit den Aussagen zur Arten-
zusammensetzung (s. Kap. 5.2, GRÜNINGER 1999).
Statistische Analysen mit Korrespondenz-, Cluster-
und Regressionsanalysen unter Einbeziehung der
Artenzusammensetzung erbrachten trotz der oben
angesprochenen Ausreißerflächen keine aussage-
kräftigen Ergebnisse. Auch über die zur Verfügung
stehenden Umweltparameter lassen sich keine
Erklärungen zu Differenzierungen in der Futter-
qualität ableiten.
Zur Beurteilung der Qualitätsunterschiede bezüg-
lich der Besitzverhältnisse bzw. Nutzungsbedingun-
gen ist der Stichprobenumfang zu gering. In den
Grazing Schemes und den SSCFA stehen nur
jeweils 3 Testflächen zur Verfügung. Die vorliegen-
den Daten deuten aber an, dass es bezüglich der
Futterqualität keine Unterschiede gibt. Dies deckt
sich auch mit den Beobachtungen zur Arten-
zusammensetzung, die sich auch unter den drei
Besitzformen nicht unterscheidet (s. Kap. 5.2).
2 +�� � ������R
��(��
3��
�
B
�
�
! �� ��1�� �,� �&� �����:
�
�
�
B
�
7(0(��� �'&��3
�(B
�(�
�(
�(
�(�
�(�
�(�
! ����*�.+ �-� � �� ����&E'&��3
��
�
�
��
��
�
�� .' �; �� 2 & �; ��
�
��
�� .' �; �� 2 & �; ��
�
��
2 & �; ���� .' �; ��2 & �; ���� .' �; ��
Abb. 71: Boxplots der Energie- und Proteingehalte der Gras- und Krautschicht auf den Testflächen
102 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
5.5.3 Bäume und Sträucher
Bezüglich des Trocken- bzw. Regenzeitaspektes
bestehen bei den beprobten Sträuchern und Bäu-
men keine signifikanten Unterschiede (s. Tab. 27
u. Abb. 72). Die Mittelwerte liegen für den Roh-
proteingehalt, die verdaulichen Proteine und die
verwertbare Energie in der Kategorie IV (Futter
bester Qualität), für die U.F. im Bereich guter Futter-
qualität. Bei den Proteingehalten liegen 75 % im
Bereich guter bis bester Futterqualität, bei der U.F.
auch nur wenige in den Futterqualitätskategorien I
und II. Damit kann die Güte des Futterangebotes
aus Gehölzen als gut eingestuft werden.
5.6 Futterkapazität, Weidekapazität
Zur abschließenden Ermittlung der Futterkapazität,
die BAAS (1993) als tatsächliche Futterkapazität
bezeichnet, müssen die Daten der Phytomasse
um die Anteile reduziert werden, die für Weidetiere
nicht unmittelbar zugänglich sind bzw. ungenieß-
bar sind.
Für Rinder, Ziegen und Schafe gelten 2 Meter Höhe
als Erreichbarkeitsgrenze. Die Aufnahme der Ge-
hölze ist differenziert nach Größenklassen (s. Kap.
4.2), so dass es möglich ist, den für Weidetiere
erreichbaren Anteil abzuleiten. Der Anteil unter 2
m beträgt nach den Aufnahmedaten 45 %. Der
Trockenzeit Regenzeit
Rohprotein in % d. TS
Mittelwert
Median
Standardabweichung
Minimum
Maximum
10,79
10,69
3,73
4,74
18,55
10,50
10,89
2,75
4,09
15,17
verdauliche Proteine in g/kg TS
Mittelwert
Median
Standardabweichung
Minimum
Maximum
65,01
64,11
34,66
8,83
137,13
62,35
65,97
25,58
2,80
105,73
verwertbare Energie in MJ
Mittelwert
Median
Standardabweichung
Minimum
Maximum
7,94
8,38
1,35
4,76
9,95
8,26
8,42
1,43
4,46
10,78
U.F. pro kg TS
Mittelwert
Median
Standardabweichung
Minimum
Maximum
0,52
0,57
0,17
0,12
0,77
0,56
0,58
0,18
0,08
0,87
Tab. 27: Protein- und Energiegehalte der untersuchten Gehölze
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 103
Anteil nicht gefressener Arten ist schwieriger ab-
zuschätzen. In der Literatur liegen darüber zwar
Angaben vor (LAMPREY u.a. 1980, LAWTON 1980, LE
HOUÉROU 1980, PALGRAVE 1996, REES 1974, VAN WYK
& VAN WYK 1997, WALKER 1980), die durch eigene
Beobachtungen und Aussagen von Mitarbeitern der
AGRITEX ergänzt wurden. Demnach frisst das Vieh
von den aufgenommenen Arten 16 nicht und 98
werden gefressen. Für 97 Arten ist der Status un-
bekannt. Rechnet man über die Deckungsanteile
der Arten auf den Testflächen den Anteil auf den
Fressstatus hoch, ergeben sich folgende Zahlen:
- gefressene Arten: 60,3 %
- nicht gefressene Arten: 10,8 %
- Status unbekannt: 28,9 %
2 & �; ���� .' �; ��
! ����*�.+ �-� � �� ����&E'&��3
�B�
��
���
���
��
B�
�
��
�
2 & �; ���� .' �; ��
! �� ��1�� �,� �&� �����:
��
��
��
�
�
�
B
�
-��������.���� **�9 *��
2 & �; ���� .' �; ��
7(0(��� �'&��3
�(�
�(�
�(B
�(
�(�
�(�-��������.���� **�9 *��
2 & �; ���� .' �; ��
2 +�� � ������R
��(��
3��
��
�B
�
��
��
�
B
�
�
Abb. 72: Boxplots der Energie- und Proteingehalte der untersuchten Gehölze
Es ist davon auszugehen, dass einige Arten, für
die der Status nicht bekannt ist, gefressen wer-
den, so dass im Weiteren mit einen Anteil von 70 %
fressbarer Arten kalkuliert wird. Diese Zahl ist aus
den Deckungsanteilen auf den Testflächen abge-
leitet und dient als Schätzwert. Um genauere Zah-
len zu bekommen, müssten die Phytomasse-
anteile nach Arten getrennt ermittelt werden. Un-
terschiede zwischen der Trockenzeit und der Re-
genzeit sind bei dem gewählten Ansatz nicht ex-
plizit einbezogen, dürften aber durch die Ableitung
der Anteile aus der Deckung auf den Testflächen,
die nach der Saison getrennt erfasst war, einbezo-
gen sein. Demnach gab es keine Unterschiede in
der Fressbarkeit nach der Saison.
104 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
Für die Gras- und Krautschicht lassen sich keine
quantitativen Angaben über die Fressbarkeit ma-
chen. Festzustellen ist, dass gegen Ende der Trok-
kenzeit bis auf wenige Ausnahmen auch schlecht
verdauliche Arten gefressen werden. Dennoch wird
von 15 % nicht fressbaren bzw. nicht gefressenen
Arten ausgegangen.
Kombiniert man jetzt die futterverfügbare Phyto-
masse im Untersuchungsgebiet mit der Futterquali-
tät, erhält man die tatsächliche Futterkapazität.
Sie muss wiederum um Flächen reduziert werden,
die für das Weidevieh permanent oder temporär
nicht zugänglich sind. Hierzu zählen zum einen
Flächen, die zu steil sind, z.B. Inselberge, zum
anderen Ackerflächen, die nur als Weideflächen
dienen, wenn sich im Brachestadium Pflanzen eta-
bliert haben. Nach BAAS (1993) wäre das die aktu-
elle, effektive Weidekapazität.
Abbildung 73 zeigt für die Trockenzeit und die Re-
genzeit die verwertbare Energie. Jedes Pixel von
25 m x 25 m gibt den Wert in MJ/ha an. Die nicht
zugänglichen Flächen sind weiß dargestellt (vgl.
hierzu Kap. 6.1). Mit dem Datensatz lässt sich
jetzt für jede Teilfläche die für die Beweidung ver-
fügbare, verwertbare Energie und damit die Besatz-
dichte erheben. In der Übersicht fallen die Unter-
schiede zwischen der Trockenzeit und der Regen-
zeit mit den deutlich höheren Energiewerten auf.
Weiter sind wieder die Unterschiede zwischen der
Communal Lands und den SSCFA-Gebieten au-
genfällig. Sie gründen sich auf die höhere Phyto-
masse. In gleicher Weise können die anderen
Futterqualitätsdaten mit der futterverfügbaren
Phytomasse verrechnet werden.
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 105
Abb. 73: Karte der verwertbaren Energie im Untersuchungsraum Gutu für die Trocken- und Regenzeit
� ���'�
� ���'�
7������ �
8���� �
! �� ��1�� �,� �&� �����:E+�������
� ������
! �� ��1�� �,� �&� �����:E+�������
� ������
106 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
6.1 Bewertung der Weidekapazität
Die Bewertung der aktuellen, effektiven Weide-
kapazität erfolgt undifferenziert für die Communal
Lands, die SSCFA-Gebiete und die Resettlement-
Gebiete. Nach Kapitel 5.6 müssen im ersten Schritt
die nicht zugänglichen Flächen quantifiziert wer-
den. Die Flächen, die auf Grund der Reliefaus-
prägung nicht als Weideflächen zur Verfügung ste-
hen, lassen sich aus dem digitalen Höhenmodell
prinzipiell leicht über GIS-Abfragen extrahieren. Als
zu steil sind Handneigungen größer 35° eingestuft
worden. Weiter sind flachere Partien von Insel-
bergen, die oberhalb dieser Hangneigung liegen,
ebenfalls als nicht zugänglich eingestuft. Somit sind
im Arbeitsgebiet insgesamt ca. 6100 ha, die sich
zu ca. 5370 ha auf die Communal Lands und zu
etwa 730 ha auf die SSCFA-Gebiete verteilen, nicht
zugänglich. Dies entspricht etwa 3,3 % der Flä-
che der Communal Lands im Arbeitsgebiet bzw.
etwa 1,5 % der SSCFA. Die kleinen Resettlement-
Gebiete weisen keine unzugänglichen Bereiche
auf. Die Verfügbarkeit der Ackerflächen als Ergän-
zungsweide ist schwerer abzuschätzen. Die Acker-
flächen lassen sich zwar gut aus der Landnut-
zungsklassifikation entnehmen. Wie lange die Flä-
chen brach liegen und wie sich weidefähige Vege-
tation einstellt, ist allerdings sehr variabel und nur
abzuschätzen. Es kann davon ausgegangen wer-
den, dass die Flächen nur etwa 4 Monate als Weide
genutzt sind. In der restlichen Zeit wird der Anbau
6 Bewertung der Weidekapazität und Planungsvorschläge
vorbereitet, stehen Ackerfrüchte auf den Feldern
und sind die Flächen nach der Ernte weitgehend
vegetationslos. Insbesondere in den Communal
Lands mit einem Anteil der Ackerflächen von 33 %
und in den Resettlement-Gebieten mit 35 % redu-
ziert sich so, vor allem in der Regenzeit, die Weide-
fläche erheblich. Auf den Kleinfarmen sind hinge-
gen nur 10 % Ackerflächen.
Da sich die Futterqualität saisonal signifikant un-
terscheidet, ist es weiter notwendig, diese Diffe-
renzierung bei der Weidekapazität zu berücksich-
tigen. Nach dem Jahresgang des Niederschlags
im Arbeitsgebiet während des Untersuchungs-
zeitraums wird der Regenzeitaspekt von Mitte No-
vember bis Mitte April festgelegt (s. Abb. 11). Es
sind demnach 5 Monate mit Regenzeitcharakter
und 7 Monate mit Trockenzeitcharakter.
Aus der Abbildung 73 und dem entsprechenden
Datensatz der verdaulichen Proteine sind für die
Communal Lands, die Resettlement-Gebiete und
die SSCFA-Gebiete die jeweiligen Mittelwerte für
die Trocken- bzw. Regenzeit errechnet (s. Tab. 28).
Wie aus der Abbildung 73 abzulesen ist, unter-
scheidet sich die Weidekapazität zwischen den
drei Besitzkategorien. Klar am schlechtesten
schneiden die Communal Lands ab. In allen Teil-
räumen des Untersuchungsgebietes wird aus den
Daten die Bedeutung der Gehölze, die eine erheb-
lich bessere Futterqualität aufweisen deutlich. Sie
stellen so eine wichtige Ergänzung der Gras- und
Trockenzeit 1998 Regenzeit 1999
Besitzverhältnisse verwertbare Energie in MJ/ha
verdauliche Proteine in g/ha
verwertbare Energie in MJ/ha
verdauliche Proteine in g/ha
Communal Lands 2913 12962 8675 37988
Resettlement Areas 2685 15111 13185 69884
SSCFA 4734 24290 11541 59336
Tab. 28: Mittlere Energiegehalte im Arbeitsgebiet
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 107
Krautschicht sowohl in Quantität als auch in Qua-
lität dar.
BAAS (1993) hat aus dem Rangemanagement
Handbook of Kenya (Vol. I) den täglichen Energie-
und Proteinbedarf von Weidetieren abgeleitet (s.
Tab. 29). Die geringe Produktionsleistung ist hier
definiert als eine Jahresgewichtszunahme beim
Rind von 110 kg bei einer täglichen Milchleistung
von 2,5 l, bei Ziegen von 22 kg/Jahr und 0,45 l/Tag
und bei Schafen von 30 kg/Jahr. Demnach kann
ein Rind nach der verwertbaren Energie in den
Communal Lands während der Trockenzeit auf ei-
nem Hektar beim Erhaltungsbedarf 81 Tage wei-
den, bei geringer Produktivität reduziert sich die
Zeit auf nur noch 49 Tage (s. Tab. 30). Bezogen
auf die verdaulichen Proteine sind die Weidezeiten
sogar noch kürzer. Nimmt man die Dauer der Trok-
kenzeit mit 7 Monaten an, bedeutet das einen
Flächenbedarf nach der verwertbaren Energie pro
Rind von 2,6 ha, bei geringer Produktion von 3,1
ha. Nach den verdaulichen Proteinen sind es so-
gar 4,3 bzw. 6,3 ha. In der Regenzeit ist die Situa-
tion deutlich günstiger, wobei nach den verdauli-
chen Proteinen bei geringer Produktivität auch ein
Flächenbedarf pro Rind von über einem Hektar
besteht. Die Besatzdichte muss sich dabei außer-
dem an der ungünstigen Situation, also der Trok-
kenzeit orientieren. Zu berücksichtigen ist bei der
Beurteilung außerdem, dass die Regenzeiten 1997/
98 und 1998/99 überdurchschnittlich gut waren,
d.h. bei durchschnittlichem und unterdurchschnitt-
lichem Niederschlag sich die Situation deutlich ver-
schlechtert. Ziegen und Schafe finden wegen des
höheren Energiebedarfs noch schlechtere Bedin-
gungen.
Die erhobenen Zahlen widersprechen Erhebungen
des Ministry of Internal Affairs (1971). In dem Re-
port wird für das Arbeitsgebiet von einem Flächen-
bedarf von 1,8 bis 2,8 ha pro TLU ausgegangen.
Und trotz der Annahme viel höherer Viehzahlen (vgl.
Kap. 3.5), kommt der Report zu dem Schluss, dass
die Zahl der Tiere noch erhöht werden kann (Ministry
of Internal Affairs 1971, S. 202). Unklar bleibt in
der Studie allerdings die Methodik zur Erfassung
der Tragfähigkeit. Man sollte deshalb bei dem Re-
port die innenpolitischen Rahmenbedingungen des
UDI-Regimes im damaligen Rhodesien berücksich-
tigen.
Erhaltungsbedarf pro Tag täglicher Bedarf bei geringer Produktionsleistung
pro TLU verwertbare Energie (ME) in MJ
verdauliche Proteine in g
verwertbare Energie (ME) in MJ
verdauliche Proteine in g
Rinder 36.17 192 58.95 384
Ziegen 48.23 256 67.24 438
Schafe 46.72 248 72.77 474
Tab. 29: Energiebedarf der Weidetiere
108 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
Tro
cke
nze
it 1
99
8
Re
ge
nze
it 1
99
9
Be
sitz
verh
ältn
isse
un
d
Tie
rart
W
eid
eta
ge
TL
U/h
a
na
ch v
erw
ert
ba
rer
En
erg
ie
Erh
altu
ng
sbe
da
rf
We
ide
tag
e T
LU
/ha
na
ch v
erd
au
lich
en
P
rote
ine
n
Erh
altu
ng
sbe
da
rf
Weid
eta
ge
TL
U/h
a
na
ch
verw
ert
ba
rer
En
erg
ie
geringe
Pro
dukt
ivitä
t
Weid
eta
ge
TL
U/h
a
na
ch v
erd
au
lich
en
P
rote
ine
n
ge
rin
ge
Pro
du
ktiv
ität
We
ide
tag
e T
LU
/ha
na
ch v
erw
ert
ba
rer
En
erg
ie
Erh
altu
ng
sbe
da
rf
We
ide
tag
e T
LU
/ha
na
ch v
erd
au
lich
en
P
rote
ine
n
Erh
altu
ng
sbe
da
rf
We
ide
tag
e T
LU
/ha
na
ch v
erw
ert
ba
rer
En
erg
ie
geringe
Pro
dukt
ivitä
t
Weid
eta
ge
TL
U/h
a
na
ch v
erd
au
lich
en
P
rote
ine
n
ge
rin
ge
Pro
du
ktiv
ität
Co
mm
un
al L
an
ds
Rin
der
81
68
49
34
24
0
19
8
14
7
99
Zie
ge
n
60
51
43
30
18
0
14
8
12
9
87
Sch
afe
62
52
40
27
18
6
15
3
11
9
80
Re
sett
lem
en
t A
rea
s
Rin
der
74
79
46
39
36
5
36
4
22
4
18
2
Zie
ge
n
56
59
40
35
27
3
27
3
19
6
16
0
Sch
afe
57
61
37
32
28
2
28
2
18
1
14
7
SS
CF
A
Rin
der
13
1
12
7
80
63
31
9
30
9
19
6
15
5
Zie
ge
n
98
95
70
55
23
9
23
2
17
2
13
5
Sch
afe
1
01
98
65
51
24
7
23
9
15
9
12
5
Tab.
30:
Wei
deta
ge im
Arb
eits
gebi
et
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 109
MOMBESHORA & MACLAURIN (1986) geben für Zim-
babwe Richtwerte über die Tragfähigkeit beweideter
Gebiete an, die sie nach ihrer Zugehörigkeit zu den
natürlichen Regionen und nach Landnutzungs-
klassen differenzieren. Die ursprünglichen Zahlen
beschreiben den Flächenbedarf bei einem Lebend-
gewicht der Tiere von 500 kg, sind hier aber auf
250 kg (1 TLU) reduziert (s. Tab. 31).
Die in der Tabelle angegebene Landnutzung wurde
dabei in folgender Weise klassifiziert:
I,II & III: gut ackerbaulich nutzbar und erhaltungs-
aufwendig
IV: ackerbaulich nutzbar und sehr erhal-
tungsaufwendig, z.T. flachgründige Bö-
den
V: Beckenlagen
VI & VII: kaum ackerbaulich nutzbar (flachgrün-
dig, steinig, steil), stark beweidet.
Die untersuchten Flächen des Gutu Distrikt las-
sen sich nach ANDERSON u.a. (1993) ausnahmslos
den Landnutzungsklassen VI & VII zuordnen und
liegen wie eingangs beschrieben in den natürlichen
Regionen III, IV und V. Der Flächenbedarf liegt dem-
nach nach MOMBESHORA & MACLAURIN (1986) pro
Rind zwischen 4 und 8 ha. Der Bedarf deckt sich
somit mit den für das Untersuchungsgebiet ermit-
telten Größen.
GRÜNINGER (1999) schließt nach einem Ansatz von
HUMPHREYS (1984, 1991) für den Untersuchungs-
raum, dass das Weidesystem extrem schnell auf
hohen Beweidungsdruck reagiert. Sie kommt wei-
ter bei einer Bestockungsdichte von 0,28 TLU/ha
(3,6 ha pro TLU) zu einer jährlichen Produktions-
rate von 14,04 kg/ha bei Rindern. Diese Bestok-
kungsdichte entspricht etwa dem mittleren Flä-
chenbedarf in den Communal Lands von Gutu.
Demnach würde die Produktionsleistung für Rin-
der noch deutlicher unter den oben angenomme-
nen Zahlen von 110 kg liegen.
Die von GRÜNINGER (1999) gemachte Aussage muss
allerdings nach den erweiterten Erkenntnissen aus
dieser Studie etwas differenziert werden, da die
Situation in den Gebieten der privaten Kleinfarmen
weit positiver als in den Communal Lands ist. Aber
auch hier zeigen sich in der Vegetationszusammen-
setzung deutliche Indizien für eine Übernutzung.
Die auch hier schlechte Futterqualität wird durch
die höhere verfügbare Futtermenge aber zumindest
teilweise kompensiert.
Kritisch sind die in Kapitel 3.5 (s. Tab. 2) aufge-
führten Viehzahlen zu sehen. Nach ihnen entsprä-
che die Bestockung durchaus einer tragfähigen
Rate mit geringer Produktion. Die in Kapitel 3.5
schon gemachten kritischen Aussagen zu den Zah-
len werden durch Äußerungen lokaler Agrarexper-
ten (AGRITEX) über den Gesundheitszustand der
Tiere, eigene Beobachtungen über die Verfassung
der Tiere und den Zustand der Weideflächen be-
stärkt (s. Photo 10).
Landnutzungsklasse
I, II u. III IV V VI u. VII
Agrarökologische Regionen n. VINCENT u. THOMAS (1962)
schwere Böden leichte Böden
II 1,3 – 1,8 1,4– 2 1,5 – 2,5 1 – 2 2 – 3
III 2,5 – 3 3 – 3,5 2,5 – 4 1,5 – 2,5 4 – 7,5
IV 3 – 4 3,5 – 4 3 – 5 2 – 3 4,5 – 8
V 4 – 7,5 5 – 7,5 5 – 8 3 – 4 3,5 - 6
Tab. 31: Flächenbedarf pro TLU in Zimbabwe
110 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
6.2 Vorschläge zur Verbesserungder Weidenutzung
Aus den gewonnenen Erkenntnissen Verbesse-
rungsvorschläge abzuleiten, wird im Rahmen sol-
cher Arbeiten erwartet. Aus rein naturwissenschaft-
licher Sicht muss der Vorschlag sein, die Weide-
intensität zu reduzieren. Dies kann durch geringe-
re Viehzahlen bzw. durch die Einstellung oder zu-
mindest starke Reduzierung des ohnehin völlig
unproduktiven und unsicheren Ackerbaus und der
damit verbundenen Vergrößerung der Weideflächen
erreicht werden. Auch Maßnahmen zur Regulie-
rung der Weideaktivitäten, wie sie z.T. im Rahmen
des CARD/IRDEP-Projektes mit Paddocks einge-
führt wurden, könnten die Qualität der Weiden
durchaus verbessern. Die Regulierung der Weide-
aktivität bei niedrigeren Besatzdichten in den
SSCFA-Gebieten zeigen, dass damit etwas bes-
sere Weidebedingungen verbunden sind. Sie zie-
hen unter den gegenwärtigen Bedingungen zwar
keine Verbesserung der Weidequalität nach sich
sondern beruhen nur auf einer Erhöhung der Futter-
quantität. Denkbar sind auf den von starker Ver-
buschung betroffenen Flächen auch Entbuschun-
gen, wie sie von in anderen Regionen Zimbabwes
erfolgreich durchgeführt wurden. Gute Resultate
konnten auch mit dem Anbau von Leguminosen
zur Verbesserung der Weidequalität erzielt werden.
Auch die geregelte Einbeziehung der Gehölze als
zusätzlich Futterquelle ist zu stärken. Hinweise
über Maßnahmen zum Weidemanagement in
Zimbabwe und im südlichen Afrika resultieren aus
einer unüberschaubaren Fülle von Untersuchungen,
von denen nur wenige genannt seien (CLATWORTHY
1989, CLATWORTHY u.a. 1986, GAMMON 1978,
O´REAGAIN & TURNER 1992).
Dass sich die Lebenssituation im Projektgebiet von
CARD/IRDEP praktisch nicht verbessert hat, die
angelegten Paddocks fast alle abgebaut sind und
sich die Qualität und die Zusammensetzung der
Vegetation weiter stark zum Negativen entwickeln,
zeigt, wie schwierig Veränderungen und Verbes-
serungen zu erreichen sind. Die Gründe für das
Scheitern des Projektes sind vielfältig und können
und sollen hier nicht diskutiert werden. Hingewie-
sen sei auf kritische Ausführungen von SIBANDA
(1990) und darauf, dass das GTZ-Projekt 1998 of-
fiziell beendet wurde.
Das Hauptproblem dafür, dass eine deutliche Ver-
besserung der Lebensumstände auch in Zukunft
nur schwer erreicht werden kann, ist sicher die hohe
Bevölkerungsdichte, eine Situation, die sich nach
allen Vorhersagen auch kaum ändern wird. Damit
sind alle Ansätze, die auf eine Lösung vor Ort ab-
zielen, auf Dauer sicher nicht tragfähig, sondern
können nur kurzzeitig Probleme mildern. Als posi-
tives Beispiel sei dennoch die Anlage eines klei-
nen Bewässerungsgebietes im Gutu Distrikt unter
der Federführung der AGRITEX erwähnt, das der
teilnehmenden Bevölkerung eine verbesserte
Ernährungsgrundlage und ein kleines Zusatzein-
kommen verschafft.
Dauerhafte Lösungen können aber nur in einem
gesamtstaatlichen Ansatz gefunden werden, zu
dem sicher auch eine gut geplante und durchge-
führte Landreform gehören muss. Aber auch durch
eine Landreform wird es sicher eine Illusion blei-
ben, der gesamten Landbevölkerung ein gesicher-
tes Auskommen zu geben, unter gleichzeitiger Si-
cherstellung der Nahrungsmittelversorgung des
Landes und einer positiven Weiterentwicklung der
gesamtwirtschaftlichen Situation Zimbabwes.
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 111
Die Bewertung des methodischen Ansatzes kann
kein einheitliches Bild bieten. Für den Untersu-
chungsraum konnte zwar das Weidepotential für
beide Zeitschnitte in einem planungsrelevanten
Maßstab erfasst und bewertet werden. Der Ver-
such, ein auf andere Räume übertragbares Instru-
mentarium zu entwickeln, war allerdings nur an-
satzweise umzusetzen.
Die Hauptschwierigkeiten der Modellierung bestan-
den bei den Versuchen, gesicherte Zusammenhän-
ge zwischen abiotischen Parametern und der Vege-
tationszusammensetzung sowie zwischen der
Vegetationszusammensetzung und der Futterqua-
lität herzustellen.
Die zur Verfügung stehenden klimatologischen und
bodenkundlichen Daten konnten Trends der Vegeta-
tionszusammensetzung erklären, aber es konnten
keine Vegetationsgesellschaften gebildet werden.
Auch Vergleiche mit den wenigen anderen in Zim-
babwe durchgeführten Arbeiten deuten nur Trends
zu Gesellschaften an. Ein Grund für das weitge-
hende Scheitern dieses Teilaspektes ist sicher,
dass der enorme Beweidungsdruck vor allem die
Artenzusammensetzung der Gras- und Kraut-
schicht stark beeinflusst und so mögliche Diffe-
renzierungen verschleiert. Fast alle Grasarten zei-
gen hohen Beweidungsdruck an. Ausweitungen der
Untersuchungen könnten durchaus verbesserte
Aussagen zur Artenzusammensetzung und deren
Wechselwirkung mit abiotischen Parametern lie-
fern. Ähnliche Schlussfolgerungen müssen bezüg-
lich der Futterqualität und deren Zusammenhang
mit den Pflanzenarten gezogen werden. Dabei ist
vor allem festzustellen, dass sich offensichtlich fast
alle Arten der Gras- und Krautschicht durch eine
sehr schlechte Futterqualität auszeichnen und sich
so auch Unterschiede in der Artzusammensetzung
nicht in Unterschieden bei der Futterqualität wi-
derspiegeln. Auch hier könnte eine Ausweitung der
Untersuchungen durchaus zeigen, dass sich die
Futterqualität aus Artenzusammensetzungen her-
leiten lässt, denn Trends zu einer Differenzierung
liegen vor. Die Ausweitung der Untersuchungen
müsste neben einer größeren klimatischen und
bodenkundlichen Differenzierung vor allem auch we-
niger stark beweidete Regionen einschließen. Die
schon vorliegenden Arbeiten in Zimbabwe und an-
deren Ländern der Miombo-Region bieten eine her-
vorragende Grundlage, auf die weiter aufgebaut wer-
den kann.
Gute Resultate konnten hingegen bei der Quantifi-
zierung der Biomasse mit Hilfe von Landsat TM-5
Daten erzielt werden. Es zeigte sich, dass eine
Quantifizierung der Phytomasse der Gras- und
Krautschicht sowie der Gesamtphytomasse, die
in dieser Arbeit als Summe der Phytomasse der
Gras- und Krautschicht und der Blattmasse der
Gehölze definiert ist, über Regressionsmodelle
möglich ist. Für den Trockenzeitaspekt konnte ein
regionaler Ansatz durch die Ausweitung der Unter-
suchungen auf die Republik Südafrika gefunden
werden. Der Regenzeitaspekt beschränkt sich nur
auf den engeren Untersuchungsraum in Gutu.
Die Eignung der Kanäle 7 und 1 von Landsat für
vegetationskundliche Fragestellungen während der
Trockenzeit ist bei auch RINGROSE u.a (1997) er-
wähnt und scheint sich damit zu erhärten. Zum
Regenzeitaspekt gewinnen in der vorliegenden Stu-
die die Infrarot-Kanäle 4, 5 und 7 hingegen an Be-
deutung, was durch andere Arbeiten zur Quan-
tifizierung der Phytomasse bestätigt wird (EVRITT
u.a. 1989, MOLEELE u.a. 2001). Gerade die Überein-
stimmungen zwischen verschiedenen Studien,
sollte Anlass sein, überregionale Modelle zu ent-
wickeln und diese durch eine Erweiterung der Da-
tengrundlage abzusichern. Für den Trockenzeit-
7 Bewertung des Methodischen Instrumentariums
112 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
aspekt konnte dies schon ansatzweise verwirklicht
werden (KRAUS & SAMIMI 2002). Aber auch hier wä-
ren weitere Untersuchungen im südafrikanischen
Raum wünschenswert, die eventuell eine bessere
Qualität der Modelle bringen. Die Kontinuität der
Daten von Landsat TM-5 und Landsat TM-7 ermög-
licht dabei die Kombination älterer und neuerer
Studien.
Fazit für den methodischen Teil ist, dass die Futter-
quantität mit Fernerkundungsdaten flächendeck-
end ermittelt werden kann, wobei die Modelle si-
cher weitere Validierungen im Gelände benötigen.
Die Futterqualität kann leider nicht über einfach zu
erhebende Parameter erfasst werden, so dass hier
weiter aufwendige Laboruntersuchungen notwen-
dig sind. Über die publizierten Angaben zur Futter-
qualität ließe sich diese aus der Artenzusammen-
setzung der Vegetation ableiten, was aber nur eine
grobe Abschätzung wäre.
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 113
In weiten Teilen Afrikas, so auch in Zimbabwe, ist
die Weidewirtschaft ein wichtiger Zweig der Land-
wirtschaft. Ein zu hoher Beweidungsdruck ist da-
bei häufig der Grund für Degradierungserscheinun-
gen der Vegetation und des Bodens. In Dürreperio-
den kommt es als Folge des Überbesatzes mit
Weidetieren oft zu dramatischen Einbrüchen der
Viehzahlen. Das Zusammenspiel der wirtschaftli-
chen, aber auch kulturellen Bedeutung der Weide-
wirtschaft mit ihren ökologischen Begleitumstän-
den hat zu zahlreichen Ansätzen in der Wissen-
schaft und der Entwicklungspolitik geführt, sich der
Problematik zu nähern. Ziel der Ansätze war und
ist es, tragfähige Lösungen zur Verbesserung der
Lebenssituation zu finden. In Zimbabwe zeigen sich
die Probleme der Degradierung und der unsiche-
ren Ernährungslage ebenfalls, wenn auch zum
Glück nicht in den z.T. katastrophalen Ausprägun-
gen des Sahel. Konfliktstoff birgt in Zimbabwe viel-
mehr die ungelöste Frage der Landverteilung, nach
der auch heute noch die Bevölkerungsmehrheit
meistens in landwirtschaftlich benachteiligten Ge-
genden lebt, den Communal Lands. Der hohe Be-
völkerungsdruck ist verbunden mit einem hohen
Weidedruck.
Der Untersuchungsraum in den Communal Lands
des Gutu Distrikt steht exemplarisch für Zimbab-
we. Es handelt sich um typische Communal Lands,
die außerdem auf relativ kleinem Raum einen west-
ost-gerichteten Klimagradienten mit deutlich ab-
nehmenden Niederschlägen und zunehmenden
Temperaturen aufweisen. Außerdem konnten we-
gen eines ehemaligen GTZ-Projektes enge Kon-
takte und Absprachen mit der örtlichen AGRITEX
getroffen werden, die in einer Umsetzung der Er-
gebnisse resultieren sollten. Die Feldarbeiten zur
Aufnahme der Basisdaten fanden hauptsächlich am
Ende der Trockenzeit 1997 (September/Oktober)
8 Zusammenfassung
und zum Ende der Regenzeit 1998 (März/April)
statt. Das ground truthing für die Satellitenfern-
erkundung und weitere Arbeiten zur Erhebung von
Basisdaten wurden Ende der Trockenzeit 1998 und
Ende der Regenzeit 1999 durchgeführt.
Die Erhebung der Basisdaten umfasste auf reprä-
sentativen Testflächen die Aufnahme bodenkund-
licher Parameter, pflanzensoziologische Aufnah-
men, die Eichung von Schnellverfahren zur Erfas-
sung der Phytomasse sowohl der Gras- und Kraut-
schicht als auch der Gehölze und das Ernten von
Pflanzenmaterial zur laboranalytischen Bestim-
mung der Futterqualität. Zusätzlich fließen klima-
tologische Daten aus eigenen Messungen, der
AGRITEX und des Department of Meteorological
Services in die Untersuchung ein.
Die Basisdaten dienten zur Ermittlung des Weide-
potentials im Untersuchungsraum und dem Ver-
such, allgemeingültige Beziehungen der Parame-
ter aufzuzeigen, die eine Übertragung auf andere,
ähnlich strukturierte Räume ermöglichen sollten.
Insbesondere war ein Ansatz, die punktuell erho-
benen Daten mit Fernerkundungsdaten und über
ein GIS auf die Gesamtflächen des Untersuchungs-
gebietes zu übertragen.
Zusammenfassend kann gesagt werden, dass das
Ziel der flächenhaften Ableitung des Weidepo-
tentials im Arbeitsgebiet in einem planungsrele-
vanten Maßstab möglich war. Dabei fließen die
Futterquantität und -qualität in die Berechnung des
Weidepotentials unter Einbeziehung der Gras- und
Krautschicht und der Gehölze ein. Die flächenhaf-
te Erfassung der Futtermenge war über Regres-
sionsmodelle mit den Satellitendaten möglich. Die
Futterqualität ist weitgehend homogen, so dass
eine Differenzierung im Arbeitsgebiet nicht nötig
war. Als Fazit dieses Arbeitsteiles kann ein Flä-
chenbedarf von 2,6 bis 4,3 ha pro TLU bei Er-
114 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
haltungsbedarf und von 3,1 bis 6,3 ha pro TLU bei
geringer Produktionsleistung angenommen werden.
Damit ist der Raum nur extensiv weidewirtschaftlich
zu nutzen. Die aufgezeigten Degradierungserschei-
nungen der Vegetation, die sich vor allem aus den
vorkommenden Grasarten ableiten lassen, aber
auch die des Bodens weisen darauf hin, dass das
Weidepotential des Raumes deutlich überschrit-
ten ist.
Das Ziel, allgemeingültige Beziehungen zwischen
den, das Weidepotential determinierenden Parame-
tern aufzuzeigen, ist nicht gelungen. Lediglich die
flächenhafte Bestimmung der Phytomasse über
Satellitenbilder verspricht Erfolg und konnte für den
Trockenzeitaspekt sogar über ein regionales Mo-
dell verwirklicht werden. Damit ist also ein Teilglied
des Weidenutzungspotentials schnell flächendeck-
end zu ermitteln, wenn auch weitere Untersuchun-
gen zur Absicherung der Modelle anzustreben sind.
Die Artenzusammensetzung der Vegetation und die
Futterqualität konnten hingegen nicht auf allge-
meingültige und damit übertragbare Faktoren zu-
rückgeführt werden. Grund dafür ist der enorme
Beweidungsdruck in den untersuchten Communal
Lands, aber auch in den Gebieten der SSCFA, der
eine weitgehende Vereinheitlichung der Gras- und
Krautschicht nach sich zieht. Trends in der Arten-
verteilung und der Futterqualität lassen es mög-
lich erscheinen, durch eine Erweiterung der Unter-
suchungen auch hier zu übertragbaren Ergebnis-
sen zu kommen.
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 115
As is the case in large parts of Africa, livestock
production is also an important branch of agriculture
in Zimbabwe. Thereby high stocking rates are often
the reasons for the degradation of vegetation and
soil. During periods of drought this overstocking
ends up in dramatic slumps in the cattle population.
The interplay of economic and also cultural signi-
ficance in pasture farming with its ecological
attendant circumstances has lead to numerous
attempts in science and development politics to
try to find a way of solving the problem. The aim of
these attempts was, and still is, to discover sustain-
able solutions to improve living conditions. These
problems of degradation and also the unsteady food
situation are also evident in Zimbabwe, although
fortunately not to such a serious or disastrous ex-
tent as in the Sahel. In Zimbabwe it is more the
unresolved problem of the land tenure that leads to
conflicts, because even today the majority of the
population mainly lives in agriculturally disad-
vantaged areas, the Communal Lands. The high
population density is a leading factor for too high
stocking rates.
The research area in the Communal Lands of the
Gutu District is representative for Zimbabwe. They
are typical Communal Lands. Moreover, they show
in a relatively small area a west-east climatic
gradient with a distinct decrease of precipitation
and increase of temperature. Due to a former GTZ-
project there were, furthermore, close contacts and
arrangements with the local AGRITEX with the goal
of putting the results into action. The fieldwork to
sample the basic data mainly took place at the
end of the dry season 1997 (September/ October)
and at the end of the rainy season 1998 (March/
April). The ground truthing for the remote sensing
and further sampling of basic data were made at
9 Summary
the end of the dry season 1998 and at the end of
the rainy season 1999.
The survey of data on representative test-areas
included the sampling of soil parameters, the com-
munity sampling of the vegetation, the calibration
of a rapid assessment of phytomass of the herba-
ceous layer and of woody plants and also the har-
vest of vegetation to analyse the fodder quality in
the lab. Additional information included into the
research are climatic data from own measurement,
data from AGRITEX, and from the Department of
Meteorological Services.
Basic data were to determine the grazing capacity
of the research area and to come up with general
relations between the parameters, to allow the
transference to other similarly structured areas. In
particular one approach was to transfer data collec-
ted on specific test sites to the whole surveying
area using remote sensing and a geographical
information system.
In summary, it can be stated that it was possible
to derive the rangeland resources of the whole
research area in a scale for planning purposes.
Thereby the calculation of the grazing capacity is
based on the fodder quantity and quality. The areal
survey of the fodder quantity was possible by using
regression models based on satellite data. The
fodder quality is mostly homogeneous, so no fur-
ther differentiations were necessary for the sur-
veying area. The result of this part of the study
shows that 2.6 - 4.3 ha/TLU are necessary for the
maintenance requirement, whereas, an area of 3.1
- 6.3 ha/TLU can bring a small yield. So the area
can only be used for extensive livestock production.
Signs of degrading vegetation, mainly derivate from
the species composition, but also the degradation
of the soil indicates that the carrying capacity of
the area is far exceeded.
116 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
The aim to show general relations between the
parameters that determine the grazing capacity
was not to materialise. Only the areal determination
of the phytomass using satellite images is pro-
mising and has already been achieved through a
regional model for the dry season aspect. Therefore
a part of the grazing capacity could be rapidly
assessed for larger areas. But further studies should
be done to validate the models. The species com-
position of the vegetation and the fodder quality
could not be put down to universally valid and
therefore transferable models. The reason for this
is the enormous overgrazing in the researched
Communal Lands, but also in the areas of the
SSCFA, which equalizes the species composition
of the grass and herbaceous layer. Trends in the
species composition and the fodder quality might
also result in transferable results through increased
research.
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 117
ANDERSON, G.L.; HANSON, J.D.; HAAS, R.H. (1993): Evaluating Landsat Thematic Mapper Derived VegetationIndices for Estimating Above-Ground Biomass on Semiarid Rangelands. Remote Sensing ofEnvironment, Bd. 45: 165-175.
ANDERSON, I.P.; BRINN, P.J.; MOYO, M.; NYAMWANZA, B. (1993): Physical Resources Inventory of the CommunalLands of Zimbabwe – An Overview. Natural Resources Institute, Bulletin 60. Chatham.
ANHUF, D. (1997): Satellitengestützte Vegetationsklassifikation der Côte d´Ivoire. Mannheimer GeographischeArbeiten 45. Geographisches Institut der Universität Mannheim. Mannheim.
ASRAR, G.; KANEMASU, E.T.; JACKSON, R.D.; PINTER, P.J. (1985): Estimation of Total Above-Ground PhytomassProduction Using Remotely Sensed Data. Remote Sensing of Environment, Bd. 17: 211-220.
BAAS, S. (1993): Weidepotential und Tragfähigkeit in Zentralsomalia. Abhandlungen - Anthropogeographie,Institut für Geographische Wissenschaften, Freie Universität Berlin, Bd. 51. Berlin.
BÄHR, J.; JÜRGENS, U. (Hrsg.)(2000): Transformationsprozesse im Südlichen Afrika - Konsequenzen fürGesellschaft und Natur. Symposium in Kiel vom 29.10.-30.10.1999. Kieler Geographische Schriften104. Kiel.
BASSLER, R. (Hrsg.) (1976, mit Ergänzungslieferungen bis 1997): Handbuch der landwirtschaftlichen Versuchs-und Untersuchungsmethodik (Methodenbuch). Verband Deutscher Landwirtschaftlicher Untersuchungs-und Forschungsanstalten. Darmstadt.
BAUMHÖGGER, G. (1999): Zimbabwe. In: Institut für Afrikakunde; HOFMEIER, R. (Hrsg.): Afrika-Jahrbuch 1998:410-422. Leske und Budrich. Opladen.
BENEDETTI, R.; ROSSINI, P. (1993): On the Use of NDVI Profiles as a Tool for Agricultural Statistics: The CaseStudy of Wheat Yield Estimate and Forecast in Emilia Romagna. Remote Sensing of Environment,Bd. 45: 311-326.
BENNETT, J. (1985): A Field Guide to Soil and Site Description in Zimbabwe. Department of Research andSpecialist Services. Technical Handbook No. 6. Ministry of Lands, Agriculture and Rural Development.Harare.
BILLE, J.C. (1980): Measuring the Primary Palatable Production of Browse Plants. In: LE HOUÉROU, H.N.:Browse in Africa, The Current State of Knowledge: 185-195. International Livestock Centre for Africa.Addis Ababa.
BLASCHKE, T. (2000): Ohne Salz und Pfeffer. GeoBIT 2/2000: 19-21.
BLASCHKE, T. (Hrsg.)(2002): Fernerkundung und GIS. Neue Sensoren – innovative Methoden. Wichmann.Heidelberg.
BOUDET, G. (1978): Manuel sur les Pâturages Tropicaux et les Cultures Fourragères. Institut d'Élevage et deMédecine Vétérinaire des pays Tropicaux, Manuels et Précis d'Élevage 4. Ministère de la Coopération.Paris.
BOURLIÈRE, F. (1983): Tropical Savannas. Ecosystems of the World 13. Elsevier. Amsterdam, Oxford, NewYork, Tokyo.
BOURLIÈRE, F.; HADLEY, M. (1983): Present-Day Savannas: An Overview. In: BOURLIÈRE, F.: Tropical Savannas.Ecosystems of the World 13. Elsevier. Amsterdam, Oxford, New York, Tokyo.
BRANSBY, D.I.; TAINTON, N.M. (1977): The Disc Pasture Meter: Possible Applications in Grazing Management.Proc. Grassland Soc. Sth. Afr., Bd. 12: 115-118.
BUCKLE, C. (1996): Weather and Climate in Africa. Longman. Harlow.
CAMPBELL, B.M. (Hrsg.)(1996): The Miombo in Transition: Woodlands and Welfare in Africa. Center forInternational Forestry Research (CIFOR). Bogor.
CAMPBELL, B.M.; FROST, P.; BYRON, N. (1996): Miombo Woodlands and their Use: Overview and Key Issues.In: CAMPBELL, B.M.: The Miombo in Transition: Woodlands and Welfare in Africa. Center for InternationalForestry Research (CIFOR). Bogor.
Literaturverzeichnis
118 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
CAMPBELL, B. M.; DU TOIT, R.F. (1994): Vegetation Patterns and the Influence of Small-Scale Farmers in aSemi-Arid Savanna Area in Zimbabwe. Kirkia, Bd. 15, H. 1: 10-32.
CHAVEZ, P.S. (1988): An Improved Dark-Object Subtraction Technique for Atmospheric Scattering Correctionof Multispectral Data. Remote Sensing of Environment, Bd. 24: 459-479.
CHAVEZ, P.S. (1996): Image-Based Atmospheric Corrections – Revisited and Improved. PhotogrammetricEngineering and Remote Sensing, Bd. 62, H. 9: 1025-1036.
CHENJE, M.; JOHNSON, P. (Hrsg.)(1994) : State of the Environment in Southern Africa. Southern African Researchand Documentation Centre. Harare.
CHENJE, M.; SOLA, L.; PALECZNY, D. (Hrsg.)(1998): The State of Zimbabwe‘s Environment. Ministry of Mines,Environment and Tourism. Harare.
Central Statistical Office (1984): 1982 Population Census. A Preliminary Assessment. Central StatisticalOffice. Harare.
Central Statistical Office (1993): Census 1992. Provincial Profile: Province 8, Masvingo. Central StatisticalOffice. Harare.
CISSÉ, M.I.. (1980): The Browse Production of some Trees of the Sahel: Relationships between MaximumFoliage Biomass and Various Physical Parameters. In: LE HOUÉROU, H.N.: Browse in Africa, TheCurrent State of Knowledge: 205-210. International Livestock Centre for Africa. Addis Ababa.
CLATWORTHY, J.N. (1989): A Review of Rangeland Utilization Trials in Zimbabwe, 1970 to 1985. In: HOLNESS,E.G. (Hrsg.): Beef Production Manual: 225-243. Cattle Producers´Association (Zimbabwe). Harare.
CLATWORTHY, J.N.; MACLAURIN, A.R.; AVILA, M. (1986): The Possible Role of Forage Legumes in CommunalArea Farming Systems in Zimbabwe. In: HAQUE , I.; JUTZI, S.; P.J.H. NEATE (Hrsg.): Potentials of foragelegumes in farming systems of sub-Saharan Africa: 265 - 288. Proceedings of a workshop held atILCA, Addis Ababa, Ethiopia, 16-19 September 1985. Addis Ababa.
COOK, R. D.; WEISBERG, S. (1982): Residuals and Influence in Regression. Monographs on statistics andapplied probability 18. Chapman & Hall. New York.
CSAPLOVICS, E. (1992): Methoden der regionalen Fernerkundung. Anwendungen im Sahel Afrikas. Springer.Berlin, Heidelberg, New York u.a.
DAUGHTRY, C.S.T.; GALLO, K.P.; GOWARD, S.N.; PRINCE, S.D.; KUSTAS, W.P. (1992): Spectral Estimation ofAbsorbed Radiation and Phytomass Production in Corn and Soybean Canopies. In: Remote Sensingof Environment, Bd. 39: 141-152.
Department of the Surveyor General (1996): Vegetation Map Series 1 : 250000, Shurugwi SE-36-13,Chimanimani SE-36-14. Department of the Surveyor General. Harare.
Department of the Surveyor General (1998): Zimbabwe Land Classification 1 : 1000000. Department of theSurveyor General. Harare.
DIAGAYÉTÉ, M. (1981): Untersuchungen zur Erweiterung der Kenntnisse über den Futterwert westafrikanischerFutterpflanzen. Dissertation am Institut für Tierernährung der Universität Hohenheim. Hohenheim.
DREISER, C. (1987): Anwendbarkeit von Landsat- (TM- und MSS-) Daten für eine Weidelandinventur insemiariden und ariden Räumen am Beispiel Nord-Kenya. Deutsche Forschungs- und Versuchsanstaltfür Luft- und Raumfahrt, Forschungsbericht DFVLR-FB 88-18. Oberpfaffenhofen.
DRUMMOND, R. B. (1981): Common Trees of the Central Watershed Woodlands of Zimbabwe. NationalResources Board of Zimbabwe. Harare.
DUSEK, D.A.; JACKSON, R.D.; MUSICK, J.T. (1985): Winter Wheat Vegetation Indices Calculated fromCombinations of Seven Spectral Bands. Remote Sensing of Environment, Bd. 18: 255-267.
EBENHÖCH, E. (2000): GIS-gestützte Generierung einer Bodeneigenschaftskarte im Gutu-Distrik, Zimbabwe.Diplomarbeit am Institut für Geographie der Universität Erlangen-Nürnberg (unveröffentlicht). Erlangen.
EVERITT, J.H.; ESCOBAR, D.E.; RICHARDSON, A.J. (1989): Estimating Grassland Phytomass Production withNear-Infrared and Mid-Infrared Spectral Variables. Remote Sensing of Environment, Bd. 30: 257-261.
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 119
FAO (1995): FAOCLIM 1.2 (user’s manual plus CD-ROM of worldwide agroclimatic data). Agro-meteorologySeries Working Paper 11. FAO. Rom.
FAO-Unesco (1977): Soil Map of the World 1 : 5000000, Volume VI Africa. Unesco. Paris.
FRANKLIN, S. E.; HIERNAUX, P. H. Y. (1991): Estimation Foliage and Woody Biomass Sahelian and SudanianWoodland Using a Remote Sensing Model. Int. Jour. Remote Sensing, Bd. 12, H. 6: 1387-1404.
FROST, P.; DESANKER, P. (1997): The Miombo Network: Causes and Consequences of Land-Use and Land-Cover Changes in the Miombo of South Central Africa. IGBP Newsletter, H. 29: 6-8.
GAMMON, D.M. (1978): A Review of Experiments Comparing Systems of Grazing Management on NaturalPastures. Proc. Grassl. Soc. South Africa, Bd. 13: 75-82.
GARDNER, B.R.; BLAD, B.L.; THOMPSON, D.R.; HENDERSON, K.E. (1985): Evaluation and Interpretation of ThematicMapper Ratios in Equations for Estimating Corn Growth Parameters. Remote Sensing of Environment,Bd. 18: 225-234.
GEIST, H. (1998): Tropenwaldzerstörung durch Tabak. Geographische Rundschau, Bd. 50, H. 5: 283-290.
GIOVACCHINI, A. (1986): An Evaluation of Different Green Vegetation Indices for Wheat Yield Forecasting.Proceedings of the Seventh International Symposium on Remote Sensing for Resources Developmentand Environmental Management, ISPRS Commission VII, Enschede 25-29 August 1986.
GLATZLE, A. (1990): Weidewirtschaft in den Tropen und Subtropen. Ulmer. Stuttgart.
GROTEN, S. M. E. (1991): Satellitenmonitoring von Agrarökosystemen im Sahel: Produktionsschätzungenmit Hilfe von Zeitreihen des Vegetationsindex aus NOAA-Satellitendaten von Burkina Faso. Dissertationam Institut für Geographie der Westfälischen Wilhelms-Universität Münster. Arbeitsberichte Lehrstuhlfür Landschaftsökologie Münster, H. 11. Institut für Geographie der Westfälischen Wilhelms-UniversitätMünster. Münster.
GRÜNINGER, F. (1999): Vegetationsstruktur, Futterwert und Ertrag intensiv beweideter Flächen im semi-ariden Südosten Zimbabwes. Diplomarbeit am Institut für Geographie der Universität Erlangen-Nürnberg(unveröffentlicht). Erlangen .
HELLDÉN, U.; OLSSON, K. (1982): The Potential of Landsat MSS Data for Wood Resources Monitoring - AStudy in Arid and Semi-arid Environment in Kordofan, The Sudan. Lunds Universitets NaturgeografiskaInstitution Rapporter och Notiser 52. Laboratory of Remote Sensing University of Lund. Lund.
HERLOCKER, D.; DOLAN, R.A. (1982): Comparison of Different Techniques for the Determination of Large DwarfShrub Biomass. IPAL Technical Report A-3, 30-40. UNESCO. Nairobi.
HILDEBRANDT, G. (1996): Fernerkundung und Luftbildmessung. Wichmann. Heidelberg.
HUANG C., WYLIE B., YANG L., HOMER C., ZYLSTRA G. (2002): Derivation of a Tasselled Cap TransformationBased on Landsat 7 At-satellite Reflectance. International Journal of Remote Sensing, Bd. 23, H. 8:1741 – 1748.
HUETE, A.R. (1988): A Soil-Adjusted Vegetation Index (SAVI). Remote Sensing of Environment, Bd. 25: 295-309.
HUMPHREYS, L. (1984): Tropical Pastures and Fodder Crops. Longman. Harlow.
HUMPHREYS, L. (1991): Tropical Pasture Utilisation. Cambridge University Press. Cambridge.
JANETSCHEK, H. (1982): Ökologische Feldmethoden. Ulmer. Stuttgart.
JEFFERS, J. N. (Hrsg.)(1972): Mathematical Models in Ecology. The 12. Symposium of the British Ecolog.Soc., Grange-over-Sands, Lancashire 23 - 26 March 1971. British Ecological Society. Oxford.
JENISCH, T.O. (1997):Pastorale Nutzungsmechanismen und nahinfrarot-reflexions-spektroskopisch (NIRS)ermittelte Qualität der Futterresourcen im Départment Atacora/Benin (West-Afrika). Karlsruher Schriftenzur Geographie und Geoökologie, Band 6. Institut für Geographie und Geoökologie der UniversitätKarlsruhe (TH). Karlsruhe.
JONGMAN, R.H.G.; TER BRAAK, C.J.F.; VAN TONGEREN, O.F.R. (Hrsg.)(1995): Data Analysis in Community andLandscape Ecology. Cambridge University Press. Cambridge.
120 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
KANSCHIK, W. (1999): The Miombo Woodland Subclimax of the Northern Region of Zimbabwe. DerTropenlandwirt, Beiheft 67. Verband der Tropenlandwirte. Witzenhausen.
KEY, J. (2001): Streamer User’s Guide, Cooperative Institute for Meteorological Satellite Studies, Universityof Wisconsin. Madison.
KRAUS, T.; SAMIMI, C. (2002): Biomass estimation for land use management and fire management usingLandsat-TM and -ETM+. Erdkunde, Bd. 56, H. 2:130-143..
KREEB, K.-H. (1983): Vegetationskunde. Ulmer. Stuttgart.
KUß EROW, H. (1990): Anwendung von Landsat-Daten zur Erfassung der Vegetationsdynamik indesertifikationsgefährdeten Gebieten Malis. Die Erde, Bd. 121: 39-53.
KUß EROW, H. (1994): Quantitative und qualitative Erfassung von Vegetationsänderungen. Die Erde, Bd.125: 35-56.
KWESHA, D.; DREISER, C. (1998): Vegetation Mapping in Zimbabwe Using Satellite Remote Sensing andGeographic Information System. ForMat, Vol. 10, No. 1, Newsletter of the Research & DevelopmentDivision, Zimbabwe Forestry Commission. Harare.
LAMBERT, J. (1972): Theoretical Models for Large Scale Vegetation Survey. In: JEFFERS, J. (Hrsg.): MathematicalModels in Ecology: the 12. symposium of the British Ecolog. Soc., Grange-over-Sands, Lancashire23 - 26 March 1971: 87-109. Blackwell. Oxford.
LAMPREY, H.F.; HERLOCKER, D.J.; FIELD, C.R. (1980): Report on the State of Knowledge on Browse in EastAfrica in 1980. In: LE HOUÉROU, H.N.: Browse in Africa, The Current State of Knowledge: 33-54International Livestock Centre for Africa. Addis Ababa.
LAWTON, R.M. (1980): Browse in Miombo Woodland. In: LE HOUÉROU, H.N.: Browse in Africa, The CurrentState of Knowledge: 25-31. International Livestock Centre for Africa. Addis Ababa.
LE HOUÉROU, H.N. (Hrsg.)(1980): Browse in Africa, The Current State of Knowledge. International LivestockCentre for Africa. Addis Ababa.
LE HOUÉROU, H.N. (1980): The Role of Browse in the Sahelian and Sudanian Zones. In: LE HOUÉROU, H.N.:Browse in Africa, The Current State of Knowledge: 83-100. International Livestock Centre for Africa.Addis Ababa.
LIGHTFOOT, C. (1998): Common Veld Grasses of Zimbabwe. National Resources Board of Zimbabwe. Harare.
MACLAURIN, A.R.; MAASDORP, B.V. (Hrsg.)(1989): Rangeland Potential in the SADCC Region. Southern AfricanDevelopment Coordination Conference (SADCC), Harare. Harare.
MACVICAR, C.N. (1977): Soil Classification. A Binominal System for South Africa. Department of AgriculturalTechnical Services, Science Bulletin 390. Department of Agricultural Technical Services. Pretoria.
MATHER, P.M. (1999): Computer Processing of Remotely-Sensed Images. Wiley & Sons. Chichester, NewYork, Weinheim, Brisbane, Singapore, Toronto.
MANSHARD, W. (1988): Entwicklungsprobleme in den Agrarräumen des tropischen Afrika. WissenschaftlicheBuchgesellschaft. Darmstadt.
MAUSER, W. (1989): Die Verwendung hochauflösender Satellitendaten in einem GeographischenInformationssystem zur Modellierung von Flächenverdunstung und Bodenfeuchte. Habilitationsschriftan Geowissenschaftlichen Fakultät der Albert-Ludwigs-Universität Freiburg (unveröffentlicht). Freiburg.
MENZ, G. (1994): Biomasse und Satellitenfernerkundung: Zur Berechnung von Karten der oberirdischenPhytomasse von Kenya aus NOAA-NDVI-Daten. Geomethodica, Bd. 19: 149-188.
MENZ, G. (1996): Niederschlag und Biomasse in den wechselfeuchten Tropen Ostafrikas. ErdwissenschftlicheForschung Band XXXIV. Steiner. Stuttgart.
MEURER, M. (1991): Weidepotentialanalysen in der Atacora-Provinz Benins. Interdisziplinäre Studien imRahmen einer anwendungsorientierten Entwicklungshilfe. Karlsruher Berichte zur Geographie undGeoökologie, H. 1. Institut für Geographie und Geoökologie der Universität Karlsruhe (TH). Karlsruhe.
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 121
MILL, E.; KNEMEYER, J.; MATTER, H.E.; STEINBACH, J. (1988): Methodische Ansätze zur Bestimmung desNährstoffangebotes der verschiedenen Vegetationsebenen im nördlichen und südlichen Afrika. GiessenerBeiträge zur Entwicklungsforschung, Reihe I, Bd. 17: 113-121. Tropeninstitut der Justus-Liebig-Universität Giessen. Giessen.
Ministry of Internal Affairs (1971): A Report on the Survey of the Natural Resources and Socio-EconomicCircumstances of Gutu District in Relation to Economic Development and Land Use Policy. Ministryof Internal Affairs. Salisbury (heute Harare).
MOLEELE, N.; RINGROSE, S.; ARNBERG, W.; LUNDEN, B.; VANDERPOST, C. (2001): Assessment of VegetationIndexes Useful for Browse (Forage) Prediction in Semi-Arid Rangelands. Int. Jour. Remote Sensing,Bd. 22, H. 5: 741-756.
MOMBESHORA, B.G.; MACLAURIN, A.R. (1989): Rangeland Resources, Livestock Potential and ProductionConstrains in Small Scale Livestock Systems in Zimbabwe. In: MACLAURIN, A.R.; MAASDORP, B.V.(Hrsg.): Rangeland Potential in the SADCC Region: 153-165. Southern African Development CoordinationConference (SADCC), Harare.
MORAN, M.S.; JACKSON, R.D.; SLATER, P.N.; TEILLET, P.M. (1992): Evaluation of Simplified Procedures forRetrieval of Land Surface Reflectance Factors from Satellite Sensor Output. Remote Sensing ofEnvironment, Bd. 41: 169-184.
MOUGIN, E.; LO SEEN, D.; RAMBAL, S.; GASTON, A.; HIERNAUX, P. (1995): A Regional Grassland Model to beCoupled with Multispectral Satellite Data. I: Model Description and Validation. Remote Sensing ofEnvironment, Bd. 52: 181-193.
MOYO, S. (1995): The Land Question in Zimbabwe. Sapes Books. Harare.
MÜLLER, M.J. (1980): Handbuch ausgewählter Klimastationen der Erde. Forschungsstelle Bodenerosion derUniversität Trier Mertesdorf (Ruwertal). Trier.
MUELLER-DOMBOIS, D.; ELLENBERG, H. (1974): Aims and Methods of Vegetation Ecology. Wiley & Sons. NewYork, London, Sydney, Toronto.
MUSHOVE, P. (1996): Regression Equations for Estimating Biomass and Volume of Brachystegia spiciformisin Zimbabwe. The Zimbabwe Science News, Bd. 30, H. 2: 56-60.
NETSHILUVI, T.; SCHOLES, B. (2001): Allometry of South African Woodland Trees. Division of Water, Environmentand Forest Technology. Council for Scientific and Industrial Research (CSIR). Pretoria.
NYAMAPFENE, K.W. (1988): A Note on some Zimbabwean Soil-Vegetation Relationships of Important IndicatorValue in Soil Survey. Kirkia, Bd. 13, H. 1: 239-242.
O´CONNOR, T.G. (1995): Transformation of a Savanna Grassland by Drought and Grazing. Afr. J. Range For.Sci., Bd. 12, H. 2: 53-60.
OLSSON, K. (1984): Remote Sensing of Woody Vegetation - A Quantitative Approach in the SudaneseDrylands. Lunds Universitets Naturgeografiska Institution Rapporter och Notiser 57. Laboratory ofRemote Sensing University of Lund. Lund.
O‘REAGAIN, P.J.; TURNER, J.R. (1992): An Evaluation of the Empirical Basis for Grazing ManagementRecommendations for Rangeland in Southern Africa. J. Grassl. Soc. South. Afr., Bd. 9, H. 1: 38-49.
PALGRAVE, K. C. (1996): Trees of Southern Africa. (2. Auflage). Struik.Kapstadt.
PRESCOTT, J.R.V. (1961): Over-Population and Over-Population in the Native Areas of Matabeleland. TheGeographical Journal, Bd. 127: 212-225.
PRICE, J.C. (1987): Calibration of Satellite Radiometers and the Comparison of Vegetation Indices. RemoteSensing of Environment, Bd. 21: S. 15-27.
QI, J.; CHEHBOUNI, A.; HUETE, A.R.; KERR, Y.H.; SOROOSHIAN, S. (1994): A Modified Soil Adjusted VegetationIndex. Remote Sensing of Environment, Bd. 48: 119-126.
RATTRAY, J.M. (1970): The Habit, Distribution, Habitat, Forage Value and Veld Indicator Value of the CommonerSouthern Rhodesian Grasses. Ministry of Agriculture Bulletin No. 2051, reprinted from RhodesiaAgricultural Journal 57(5), 1960. Ministry of Agriculture. Salisbury (heute Harare).
122 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
REES, W.A. (1974): Preliminary Studies into Bush Utilization by Cattle in Zambia. Journal of Applied Ecology,Bd. 11: 207-214.
RINGROSE, S.; VANDERPOST, C.; MATHESON, W. (1997): Use of Image Processing and GIS Techniques toDetermine the Extent and Possible Causes of Land Management/Fenceline Induced DegradationProblems in the Okavango Area, Northern Botswana. Int. Jour. Remote Sensing, Bd. 18, H. 11: 2337-2364.
RIVIÈRE, R. (1978): Manuel d’alimentation des ruminants domestiques en milieu tropical. In: Manuels etprécis d’élevage, Bd. 9. Ministere de la Cooperation. Paris.
RONDEAUX, G.; STEVEN, M.; BARET, F. (1996): Optimization of Soil-Adjusted Vegetation Indices. RemoteSensing of Environment, Bd. 55: 95-107.
RUSSELL, G.E.G; WATSON, L.; KOEKEMOER, M.; SMOOK, L.; BARKER, N.P.; ANDERSON, H.M.; DALLWITZ, M.J.(1991): Grasses of Southern Africa. Memoirs of the Botanical Survey of South Africa No. 58. NationalBotanic Gardens. Botanical Research Institute. Pretoria.
RUTHERFORD, M.C. (1970): Aboveground Biomass Subdivisions in Woody Species of the Savanna EcosystemProject Area, Nylsvley. South African National Scientific Programmes, Report N. 36. Council for Scientificand Industrial Research (CSIR). Pretoria.
RUTHERFORD, M.C. (1982): Aboveground Biomass Categories of Woody Plants in a Burkea africana – Ochnapulchra Savanna. Bothalia, Bd. 14, H. 1: 131-138.
SACHS, L. (1997): Angewandte Statistik. Springer. Berlin, Heidelberg, New York.
SAMIMI, C. (1996): Raum-zeitliche Modellierung der aktuellen Evapotranspiration und der Bodenfeuchteunter Einsatz von Landsat-TM: Fallstudie in Nordwestiran. Dissertation am Institut für Geographie derUniversität Erlangen Nürnberg. Erlanger Geographische Arbeiten, Bd. 57. Fränkische GeographischeGesellschaft. Erlangen.
SAMIMI, C. (2000): Landnutzung und Umweltveränderung im Gutu Distrikt (Zimbabwe). In: BÄHR, J.; JÜRGENS,U.: Transformationsprozesse im Südlichen Afrika - Konsequenzen für Gesellschaft und Natur: 129-141. Symposium in Kiel vom 29.10.-30.10.1999. Kieler Geographische Schriften, Bd. 104,Geographisches Institut der Universität Kiel. Kiel..
SCHLICHTING, E.; BLUME, H.-P.; STAHR, K. (1995): Bodenkundliches Praktikum. (2. Auflage) Blackwell. Berlin,u.a.
SIBANDA, H.M. (1990): Problems of Land Use Planning in the Communal Areas of Zimbabwe: A Case Studyof Gutu District, Masvingo Province. Applied Geography, Bd. 10: 135-146.
SONG, C.; WOODCOCK, C.E.; SETO, K.C.; LENNEY, M.P.; MACOMBER, S.A. (2001): Classification and ChangeDetection Using Landsat TM Data: When and How to Correct Atmospheric Effects? Remote Sensingof Environment, Bd. 75: 230-244.
STATISTISCHES BUNDESAMT (1995): Länderbericht Simbabwe. Metzler-Poeschl. Stuttgart.
STOCKING, M.A.; ELWELL, H.A. (1976): Soil Erosion Hazard in Rhodesia. Rhodesia Agricultural Journal, Bd.70: 93-101.
STURM, H.-J. (1993): Produktions- und weideökologische Untersuchungen in der subhumiden SavannenzoneNordbenins – ein Konzept zur Konzeption ökologisch nachhaltiger Nutzungssysteme. KarlsruherSchriften zur Geographie und Geoökologie, Bd. 2. Institut für Geographie und Geoökologie der UniversitätKarlsruhe (TH). Karlsruhe.
TEILLET, P.M.; BARKER, J.L.; MARKHAM, B.L.; IRISH, R.R.; FEDOSEJEVS, G.; STOREY, J.C. (2001): RadiometricCross-calibration of the Landsat-7 ETM+ and Landsat-5 TM Sensors Based on Tandem Data Sets.Remote Sensing of Environment, Bd. 78: 39-54.
TEILLET, P.M.; FEDOSEJEVS, G. (1995): On the Dark Approach to Atmospheric Correction of Remotely SensedData. Canadian Journal of Remote Sensing, Bd. 21, H. 4: 374-387.
TER BRAAK, C.J.F. (1988): CANOCO – a FORTRAN program for canonical community ordination by [partial][detrended] [canonical] correspondence analysis, principal components analysis and redundancyanalysis (version 2.1). Technical Report LWA-88-02. Groep Landbouwwiskunde. Wageningen.
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 123
TIMBERLAKE, J.R.; NOBANDA, N.; MAPAURE, I. (1993): Vegetation Survey of the Communal Lands – North andWest Zimbabwe. Kirkia, Bd. 14, H. 2: 171-270.
TODD, S.W.; HOFFER, R.M.; MILCHUNAS, D.G. (1998): Biomass Estimations on Grazed and UngrazedRangelands Using Spectral Indices. Int. Jour. Remote Sensing, Bd. 19, H. 3: 427-438.
TROLL, C.; PAFFEN, K. (1964): Karte der Jahreszeiten-Klimate der Erde. Erdkunde, Bd. 18: 5-28.
TROLLOPE, W.S.W.; POTGIETER, A.L.F. (1986): Estimating Grass Fuel Loads with a Disc Pasture Meter in theKruger National Park. J. Grassl. Soc. Sth. Afr., Bd. 3/4: 148-152.
TUCKER, C.J.; VANPRAET, C.L.; BOERWINKEL, E.; GASTON, A. (1983): Satellite Remote Sensing of Total DryMatter Production in the Senegalese Sahel. Remote Sensing Environment, Bd. 13: 416-474.
TUCKER, C.J.; VANPRET, C.L.; SHARMAN, M.J.; VAN ITTERSUM, G. (1985): Satellite Remote Sensing of the TotalHerbaceous Biomass Production in the Senegalese Sahel 1980-1984. Remote Sensing Environment,Bd. 17: 233-249.
US Geological Survey (1997): Digital Elevation Model (DEM), resolution 0,1 degree. US Geological Survey.Sioux Falls.
VAN OUDTSHOORN, F. (1992): Guide to Grasses of South Africa. Briza Publishers. Kapstadt.
VAN SOEST, P. (1994): Nutritional Ecology of the Ruminant. (2. Auflage). Comstock. Ithaca, London.
VAN WYK, B.; VAN WYK P. (1997): Field Guide to Trees of Southern Africa. Struik. Kapstadt.
VINCENT, V.; THOMAS, R.G. (1962): An Agricultural Survey of Southern Rhodesia: Part I, Agro-ecologicalSurvey. Ministry of Agriculture. Salisbury (heute Harare).
WALKER, B.H. (1980): A Review of Browse and its Role in Livestock Production in Southern Africa. In: LEHOUÉROU, H.N.: Browse in Africa, The Current State of Knowledge: 7-24. International Livestock Centrefor Africa. Addis Ababa.
WEISS, W.; CONRAD, H.; St. PIERRE, N. (1992): A Theoratically - based Model for Predicting Total DigestibleNutrient Values of Forages and Concentrates. Animal Feed Science and Technology, Bd. 39: 95-110.
WHITE, F. (1983): The Vegetation of Africa. Natural Resources Research, Bd. 20, Unesco. Paris.
WHITEMAN, P.C. (1980): Tropical Pasture Science. Oxford University Press. Oxford.
WHITLOW, J.R. (1980a): Land use, population pressure and rock outcrops in the tribal areas of ZimbabweRhodesia. Zimbabwe Rhodesia Agric. Journal, Bd. 77, H. 1: 3-11.
WHITLOW, J.R. (1980b): Agricultural Potential in Zimbabwe: A Factorised Survey. Zimbabwe AgriculturalJournal, Bd. 77, H. 3: 97-106.
WHITLOW, J.R. (1988): Potential Versus Actual Erosion in Zimbabwe. Applied Geography, Bd. 8: 87-100.
WHITLOW, J.R.; CAMPBELL, B.M. (1989): Factors Influencing Erosion in Zimbabwe: A Statistical Analysis.Journal of Environmental Management, Bd. 29: 17-29.
WILL, H. (1996): Fernerkundung und Weideökolgie in der subhumiden Savannenzone NW-Benins. KarlsruherSchriften zur Geographie und Geoökologie 4. Institut für Geographie und Geoökologie der UniversitätKarlsruhe (TH). Karlsruhe.
Zimbabwe Geological Survey (1994): Geological Map of Zimbabwe 1 : 1000000. Department of the SurveyorGeneral. Harare.
ZINYAMA, L.M. (1982): Post-independance Land Resettlement in Zimbabwe. Geography, Bd. 67: 149-152.
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 125
PHOTOS
Photo 1: Der Miombo Trockenwald findet sich in denstark anthropogen genutzten Communal Landsdes Gutu Distrikt nur noch in Resten auf Insel-bergen (März/April 1997)
Photo 6: Der Entwicklungszustand des Mais gegenEnde der Regenzeit zeigt deutlich, dass die Re-gion nicht für den Anbau von Mais geeignet ist.Die vorangegangene Regenzeit hatte durch-schnittliche bis überdurchschnittliche Nieder-schlagsmengen. (März/April 1999)
Photo 10: Fläche 84 ist ein Beispiel für extremeDegradierungserscheinungen in den CommunalLands. Neben dem vollständigen Fehlen einerVegetationsdecke zeigen sich flächenhafte De-nudation und lineare Erosionserscheinungen.(März/April 1999)
Photo 3: Auf der Testfläche 16 zeigt sich die Hetero-genität der Vegetation. Gebüsch- und Baumgrup-pen stehen auf Grasflächen. Große Bäume sindmeist Fruchtbäume. Die lückige Grasdecke deu-tet auf Überweidung hin. (März/April 1998)
Photo 8: F. Grüninger und Mr. Musanhu (AGRITEX,Gutu) bei der Vegetationsaufnahme auf Fläche19. Deulich zu sehen ist die starke Überweidungder Fläche. Im Hintergrund liegt die Fläche 18mit ihrem hohen Bestand an Aristida junciformis.(September/Oktober 1997)
Photo 9: Auf den Dolorit-Rücken im Arbeitsgebiet, diesich durch rötliche Böden auszeichnen, stehenoft dichte Vegetationsbestände (Fläche 1). Diehohen Bäume sind Kirkia acuminata. (Septem-ber/Oktober 1998)
Photo 4: Grasflächen wie hier auf Testfläche 53 sindnatürlich weitgehend an Vleis gebunden. Die Flä-che liegt in den SSCFA-Gebieten, was sich, imGegensatz zu den Verhältnissen in Photo 3, imhohen Grasstand zeigt. (März/April 1999)
Photo 7: Automati-sche Klimasta-tion auf demGelände derKurai PrimarySchool im Os-ten des Ar-beitsgebietes
Photo 2: Akazien Gebüsch ist häufig eine Folge deshohen Beweidungsdrucks, Testfläche 81 (März/April 1999)
Photo 5: Die Fläche 64 zeigt sich bei den statisti-schen Auswertungen als Ausreißer mit hohenPhytomassewerten der Gras- und Krautschicht.Neben hohen Biomassewerten sieht man auf derFläche auch einen hohen Anteil an Nekromasse.Die Fläche liegt in den SSCFA-Gebieten und warwahrscheinlich einige Zeit nicht beweidet. (März/April 1999)
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 127
Arten 1 3 6 8 9 12 11 13 14 16 17 18 19 22 23 26 28 29 30 32 33 34 35 36 38 39 40 41 45
Acacia goetzei 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.4 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.3Acacia karoo 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.9 0.0 0.0 0.0 1.2 1.7 0.0 0.0 0.0Acacia nigrescens 0.6 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 0.3 0.0 0.0 0.0 0.7 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Acacia nilotica 1.3 64.2 0.3 12.9 38.6 0.0 0.4 0.4 0.7 0.5 9.6 0.0 0.0 0.0 19.6 8.8 5.6 0.2 0.9 1.6 2.2 1.3 4.5 0.3 14.3 24.3 6.0 38.7 3.0Acacia rehmanniana 0.0 12.2 0.0 4.4 7.9 5.2 1.4 0.0 0.2 13.0 2.2 0.0 0.0 6.3 5.1 0.0 0.0 0.0 0.0 0.0 0.0 4.0 2.9 0.8 6.0 6.1 0.1 6.3 0.0Acacia sieberana 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.3 0.0 0.3 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Acacia spec. 0.5 0.0 0.0 0.5 0.5 0.0 0.0 0.0 1.9 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.5 0.0Acokanthera oppositifolia 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.7 0.0 0.0 0.0 0.0 0.0 0.0Adansonia digitata 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.3Adenia fruticosa ssp. simplicifolia 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Agathisanthemum bogeri 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0Albizia amara 7.0 0.3 0.0 11.0 0.0 0.0 7.9 0.0 0.0 0.0 1.9 0.0 0.0 0.0 11.3 0.0 0.0 0.2 0.2 8.2 0.7 0.0 0.0 0.0 0.0 0.0 1.2 1.6 5.9Albizia antunesiana 0.0 0.0 1.4 0.7 0.0 0.0 0.7 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.6 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0Albizia brevisfolia 0.0 0.0 0.7 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Albizia harveyi 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Albizia spec. 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 3.8 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0Albizia versicolor 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Allophylus africanus 0.0 0.0 0.7 0.2 1.6 1.1 0.0 0.0 0.0 2.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.4 5.0 0.3 0.0 0.0 0.0 0.0 0.0Aloe excelsa 1.6 0.3 0.0 0.0 0.0 0.0 0.0 2.3 0.2 0.0 1.0 0.0 0.3 2.1 0.0 0.0 0.0 0.0 0.0 0.0 0.7 0.9 0.0 0.0 0.0 0.0 0.0 0.0 0.0Annona senegalensis 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 2.3 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Anthospermum rigidum ssp. pumilum 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.5 0.5 0.0 0.0 0.0 0.0 0.0Antidesma venosum 0.0 0.0 0.3 0.0 0.0 0.0 0.0 0.0 1.3 0.2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.4 0.0 0.0 0.0 0.0 0.0 0.0 0.0Aptosimum lineare 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Aristida barbicollis 3.0 0.5 15.0 15.0 3.0 3.0 15.0 3.0 3.0 3.0 15.0 0.0 15.0 3.0 15.0 3.0 15.0 15.0 15.0 3.0 0.5 3.0 3.0 3.0 0.5 3.0 0.5 3.0 3.0Aristida junciformis 0.5 0.0 0.5 0.5 0.5 0.0 0.0 0.5 0.0 0.0 0.0 37.5 0.0 0.5 0.0 0.5 0.5 0.5 0.0 3.0 0.0 0.0 0.5 0.5 0.0 0.0 0.1 0.5 0.5Aristida rhiniochloa 0.0 0.0 0.0 0.5 0.0 0.5 0.5 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.5 0.0 0.5 3.0 0.0 0.5 0.0 0.0 0.5 0.0 0.0 0.0 0.1 0.0Aristida spec. 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 15.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Aristolochia albida 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0Artabotrys brachypetalus 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Asparagus africanus 0.6 2.8 0.0 0.0 0.0 0.0 0.0 3.9 0.9 1.6 0.0 0.7 0.0 1.0 0.6 0.0 0.2 0.0 0.7 0.0 0.7 0.4 0.0 0.0 1.2 0.9 0.0 0.0 0.0Asparagus setaceus 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Azanza garckeana 0.0 0.0 0.0 0.2 0.0 0.4 0.7 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.9 0.0 0.4 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5Berchemia discolor 1.3 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.3 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.2 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.3Bergia decumbens 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0Blepharis transvaalensis 0.0 0.5 0.0 0.0 3.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.5 0.5 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.5 0.0 0.0 0.5Bolusanthus speciosus 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Bothriochloa insculpta 0.0 15.0 0.0 0.0 3.0 0.0 0.0 0.0 0.0 0.5 3.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Brachiaria nigropedata 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 3.0 0.0 0.0Brachiaria ramosa 0.5 0.0 0.0 0.0 0.5 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.1 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0Brachiaria spec. 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5Brachylaena rotundata 5.4 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Brachystegia glaucescens 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.6 0.0 0.0 0.0 0.0 0.0 0.0 0.6 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Brachystegia spiciformis 0.3 0.0 13.1 5.3 0.0 0.0 0.0 0.0 0.0 0.0 0.0 3.4 14.9 0.0 1.2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 41.5 0.0 0.0 0.0 9.5 0.0 0.0Bridelia cathartica 0.0 0.0 0.0 0.4 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.2 0.0 0.0 0.0 0.2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.8Bridelia mollis 3.2 0.3 0.0 0.0 0.0 0.0 0.0 1.6 0.7 1.3 0.0 0.0 0.0 0.0 0.0 0.1 3.9 0.0 0.0 0.0 0.2 0.4 0.3 0.0 0.0 0.0 0.0 0.0 2.4Bulbostylis barchellii 0.0 0.5 0.0 0.0 0.0 0.5 0.0 3.0 0.5 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 3.0 0.5 0.0 0.0 0.0 0.5 0.0Bulbostylis densa 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Burkea africana 0.0 0.0 1.4 0.9 0.0 0.0 1.1 9.8 0.0 0.0 0.0 2.0 2.1 0.0 0.3 0.1 0.0 0.2 0.0 0.0 0.0 0.0 0.6 0.3 0.0 0.0 3.6 0.5 0.0Camptorrhiza strumosa 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Canthium glaucum ssp. frangula 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.9 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Carissa bispinosa 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0Carissa edulis 0.0 2.6 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.9 4.1 0.0 0.0 1.7 0.0 0.0 0.0Cassia abbreviata 1.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 2.8 0.2 0.2 0.8 0.2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Catunaregam spinosa 0.0 0.0 0.0 0.2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 2.4 0.9 0.0 0.3 0.0 0.0 0.0 0.0 0.0 0.3Ceratotheca triloba 0.0 0.0 0.0 0.0 0.0 0.0 1.8 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 6.6 0.0Chamaecrista absus 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Chamaecrista mimosoides 0.0 0.0 0.5 0.0 0.0 0.5 0.5 0.1 0.1 0.0 0.1 0.5 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0Chloris virgata 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Cissus cornifolia 0.3 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Clerodendrum eriophyllum 0.6 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Clerodendrum myricoides 0.0 0.0 0.0 0.0 0.0 0.0 0.0 2.3 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Coichorus kirkii 0.0 0.0 0.0 0.0 0.0 0.0 0.7 0.8 0.0 0.0 0.0 1.0 0.0 0.0 0.0 2.8 17.2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.3 13.4Colophospermum mopane 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.9 0.0 0.0 0.0 0.0 0.0 0.0 0.0 67.8 0.4 65.9 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Combretum apiculatum 0.3 0.0 0.7 0.0 0.0 0.0 0.0 0.0 0.0 0.2 0.0 0.0 0.0 0.0 0.0 0.1 0.0 2.5 5.6 0.4 2.7 0.0 0.0 0.0 0.0 0.0 0.0 0.3 0.3Combretum collinum 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 6.0 0.0 1.6Combretum hereroense 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.3 0.0 0.0 0.0 0.3 0.0 0.0 0.0 0.0 0.9 0.0 0.0 0.0Combretum imberbe 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.3 0.0 0.0 0.0 0.4 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Combretum molle 4.8 0.0 0.7 0.0 0.0 0.4 1.4 2.0 1.3 1.6 1.0 1.0 0.9 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.2 0.0 1.2 0.0 0.0 0.0 2.4 0.0 0.0Combretum mosambicense 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.8Combretum platypetalum ssp. oatesii 0.0 0.0 0.0 0.0 0.0 3.7 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.4 0.0 0.0 0.0 2.6 0.0Combretum psidioides ssp. glabrum 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.9 0.0 0.0 0.0Combretum zeyheri 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.2 0.8 0.0 0.0 0.4 0.0 0.0 0.0 0.0 0.0 2.4 0.0 3.5Commelina africana var. krebsiana 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
Testflächen
Anhang 1a: Artenliste
128 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
Arten 1 3 6 8 9 12 11 13 14 16 17 18 19 22 23 26 28 29 30 32 33 34 35 36 38 39 40 41 45
Testflächen
Commelina africana var. lancispatha 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Commiphora africana 2.2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Conyza aegyptiaca 3.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.5 0.0 0.0 0.0Conyza albida 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Corbichonia decumbens 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Corchorus schimperi 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0Corchorus tridens 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Cordia monoica 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.3 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.2 0.0 0.0 0.0 0.0 0.0 0.0Craterostigma plantagineum 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Crossopteryx febrifuga 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.2 0.0 0.0 0.0 0.0 0.0 0.0Crotalaria microcarpa 0.0 0.0 0.0 0.0 0.1 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Crotalaria pallida var. pallida 0.0 0.0 4.8 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 3.0 0.0 0.0Crotalaria pisicarpa 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Crotalaria rhodesia 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.1 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0Crotalaria steudneri 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Cucurbitaceae spec. 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.4 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Cussonia arborea 0.6 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Cynodon dactylon 15.0 15.0 15.0 15.0 0.5 15.0 15.0 0.0 15.0 15.0 3.0 0.0 3.0 15.0 0.0 3.0 3.0 0.0 0.0 0.0 0.0 0.5 0.0 3.0 3.0 15.0 3.0 3.0 0.5Cyperus denudatus ssp. sphaerospermus 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0Cyperus esculentus 0.0 0.0 3.0 0.5 0.5 0.5 0.0 0.5 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.5 0.0 0.0 0.0 0.0 0.0 3.0 0.5 0.5 0.0 0.5 0.0 0.1Cyperus spec. 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Cyperus tenax 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.5 0.5 0.5 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0Dactyloctenium aegyptum 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 3.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Dalbergia melanoxylon 1.3 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 2.9 0.0 0.0 0.0 0.0 0.0 0.0 3.2 2.1 0.0 0.4 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Dalbergiella nyasae 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 18.9 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.8Dicerocaryum senecioides 0.0 0.0 0.0 0.5 3.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.5 3.0 0.0 0.0 0.0 0.0 0.5 0.0 3.0 0.0 0.0 3.0 0.0 0.0Dichrostachys cinerea 6.3 0.6 4.8 9.2 0.0 1.7 18.9 3.8 0.0 0.8 31.7 0.2 0.9 0.0 0.9 7.3 0.0 7.5 3.2 2.4 4.7 1.3 0.6 0.6 15.5 27.8 9.5 3.4 8.3Dicoma niccolifera 0.0 0.0 0.0 0.5 0.0 0.1 0.5 0.5 0.0 0.0 0.0 0.0 0.5 0.5 0.0 0.5 0.5 0.0 0.0 0.5 0.0 0.1 0.1 0.5 0.0 0.0 0.5 0.0 0.5Dicoma tomentosa 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.5 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1Digitaria eriantha 0.0 0.0 0.0 0.0 15.0 0.0 0.0 3.0 0.5 0.5 0.0 0.0 0.0 3.0 0.0 15.0 3.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 15.0 15.0Digitaria milanjiana 0.0 0.0 0.0 3.0 0.0 3.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.5 0.0 0.5 0.0 3.0 0.0 3.0 0.0 0.0Digitaria ternata 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Diheteropogon filifolius 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Diospyros lycioides 0.0 3.7 0.0 0.0 0.0 8.5 2.1 0.4 25.3 5.8 0.0 0.7 0.6 1.0 1.2 0.1 0.3 0.0 0.0 4.5 0.2 2.2 2.3 0.0 1.2 1.7 1.2 0.3 1.9Diospyros mespiliformis 0.0 0.6 0.0 0.0 0.0 0.4 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.6 2.6 4.1 1.3 0.0 0.0 0.2 0.0 0.0 0.3 0.0 0.0 0.0 0.0 3.0Dissotis debilis var. debilis 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0Dyschoriste matopensis 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Dyschoriste radicans 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Ehretia obtusifolia 1.0 0.0 0.0 0.6 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 9.4 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 2.4 0.3Elaeodendron matabelicum 0.2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Eleusine coracana ssp. africana 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Endostemon tereticaulis 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.1 3.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0Epaltes alata 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0Eragrostis aspera 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Eragrostis chloromelas 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Eragrostis cilianensis 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Eragrostis curvula 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.5 0.0 0.0 0.0Eragrostis inamoena 0.0 0.0 15.0 3.0 0.0 0.0 0.0 0.0 0.5 0.5 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 15.0 15.0 15.0 0.0 0.5Eragrostis patens 0.0 0.0 0.0 0.0 0.5 0.5 0.5 0.0 3.0 3.0 0.0 0.5 15.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 3.0 0.0 3.0 0.0 0.0 0.5 0.5 0.0Eragrostis racemosa 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 15.0 15.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Eragrostis rigidior 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.5 3.0 0.0 0.0 0.5 0.0 0.0 0.5 3.0 0.0 0.0 0.0Eragrostis trichophora 37.5 3.0 3.0 0.0 15.0 3.0 3.0 0.5 0.5 0.1 15.0 15.0 0.5 3.0 15.0 3.0 3.0 3.0 15.0 15.0 15.0 3.0 3.0 0.0 15.0 15.0 3.0 15.0 15.0Eragrostis viscosa 3.0 0.5 0.0 0.5 0.5 0.5 15.0 0.5 3.0 3.0 3.0 0.0 0.1 0.5 0.0 0.0 0.5 0.0 0.0 3.0 0.5 0.5 3.0 0.5 0.5 15.0 0.0 0.5 0.0Erythrococca trichogyne 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Euclea crispa var. crispa 0.0 0.0 0.0 0.4 0.0 3.0 3.2 0.0 9.2 0.3 0.0 2.9 1.2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.3 0.5 0.0 0.0 0.0 0.0 0.0 0.0Euclea divinorum 0.3 1.1 0.0 0.6 7.9 3.0 0.0 0.0 1.3 21.4 3.8 0.5 1.3 0.0 6.5 0.6 1.9 0.0 2.3 0.0 1.6 9.4 6.5 0.8 4.8 6.1 0.0 0.3 1.1Euclea mespiliformis 0.0 0.0 0.0 0.9 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Euclea natalensis 0.3 0.3 0.0 0.2 0.0 0.7 0.0 0.8 3.1 2.0 0.0 0.5 0.0 0.0 0.0 0.0 3.1 0.0 0.0 0.0 0.7 2.7 0.0 0.0 0.0 0.0 0.0 0.0 1.6Euphorbia inaeguilatera 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.1 0.5 0.0 0.0 0.5 0.5 0.0 0.0 0.1 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0Euphorbia ingens 1.0 0.0 0.7 0.0 0.0 0.0 0.4 4.7 0.2 1.5 0.0 0.0 0.0 0.0 0.3 0.0 0.6 0.0 0.0 0.0 0.2 1.8 0.0 0.0 0.0 0.0 0.0 0.0 0.0Euphorbia tirucalli 1.3 0.0 0.0 0.0 0.0 0.4 0.0 2.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.3Evolvulus alsinoides 0.5 0.0 0.1 0.0 0.5 0.0 0.1 0.1 0.0 0.0 0.0 0.0 0.5 0.0 0.5 0.5 0.5 0.0 0.0 0.1 0.5 0.0 0.1 0.0 0.0 0.1 0.0 0.5 0.5Faurea saligna 0.0 0.0 0.0 0.7 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.4 0.3 0.0 0.0 0.0 0.0 0.0 0.0Felicia muricata 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Felicia spec. 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Ficus sur 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 3.3 0.3 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.8 0.0 0.0 0.0 0.0 0.0 0.0 0.0Ficus sycromorus 0.0 0.0 0.0 0.0 0.8 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.4 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Fimbristylis dichotoma 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 3.0 0.5 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.1 0.5 0.0 0.0 0.0Flacourtia indica 0.0 0.0 0.3 0.6 0.0 0.0 0.0 0.4 0.0 0.0 3.8 0.0 0.0 0.0 0.0 1.3 0.2 1.1 0.0 0.4 1.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.6Flueggea virosa 27.3 0.0 0.0 0.0 0.0 0.0 0.0 0.8 0.0 0.0 0.0 0.0 0.0 0.0 3.3 0.0 0.0 0.0 0.2 0.0 2.4 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.3Fuirena pachyrhizza 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 3.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 15.0 3.0 0.0 0.0 0.0Gardenia ternifolia 0.0 0.3 0.0 0.2 0.0 0.0 0.0 0.4 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.1 1.6 0.0 0.0 0.0 0.4 0.4 1.1 0.0 17.9 3.5 0.0 0.0 0.0Gardenia volkensii 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.9
Anhang 1b: Artenliste
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 129
Anhang 1c: Artenliste
Arten 1 3 6 8 9 12 11 13 14 16 17 18 19 22 23 26 28 29 30 32 33 34 35 36 38 39 40 41 45
Testflächen
Geigeria acaulis 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Geigeria ornativa ssp. ornativa 0.0 15.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.5 0.0Geigeria transvaalensis 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Gisekia africana 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Gomphocarpus tomentosus 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.3 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0Gomphrena celosioides 0.0 0.5 0.0 0.0 0.0 0.0 0.5 0.1 0.0 0.0 0.0 0.0 0.5 0.5 0.1 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0Grewia flavescens 3.5 1.1 2.8 0.4 2.4 0.0 0.4 0.4 0.2 0.7 1.0 0.0 0.0 0.0 0.6 0.6 0.3 0.0 1.9 0.0 0.4 0.9 0.6 0.0 0.0 4.3 0.0 0.0 1.6Grewia monticola 2.2 0.0 0.0 0.4 0.0 0.0 0.0 0.4 0.0 0.0 0.0 0.0 0.0 0.0 0.9 0.3 0.0 0.7 2.5 0.0 0.9 0.4 0.0 0.0 0.0 0.0 0.0 0.0 8.1Guilleminea densa 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.5 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Helichrysum caespititium 0.5 0.0 0.0 0.0 0.5 0.0 0.5 0.0 0.5 3.0 0.0 0.1 15.0 3.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 3.0 0.0 0.5 0.5 0.1 0.0 0.0 0.0Helichrysum candolleanum 0.0 0.0 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.5 3.0 0.0 0.0 0.1 0.0 0.0 0.5 0.5 0.0 0.0 3.0 0.5 0.5Helichrysum krausii 0.0 0.0 0.0 0.0 0.0 0.4 0.4 0.8 0.0 0.0 0.0 41.7 8.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.9 0.0 0.0 0.0 0.0 0.0 0.0 0.0Heliotropium ovalifolium 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 2.4 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Hermannia glanduligera 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Heteropogon contortus 0.5 0.5 0.0 0.0 0.0 3.0 3.0 15.0 15.0 15.0 15.0 0.0 3.0 15.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.5 15.0 3.0 3.0 0.0 0.0Hibiscus meeusei 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Hibiscus micranthus 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Hibiscus pusillus 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Hibiscus spec. 0.0 0.0 0.0 1.3 0.0 0.0 1.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Hibiscus trionum 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.5 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Hibiscus vitifolius ssp. vulgaris 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 7.4 0.0Holarrhena pubescens 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 15.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.9Hybanthus enneaspermus var. enneaspermus 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.1 0.0 0.1 0.0 0.0 0.5Hymenodictyon floribundum 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.2 0.0 0.0Hypericum lalandii 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0Indigofera astragalina 0.0 0.0 0.0 0.0 0.0 0.5 1.8 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.8 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Indigofera charlieriana 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Indigofera emarginella 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 18.8 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Indigofera eylesiana 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.5 0.0 0.0 0.0 0.0 0.0Indigofera flavicans 0.0 0.0 0.5 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.5Indigofera setiflora 0.0 0.0 0.0 0.0 0.0 0.0 0.0 14.7 0.0 0.0 0.0 0.0 0.0 0.0 3.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Indigofera spec. 0.0 0.0 0.0 0.5 0.5 0.5 0.5 0.5 0.0 0.7 1.0 0.2 0.5 0.0 0.0 0.5 0.5 0.0 0.0 0.5 0.5 0.0 1.4 0.5 0.5 0.5 0.0 0.5 0.0Indigofera spicata 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.1 0.0 0.0 0.0Indigofera strobilifera 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Indigofera varia 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.5 0.5 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Indigofera wildiana 0.0 0.0 0.7 0.0 0.0 0.0 0.7 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Ipomoea kituiensis var. kituiensis 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 3.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Ipomoea plebeia 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Ipomoea verbascoidea 1.3 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Ipomoea welwitschii 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Ipomoena coptica var. coptica 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Ipomoena leucanthemum 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.5 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Ipomoena spec. 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Jacaranda mimosifolia 0.0 0.0 0.0 0.2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Jasminum stenolobum 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.3 0.2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Julbernardia globiflora 0.0 0.0 1.0 0.0 0.0 0.0 1.8 21.4 0.0 0.2 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.8 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0Justicia anagalloides 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.5 0.5 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Justicia betonica 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0Kalanchoe rotundifolia 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Kigelia africana 0.0 0.0 0.3 0.2 0.8 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Kirkia acuminata 1.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.2 0.0 0.0 0.4 0.0 0.0 0.0 0.0 0.0 0.0 0.0Kohautia cynanchica 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.5 0.0 0.0 0.5 0.0 0.5 0.0 0.0 0.0 0.0 0.1 0.0 0.1Kyllinga alba 0.0 0.0 0.0 0.0 0.0 0.0 0.0 3.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Kyllinga intricata 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Lactuca inermis 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Laggera decurrens 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 7.3 0.0 0.0 1.2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0Lannea discolor 0.0 0.0 6.9 0.0 0.0 0.4 0.0 1.6 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.2 0.0 0.0 0.0 0.0 0.2 0.0 0.0 0.0 0.0 0.0 0.0Lannea schweinfurthii 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.3Lantana angolensis 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 4.8Lantana camara 0.0 0.0 13.8 0.0 0.0 0.0 0.0 0.0 0.2 0.2 0.0 0.7 3.6 1.0 0.0 0.0 0.0 0.0 0.7 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Lantana moldenkei 0.1 0.0 5.3 0.0 0.0 0.5 0.0 0.0 1.1 0.0 0.5 0.0 0.0 4.2 0.3 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.5 0.0 0.0 0.0Lantana trifolia 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Launaea nana 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Launaea spec. 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Ledebeuria hyacinthina 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Leucas martinicensis 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Limeum sulcatum 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0Lippia javanica 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Lobelia erinus 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0Lonchocarpus capassa 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 5.0 5.7 0.0 0.4 0.2 0.0 0.0 0.0 0.0 0.0 0.0 1.3 3.2Lopholaena coriifolia 0.0 0.6 0.0 0.0 8.7 35.6 7.1 2.0 7.4 6.1 0.0 15.4 35.3 14.6 0.3 0.0 0.0 0.0 0.0 0.0 0.0 1.7 0.8 87.6 2.4 0.0 0.0 0.0 0.0Lythraceae 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Maerua parvifolia 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.9 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.8
130 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
Arten 1 3 6 8 9 12 11 13 14 16 17 18 19 22 23 26 28 29 30 32 33 34 35 36 38 39 40 41 45
Testflächen
Malvaceae spec. 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Mangifera indica 0.0 0.0 0.3 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Margaritaria discoidea var. nitida 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.8 0.0 0.0 0.0 2.4 1.1 0.0Mariscus dubius 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Markhamia acuminata 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.8Maytenus heterophylla 0.0 0.0 0.0 0.7 7.9 1.9 0.0 0.0 0.0 0.0 0.0 0.0 0.0 2.1 0.9 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Maytenus senegalensis 0.3 1.4 0.3 1.8 9.4 7.4 3.6 0.8 13.1 3.5 0.0 1.2 4.0 8.3 0.9 1.2 0.0 2.0 0.0 1.2 0.0 4.5 2.1 2.0 1.2 1.7 0.0 2.1 1.9Melinis repens 0.0 0.0 0.1 0.0 0.5 0.5 0.5 0.5 0.0 0.0 0.5 0.0 0.5 0.5 0.0 0.5 0.0 0.0 0.0 0.5 0.0 3.0 0.0 3.0 0.0 0.0 0.0 3.0 0.0Merremia pinnata 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Merremia tridentata ssp. angustifolia 0.0 0.0 0.1 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0Microchloa kunthii 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 3.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 3.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Millettia usaramensis ssp. australis 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.3Monotes engleri 0.0 0.0 0.0 0.0 0.0 0.7 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Monotes glaber 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.3 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Mundulea sericea 0.0 0.0 0.0 0.0 0.0 0.0 0.0 2.7 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 9.2 0.0Mystroxylon aethiopicum 1.3 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.3 0.0 0.0 0.0 0.0 0.0 0.3 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Neojeffreya decurrens 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Nicolasia nitens 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0Ochna pulchra 0.0 0.0 0.0 0.0 0.0 0.4 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Olax dissitiflora 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5Oldenlandia herbacea 0.0 0.0 0.0 0.1 0.5 0.1 0.0 0.0 0.0 0.0 0.0 0.5 3.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.5 0.0 0.5 0.0 0.1 0.0 0.0 0.0Ormocarpum trichocarpum 0.3 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 4.8 0.0 0.0 0.0 0.0 0.4 0.0 0.0 4.4 4.9 1.3 0.0 5.6 0.0 0.0 0.0 0.0 0.0 0.0Oxygonum sinuatum 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Ozoroa insignis 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.4 0.0 0.0 0.0 0.0 0.0 0.0 0.6 0.0 0.2 0.3 0.0 0.0 0.2 0.0 0.0 0.0 0.0 0.0 2.4 0.0 0.5Panicum novemnerve 15.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Pappea capensis 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.7 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.4 0.0 1.8 0.5 0.0 0.0 0.0 0.0 0.0 0.3Parinari curatellifolia 0.0 0.0 9.3 5.3 2.4 0.7 0.0 0.4 0.2 0.0 0.0 4.7 1.8 0.0 0.0 3.1 0.0 0.0 0.0 0.0 0.0 5.8 0.0 0.8 0.0 0.0 0.0 0.0 0.0Paspalum scrobiculatum 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 3.0 15.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0Pavetta gardeniifolia 0.0 0.0 0.3 0.0 0.0 0.4 0.0 0.0 0.4 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Pavetta schumanniana 0.0 0.0 0.0 0.7 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.4 0.3 0.3 0.0 0.0 0.0 0.0 2.3 0.0 0.0 0.9 0.0 0.0 0.3Peltophorum africanum 0.6 0.0 0.0 1.7 3.9 6.3 3.6 0.0 0.7 2.6 0.0 0.7 1.5 1.0 0.9 0.4 0.5 0.0 0.2 0.0 0.0 0.9 1.4 3.7 6.3 3.0 2.4 0.3 1.9Pentanisia spec. 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.5 0.0 0.0 0.0 0.0 0.0Perotis patens 0.0 0.5 0.5 15.0 0.5 15.0 0.5 0.0 0.0 0.5 0.0 0.1 15.0 0.5 0.5 3.0 15.0 3.0 0.0 0.0 0.0 15.0 3.0 15.0 0.0 0.5 3.0 3.0 0.5Phyllanthus maderaspatensis 0.1 0.1 0.0 0.1 0.5 0.0 0.5 0.0 0.0 0.0 0.5 0.0 0.0 0.5 3.0 0.0 0.0 0.0 0.5 0.0 0.5 0.0 0.0 0.0 0.5 0.0 0.0 0.5 0.5Phyllanthus pentandrus 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.5 0.0 0.0 0.0 0.0 0.0Phyllanthus reticulatus 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Piliostigma thonningii 0.0 0.0 0.7 6.4 0.0 0.7 1.8 0.0 0.0 0.2 1.0 0.2 0.0 0.0 0.0 1.5 0.2 0.1 0.0 2.9 0.0 0.0 2.1 0.0 1.2 0.9 4.8 0.0 0.3Plectranthus tetensis 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Plumbago zeylanica 0.0 0.0 0.0 0.0 0.0 0.0 1.7 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Pogonarthria squarrosa 0.0 0.0 15.0 3.0 3.0 3.0 0.5 3.0 0.0 0.0 0.5 0.0 3.0 0.0 0.0 3.0 0.0 15.0 0.0 0.0 0.0 3.0 0.5 0.5 0.5 3.0 15.0 0.5 3.0Polygala erioptera 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Polygala sphenoptera 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Polygonum plebeium 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Portulaca guadrifida 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.1 0.0 0.1 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.1Protea gaguedi 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.2 0.0 0.2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Pseudognaphalium luteo-album 0.0 0.0 0.0 0.0 0.1 0.5 0.0 0.0 0.5 3.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.1 0.1 0.0 0.5 0.0 0.0 0.0 0.0 0.0Pseudolachnostylis maprouneifolia 0.0 0.0 0.0 1.3 0.0 0.0 0.0 0.8 0.7 0.7 0.0 1.0 0.6 0.0 0.3 0.3 0.0 1.2 0.0 0.0 0.0 1.3 0.6 0.0 0.0 0.0 0.0 0.3 0.5Psidium guayava 0.0 0.3 0.0 0.0 0.0 0.0 0.0 0.0 0.2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Psydrax livida 0.3 0.0 0.0 0.0 0.0 0.0 0.0 0.8 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Pterocarpus angolensis 0.0 0.0 0.0 0.2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Pterocarpus rotundifolius 0.3 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Pycreus macrostachyos 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0Rhoicissus revoilii 1.9 0.0 0.0 0.2 0.0 0.0 0.0 1.2 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.7 0.0 0.0 0.9 0.2 0.0 0.0 0.0 0.0 0.0 0.3Rhoicissus tridentata 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.4 1.5 1.2 0.0 0.2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.8 0.0 0.0 0.0 0.0 0.0 0.0 0.0Rhus chirindensis 0.0 0.0 0.0 0.0 0.8 0.0 0.0 0.4 2.4 4.8 0.0 1.7 0.9 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 3.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0Rhus lancea 0.0 0.0 0.3 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.3 0.0 0.0 0.9 0.0 0.0 0.0Rhus leptodictya 0.0 0.0 0.0 0.2 0.0 0.0 0.0 0.0 0.9 1.2 0.0 0.0 0.0 0.0 0.6 0.0 0.0 0.0 0.0 0.0 0.2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.9Rhus longipes 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.3Rhus natalensis 0.0 0.6 0.0 0.0 0.0 0.0 0.0 1.2 0.2 3.8 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.9 0.0 0.0 0.0Rhus pyroides 0.0 0.0 0.0 0.2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 4.7 0.0 1.2 5.2 0.0 0.0 0.0Rhus tenuinervis 0.3 0.0 0.0 1.3 0.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 2.1 7.1 0.0 0.0 0.0 0.0 0.0 0.0 3.6 0.0 0.0 0.0 0.0 0.0 0.3 0.0Rhynchosia resinosa 0.2 0.0 0.0 0.0 0.0 0.0 0.0 1.2 0.2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.3 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Richardia scabra 0.0 0.0 0.0 0.0 0.1 0.5 0.0 0.0 0.5 0.5 0.0 0.0 3.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.5 0.0 0.0 0.0 3.0 0.0Rothia hirsuta 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.5 0.1 0.0Schotia brachypetala 0.0 0.0 0.0 0.4 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.6 0.0 0.0 0.2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Sclerocarya birrea 0.0 0.0 0.0 0.9 0.0 0.0 0.4 0.4 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 3.0 0.0 0.0 0.9 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.8Securidaca longipedunculata 0.0 0.0 0.0 0.4 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Senecio spec. 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Senna bicapsalaris 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.3 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Senna singueana 0.3 0.3 16.6 2.4 0.0 3.7 3.2 1.6 7.0 3.9 1.9 0.0 4.9 0.0 0.9 6.9 0.0 3.4 0.7 1.6 0.2 6.7 0.0 0.0 0.0 0.0 2.4 0.5 1.9Sesbania rostrata 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Setaria incrassata 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Setaria pumilla 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0
Anhang 1d: Artenliste
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 131
Arten 1 3 6 8 9 12 11 13 14 16 17 18 19 22 23 26 28 29 30 32 33 34 35 36 38 39 40 41 45
Testflächen
Setaria spec. 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Sida alba 0.0 0.5 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Sida cordifolia 0.5 0.0 0.5 0.5 0.1 0.0 4.5 0.1 0.1 0.5 0.1 0.1 0.5 1.0 0.5 8.4 4.0 1.5 0.5 2.9 0.0 0.5 0.0 0.5 0.0 0.5 0.5 5.4 1.5Sida hoepfneri 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5Solanum aculeastrum 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.3 0.0 0.0 2.7 1.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 4.8 1.7 0.0 0.0 0.0Solanum incanum 0.3 4.0 1.7 2.4 0.0 3.0 27.8 1.1 0.0 1.5 0.0 0.0 0.3 3.1 2.5 8.8 0.8 3.4 0.2 39.6 1.1 0.0 0.2 0.0 0.0 0.0 3.6 6.8 5.0Spermacoce senensis 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.5 0.0 0.5 0.0 0.0 0.5 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Sporobolus festivus 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 3.0 0.0 0.0 0.0 0.0 3.0 0.0 0.0 0.0Sporobolus pyramidalis 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 3.0 0.5 0.0 0.5 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.5 0.0 0.0 0.0 0.0Stemodiopsis rivae 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 3.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Stereochlaena cameronii 0.0 0.0 0.5 15.0 0.0 0.5 0.5 0.0 0.5 3.0 0.0 0.5 3.0 0.0 0.0 0.0 3.0 0.0 0.0 0.0 3.0 15.0 0.0 0.5 3.0 3.0 0.0 0.5 0.0Strychnos cocculoides 0.0 0.0 0.0 0.6 0.0 0.0 0.0 1.2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Strychnos madagascariensis 1.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.8 0.0 0.3 0.2 0.0 0.4 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Strychnos potatorum 0.6 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Strychnos spinosa 0.0 0.0 4.5 1.1 0.0 0.4 0.0 0.8 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 22.9 0.0 0.0 0.2 0.0 0.2 0.0 2.4 0.0 1.2 0.5 0.3Stylosanthes fructicosa 0.0 0.0 0.0 0.1 0.0 0.0 0.1 0.0 0.5 0.0 0.0 0.0 0.0 0.1 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.5 3.0 0.5 0.0Swartzia madagascariensis 0.0 0.0 0.7 0.2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.6 0.0 0.0 0.0 0.0 0.0 0.0Syzygium guineense 7.9 0.0 0.0 0.0 0.0 0.0 0.0 0.0 7.9 11.7 0.0 13.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 24.6 0.0 0.0 6.0 0.0 1.7 0.0 0.0Tarenna neurophylla 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.4 0.0 0.0 1.9 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Tephrosia longipes 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.2 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 4.5 0.0 0.3Tephrosia purpurea ssp. leptostachya 0.5 0.0 0.0 0.5 0.0 0.5 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.5 0.5 0.0 0.0 0.1 0.0 0.0 0.5 0.0 0.0 0.0 0.1 0.5 0.5Tephrosia radicans 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0Tephrosia rhodesica 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.8 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Tephrosia spec. 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5Terminalia sericea 0.0 0.0 3.5 9.9 2.4 0.4 0.7 0.4 3.5 0.0 0.0 0.7 4.0 0.0 0.3 22.3 9.8 3.1 0.0 0.0 1.3 1.3 2.0 0.3 9.5 2.6 21.4 1.6 4.0Tragus berteronianus 0.0 0.0 0.0 0.5 0.5 0.0 0.5 0.0 0.0 0.0 0.1 0.0 0.0 3.0 0.0 0.0 0.0 0.0 0.5 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0Trichodesma ambacense ssp. hockii 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 21.9 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Tricholaena monachne 0.0 0.1 15.0 0.5 0.5 3.0 0.5 0.0 0.5 0.0 0.1 0.0 0.0 0.0 0.0 15.0 0.5 3.0 0.5 0.5 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 3.0Trichoneura grandiglumis 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0Tricliceras longipedunculatum 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Tridax procumbens 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Tridiceras hirsutum 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.5 0.5 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Triumfetta rhomboidea 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Urochloa trichopus 3.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 3.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.1 0.5 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0Vangueria infausta 0.0 0.0 0.0 0.0 0.0 0.0 0.0 2.3 0.0 0.2 0.0 2.0 0.0 0.0 0.3 0.8 0.2 0.3 0.0 0.0 0.0 0.4 0.0 0.0 0.0 0.0 0.0 0.0 0.3Veronia fastigiata 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Veronia poskeana ssp. poskeana 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.5 0.0 0.1 0.0 0.0 0.0 0.5 0.0 0.0 0.5 0.0 0.0Vitex mombassae 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.3 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Vitex payos 0.0 0.0 0.3 0.0 0.0 0.0 0.4 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.6 0.0 0.0 1.2 0.0 0.0Wahlenbergia denticulata 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 3.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0Withania somnifera 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 4.4 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Xeroderris stuhlmannii 0.0 0.0 0.0 9.9 4.7 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 14.5 0.0 8.2 0.0 0.0 0.2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Xerophyta schlechteri 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.5 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Ximenia americana 0.0 2.6 0.3 0.0 0.0 0.4 0.0 0.0 0.0 0.0 3.8 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.6 0.3 3.6 2.6 0.0 0.0 0.0Ximenia caffra 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0Zanha africana 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 5.4 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 2.2Ziziphus mucronata 1.0 0.0 0.0 0.0 0.0 0.0 0.0 0.8 0.0 0.0 0.0 0.0 0.0 0.0 0.6 0.6 0.0 0.2 0.0 0.0 0.2 0.0 0.2 0.0 0.0 0.0 1.2 0.0 0.8Zornia glochidiata 0.0 0.0 0.0 0.5 0.5 0.5 0.5 0.0 0.5 0.5 0.0 0.0 0.5 0.5 0.0 0.5 0.5 0.5 0.0 0.0 0.1 0.5 0.5 0.5 0.0 0.0 0.1 0.5 0.0
Anhang 1e: Artenliste
132 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
Art
nach Van Oudtshoorn(1991)1, Gibbs
Russell et al.(1991)2, Crowder(1982)
3
Engl. Bezeichnung Vorkommen allgemein Böden Futterwert ökologischer Status Lebensform
Aristida barbicollis1 Spreading Three-awn
Verbreitet in Busch und Graslandbereichen,oft auf überweideten Gebieten. Armes Futtergras, das nur im
jungen Stadium gefressen wird. Dichte Stände können Indikator für Überweidung sein. Pioniergras
Alle Bodenarten mit Vorzug auf flachgründige sandige Böden
sehr niedrig Increaser IIcanuell oder
perennierend
Aristida junciformis1 Ngongoni Three - awn
Im offenen Berggrasland und im Busch mit relativ hohem Niederschlag. Zieht gestörte Bereiche wie überweidete Gebiete vor. Ungenießbar, wird vom Vieh nur teilweise und nur im jungen Stadium genutzt. Reifes Gras ist
starr und faserreich
Auf den meisten Böden, bevorzugtjedoch arme, steinige Böden und
Hanglagen. Pioniergrassehr niedrig Increaser IIc perennierend
Bothriochloa insculpta1 Pinhole grass
Im offenen Grasland oder BuschGewöhnlich dominant, wenn es gestörte Bereiche besiedelt. Ungenießbares, aromatisches Gras, das bei zunehmendem Alter hart und faserreich wird, oft in überweideten Gebieten
Auf gut entwässernden, nährstoffreichen Bodentypen
niedrig Increaser IIb oder IIc perennierend
Cynodon dactylon1 Couch Grass
In gestörten Bereichen. Relativ gutes Futtergraskann starkem Weidedruck widerstehen. Bleibt bei milden
Wintern lange grün
Alle Bodenarten mit Vorzug für Böden mit hohem Nitratgehalt
mittel Increaser IIb perennierend
Digitaria eriantha1 Finger Grass
An eine große Bandbreite von lebensräumenangepasst. Gut verdaulich und genießbar, hohe Blattproduktion.
Wird gerne gefressen. Kann als Indikator für gute Weidebedingungen angesehen werden
Feuchte Böden, in trockenerenBereichen auf sandigen und steinigen
Bödensehr hoch Decreaser perennierend
Digitaria milanjiana2 Milanje Finger Grass
Oft in gestörten Bereichen, natürliches Futtermittel
Anspruchslos mittel perennierend
Eragrostis inamoena2 Sandige Böden und reichhaltige
Überschwemmungsbereicheperennierend
Eragrostis patens2 Gewöhnlich in gestörten Bereichen und
überweideten Gebieten.
Bevorzugt sandige Bödenkann aber auch in tonigen Bereichen
siedelnanuell
Eragrostis racemosa1 Narrow Heart Love Grass Im offenen Grasland mit hohem Niederschlag
genießbar, jedoch mit geringen Blattproduktion
Auf den meisten Böden, bevorzugt flachgründige, sandige,
steinige oder tonige Böden. niedrig Increaser IIb oder IIc perennierend
Eragrostis trichophora1 Hairy Love Grass
In Gebieten mit höherem Niederschlag in gestörten Bereichen (überweidet). In trockenen Gebieten an
feuchte Böden gebunden. genießbar und gefressen in trockeneren Gegenden
Flachgründige dolomitische und kalkige Böden
mittel Increaser IIc perennierend
Eragrostis viscosa1 Sticky Love Grass
In Buschbereichen verbreitet. Aufgestörten Böden und in offenen sonnigen Bereichen. Kann als Indikator für magere Böden und Überweidung gesehen werden.
Gerne in Mopanebereichen
Bevorzugt trockene, flachgründigeBöden, wächst aber auch an anderen
Standortenniedrig Increaser II anuell
Heteropogon contortus1 Spear Grass
Weitverbreitet im offenen Grasslandund in shrubs. Relativ gutes, hartes
und schnell wachsendes Futtergras mit abnehmenden Futterwerim Verlauf der Saison
Auf steinigen Abhängen undgestörten Böden
mittel bishoch
variabel perennierend
Melinis repens1 Natal Red Top
In gestörten Bereichen, genießbar mit geringerbis mittlerer Produktion. Häufiger in sonnigen, trockenen
Bereichen, aber keine Ruderalvegetation Anspruchslos niedrig Increaser IIc anuell
Panicum novemnerve2
Auf feuchtem, tonigem Lehm,auf brackigen Böden und in wasserstauenden Senken
anuell
Paspalum scrobiculatum1 Veld Paspalum
In feuchten Bereichen auf gestörten Böden,genießbar Sandige Böden und Lehm mittel Increaser IIc perennierend
Perotis patens1 Cat's Tail
Tritt in gestörten Bereichen auf, kann als Indikator für schlechtesWeidemanagement angesehen werden, wenn es zahlreich
vorkommt. Unkraut in gestörten Bereichen mit armem Boden. Kommt auf trockenen kahlen Bereichen vor
Arme, sandige Böden sehr niedrig Increaser IIb
anuelloder labil
perennierend
Pogonarthria squarrosa1 Herringbone Grass
In gestörten Bereichen verbreitet, vereinzelt auch in ungestörten Bereichen anzutreffen. Hartes,
ungenießbares Gras mit niedrigem Ertrag, wird vom Vieh wenig genutzt
Wächst auch auf feuchten Böden, zieht jedoch arme sandige Böden vor
sehr niedrig Increaser IIc perennierend
Sporobolus pyramidalis3 Cat's Tail Grass
Siedelt sich gerne in gestörten Bereichen an, auch in überweideten Gebieten.
Sehr trockenresistent. Junge triebe werden gefressen, im Reifestadium wird das gras hart und damit verschmäht.Höhere
Samenproduktion - Ausbreitung
Bevorzugt karge, gestörte Böden perennierend
Stereochlaena cameronii2 Grasland Trockene sandige Böden perennierend
Tricholaena monachne1 Blue-seed Grass
Gewöhnlich in gestörten Bereichen,im trockenen shrub und manchmal im offenen Grasland. Kann als
Indikator für gestörte Bereiche gesehen werden. Bei Dominanz wichtiges Futtergras. Auch Ruderalvegetation
Auf den meisten Bodentypen vorhanden, bevorzugt sandige Böden
mittel Increaser IIb oder IIc
perennierend
Decreaser Species dominiert auf guten Weiden, wird bei Überweidung verdrängt
Increaser I Species dominiert auf kargen Weiden und nimmt mit Viehunterbesatz oder selektivem Grasen zu
Increaser Ia Species nimmt mit gemäßigtem Unterbesatz an Vieh oder selekt. Weiden zu
Increaser Ib Species nimmt mit starkem Unterbesatz an Vieh oder selekt. Weiden zu
Increaser II Species dominiert auf kargen Weiden und nimmt mit Überweidung zu
Increaser IIa Species nimmt bei leichter Überweidung zu
Increaser IIb Species nimmt bei mittlerer Überweidung zu
Increaser IIc Species nimmt mit starker Überweidung zu
Invader Species ist auf einem Gebiet nicht einheimisch
Anhang 2: Beschreibung hochdeckender Grasarten (GRÜNINGER 1999)
KARLSRUHER SCHRIFTEN ZUR GEOGRAPHIE UND GEOÖKOLOGIE, BAND 19 133
Testfläche Saison Rohasche in % Rohprotein in % NDF in % ADF in % Rohlignin in % Rohfett in %
1 1 13.50 4.92 69.60 47.63 7.76 0.623 1 18.72 6.93 65.56 42.79 4.80 1.756 1 8.71 3.79 72.18 48.22 7.74 1.018 1 8.22 4.19 69.55 45.15 6.98 1.249 1 11.51 6.06 65.17 41.71 5.59 1.5610 1 8.86 4.21 69.49 47.25 7.26 1.2311 1 14.15 4.69 69.77 49.01 7.27 1.3213 114 1 14.01 4.67 63.54 47.55 10.51 1.3616 1 18.84 6.06 65.12 45.56 5.34 1.3117 1 9.57 2.91 73.50 50.99 7.21 0.7318 1 4.50 1.44 76.34 53.20 10.00 0.3919 1 10.42 7.69 59.56 39.61 6.38 2.3222 1 28.46 5.49 68.13 50.37 4.81 1.6423 1 17.79 4.31 65.81 50.86 8.33 0.6726 1 10.94 3.64 68.03 49.18 9.18 1.4028 1 8.91 4.90 67.48 45.03 6.65 1.2529 1 6.96 5.37 69.90 43.94 5.93 0.8830 1 14.04 4.44 68.46 50.12 6.71 0.7332 1 9.63 4.36 72.15 46.10 6.35 0.8433 1 6.91 6.28 53.97 50.81 6.48 2.0234 1 15.46 6.59 64.25 42.96 6.21 2.1735 1 12.72 6.08 52.56 48.93 17.48 1.4636 1 12.55 4.33 63.42 42.94 5.63 1.6138 1 6.77 2.92 73.46 48.98 8.07 0.8839 1 7.65 3.14 72.31 48.18 10.77 0.7140 1 8.20 3.45 69.69 49.03 7.81 1.1341 1 9.27 5.78 71.55 48.62 7.44 0.6745 1 7.61 3.56 70.55 46.26 6.36 0.851 2 13.14 8.49 66.67 39.96 5.44 1.153 2 11.25 5.77 60.32 34.50 5.36 2.466 2 7.02 3.05 73.03 45.62 8.13 1.128 2 15.85 4.38 70.89 48.35 5.90 1.189 2 12.59 6.42 63.41 39.56 5.38 1.6510 2 7.51 4.44 67.41 39.97 6.90 1.1211 2 8.33 4.41 69.17 37.28 5.81 1.4713 2 8.16 6.50 54.85 50.86 24.46 1.3314 2 10.14 6.35 66.71 38.09 4.82 1.4516 2 11.02 7.38 64.47 37.86 6.09 1.5117 2 9.82 4.33 68.60 45.00 6.61 1.0718 2 4.71 4.43 78.35 47.70 8.65 0.5619 2 12.15 8.35 66.34 42.05 5.44 1.8022 2 11.53 6.61 62.96 34.62 4.53 2.1323 2 12.58 6.61 58.34 38.71 5.77 0.8126 2 10.17 3.13 65.76 43.34 6.29 1.7128 2 9.30 5.52 67.79 41.93 6.02 1.5329 2 8.13 5.25 70.02 47.41 7.86 0.8130 2 7.50 4.44 69.62 42.50 5.48 1.0032 2 7.64 2.75 74.71 43.46 5.92 0.8833 2 10.01 5.21 71.57 41.27 6.06 1.4334 2 12.63 5.62 66.05 41.11 5.87 1.4935 2 9.21 6.31 57.96 62.16 21.73 1.0236 2 13.86 5.48 72.90 42.15 5.05 2.2538 2 7.40 4.05 69.67 45.23 6.85 0.9739 2 8.65 4.58 71.77 46.01 6.31 0.9140 2 8.54 3.46 69.44 43.48 6.17 1.4441 2 10.78 6.13 65.91 42.11 6.00 0.9745 2 6.50 3.87 76.61 41.31 5.82 1.651 = Trockenzeit2 = Regenzeit
Anhang 3: Analysedaten der Futterqualität für die Gras- und Krautschicht
134 SAMIMI, C. (2003): DAS WEIDEPOTENTIAL IM GUTU DISTRIKT (ZIMBABWE)
Art Saison Rohasche in % Rohprotein in % NDF in % ADF in % Rohlignin in % Rohfett in %
Acacia gerrardii 1 5.87 12.50 19.56 33.42 20.35 1.37Acacia karoo 1 5.93 13.39 29.08 34.81 21.74 2.37Acacia nilotica 1 5.44 10.62 13.94 12.06 7.91 1.45Albizia amara 1 7.99 12.21 40.04 37.20 22.81 2.69Brachystegia spiciformis 1 4.08 14.24 25.57 21.53 9.02 0.81Brachystegia spiciformis 1 4.38 18.55 20.18 19.85 7.36 0.77Burkea afrikana 1 1.96 17.35 17.65 25.99 15.21 1.03Cassia edulis 1 8.33 6.30 19.84 27.47 15.40 4.11Colophospermum mopane 1 4.85 14.37 28.61 29.20 16.47 3.34Colophospermum mopane Samen 1 5.38 16.35 46.20 29.42 13.20 8.52Combretum molle 1 5.59 9.50 46.72 34.68 6.70 1.41Dalbergiella nyasae 1 11.60 15.91 41.83 34.25 13.92 1.60Dichrostachys cinerea 1 10.69 10.80 36.50 32.75 17.83 2.25Diospyros mespiliformis 1 5.50 13.17 36.72 46.44 24.91 1.77Euclea crispa-crispa 1 4.26 4.74 26.34 34.44 15.95 4.31Euclea divinorum 1 5.73 7.04 24.00 34.76 20.61 4.87Euclea natalensis 1 5.02 8.50 26.71 42.80 24.03 4.26Ficus sycromorus 1 21.92 7.84 30.99 41.99 12.36 1.71Julbernardia globiflora 1 4.92 15.88 23.66 24.58 10.37 0.91Kigelia africana 1 9.98 9.27 46.22 44.42 9.07 0.89Lonchocarpus capassa 1 20.54 11.27 43.81 41.17 15.58 1.18Mangifera indica 1 14.65 7.82 35.77 37.10 12.88 1.85Maytenus senegalensis 1 6.23 5.80 22.22 27.34 8.37 5.04Parinari curatellifolia 1 12.54 6.89 46.32 46.15 19.13 1.96Piliostigma thonningii 1 11.85 5.83 35.35 37.52 16.93 4.34Rhus leptodictya 1 8.15 8.02 22.49 27.83 15.48 2.64Strychnos coccoloides 1 5.23 9.69 25.66 26.21 14.38 1.58Strychnos spinosa 1 5.64 14.09 27.93 20.14 9.33 1.10Syzygium guineense 1 4.43 8.41 46.43 48.53 23.27 1.90Terminalia sericea 1 3.81 10.76 29.74 28.94 5.37 0.70Uapaca kirkiana 1 7.98 6.92 32.10 39.76 15.61 5.95Ziziphus mucronata 1 11.67 11.16 39.09 32.25 12.84 3.88Acacia gerrardii 2 8.44 10.36 28.85 27.56 8.76 2.45Acacia nilotica 2 3.29 10.57 14.47 11.25 5.88 2.83Acacia rhemanniana 2 4.80 11.46 37.80 47.25 29.56 2.01Adansonia digitata 2 9.40 13.49 19.60 24.05 8.61 5.74Albizia amara 2 4.79 12.54 34.42 30.67 29.26 3.53Bauhinia thonningii 2 7.12 12.25 37.46 41.00 21.22 3.35Brachystegia glaucescens 2 7.93 12.84 32.36 37.29 21.94 3.27Brachystegia spiciformis 2 3.57 9.30 27.52 26.08 12.94 7.16Bridelia mollis 2 5.68 11.45 27.04 35.23 19.67 3.02Burkea afrikana 2 2.80 14.61 34.81 35.78 21.89 1.90Colophospermum mopane 2 5.61 12.03 30.31 30.73 16.60 3.10Combretum apiculatum 2 4.99 11.91 21.19 31.41 13.75 2.85Combretum molle 2 3.28 8.69 26.55 33.66 11.32 2.34Dalbergiella nyasae 2 11.31 13.50 39.04 42.93 21.54 1.25Dichrostachys cinerea 2 6.08 11.02 33.57 33.42 17.17 1.66Diospyros mespiliformis 2 6.46 11.30 26.16 32.51 19.30 4.75Euclea divinorum 2 4.70 6.15 25.74 36.87 23.21 5.75Ficus sycromorus 2 12.46 5.59 24.81 31.96 10.25 1.27Flacourtia indica 2 7.88 14.21 28.25 21.09 5.88 2.29Julbernardia globiflora 2 5.86 10.40 37.32 35.37 20.23 2.24Kigelia africana 2 15.25 7.77 53.39 48.12 8.79 0.85Kirkia accuminata 2 7.04 12.84 6.62 14.60 4.87 2.99Maytenus senegalensis 2 5.68 7.04 22.39 30.68 10.01 3.71Parinari curatellifolia 2 21.57 6.01 47.04 47.90 17.39 2.16Peltophorum africanum 2 3.79 15.17 27.06 44.26 25.70 1.88Pseudolachnostylis maprouneifolia 2 3.22 11.56 44.37 36.77 20.04 1.71Sclerocarya birrea 2 9.22 10.38 19.40 35.56 17.11 2.35Senna singuenea 2 5.51 4.09 24.35 21.42 7.49 8.08Strychnos coccoloides 2 5.43 10.00 28.53 22.25 12.45 3.20Strychnos spinosa 2 6.02 8.01 27.69 14.00 5.03 1.11Terminalia sericea 2 4.98 8.71 32.07 36.56 14.45 3.59Uapaca kirkiana 2 4.82 10.76 32.42 33.35 14.15 3.371 = Trockenzeit2 = Regenzeit
Anhang 4: Analysedaten der Futterqualität der Gehölzschicht