das weidepotential im gutu distrikt (zimbabwe). möglichkeiten und grenzen der modellierung unter...

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

ISBN 3-934987-08-7

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


Abb. 13: Gang der relativen Feuchte an den Stationen Gutu, Kurai und Masvingo während


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


den Berührungen mit dem ten-point-frame während der Regenzeit ......................................... 31


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


der Blattmasse während der Regenzeit ................................................................................. 36


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


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


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


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


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



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.


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


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


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)


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�<�#� �� '��'��'�


/+

�� '��'��'�

'"��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


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


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.


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


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


��

�

��

�

��

��

��

! $

��

% � �+��

! � �

%��

" <� ��

) ��

2��

�4��

2��

�4��

=��

)��

�� >

��

��>

�

&��

��

��

��

��

��

�

Abb

. 8:

Übe

rsic

htsk

arte

Unt

ersu

chun

gsge

biet

es m

it R

elie

fdar

stel

lung


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%� ��

+��

+��+��

+� ��

+� ��

�� > ; ��


�

��

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


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


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


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


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


:�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


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


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.


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


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


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.


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


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.


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)


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-


Abb. 20: Phytomasse auf den Testquadraten aus der gravimetrischen Bestimmung

��

�

��

��

��

��

��

��

��

��

��

�

��

��#��%�#��# ��

+

$�� %��

#$��%,��#��

#)� ��#��

#$��%,��#��#)� ��#��

� � � � ��

��

��

��

��

��

��

��

��

��

-�,��#��# ��+

$�� %��

$�� %��

#$��%,��#��#)� ��#��

.��/�0��#��# ��+

� � � � ��

��

��

��

��

��

��

��


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


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


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��#��# ��

+


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.


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


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+

� � � � � ��

��

��

��

��

��

��$��%,��

��%��#� ��

��#��#,

'�� #��#!��#��#��#�


� � � � � ��

��

��

��

��

��

�+#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


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+

��%,��#� ��

��#��#,

$��%,��* � )� ��

$��%,��* � )� ��

�

��

��

��

��

��

��

��

��

��

�

��

��

��

��

��

��

'�� #��#!��#��#��#��

��%��#� ��

��#��#,


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��


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).


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


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.


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


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


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


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


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


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


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


W/m²srµm

Lp

am Sensor ankommender diffuser

Strahlungsanteil in W/m²srµm


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)


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


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).


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


Gräser sind Eragrostis rigidior, E.

superba, Heteropogon contortus,

Digitaria spec. und Aristida spec. anzu-

treffen.


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.


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-


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


Abb

. 30:

Lan

dnut

zung

skla

ssifi

katio

n im

Arb

eits

gebi

et

%��

��!��&

��

�'�

��

��

��

��

��

��

��

��

� ��

��

��

� ��

��

��

��

��

�

��

��

��

��

��

��

��

��

��

� ��

��

��!�

��

"��#�$%

�&'(��)*��

*�%%

+�*�))*'*�%

%%,�� -�.

��

�! ��

�


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


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

� ��

� ��

�� &� �� !� %�$ �

�� &� �

�� !� � � � � � !� �&&$&�

�� $%�

�� !� ��$%�

�� &&$&�

�� !� � � � � � �� " $%�

�� &� �

�� !� �� !� �� #� !&� &� #"� �

��'('��

�� %�$ � &$&� �&&$&� �&&$&� �&&$&� "&$&� "�$%� � � �

�


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-


��(� )�(�

��(�

)�(�

�� *��

�+�� ,��+��

-��.��

% � . ��

/.�.'�� ,��&��.

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


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


��(� )�(�

��(�

)�(�

%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)


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


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��

�"�� +


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)


��(� )�(�

��(�

)�(�

* '��(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)


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


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


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


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


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


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


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


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


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


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


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


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


�

�

�(��

�(�

�(��

�

�(��

�(�

�(��

��+"� �� 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


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)


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


%��

��!��&

��'�

��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


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)


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


�

�

�

�

�

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


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


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)


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)


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

��

��

��

�

��"��*)�

�*)�

�"��*��

�*��

�"��*&�

�*&�

�"��*��

�*��"��*�

�*��"�)*�

)*��"�/*�

/*��"�'*�

'*��"�$*�

$*��"�+*�

��


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

%��

��!��&

��

�'�

��

��

� ��

�

�('�"��($

�($�"��(+

��"��()

�()�"��('


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

��'�

��

!��

��"

��#�$%

�&'(��)*��

*�%%

+,��

��&(�()


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).


"�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


� ��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


�( �(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


Grundlage der Flächenberechnung der Grasphyto-

masse ist damit:

Gl. 5.4 y = -1,35 + 0,3 * x²

mit

y Grasphytomasse in t/ha


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


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.


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��

��

��

�

��"��*)�

�*)�

�"��*��

�*��

�"��*&�

�*&�

�"��*��

�*��"��*�

�*��"�)*�

)*��"�/*�

/*��"�'*�

'*��"��$*�

$*��"��+

*�

��

+*��"��

*�


� ��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


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:


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��

*�

��


- 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)


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


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


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


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.


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.


Abb. 73: Karte der verwertbaren Energie im Untersuchungsraum Gutu für die Trocken- und Regenzeit

� ��'�

� ��'�

7��

8��

! �� 1�� ,� �&� ��:E+��

� ��

! �� 1�� ,� �&� ��:E+��

� ��


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


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


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


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


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.


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


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.


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-


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.


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.


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.


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


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.


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.


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.


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).


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.


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.


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)


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


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


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


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


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


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)


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


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

das weidepotential im gutu distrikt (zimbabwe). möglichkeiten und grenzen der modellierung unter...

Documents