PreprintPDF Available
Preprints and early-stage research may not have been peer reviewed yet.

Abstract and Figures

Die Studie untersucht unter Verwendung staatlicher Daten lange Zeitreihen zur Entwicklung der Bodentrockenheit in Deutschland auf Bundeslandebene, um Trends zu identifizieren und den weiteren Verlauf zu prognostizieren (ARIMA-Modell). Es wird deutlich, dass die Böden in Deutschland in dramatischer Weise und stark zunehmendem Tempo austrocknen. Während bisher besonders die "neuen Bundesländer" und die Nordhälfte Deutschlands betroffen waren, werden auch weite Teile von Westen und Süden in den nächsten Jahren von diesem Trend eingeholt. Regressionsanalysen mit möglichen Kriteriumsvariablen zeigen potenzielle Teufelskreise (negative Feedbackschleifen) mit der Häufigkeit von Waldbränden und dem Treibhausgasausstoß sowie erste (wenn auch schwache) Auswirkungen auf landwirtschaftliche Erträge.
Content may be subject to copyright.
Whitepaper: Entwicklung der Bodentrockenheit in Deutschland. Schoenmakers et al., 2021 1
Explorative Analysen zur Entwicklung der Bodentrockenheit in
Deutschland
Jan Schoenmakers
1
, Sinan Weber
2
und Tobias Höper
3
, HASE & IGEL GmbH. Veröffentlicht am
19. Juli 2021.
Zusammenfassung: Rekorddürren wechseln sich mit Starkregen und Überflutungen ab: In
den letzten Jahren befinden sich Deutschlands Böden im Ausnahmezustand. Eine
vorübergehende Disruption oder neue Normalität? Die Big Data Analysefirma HASE & IGEL
hat langjährige Messreihen verschiedener staatlicher Stellen zusammengeführt und
untersucht. Auf dieser Basis zeigen die Autoren Trends auf Bundeslandebene auf, erstellen
Prognosen zur weiteren Entwicklung der Bodentrockenheit und untersuchen explorativ
mögliche Auswirkungen.
Deutschland erlebt eine sich dramatisch zuspitzende Austrocknung seiner Böden, die die
Nordhälfe stärker trifft als die Südhälfte. Waren bisher die neuen Bundesländer besonders
hart getroffen, droht die Situation in den nächsten Jahren auch im Westen zu kippen
während sich der Osten auf niedrigem Niveau etwas erholen könnte. Die Prognose für die
weitere Entwicklung verheißt keine Entspannung, sondern ein Verharren auf
außergewöhnlich trockenem Niveau, tendenziell sogar eine weitere Verschärfung.
Bereits heute gibt es statistische Hinweise auf negative Auswirkungen dieser Entwicklung
am Stärksten in Form häufigerer Waldbrände. Alarmierend ist der signifikante
Zusammenhang zwischen trockeneren Böden als Prädiktor und steigendem
Treibhausgasausstoß als Kriteriumsvariable. Allerdings ist hier weitere und v.A. fundiertere
Forschung von Fachexperten (Ökologen, Umweltmodellierern, Klimaforschern) jenseits der
Data Science nötig, da sich der mit den Daten des UBA zu CO2-Äquivalenten gefundene
Effekt mit anderen Daten (z.B. rein zu CO2-Emissionen) bisher nicht bestätigen ließ. Auf den
Ertrag der meisten Feldfrüchte hat die zunehmende Bodentrockenheit noch keine
signifikanten Auswirkungen, doch erste Effekte treten auch hier zu Tage.
1. Gegenstand und Ziel der Untersuchung
Hauptziel dieser Untersuchung war es, in langen Zeitreihen zur Entwicklung der
Bodentrockenheit Trends zu identifizieren und den weiteren Verlauf zu prognostizieren.
Analyse und Prognose erfolgten dabei ausschließlich aus den Zeitreihen selbst, ohne
Berüchsichtigung externer Faktoren. Diese Untersuchung ist somit als explorative
1
Geschäftsführer. jan.schoenmakers@haseundigel.com
2
Datenerhebung und Analyse. sinan.weber@haseundigel.com
3
Data Science und Entwicklung. tobias.hoeper@haseundigel.com
Whitepaper: Entwicklung der Bodentrockenheit in Deutschland. Schoenmakers et al., 2021 2
Trendanalyse zu betrachten und nimmt keinesweis in Anspruch, Erkenntnisse im Sinne der
Klimaforschung oder Umweltmodellierung erlangt zu haben.
Nachgeordnet haben wir mit Regressionsanalysen die Auswirkungen der Bodentrockenheit
auf einige plausible Variablen Waldbrände, Treibhausgasemissinoen und
landwirtschaftliche Erträge untersucht. Auch hier war das Ziel nicht, gesicherte
umweltwissenschaftliche Ergebnisse zu produzieren, sondern explorativ mögliche
Zusammenhänge zu identifizieren.
Durchweg haben wir auf öffentlich verfügbare Daten von staatlichen Stellen zurückgegriffen.
2. Träger und Motivation
Die Studie wurde von der HASE & IGEL GmbH
4
auf eigene Veranlassung und eigene Kosten
durchgeführt. HASE & IGEL ist ein Startup, das auf die mit künstlicher Intelligenz unterstützte
Analyse großer Datenmengen (Big Data) spezialisiert ist. Das interdisziplinäre Team aus
Entwicklern, Data Scientists, Sozialwissenschaftlern, Wirtschaftswissenschaftlern und
Geoinformationsexperten bietet Beratungsleistungen sowie softwaregestützte
Datenanalyseprodukte an. HASE & IGEL kooperiert eng mit etlichen
Forschungseinrichtungen, unter anderem im Rahmen des Zentrums für Digitale Innovation
Niedersachsen
5
sowie des Steinbeis Transferzentrums
6
.
HASE & IGEL arbeitet für zahlreiche Kunden mit lokalen und regionalen
Bodentrockenheitsdaten, um die Auswirkung von Dürre auf Geschäftsmodelle u.A. in
Handwerk, Bau und Landwirtschaft zu bestimmen. Projektübergreifend fiel dabei eine
sprunghafte Zunahme der Bodentrockenheit insbesondere seit den 00er Jahren ins Auge.
Dies veranlasste uns, die öffentlich verfügbaren Daten kunden- und projektunabhängig zu
analysieren, um jenseits einzelner Regionen und Branchen die Entwicklung der
Bodentrockenheit in Deutschland zu untersuchen. Getrieben wurden wir dabei ebenso sehr
von unserer Neugier wie von der Absicht, interessante Ergebnisse an passende Zielkunden zu
vermarkten.
Für Austausch, Anregungen und Kritik danken wir Prof. Dr. Roland Pesch und Prof. Dr. Sascha
Koch aus der Abteilung Geoinformation der Jade Hochschule.
4
HASE & IGEL GmbH, Theaterwall 24, 26122 Oldenburg. https://www.haseundigel.com
5
https://www.zdin.de/zukunftslabore/gesellschaft-arbeit
6
https://www.steinbeis.de/de/
Whitepaper: Entwicklung der Bodentrockenheit in Deutschland. Schoenmakers et al., 2021 3
3. Datenbasis
3.1 Daten zur Bodentrockenheit
Die Daten zur Entwicklung der Bodentrockenheit bezogen wir vom Helmholtz Zentrum für
Umweltforschung
7
, von dem sie für die Jahre 1951-2020 auf Landkreisebene in monatlicher
Aggregation bereitgestellt wurden.
Die Metrik, die hier untersucht wird, ist der Bodenfeuchteindex (SMI = Soil Moisture Index)
bis zu einer Tiefe von 1,8 Metern. Der SMI beschreibt Perzentile das bedeutet, dass z.B. ein
Wert von 0,2 in 20% der Jahre erreicht wird. Grundsätzlich kann der SMI damit Werte
zwischen 0 und 1 annehmen. Das Helmholtz Zentrum für Umweltforschung definiert Dürre
als einen SMI von 0,2 oder niedriger.
Abb. 1: Dürre-Definitionen des Helholtz Zentrums für Umweltforschung
3.2 Daten zu möglichen Kriteriumsvariablen
Um Auswirkungen der Bodentrockenheit explorativ zu untersuchen, zogen wir öffentliche
Daten zur Ertragsentwicklung verschiedener gängiger Feldfrüchte, zur Häufigkeit von
Waldbränden sowie zu den emittierten Treibhausgasen (in CO2-Äquivalenten) hinzu.
Vom Umweltbundesamt (UBA) bezogen wir bundeslandspezifische Daten zu allen
Waldbränden für 2015-2019
8
. Ebenfalls dem UBA entstammten die Daten zu den
Treibhausgasemissionen nach Bundesländern 1990-2017 (jedoch erst ab 2003 jährlich),
bereitgestellt über das gemeinsame Statistikportal der Statistischen Ämter des Bundes und
der Länder
9
. Ebenfalls von den Statistischen Ämtern des Bundes und der Länder in diesem
Fall aus den Regionalstatistiken stammen die Daten zu den landwirtschaftlichen Erträgen
nach Bundesland 1999-2019
10
.
7
UFZ-Dürremonitor/ Helmholtz-Zentrum für Umweltforschung (2021): Dürremonitor.
https://www.ufz.de/index.php?de=37937, abgerufen am 19.5.2021
8
https://www.umweltbundesamt.de/sites/default/files/medien/384/bilder/dateien/2-bis-
8_abb_waldbraende-alle_2020-08-26_1.xlsx,abgerufen am 19.5.2021
9
https://www.statistikportal.de/sites/default/files/2021-03/e_5.1.1.xlsx, abgerufen am 20.5.2021
10
https://www.regionalstatistik.de/genesis/online?operation=abruftabelleBearbeiten&levelindex=2&levelid=16
26622244915&auswahloperation=abruftabelleAuspraegungAuswaehlen&auswahlverzeichnis=ordnungsstruktu
r&auswahlziel=werteabruf&code=41241-01-03-4-
B&auswahltext=&nummer=5&variable=5&name=DLAND#astructure, abgerufen am 21.5.2021
Whitepaper: Entwicklung der Bodentrockenheit in Deutschland. Schoenmakers et al., 2021 4
3.3 Extraktion, Aufbereitung und Zusammenführung
Die Daten zur Bodentrockenheit werden seitens des Helmholtz Zentrums als NC-Datei
bereitgestellt, die eine Darstellung in Geoinformations-Systemen, jedoch keine weitere
statistische Verarbeitung zulässt. Mittels des von der NASA entwickelten Programms
Panoply
11
, das für Berechnungen mit und Transformation von verschiedenen Arten von
Geodaten entwickelt wurde, haben wir daher die Daten extrahiert und ins CSV-Format
überführt.
In Python haben wir die Daten der einzelnen Landkreise auf Bundeslandebene aggregiert,
um größerräumigere Trends abzubilden und eine gemeinsame Ebene mit den Daten der
Kriteriumsvariablen zu gewinnen diese werden von den Statistischen Ämtern auf
Bundesland-, nicht auf Kreisebene bereitgestellt.
Für die Regressionsanalysen mit den Kriteriumsvariablen wurden die Daten anhand des
Kalendermonats und des Bundeslandes in einer Datenbank in der Business Intelligence
Lösung Tableau
12
zusammengeführt und von dort für die statistischen Analysen aufbereitet,
die in Python sowie mit dem Statistik-Programm Datatab
13
durchgeführt wurden.
4. Untersuchungsmethodik
Um den Verlauf einer Zeitreihe zu modellieren und anhand dieser die zukünftigen Werte zu
prognostizieren, greift man auf Methoden der Zeitreihenanalyse zurück. Im Zuge der
Modellierung wird die Zeitreihe in die Komponenten Saisonalität (wiederkehrende
jahreszeitliche Muster), Trend (Treiber für die langfristige Entwicklung) und Residuum
(unerklärte Varianz) zerlegt ein Prozess, der Dekomposition heißt. Sie ist damit eine
Spezialform der Regressionsanalyse.
Für die Zeitreihenanalysen nutzten wir das von HASE & IGEL entwickelte, KI-gestützte Tool
NEUTRUM ZEITREIHENANALYSE. Intelligente Algorithmen auf Basis von Python nutzen die
LOESS-Methode eine nicht parametrische, lokale Regressionsmethode für Daten mit
saisonalem Muster , um die Dekomposition zu ermitteln. Mit den um die Saisonalität
bereinigten Daten wird die Prognose mittels des ARIMA-Modells erstellt eine auto-
regressive Methode mit gleitenden Durchschnitt, erweitert um Differenzierung und
Integration, die es erlaubt, nicht nur die beobachteten Entwicklungen aus den vergangenen
Zeitschritten zur Kalibrierung der Prognose zu nutzen, sondern indirekt auch Informationen
außerhalb der Zeitreihe in Form von Vorhersagefehlern einzubeziehen. Im Anschluss wurde
die Prognose um die Saisonalität als Faktor ergänzt und somit vervollständigt. Vereinfacht
ausgedrückt führen also die Algorithmen automatisch die notwendigen Schritte (u.A.
Prüfung der Verteilung, Prüfung der Autokorrelationskoeffizienten etc.) durch und wählen
11
https://www.giss.nasa.gov/tools/panoply/
12
https://www.tableau.com/
13
https://datatab.de
Whitepaper: Entwicklung der Bodentrockenheit in Deutschland. Schoenmakers et al., 2021 5
dasjenige Modell, das innerhalb der Zeitreihe die beste Prognosegüte bringt damit mit sehr
hoher Wahrscheinlichkeit auch am besten geeignet ist, den weiteren Verlauf der Zeitreihe
vorherzusagen. Der Prozess führte zu Prognosemodellen mit durchweg weniger als 5%
unerlärtem Residuum.
Die möglichen Auswirkungen der Bodentrockenheit auf landwirtschaftliche Erträge,
Treibhausgasemissionen und Waldbrände haben wir mit Korrelations- und
Regressionsanalysen auf Basis der Zeitreihen aus o.g. Quellen untersucht. Solche Analysen
sind bei hohem Signifikanzniveau starke Indizien dafür, dass die beobachtete Entwicklung
der Kriteriumsvariable mit der Bodentrockenheit zusammenhängt. Der R²-Wert gibt als
Bestimmtheitsmaß dabei an, wie viel von der Varianz (die quadrierte durchschnittliche
Abweichung der Werte von ihrem Mittelwert) der Kriteriumsvariable dieser Zusammenhang
erklären kann. Allerdings ist auch eine Regressionsanalyse mit hoch signifikanten
Ergebnissen kein Beweis für Kausalität (also, dass Bodentrockenheit tatsächlich der Grund
für die Entwicklung bei der Kriteriumsvariable ist). Die Betrachtung der Zeitreihe kann hier
einen weiteren Beitrag zur Aufklärung liefern, wenn auch nie letztgültige Beweise: Wenn das
Bestimmtheitsmaß mit zunehmendem Zeitversatz in Richtung des erwarteten Effekts
zunimmt, in entgegengesetzter Richtung abnimmt (oder dort gar keine Signifikanz erreicht
wird), spricht sehr Vieles dafür, dass eine Veränderung der Kriteriumsvariable reell auf die
Veränderung in der Prädiktorvariable zurückgeht. Hierfür haben wir mit positiven und
negativen „Delays“ von bis zu 5 Jahren gerechnet.
5. Ergebnisse und Interpretation
5.1 Entwicklung der Bodentrockenheit
In ganz Deutschland werden die Böden mit dramatischer Geschwindigkeit immer trockener.
So hat die Bodenfeuchte im Jahr 2020 Werte erreicht, die im Mittel um 70,69% unter dem
langjährigen Durchschnitt seit 1951 liegen. Die Bundesländer sind stark unterschiedlich
betroffen von 41% Rückgang im Saarland bis 93% Rückgang in Berlin , doch überall liegt
die Abnahme im mittleren bis hohen zweistelligen Prozentbereich.
Diese Zuspitzung ist eine verhältnismäßig neue Entwicklung. Bereits seit den 1990er Jahren
lag die Bodenfeuchte zwar etwas unter dem (gleitenden) langjährigen Mittelwert, doch
bewegte sich diese Abweichung nur im einstelligen Prozentbereich, die 2000er Jahre
brachten Trotz des „Rekordsommers“ 2003 wieder eine leichte Verbesserung. Seit den
2010er Jahren jedoch ist ein regelrechter Absturz zu beobachten, dessen Geschwindigkeit
sich zu verstärken scheint. Ein Kipppunkt könnte überschritten sein, so dass die Prognose in
den meisten Regionen keine Verbesserung, sondern das Fortschreiben einer bis vor Kurzem
noch undenkbaren Dürre verheißt.
Whitepaper: Entwicklung der Bodentrockenheit in Deutschland. Schoenmakers et al., 2021 6
Abb. 2: Durchschnittliche Abweichung der Bodenfeuchte vom langjährigen Mittel in Prozent.
Eigene Darstellung und Berechnung auf Daten des Helmholtz Zentrums für Umweltforschung.
Die Bundesländer sind von dieser Entwicklung unterschiedlich stark betroffen, wobei der
zentrale Trend übergreifend ist. Die untenstehende Grafik zeigt die Entwicklung von 1951-
2022 auf Bundeslandebene, wobei 2021 und 2022 Prognosen sind. Niedrigere Werte
entsprechen trockeneren Böden. Die eingezeichneten Regressionslinien basieren auf auf
einem polynomischen Modell (3. Grad). Sie entsprechen nicht dem (deutlich komplexeren)
Modell unserer Prognosen, sondern dienen lediglich der anschaulicheren Illustration.
Grafik umseitig
14,84
-9,64 -3,91
-21,4
-70,7
-80
-70
-60
-50
-40
-30
-20
-10
0
10
20
1980er 1990er 2000er 2010er 2020
Whitepaper: Entwicklung der Bodentrockenheit in Deutschland. Schoenmakers et al., 2021 7
Abb. 3: Entwicklung der Bodentrockenheit ab 1951 (ab 2021: Prognose). Eigene Darstellung
und Berechnung auf Daten des Helmholtz Zentrums für Umweltforschung.
Die Nordhälfte Deutschlands leidet bislang deutlich stärker unter Dürre als die Südhälfte
besonders dramatisch ist die Lage in den neuen Bundesländern mit Ausnahme von
Thüringen. Im Westen ist Nordrhein-Westfahlen am Härtesten getroffen.
Während unsere Prognose für die gesamte Osthälfte Deutschlands (mit Ausnahme von
Mecklenburg-Vorpommern) eine Trendwende zum Positiven für die nächsten Jahre sieht,
droht sich die bislang glimpflichere Situation in der Westhälfte deutlich zu verschlechtern.
Besonders stark sind nach unseren Prognosen davon die bisherigen „Musterländer“
Schleswig-Holstein, Rheinland-Pfalz und Saarland betroffen.
Whitepaper: Entwicklung der Bodentrockenheit in Deutschland. Schoenmakers et al., 2021 8
Abb. 4: Räumliche Verteilung der Dürre sowie der prognostizierten Entwicklung. Eigene
Darstellung und Berechnung auf Daten des Helmholtz Zentrums für Umweltforschung.
5.2 Explorative Auswertung von Auswirkungen
Immer trockenere Böden bringen zahlreiche offenkundige, schwere Nachteile mit sich. Diese
jedoch in feste mathematische Verhältnisse zu fassen, ist kompliziert: so gehen für viele
betroffene Feldfrüchte die Erträge ggfls. nur deshalb nicht zurück, weil immer intensiver
gedüngt und bewässert wird. Entsprechende Nebeneffekte wie absinkende
Grundwasserspiegel oder höhere Bodenbelastungen sind indes wiederum häufig nicht nach
einheitlichen Standards entsprechend regelmäßig (monatlich) und räumlich vergleichbar
(Landkreise / Bundesländer) erfasst.
Wir haben daher lediglich explorativ einige Variablen untersucht, die in entsprechender
zeitlicher und räumlicher Aggregation von authoritativer Quelle vorlagen, ohne den
Anspruch zu erheben, damit klima- oder umweltwissenschaftliche Aussagen treffen zu
können. Stattdessen zeigen wir lediglich statistisch plausible Zusammenhänge auf.
Insbesondere die Zahl der Waldbrände steigt dabei höchst signifikant mit zunehmender
Bodentrockenheit 17,6% der Schwankungen in der Häufigkeit von Waldbränden lassen sich
aus der Bodentrockenheit erklären. Dies ist eine Entwicklung, wie sie aus Australien, von der
Whitepaper: Entwicklung der Bodentrockenheit in Deutschland. Schoenmakers et al., 2021 9
Westküste der USA und aus dem Mittelmeerraum bereits seit Längerem bekannt ist, und die
somit nun auch hierzulande mess- und belegbar erscheint.
Potenziell hoch brisant, allerdings äußerst schwierig zu bewerten ist der Zusammenhang
zwischen Bodentrockenheit und Treibhausgasen in der Atmosphäre. Betrachtet man die
CO2-Äquivalente (also den Ausstoß aller relevanten Treibhausgase) ist ein hoch signifikanter
Zusammenhang mit der Bodentrockenheit feststellbar in beide Richtungen: mehr
Treibhausgase trockenere Böden, jedoch auch trockenere Böden mehr Treibhausgase.
Dieser Zusammenhang klärt annähernd 10% in der Varianz der Treibhausgase auf. Er ist
plausibel, da trockenere Böden weniger Biomasse hervorbringen und somit weniger CO2
binden (ebenso wie andere Treibhausgase siehe z.B. das Austrocknen von Mooren und die
damit verbundene Freisetzung von Lachgas). Allerdings fließen in die UBA-Daten nicht nur
jene Treibhausgase ein, die einen plausiblen Zusammenhang mit Bodentrockenheit
aufweisen. Das Heranziehen der CO2-Äquivalente kann also durchaus kritisch bewertet
werden. Daten rein zum CO2-Gehalt der Luft sowie jenem anderer, bodenrelevanter
Treibhausgase wie z.B. Methan, Lachgas war uns jedoch nicht in längeren Zeitreihen und auf
Bundeslandebene in guter Qualität zugänglich. In einem Versuch mit auf Bundesebene
aggregierten Daten rein zu CO2-Emissionen
14
ließ sich der Effekt nicht bestätigen. Dies
wiederum ist kein Einwand per se, da sich die Bodentrockenheit regional so unterschiedlich
entwickelt, dass ein bundesweiter Durchschnitt nur von stark begrenzter Aussagekraft ist. Es
ist also zu früh, auf Basis dieser höchst explorativen Analyse einen Teufelskreis aus CO2-
Emissionen und Bodentrockenheit zu proklamieren. Bereits die Möglichkeit einer solchen
Feedbackschleife sollte indes zu vertieften Untersuchungen in Fachkreisen führen.
Die Erträge von Feldfrüchten weisen in der Mehrzahl der Fälle keine signifikanten
Zusammenhänge mit der Bodenfeuchte auf. Lediglich beim Winterraps ist ein signifikanter
Rückgang zu erkennen auch wenn dieser mit 3% erklärter Varianz sehr schwach ist.
Abb. 5: Statistisch signifikante Effekte des SMI (Soil Moisture Index je geringer, desto
trockener) als Prädiktorvariable
14
https://www.umweltbundesamt.de/daten/klima/treibhausgas-emissionen-in-deutschland/kohlendioxid-
emissionen#herkunft-und-minderung-von-kohlendioxid-emissionen, abgerufen am 28.6.2021
Variable
Korrelations-
koeffizient
(Stärke und
Richtung des
Zusammenhangs)
(durch das Modell
erklärte Varianz)
p-Wert
(Wahrscheinlichkeit
eines Fehlers bei
der Annahme)
Beta
(Stärke des Effektes)
Waldbrand
Anzahl
-0,4267
0,1761
<0,0001
-0,43
CO2-Äquivalente
-0,3234
0,0975
0,0002
-0,32
Winterraps
0,1939
0,03
0,0276
0,03
Whitepaper: Entwicklung der Bodentrockenheit in Deutschland. Schoenmakers et al., 2021 10
Anhang
Anhang I: Auszug Datenbank SMI
Anhang II: Auszug Datenbank landwirtschaftliche Erträge
Anhang III: Auszug Datenbank CO2-Äquivalente
Anhang IV: Auszug Datenbank Waldbrände
Anhang V: Beispiel für Analyse & Prognose mit NEUTRUM ZEITREIHENANALYSE
Anhang VI: Ergebnisse statistische Analysen Auswirkungen
Anhang I: Auszug aus der Datenbankdatei mit den extrahierten SMI-Werten
Anhang II: Auszug aus der Datenbankdatei zu landwirtschaftlichen Erträgen
Anhang III: Auszug aus der Datenbankdatei zu CO2-Äquivalenten
Grafik umseitig
Whitepaper: Entwicklung der Bodentrockenheit in Deutschland. Schoenmakers et al., 2021 11
Anhang IV: Auszug aus der Datenbankdatei zu Waldbränden
Whitepaper: Entwicklung der Bodentrockenheit in Deutschland. Schoenmakers et al., 2021 12
Anhang V: Beispiel für Analyse & Prognose mit NEUTRUM ZEITREIHENANALYSE
Anhang VI: Ergebnisse statistische Analysen Auswirkungen
Korrelationsrechnungen
Variable
Korrelations-
koeffizient
R² adjustiert
p-Wert
Standardschätzfehler
Waldbrand Anzahl
-0,4267
0,1761
<0,0001
167,17
Waldbrand Hektar
-0,2391
0,0500
0,0046
252,82
CO2-Äquivalente
-0,3234
0,0975
0,0002
33,47
Winterraps
0,1939
0,0300
0,0276
5,34
Zuckerrüben
-0,1704
0,0208
0,0628
94,23
Kartoffeln
0,0580
-0,0044
0,5122
67,72
Triticale
-0,1214
0,0070
0,1688
9,69
Hafer
-0,0162
-0,0077
0,8564
8,53
Sommergerste
-0,0709
-0,0027
0,4225
8,04
Wintergerste
-0,1072
0,0038
0,2245
10,27
Roggen
-0,0953
0,0091
0,2805
9,94
Winterweizen
-0,0089
-0,0077
0,9203
9,76
Silomais
-0,0044
-0,0078
0,9602
73,30
Whitepaper: Entwicklung der Bodentrockenheit in Deutschland. Schoenmakers et al., 2021 13
Regression CO2-Äquivalente
Modell
B
Beta
Standardfehler
t
(Konstante)
87,837
9,108
9,6439
SMI
-75,1023
-0,3234
19,5762
-3,8364
Regression Waldbrände Zahl
Modell
B
Beta
Standardfehler
t
(Konstante)
389,3502
36,3097
10,723
SMI
-456,0428
-0,4267
82,5735
-5,5229
Regression Waldbrände Fläche
Modell
B
Beta
Standardfehler
t
(Konstante)
357,1359
54,915
6,5034
SMI
-359,9517
-0,2391
124,8846
-2,8823
Regression Winterraps
Modell
B
Beta
Standardfehler
t
(Konstante)
33,5416
1,1881
28,2323
SMI
6,1479
0,1939
2,7595
2,2279
ResearchGate has not been able to resolve any citations for this publication.
ResearchGate has not been able to resolve any references for this publication.