Lesnická a dřevařská fakulta Mendelovy univerzity v Brně A PŘIPOMÍNEK OPONENTŮ PŘÍRODNÍCH RIZIK ZA POUŢITÍ GIT. Mgr. Lukáš KREJČÍ

Lesnická a dřevařská fakulta Mendelovy univerzity v Brně

DISERTAČNÍ PRÁCE SE ZAPRACOVÁNÍM ERRATA A PŘIPOMÍNEK OPONENTŮ

HODNOCENÍ LESNÍCH ÚZEMÍ Z HLEDISKA VÝSKYTU PŘÍRODNÍCH RIZIK ZA POUŢITÍ GIT

Mgr. Lukáš KREJČÍ

Ústav geoinformačních technologií

Studijní program: 39 – 29 Aplikovaná geoinformatika

Brno 2012

Poděkování Rád bych poděkoval všem, kteří mně byli nápomocni při tvorbě disertační práce, zvláště pak děkuji doc. RNDr. Jaromíru Kolejkovi, CSc. za cenné rady, konzultace a připomínky, které jsem ve své práci využil.

Prohlášení Prohlašuji, že jsem disertační práci na téma: „Hodnocení lesních území z hlediska výskytu přírodních rizik za použití GIT“ zpracoval sám a uvedl jsem všechny použité prameny. Souhlasím, aby moje disertační práce byla zveřejněna v souladu s § 47 Zákona č. 111/1998 Sb., o vysokých školách a uložena v knihovně Mendelovy univerzity v Brně, zpřístupněna ke studijním účelům ve shodě s Vyhláškou rektora Mendelovy univerzity v Brně o archivaci elektronické podoby závěrečných prací. Autor práce se dále zavazuje, že před sepsáním licenční smlouvy o využití autorských práv s jinou osobou (subjektem) si vyžádá písemné stanovisko univerzity o tom, že předmětná licenční smlouva není v rozporu s oprávněnými zájmy univerzity a zavazuje se uhradit případný příspěvek na úhradu nákladů spojených se vznikem díla podle řádné kalkulace. V Brně, dne 6. března 2012

……………………… Lukáš Krejčí

2

Abstrakt Hodnocení lesních území z hlediska výskytu přírodních rizik za pouţití GIT Lukáš Krejčí

Disertační práce se zabývá problematikou hodnocení vztahu lesních porostů k přírodním rizikům na příkladu lesních polomů. K výpočtu pravděpodobnosti rizika polomu je pouţit empirický přístup reprezentovaný metodou logistické regrese a přístup mechanický zastoupený modelem ForestGALES. Výsledky jsou integrovány do softwaru ESRI ArcInfo 9.2, kde jsou následně analyzovány a zhodnoceny. V závěru práce je provedeno srovnání obou přístupů a jsou diskutovány dosaţené výsledky.

Klíčová slova Geografické informační systémy; logistická regrese; ForestGALES; empirický a mechanický přístup; polomy.

Abstract The assessment of forest areas in term of natural hazard occurence using GIT Lukáš Krejčí

The dissertation theses focuses on assessing of wind damage hazard using logistic regression, mechanistic model ForestGALES and widely available GIS software. The statistical method of logistic regression representing empirical approach is used to predict the probability of this hazard. Mechanistic approach is represented by computer based decision support tool ForestGALES. The results obtained by both approaches are compared and discussed at the end of the dissertation theses.

Key words Geographical information systems; logistic regression; ForestGALES; empirical and mechanistic approach; windthrow.

3

Obsah Úvod .......................................................................................................................... 6 1. Cíl práce ................................................................................................................ 7 2. Úvod do problematiky ......................................................................................... 9 3. Historie, současný stav a přístupy v ČR a zahraničí ........................................ 20 3.1 Historie polomů na Šumavě ............................................................................. 20 3.2 Přístup k problematice polomů v ČR a bývalém Československu .................. 21 3.3 Přístup k poblematice polomů v zahraničí ....................................................... 28 4. Přístupy k hodnocení rizika ohroţení větrem ................................................... 30 4.1 Empirický přístup ............................................................................................ 30 4.2 Mechanický přístup.......................................................................................... 31 4.3 Přístup zaloţený na pozorování ....................................................................... 31 5. Mechanismus polomů .......................................................................................... 33 6. Hlavní a vedlejší příčiny výskytu polomů.......................................................... 39 6.1 Seznam hlavních a vedlejších faktorů ............................................................. 40 6.2 Terén ................................................................................................................ 42 6.3 Podmínky stanoviště ........................................................................................ 46 6.4 Vlastnosti lesního porostu ................................................................................ 48 6.5 Vliv větru, sněhu a mrazu (klimatičtí činitelé) ................................................ 54 6.5.1 Vítr........................................................................................................... 56 6.5.2 Sníh .......................................................................................................... 60 6.5.3 Námraza a ledovka .................................................................................. 61 6.6 Antropogenní a biotické faktory ...................................................................... 63 7. Metody a postup zpracování ............................................................................... 71 8. Vymezení modelového území .............................................................................. 73 8.1 Fyzicko-geografické poměry ........................................................................... 74 8.2 Geologické poměry .......................................................................................... 75 8.3 Geomorfologické poměry ................................................................................ 76 8.4 Klimatické poměry .......................................................................................... 77 8.5 Hydrologické charakteristiky ........................................................................... 77 8.6 Půdní poměry ................................................................................................... 78 8.7 Charakteristika současných lesních porostů .................................................... 79 9. Podkladová data ................................................................................................... 80 10. Základní statistické hodnocení ......................................................................... 82 4

10.1 Statistické vyhodnocení terénu a morfometrických charakteristik ................ 82 10.2 Statistické vyhodnocení faktorů porostního stanoviště ................................. 87 10.3 Statistické vyhodnocení faktorů lesních porostů ........................................... 90 10.4 Statistické vyhodnocení faktorů rychlosti a směru větru ............................... 94 11. Hodnocení porostů na základě mechanického přístupu ................................ 96 11.1 Prediktivní model ForestGALES ................................................................... 96 11.1.1 Základní charakteristika ........................................................................ 96 11.1.2 Historie .................................................................................................. 97 11.1.3 Principy a funkčnost modelu ................................................................. 97 11.1.4 ForestGALES a lesnictví ve Velké Británii .......................................... 100 11.1.5 Základní operační módy systému .......................................................... 101 11.1.6 Dotazovací formuláře ............................................................................ 102 11.1.7 Výstupy modelu .................................................................................... 106 11.2 Návrh optimalizované datové struktury ......................................................... 108 11.2.1 Tvorba a úprava databáze ...................................................................... 108 11.3 Hodnocení rizika výskytu lesních polomů modelem ForestGALES ............. 116 11.4 Výsledky hodnocení ...................................................................................... 119 12. Hodnocení porostů na základě empirického přístupu.................................... 124 12.1 Logistická regrese .......................................................................................... 124 12.2 Konstrukce segmentační databáze ................................................................. 127 12.3 Statistické analýzy ......................................................................................... 129 12.3.1 Statistický software SAS ....................................................................... 129 12.3.2 Výpočet korelačních koeficientů ........................................................... 130 12.3.3 Výběr a testování modelu logistické regrese ......................................... 131 12.4 Hodnocení rizika výskytu lesních polomů v ArcGIS .................................... 137 13. Srovnání výsledků získaných mechanickým a empirickým přístupem ........ 142 14. Diskuse ................................................................................................................ 150 15. Výsledky a moţnosti vyuţití studie................................................................... 158 16. Závěr ................................................................................................................... 161 17. Literatura ........................................................................................................... 163

5

Úvod V posledních několika desetiletích se stále častěji setkáváme s výskytem větrných, sněhových a námrazových polomů, které zanechávají v lesích České republiky znatelné škody. Polomy jsou přirozený přírodní jev, který vţdy doprovázel lesní porosty. Teprve v posledních dvou-třech staletích je člověk řadí mezi ohroţení své činnosti. Téměř kaţdoročně se z médií dozvídáme o následcích polomů, jejichţ následné vyčíslení nás ohromuje nemalými materiálními škodami. Rozsah nahodilých těţeb je stále vysoký, v roce 1960 se pohyboval okolo 10 %, zatímco v roce 2004 dosahoval jiţ téměř 40 %. Z celkového objemu nahodilých těţeb zaujímaly polomy 84 % (Vicena, 2006). Poškození způsobené větrem a následná těţba zasaţeného dřeva mají za následek nejen vysoké přímé finanční ztráty, ale především také škody nepřímé, mezi které patří například zvýšený povrchový odtok, zvýšená náchylnost k erozi půdy, změna proudění vzduchu v přízemní vrstvě, sníţená hodnota krajinného potenciálu pro rozvoj cestovního ruchu a mnohé další (Koreň, 2005; Gardiner et al., 2006; Kolejka et al., 2008). V minulosti, kdy nebyla k dispozici počítačová ani grafická technika, bylo šetření zaloţeno na pracném získávání podkladů a jejich vyhodnocování metodami matematické statistiky a kartometrických operací. V současné době je vyuţití geografických informačních systémů (GIS), dálkového průzkumu Země (DPZ) a dalších geoinformačních technologií (GIT – dále globální polohovací systémy, počítačová kartografie) v lesnictví odborné veřejnosti dobře známé. GIS s DPZ pomáhají při hodnocení zdravotního stavu lesa, analýze obnovy přirozených porostů, inventarizaci, tvorbě oblastních plánů rozvoje lesa (OPRL), umoţňují publikovat lesnická data na internetu a další. Výskyt silných větrů nelze lidskými silami ovlivnit, ale jejich dopad je moţné vhodnými lesohospodářskými zásahy za pomocí moderních prostředků, především GIS, nástrojů pro podporu prostorového rozhodování (SDSS) a prediktivních modelů do jisté míry sníţit. Pomocí výše zmíněných nástrojů je tak moţné efektivně provést hodnocení lesních porostů ve velmi krátkém čase a na základě získaných informací přijmout náleţitá opatření ke sníţení dopadů extrémních větrných událostí na lesní porosty.

6

1. Cíl práce Cílem disertační práce je navrhnout metodu (metodický postup), která poskytne efektivní a objektivní hodnocení lesních území z hlediska výskytu přírodních rizik za pouţití GIT. Součástí práce bude praktické ověření metody na modelovém území. Disertační práce obsahuje několik dílčích částí. V první fázi bude nutné vymezit zájmové území disertační práce. Jako modelové území bylo vybráno území v Národním parku Šumava. Národní park Šumava byl vybrán především z důvodu vysokého výskytu polomů, jejichţ rozsah se kaţdoročně zvyšuje a způsobuje značné škody. Dalším důvodem bylo, ţe pro Národní park Šumava byla jiţ dříve zpracována studie zabývající se problematikou polomů v rámci mezinárodního projektu STRiM programu INTERREG IIIB Evropské unie (2006-2008) řešeném na Mendelově univerzitě v Brně, na kterou částečně navazuje tato disertační práce. V první části bude také provedena rešerše dané problematiky v České republice i v zahraničí. V druhé fázi budou získána prostorová a atributová data pro analýzy nezbytné k hodnocení rizika lesních porostů vůči větru. Dále bude vytvořen návrh optimalizované datové struktury pro hodnocení lesních území z hlediska výskytu přírodních rizik - polomů. Následně bude provedeno základní statistické hodnocení dat a budou stanoveny hlavní faktory, které mají signifikantní vliv na vznik a výši polomů. V další části bude provedeno hodnocení na základě mechanického přístupu pomocí modelu ForestGALES. Samotnému hodnocení bude předcházet adaptace modelu pro podmínky v České republice a úprava vstupních dat na základě poţadavků modelu. Výsledné hodnoty získané modelem budou integrovány do GIS, analyzovány a na základě dosaţených výsledků budou vymezeny plochy s vysokým, středním a nízkým rizikem výskytu polomů. Dále bude provedeno hodnocení rizika výskytu lesních polomů na základě empirického přístupu pomocí GIS a metody logistické regrese. Součástí hodnocení bude konstrukce datové sady závislých a nezávislých proměnných, vytvoření jednotek výběrového souboru a konstrukce segmentační databáze. Výpočet parametrů modelu bude proveden v dostupném statistickém softwaru, samotný výpočet pravděpodobnosti výskytu polomů metodou logistické regrese a tvorba map budou provedeny v GIS. V poslední části budou porovnány výsledky získané na základě výše zmíněných přístupů a bude vytvořena mapa reprezentující míru shody mezi oběma přístupy. Výstupem budou mapy pravděpodobnosti výskytu větrných polomů na území Prášilska vypočítané pomocí metody logistické regrese, dále mapy vyjadřující stupeň rizika ohroţení lesních porostů a stromů vůči vyvrácení a zlomení vypočítané na 7

základě modelu ForestGALES, mapa míry shody mezi oběma přístupy a jako poslední mapa rizika porostu vůči polomovým kalamitám vytvořená na základě výsledků získaných oběma přístupy. Důleţitým výstupem bude také plně zdokumentovaný metodický postup hodnocení území z hlediska výskytu polomových kalamit. V práci budou uvedeny pouţité postupy a metody, podkladová data a dokumentace výstupů. Bude provedena diskuse nad metodami, daty a výsledky práce a nastíněna moţnost jejich dalších vyuţití. Na závěr bude připojeno resumé v anglickém jazyce. Digitální podkladová data a výsledky práce budou přiloţeny k práci na CD-ROM. Všechny úkony v geografických informačních systémech budou vykonány v softwaru dostupném v laboratoři GIS na Ústavu geoinformačních technologií Lesnické a dřevařské fakulty Mendelovy univerzity v Brně.

8

2. Úvod do problematiky V současné době, která se vyznačuje prudkým rozvojem informačních technologií, do nichţ patří i geografické informační systémy, můţe být často obtíţné definovat stav určité problematiky. Jednoduše řečeno, přístup k řešené aplikaci včera můţe uţ dnes být trochu jiný a efektivnější. Od doby široké implementace geografických informačních systémů v 90. letech 20. století si geoinformatika dokázala najít místo v řadě oborů. Dříve nástroj pouze geografů a kartografů se přesunul z výzkumných center do osobních počítačů zaměstnanců veřejné správy, soukromých firem i projekčních kanceláří. GIS technologie se budou dále rozvíjet a zasahovat do běţného ţivota kaţdého z nás (Voţenílek, 1998). Geografické informační systémy hrají v lesnictví důleţitou roli a lesnictví samotné patřilo mezi jeden z prvních oborů, kde bylo GISů úspěšně vyuţito (Korte, 2001). Pomocí GIS je moţné jednodušeji, rychleji, efektivněji a přesněji získávat, uchovávat, analyzovat a prezentovat lesnická data. GISy nacházejí uplatnění například při zpracování dat získaných národní inventarizací lesů v České republice nebo při tvorbě OPRL (Oblastních plánů rozvoje lesa), především při tvorbě digitálních map OPRL typologická mapa, porostní mapa, mapa lesních vegetačních stupňů, mapa funkčního potenciálu lesa, přehledová mapa lesních oblastí, mapa cílového hospodářství, mapa deklarovaných funkcí lesa, dopravní mapa, mapa územního systému ekologické stability. Dále při tvorbě porostních map, zjišťování zdravotního stavu lesa (metody DPZ, vegetační indexy) atd. (UHUL, 2003). Není tedy ţádným překvapením, ţe se GISy staly nedílnou součástí lesnických studií nebo projektů. Důvodem je především prostorový charakter vstupních dat, která jsou následně zpracovávána pomocí nástrojů GIS a DPZ. Velký význam a rozvoj zaznamenal také mobilní GIS. Tyto systémy se jiţ uplatnily v řadě úkolů hospodářské úpravy lesů, jako jsou jiţ zmíněné lesní inventarizace, lesní tematické mapování a zjišťování porostních a stromových charakteristik (Hájek, 2005). Lesní hospodářství se v České republice potýká v současné době s několika problémy. Od počátku devadesátých let se sniţuje přímá imisní zátěţ lesních porostů a niţší je i mnoţství kyselých spadů, ale depozice dusíku v posledních letech jiţ neklesá, coţ souvisí se zvyšováním podílu jeho mobilních zdrojů (doprava). Stabilita lesních ekosystémů je narušena působením polutantů v minulosti, a proto i relativně nízký podíl znečisťujících látek můţe váţně ohrozit vitalitu lesů (Klimánek, 2004).

9

Jedním z hlavních škodlivých faktorů působících na lesní porosty je vítr (Ennos, 1997; Schaetzl et al., 1989), škody způsobené větrem jsou také významným negativním ekologickým faktorem (Hale et al., 2012). Poškození způsobené větrem a následná těţba dřeva není váţným problémem pouze v České republice. Větrné vichřice poškodí v Evropě průměrně okolo 18,5 milionů m3 dřeva ročně a mezi lety 1950 aţ 2000 byla největší část všech škod na lesních porostech vázána na poškození větrem (Schelhaas et al., 2003). Příkladem můţe být vichřice z ledna roku 2005 v jiţním Švédsku, která měla za následek poškození aţ 70 miliónů m3 dřeva (Pellikka a Järvenpää, 2003), dále orkán Kyrill, který postihl v lednu 2007 velkou část Evropy, způsobil velké finanční ztráty a vyţádal si 47 lidských ţivotů (Barredo, 2010) nebo například vichřice Emma z března roku 2008, která dosahovala maximální rychlosti větru aţ 54 m.s-1 (orkán Kyrill dosahoval maximální rychlosti přibliţně 60 m.s-1) a zasáhla většinu středoevropských státu (Holub et al., 2009). Největší škody na lesních porostech bývají ve střední Evropě způsobené silnými větry, které se nejčastěji vyskytují v zimním období a jsou způsobeny nízkými tlakovými níţemi, které se formují na severní polokouli ve středních zeměpisných šířkách (Usbeck et al., 2009). Tyto vichřice objevující se v zimních měsících ovlivňují lesní porosty přímo jejich narušením, ale také nepřímo tím, ţe na poškozeném dřevě se vytvářejí podmínky pro nálet kůrovce (Meier et al., 2006). Výsledky modelové studie ze Švédska (Blennow a Olofsson, 2008), která zkoumala poškození lesních porostů větrem pod vlivem klimatických změn pro různé klimatické scénáře, neukazují na ţádný jasný trend směrem ke zvyšování rychlosti větru v budoucnu, který by byl příčinou vyššího poškození lesních porostů větrem. Zatímco doposud neexistuje ţádný jasný důkaz, ţe se počet vichřic s vysokou rychlostí větru v Evropě zvýšil (Albrecht et al., 2009), existují dva faktory, které naznačují riziko zvýšení škod v budoucnosti. Prvním faktorem je nárůst porostní zásoby a druhým jsou klimatické podmínky, které zapříčiní vyšší náchylnost lesních porostů k poškození větrem (vyšší sráţky v zimním období spojené s vyšší vlhkostí půdy a nedostatečně chladná zima bez mrazu) (Majunke et al., 2008). Studiem změn klimatu a pravděpodobností vzniku škod na lesních porostech způsobených větrem se zabýval na příkladu dvou lesních porostů ve Švédsku také Blennow et al. (2010). Ten na základě výsledků simulací zjistil, ţe současný lesnický management ve Švédsku bude pod vlivem klimatických změn nedostatečný a povede ke zvýšené náchylnosti lesních porostů k větrným polomům. Jaké bude větrné klima v budoucnu, je nicméně nejisté, 10

přestoţe se v poslední zprávě IPCC z roku 2007 (Christensen et al., 2007) došlo k závěru, ţe je velmi pravděpodobné, ţe bude v budoucnu docházet k nárůstu výskytu a intenzity silných větrů. Blennow et al. (2010) také zmiňuje, ţe sníţený výskyt nebo absence zmrzlé půdy bude mít za následek sníţenou odolnost porostu vůči větru a dodává, ţe existuje několik moţností jak sníţit riziko pravděpodobnosti výskytu lesní polomů prostřednictvím vhodné volby porostní dřeviny a odpovídajícího lesnického managementu. Poškození způsobené větrem má za následek nejen přímé finanční ztráty spojené s těţbou narušeného dřeva a sníţenou hodnotou polomového dříví (Savill, 1983; Gardiner, 2006), ale také škody nepřímé, mezi které patří zvýšený povrchový odtok, zvýšená náchylnost k erozi půdy, změna proudění vzduchu v přízemní vrstvě, sníţená hodnota krajinného potenciálu pro rozvoj cestovního ruchu a mnohé další (Koreň, 2005). Z ekologického hlediska můţe být vítr povaţován za významného činitele, který umoţňuje přirozenou regeneraci a zvyšuje diverzitu na lesních stanovištích (Quine, 2001; Ruel a Pineau, 2002). Na současném stavu lesů se podílejí ve velké míře také další abiotické faktory. Především sníh a námraza, dále pak záplavy a sucho. Celková výše evidovaných nahodilých těţeb způsobených abiotickými vlivy činila v roce 2006 6,06 mil. m3 a polomy tvořily z tohoto počtu jako obvykle většinu (5,59 mil. m3). Překvapivé je, ţe v roce 2006 byla rozhodující část polomů vázána na poškození sněhem (62 %), coţ je z dlouhodobého hlediska netypické, protoţe většinou převaţuje poškození větrem (Zelená zpráva, 2006). Následující rok 2007 byl z hlediska výskytu polomů způsobených větrem extrémní. Orkán Kyrill, který postihl v noci z 18. na 19. ledna 2007 velkou část republiky, způsobil jen na Šumavě rozsáhlé škody, které činily přes 850 tis. m 3 dřeva (Národní park Šumava, 2007). Celkové škody se v roce 2007 podle evidence Lesní ochranné sluţby (LOS) v souvislosti s orkánem Kyrill a dalšími větrnými poškozeními vyšplhaly aţ na 12 mil. m3 vytěţené polomové hmoty v České republice (Liška a Tuma, 2007), celkově v Evropě způsobil Kyrill škody blíţící se k 54 mil. m3 polomového dřeva (Lukášová, 2007). V roce 2010 byl celkový objem nahodilých těţeb přibliţně 4,3 mil. m3, po přepočtu na celkovou plochu lesa pak zhruba 6,1 mil. m3. Tento údaj představuje přibliţně necelých 40 % celkových ročních těţeb a z tohoto hlediska se rok 2010 řadí k letům relativně příznivým. Zejména v porovnání s roky 2006 a 2007 (v roce 2006 byl tento 11

podíl zhruba poloviční, v roce 2007 tříčtvrtinový). K poklesu došlo i v porovnání s rokem 2008, kdy bylo evidováno přibliţně 7,1 mil. m3 nahodilých těţeb (Šrámek a Novotný, 2011). Z evidovaných 4,3 mil. m3 tvoří abiotické vlivy přibliţně 67 % (2,87 mil. m3), biotické vlivy přibliţně 33 % (1,38 mil. m3). Poškození vlivem větru tvořilo cca 70 % evidovaných poškození lesních porostů (2,04 mil. m3). Objem evidovaných těţeb v důsledku poškození abiotickými vlivy (vítr, sníh, námraza, sucho a ostatní příčiny včetně antropogenních faktorů) činil v roce 2010 2,87 mil. m3 (2009: 2,37 mil. m3; 2008: 5,27 mil. m3; 2007: 9,344 mil. m3) a dominantní (cca 70 %) bylo poškození větrem v objemu 2,042 mil. m3 (2009: 1,986 mil. m3; 2008: 4,855 mil. m3; 2007: 8,842 mil. m3) (Šrámek a Novotný, 2011).

Obr. 1: Celkový objem nahodilých těţeb ve sledovaném období (mil. m3). Zdroj: Šrámek a Novotný (2011). Faktory ovlivňující pravděpodobnost výskytu větrného poškození v lesních porostech lze rozdělit do 4 skupin. První (1) jsou meteorologické charakteristiky, (2) vlastnosti stanoviště, (3) topografické podmínky a (4) vlastnosti stromu a porostu (Quine a Gardiner, 2007). Mezi dva nejvíce uznávané faktory ovlivňující škody způsobené větrem patří druh dřeviny a výška porostu (Hanewinkel et al., 2011). Mezi další faktory, jeţ ovlivňují pravděpodobnost výskytu polomů, lze povaţovat vztah mezi střední tloušťkou porostu a jeho výškou, velikost koruny, hustotu a strukturu porostu, stav kořenového systému (hniloba) a další stanovištní charakteristiky jako orientace ke světovým stranám, sklon, odtokové poměry, půdní typ a další (Hanewinkel et al., 2011).

12

Vliv druhu porostu na výši škod způsobených větrem byl v minulosti prokázán v České republice i v zahraničí mnoha autory. Například smrk ztepilý (Picea abies), který patří v České republice mezi nejrozšířenější dřeviny, je řazen mezi nejvíce náchylné dřeviny k poškození větrem, coţ bylo v minulosti prokázáno například Vicenou (1964, 1979, 2004), který analyzoval dopady větrných kalamit na území současného Národního parku Šumava. Vliv smrku ztepilého (Picea abies) na výši škod způsobených polomem Kyrill v roce 2007 potvrdila také analýza lesních porostů na Šumavě pomocí metody logistické regrese provedená Krejčím (2010). Podobných výsledků dosáhla také Kurková et al. (2008), která hodnotila dopady kalamity Kyrill v lesích ve správě LČR. Vliv porostní sklady na výši škod potvrzují také současné zahraniční studie jako například práce Valingera a Fridmana (2011) ze Švédska, která je podrobněji popsána níţe nebo studie Albrechta et al. (2012), která zdůrazňuje náchylnost jehličnatých porostů k poškození větrem. Nicméně Stathers et al. (1994) tvrdí, ţe vztah mezi porostní skladbou a větrným poškozením není jednoznačný, jelikoţ poškození některých druhů porostů silně závisí na stanovištních podmínkách. Podobný názor zastává také Nicoll et al. (2006), který tvrdí, ţe náchylnost porostu k poškození větrem není vţdycky silně závislá na druhu porostu, ale je také často signifikantně spojená s hloubkou zakořenění a půdním typem. Nicoll et al. (2006) zjistil, ţe stromy s kořenovým systémem hlubším neţ 80 cm jsou mnohem stabilnější neţ ty s kořenovým systémem do 80 cm hloubky. Zajímavou publikací popisující vztah mezi typem půd a hloubkou zakořenění je kniha The Influence of Soils and Species on Tree Rooth Depth vydaná Forest Research Agency v roce 2005, která obsahující informace o přibliţné hloubce zakořenění pro většinu hlavních dřevin na různých typech půd (Crow, 2005). Pochopení vzájemného vztahu mezi kořenovým systémem a půdou je zásadní ke zlepšení modelování odolnosti kořenového systému a následného vyvrácení stromu (Schindler et al., 2012). Mezi důleţité faktory ovlivňující stabilitu stromu patří také vlhkost půdy. Intenzivní sráţky spojené se silným větrem mohou podstatně zvýšit vlhkost půdy a tím také zvýšit pravděpodobnost poškození stromů polomem (Usbeck et al., 2010). Tento vztah byl v minulosti jen zřídka kvantifikován. Vlivem rychlého zvýšení vlhkosti v půdě na ukotvení stromu (studie byla konkrétně provedena na cypřišku tupolistém Chamaecyparis obtusa), které úzce souvisí s odolností porostu vůči větru, se zabýval Kamimura et al. (2012), který zjistil, ţe zvýšení mnoţství vody pod kořenovým talířem významně ovlivnilo (sníţilo) ukotvení stromu. Zajímavým zjištěním bylo, ţe naopak 13

zvýšení mnoţství vody uvnitř kořenového talíře zvýšilo ukotvení stromu, především v počáteční fázi procesu poškození stromu. Výsledky studie mohou být pouţity například k lepšímu popisu a parametrizaci vztahu kořeny-půda v současných mechanických modelech. Poškození porostů větrem bývá častější ve zralých porostech neţ v porostech mladých (Lohmander a Helles, 1987; Lekes a Dandul 2000) a s narůstajícím věkem porostů se obecně zvyšuje náchylnost k poškození větrem. Například v Japonsku existuje u porostů starších 41 let větší riziko poškození větrem neţ u porostů mladších. Takovéto poškození stromů ve starších porostech je úzce spojeno s jejich strukturou, jako například s výškou, průměrem kmene a velikostí koruny (Kuboyama et al., 2003). Ne vţdy však poškození stoupá přímo úměrně s věkem porostů. Rich et al. (2007) analyzoval přibliţně 30 tisíc stromů v Minessotě v USA (9 druhů dřevin) pomocí statistické metody logistické regrese a zjistil, ţe poškození bylo nejvyšší ve zralých porostech ve věku okolo 90 let a porosty starší a velmi staré (126 aţ 200 let) byly poničeny méně. K podobným výsledkům došel i Valinger a Fridman (2011), který analyzoval dopady vichřice z roku 2005, která zasáhla jiţní část Švédska. Na základě analýz došli k závěru, ţe u porostů ve věku 110 let a starších byla zjištěna niţší pravděpodobnost poškození větrem neţ u porostů mladších ve věku mezi 90 aţ 100 lety. Důvodem těchto výsledků můţe být fakt, ţe porosty starší 90 let odolávaly poškození po velmi dlouhou dobu a jiţ dosáhly své maximální výšky. Navíc poslední probírka byla v těchto porostech provedena před velmi dlouhou dobou a tak měly tyto stromy dostatek času se přizpůsobit mechanickým silám (větru), které na ně působí. Dalším významným faktorem, který bývá často pouţíván k hodnocení rizika vzniku polomů, je štíhlostní kvocient (Mitchell, 2000). Štíhlostní kvocient je odvozen z poměru h:d (výška stromu:výčetní tloušťka) a vyjadřuje štíhlost, popř. spádnost kmene. Je to stěţejní parametr při posuzování odolnosti stromu nebo porostu proti sněhovému závěsu. Hodnota štíhlostního kvocientu se můţe záměrně ovlivňovat metodami porostní výchovy regulací tloušťkového přírůstku (úpravou porostní struktury - sílou zásahu). Kritérium odolnosti podle štíhlostního kvocientu se vyuţívá např. v modelech výchovy (Chroust et al., 2001). Niţší štíhlostní kvocient přispívá i k odolnosti proti zlomu větrem (Valinger and Fridman, 1997). Stromy se štíhlostním kvocientem vyšší neţ 100 mají sníţenou stabilitu a jsou více náchylné k větrnému poškození, zatímco u stromů se štíhlostním kvocientem niţším neţ 60 existuje menší riziko zlomení kmene (Stathers et al. 1994; Lekes a Dandul, 2000). Hodnota štíhlostního kvocientu se mění s rostoucím 14

věkem a můţe být udrţována pomocí různých reţimů porostní výchovy. Poškození lesních porostů větrem také pozitivně koreluje se štíhlostním kvocientem (Cremer et al., 1982). Dalším faktorem ovlivňujícím stabilitu porostů a jejich odolnost proti větru jsou předchozí těţební zásahy. Mikita et al. (2009) zjistil, ţe na výši škod způsobených orkánem Kyrill měla jasný vliv vzdálenost od předchozích holin (nejvyšší škody vznikají v blízkosti předchozích holin). Tento efekt je z hlediska stability lesních porostů snadno popsatelný, neboť vlivem předchozího těţebního zásahu nebo přírodní katastrofy v podobě vichřice či kůrovcové kalamity dojde k narušení porostních stěn, na které nejsou schopny lesní porosty (především ve vyšších věkových stupních) v krátkém časovém intervalu adekvátně reagovat a v případě výskytu extrémního jevu dochází k jejich dalšímu poškození. Z toho je zřejmá vyšší pravděpodobnost vzniku polomů v blízkosti stávajících holin (Mikita et al., 2009). Vicena et al. (2004) došel na základě analýz kalamity mezi lety 1984-2002 na území NP Šumava k závěru, ţe velká intenzita těţeb vedla vţdy u dospělých porostů ke sniţování porostních zásob a k výraznému zvyšování polomových škod (za předchozí těţbu povaţoval Ivo Vicena i stromy, které uschly v důsledku ţíru kůrovce, především proto, ţe nezpracované kůrovcové souše po 3–5 letech jiţ v důsledku pokročilé hniloby padají k zemi a vzniklý volný prostor umoţňuje, aby se vichřice opírala do korun zbylých stromů). Mírné zásahy do 50 m3/ha nebo do 15 % porostní zásoby se ukázaly jako bezpečné. Při mírné intenzitě těţby do 15 % porostní zásoby byly polomy 6krát niţší neţ tam, kde těţba dosáhla 50 %. K podobným výsledkům došel i Klopcic et al. (2009), který analyzoval různé druhy poškození lesních porostů (vítr, sníh, hmyz) na území Julských Alp (k dispozici měl data pro období 1979-2006). Během studie bylo zjištěno, ţe stejně jako na Šumavě mezi lety 1984-2002, měl na výši škod (vítr, sníh, hmyz) z velké míry vliv předchozí těţby (především těţby, která proběhla během pěti posledních let) a předchozí poškození lesa v důsledku některého z abiotických nebo biotických faktorů. Zajímavým poznatkem také bylo, ţe heterogennější lesní krajina zvyšuje riziko polomu, ale závaţnost těchto škod způsobených přírodními vlivy je v této krajině niţší. Stav lesa je také výrazně ovlivněn biotickými vlivy, zejména výskytem podkorního a listoţravého hmyzu a nadměrným stavem spárkaté zvěře. Největší počet napadené hmoty připadá kaţdoročně na lýkoţrouta smrkového (Ips typographus), lýkoţrouta menšího (Ips amitinus) a lýkoţrouta lesklého (Pityogenes chalcographus). Dalším hmyzem, který napadá lesy České republiky (převáţně Moravu a Slezsko), je lýkoţrout 15

severský (Ips duplicatus) (Zelená zpráva, 2007). Všichni výše zmínění škůdci napadají smrkové dříví. Mezi další dřeviny, které bývají znehodnocené podkorním hmyzem, patří ještě borovice a modřín. Napadení dalších dřevin podkorním hmyzem bývá ojedinělé. Podle Forsta (1985) je nejváţnějším škůdcem dospívajících a dospělých smrčin lýkoţrout smrkový (Ips typographus). Rojící se brouci zpravidla napadají stromy starší 60 let s výčetní tloušťkou nad 30 cm, a to nejdříve v místech mezi suchými a zelenými větvemi. Nejraději obsazují chřadnoucí nebo čerstvě poraţené stromy a polomové dříví, při přemnoţení i zdravé, popř. mladší stromy. Dalším faktorem, který můţe zvýšit náchylnost lesních porostů k poškození větrem, je porostní fragmentace, jejímţ vlivem se podrobně zabýval Zeng et al. (2009). Výskyt porostních okrajů je zdrojem potenciálního větrného poškození a má podstatný význam na sloţení porostních a ţivočišných druhů v porostu, na mikroklima a také procesy v ekosystému (Zhenh et al. 2005). Hodnocení rizika výskytu polomů vůči větru můţe být provedeno na základě různých přístupů (viz také kapitola 4 - Přístupy k hodnocení rizika větrem). Mezi základní tři lze podle C. Lanquaye (2003) povaţovat přístup empirický, mechanický a přístup zaloţený na pozorování. Kamimura a Shirashi (2007) zmiňují mimo empirického a mechanického také přístup statistický. Poslední jmenovaný spadá dle C. Lanquaye (2003) do kategorie přístupů empirických. Hanewinkel et al. (2004) definuje empirický přístup jako metodu, která vyuţívá ke stanovení rizika lesních porostů větrem informace získané pozorováním v terénu, historické záznamy nebo existující literaturu. Empirické metody mohou být obecně vyjádřeny jako jednoduché regresní analýzy různých faktorů (stanoviště, porostních faktorů) často vyţadující velké mnoţství vstupních dat (Kamimura a Shirashi, 2007). Tyto metody je vhodné pouţít především v oblastech, kde se nacházejí porosty s různorodou druhovou skladbou, porostní výškou atd. a kde jsou rozmanité půdní a terénní podmínky (Mitchell et al., 2001). Tyto modely mohou v určitých lokalitách dosahovat velmi dobrých výsledků a mohou být také velmi dobře aplikovatelné na další oblasti s podobnými podmínkami, jako mají lokality, pro které byly primárně sestaveny (Lanquaye a Mitchell, 2005). Nicméně tyto modely poskytují pouze zobecněný pohled na skutečný mechanismus vzniku polomů (Gardiner et al., 2008). S výše popsanými empirickými metodami je úzce svázán další výše jmenovaný přístup (statistický). Ten pouţívá k předpovědi rizika poškození větrem regresních 16

analýz spolu s informacemi o větrném poškození za delší časové období. Pokud jsou k dispozici vhodná data, umoţňuje tato metoda velmi jednoduše vyhodnotit riziko ohroţení poškození větrem pro studovaný porost (Kamimura a Shirashi, 2007). Jednou z velmi často pouţívaných metod k výpočtu pravděpodobnosti rizika poškození lesních porostů větrem je i logistická regrese, která byla pouţita v minulosti mnoha autory (Valinger a Fridman, 1997; Jalkanen a Matilla, 2000; Canham et al., 2001; Lanquaye - Opoku a Mitchell 2005; Scott a Mitchell 2005; Krejci 2010; Valinger a Fridman, 2011). Mezi poslední studie vyuţívající metody logistické regrese při výpočtu pravděpodobnosti rizika ohroţení lesů větrem v Evropě patří například práce Valingera a Fridmana (2011) ze Švédska, kteří hodnotili faktory mající vliv na větrné poškození lesních porostů v jiţním Švédsku v důsledku vichřice z ledna roku 2005, která způsobila rozsáhlé škody. Na základě výsledků logistické regrese bylo zjištěno, ţe nejvíce byly poškozeny lokality, kde se nacházely zralé porosty s vysokým zastoupením smrku ztepilého (Picea abies) a porosty, kde byla provedena v nedávné době probírková těţba. Během studie bylo také zjištěno, ţe škody způsobené větrem narůstaly s rostoucí výškou stromů a klesaly s niţším procentuálním zastoupením smrku ztepilého (Picea abies) v porostu. Statistická metoda logistické regrese byla také úspěšně pouţita během hodnocení stability lesních porostů vůči poškození sněhem v Beskydech (Holuša et al., 2010). Mimo modelů zaloţených na logistické regresi, lze do statistického přístupu zahrnout také neuronové sítě (Hanewinkel et al., 2004; Hanewinkel, 2005), klasifikační a regresní stromy (Lindemann a Baker 2002; Albrecht et al., 2012) a zobecněné lineární sítě (Schmidt et al., 2010). Poslední jmenovanou metodu zobecněných lineárních sítí ve své studii aplikoval Albrecht et al. (2012). Základem analýz byla velmi rozsáhlá databáze dat o lesních porostech, která umoţňovala rozlišit škody způsobené větrem a dalšími vlivy. Na základě výsledků bylo zjištěno, ţe na výši škod způsobených větrem měla nejvyšší vliv výška porostu a druhové sloţení porostu. Zajímavým zjištěním také bylo, ţe informace o předchozí těţbě mají mnohem větší význam pro předpověď rizika polomu neţ například hustota porostu, půdní a stanovištní podmínky či vliv reliéfu (Albrecht et al., 2012). Posledním přístupem k hodnocení pravděpodobnosti rizika výskytu větrných polomů je mechanický přístup. Mechanické modely počítají riziko ohroţení ve dvou oddělených krocích. V prvním je vypočítána kritická rychlost větru, která způsobí zlomení nebo vyvrácení stromu v porostu, a v druhém kroku je počítána pravděpodobnost výskytu kritického rychlosti větru v dané oblasti (Gardiner et al., 17

2008). Pravděpodobnost výskytu větrů, které překročí kritickou rychlost větru, můţe být v relativně rovinatém terénu odhadnuta pomocí Weibullových parametrů vypočítaných na základě časové řady rychlostí větru v dané lokalitě (Quine, 2000). Velmi častým způsobem stanovení výskytu kritické rychlosti větru je také pouţití speciálního softwaru WAsP (Wind Atlas Analysis and Application Program) (Mortensen et al., 2005). Model WAsP byl vyvinut v Riso National Laboratory v dánském Roskilde a představuje model proudění v přízemní vrstvě atmosféry, který je sloţen z dílčích modelů postihujících různé účinky zemského povrchu na větrné charakteristiky (Hošek a Štěkl, 2006). WAsP lze vyuţít pro tvorbu GIS vrstvy průměrné rychlosti větru, pro výpočet plošné rychlosti větru v různých výškách v pravidelné síti a pro výpočty směrových růţic v různých výškách nad povrchem (Hostýnek, 2008). V současné době patří mezi dva nejvíce pouţívané mechanické modely pro odhad rizika poškození lesních porostů větrem model ForestGALES (The Geographical Analysis of the Losses and Effects of Storms in Forestry) vyvinutý týmem pracovníků z Forest Research Agency ve Velké Británii (Gardiner a Quine 2000), který je detailně popsán v kapitole 11 a dále mechanický model HWIND vyvinutý pracovníky Lesnické fakulty univerzity v Joensuu ve Finsku (Peltola, 1999), který navíc dokáţe spočítat pravděpodobnost rizika poškození lesních porostů vůči poškození sněhem. Za zmínku stojí také model FOREOLE (Ancelin et al., 2004) nebo IRISH WINDTHROW RISK MODEL navrţený pro odhad polomů v Irsku a upravený pro místní klimatické podmínky (Dhubháin, 1999). Velkou výhodou výše zmíněných modelů (ForestGALES a HWIND) je moţnost jejich integrace do geografických informačních systémů a následné prostorové analyzovaní dat a vizualizace výsledků. Příkladem integrace mechanického modelu HWIND a geografického informačního systému ArcInfo spolu s modelem WAsP byl systém WINDA vyvinutý v jíţním Švédsku (Olofsson a Blennow, 2005). Model HWIND byl také úspěšně pouţit při tvorbě systému pro podporu

rozhodování

(DSS)

zaloţeném

na

GIS,

který slouţil

k

výpočtu

pravděpodobnosti rizika ohroţení lesních porostů větrem. Mechanický model HWIND byl spolu s růstovým modelem SIMA integrován do geografického informačního systému

ArcGIS

8.2

jako nástrojová

lišta pomocí nástrojů

ArcObjects

a

programovacího jazyka Visual Basic 6 (Zeng et al., 2007). Na rozdíl od modelu ForestGALES se software na podporu rozhodování vyuţívající mechanického modelu HWIND zaměřuje na hodnocení rizika výskytu polomů v okolí porostních hran (Zeng et al., 2007), které patří ve Finsku mezi nejvíce náchylné k větrnému poškození (Talkkari 18

et al., 2000; Pellikka a Järvenpää, 2003). ForestGALES stejně jako předchozí model umoţňuje integraci s GIS. První pokusy o integraci modelu a vytvoření tzv. prostorové verze ForestGALES proběhly jiţ v roce 2003 (Gardiner et al., 2003) a od této doby bylo dosaţeno významného pokroku v integraci mechanických modelů do geografických informačních systémů (Gardiner et al., 2008). Poslední verze ForestGALES 2.1, dostupná ke koupi na webu Forest Research, umoţňuje propojení se softwarem ArcView GIS. Integrace závisí na specifických nastaveních ArcView a je nutné ji provést tzv. na míru na základě poţadavků klienta (Gardiner et al., 2006).

Obr. 2: Přehled metodologických přístupů k hodnocení rizika poškození lesních porostů větrem. Zdroj: Hanewinkel (2011). Současné semi-mechanické modely se vyuţívají k výpočtům pravděpodobnosti rizika poškození větrem pouze tzv. průměrného stromu, který je součástí jednotného porostu. Další generace modelů pro odhad rizika poškození lesního porostu větrem bude jiţ schopná počítat riziko na úrovni jednotlivých stromů (Schindler et al., 2012). Hale et al. (2012) se ve své studii zabývá vlivem velikosti stromů v porostu, vzájemnou konkurencí a probírkou ve vztahu k jejich odolnosti vůči větru a moţnou aplikací těchto poznatků v budoucích verzích semi-mechanických modelů pro odhad rizika poškození na úrovni jednotlivých stromů v porostu.

19

3. Historie, současný stav a přístupy v ČR a zahraničí 3.1 Historie polomů na Šumavě Větrné polomy jsou přirozený přírodní jev, který postihoval naše lesy ve větší či menší míře i v minulosti. První zmínky o větrných polomech nejen na území Šumavy je moţné naleznout v historických pramenech jiţ v letech 1244, 1257, 1263, 1264, 1281, 1296, 1320 atd. Přesnější informace o polomových kalamitách na území bývalého Československa s odhadem zaznamenané škody v m3 jsou k dispozici aţ od počátku 19. století (Vicena, 1964). S výskytem polomů na Šumavě je téměř vţdy spojena hrozba kůrovce, jenţ napadá polomové dřevo. První zmínky o škodách, které lze po větrné kalamitě připsat na vrub kůrovce, se vztahují jiţ k roku 1726 a následně kalamitě z let 1833/4, kdy padlo necelých 22 000 m3. Vzhledem k opoţděnému zpracování došlo k váţné kůrovcové kalamitě, která měla za následek více neţ 200 000 m3 poškozeného dřeva (Jelínek, 1985). Největší škody však na Šumavě v 19. století napáchala série mimořádných ničivých vichřic v letech 1868 aţ 1878. Polomovou kalamitu se nepodařilo včas zpracovat, a proto následovala kalamita kůrovcová, která nastoupila v roce 1872 a vyvrcholila v letech 1874-1875 (Ševětínský, 1895). Na přelomu let 1870/71 leţelo jen na Vimperském panství nezpracováno 663 000 m3 stromů po větrné kalamitě (Zatloukal, 2004) a celkově padlo kalamitě v letech 1870-1878 za oběť 5-7 mil. m3 dřeva (Jelínek, 1985). Během následujících několika desetiletí nedošlo na Šumavě k ţádným významným kalamitním situacím a škody nepřekročily výši 100 000 m3 polomového dřeva. Výjimkou byl pouze rok 1918, kdy došlo na Šumavě k poškození přibliţně 150 000 m3 dřeva. Mnoţství poškozených stromů polomy a následně kůrovcovými kalamitami začalo stoupat po druhé světové válce. Vysoké válečné těţby a nedokončené zpracování a odvoz dřeva měly za následek zvýšení stavu kůrovce, který v období 1946-1954 zničil přibliţně 8 mil. m3 smrkového dřeva (Zatloukal, 2004). Mezi roky 1955 aţ 1962 se na Šumavě intenzita polomů oproti předchozím několika desetiletím poměrně zvýšila. Za zmínku stojí vichřice z roku 1955, která měla za následek zničení aţ 3,5 mil. m3 dřeva, a vichřice z let 1960 a 1961, které způsobily dohromady škody přesahující 800 000 m3 dřeva (Vicena, 1964). Další významnou událostí, která změnila tvář Šumavy (hlavně díky po ní následující kalamitě kůrovcové), byla rozsáhlá větrná kalamita z 24. a 25. listopadu 20

1984. Rozsah tohoto polomu přirovnávají někteří autoři ke kalamitě z roku 1870. Následky kalamity se podařilo zpracovat aţ v roce 1985 a škody činily více neţ 350 000 m3 polomové hmoty (Vicena et al., 2004). Polom na české straně padl na velmi nepřístupných místech a příhraniční reţim navíc zpomaloval asanační práce. Podobnost s polomem z devatenáctého století je především v tom, ţe na nezpracovaných polomech se začal ve velké míře mnoţit kůrovec, coţ vyústilo v kůrovcovu kalamitu, kterou se podařilo zvládnout aţ v roce 1990. Následujících několik let nebyly šumavské lesy významně postiţeny větrnou kalamitou, ale podíl nahodilých těţeb způsobených kůrovcem se neustále zvyšoval a vedl k tomu, ţe v letech 1995 aţ 1998 podíl nahodilých těţeb způsobených kůrovcem převýšil podíl nahodilých těţeb způsobených abiotickými faktory (větrem, sněhem, suchem) (Juha a Neumann, 2007). Od roku 2000 byl Národní park Šumava zasaţen větrnými polomy několikrát. Ve dnech 26. - 28. října 2002 došlo na území České republiky k velké větrné polomové kalamitě, která měla za následek 4 mil. m3 dřeva v celé republice, z toho 200 000 m3 v I. a II. zóně Národního parku Šumava (Vicena et al., 2004). Jednou z posledních významných kalamitních událostí, které změnily tvář Šumavy, byl orkán Kyrill a vichřice Emma, které způsobily v lesích Šumavy milionové škody. 3.2 Přístup k problematice polomů v ČR a bývalém Československu Změna přirozené druhové skladby v posledních dvou stoletích, způsobená především výsadbou smrkových monokultur za účelem větší produkce dřeva a následně většího zisku, vedla ke sníţení odolností našich lesů proti kalamitám, proti kterým by byly lesy přirozené druhové skladby odolnější. Přestoţe se podíl listnatých dřevin v lesních porostech mezi roky 1950 a 2006 zvýšil z 12,5 % na 23,9 %, ke sníţenému výskytu polomových kalamit nedošlo (Zelená zpráva, 2007). Problematika polomů byla podle historických pramenů diskutovanou otázkou jiţ v minulosti. Za zmínku stojí ustanovení § 5 císařského patentu z roku 1852, jímţ se zakazuje jakékoliv počínání v lese, jímţ by byl sousední, cizí les více ohroţen větrem, a tam, kde by se tak stalo, nařizuje, aby se ponechal 37 m široký pruh lesa, tzv. větrný plášť, který jako ochrana proti větru má se ponechat tak dlouho, dokud sousedící les nebude vykácen (Vincent, 1947). Jedním z prvních odborníku, jenţ se začal zabývat otázkou polomových kalamit a způsoby jak jim předcházet, byl Gustav Vincent. Jeho publikace Předcházejme 21

polomům, vydaná v roce 1943, patří mezi první ucelené práce zabývající se problematikou polomů. Autor hodnotí kalamitní události v historickém kontextu a zmiňuje, ţe dosavadní obranné zásahy se jeví jako nedostatečné, a připomíná význam původních přírodních porostů, které jsou proti kalamitním událostem více odolné. V další části publikace je řešena volba vhodných druhů dřevin a jejich kombinací. Především je však kladen důraz na to, aby hluboce kořenící dřeviny (dub, buk, klen, jedle atd.) byly vysazovány na stanovištích jim vyhovujícím a byla jim umoţněna příleţitost normálně vyvinout kořen, korunu a kmen. Následně autor dělí území Čech a Moravy na tři oblasti: a) kraje chladného horského klimatu, b) kraje mírného horského klimatu, c) kraje mírného přechodného klimatu, kde v kaţdém kraji doporučuje vysazovat dřeviny hlavní (vhodné pro danou oblast) a dřeviny přidruţené. Dále je zmíněn význam větru, který je také hlavním činitelem při větrných polomech. Nejpodrobněji a neobsáhleji je popsána kapitola volby porostní skladby. Zde autor porovnává podíl zastoupení dřevin v oblastech s podobnými stanovištními podmínkami na Slovensku, v Čechách a na Moravě. Převáţně přírodní lesy na Slovensku jsou porovnávány na základě podobných stanovištních podmínek s lesy Čech a Moravy za účelem vytvoření určité představy o tom, jak dalece byl původní porost sloţený z jednotlivých dřevin v lesích Čech a Moravy umělými hospodářskými zásahy změněn. Na základě těchto údajů je podán schematický přehled průměrného zastoupení hlavních dřevin v jednotlivých oblastech. Okrajově je také zmíněn vliv rozmístění a věku porostu. Na závěr je lesníkům doporučena kombinace dřevin, které na rozdílných stanovištích odolávají větru a sněhu, a je podrobně popsáno, z jakého důvodu byla vybrána daná smíšenina. Mezi další významné odborníky na problematiku polomů první poloviny 20. století patřili především zahraniční autoři, a to B. Bargmann (1903), který ve své práci poprvé zhodnotil zkušenosti, ţe vítr se často přimyká územnímu tvaru, a A. Schmausse (1920), který v roce 1920 zjistil, ţe nárazové větry se značnými směrovými a rychlostními výkyvy jsou pro les nebezpečnější neţ málo proměnlivé větry stejné průměrné rychlosti. Zkracující se intervaly mezi výskyty větrných kalamit ve druhé polovině 20. století a stále se zvyšující škody vedly k tomu, ţe se problematikou polomů i jejími příčinami začalo zabývat více odborníků. Za zmínku stojí publikace Ivo Viceny (1964) Ochrana proti polomům. Na rozdíl od předchozích prací, které se zabývaly především vhodnou 22

volbou dřevin a stanoviště, případně výchovnými opatřeními jak předcházet polomům, se I. Vicena zabývá příčinami, které polomy způsobují, a zaměřuje se také z velké míry na vliv a sílu větru (hlavní příčina polomů). Autor se na základě statistického rozboru několika kalamit snaţí zjistit jednotlivé faktory (příčiny) vzniku rozsáhlých polomů a hledá závislosti výše škod a taxačních charakteristik jednotlivých porostů. Nejprve podrobně popisuje typy škod vznikající při polomech, znehodnocení dřeva při pozdním zpracování polomu, znehodnocení dřeva dlouhým skladováním atd., mechanické poškození stromů se zmiňuje pouze okrajově. K této otázce se vrací aţ v publikaci Námraza v našich lesích z roku 2003. Druhy poškození stromů i procentuální zastoupení jednotlivých druhů poškození pro vybrané kalamity je zobrazeno na obrázku 3.

Obr. 3: Druhy poškození stromů. Zdroj: Vicena (2003). Autor se v první části věnuje větru jako nejvýznamnějšímu faktoru, který způsobuje polomy. Zde jsou zmíněny jiţ poznatky M. Woelfleho, jeţ pouţil ve své práci i Gustav Vincent (1947), který měřil rychlost větru v porostech a stanovil určité průměrné hodnoty rychlosti v jednotlivých částech porostu. Důleţitost je také přikládána tvaru porostu, jenţ ovlivňuje rychlost působícího větru. Následně jsou popsány moţnosti určení směru převládajících větrů způsobujících škody a jsou zhodnoceny statistické údaje ze zkoumaných polomů. V další části jsou popsány některé příčiny polomů. Nejdříve byl zhodnocen vliv zastoupení dřevin na polomy. Při rozboru bylo zjištěno, ţe zastoupení smrku mělo

23

určitý vliv na výši polomu (tato skutečnost byla potvrzena jiţ mnoha autory před i po vydání této publikace). Zajímavé zjištění také bylo, ţe pokud zastoupení smrku v porostech bylo menší neţ 60 %, zůstaly porosty téměř beze škod. Dále autor rozebírá zastoupení jedle, buku a borovice na rozsah polomu a vlivy smíšených porostů na výši škod. Při hodnocení všech vlivů je podle I. Viceny (2006) zastoupení dřevin co do významu aţ na 4. - 6. místě. Větší význam je naopak přikládán výšce porostů. Důvodem je fakt, ţe výška porostu a především tvar koruny určují velikost překáţky, na kterou vítr naráţí. Statistickým rozborem byla ověřena zásada, ţe s narůstající výškou porostů roste mnoţství poškozených stromů. Tuto závislost bylo moţné pozorovat u všech zkoumaných polomových kalamit. Ze statistických přehledů byly patrné dvě kvalitativní hranice, a to hranice výšky 33 m, po jejímţ překročení intenzita polomu prudce vzrůstá, a výška 22 m. Pokud porosty nedosáhly tuto výšku, polomy byly malé. Další zkoumanou charakteristikou byl vliv kmene na polomy. Zde autor pouţil teoretické propočty A. Pfeffera, který stanovil vliv změny výčetní tloušťky, velikosti stromu a koruny na ohroţení větrem. Co se týče věku porostů, bylo potvrzeno pravidlo, ţe ve starších porostech vznikají zpravidla silnější polomy. Na základě statistického šetření byly porosty rozděleny do 3 skupin. První skupinu tvořily mladé porosty do 100 let, druhou skupinu porosty 100 – 130leté. Zde se výše polomu řídila podle toho, jak intenzivní byly těţební zásahy. Nejstarší porosty byly zasaţeny polomy nejvíce nezávisle na intenzitě těţebních zásahů. K dalším faktorům, které byly zhodnoceny, patřily vliv zakmenění, velikosti a tvaru porostů na polomy, vliv tvaru koruny a kmene, prostorové úpravy, intenzita a způsob těţby a také terénní konfigurace. Na závěr je doporučeno několik opatření jak polomům předcházet. Mezi další publikace zabývající se problematikou polomů a vývratů způsobených větrem, sněhem nebo námrazou patří například kniha Ochrana lesa proti polomům z roku 1979 nebo publikace Námraza v našich lesích vydána v roce 2003. Ivo Vicena je také autorem velkého počtu odborných článků publikovaných převáţně v lesnických odborných periodikách. S rozvojem počítačové techniky, softwarů pro podporu rozhodování, modelovacích a databázových systémů, dálkového průzkumu Země a v neposlední řadě geografických informačních systémů docházelo postupně ke zpřesňování získaných dat a jednoduššímu, efektivnějšímu a rychlejšímu zpracování dat o polomových kalamitách.

24

Metody dálkového průzkumu Země pomáhají jako jeden z nástrojů efektivně získávat aktuální data o prostorovém rozmístění polomových kalamit. Tato data mohou následně vstupovat do geografických informačních systémů, kde jsou zpracovávána, analyzována a prezentována (Mitchell et al., 2001). Spojením GIS se software pro podporu rozhodování získáváme silný nástroj, který nám umoţňuje modelovat procesy reálného světa za účelem pochopení struktury a fungování prostorových jevů. Tento nástroj slouţí pro sestavení prognózy chování a vývoje reálných systémů. Jedním z konkrétních cílů modelování můţe být i tzv. prediktivní modelování (předpovídání události, v tomto případě odhad míst s největší pravděpodobností výskytu větrné polomové kalamity). Příkladem vyuţití výše zmíněných technologií a především geografických informačních systémů při určení rizika výskytu polomů je klasifikace rizika polomů – WINDARC (Lekeš, Dandul, 1999). Klasifikace rizika polomů je v tomto modelu rozdělena do několika fází. V první části je vytvořen tzv. model trvalého ohroţení (PERMEX – Permanent Exposure). Tento model je tvořen spojením rizika ohroţení podle půdy a terénní expozice (TEREX – Terrain). Ke stanovení ohroţení podle půdy je pouţit typologický klasifikační systém. K určení terénní expozice je pouţit digitální model reliéfu a matematický model nejniţší části atmosféry. Základem je software zaměřený na dynamickou analýzu proudění tekutin FIDAP. Výsledkem syntézy těchto dvou faktorů je riziko, které není moţné většinou ovlivnit (proto Permanent Exposure). Výsledná klasifikace WINDARC spojuje riziko ohroţení podle charakteru lesních porostů (ohroţení se zpracovává na základě rozborů databází kalamit z postiţené oblasti) s hodnotami trvalého ohroţení PERMEX. Výsledkem je klasifikace WINDARC, která obsahuje devět stupňů rizika polomů. Výše uvedený model byl prezentován na konci devadesátých let 20. století. Nárůst výskytu polomů v posledních letech vedl k opětovnému zvýšení zájmu o tento problém. Do jisté míry za to můţe i medializace a škody způsobené větrnými kalamitami. V současné době se objevují opět ve větší míře odborné články, které hodnotí a analyzují polomy, výši škod a snaţí se určit příčiny těchto polomů. Ve většině případů jsou k těmto analýzám a hodnocením pouţity geografické informační systémy (Kolejka et al., 2008; Mikita et al., 2009, Krejci, 2010). Příkladem aplikace geoinformačních technologií v praxi při hodnocení následků větrné kalamity mohu být výsledky výzkumu, jenţ se zabýval vyuţitím GIS při hodnocení ekologické újmy v důsledku větrné kalamity, která postihla Tatranský 25

národní park v roce 2004 (Moţnosti vyuţití prostředí GIS při hodnocení ekologické újmy v důsledku větrné kalamity, 2004). Hodnocením a rozborem následků větrného polomu na území NP a CHKO Šumava v roce 2002, při kterém bylo vyuţito GIS i DPZ, bylo zjištěno, ţe na rozsah polomu měly vliv následující faktory: a) síla větru, která dosáhla v maximálním nárazu aţ 117 km/hod., b) poškození stromů hnilobou jiţ před vichřicí, c) vysoká vlhkost půdy díky sníţené intercepci, d) poškození dřeva kůrovcem. Mezi další faktory, které ovlivnily výši polomu, patřila nadmořská výška (ve výškách nad 1200 metrů poškozeno přes 25 % porostů), konfigurace terénu (nejvíce postiţeny hřebeny – 31 %), věk porostů (bylo potvrzeno, ţe starší porosty bývají postiţeny intenzivněji), vliv intenzity předchozích těţeb (bylo potvrzeno, ţe intenzita těţeb vede ke sniţování porostních zásob a ke zvyšování polomových kalamit), vliv zakmenění (potvrzeno, ţe zakmenění má klíčovou úlohu v boji proti polomu - nejvyšší koeficient korelace) (Vicena et al., 2004). Podobné statistické hodnocení bylo zpracováno pro kalamitu Kyrill pracovníky UHUL v lesích ve správě LČR. Pro vyhodnocení byla pouţita metoda lineární regrese s logaritmickou transformací vysvětlované proměnné (výše kalamity). Při hodnocení byly pouţity dva způsoby jak určit výši škod. První způsob počítal výši škod jako podíl na ročním etátu lesní správy. Druhý způsob přepočítával výši kalamity na 1 ha porostní půdy lesní správy. Na základě výsledků modelu bylo zjištěno, ţe se zvyšující se rychlostí větru, hektarovou zásobou a věkem, se zvětšujícím se podílem jehličnatých dřevin, klesajícím zakmeněním a rostoucím podílem vodou ovlivněných stanovišť roste výše kalamity. Vyhodnocení pouze potvrdilo jiţ známé empirické zkušenosti o vlivu stanoviště a dřevinné skladbě lesa. Mezi další faktory, u kterých byl prokázán významný vliv na výši škod, patřil průměrný věk, průměrné zakmenění a průměrná zásoba (Kurková, 2007). Geografickou analýzou orkánu Kyrill na Šumavě se zabývali také pracovníci Mendelovy univerzity v Brně, kteří hodnotili území o rozloze asi 70 km2 v Národním parku Šumava. Na základě dat získaných ze Správy NP a CHKO Šumava byly analyzovány plochy polomů ve vztahu k nadmořské výšce, hloubce půd, vlhkostním poměrům, expozici svahů a sklonitosti svahů. Nejvýznamnější vliv byl prokázán u sklonitosti reliéfu a velikosti zasaţených ploch. Autoři však zjistili, ţe vliv stanovišť 26

vybraných lesních typů na velikost zasaţených ploch ukázal jen velmi malé souvislosti. Podle výsledků analýz tedy nedošlo k potvrzení hypotéz, ţe mezi nejnáchylnější oblasti patří mělce kořenící stromy v mokrých či podmáčených půdách. Další hodnocení doplněné o informace o vlastním porostu (zakmenění, staří a druhová skladba) přineslo jiţ lepší výsledky. V závěru byla kaţdá relevantní přírodní vlastnost hodnocena z hlediska potencionálního vlivu na stabilitu porostu vůči větru. Výsledkem sumarizace všech faktorů bylo pět zón území podle náchylnosti k polomům (Kolejka et al., 2008).

Obr. 4: Porosty poškozené orkánem Kyrill v okolí vrcholu Poledník. Jedním z prostředků, které zabraňují a sniţují následky intenzity silných větrů, jsou i větrolamy. Větrolamy sniţují riziko větrné eroze, ale jejich působení má většinou komplexní charakter. Studium chování větrných proudů ovlivněných větrolamem můţe být případně vyţito i k hodnocení vlivu rizika polomů. Studiem optické hustoty větrolamu a jejího vlivu na charakter proudění se zabývali ve své práci například J. Roţnovský s T. Litchmannem (2005). Studiem literárních pramenů, odborných článků a periodik, sborníků z konferencí a dalších pramenů bylo zjištěno, ţe studium problematiky polomů, jejich příčin a následků má v České republice a bývalém Československu svou obsáhlou historii. Přístupy k řešení se během desetiletí měnily stejně jako přístupy k ochraně lesních porostů. V minulosti byly vyvinuty dvě strategie ochrany. První strategie přistupuje k porostu jako celku, přičemţ ochrana spočívá ve vzájemné podpoře jedinců v porostu. 27

Mezi stabilizující prvky patří například zvýšený podíl zpevňujících dřevin, zpevněné okraje porostů, směřování obnovy proti převládajícímu větru atd. Tato strategie byla pouţívána především v první polovině 20. století, ale nezabránila růstu poškozených stromů (tzv. systém vzájemného krytí). Druhá strategie klade důraz na vnitřní zpevnění a spočívá ve stabilitě jedinců. Mezi základní stabilizační prvky patří niţší počty jedinců při výsadbě, vývoj stromů ve volném zápoji, snaha o vytvoření zavětvených korun, stabilního a hlubšího kořenového systému atd. Hlavní rozdíl mezi oběma přístupy byl v tom, ţe první strategie klade důraz na ochranné prvky budované při obnově porostů, zatímco druhá strategie na prvky tvořené porostní výchovou. Třetí strategie „odstupňovaná výchova― kombinuje obě předchozí metody. Základní principy této strategie spočívají v tom, ţe stability můţe být dosaţeno pouze v mladých porostech a to udrţováním volného zápoje řidším sponem při výsadbě nebo silnými zásahy v době zapojování korun (Slodičák a Novák, 2006). Nejnovější modely jsou podle M. Slodičáka a J. Nováka (2006) diferencovány podle cílových hospodářských souborů. Nejdůleţitější změnou oproti předchozím strategiím je silnější zásah do mlazin, další změnou je sníţení intenzity výchovy ve druhé polovině doby obmytí v nejvíce ohroţených oblastech (podmáčená a oglejená stanoviště). 3.3 Přístup k poblematice polomů v zahraničí Vyuţívání GIS při řešení rizik spojených s výskytem polomů, případně s návrhem opatření ke sníţení škod či řešení problematiky větrolamů pomocí geoinformačních technologií není mimo Českou republiku ničím neobvyklým. V zahraničí stejně jako u nás bývají pořádány konference zabývající se otázkami škodlivých činitelů působících na lesy a odborníci z různých oborů se snaţí nalézt nejvhodnější způsoby, jak těmto škodám předcházet nebo alespoň sníţit následky způsobené těmito vlivy. Příkladem zahraničních setkání odborníků, na kterých se specialisté z různých oborů zabývali rizikem větru a dalších škodlivých abiotických činitelů, mohou být konference na univerzitě v Joensuu ve Finsku (University of Joensuu - byl zde představen model WINDAREC) (IUFRO 1998 Conference, 1998), konference ve Vancouvru v Kanadě z roku 2007 pořádaná University of British Columbia (International Conference on „Wind and Trees― FPInnovations, 2007), konference v Trentu v Itálii v roce 2007 (International Conference: Natural Hazards and Natural Disturbances in Mountain Forests, 2007) a mnohé další. 28

Mezi významná zahraniční univerzitní pracoviště, na kterých jsou řešeny otázky příčin a následků polomů, metody hodnocení škod, predikce a způsobů zmírnění tohoto rizika, patří Fakulta lesnictví na University of British Columbia v Kanadě, Fakulta lesnictví na univerzitě ve Joensuu ve Finsku, Fakulta lesnictví a přírodních zdrojů na Univesity of Georgia, Fakulta přírodních zdrojů a ochrany ţivotního prostředí na University of Michigan a další. Jedním z mezinárodních projektů, jenţ se zabýval analýzou, hodnocením, kvantifikací a řešením přeshraničních problémů ţivotního prostředí byl projekt STRiM – „Remotely accessed decision support system for transnational environmental risk management―. Hlavní řešitelem projektu byl Meditteranean Agronomic Institut of Chania v Řecku a na projektu se jako partner podíleli pracovníci Lesnické a dřevařské fakulty Mendelovy univerzity v Brně, kteří řešili případovou studii zabývající se lesními škodami způsobenými větrem na území Národního parku Šumava (Remotely Accessed Decision Support System for Transnational Environmental Risk Management, 2006). Přístupy k řešení problematiky polomů a volba vhodného modelu se mění v závislosti na kontinentu, státu či lokalitě, klimatických podmínkách, druhovém sloţení lesů a dalších faktorech. Některé modely a klasifikace hodnocení rizika polomů je moţné pouţít pouze v konkrétní oblasti, pro kterou byly sestaveny, zatímco jiné lze po jisté úpravě aplikovat i v jiných státech s mírně odlišnými klimatickými podmínkami, druhovým sloţením, půdními podmínkami atd. Příkladem můţe mít počítačově zaloţený model ForestGALES, který umoţňuje jako jeden z mála adaptaci pro podmínky v jiném státě. V současné době existují modifikace modelu pro podmínky v Kanadě (Quebeck a British Columbia), Novém Zélandu, Francii, Dánsku a Japonsku (Moore a Somerville, 1998; Ruel et al., 2000; Byrne, 2005; Cucchi et al., 2005; Mikklesen, 2007; Kamimura et al., 2008). ForestGALES byl také úspěšně pouţit v rámci projektu STORMRISK financovaném Evropskou unií, jehoţ hlavními cíli bylo navrhnout a aplikovat do praxe nové metody, které by vedly ke sníţení škod na porostech způsobených větrem. Do projektu byly zahrnuty výzkumné týmy ze Švédska, Skotska, Norska, Dánska a Německa a v rámci jedné z aktivit projektu byla také provedena adaptace modelu ForestGALES pro celou oblast spadající do iniciativy Společenství – Interreg IIIA (StormRISK, 2008).

29

4. Přístupy k hodnocení rizika ohroţení větrem Identifikaci místa a části porostu, která je nejvíce ohroţená větrem, je moţné provádět objektivně pomocí modelů nebo klasifikací, případně subjektivně pomocí pozorování v terénu. Mezi tři základní přístupy k hodnocení rizika polomů patří podle C. Lanquaye (2003): 

empirický přístup,



mechanický přístup,



přístup zaloţený na pozorování.

Kaţdý z výše jmenovaných přístupů má své výhody a nedostatky a jeho aplikace pro konkrétní lokalitu vyţaduje určitou znalost základních principů kaţdého z nich. Velmi často pouţívaným přístupem k hodnocení rizika polomů byl v minulosti přístup empirický (Elling a Verry, 1978; Valinger a Fridman, 1997; Mitchell et al., 2001; Scott a Mitchell, 2005). Ten je však v posledních letech doplňován mechanickými a hybridními modely, které vyuţívají především přístup mechanický nebo kombinují výhody obou výše zmíněných přístupů (hybridní modely) (Peltola et al., 1999; Gardiner et al., 2008). 4.1 Empirický přístup Základním principem, který charakterizuje empirický přístup, je vztah mezi větrným poškozením a vlastnostmi stromů v porostu, vlastnostmi porostu jako celku a vlastnostmi stanoviště (Valinger a Fridman, 1997; Lanquay a Mitchell 2005; Scott a Mitchell, 2005). Pro vytváření empirických modelů je zapotřebí poměrně velké mnoţství informací vztaţených ke studovanému území (Mitchell et al., 2001). Obecně jsou tyto modely vhodné pro lesní porosty se sloţitějším či proměnlivým uspořádáním, skladbou a tam, kde je rozmanitý reliéf a různé druhy půd (Mitchell et al., 2001; Lanquaye, 2003). Empirické modely vyuţívají zpravidla statistických metod k vyjádření závislosti mezi oblastí poškozenou větrným polomem a vlastnostmi této oblasti. Bývají také úspěšně aplikovány v lokalitách, kde je nedostatek informací o povětrnostní situaci (převládající směry větrů, maximální rychlost větru, průměrná rychlost větru atd.) a tam, kde je málo informací o mechanických vlastnostech kmenů jednotlivých druhů stromů (Scott a Mitchell, 2005).

30

Příkladem vyuţití empirického modelu můţe být studie z Kanady, která se zabývala mapováním rizika výskytu polomů. Během studie byly pouţity statistické metody korelace, prostorové korelace a logistický regresní model. Cílem práce bylo zmapovat výskyt polomů podél okrajů holosečí za pouţití leteckých snímků, analyzovat vztah mezi pravděpodobností větrného poškození a větrem, lesním porostem a porostním stanovištěm, sestavit model rizika výskytu polomů a vytvořit mapu rizika polomů (Mitchell a Opoku, 2004). 4.2 Mechanický přístup Modely zaloţené na mechanickém přístupu předpovídají pravděpodobnost poškození lesního porostu polomem na základě kritické rychlosti větru, která způsobí vyvrácení nebo zlomení stromu, a pravděpodobnosti výskytu těchto větrů v dané lokalitě (Gardiner et al., 2000). Tyto modely jsou sestavovány na základě informací o mechanických vlastnostech stromů a měly by být kalibrovány na základě terénních průzkumů (Quine, 1995). Mechanické modely se pokoušejí charakterizovat fyzikální proces

podílející

se

na

vyvrácení

stromů

nebo

zlomení

kmene.

Výpočet

pravděpodobnosti rizika ohroţení porostu polomem je v mechanických modelech rozdělen do dvou fází. V první fázi je počítána kritická rychlost větru (critical wind speed), která způsobí vyvrácení stromu nebo zlomení kmene. Působící síla závisí na faktorech, jako jsou místní rychlost větru, nárazový vítr, pozice stromu v lesním pokryvu, vlastnosti koruny (například velikost, aerodynamika), vlastnosti kmene (tvar, délka). Odporové síly stromu závisejí na faktorech, jako je vlastnost kmene (průměr a pevnost dřeva), morfologie koruny a kořenů atd. (Gardiner et al., 2008). Ve druhé fázi je počítána pravděpodobnost výskytu větrů, které překročí jiţ zmíněnou kritickou rychlost větru. Tyto informace je moţné získat například z místních meteorologických stanic. V případě, ţe data nejsou dostupná, je moţné vyuţít některý z modelů pro výpočet proudění vzduchu (Quine, 2000; Gardiner et al., 2008). 4.3 Přístup zaloţený na pozorování Posledním je přístup zaloţený na pozorování. Jde o metodu časově nejvíce náročnou a kvalita hodnocení závisí z velké míry na zkušenostech pozorovatele, jenţ provádí samotné hodnocení. Základním principem je zaznamenávání výskytu faktorů, které mají prokazatelný vliv na zvýšení škod. Sledují se vlastnosti jako asymetrie, chůdovité kořeny, tvary korun, nahnilé kořeny a další (Lanquaye, 2003). 31

Obr. 5: Příklady WRM (wind risk management) nástrojů. Zdroj: Gardiner et al. (2008).

32

5. Mechanismus polomů Mezi hlavní klimatický činitel vzniku polomů patří vítr, který vzniká pohybem vzduchu. Větrné podmínky určité lokality závisí na všeobecné cirkulaci, orografii, drsnosti povrchu a překáţkách vůči proudění. Na zeměkouli se vzduchové hmoty pravidelně vyměňují a vzduch proudí z míst s vysokým tlakem do míst, kde je tlak niţší. Oteplováním zemského povrchu se ohřívají přízemní vrstvy vzduchu, teplý vzduch stoupá do výšky a na jeho místo proudí vzduch chladnější. Patrné rozdíly je moţné pozorovat také během dne. V nočních hodinách, kdy jsou rozdíly teplot malé, bývá zpravidla bezvětří nebo vane slabý vítr. Nejsilnější vítr připadá na 12. - 16. hod, kdy je teplota během dne nejvyšší (Vicena, 1964). Měřením větrných charakteristik, průběhy rychlosti větrů, zjišťováním trendu a dalšími charakteristikami se v České republice zabývá Český hydrometeorologický ústav – Úsek meteorologie a klimatologie (Český hydrometeorologický ústav - Úsek meteorologie a klimatologie, 2007). V současné době jsou aktuální informace o směru a průběhu větru získávány pomocí AMS (automatické klimatologické stanice) a SYNOP (automatické meteorologické stanice). Mezi standardní výstupy získané na základě dat o směru a rychlosti větru patří dlouhodobé průměrné rychlosti, větrné růţice a maximální denní/měsíční/roční rychlosti. Pro výpočet větrných podmínek a energie větru v mikroměřítku se aplikuje speciální software WAsP (obr. 6) vyuţívající pro výpočet větrných podmínek digitální model reliéfu (ve vektorovém formátu), informace o drsnosti prostředí, o překáţkách proudění a naměřené časové řady. WAsP lze vyuţít pro tvorbu GIS vrstvy průměrné rychlosti větru, pro výpočet plošné rychlosti větru v různých výškách v GRIDu a pro výpočty směrových růţic v různých výškách nad povrchem (Hostýnek, 2008). Pro kalkulaci statistik větrných extrémů a odhad pravděpodobnosti překročení za 1 aţ 100 let lze pouţít program WAsP Engineering (Weng). Weng extrapoluje extrémní větry do místa (území) a při extrapolaci provádí výpočet rychlosti v osách U, V, W, sklonu proudění, hustoty spekter turbulence v lokalitě řezu a simulace turbulence. Weng provádí na rozdíl od WAsPu přesnější výpočty na okraji území. Model byl jiţ pouţit při výpočtech extrémních větrů pro stavařskou normu, při odhadu extremit středních rychlostí pro pravděpodobnost výskytu 25 a 100 let u vodních nádrţí a také například pro modelování extrémního větru na území Šumavy v roce 2007. Podle naměřených dat z meteorologické stanice Gr. Arber byla namodelována modifikace rychlosti a směru větru v řezu, v ploše a ve vybraných bodech během bouře Kyrill. Řezy byly vybrány 33

v prostoru Jezerní hory a vrcholu Polomu, tedy v místech, kde došlo k největší destrukci smrkových porostů. Maximální rychlost 51 m/s ze směru 240° byla vypočtena na hřebenu Jezerní hora - Svaroh ve výšce přibliţně 1315 m n. m. Na základě výpočtů bylo zjištěno, ţe spojení vyšší turbulence a velké rychlosti větru v kombinaci s menší odolností stromů v závětří bylo zřejmě důvodem destrukce rozsáhlých smrkových porostů (Hostýnek, 2008).

Obr. 6: Ukázka softwaru WAsP Engineering – Weng. Zdroj: WAsP (2008). Porovnáváním polí průměrné rychlosti větru vypočítaných pomocí tří modelů na území České republiky se zabývali pracovníci Ústavu fyziky atmosféry Akademie věd ČR. K výpočtu polí průměrné rychlosti byl pouţit mikroměřítkový model s interpolací WAsP, dále statistický model s třírozměrnou interpolací VAS2 a dynamický model PIAP. Vzhledem k omezenému území, na kterém byl testován model PIAP, byly pro celou Českou republiku mezi sebou porovnány pouze modely WAsP a VAS2. Bylo zjištěno, ţe výsledky průměrné rychlosti větru se u obou modelů neliší v oblastech přibliţně do 800 m n. m., se zvyšující se nadmořskou výškou se rozdíly v obou modelech rozcházely více. V pohraničních oblastech podával výsledky bliţší realitě model VAS2. Například pro oblast Šumavy nebo Krušných hor se průměrná vypočtená rychlost větru vypočítaná modelem WAsP pohybovala mezi 2-3 m/s, zatímco podle modelu VAS2 byla vypočtená rychlost přibliţně mezi 4 aţ 6 m/s, v některých oblastech i vyšší (coţ mnohem více odpovídalo skutečnosti). Přesto model WAsP patří podle autorů mezi jeden z nejlepších a jeho nepřesné výsledky přikládají nedostatku 34

podkladových dat v pohraničních oblastech České republiky. Nejpodrobnější a nejpřesnější výsledky byly vypočteny dynamickým modelem PIAP. Ten byl také doporučen k pouţití v oblastech s nedostatečnou sítí pozorovacích stanic nebo tam, kde je výpočet obtíţný z důvodu nedostatku dat. Model WAsP by měl být pouţit v nehomogenních, rovinatých oblastech s málo členitým terénem. V místech se členitějším terénem se doporučuje pouţít především model VAS2. Autoři na závěr doporučují v případě potřeby kombinaci dvou nebo více modelů k docílení přesnějších výsledků (Hošek, 2004). Mechanismus polomů ve svých pracích zmiňuje velké mnoţství autorů, např. I. Vicena (1979), R. J. Stathers, T. P. Rollerson a S. J. Mitchell (1994), H. Peltola (1999), C. O. Lanquae (2003) a další. Ačkoliv se na první pohled můţe zdát mechanismus vzniku polomů jednoduchý, jde ve skutečnosti o proces poměrně sloţitý, do kterého vstupuje velké mnoţství faktorů. Na to, zda dojde ke zlomu nebo vývratu stromu, má vliv mechanická stabilita stromů. Zjednodušeně lze stabilitu stromu definovat jako vztah mezi působícím zatíţením a pevností kořenů, kmene a větví stromů. K selhání dochází tehdy, pokud zatíţení překročí pevnost materiálu. Pravděpodobnost selhání je určena velikostí zatíţení (a výskytem extrémů), pevností a tuhostí stromu. Odolnost vůči zlomu stromu je definována materiálem, z něhoţ je strom „sestaven―, tedy dřevem a jeho mnoţstvím a rozloţením v prostoru, tedy velikostí a tvarem kmene a větví. Odolnost vůči vyvrácení je následně limitována mechanickou pevností ukotvení stromu, která je definována mnoţstvím kořenů, prostorovým uspořádáním kořenového systému a vlastnostmi půdy. Výše uvedené lze shrnout v grafickém vyjádření, které označujeme jako trojúhelník stability stromu (obr. 7) (Praus, 2006).

Obr. 7: Schéma trojúhelníku stability. Zdroj: Wessolly, Erb (1998).

35

Mezi hlavní faktory zatíţení patří podle L. Prause (2006) síla větru, tíha stromu a tíha přídavné zátěţe (sníh, led). Hlavním zdrojem zatíţení je vzhledem k velikosti napětí a frekvenci vítr. Většinou je zatíţení větrem vypočítáváno podle Newtonovy rovnice pro odpor kapalin (Stathers et al., 1994). F=0,5⋅Cw⋅A⋅ ρ ⋅v2, kde F je vznikající síla, Cw je koeficient aerodynamického odporu, A je náporová plocha, ρ je hustota vzduchu a v je rychlost vzdušného proudění. Koeficient aerodynamického odporu vyjadřuje odpor koruny proti pronikání vzduchu. Tento koeficient je ve starší literatuře také někdy označován jako koeficient prodouvavosti (Vicena, 1979). Stanovením hodnot koeficientu odporu se v minulosti zabývali například Heli M. Peltola (2006) a další. Dalším faktorem, který má vliv na stabilitu, je geometrie stromu. Tvary jednotlivých částí stromů patří mezi významné zdroje informací pro hodnocení stability. Mezi základní metodu patří vizuální zhodnocení stavby kmene a výskytu případných defektů a jejich potenciálního vlivu na stabilitu. Tato metodika je velmi jednoduchá, ale vyţaduje kvalifikovanost a zkušenosti pozorovatele. Geometrickou sloţku tuhosti a pevnosti stromu popisuje moment setrvačnosti plochy (I) a průřezový modul (W) (Peltola, 1999). I= (π⋅d 4)/64 W =( π⋅ d 3)/32 Parametry I a W vyjadřují vliv geometrie na odpor kmene, větve atd. vůči přetvoření (v ohybu, vzpěru nebo krutu). Geometrická sloţka tuhosti roste se čtvrtou, resp. třetí mocninou průměru kmene. Vztah momentu setrvačnosti a průřezového modulu ke stabilitě stromu je zobrazen v rovnici pro výpočet normálových napětí v ohybu (Vicena, 1964): σ = (M⋅r)/I, kde r je poloměr kmene, M je ohybový moment, σ je normálové napětí v ohybu a I je moment setrvačnosti plochy. Čím větší průměr kmen či větev má, tím menší napětí vzniká, resp. tím je tuţší a hůře deformovatelný a bezpečnější. Poslední sloţkou, jeţ má významný vliv na vznik polomů, jsou mechanické vlastnosti dřeva. Při hodnocení stability stromu je nutné znát dva parametry materiálů: 36

tuhost a pevnost. L. Praus (2006) definuje tuhost jako vnitřní odpor materiálu vůči přetvoření a je definován modulem pruţnosti, coţ je podíl působícího napětí a vznikající deformace (normálové moduly pruţnosti E, smykové moduly pruţnosti G, ohybový modul pruţnosti MOE). Pevnost definuje jako velikost napětí, které na materiál působí při porušení. Znalost pevnostních charakteristik je nutná pro výpočet bezpečnostního faktoru, tedy v podstatě vyčíslení stability stromu. Hodnoty tuhosti i pevnosti se udávají v jednotkách tlaku, u dřeva nejčastěji v MPa. K určení základních parametrů pouţívaných při hodnocení stability stromu je moţné pouţít program Treestab (obr. 8), který dokáţe spočítat základní geometrické a fyzikální charakteristiky na základě bitmapy (fotografie) stromu. Treestab dále umoţňuje vypočítat ohybovou sílu a moment pro různé způsoby zatíţení větrem včetně normativních předpisů určujících rozloţení pole rychlosti na hranici stromu (Treestab manuál, 2007).

Obr. 8: Náhled programu Treestab. Zdroj: Treestab manuál (2007). Podle R. J. Statherse (1994) jsou faktory ovlivňující sílu větru a gravitační sílu (účinek těchto sil má vliv na stabilitu stromu) rozděleny na faktory, které mají vliv na působící síly, a ty, které mají vliv na sílu odporu. Mezi hlavní faktory ovlivňující intenzitu dopadu působící síly na strom patří rychlost větru, velikost, tvar, hustota a hmotnost koruny, hmotnost a pruţnost kmene a výška stromu (obr. 9). Proti síle větru a gravitační síle působí síly odporu stromu. Hlavními faktory ovlivňující odolnost stromu proti větru jsou pevnost a pruţnost dřeva, tloušťka kmene, pevnost kořenového systému, smyková pevnost a tíha půdy a kořenového systému.

37

Obr. 9: Faktory ovlivňující sílu větru a gravitační sílu působící na strom. Zdroj: Převzato z R. J. Stathers et al. (1994).

38

6. Hlavní a vedlejší příčiny výskytu polomů Jak jiţ bylo zmíněno v předchozím textu, stanovení hlavních a vedlejších příčin vzniku polomů patří mezi zásadní kroky, které předcházejí samotnému hodnocení území. V následujícím textu jsou sumarizovány a popsány hlavní faktory a kritéria ovlivňující výskyt polomových škod. Ty byly stanoveny na základě jiţ zpracovaných statistických rozborů a analýz polomových kalamit a informací získaných ze současných i historických literárních pramenů z domácích i zahraničních zdrojů. Vzhledem k tomu, ţe druh a velikost faktoru působícího na jednom území můţe mít zcela odlišnou intenzitu na území druhém, je nezbytné brát tento výčet s rezervou a vţdy před samotným hodnocením území zváţit, které faktory by měly vstupovat do hodnocení a které je moţné zanedbat. U některých faktorů je prokazatelný vliv na vznik polomu jasný a je dán samotným charakterem polomu (např. polom větrný, sněhový či mrazový), u dalších nemusí být vliv na první pohled zřetelný a je nezbytné zjistit případnou závislost mezi abiotickými či jinými faktory a výskytem polomů například pomocí statistických metod. Pomocí GISů můţeme jednoduše prostorově lokalizovat výskyt jednotlivých faktorů na daném území a díky funkci „overlay― je moţné překrýt vstupní vrstvy (kaţdá vrstva představuje jeden faktor) a kombinovat jednotlivé vlivy. Při jejich stanovení hraje signifikantní roli také terénní průzkum zájmové lokality (ne všechny informace jsou postihnutelné získanými daty). Často se také zapomíná na časový charakter jednotlivých příčin. Faktor, který se jeví z krátkodobého hlediska jako katastrofický, se můţe jevit ze střednědobého hlediska jako periodický a z dlouhodobého hlediska můţe být dokonce povaţován za normální. Kaţdé území je svým způsobem jedinečné, ale v oblastech s podobnými klimatickými, terénními či půdními podmínkami a porostním sloţením lze nalézt obecné trendy, které jsou charakterizovány podobným výskytem faktorů. Při samotném hodnocení je velký důraz kladen významu, hodnotě vlivu daného faktoru na samotný vznik polomu. Tento význam bývá také někdy označován jako váha. Určení těchto vah bývá často velmi obtíţné a silně závisí na zkušenosti a znalostech odborníka. Vzhledem k tomu, ţe v případě hodnocení území z hlediska výskytu polomů jde o poměrně komplexní jev, mělo by být stanovení hodnot vah výsledem shody odborných pracovníků. Pouze odpovědně a pečlivě vybrané faktory s přiřazenými váhami jsou předpokladem úspěšného provedení hodnocení.

39

6.1 Seznam hlavních a vedlejších faktorů Před samotným popisem hlavních a vedlejších příčin ovlivňujících výskyt a výši polomů byl vytvořen komplexní seznam všech obecně zjištěných vlivů, které přispívají ke vzniku polomů. Jednotlivé faktory byly rozděleny do několika skupin na základě podobnosti a charakteru. R. J. Stathers (1994) například dělí faktory na ty, které mají vliv na působící síly (rychlost větru, velikost, tvar koruny atd.), a síly, které mají vliv na sílu odporu (tloušťka kmene, pevnost a pruţnost dřeva atd.). Zatímco v modelu WINDAREC jsou faktory rozděleny podle toho, zda je faktor moţné ovlivnit (např. druhová skladba) nebo ne (terén, půdy atd.) (Lekeš, Dandul, 1999). Dále je moţné dělit faktory na biotické a abiotické atd. Seznam faktorů ovlivňující rozsah polomu a) terén 

nadmořská výška



expozice



sklon



návětrné a závětrné svahy



zakřivení reliéfu



konfigurace reliéfu

b) podmínky stanoviště 

půdní typ



vlhkost půdy



hloubka půdy



geologický podklad

c) vlastnosti lesního porostu 

přirozená druhová skladba



zastoupení dřevin v porostu



prostorová konfigurace a struktura porostů



tloušťka kmene



zakmenění porostu



výška porostu



stáří porostu 40



velikost, tvar, hustota a hmotnost koruny



pruţnost kmene



smyková pevnost dřeva



kořenový systém



tvar porostu



defekty kmene (suky atd.)

d) vliv větru, sněhu a mrazu (klimatičtí činitelé) 

převládající směry větrů



rychlost větru



pravděpodobnost výskytu bořivých větrů za x let



hmotnost sněhové pokrývky



typ sněhové pokrývky (např. mokrý sníh)

e) antropogenní a biotické faktory 

předchozí těţba



znečištění porostu způsobené člověkem (vliv SO2)



vliv hniloby



vliv kůrovce



prostorová úprava lesa



vhodnost dřevin při nové výsadbě



vliv dalších chorob.

Celkový výčet faktorů dosáhl počtu 38. 6 z nich patří do kategorie terén, 4 do kategorie podmínky stanoviště, 16 tedy největší počet do kategorie vlastnosti lesního porostu, vliv větru, sněhu a mrazu zahrnuje 5 faktorů a poslední antropogenní a biotické faktory jich zahrnují 7. Některé uvedené příčiny není moţné postihnout metodami GIS a mají silně subjektivní charakter. Příkladem mohou být defekty kmene, které je moţné zachytit pouze v terénu a zjišťování je velmi pracné a závisí na zkušenostech pozorovatele. Defekty kmene je uţitečné zaznamenávat pouze u solitérních stromů na veřejných prostranstvích, kde hrozí při zlomení nebo vyvrácení ohroţení obyvatelstva.

41

6.2 Terén Vliv terénu a terénní konfigurace na výši polomových škod je nezpochybnitelný a obecně platí, ţe nadmořská výška úzce souvisí s výskytem silných větrů a jejich frekvencí (Suárez et al., 1999). V mnoha soudobých vědeckých studií zabývajících se hodnocením území nebo krajiny je digitální model reliéfu významným zdrojem informací o terénu a na jeho základě je moţné následně odvodit morfometrické charakteristiky. Digitální model reliéfu patří také mezi jednu ze základních vrstev tvořících digitální model krajiny (Kolejka, 2006). Informace získané z digitálních modelů reliéfu se pouţívají při řešení řady geografických studií (eroze půdy, sesuvy, odtokové poměry atd.) (Seibert a McGlynn, 2007; Nagamine et al., 2010). Digitální model reliéfu (DMR), digitální model terénu (DMT) – angl. digital terrain model (DTM) - je podle Terminologického slovníku zeměměřičství a katastru nemovitostí (2005) „digitální reprezentace reliéfu zemského povrchu v paměti počítače, sloţená z dat a interpolačního algoritmu, který umoţňuje odvozovat výšky mezilehlých bodů―. Vojtek (2007) jej definuje jako komplexní povrch zahrnující výšku (topografickou plochu bez vegetace) se zpřesňujícími a jednoznačnými liniovými a polygonovými geoprvky, jako jsou říční toky a koryta, náspy komunikací, vodní plochy a hrany na terénu. Procedury získávání parametrů reliéfu se nazývají povrchové analýzy a jejich výsledkem jsou charakteristiky sklonitosti a orientace reliéfu, délky svahu, oslunění, expozice, viditelnosti, odtokových a denudačně - akumulačních procesů a další (Voţenílek, 2001). Polomy vzniklé námrazou závisejí většinou také na nadmořské výšce a dále i na charakteru

krajiny.

V České

republice

rozlišujeme

podle

námrazové

mapy

Energetického ústavu Brno (EGU) čtyři námrazové oblasti – L (lehká námrazová oblast), S (střední námrazová oblast), T (těţká námrazová oblast), K (kritická námrazová oblast) (Procházka, 2007). Na obrázku 10 můţeme názorně vidět, ţe nejvíce ohroţené oblasti se nacházejí v nejvýše poloţených oblastech naší republiky, zatímco nejméně ohroţené oblasti leţí v níţinách a níţe poloţených oblastech. Jiná situace nastává při polomech, jejichţ hlavní příčinou je sníh. Těţký sníh se vyskytuje především v nadmořských výškách 500 aţ 800 m n. m. a v tomto pásmu se také nacházejí největší sněhové polomy. V niţších nadmořských výškách bývá tepleji, a proto tam častěji prší, zatímco ve vyšších nadmořských výškách jsou teploty pod bodem mrazu a sníh tam bývá lehčí (Slodičák, Novák, 2006). 42

Obr. 10: Námrazová mapa ČR. Zdroj: Procházka (2007). Příkladem závislosti výše poškození na nadmořské výšce můţe byt polom na území Šumavy z roku 2002, který zasáhl porosty v nadmořských výškách od 820 do 1290 m n. m. Statistickým zhodnocením bylo zjištěno, ţe škody ve výšce 850 m n. m. jsou o 40 % niţší neţ v nadmořské výšce 1250 m n. m. (Vicena et al., 2004). Velmi podobné rozmezí nadmořských výšek bylo zjištěno statistickým rozborem po kalamitě z 19. listopadu 2004 ve Vysokých Tatrách. Původně jihozápadní vítr se 19. listopadu během dvou hodin změnil na severozápadní a následně se těţký vzduch nashromáţděný na severní straně Tater převalil jako mohutný vodopád na jiţní stranu. Ničivé účinky větru se projevily hlavně v podhůří, masa studeného vzduchu narazila na tatranské lesy přibliţně v nadmořské výšce 700 aţ 1200 m n. m. Důvodem toho, proč lesy v nadmořské výšce okolo 1250 aţ 1500 m n. m. nebyly zasaţeny, byl fakt, ţe je padající proud na strmém svahu ještě nezachytil. Podobně jako vodopád překročil terénní zlom a opřel se do porostů v niţších částech svahu (Koreň, 2005). Tato forma místního ničivého větru označována jako bóra se v tatranské oblasti opakuje nepravidelně, ale soustavně. Na základě mapy G. Vincenta z roku 1935 je moţné tvrdit, ţe tatranská bóra nepravidelně ničí stejné oblasti. Situaci z 19. listopadu je názorně zobrazena na obrázku 11.

43

Obr. 11: Směr větru během 19. listopadu ve Vysokých Tatrách. Zdroj: Koreň (2005). Jak je moţné pozorovat na příkladu tatranské oblasti, konfigurace terénu hraje důleţitou roli. Pokud máme k dispozici údaje o povětrnostní situaci a prostorovém rozmístění škod v daném území, můţeme při podobné povětrnostní situaci (směr a síla větru), prostorovém rozloţení porostů a druhovém sloţení očekávat podobnou výši a rozmístění škod. Zajímavý je také podélný řez terénem v oblasti vrcholu Plešný zobrazující směr větru a intenzitu polomu v plm/ha z roku 1955 na obrázku 12.

Obr. 12: Směr a intenzita polomu z roku 1955 v oblasti Plešný na Šumavě. Zdroj: Vicena (1979). Zde je moţné pozorovat podobný efekt jako u kalamity ve Vysokých Tatrách (samozřejmě v mnohem menším měřítku). Těsně za vrcholem Plešný se nacházel „větrný stín― a stromy zde byly zasaţeny méně. Tento vítr bývá také označován jako 44

přepadový. Na obrázku je moţné dále pozorovat, ţe byla poměrně intenzivně zasaţena také návětrná strana vrcholu Plešný. Statistickým rozborem kalamity z roku 2002 na území Šumavy bylo zjištěno, ţe nejvíce postiţeny byly oproti kalamitě z roku 1955 hřebeny, následovala sedla, návětrné svahy a jako nejméně postiţené byly roviny a údolí (Vicena et al., 2004). Na výše zmíněných příkladech je patrné, ţe kaţdý specifický reliéf a povětrnostní situace ovlivní rozmístění škod svým charakteristickým způsobem. Na rozmístění škod z hlediska konfigurace terénu můţe mít také vliv velikost dešťových sráţek spadlých před samotnou kalamitou. Můţe dojít například k situaci, ţe voda, která steče do údolí, ještě nestačí odtéct a vlhká půda je poté jednou z hlavních příčin nestability porostů v údolích (Vicena et al., 2004). Vlivem pozice jednotlivých stromů nebo porostu ke směru větru se věnoval i Alexander (1987), který sestavil tabulku náchylnosti lesních porostů, jeţ je zaloţena na poloze lesního porostu a směru větru. Tab. 1: Efekt polohy lesního porostu a směru větru na náchylnost porostu ke vzniku polomu. Zdroj: Alexander (1987). Topographic position of the tree or stand Flat Slope toe Slope crest Knoll Side slope Ridge Shoulder Saddle Sheltered valley

Wind direction Parallel Moderate Moderate High High Moderate High High High Low

Perpendicular Moderate Moderate Moderate Moderate Moderate High High High High

Jednou z posledních charakteristik terénu, která ještě nebyla zmíněna, je sklon svahu patřící mezi jednu z nejdůleţitějších charakteristik terénu, která ovlivňuje stabilitu porostu. Porosty rostoucí na velmi sklonitých svazích jsou často více ohroţeny sesuvy půdy a vodní erozí (plošnou, rýhovou nebo strţovou) a mohou být náchylnější k ohroţení větrem. Větší ohroţenost porostů na strmějších sklonech potvrzuje například studie Clintona a Bakera (2000), zatímco například Foster and Boose (1992) nepřikládají sklonu velkou důleţitost.

45

6.3 Podmínky stanoviště Podmínky stanoviště hrají významnou roli především v případech, kdy je k hodnocení území pouţita empirická metoda. Údaje o vlastnostech stanoviště přesto vstupují také do mechanického modelu ForestGALES, který kombinuje empirickou metodu hodnocení s mechanickou. Při stanovení náchylnosti větrných porostů k ohroţení polomy pouţívá informace týkající se stanovištních podmínek, ale zároveň také pouţívá rozsáhlou databázi obsahující informace o mechanických vlastnostech dřevin (Gardiner et al., 2006). K vyhodnocení rizika ohroţení na základě půdních vlastností můţe slouţit typologický klasifikační systém pouţívaný v hospodářské úpravě lesů. Edafické kategorie, případně soubory lesních typů (SLT) mohou být následně zařazeny do stupňů rizika ohroţení. Typologický klasifikační systém vyuţívá pro hodnocení ohroţení podle půdy také klasifikace rizika polomů – WINDAREC, kde jsou edafické kategorie rozděleny do tří stupňů rizika ohroţení (riziko nízké, střední a vysoké). Tab. 2: Stupně ohroţení podle půdy. Zdroj: Lukeš, Dandul (1999). Rizika ohrožení

Edafické kategorie SLT

1 – riziko nízké

X, Z, Y, M, 9K, C, J

2 – riziko střední

1-8 K, N, I,F, 1-4A, 8A, U

3 – riziko vysoké

S, B, H, D, 5-7A, L, V, O, P, Q, T, G, R

Základní podíl hlavních souborů lesních typů je dán charakterem podloţí. Na lesní půdě většinou převaţují SLT s vysokým rizikem ohroţení. Jde především o SLT řady obohacené humusem, vodou, částečně řady ţivné, oglejené a podmáčené. Lze říci, ţe s rostoucí nadmořskou výškou přibývá SLT "stabilnějších", coţ je dáno klesající trofií půd a současně vzrůstající skeletovostí (Lekeš, Dandul, 1999). Podle Slodičáka a Nováka (2007) se porosty nejvíce ohroţené biotickými činiteli nacházejí na bohatých ţivných stanovištích cílového hospodářského souboru (CHS) 45 a CHS 55, na stanovištích oglejených CHS 57 (obrázky 13 a 14), případně CHS 77 a na stanovištích podmáčených CHS 39, CHS 59, CHS 79. Jako nejvíce ohroţené, zejména větrem, zmiňují smrkové porosty na oglejených stanovištích CHS 57 a CHS 77 a na stanovištích podmáčených CHS 39, CHS 59 a CHS 79. Stabilita stromů je do značné míry ovlivněna půdní vlhkostí. Pokud je půda velmi vlhká a nasycená vodou například z důvodu nadměrného výskytu sráţek, stabilita 46

stromů můţe být ovlivněna, zejména její ukotvení v půdě. Půda nasycená vodou přenáší pouze tlak, nikoliv smykové napětí. Hladina podzemní vody nadlehčuje povrchové vrstvy, v nichţ se nalézají kořeny stromů a za takových poměrů se stromy snadněji vyvracejí. Podíl vývratů při takovýchto kalamitách je proto výrazně vyšší neţ při jiných větrných kalamitách. Na stav vlhkosti můţe mít také nepříznivý vliv úbytek stromů, který má za následek sníţenou intercepci sráţek, jeţ obvykle tvoří aţ 30 % sráţkové vody. O přibliţně toto mnoţství se zvýší mnoţství vody v půdě (Vicena et al., 2004).

Obr. 13 a obr. 14: Na výrazně vodou ovlivněných stanovištích se vyskytují pseudogleje (obr. 13) a gleje (obr. 14). Zdroj: UHUL - Inventarizace lesů, Metodika venkovního sběru dat (2003). Mezi hlavní půdní vlastnosti ovlivňující vznik polomů patří podle Windthrow Handbook for British Columbia Forests (Stathers et al., 1994): 

hloubka půdy,



odvodnění půdy (respektive půdní vlhkost),



struktura, hustota, textura a kamenitost půdy.

Porosty rostoucí v hluboké a dobře odvodňované půdě vytvářejí mnohem větší kořenový systém neţ ty, které rostou na vlhkých, kamenitých nebo písčitých půdách. Obecně je moţné tvrdit, ţe stromy rostoucí na hlubokých a dobře odvodňovaných půdách jsou odolnější proti polomům neţ porosty rostoucí na půdách mělkých nebo špatně odvodňovaných (Schaetzl et al., 1989). Stromy se zdravým kořenovým systémem, který není omezený ţádnými dalšími negativními vlivy s hloubkou zakořenění větší neţ 0,8 m a dobrou odvodňovací schopností budou náchylné k ohroţení mnohem méně neţ stromy s hloubkou 47

zakořenění menší neţ 0,8 m nacházející se na půdách s jemnou texturou nebo na nepropustné půdě (Norris et al., 2008).

6.4 Vlastnosti lesního porostu Kategorie vlastnosti lesního porostu je specifická tím, ţe do ní patří největší počet faktorů, které mají vliv na výskyt a výši škod způsobených větrem, proto je této kategorii věnována velká pozornost. Na vlastnosti porostu jako celku a jednotlivých stromů je moţné nahlíţet ze dvou uhlů pohledu. První se zabývá vlastnostmi stromu jako jednotlivce, druhý pohled nahlíţí na porost a jeho vlastnosti jako celek. Do první skupiny je moţné zařadit například faktory jako je výčetní tloušťka, tvar a pruţnost kmene a výška porostu, velikost, tvar, hustota a hmotnost koruny, hloubka kořenového systému, velikost a mnoţství kořenů atd. Do druhé skupiny patří tvar a prostorová konfigurace porostu, zakmenění porostu, druhové sloţení a výška porostu jako celku. Do této kategorie je moţné také zařadit změny způsobené pěstební péči (probírka, prořezávání, odvodňování a další) (Stathers et al., 1994). Co se týče vlastností stromu jako jednotlivce, je nezbytné mít na paměti, ţe kaţdý strom je ve své podstatě jedinečný a má své charakteristické vlastnosti a díky tomu bude jeho odolnost vůči polomu vţdy do jisté míry odlišná od stromů okolních. O vlivu přirozené druhové skladby na odolnost proti polomům bylo napsáno jiţ mnoho. Existují názory, ţe polomy jako periodicky se opakující jev nejsou a nemohou být z dlouhodobého hlediska povaţovány za katastrofu, ale za jev zcela přirozený a nezbytný. Ačkoliv je za jednu z hlavní příčin polomů povaţována druhová skladba, především výskyt smrkových monokultur (tato příčina je velmi často prezentována médii, která veškerou vinu svalují právě na zmíněný faktor), je důleţité vzít na vědomí, ţe mnohé vichřice, které poničily rozsáhlá území, měly takovou rychlost, ţe by jim neodolal ani přirozený porost. Zda by škody nebyly v takovém rozsahu, kdyby se na zasaţeném území nacházely místo smrkových monokultur přirozené lesy, je diskutabilní. Většina porostů v České republice má nepřirozenou druhovou skladbu. Za přirozených podmínek by převáţnou část našich lesů tvořily smíšené nebo listnaté porosty, mezi nejčastěji se vyskytující druhy stromů by patřily duby a buky a podíl smrku by tvořil pouze 11 % v horských a azonálních oblastech. Monokulturní nebo monokulturám blízké porosty jsou méně stabilní, coţ platí především pro smrk (horskou 48

dřevinu), která v niţších a středních polohách trpí nadměrným stresem. Stromy jsou proto náchylnější k onemocněním, napadení škůdci a také k polomům (Zelená zpráva, 2006). Další velmi často diskutovanou otázkou je zastoupení dřevin v porostu. Tímto problémem se zabývalo v minulosti velké mnoţství autorů a většinou kaţdé statistické hodnocení nebo analýza polomu zahrnuje analýzu zastoupení dřevin poškozených větrem. Jak jiţ bylo zmíněno na začátku kapitoly, kaţdý strom je svým způsobem jedinečný, ale můţeme předpokládat, ţe stromy jedné dřeviny (smrk, buk, dub atd.) budou mít podobné vlastnosti. Významem a volbou druhové skladby se velmi podrobně ve své práci Předcházejme polomům zabýval Gustav Vincent. Autor vyzdvihuje úlohu stanovištních podmínek a na základě těchto podmínek by měly být vhodně voleny dřeviny hlavní a dřeviny přidruţené. Vincent zmiňuje roli původních přírodních porostů a klade především důraz na hluboce kořenící dřeviny (dub, buk, klen, jedle atd.), které by měly být vysazovány na stanovištích jim vyhovujícím (Vincent, 1947). Smrk ztepilý (Picea abies) patří mezi nejrozšířenější a zároveň mezi jednu z nejrizikovějších dřevin u nás. Je málo odolný vůči zátěţi větrem, hmyzím škůdcům i hnilobě a jeho stav je do značné míry ovlivněn stanovištěm. Smrk ztepilý (Picea abies) se vyznačuje mělkým kořenovým systémem, a tudíţ snadněji podléhá větru. Vlivem smrku na výši polomů se zabýval Ivo Vicena, který statistickým rozborem tří větrných kalamit zjistil, ţe zastoupení smrku mělo určitý vliv na výši polomu. Dále bylo zjištěno, ţe průběh větrného polomu v létě i v zimě je nápadně podobný a čím je vyšší zastoupení smrku, tím je větší intenzita polomu. Zajímavé také bylo, ţe pokud zastoupení smrku v porostech bylo menší neţ 60 %, zůstaly porosty téměř beze škod (Vicena, 1964). Za jednu z dalších zpevňujících dřevin je moţné podle M. Košuliče (2006) a dalších autorů povaţovat jedli. Hlavní přednost jedle je moţné spatřovat v jejím hluboko pronikajícím kořenovém systému, jímţ zapojuje do koloběhu ţivin hlubší půdní vrstvy a především můţe stabilizovat smrčiny. Mezi další zpevňující a stabilizační dřeviny smrčin je moţné zařadit ještě modřín a buk. Mezi lesníky často existuje představa, ţe na vznik polomů a jejich intenzitu měla vliv jenom dřevinná skladba. Statistická šetření však prokázala, ţe na intenzitu polomu můţe mít vliv aţ 9 dalších číselně vyjádřených porostních charakteristik, k nimţ patří vedle zastoupení dřevin ještě výška, tloušťka, štíhlost, věk, rozloha, bonita nebo terén spolu s expozicí a orografií. Podle statistické významnosti pro výši polomů se dřeviny 49

zařazují u námrazových polomů aţ na sedmé místo za štíhlost, věk, zakmenění, rozlohu, bonitu a výšku; u větrných polomů pak na 5. místo aţ za zakmenění, tloušťku, výšku, štíhlost a bonitu (Vicena, 2006). Výše polomů (procento poškozených stromů) vykazuje velmi často pozitivní vztah (korelaci) s výškou a stářím porostu a negativní vztah s hustotou porostu (Coutts a Grace, 1995). Na několika následujících obrázcích (v obr. 15) je zakreslena odolnost porostu vůči větru v závislosti na hustotě a výšce porostu. Na prvních dvou obrázcích je moţné pozorovat vliv hustého pravidelně rozmístěného porostu v porovnání s porostem otevřeným. Na dalších snímcích je zobrazen vliv vyčnívajících jedinců a nepravidelně vysázeného porostu.

Obr. 15: Odolnost porostu vůči větru v závislosti na hustotě a výšce porostu. Zdroj: Stathers et al.(1994).

50

Výška stromu a tvar koruny patří mezi jedny z nejdůleţitějších charakteristik v této kategorii především proto, ţe určují velikost překáţky, na kterou vítr narazí. S rostoucí výškou stromů se zvětšuje intenzita polomu a počet poškozených stromů je vyšší. Tato závislost byla zjištěna například Wanglerem (1974) a mnohými dalšími autory (König, 1995; Dobbertin, 2002). Určení kritické výšky muţe být často problematické. Za zlomovou hranici můţe být povaţovaná výška 20 metrů, do které jsou stromy ohroţeny polomem méně (důleţitou roli hraje také hniloba a další faktory), zatímco stromy, které mají výšku vyšší, jsou k polomům náchylnější, coţ potvrzuje ve své studii například V. Smith (1987). Na obrázku 16 je zakreslen vývoj náchylnosti porostu k polomu v závislosti na výšce porostu, stáří porostu, půdě a probírce. S1 a U1 reprezentuje rozdíl mezi vlivem stabilní (S1) a nestabilní půdy (U1) na výši polomu, S1 - S2 a U1 - U2 reprezentuje změnu, respektive sníţení odolnosti porostu vůči polomu v důsledku zvětšující se výšky stromu a stárnutí porostu. V jistém bodě (S2, U2), kdy porost dosáhne určitého stáří a výšky, dochází k zastavení trendu vývoje (poklesu odolnosti vůči polomům). T1 - T2 představuje občasné změny v odolnosti proti polomům v důsledku probírky (případně jiných zásahů do porostu). T2 - T3 reprezentuje období regenerace porostu. T3 - T4 představuje další probírku.

Obr. 16: Vývoj náchylnosti porostu vůči polomům v závislosti na výšce a stáří porostu, půdě a probírce. Zdroj: Coutts, Grace (1995). 51

Obecně platí, ţe výška stromů je závislá na věku, coţ je moţné pozorovat i na obrázku 16. Příčin, které mají za následek vznik polomů ve starších porostech, bývá často několik. Starší stromy jsou obecně vyšší a častěji čelí riziku napadení hnilobou a houbami. Díky své objemnosti a rozměrům se sniţuje jejich ohebnost. Problémem je také těţba stoupající s narůstajícím věkem. Mezi další příčiny je moţné zařadit zhoršující se mechanicko-fyzikální vlastnosti dřeva především v důsledku sníţení vlhkosti ve dřevě. Starší porosty jsou přirozeným způsobem prořeďovány a mají proto zpravidla niţší zakmenění (viz obr. 17) (Vicena, 2006). Zakmenění bývá často povaţováno za klíčové, coţ potvrzují například rozbory z kalamity na Šumavě v roce 2002, kdy u zakmenění byl zjištěn největší koeficient korelace a to 0,929. Zakmeněním se rozumí desetinásobek poměru redukované a skutečné plochy zaokrouhlený na celé číslo, kde redukovaná plocha je součtem podílů skutečné a tabulkové zásoby dřevin hlavního porostu na skutečné ploše. Redukovanou plochu lze odvodit obdobně i dle výčetní kruhové základny dřevin (Vyhláška o lesním hospodářském plánování, 1996).

Obr. 17: Zakmenění podle věkových stupňů v procentech v České republice - 2004. Zdroj: Zelená zpráva (2005). K podobným závěrům došli i pracovníci Ústavu pro hospodářskou úpravu lesa, kteří pomocí metody lineární regrese s logaritmickou transformací vysvětlované proměnné zjistili poměrně vysokou závislost zakmenění na velikost polomu (koeficient korelace 0,81). Mezi další charakteristiky, které byly statisticky významné ve výsledném modelu, patřily: zastoupení jehličnatých dřevin, průměrná výše zásob, 52

průměrný věk a plošné zastoupení stanovišť ovlivněných vodou (CHS 19, 27, 29, 39, 47, 57, 59, 77 a 79) (Kurková et al., 2008). Vlivem tloušťky kmene na výši polomů se zabýval ve své publikaci A. Pfeffer (1961), který zjistil, ţe stabilitu stromu proti větru ovlivňuje vztah d3/h, kde d je výčetní tloušťka stromu a h je výška. Pro stabilitu stromu proti sněhu byl odvozen vzorec d 4/h2. Ze vzorce vyplývá, ţe se změnou tloušťky a výšky se mění i odolnost stromu proti větru, případně sněhu. Tento vztah je zobrazen v tabulce 3, kde jsou do celkového vlivu na stabilitu stromu zahrnuty i vliv délky koruny a plocha koruny. Tab. 3: Vliv výčetní tloušťky, výšky stromu, plochy a délky koruny na ohroţení větrem. Zdroj: Pfeffer (1961). Výčetní tloušťka

Plocha koruny

Výška stromu

Délka koruny

Síla větru, kterou snese strom bez poškození

d d d 1,5 d 0,5 d d d

p p p p p 1,5 p 1,5 p

h 1,5 h 0,5 h h h h h

1/3 h 1/3 h 1/3 h 1/3 h 1/3 h 1/3 h 1/2 h

P 0,61 P 2,8 P 3,6 P 0,13 P 0,67 P 0,78 P

Na základě tabulky 3 je moţné konstatovat, ţe sníţením výšky stromu o polovinu na 0,5 h stoupne odolnost stromu při stejné tloušťce 2,8 krát a zvětšením průměru kmene o polovinu na 1,5 d stoupne odolnost stromu při stejné výšce 3,6 krát.

53

6.5 Vliv větru, sněhu a mrazu (klimatičtí činitelé) Klimatických činitelů působících a ovlivňujících lesní porosty je velké mnoţství. Mezi hlavní tři lze zařadit vítr, sníh a mráz. Kaţdý z nich se podílí na intenzitě a výši škod různým způsobem. Celková výše nahodilých těţeb způsobená abiotickými vlivy činila v roce 2007 13,34 mil. m3, coţ představuje výrazný nárůst ve srovnání s rokem 2006 (6,06 mil. m3). Polomy tvořily z tohoto mnoţství většinu, 12,92 mil. m3 a rozhodující část polomů byla vázána na poškození větrem (více jak 95 %), coţ lze povaţovat z dlouhodobého hlediska jako obvyklé. Velký nárůst nahodilých těţeb oproti předchozímu roku (2006) byl způsoben především orkánem Kyrill, který zasáhl území České republiky 19. ledna 2007 (Zelená zpráva, 2008). Sněhem bylo v roce 2007 podle dostupné evidence poškozeno 172 tis. m3, coţ je ve srovnání s předchozím rokem značný pokles (2006 – 2 590 tis. m3). Námrazou bylo v roce 2007 narušeno 29 tis. m3, coţ znamená také významný pokles oproti minulému roku (2006 – 217 tis. m3). Co se týče prostorového rozloţení nahodilých těţeb, byl polomy nejvíce zasaţen Jihočeský (3 113 tis. m3) a Plzeňský kraj (1 752 tis. m3). V Jihočeském kraji byly jedny z nejvyšších objemů zaznamenány jiţ v roce 2006 (1 624 tis. m3). Mezi další významně postiţené regiony patřil i kraj Karlovarský (849 tis. m3) a Středočeský (667 tis. m3). Polomy evidované v Jihočeském a Plzeňském kraji tvořily necelých 54 % z celostátního objemu polomů. Společně s krajem Karlovarským a Středočeským byl tento podíl 70 % (Kníţek, Pešková, 2008).

Obr. 18: Podíl poškození porostů jednotlivými abiotickými vlivy v roce 2007. Zdroj: Kníţek, Pešková (2008). 54

Z obrázku 19 je patrné, ţe z dlouhodobého hlediska je vítr hlavním klimatickým činitelem způsobujícím polomy. Aţ na rok 1996, kdy převaţovaly škody způsobené námrazou nad škodami způsobenými větrem, a rok 2006, kdy převaţovaly škody způsobené sněhem, byl vítr hlavní příčinou polomů. Druhým klimatickým činitelem z dlouhodobého hlediska je mokrý sníh, zatímco námraza se podílí na vzniku polomů nejméně. Zajímavé je porovnání poměru jednotlivých klimatických činitelů na vznik polomů v minulosti a v současnosti. Zatímco I. Vicena udává, ţe vítr se podílí na vzniku polomu 65 % (v roce 1964), současné hodnoty udávají podíl větru na vzniku polomů aţ 95 %. Z hlediska nahodilých těţeb, objemu i podílu na celkových těţbách můţeme povaţovat rok 2007 za velmi nepříznivý. Při porovnání s předchozími roky došlo k nárůstu přímého poškození lesa. V roce 2007 došlo k největšímu objemu nahodilých těţeb od roku 1990. Mezi období s vysokým podílem nahodilých těţeb je moţné zařadit také rok 1991, 1994, 1996, 2003 a 2006.

Obr. 19: Evidované poškození porostů větrem, sněhem a námrazou od roku 1990. Zdroj: Kníţek a Pešková (2008).

55

6.5.1 Vítr Vítr je moţné definovat jako pohyb vzduchu způsobený rozdíly atmosférického tlaku nebo také jako horizontální proudění vzduchu podél zemského povrchu. Je způsoben rozdíly tlaku na zemském povrchu, které vnikají díky nestejnoměrnému zahřívání jednotlivých částí povrchu. Vítr proudí z míst vyššího tlaku do míst niţšího tlaku a s větším rozdílem tlaku na určitou vzdálenost se zvyšuje i jeho rychlost, která je ovlivněna překáţkami na zemském povrchu (budovy, porosty, reliéf). Na vznik větru mají vliv i místní podmínky. Vítr má tři hlavní charakteristiky, a to slovně vyjádřenou sílu, směr a rychlost (CHMI, 2008). Směr větru udává převládající směr, odkud vane vítr (severozápadní, jiţní atd.). Rychlost a náraz větru se udává slovně v m.s-1 (m/s) nebo v km.h-1 (km/h). Náraz větru je moţné definovat jako krátkodobé zvýšení rychlosti větru. Za kritérium pro náraz větru se uznává převýšení průměru o 5 m.s-1 po dobu alespoň 1 s, avšak nejvýše 20 s. Nejniţší stanovená hranice nárazu větru je 12 m.s-1, avšak pro širokou veřejnost se udává aţ od hranice 15 m.s-1. Změnu směru nebo rychlosti větru lze charakterizovat slovy: měnit, stáčet, zesílit, zeslábnout apod. Slovní vyjádření síly větru odpovídá rychlosti podle následující tabulky: Tab. 4: Beaufortova stupnice síly. Zdroj: CHMI (2008). Beaufortova stupnice

Slovní vyjádření

Rychlost (km/h)

Rychlost (m/s)

Pro interval v předpovědi (m/s)

Doporučené intervaly pro použití v předpovědi (m/s)

0,1

Bezvětří (klidno)

0-5

0-1

0-1

-

2

Slabý vítr

5.X

1.III

1.IV

1-3, 1-4, 2-4

3

Mírný vítr

X.20

3.VI

2.VII

2-5, 2-6, 3-6, 3-7, 4-7

4,5

Čerstvý vítr

20-35

6.X

4.XII

4-8, 4-9, 5-8, 5-9, 5-10, 6-9, 6-10, 6-11, 7-10, 7-11, 7-12

6

Silný vítr

35-55

X.15

VIII.17

8-13,9-13,9-14,10-14,1015,11-15,11-16,12-16

7,8

Velmi silný vítr

55-75

15-21

13-23

po 5 od 13-18 do 18-23

9,1

Vichřice

75-110

21-30

19-32

po 5 od 19-24 do 27-32

11,12

Orkán

nad 110

nad 30

28-...

intervaly nad 28

Měřením větrných charakteristik, průběhy rychlosti větrů, zjišťováním trendu a dalšími charakteristikami se v České republice zabývá Český hydrometeorologický ústav – Úsek meteorologie a klimatologie. V současné době jsou aktuální informace o směru a průběhu větru získávány pomocí automatických klimatologických a meteorologických stanic.

56

Na základě získaných informací o proudění, rychlosti a směrech větru byla v rámci úkolu VaV/320/08/03 Ústavem fyziky atmosféry AV ČR vypracována studie podmínek větrného proudění na území ČR. Součástí studie byl plošný výpočet rychlosti větru ve výšce 10 m podle dvou různých modelů v detailním rozlišení. Hlavním účelem výzkumného záměru bylo posoudit vhodnost lokalit v ČR z hlediska zásob větrné energie a zpracovat metodiku pro posuzovací řízení při zavádění větrných elektráren. V roce 2007 byla vydaná mapa větrných oblastí na území ČR jako součást národní přílohy ČSN EN 1991-1-4:2007 (2007). Pro zpracování mapy větrných oblastí ČR byla pouţita data ze 46 meteorologických synoptických a vybraných klimatologických stanic ČHMÚ s dlouhou pozorovací dobou a vhodným umístěním pro měření větru. Do zpracování byly rovněţ zahrnuty kratší řady sousedních stanic v Německu - Grosser Arber (Šumava), Fichtelberg a Zinnwald. Mapa větrných oblastí na území ČR vznikla na základě spolupráce ČHMÚ a KÚ ČVUT v rámci řešení projektů GA ČR.

Obr. 20: Mapa větrných oblastí na území ČR. Zdroj: Král a Hostýnek (2007). Po škodách způsobených orkány Kyrill a Emma v posledních letech se začalo uvaţovat o vyuţití větrných map k určení rizika ohroţení větrem. V současné době pojišťovny velmi úspěšně vyuţívají povodňové mapy, na jejichţ základě je moţné určit stupeň rizika povodně nebo záplavy pro jakoukoliv adresu na území v ČR. Co se týče vyuţití větrných map, situaci vystihuje komentář zástupce pojišťovny Uniqua paní Svobodové, která tvrdí, ţe „analýzy a informace ze zahraničí ukazují, ţe vytvoření dostatečně spolehlivých map a projekcí pohybu větru není reálné do té míry, aby na jejich základě mohla být objektivně měřena rizika a kalkulováno pojistné―. 57

Faktem je, ţe větrné mapy vznikají na základě dat z dlouhodobého pozorování a extrémní větry se nemusí do průměru výrazně projevovat. To potvrzují i meteorologové u výjimečných událostí typu Emmy nebo Kyrill. Software k tvorbě větrných map uţ byl úspěšně pouţit například k modelování povětrnostní situace během orkánu Kyrill a i díky výsledkům získaných modelem VasP bylo moţné modelovat průběh, směr a rychlost větru (Hostýnek, 2008). Jednou z nejdůleţitějších charakteristik větru je jeho rychlost. Na základě informací o rychlosti větru a vzniku polomů v letech 1984-2002 bylo zjištěno, ţe rychlost větru nad 28 m/s je kritická (100,8 km/h) a porosty této rychlosti jiţ neodolají. Rychlosti nad 30 m/s uţ nedokáţe odolat ani stabilní porost. Vţdy, kdyţ byla překročena rychlost 28 m/s, škody přesahovaly minimálně 100 000 m3 (Vicena et al., 2004). C. J. Baker (1995) udává, ţe jiţ rychlost 20 m/s můţe způsobit selhání stromu, tedy jeho vývrat nebo zlom. C. P. Quine a B. A. Gardiner (2000) uvádějí jako kritickou rychlost, která způsobí poškození nestabilních stromů, 24 m/s a pro poškození stabilního porostu je jako prahová hodnota udávána rychlost 40 m/s. Rychlost větru v přízemní vrstvě atmosféry s výškou narůstá podle logaritmického vztahu. Jak rapidní je nárůst rychlosti větru s výškou, závisí na tření vzduchu s povrchem Země. Na otevřených prostranstvích s nízkou frikcí není vítr příliš zpomalován, a proto nebude nárůst rychlosti s výškou velký. V místech, kde se nachází velké mnoţství překáţek, budovy, lesy nebo jiné stavby, bude vítr zpomalován těmito objekty, a proto nárůst s výškou bude vysoký. Vztah mezi výškou a rychlostí se někdy také nazývá větrný profil nebo větrný gradient (Štěkl a Hošek, 2005).

Obr. 21: Větrný gradient. Zdroj: Wizelius (2007). 58

Síla větru je ovlivněna do velké míry polohou ve vztahu k centru bouřkové činnosti (obr. 22) a topografií. Rychlost větru velmi často stoupá s nadmořskou výškou, proto při její větší změně můţe dojít ke zdvojnásobení rychlosti větru. Sklony jednotlivých kopců a orientace údolí s ohledem na směry převládajících větrů mohou ovlivňovat velikost rychlosti větru v dané oblasti. U většiny bouřek se největší rychlost vyskytuje na hřebenu a na mírnějších svazích orientovaných vůči větru (Miyanishi a Johnson, 2007; Wizelius, 2007).

Obr. 22: Hodnoty kritické rychlosti větru pro stabilní a nestabilní porost v závislosti na vzdálenosti od středu bouřky. Zdroj: Miyanishi a Johnson (2007). Výskyt extrémně silných povětrnostních jevů je velmi nepravidelný, ačkoliv v poslední době dochází v České republice k nárůstu četnosti a intenzity výskytu těchto jevů. Důvodem mohou být i klimatické změny. Právě Český hydrometeorologický ústav identifikoval nepříznivé účinky klimatické změny, které se týkají České republiky ve Stanovisku Českého hydrometeorologického ústavu a Českého národního výboru pro omezování následků katastrof k Zelené knize „Adaptace na klimatickou změnu v Evropě – moţnosti pro postup EU― a mezi jeden z nepříznivých dopadů klimatických změn zahrnul také fakt, ţe extrémní povětrnostní jevy (vítr, bouřky, rostoucí počet malých tornád atd.) se budou patrně opakovat častěji (Stanovisko k Zelené knize, 2007). Stochastická povaha výskytu extremních povětrnostních jevů znamená, ţe velikost a intenzita poškození větrem můţe kolísat rok od roku. Proto se tedy můţe vyskytnout řada let (nebo i desetiletí) bez významných škod, které však mohou být následovány výskytem několika velmi extrémních bouřek.

59

6.5.2 Sníh Sníh je moţné po větru označit za druhý nejvýznamnější klimatický činitel způsobující škody na porostech v České republice v posledních 20 letech (Kníţek, 2011). Na rozdíl od větru, kde škody s nadmořskou výškou rostou, je situace u sněhu odlišná. Těţký mokrý sníh se nachází v niţších nadmořských výškách, a proto bývají sněhem nejvíce poškozené oblasti mezi 500 aţ 800 m n. m. V nadmořských výškách pod 500 m n. m. bývá tepleji a častěji zde prší, proto sníh v těchto oblastech nepůsobí takové škody, zatímco ve vyšších nadmořských výškách jsou teploty v zimě pod bodem mrazu a sníh tam bývá lehčí (Slodičák, Novák, 2006). Podle L. Spíchala (2008) je vliv lesa na sněhové sráţky následující:  sníh se v lese ukládá rovnoměrněji neţ na volné ploše,  tání sněhu je v lese zpomaleno,  jehličnany zadrţují intercepcí velké mnoţství sněhu (ve středních polohách můţe působit vrcholové zlomy, zejména u smrku),  nebezpečný je vlhký přimrzající sníh, který působí polomy ve smrkových a místy i borových porostech II. a III. věkové třídy v předhůří a pahorkatinách (400 – 800 m n. m.); ohroţené jsou i husté, zapojené mlaziny a tyčkoviny, leţí-li na závětrné straně starších porostů. Pokud je sníh suchý a nenapadne jej velké mnoţství, nezpůsobuje na porostech ţádné váţné škody. Pokud však padá sníh mokrý s velkými vločkami, který se akumuluje na větvích jehličnanů, případně na větvích opadavých stromů, a s klesající teplotou často přimrzá, vytváří se základ pro další objem sněhu a dochází k tomu, ţe tíha sněhu působící na korunu stromu se stává neúnosnou, a proto můţe dojít ke zlomu (Vicena, 2003). G. Kauschineger (1893) rozděluje škody způsobené sněhem na porostech do dvou kategorií. První jsou tzv. škody způsobené sněhovými zlomy (snow-break) a druhé jsou škody způsobené tlakem sněhu, který však nezpůsobí zlom, ale dojde buď k vývratu, nebo ohnutí stromu tíhou sněhu (snow-pressure). V prvním případě nastane klasický zlom větví či vrcholových částí porostu nebo dokonce i kmenu. V druhém případě jsou více poškozeny stromy mladé nebo ty, které jsou více náchylné k výkyvům. Výsledkem je ohnutí jednotlivých kmenů, avšak bez jejich zlomení, někdy můţe dojít i k vyvrácení kořene. Pokud jsou kmeny nebo větve ohnuty pod tíhou akumulace sněhu delší dobu, oslabují a ztrácí schopnost obnovení. Po uvolnění tlaku zůstávají porosty stále ohnuté a postupně odumírají. 60

Škody způsobené sněhem je moţné podle G. Kauschingera (1893) rozdělit na škody okamţité, druhotné a nepřímé. Mezi hlavní vlastnosti porostu ovlivňující výši škod způsobených sněhem patří především typ porostu, jeho věk a hustota koruny. Ke zlomu dojde, pokud tíha sněhu překročí nosnou sílu větvě (případně kmene). Tlak je stanoven mnoţstvím napadaného sněhu, který zůstane na koruně, a jeho váhou, která je více neţ dvakrát větší, pokud se jedná o mokrý sníh. Uspořádání větví a charakter listového případně jehličnatého pokryvu určují, jak velké mnoţství sněhu bude v koruně zadrţeno. Z výše zmíněného vyplývá, ţe jehličnany budou sněhem ohroţeny mnohem více neţ listnaté stromy. Zajímavou studii provedl A. Buhler (1885) ve Švýcarsku, který zjistil, kolik sněhu zadrţí různé dřeviny v porovnání s otevřenou plochou bez porostu. V tabulce 5 je moţné pozorovat, ţe nejvíce sněhu aţ 88 % zadrţí původní smrčiny ve stáří 40 let, zatímco bukový porost zadrţí ve stáří 35 let pouze 11 % sněhu. Tab. 5: Mnoţství sněhu zadrţené různými druhy dřevin. Zdroj: Buhler (1885). Depth of snowfall in the Open.

Depth of snowfall on the soil inside the Forest

Percentage consequently intercepted by the timber crop.

13,3 inches

Dense Spruce Plantation, 15 years old - 3,2 inches

76%

13,3 inches

Natural reproduction of Spruce, 40 years old - 1,6 inches

88%

11,2 inches

Spruce Forest in close canopy, 90 years old - 5,2 inches

54%

11,2 inches

Beech Pole-forest, 35 years old - 10,0 inches

11%

11,2 inches

Beech Do., 55 years old - 10,0 inches

11%

13,3 inches

High Forest of Beech, 70 years old - 10,8 inches

18%

Velmi podobné hodnoty zmiňuje I. Vicena, který také tvrdí, ţe dřeviny zadrţují v korunách různé mnoţství sněhu. Smrk zadrţuje 45 aţ 75 % sněhu (Buhlers uvádí dokonce 88 %), u buku udává hodnoty 11 % aţ 18 % (u buku se s Buhlersem shodují). U mladších smrkových porostů (30 aţ 40 let) je mnoţství sněhu, které je zadrţeno v korunách, aţ 70 %, při dosaţení 60 let klesá k 42 %.

6.5.3 Námraza a ledovka Námraza je poslední z klimatických činitelů způsobujících polomy v našich lesích. Z obrázku 19 je patrné, ţe námraza nezpůsobuje v porostech tak rozsáhlé škody jako vítr a sníh. Z hlediska celkového podílu na výši polomů v jednotlivých rocích bývá námraza aţ na třetím místě. Výjimkou v časové řadě jsou pouze roky 1996 a 1997. Rok 1996 byl z hlediska škod způsobených námrazou extrémní a předčil i škody zapříčiněné větrem (viz obr. 19). Celkový objem nahodilých těţeb způsobený námrazou v letech 61

1995/1996 na území České republiky činil více neţ 2,4 mil m3. Nešlo o první rozsáhlou námrazovou kalamitu na našem území. Jiţ dříve námrazy způsobily rozsáhlé škody, především v letech 1874-1876, dále v období 1904-1905, 1908, 1916, 1933, 1974, 1975 a 1995/1996 lze povařovat z hlediska výskytu námrazy za extrémní (Vicena, 2000). Námraza se obyčejně tvoří v polohách, ve kterých mají vysoký podíl horizontální sráţky a které se nacházejí zpravidla těsně nad kondenzační hladinou, tj. ve výškách, kde se vznáší vrstva mraků. Proměnlivost škodlivého působení námrazy podle nadmořské výšky a expozice v jednotlivých pohořích zdůrazňoval jiţ E. Döbele (1938). Námraza ve zvýšené míře ohroţuje především nechráněné hlavní a boční hřbety a prudší návětrné svahy pohoří, kde škody námrazou sestupují do mnohem niţších poloh. Na závětrných svazích, v horských sedlech a údolích stejně jako na svazích širších horských hřbetů mají škody způsobené námrazou mnohem menší dopad (Hess 1878, Kaldus 1960, 1967 in Kula et al.). Při polomech způsobených námrazou se zesiluje její negativní účinek tím, ţe se samotná námraza ukládá v korunách stromů nerovnoměrně, a to především na větvích vystavených proudění vzduchu. Námraza je sloţena ze sněhobílých trsů vláknité struktury, její útvary jsou neprůhledné a je dobře patrná zrnitá struktura. Jev námrazy se tvoří rychlým zmrznutím přechlazených kapiček mlhy nebo oblaků při větru na předmětech na zemském povrchu. Tvoří se většinou při teplotách -2 aţ -10 °C na návětrných stranách předmětů. Při delším trvání můţe námraza narůst do tak silných vrstev, ţe svou váhou láme větve či trhá elektrické a telefonní vedení (Vicena, 2003). Ledovka je na rozdíl od námrazy homogenní ledová vrstva, která vzniká při mrznoucím mrholení nebo mrznoucím dešti. Ledovka se tvoří buď zmrznutím přechlazených vodních kapek okamţitě při dopadu na zemský povrch, nebo na předměty, jejichţ teplota je záporná nebo slabě nad 0 °C, případně namrzáním nepřechlazených vodních kapek okamţitě při dopadu na zemský povrch nebo na předměty, jejichţ teplota je výrazně záporná. Ledovka se tvoří na vodorovných, svislých či šikmých plochách, na větvích i kmenech stromů, na drátech, tyčích, na povrchu země, na chodnících a vozovkách atd. (Vašíček, 2008). Měřením námrazy a tvorbou námrazových map se zabývá v České republice Energetický ústav v Brně. Kromě měření námrazků disponují také informacemi o dlouhodobém výskytu námrazy. Na základě těchto informací vydává EGÚ mapy námrazových oblastí.

62

6.6 Antropogenní a biotické faktory Jedním z významných antropogenních faktorů ovlivňující výši polomů je předchozí těţba (Stacey et al., 1994; Ruel et al., 2001; Thorpe et al., 2008). Za předchozí těţbu se povaţuje mnoţství dřeva vytěţené od počátku platnosti současného LHP. Vicena et al. (2004) do předchozí těţby zahrnují i stromy, které uschly díky kůrovci. Nezpracované kůrovcové souše po 3-5 letech díky hnilobě padají k zemi a volná plocha, která po nich vzniká, umoţňuje, aby se vítr opíral do korun zbylých stromů. Na základě statistického rozboru kalamity z roku 2002 na území NP a CHKO Šumava bylo například zjištěno, ţe mírné zásahy do 50 m3.ha-1 nebo do 15 % porostní zásoby se ukázaly jako bezpečné. Pokud byla intenzita těţby do 15 % porostní zásoby, byl výskyt polomů 6× niţší neţ tam, kde těţba dosáhla 50 % (Vicena et al., 2004). Důleţitou roli hraje také vzdálenost od vytěţené plochy. Obecně platí, ţe díky předchozímu těţebnímu zásahu, volným plochám způsobených kůrovcem, či v důsledku předchozí kalamity dochází k narušení porostních stěn. Porosty nacházející se v okolí těchto holin nejsou schopny rychle reagovat na tuto změnu a v případě další extremní povětrnostní situace jsou právě okraje těchto holin nejvíce ohroţené (Mikita et al., 2009). Vliv intenzity polomů na vzdálenost od předchozích holin potvrdila i analýza lesních polomů pomocí GIS provedená pracovníky Mendelovy univerzity v Brně (Kolejka et al., 2010). Na základě analýzy bylo potvrzeno, ţe nejvyšší škody vznikají v blízkosti předchozích holin. V souvislosti se vzdáleností byl také zkoumán vliv směru. Bylo zjištěno, ţe k největším škodám dochází ve směru působení větru a nejmenší škody jsou ve směru zcela opačném ke směru větru a kolmém. Zajímavé však je, ţe škody vznikají také ve směru blízkému směru opačnému. Mezi další antropogenní faktory, které narušují stabilitu jednotlivých porostů a celkovou ekologickou stabilitu porostu jako celku, patří imise (Bytnerowitz, 2002). Ty je moţné definovat jako toxické látky, které jsou tvořeny plynnými a pevnými produkty ze spalovacích a technologických procesů před vstupem do ţivotního prostředí. Emise pronikající do prostředí lesních ekosystémů můţeme na základě monitoringu vyjádřit váhovým mnoţstvím přepočteným na určitý objem vzduchu, poté se mluví o imisích (Hadaš, 2002). Úroveň imisního pole je závislá na meteorologických podmínkách, které ovlivňují intenzitu a směr rozptylu emisí, a také na poloze a struktuře emisních zdrojů. Poloha

63

těchto zdrojů má poté rozhodující roli v lokálním, dálkovém a globálním přenosu emisí a ve formování imisního a depozičního pole. Od 70. let minulého století se chřadnutí a hynutí lesa připisovalo imisím. Předpokládalo se, ţe imise působí na rostliny i s jinými stresory, ale jsou hlavním spouštěcím faktorem. Mezi hlavní antropogenní emise v ovzduší patří kyselinotvorné sloučeniny SO2 a NOx. Lze konstatovat, ţe kyselinotvorné imise vyvolávají v rostlinách změny bilance protonů, látek a vody. K poškození můţe docházet přímo ovlivněním asimilačních orgánů nebo depozicí do půdy (nepřímo). V lesích můţe tento vstup představovat aţ 70 % kyselé zátěţe. Depozice je nejvíce zodpovědná za ochuzení půdy o ţiviny a v kyselých půdách se uvolňuje hydroxid hlinitý, který je toxický např. pro kořeny nebo jiné půdní organismy. Výše uvedené změny mají za následek úbytek jemných kořínků a obecně zhoršení funkce kořenů, coţ negativně ovlivňuje příjem ţivin a vody. Poškození kořenového systému znatelně ovlivňuje statickou stabilitu stromu a důsledkem je zvýšená náchylnost porostů k poškození větrem (Mrkva, 2004). Na Šumavě působí také imise, avšak mnohem méně, neţ je celkový průměr v České republice. V národním parku působí především dálkové imise, které nejvíce ohroţují vegetační jednotku klimaxových smrčin (NP Šumava, 2008). Vzhledem k poloze zájmového území, které leţí na území NP Šumava a není tímto faktorem výrazně ovlivněno, lze vliv imisí v tomto případně zanedbat. Za nejvýznamnější biotické faktory s prokazatelným vlivem na ohroţenost lesních porostů větrnými kalamitami lze povaţovat hnilobu a kůrovce (Fraser, 1962; Stathers et al., 1994; Wermeliger, 2004). Kůrovec velmi často nebývá samotnou příčinou vzniku polomů, ale kůrovcová kalamita vzniká často díky polomu. Kůrovec napadá větrem poškozené a polámané stromy, ale při rozsáhlé kalamitě a přemnoţení můţe dojít k tomu, ţe začne napadat i stromy zdravé, které by za normálních podmínek nepoškodil (Ravn, 1985; Weslien et al., 1989). Rojící se brouci napadají především stromy starší 60 let s výčetní tloušťkou nad 30 cm, a to nejdříve v místech mezi suchými a zelenými větvemi. Nejčastěji obsazují poraţené, chřadnoucí stromy a polomové dříví. Výskyt kůrovce lýkoţrouta smrkového (Ips typographus) se musí při základním stavu kontrolovat pochůzkami. Tam, kde se očekává kůrovec alespoň ve zvýšeném stavu, kontroluje se výskyt lapáky nebo feromonovými lapači ve všech porostech starších 60 let, při kalamitním přemnoţení je nutné kontrolovat i porosty mladší. 64

Lapáky nebo feromonové lapače se kladou v porostech na nejohroţenější místa, a to v průměru 1 kontrolní lapák na 5 ha plochy. Ve vyhlášených kalamitních oblastech se asanace provádí dvěma způsoby:  odkorňováním spojeným s pálením kůry nebo ošetřením insekticidy; doporučuje se loupat na plachty,  ošetřováním neodkorněného kůrovci napadeného dříví insekticidy, které bezpečně zahubí populaci kůrovců v kůře nebo lýku. Asanaci je nutno provádět po celém povrchu včetně vnějšího obvodu čel a s obracením kmene (Forst, 1985). Tab. 6: Mnoţství zpracovaného dřeva napadeného kůrovcem v jednotlivých letech NP Šumava. Zdroj: NP Šumava (2009). Rok:

2000

2001

2002

2003

2004

2005

2006

2007

2008

3

55 774

31 467

10 896

13 276

35 166

38 343

26 673

14 790

119 603

1991

1992

1993

1994

1995

1996

1997

3

13 177

29 007

50 996

45 485

57 052

Množství (m ) Rok: Množství (m )

187 351 115 013

1998

1999

74 027

90 377

Pokud jde o Národní park Šumava, podle leteckého monitoringu kůrovce v červenci 2008, jehoţ se zúčastnili zástupci Správy Národního parku Šumava a novináři, nebyla kůrovcová situace v NP Šumava znepokojivá. Podle Správy NP a CHKO Šumava (2008) nálet kůrovce postihl především osluněné porostní stěny, především místa vzniklá po kalamitách nebo lesnickými zásahy. Největší rozpad horských smrčin nastal v oblasti Trojmezné a také na pramenech Vltavy, které patří do oblasti speciálního managementu Černá hora. V následujících dvou letech však došlo ke zvýšenému výskytu kůrovce, který měl za následek přibliţně 299 tis. m3 zpracovaného dřeva v roce 2009 a 347 tis. m3 zpracovaného dřeva v roce 2010. Podle ředitele Národního parku je moţné očekávat, ţe se v roce 2011 vytěţí přibliţně stejné mnoţství kalamitního dřeva jako minulý rok.

65

Obr. 23: Oblasti s potenciálně významným zdrojem kůrovce v NP Šumava. Zdroj: Kučera (2008). Dalším faktorem, který má vliv na stabilitu porostu, je hniloba (Fraser, 1962; Vicena, 2006). Hniloby je moţné povaţovat za skryté vady dřeva, jeţ poškozují velmi cennou bazální část kmenů lesních dřevin a jsou klíčové pro následné zpeněţení dřeva. Z hlediska výskytu polomů jsou důleţitější takzvané nepřímé škody, mezi které je moţné zařadit sníţenou stabilitu lesních porostů, defoliaci, niţší odolnost proti hmyzím škůdcům atd. (Zlatník, 2006). Během národní inventarizace lesů bylo zjištěno, ţe na území České republiky 18,3 % stromů vykazuje vnitřní hnilobu, u 6,8 % hniloba vystupuje aţ na povrch a vyhnilou dutinu ve kmenech má 0,5 % porostů. Výsledky ukazují, ţe významná část průměrné hektarové zásoby na území České republiky je znehodnocena určitým stupněm hniloby. Celkem je hnilobou poškozena přibliţně jedna čtvrtina všech stromů, jejichţ zásoba je 85 m3 na ha. Z hlediska poškození je nejvíce postiţenou dřevinou smrk ztepilý (Picea abies). Přibliţně 21 % průměrné hektarové zásoby všech dřevin tvoří smrk se znaky hniloby. Další dřeviny vykazují podstatně niţší podíl hnilob – v sestupném pořadí: BK, ostatní listnáče, BO, ostatní jehličnany a duby vykazující pouze 0,5 % (UHUL, 2004). V minulosti byly údaje o hnilobách získávány hlavně z manipulačních skladů nebo dřevozpracujících kombinátů. V současné době probíhá šetření hnilob na pasekách. Cílem

je

zjistit

procento

napadení

oddenkových

částí

mýcených

porostů

v ekosystémovém pojetí. Jde hlavně o vztah k věku, dřevině, lesnímu typu, expozici, nadmořské výšce a dalším parametrům. Hodnocení probíhá na čerstvých pařezech a to 66

pouze na řezné ploše pařezu. Hodnotí se, zda je hniloba měkká, tvrdá, primární nebo sekundární a také rozsah napadení. Výsledky by měly být podkladem pro hospodářskou úpravu lesa – z hlediska bezpečnosti produkce, pro rámcové směrnice hospodaření atd. Více informací lze nalézt například ve článku V. Zlatníka (2006). Mezi antropogenní činitele patří také prostorová úprava lesa. Touto problematikou se zabýval ve 40. letech minulého století G. Vincent, který jiţ tehdy hodnotil obranné zásahy jako nedostatečné a připomínal význam původních porostů. Vnitřní a vnější prostorová úprava porostů (struktura horizontální) je vedle struktury vertikální důleţitým kritériem přírodě blízkého obhospodařování lesů. Způsob, jakým bude prostorová úprava porostů provedena, má následně i velký význam pro stabilitu a náchylnost porostů vůči škodlivým faktorům. Lesní porosty mají v České republice jiţ od počátku 20. století především strukturu rozsáhlých, stejnověkých a stejnorodých jehličnatých monokultur, které mají tendenci ke kalamitám. Podle Mikeska a Vacka (2007) dílčí opatření ke zpevňování lesa pomocí nástrojů prostorové úpravy (řazení sečí, odluky, rozluky, zpevnění výchovou) mohou přinést pouze dílčí zlepšení a ne zásadní obrat, jelikoţ řeší jen otázku statické, ale nikoliv ekologické stability. Přesto platí, ţe vhodné prostorové úpravy porostů, ať uţ při zakládání nově vzniklých porostů na lesních nebo nelesních půdách či pasekách, pozitivně ovlivňují stabilitu porostu. Samozřejmě se nesmí opomínat prostorová úprava u porostů zralých. Podle I. Viceny (2006) je pro odolnost porostů vhodná rozvolněná struktura s volným stupňovitým zápojem a dlouhou pozvolnou obnovou. V některých případech prostorové úpravy lesa dochází k uvolňování většího počtu skupin, přirozených nebo uměle zaloţených kotlíků, coţ vede k postupnému prořeďování porostů a zvětšování návětrných stran. Ve velkých porostech následné uvolňování takovýchto skupin poté dostane tvar mezer, které jsou po překročení určité mezní plochy vstupní branou pro nápory větru a usazování námrazy, coţ bylo prokázáno při šetřeních námrazy na Českomoravské vrchovině i po vichřicích na Šumavě. Důleţitost prostorové struktury zmiňuje například I. Míchal (1992) a volbou vhodných nástrojů prostorové úpravy lesa při těţbě dřeva se zabývá také publikace „Recent Accomplishment in Applied Forest Economics Research“ od autorů F. Hellese, N. Strange a L. Wichmana (2003). Vlivem prostorové úpravy porostů na vznik polomů se zabýval Vicena také poměrně podrobně ve své publikaci Ochrana lesa proti polomům z roku 1964. Za 67

hlavní pilíře prostorové úpravy lesa povaţuje ochranný porostní plášť, průseky a odluky. Zmíněn je také význam vnitřního rozčleňování porostů, rozluky, závory, rozčleňování porostů při obnově a prostorová úprava rozvrácených porostů. Význam ochranného pláště je všeobecně uznáván nejen v České republice, ale i v zahraničí. Ne vţdy je jasné, jak by měl vypadat, přestoţe návod lze nalézt u více autorů. R. J. Staher a další (1994) doporučují odstranit z okraje porostu, který je vystaven převládajícím a bořivým větrům dominantní, nezdravé, deformované stromy, dále stromy s asymetrickými kořeny a především ty, které mají velké koruny. Zbylé stromy by měly být zachovány v následném pořadí: 1. Zdravé stromy s dobrým kořenovým systémem a opadavé stromy. 2. Zdravé stromy s dobrým kořenovým systémem s relativně menší korunou. 3. Suché stromy (pokud není ohroţena bezpečnost). Důleţité je, aby probírka nepřesáhla 15 - 20 % stromů v pásu 20 aţ 30 metrů od okraje porostu.

Solitérní strom Stromy rostlé ve volnějším zápoji Stromy rostlé v těsném zápoji

7–9m 5,5 – 6 m 4–5m

Obr. 24: Správný tvar porostního ochranného pláště podle I. Viceny (1964). Dalším antropogenním zásahem zvyšujícím stabilitu porostu vůči polomům je prořezávání koruny. Tento zásah se doporučuje hlavně u stromů, kterým hrozí vysoké riziko polomu. Vzhledem k tomu, ţe objem a velikost koruny má vliv na stabilitu stromu, má tento zásah své opodstatnění, přestoţe jde o finančně nákladné opatření. Podle Ministerstva lesnictví v Kanadě (Ministry of Forests, 2002) a Windthrow Handbook for BCF (1994) se doporučuje odstranit 20 aţ 30 % koruny porostu. Tím dojde ke sníţení výskytu rizika polomu aţ o 50 %. V současné době existuje více způsobů prořezávání koruny stromů. Prvním je prořezávání pomocí tzv. „heli-saw―, speciální pily, která je upevněna na vrtulníku. Produktivita se u této metody pohybuje v rozmezí od 12 do 44 stromů za hodinu, náklady jsou přibliţně 19–68 US $ za strom. Mezi další metody patří tzv. „topping― neboli zařezávání vrcholových částí koruny.

68

Produktivita se u manuálního „toppingu― pohybuje od 1,3 do 1,9 stromu za hodinu a náklady jsou od 46–54 US $ za strom. Vzhledem k poměrně vysokým nákladům na prořezávání korun je vhodné o této metodě uvaţovat především u stromů, které přímo ohroţují bezpečnost obyvatelstva, budov, nebo by jejich pád mohl způsobit finanční škody. 1. Metoda „toppingu“ – odstranění vrcholové části porostu i s kmenem 2. Metoda prořezávání – odstranění pouze větví vrcholové části bez kmene 3. Metoda spirálového prořezávání 4. Metoda „mailing“ – odstranění větví v návětrné dolní části koruny Obr. 25: Metody prořezávání porostů. Zdroj: Ministry of Forests Canada (2002). Posledním faktorem ovlivňujícím stabilitu a odolnost porostů proti silným větrům je porostní skladba. Té se velmi často přisuzuje velký význam a bývá povaţována za hlavní příčinu polomů (po větru). Velkou pozornost ji věnují i média. Mezi nimi a veřejností panuje mylná představa, ţe hlavní příčinou všech polomů je porostní skladba a především rozsáhlé smrkové monokultury, které se nacházejí na velké části území České republiky. Přesto podle různých statistických šetření a studií bylo zjištěno, ţe na výskyt rizika polomu má vliv velký počet dalších faktorů a porostní skladba je pouze jedním z nich. Důleţité je přistupovat ke všem faktorům komplexně a zvaţovat zodpovědně lokální podmínky stanoviště. Diskutovaným tématem je také otázka zpevňujících dřevin, jeţ jsou schopny zvyšovat odolnost porostu vůči větru i dalším destabilizačním faktorům, a tím předcházet kalamitnímu rozpadu (např. hlubokokořenné dřeviny dub, jasan, klen, buk, jedle, modřín). Jednou ze zpevňujících dřevin je jedle, o jejíţ stabilizačních účincích se například negativně vyjadřuje I. Vicena, zatímco M. Košulič (2006) její příznivé účinky na stabilitu porostů chválí. Další stabilizační dřeviny, které stojí za zmínku, jsou modřín a buk. Modřín vytváří směsi především se smrkem, bukem, částečně s jedlí, někdy i s borovicí a jeho 69

zastoupení je proměnlivé. Většinou se uplatňuje jako přimíšená nebo vtroušená dřevina, která plní stabilizační funkci (Šindelář et al., 2006). Buk bývá často povaţován za jednu z nejlepších stabilizačních dřevin pro současné smrčiny, při jeho pěstování je však nutné dodrţet tři základní pravidla: 1) měl by růst v malých skupinách, 2) od počátku by měl růst v příměsi s jedlí, 3) měl by být pěstován tak, aby při poměrně vysoké účasti, poţadované pro jeho stabilizační uplatnění, poskytl v budoucnosti i jakostní dřevo.

70

7. Metody a postup zpracování Metody a postupy pouţité při zpracování disertační práce zahrnovaly sběr informací a dat, stanovení a konstrukci datové sady závislých a nezávislých (vysvětlujících) proměnných, vytvoření jednotek výběrového souboru a konstrukci segmentační databáze, dále byly v práci pouţity metody statistické analýzy, empirického a mechanického modelování, metody GIS a tematické kartografie. Metody sběru informací a dat – Před zpracováním celé práce byla prostudována domácí i zahraniční literatura a internetové zdroje zabývající se hodnocením krajiny, přírodními riziky, mechanismem polomů, přístupy k řešení hodnocení rizika polomů a empirickými a mechanickými modely dostupnými na trhu. Důleţitou částí bylo získání prostorových a atributových dat zájmového území, které následně vstupovaly do analýz a do samotného hodnocení území z hlediska výskytu polomů. Hlavním zdrojem vstupních dat byly oblastní plány rozvoje lesa, lesní hospodářské plány a data získaná ve spolupráci s Ústavem fyziky atmosféry AV ČR v Praze reprezentující povětrnostní podmínky zkoumaného území. Oblastní plány rozvoje lesa reprezentovaly v modelu faktory stanovišť. Z dat OPRL, především z typologické mapy, byly odvozeny informace týkající se vlhkostních a půdních poměrů v zájmovém území. Lesní hospodářské plány představovaly v modelu data reprezentující faktory lesních porostů. Z nich byly získány důleţité údaje o vlastnostech porostů, především informace o věku porostu, výšce, tloušťce a zastoupení dřevin v rámci porostních skupin. Poslední faktor rychlosti větru reprezentující povětrnostní podmínky stanoviště byl vyjádřen pomocí vrstvy průměrné rychlosti větru, která byla vypočítána hybridním modelem VAS/WAsP. Většina dat vstupujících do hodnocení byla získána v rámci projektu STRiM, který byl zpracován na Ústavu geoinformačních technologií Lesnické a dřevařské fakulty Mendelovy univerzity v Brně. Zdrojem vstupních dat byla především Správa Národního parku a chráněné krajinné oblasti Šumava a Ústav fyziky atmosféry AV ČR v Praze. Metody konstrukce digitální databáze – Hodnocení rizika pomocí empirického a mechanického přístupu předcházela konstrukce digitální databáze, na základě které byl proveden výpočet parametrů logistické regrese. Databáze byla v upravené podobě také exportována do modelu ForestGALES.

71

Metody GIS – Mezi základní metody GIS, které byly pouţity při zpracování této práce, patřily: tvorba digitální databáze, zpracování a editace dat a prostorové analýzy. Dále byly provedeny základní povrchové analýzy nad digitálním modelem reliéfu. Metody GIS byly také vyuţity při samotném hodnocení území z hlediska výskytu polomových kalamit na vymezeném území. Tvorba, zpracování a analýzy prostorových dat byly provedeny v software ArcView 3.1 a ESRI ArcInfo 9.2, pro prostorové dotazování nad rastrovými daty byla pouţita nadstavba Spatial Analyst, pro vizualizaci a prezentaci výsledků a některých povrchových analýz byla vyuţita nadstavba 3D Analyst. Metody statistické analýzy – Metody statistické analýzy byly pouţity k hodnocení rizika výskytu polomů na základě empirického přístupu. K hodnocení lesních porostů byla pouţita statistická metoda logistické regrese. Pro výpočet parametrů logistické regrese byl vyuţit statistický software SAS 9.1 a odhad parametrů byl docílen pomocí metody maximální věrohodnosti. Testování statistické významnosti jednotlivých parametrů bylo provedeno pomocí Waldova testu vyuţívajícího poměr maximálně věrohodného odhadu a odhadu směrodatné odchylky. Parametry logistické regrese byly poté exportovány do GIS, kde byly následně vytvořeny mapy pravděpodobnosti výskytu polomů. Metody mechanického modelování – Mechanický přístup byl v disertační práci reprezentován modelem ForestGALES, který byl v rámci disertační práce adaptován pro podmínky v České republice. Pro hodnocení rizika byl pouţit mnohonásobný mód a výsledné hodnoty reprezentující stupeň rizika ohroţení vůči zlomení a vyvrácení stromu byly exportovány z modelu do GIS, kde byly vizualizovány a analyzovány. Metody tematické kartografie – Hlavní vyuţití spočívalo ve vizualizaci průběţných a konečných výsledků (tematické mapy).

72

8. Vymezení modelového území Jako zájmová plocha bylo vybráno území v Národním parku Šumava. Zájmové území se nachází v severozápadní části parku a sousedí s německým Národním parkem Bavorský les a s Chráněnou krajinnou oblastí Šumava. Zájmové území je velmi řídce obydlené, nachází se zde pouze jedna vesnice. Prášily jsou malou obcí, která leţí 9 km jihozápadně od obce Hartmanice a 11 km od Ţelezné Rudy. V blízkosti se nachází Prášilské jezero a jezero Laka, která také náleţí do zájmového území. Modelové území bylo vybráno především z důvodu vysokého výskytu polomů, jejichţ rozsah se opakovaně zvyšuje a způsobuje značné škody. Administrativně náleţí území do Plzeňského kraje a do Euroregionu Šumava.

Obr. 26: Vymezení zájmového území.

73

8.1 Fyzicko-geografické poměry Jelikoţ se zájmová plocha nachází na území Národního parku Šumava, je její poměrně velká část zalesněna smrkovými monokulturami. Nevýhody smrkových monokultur jsou odborné veřejnosti dostatečně známé. Tyto porosty jsou náchylné k větrným kalamitám a k napadení kůrovcem. Dalším problémem je, ţe nedokáţí účinně ochránit půdu před erozí a sniţují biodiverzitu v našich lesích. Území je odvodňováno několika menšími potoky. Východní část je odvodňována potokem Jezerním a Prášilským, který se vlévá do Křemelné, jejímţ soutokem s Vydrou vzniká řeka Otava. Západní část je odvodňována potokem Drozdím, Černým, Sklářským a dalšími bezejmennými potoky. Zájmové území bylo často v minulosti postihováno a stále je větrnými polomy, které způsobují škody nejen v nejvíce chráněné první zóně, ale i v celé zbývající části národního parku. O výskytu polomů na daném území svědčí pomístní názvy jako například vrchol Polom (1295,1 m n. m.) nebo Polomská cesta procházející studovaným územím. Na výskyt polomů má vliv velké mnoţství faktorů, především směr a síla větru, ale také geologické, hydrologické, geomorfologické poměry na daném území.

Obr. 27: Nadmořská výška v zájmovém území Prášilska.

74

Obr. 28: Území na Šumavě pod kótou Poledník zasaţené orkánem Kyrill. 8.2 Geologické poměry Geologické poměry zájmového území určuje soustava Českého masivu. Jednou z nejvýznamnějších jednotek této soustavy je moldanubická oblast, jeţ zabírá jiţní část Českého masivu. Jde o jednotku tvořenou převáţně silně metamorfovanými krystalinickými komplexy proniknutými tělesy variských granitoidních hornin. Styk s okolními jednotkami je převáţně tektonický. Moldanubická oblast je geologicky jednotný celek, jehoţ dělení na jednotky niţšího řádu má konvenční charakter. Z těchto niţších jednotek zasahují do zájmového území následující: moldanubikum Šumavy a jiţních Čech a moldanubický pluton, který se dále dělí na dva masivy (masiv Vydry a Prášilský masiv). Do vymezeného území částečně zasahuje Prášilský masiv. Převládajícím petrografickým typem v Prášilském masivu je středně zrnitá aţ hrubozrnná porfyrická biotitická ţula a biotitický granodiorit. Převládajícími typy v moldanubiku Šumavy a jiţních Čech, které zasahuje do zájmového území, jsou cordierit-biotitický migmatit nebulitového typu, dále cordierit-biotitická silně migmatitizovaná pararula a chlorit-muskovitická svorová rula (Vejnar, 1991; Pelc, 1994).

75

8.3 Geomorfologické poměry Podle J. Demka (1965) náleţí zájmové území do geomorfologické provincie Česká vysočina. Ta je v území zastoupena Šumavskou soustavou, oblastí Šumavská hornatina a celkem Šumava. Nachází se zde dva podcelky, a to Ţeleznorudská hornatina, která je v území zastoupena okrskem Debrnická hornatina, a podcelek Šumavské pláně, který je v zájmovém území tvořen okrsky Kvildské pláně a Kochánovské pláně. Šumavské pláně jsou geomorfologickým podcelkem Šumavy a rozprostírají se na ploše 670 km2. Svou plochou patří k nejrozsáhlejším podcelkům Šumavy. Na západě sousedí s Ţeleznorudskou hornatinou, na severu se Svatoborskou a Vimperskou vrchovinou,

na

východě

s

Boubínskou

hornatinou,

Vltavickou

brázdou

a

Trojmezenskou hornatinou. Střední nadmořská výška je 980 m n. m. Nachází se zde také velké mnoţství „tisícimetrových― vrcholů - 83. Šumavské pláně mají charakter ploché hornatiny. Zarovnaný povrch se zde zachoval díky tomu, ţe sem dosud nepronikla zpětná eroze vodních toků od okrajů pohoří. Údolí jsou proto většinou mělká a otevřená, často vyplněná rašeliništi. Více rozčleněn je pouze severní okraj plání – především Svojšská hornatina. Ţeleznorudská hornatina je geomorfologický podcelek Šumavy a rozprostírá se na ploše 200 km2. Střední nadmořská výška je 893 m n. m. Mezi nejvyšší vrcholy podcelku patří Jezerní hora (1343 m n. m.) a Debrník (1337 m n. m.). Ţeleznorudská hornatina má ze všech podcelků Šumavy nejstrmější svahy a střední sklon svahů dosahuje aţ 12˚. Na západě sousedí s Jezvineckou vrchovinou, na severu s Klatovskou kotlinou, Stráţovskou a Svatoborskou vrchovinou, na východě s Šumavskými pláněmi. Hornatina je na šumavské poměry značně členitá, rozdělená širokým podélným údolím Úhlavy na dva zhruba rovnoběţné hřbety, které se na jihovýchodě spojují. Je vrásno-zlomového původu, ve vrcholových partiích jsou menší zbytky zarovnaného povrchu a četné skalní útvary glaciální a periglaciální modelace.

76

8.4 Klimatické poměry Z klimatického hlediska zájmové území náleţí do oblasti chladné. Podle klimatického členění ČSR (Quitt, 1971) jde o oblasti CH4, CH6, CH7, jímţ odpovídají následující charakteristiky. Oblast CH4 je charakteristická velmi krátkým létem, které je chladné a vlhké. Přechodné období je dlouhé s chladným jarem a mírně chladným podzimem, zima je velmi dlouhá, chladná, vlhká s dlouhým trváním sněhové pokrývky. Oblast CH6 je charakterizována velmi krátkým létem, které je mírně chladné, vlhké aţ velmi vlhké, přechodné období je dlouhé s chladným jarem a mírně chladným podzimem, zima je velmi dlouhá, mírně chladná, vlhká s dlouhým trváním sněhové pokrývky. Oblast CH7 je charakteristická velmi krátkým létem, které je mírně chladné a vlhké, přechodné období je dlouhé, mírně chladné je jaro a také podzim, zima je dlouhá, mírná, mírně vlhká s dlouho trvající sněhovou pokrývkou. Tab. 7: Základní charakteristiky klimatických oblastí. Zdroj: Quitt (1971). Kat. Letních d. t leden [°C] t červen [°C] Sráţky veg. [mm] CH4 CH6 CH7

0 - 20 10 - 30 10 - 30

-6 - -7 -4 - -5 -3 - -4

12 -14 14 -15 15 – 16

600 - 700 600 - 700 500 - 600

Sráţky zima [mm] Sněhových d. 400 - 500 400 - 500 350 - 400

140 – 160 120 – 140 100 – 120

Vysvětlivky: kat. - kategorie, letních d. – počet letních dnů, t leden [ºC] – průměrné teploty v lednu, t červen [ºC] – průměrné teploty v červnu, sráţky veg. [mm] – průměrná hodnota sráţek ve vegetačním období, sráţky zima [mm] – průměrná hodnota sráţek v zimním období, sněhových dnů – průměrný počet dnů se sněhovou pokrývkou.

8.5 Hydrologické charakteristiky Podle dat z Českého hydrometeorologického ústavu – Úseku hydrologie oddělení povrchových vod - do zájmového území zasahuje 12 povodí s toky I. řádu a 4 povodí s toky IV. řádu. Mezi povodí, která se z velké části nachází na studovaném území, patří povodí Drozdího potoka (číslo hydrologického pořadí 1-08-01-0210, plocha povodí je 13,04 km2), povodí Jezerního potoka (Jezerní potok protéká jezerem Laka, číslo hydrologického pořadí 1-08-01-0240, plocha povodí je 10,41 km2), povodí Řezné (číslo hydrologického pořadí 4-02-01-0010, plocha povodí je 14,95 km2), povodí Prášilského potoka (číslo hydrologického pořadí 1-08-08-0280, plocha povodí je 44,48 km2), povodí Jezerního potoka (Jezerní potok protéká Prášilským jezerem, číslo hydrologického potoka 1-08-01-0290, plocha povodí je 10,68 km2), povodí Mlýnského potoka (číslo hydrologického potoka 1-08-01-0340, plocha povodí je 6,09 km2). 77

Na vymezeném území se nacházejí dvě ledovcová jezera: Laka a Prášilské. Jezero Laka leţí v západní části zájmového území na SV svahu vrcholu Debrník. Je nejmenším ze šumavských ledovcových jezer a zaujímá plochu pouze 2,78 ha. Jde o nejvýše poloţené šumavské jezero v nadmořské výšce 1090 m. Maximální hloubka vody v jezeře je 3,9 m. Zvláštností je velmi mírná karová stěna a plovoucí ostrůvky rostlinného původu. V okolí jezera se nacházejí přirozené lesní porosty. V 19. století byla hladina jezera zvýšena umělou hrází. Prášilské jezero leţí ve východní části vymezeného území na SV svahu Poledníku (geomorfologický podcelek Šumavské pláně). Zaujímá plochu 3,7 ha. Maximální hloubka v jezeře je 14,9 m. Nadmořská výška 1079 m, ve které se jezero nachází, je o něco málo niţší neţ výška jezera Laka. Lesní porosty v okolí jezera patří k nejvíce ovlivněným lidskou činností v západní části národního parku. 8.6 Půdní poměry Půdní pokryv tvoří půdy vázané na rozmanité zvětraliny silikátových krystalických hornin od primitivních litozemí přes rankery a kambizemě po kryptopodzoly a podzoly ve vyšších chladnějších a vlhčích polohách. Hojně jsou rozšířeny organozemě a organozemní gleje na údolních dnech (Kolejka et al., 2008). Mezi nejčastěji se vyskytující půdní typ patří kryptopodzol typický s 2876 ha, který zaujímá 40 % plochy území. Druhým nejvíce se vyskytujícím se půdním typem je kambizem oligotrofní zaujímající 1286 ha. V zájmovém území se nachází 39 skupin potenciálních lesních typů. Nejvíce je zastoupena kyselá buková smrčina zaujímající plochu 2241 ha, druhou nejvíce zastoupenou skupinou je kyselá smrková bučina o ploše 1357 ha. Nejvíce zastoupenou řadou je řada kyselá s 4960 ha, která zaujímá 69,3 % z celkové plochy zájmového území. Druhou nejvíce zastoupenou řadou je řada obohacená o vodu s 916 ha zaujímající 12 % z celkové plochy vymezeného území. Nejméně zastoupenou je řada obohacená o humus s plochou pouze 0,95 ha. Na území převaţuje především normální vlhkost půdy. Plochy s normální vlhkostí zaujímají přes 4659 ha. Nejmenší plochu zastupují plochy svěţí, pouze 195 ha. V zájmovém území převaţují půdy hluboké a středně hluboké. Dohromady tyto dvě skupiny půd zaujímají 6376 ha, coţ je přes 89 % celkového území.

78

8.7 Charakteristika současných lesních porostů Dnešní lesy vyskytující se v zájmovém území a v celé oblasti Šumavy jsou dalece vzdáleny původním lesům ve střední Evropě. Původně na celé ploše převaţovaly smíšené lesy se skupinovým zastoupením buku, smrku, jedle a klenu. Smrk se vyskytoval dříve pouze na nejvyšších vrcholech a hřbetech s nadmořskými výškami nad 1200 m n. m., případně v mrazových polohách šumavských plání. Lesy s pestrou věkovou a prostorovou skladbou byly během středověké sklářské a následně dřevařské kolonizace Šumavy zcela vydrancovány neregulovanou těţbou a nahrazeny jehličnatými. Tyto snahy vycházely z holosečných způsobů hospodaření s následnou umělou obnovou cestou výsadby jehličnanů. Důsledkem těchto obnovních způsobů vznikly dnešní rozsáhlé, často prakticky stejnověké jehličnaté monokultury, svým charakterem blízké lesům severským. Tyto přírodě naprosto vzdálené výchovné trendy, se i přes některé pozitivní snahy uplatňovaly prakticky do nedávné doby. Velký vliv na změnu vyuţívání lesních porostů na vymezeném území měly události spojené s druhou světovou válkou. Odsun původně převaţujícího německého obyvatelstva a navazující hraniční reţim v příhraničních oblastech zmírnil lidskou činnost na Šumavě, avšak vzhledem k druhové skladbě lesních porostů se začaly vyskytovat další problémy (kůrovec, polomy).

79

9. Podkladová data Podkladová data tvoří nezbytnou součást práce, na jejich základě byly prováděny analýzy a hodnocení území. Mezi podkladová data, jeţ byla v disertační práci pouţita, patřila data prostorová, atributová a data získaná pomocí nástrojů dálkového průzkumu Země. Prostorová data popisují ve zvoleném souřadnicovém systému prostorové umístění a vzájemný vztah entit a jejich částí, zatímco data atributová jsou popisné údaje vztaţené ke geografickým objektům, např. názvy, vlastnické vztahy, časové údaje aj. (Voţenílek, 1998). Všechny vrstvy, informace a údaje, které byly v disertační práci pouţity, byly podle charakteru dat rozděleny pro větší přehlednost do třech skupin. Do první skupiny byla zařazena data, která mají fyzicko-geografický charakter, do druhé skupiny lesnická data a do poslední skupiny byly zařazeny všechny ostatní vrstvy, údaje a informace smíšeného charakteru, které vstupovaly do procesu hodnocení nebo byly pouţity jako data podkladová (např. vrstvy vymezující zájmové území NP a CHKO Šumava, vrstva polomů atd.).

a) data fyzicko-geografického charakteru Tato data byla pouţita pro určení fyzicko-geografických charakteristik zájmového území, některé vrstvy vstupovaly do analýz spojených s hodnocením rizika výskytu polomů. Mezi prostorové polygonové údaje v první skupině patří vrstva geologických poměrů (digitalizována na základě analogové geologické mapy 1:50 000), vrstva pedologických poměrů (digitalizována na základě analogové půdní mapy 1:50 000), vrstva podrobného členění povodí vodních toků ČR, dále rastrová mapa klimatických oblastí Československa podle E. Quitta a rastrová mapa bioregionů ČR. Významnou charakteristikou daného území jsou údaje o větrných podmínkách v zájmovém území. Tuto informaci reprezentuje rastrová vrstva průměrné rychlosti větru. Liniová vrstva vrstevnic (s ekvidistantou 5 metrů) slouţila jako vstupní údaj pro tvorbu digitálního modelu reliéfu a pro výpočet dalších morfometrických charakteristik. Vrstevnice byly pomocí metody triangulace převedeny na TIN (triangulated irregular network), z kterého byl poté interpolací získán GRID (velikost pixelu 5 metrů). Na základě GRIDu byly odvozeny vrstvy orientace, sklonu, křivosti a topografické expozice (vyuţit skript toposcale.aml).

80

b) lesnická data Hlavním zdrojem lesnických dat byla Správa Národního parku a chráněné krajinné oblasti Šumava. Mezi základní datové vrstvy spadající do této skupiny patřila polygonová vrstva soubor lesních typů, na jejímţ základě byly odvozeny vrstvy vegetačních stupňů a edafických kategorií, mezi další vrstvy patřily vrstvy hloubka a vlhkost půdy. Dalším významným zdrojem dat byla porostní a obrysová mapa zájmového území v měřítku 1:10 000. Na základě těchto vrstev byly získány informace o druhovém sloţení porostů, věkových třídách, zakmenění porostů, střední výčetní tloušťce a výšce porostů atd. Tyto informace byly cennými zdroji dat o lesních porostech na vymezeném území. Většina těchto dat byla následně zpracována pomocí statistických metod a výsledky jsou přehledně prezentovány ve formě tabulek, grafů a mapových výstupů.

c) ostatní data Do poslední kategorie náleţela všechna ostatní data, která byla pouţita k hodnocení rizika výskytu polomů nebo byla vyuţita pro další účely spojené s cíli disertační práce. Do této skupiny byly zařazeny vrstvy vymezující zájmové území, hranice Národního parku a chráněné krajinné oblasti Šumava, vrstva zón odstupňované ochrany, dále polygonová vrstva polomů (polomy, které vznikly v důsledku kalamity Kyrill z roku 2007), vrstva podmáčených lokalit a další. V práci byly také vyuţity informace z dostupných webových mapových serverů (mapový server ÚHÚL, mapový server CENIE - Česká informační agentura ţivotního prostředí a další), které poskytují prostorová data prostřednictvím internetu. Většina dat pouţitých k hodnocení byla získána v rámci projektu STRiM, který byl zpracováván na Ústavu geoinformačních technologií Lesnické a dřevařské fakulty Mendelovy univerzity v Brně. Zdrojem dat byla především Správa Národního parku a chráněné krajinné oblasti Šumava, dále jiţ zmíněný Ústav fyziky atmosféry AV ČR v Praze. Kapitola podkladová data slouţí jako stručný přehled o datech pouţitých v disertační práci. Podrobný popis dat, jejich editace a pouţití je k dispozici v jednotlivých kapitolách práce.

81

10. Základní statistické hodnocení V předchozí kapitole byly detailně popsány faktory, které mají vliv na stabilitu a odolnost porostu vůči větrným kalamitám. V následujícím kroku byl podrobně prozkoumán vliv jednotlivých faktorů, které ovlivnily výskyt a výši polomů způsobených orkánem Kyrill v roce 2007. Jak jiţ bylo zmíněno, kaţdé území je do jisté míry specifické a vliv jednotlivých faktorů na stabilitu porostu se můţe v závislosti na rozdílných vlastnostech prostředí měnit. První hodnocení bylo provedeno pomocí jednoduchých statistických vyhodnocení polomů a byly provedeny základní analýzy. Cílem základního statistického zhodnocení bylo zjistit, které faktory měly vliv na rozsáhlé škody a do jaké míry. Pro kaţdou datovou vrstvu reprezentující určitý faktor bylo zjištěno celkové zastoupení jednotlivých kategorií v zájmovém území a následně zastoupení v místech polomů vzniklých orkánem Kyrill. Dále bylo také vypočítáno poměrné zastoupení kategorií v místech polomů vztaţené vzhledem k zastoupení kategorie v celém území.

10.1 Statistické vyhodnocení terénu a morfometrických charakteristik V první fázi statistického hodnocení byl zkoumán vliv terénu a z něj odvozených morfometrických charakteristik. Pro tvorbu DMR byla pouţita interpolační metoda Topo to Raster – Topogrid, která je součástí Spatial Analystu softwaru ArcInfo 9.2. Jde o metodu vyvinutou speciálně pro modelování hydrologicky korektního DMR. Jako vstupní data se nepouţívají pouze vrstevnice, ale i výškové body, toky, vodní plochy, sinky (malé bezodtokové oblasti) a hranice povodí. Podle typu interpolace jde o diskrétní spline metodu s modifikací kritériem „roughness penalty―. Metoda vyuţívá znalosti chování povrchů k omezení interpolačních procesů. Výsledkem je správná interpretace hřebenů a toků. Jde o hladký povrch vytvořený splinovou funkcí, do kterého jsou dále implementovány náhlé změny terénu – hřebeny a vodní toky. Spojením rozdílných interpolačních metod získává tato metoda přesnost lokální interpolace (IDW) a přitom neztrácí souvislosti dané globálními metodami (kriging, spline). Podmínka odvodnění umoţňuje generovat DMR o vysoké přesnosti bez nutnosti velkého mnoţství vstupních dat. Při zadání vstupních údajů jsou pro výpočet vyţadovány další kontrolní parametry, např.: výsledné rozlišení, prostorový rozsah interpolace, počet pixelů vstupujících do interpolace za hranicí povodí („margin in cells―), minimální a maximální výška výsledného DMR, maximální počet iterací apod.

82

K metodě Topo to Grid bylo přistoupeno především z důvodu, ţe vytváří nejvěrohodnější digitální model reliéfu na základě digitálních vrstevnicových dat ze Základní báze geografických dat (ZABAGED), coţ potvrdil ve své studii Optimalizace digitálního modelu terénu pro aplikace v lesnictví i Martin Klimánek z Ústavu geoinformačních technologií Mendelovy univerzity v Brně. Kvalita vytvořených experimentálních DMT byla ve studii vyjádřena kvantifikací střední kvadratické chyby (RMSE – root mean square error), která je nejčastěji pouţívanou metodou pro kvantifikaci systematických a náhodných chyb a určuje rozptyl rozdělení četnosti odchylek mezi původními výškovými daty a daty DMR (tab. 8). Matematicky je střední kvadratická chyba vyjádřena jako:

kde Zi je i-tá hodnota nadmořské výšky z interpolovaného DMR, Zj je korespondující nadmořská výška referenčního povrchu, n je počet kontrolovaných bodů. Tab. 8: RMSE hodnoty interpolovaných povrchů různými metodami v ArcEditor 9.0 Zdroj: Klimánek (2006).

Interpolace byla spuštěna příkazem Spatial Analyst Tools/Interpolation/Topo to Raster z okna ArcToolbox. Jako vstupní vrstvy byla pouţita data poskytnutá Správou NP a CHKO Šumava - digitální vrstva vrstevnic (ZABAGED) a vrstva vrcholových kót, dále do interpolačního procesu vstupovala vrstva vymezující zájmové území a říční sítě. Rozlišení bylo nastaveno na 5 m a byl také mírně rozšířen počet iterací a počet pixelů vstupujících do interpolace za hranicí vymezeného území. Ostatní poloţky byly ponechány defaultnímu nastavení (Drainage enforcement – ENFORCE; Primary type of input data – CONTOUR; Roughness penalty – 0,5; Discretisation error factor – 1; Vertical standard error – 0; Tolerance 1 – 2,5; Tolerance 2 – 100). V dalším kroku byly hodnoty GRIDu nadmořských výšek získaných metodou Topo to Raster převedeny na celá čísla příkazem Spatial Analyst Tools/Math/Int. 83

Obr. 29: Digitální model reliéfu na území Prášilska. Statistickým rozborem bylo zjištěno, ţe nejmenší nadmořská výška v území je 719 m n. m., nejvyšší výška dosahuje 1336 m n. m. a průměrná hodnota nadmořské výšky je 1047 m n. m. Více neţ 85 % poškozených ploch orkánem Kyrill se nacházelo v nadmořské výšce vyšší neţ 1000 m n. m. V kategorii 1001-1100 m n. m. se nacházelo 21,3 % polomů, v kategorii 1101-1100 m n. m. 26,8 % a v poslední kategorii 1201 1336 38,6 % plochy polomů. Zbylé kategorie 722-800 m n. m, 801-900 m n. m. a 9011000 m n. m. zaujímaly méně neţ 15 % celkové plochy zájmového území (kategorie 719-800 m n. m - 0,1 % polomů, kategorie 801-900 m n. m. – 0,9 %, kategorie 9011000 m n. m. – 12,1 % polomů (viz obr. 30). Vyhodnocením dat digitálního modelu reliéfu se potvrdil předpoklad, ţe s rostoucí nadmořskou výškou roste i výše škod.

84

Obr. 30: Statistické vyhodnocení kategorií nadmořské výšky. Výsledný rastrový digitální model slouţil jako výchozí podklad pro odvození vrstev sklonu, orientace svahů a zakřivení reliéfu. Samotné odvození jednotlivých morfometrických datových vrstev bylo provedeno pomocí extenze Spatial Analyst v ESRI ArcInfo 9.2 příkazy Spatial Analyst/Surface Analyst/Slope a Spatial Analyst/Surface Analyst/Aspect. Pro výpočet vrstvy horizontálního zakřivení reliéfu byl pouţit nástroj z ArcToolboxu/Spatial Analyst Tools Curvature. Statistickým vyhodnocením vrstvy sklonu svahů bylo zjištěno, ţe většina kategorií sklonu v místech polomů měla přibliţně stejné zastoupení polomových ploch. Výjimku tvořily kategorie 6,1-9° a 9,1-12°, které zaujímaly přes 40 % poškozených ploch. Poměrně rovnoměrné zastoupení kategorií relativního zastoupení ploch polomů vůči relativnímu zastoupení ploch zájmového území v jednotlivých kategoriích sklonu (polomy/území) indikovalo nepříliš významný vliv sklonu na výši škod způsobených orkánem.

Obr. 31: Statistické vyhodnocení kategorií sklonu svahů.

85

Obr. 32: Zastoupení kategorií sklonu (ve stupních) na území Prášilska. V dalším kroku byl proveden statistický rozbor vrstev orientace a křivosti povrchu. Jak se dalo očekávat, mezi jedny z nejvíce zasaţených patřily svahy orientované k severozápadu, odkud vál během bouře také nejsilnější vítr, který místy dosahoval rychlosti aţ 40 m/s. Silně byly také zasaţeny svahy se západní a severní orientací. Kategorie expozice s jihozápadní orientací v místech polomů zaujímala přibliţně 15 % z celkové plochy polomů, stejná kategorie však vůči relativnímu zastoupení plochy zájmového území zaujímala téměř 20 %, tedy nejvíce ze všech kategorií.

Obr. 33: Statistické vyhodnocení kategorií expozice. 86

Jako poslední byly statisticky vyhodnoceny hodnoty z vrstvy vertikální křivosti povrchu. Jejich pomocí bylo moţné charakterizovat jednotlivé morfometrické formy georeliéfu a určit, jaký vliv měly na intenzitu poškození. Kladná hodnota křivosti určovala povrch, který je konvexní (vyklenutý směrem ven, vypouklý), zatímco záporná křivost byla znakem konkávního povrchu (vydutý směrem dovnitř) v buňce. Podle očekávání se většina polomových ploch nacházela v kategorii kladné vertikální křivosti povrchu. V této kategorii reprezentující konvexní tvary se nacházelo 59 % polomových ploch, zbylých 41 % spadalo do záporné kategorie reprezentující konkávní povrchy. Výsledné rozloţení hodnot neindikovalo zvláštní význam určité kategorie křivosti. Podle očekávání v polomových plochách mírně převaţoval výskyt konvexních tvarů nad konkávními.

Obr. 34: Statistické vyhodnocení vertikální křivosti povrchu. 10.2 Statistické vyhodnocení faktorů porostního stanoviště Faktory porostního stanoviště byly zastoupeny daty oblastních plánu rozvoje lesa, které jsou dostupné na webových stránkách Ústavu pro hospodářskou úpravu lesa. Oblastní plány rozvoje lesů obsahují souhrnné údaje o stavu lesů, potřebách plnění funkcí lesů jako veřejného zájmu a doporučení o způsobech hospodaření v ekosystémovém pojetí. Z dat OPRL, především z typologické mapy, byly odvozeny informace týkající se vlhkostních a půdních poměrů v zájmovém území a potenciální hloubce půdy. V rámci statistického hodnocení bylo také zhodnoceno zastoupení trofických řad a potenciální vliv jednotlivých řad na výši škod. Jako první byla zhodnocena vrstva hloubky půdy, která byla odvozena z typologické mapy OPRL. Ta zahrnovala 4 kategorie hloubky půdy: velmi mělkou (do 15 cm), mělkou (15 aţ 30 cm), středně hlubokou (30 aţ 60 cm) a hlubokou půdu (nad 87

61 cm). Většina území se nacházela v kategorii hluboká půda (více neţ 52 % území) a v kategorii středně hluboké půdy (36 % území), další dvě zbývající kategorie zaujímaly přibliţně 12 % z celkové plochy území. Rozloţení polomových škod bylo poměrně rovnoměrné v kaţdé z výše zmíněných kategorií (polomy/území), přestoţe by se dalo spíše očekávat vyšší zastoupení v kategoriích velmi mělké a mělké půdy.

Obr. 35: Odvozená hloubka půd na území Prášilska. V následujícím kroku byla vyhodnocena data z vrstvy vlhkosti půdy. Ta zahrnovala 6 kategorií vlhkosti půdy: mokrou, podmáčenou, vlhkou, normální, svěţí a vysýchavou. Většina zájmového území spadala do kategorie normální vlhkosti půdy (63,8 % zájmového území) a většina poškozených ploch polomy se nacházela také v této kategorii (66,2 % polomových ploch). Ostatní kategorie vlhkosti půdy v místech polomů zaujímaly přibliţně stejné procento zastoupení. Pokud by se uvaţovalo o zastoupení kategorií vlhkosti v místech polomů poměrně k zastoupení kategorií vlhkosti v zájmovém území (polomy/území), nacházelo by se nejvíce polomových ploch na svěţích půdách (37 %) a ostatní kategorie by zaujímaly, stejně jako v předchozím případě, přibliţně podobné procento zastoupení. Rozloţení kategorií vlhkosti půdy bylo poměrně rovnoměrné, stejně jako v případě vrstvy hloubky půdy. Přestoţe by se dalo předpokládat, ţe nejvyšší zastoupení polomových ploch budou mít mokré, podmáčené a 88

vlhké půdy, nenacházelo se v těchto kategoriích signifikantní mnoţství poškozených ploch. Při vyvozování závěru ze statistického hodnocení jednotlivých vrstev odvozených z typologické mapy je nezbytné brát v úvahu jistou nepřesnost a samotný fakt, ţe data byla odvozena z typologické mapy, která je jiţ sama zatíţena určitou nepřesností.

Obr. 36: Statistické vyhodnocení kategorií vlhkosti půdy. Další vrstvou podrobenou statistickému hodnocení byla vrstva půdních typů. Mezi základní půdní typy nacházející se v zájmovém území patřily: fluvizem pseudoglejová, glej organozemní, glej typický, kambizem glejová, kambizem mezotrofní, kambizem oligotrofní, kambizem typický, kryptopodzol rankerový, kryptopodzol typický, litozem typická, organozem typická, podzol typický, pseudoglej glejový, pseudoglej podzolovaný a ranker typický. Nejvyšší plošné zastoupení zaujímal půdní typ kryptopodzol typický (36,2 % území) a více neţ polovina poškozených ploch se nacházela v této kategorii (50,8 % území). Ostatní půdní typy, s výjimkou kambizemě oligotrofní, která zaujímala plochu 19,1 %, měly plochu menší neţ 10 % zájmového území. V kategoriích zastoupení půdních typů v místech polomů poměrně ke kategoriím zastoupení půdních typů (polomy/území) v zájmovém území zaujímal největší procentuální zastoupení podzol typický s 23 %. Většina půdních typů v kategorii polomy/území měla procentuální zastoupení menší neţ 10 %, výjimkou byly pouze půdní typy kryptopodzol rankerový s 11,2 % a kryptopodzol typický s 10,6 %. Jako poslední byla statisticky vyhodnocena vrstva zastoupení trofických řad. Ta obsahovala následující kategorie trofických řad: ţivnou, podmáčenou, obohacenou vodou, kyselou, rašelinou, oglejenou a obohacenou humusem. Nejvíce byla v zájmovém území zastoupena trofická řada kyselá, která zaujímala téměř 70 % celkové plochy území, většina poškozených ploch polomy se také nacházela v této kategorii (74 %). 89

Ostatní trofické řady zaujímaly kaţdá méně neţ 10 % plochy území, výjimkou byla pouze trofická řada obohacená vodou, na které se nacházelo 14,57 % polomů. V kategoriích zastoupení trofických řad v místech polomů poměrně ke kategoriím zastoupení trofických řad (polomy/území) v zájmovém území zaujímala největší procentuální zastoupení trofická řada kyselá s 24,8 %. Poměrně vysoké zastoupení měla také trofická řada obohacená vodou (22,56 %) a řada ţivná (18,2 %).

Obr. 37: Statistické vyhodnocení kategorií trofických řad. 10.3 Statistické vyhodnocení faktorů lesních porostů Faktory lesních porostů byly zastoupeny v disertační práci daty lesních hospodářských plánů. LHP definují základní hospodářská doporučení a patří mezi základní nástroj vlastníka lesa jako pomůcka k hospodaření. Z lesních hospodářských plánů byly získány důleţité údaje o vlastnostech porostů. Především informace o věku porostu, zakmenění, výšce, tloušťce a zastoupení dřevin v rámci porostních skupin. Jako první byla statistickému hodnocení podrobena vrstva věku porostů. Porosty byly rozřazeny podle věku do následujících deseti kategorií: 0-20; 21-40; 41-60; 61-80; 81-100; 101-120; 121-140; 141-160; 161-180 a 180-223 let. Nejvíce byla v zájmovém území zastoupena věková kategorie 101-120 let, která zaujímala 18,7 % plochy zájmového území, následovaná kategorií 121-140 let (16,3 %). Největší procento poškozených ploch se nacházelo v porostech nad 100 let stáří, coţ bylo do jisté míry předpokládáno. Nejvíce polomů se nacházelo v kategorii 121-140 let (23 %), dále v kategorii 141-160 let (20 %). Kategorie 101-120 a 161-180 let zaujímaly přibliţně stejné procento zastoupení poškozených ploch (15 %). V kategoriích zastoupení věku 90

porostů v místech polomů poměrně ke kategoriím zastoupení věku porostů (polomy/území) v zájmovém území zaujímala největší procentuální zastoupení kategorie 180-223 let s 36,7 %. Vysoké zastoupení měly také kategorie 161-180 let (29,8 %) a 141-160 let (18,1 %). Dosaţení výše zmíněných hodnot, které potvrdily nárůst škod s rostoucím věkem, bylo do jisté míry očekáváno a výsledky se z velké části shodovaly s podobnými studiemi zabývajícími se hodnocením polomových škod.

Obr. 38: Statistické vyhodnocení kategorií věku porostů na území Prášilska. V dalším kroku byla zhodnocena vrstva výšky porostů. Porosty byly podle výšky v metrech rozřazeny do následujících několika kategorií: 0-5; 5,1-10; 10,1-15; 15,1-20; 20,1-25; 25,1-30; 30,1-38. Většina zájmového území spadala do kategorie s výškou porostů mezi 25,1 aţ 30 metry (32,6 %), druhou nejvíce zastoupenou kategorií byly porosty s výškou mezi 20,1 aţ 25 metry, které zaujímaly 26,3 % území. V obou výše zmíněných kategoriích se nacházelo také největší procento polomem poškozených ploch (více neţ 85 % polomů). Kategorie 25,1-30 metrů zaujímala téměř 45 % všech polomů a v kategorii 25,1-30 m se nacházelo 41,3 % poškozených ploch. V kategoriích zastoupení výšky porostů v místech polomů poměrně ke kategoriím zastoupení výšky porostů (polomy/území) v zájmovém území tvořily největší procentuální zastoupení 91

porosty s výškou mezi 20,1-25 metry (35,4 %). Se zvyšující se výškou porostů zastoupení poškozených ploch mírně klesalo, ale stále bylo poměrně vysoké (obr. 39).

Obr. 39: Statistické vyhodnocení kategorií výšky porostu v metrech. Dalším faktorem lesních porostů bylo zakmenění porostu, podle něhoţ byly stromy rozděleny do pěti kategorií: 0-2; 3-4; 5-6; 7-8 a 9-10. Největší plošné zastoupení ve vymezeném území připadalo na kategorii 9-10, která zaujímala více neţ 69 % plochy území. Druhou nejvíce zastoupenou skupinou byly porosty se zakmeněním 7-8 (27,4 %), v této kategorii se nacházelo také největší zastoupení polomem narušených ploch (56,4 %). Zbylých 41,5 % poškozených ploch připadalo na porosty s hodnotami zakmenění 9-10. Ostatní kategorie zakmenění zaujímaly méně neţ 2 % území. V kategoriích zastoupení zakmenění porostů v místech polomů poměrně ke kategoriím zastoupení zakmenění porostů (polomy/území) v zájmovém území byly nejvíce zastoupeny porosty se zakmeněním 7-8 s 56,6 %. Následující dvě kategorie zaujímaly přibliţně stejnou plochu zastoupení (20 %). Předposlední statisticky zhodnocenou vrstvou byla střední výčetní tloušťka. Ta obsahovala následujících sedm kategorií rozřazených podle tloušťky v centimetrech: 08; 8,1-16; 16,1-24; 24,1-32; 32,1-40; 40,1-66 cm. Plošně nejvíce zastoupené byly porosty s tloušťkou mezi 32,1-40 cm, které zaujímaly 29,9 % zájmového území. Druhé místo připadalo porostům s tloušťkou kmene mezi 24,1 aţ 32 cm. Ostatní kategorie měly přibliţně podobné zastoupení, které nepřekračovalo více neţ 20 % plochy území. Nejvíce polomů se vyskytovalo v porostech s tloušťkou kmene 24,1-32 cm, tedy v kategorii, která byla ve vymezeném území nejvíce zastoupena. Poměrně váţně byly poškozeny stromy v porostech se střední výčetní tloušťkou kmene od 32,1 do 40 cm, kde se nacházelo 30 % všech škod způsobených větrem. V kategoriích zastoupení

92

střední výčetní tloušťky v místech polomů poměrně ke kategoriím zastoupení střední výčetní tloušťky (polomy/území) v zájmovém území tvořily největší skupinu porosty se střední výčetní tloušťkou mezi 40,1 aţ 66 cm (38,4 %). Následující dvě kategorie (24,132 cm a 32,1-40 cm) zaujímaly celkem přes 51 % a dohromady s kategorií 40,1-66 cm měly zastoupení více neţ 90 % území.

Obr. 40: Statistické vyhodnocení kategorií tloušťky porostů na území Prášilska. Posledním hodnoceným faktorem porostního stanoviště byla vrstva zastoupení smrku v porostu, která byla jako všechny ostatní výše zmíněné vrstvy odvozena z lesních hospodářských plánů. Zastoupení smrku v porostu bylo rozděleno do pěti kategorií: 0-60; 61-70; 71-80; 81-90; 91-100 %. Nejvíce zastoupenou kategorií v zájmovém území byly lesy s 91% a vyšším zastoupením smrků v porostu, tato skupina zaujímala více neţ 50 % celkové plochy území. Přibliţně 17 % celkové plochy území zaujímaly lesní plochy, které měly 60% nebo menší zastoupení smrku v porostu. Ostatní kategorie, tj. lesní plochy se zastoupením smrku v porostu mezi 61 % aţ 90 % se nacházely na 32 % vymezeného území. Nebylo také velkým překvapením, ţe se většina poškozených ploch nacházela v lesních porostech s vysokým zastoupením smrku. Více neţ 64 % polomových ploch se nacházelo na lesních plochách s 91% a vyšším 93

zastoupením smrku v porostu. Další větrem narušené plochy se vyskytovaly ve výrazné míře také na lesních plochách se zastoupením smrku v porostu mezi 81-90 % a zaujímaly 23,6 %. Nejmenší procento škod se nacházelo v porostech s menším neţ 60% zastoupením smrku v porostu (3,8 %). V kategoriích zastoupení smrku v porostu v místech polomů poměrně ke kategoriím zastoupení smrku v porostu (polomy/území) v zájmovém území byly nejvíce zastoupeny lesní plochy se zastoupením smrku v porostu mezi 81-90 % (33,7 %) a plochy se zastoupením smrku v porostu vyšším neţ 91 % (32,7 %). 10.4 Statistické vyhodnocení faktorů rychlosti a směru větru Poslední kategorie, faktory rychlosti a směru větru, byla reprezentována daty vytvořenými ve spolupráci s Ústavem fyziky atmosféry AV ČR v Praze v rámci projektu STRiM. Vrstvy rychlosti a směru větru byly vypočítány pomocí 3-rozměrného nestacionárního modelu PIABLM, který byl vytvořen na Ústavu fyziky atmosféry AV ČR. Jako vstupní údaje byla v modelu pouţita meteorologická data naměřená v průběhu orkánu Kyrill na stanicích Churáňov a Velký Javor. První datovou vrstvou podrobenou statistickému hodnocení byla rychlost větru během orkánu Kyrill, která byla rozdělena do pěti kategorií: 0-8; 9-16; 17-24; 25-32; 33-40 m/s. Nejvíce zastoupenou kategorií byla rychlost větru mezi 9 aţ 16 m/s zaujímající více neţ polovinu zájmového území (55,5 %). Druhou nejvíce zastoupenou kategorií byla rychlost větru mezi 17-24 m/s tvořící 27,9 % území. Největší zastoupení poškozených ploch se nacházelo v kategorii rychlosti 9-16 m/s (46,8 % území). V kategoriích zastoupení rychlosti větru v místech polomů poměrně ke kategoriím rychlosti větru (polomy/území) měla největší zastoupení kategorie s nejvyšší rychlostí větru 33-40 m/s s 38,8 %. Druhou nejvíce zastoupenou kategorií byla rychlost větru mezi 25-32 m/s, která zaujímala 20 % plochy území. Přestoţe se většina polomových ploch nacházela v kategoriích s relativně niţšími hodnotami rychlosti větru (17-24 m/s), hodnoty v kategoriích polomy/území jasně prokázaly, ţe se s rostoucí rychlostí větru docházelo k většímu poškození.

94

Obr. 41: Statistické vyhodnocení kategorií rychlosti větru v m/s. V dalším kroku byla statisticky zhodnocena vrstva směru větru, který vanul v průběhu orkánu Kyrill. Podle směru větru vanoucího v zájmovém území, byly hodnoty rozděleny do následujících pěti kategorií: severní, severoseverozápadní, severozápadní, západoseverozápadní a západní. Nejvíce byla zastoupena kategorie severozápadní, která zaujímala více neţ 72 % plochy zájmového území. Na přibliţně 16 % území vanul vítr ze západoseverozápadu a na 10,7 % ze severoseverozápadu, ostatní kategorie měly zanedbatelné zastoupení. Nejvíce polomových ploch se nacházelo v kategorii severozápadní (67,3 %), která také zaujímala největší plochu vymezeného území. Jako druhá byla nejvíce zastoupena kategorie severoseverozápadní s 24,5 %. Další kategorie (severní, západoseverozápadní, západní) zaujímaly celkem méně neţ 10 % území.

Obr. 42: Statistické vyhodnocení kategorií směru větru.

95

11. Hodnocení porostů na základě mechanického přístupu Hodnocení lesních porostů z hlediska výskytu rizika polomů na základě mechanického přístupu je v disertační práci reprezentováno pomocí prediktivního modelu ForestGALES, jehoţ funkčnost a architektura je podrobněji popsána v následujících několika podkapitolách.

11.1 Prediktivní model ForestGALES Jak jiţ bylo zmíněno v kapitole Modely pro odhad rizika poškození větrem, jde o mechanický (stochastický) model vyvinutý pracovníky z Forest Research Agency v Edinburghu, který počítá pravděpodobnost poškození stromů větrem v porostech.

11.1.1 Základní charakteristika Model byl původně vyvinut a navrţen pouze pro Velkou Británii. V posledních několika letech byl však úspěšně adaptován pro podmínky na Novém Zélandu, jihozápadní Francii a dalších zemích. ForestGALES byl také pouţit v rámci projektu STORMRISK, který byl financován Evropskou unií, a jehoţ hlavními cíli bylo navrhnout a aplikovat do praxe nové metody vedoucí ke sníţení škod na porostech způsobených větrem. Do projektu byly zahrnuty výzkumné týmy ze Švédska, Skotska, Norska, Dánska a Německa a v rámci jedné z aktivit projektu byla také provedena adaptace modelu ForestGALES pro celou oblast spadající do iniciativy Společenství InterregIIIA – North Sea Region v rámci programu Interreg III North Sea Programme. Nejnovější verzí je ForestGALES2, který obsahuje vylepšené funkce oproti předchozí verzi, a jeho výstupy je moţné integrovat s geografickými informačními systémy. Na poţádání je moţné získat výzkumnou verzi ForestGALES Research32, která byla také pouţita v disertační práci. Tato upravená verze umoţňuje vkládání informací o povětrnostních podmínkách stanoviště pomocí parametrů Weibullova rozdělení, rozšíření modelu o výnosové (růstové) tabulky, rozšíření předem definované nabídky dřevin atd. Součástí verze jsou přiloţené textové soubory, v nichţ je moţné provádět úpravy předem definovaných nabídek modelu. S programem je dodána také dokumentace a ukázky zdrojových kódů, jeţ jsou k dispozici k nahlédnutí na CD, které je součástí disertační práce.

96

11.1.2 Historie Předchůdcem prediktivního modelu ForestGALES byla ve Velké Británii široce rozšířená klasifikace rizika polomů (windthrow hazard classification – WHC), která umoţňovala rozřazení porostů o rozloze větší neţ 500 ha do zón na základě půdních poměrů a povětrnostních podmínek stanoviště za účelem získání třídy rizika. Bohuţel nedostatky modelu, nízká přesnost výsledků a nové poznatky získané výzkumem vedly k vytvoření nového modelu pojmenovaného jako ForestGALES (The Geographical Analysis of the Losses and Effects of Storms in Forestry). Na modelu naprogramovaném v Delphi se pracovalo celých pět let (1995-2000). První verze byla uvedena pro komerční vyuţití v roce 2000 a šlo čistě o negrafickou verzi. Během posledních let bylo uvolněno několik dalších verzí modelu, přičemţ za zmínku stojí především dvě poslední verze - verze 2.0 (2004) a verze 2.1 (2006). Hlavní předností posledních dvou verzí je větší spolehlivost a efektivnost. Poslední verzi je také moţno integrovat s GIS, jako například s ArcGIS od ESRI. 11.1.3 Principy a funkčnost modelu Princip modelu je zaloţen na zodpovězení tří základních otázek týkajících se stability porostu. 1. Jaká síla je nezbytná k vyvrácení nebo zlomení stromu? 2. Jaká rychlost větru vytvoří sílu, která umoţní poškození stromu? 3. Jaká je pravděpodobnost, ţe bude překročena rychlost, která způsobí poškození stromu? Model počítá pevnost kmene a odolnost stromu proti vyvrácení samostatně. Informace o pevnosti kmene jsou zaloţeny na studiích zabývajících se strukturou kmene a na znalostech pevnosti dřeva a tuhosti různých druhů dřevin. Údaje týkající se síly nezbytné k vyvrácení nebo zlomení stromu jsou zaloţené na rozsáhlé databázi experimentů – více neţ 2000 (u různých druhů dřevin se zkoumala zátěţ, která je nutná k vyvrácení stromu). Tyto experimenty byly provedeny na velkém mnoţství rozličných půd, u velkého počtu různých dřevin a kultivačních typů. Přesto se mohou vyskytnout případy, kdy data nejsou pro daný druh a typ půdy k dispozici. V těchto situacích se zobrazí výstraţné okno upozorňující, ţe výsledky by měly být brány s určitou rezervou. Do výpočtu jsou také zahrnuty údaje týkající se odvodnění dané lokality, jelikoţ efekt vyvrácení stromu také závisí na tom, zda je půda, ve které je strom ukotven, dobře nebo špatně odvodňovaná. Zjištění rychlosti větru, která je nutná 97

pro poškození stromu, je zaloţeno na větrném zatíţení jednotlivých stromů. To je dále závislé na velikosti a rozměru koruny a ploše, kterou daný strom zaujímá. Velikost koruny je modelována pomocí regresních rovnic zaloţených na výšce a průměru kmene. Na základě znalostí průměrného větrného zatíţení jednotlivých stromů a odolnosti proti zlomu nebo vývratu je vypočítána rychlost větru, která způsobí vyvrácení nebo zlom. Pokud máme k dispozici rychlost větru vyţadovanou k poškození stromu, můţeme odhadnout, s jakou pravděpodobností se tato rychlost vyskytne. K tomu, aby bylo moţné určit, s jakou pravděpodobností se kritická rychlost v dané lokalitě vyskytne, je nutné mít k dispozici údaje o větrných poměrech (větrném klimatu) na daném stanovišti. Větrné poměry (větrné klima) je moţné definovat jako statistický souhrn větrných podmínek v určitém místě za klimatologicky významné období. Jsou dány četnostním rozdělením rychlostí větru a větrnou růţicí směru větru. Reálné naměřené četnostní rozdělení rychlostí větru bývá pro potřeby výpočtů často nahrazováno teoretickým Weibullovým rozdělením (Hanslian, 2007). Informace o větrných poměrech pro různá stanoviště jsou v modelu ForestGALES reprezentovány pomocí DAMS (Detailed Aspect Method of Scoring) systému, který se pouţívá ve Velké Británii a je zaloţen na nadmořské výšce, průměrné rychlosti větru, lokalitě a expozici vůči větru. Nicméně je velmi nepravděpodobné, ţe by průměrné rychlosti větru poškodily porosty. Proto se výskyt silných větrů a pravděpodobnost jejich výskytu, které jsou dostatečně silné k vyvrácení stromů, odvozují ze sytému DAMS pouţitím Weibullova rozdělení (Weibull distribution). Vzhledem k tomu, ţe informace týkající se klimatu a větrnosti obsaţené v systému DAMS nelze pouţít pro podmínky v České republice, je nutné získat vstupní hodnoty modelu parametry Weibull-K a Weibull-A (parametr A reprezentuje modální větrnou rychlost (m/s) a parametr K reprezentuje rozloţení hodnot rychlosti větru) na základě dostupných informací o větrných podmínkách stanoviště (např. meteorologické stanice, větrné mapy, modely). Pouţití Weibullova a exponencionálního rozdělení je také velmi časté v průmyslu. Oba tyto modely popisují průběh pravděpodobnosti, ţe po určité době dojde k nějaké poruše. Weibullovo rozdělení hraje důleţitou roli v průmyslu větrné energie, kde je důleţité popsat kolísání větrných rychlostí na stanovišti během určitého časového období. Tento

98

statistický nástroj umoţňuje zjistit, jak často se budou na daném stanovišti s určitou průměrnou rychlostí větru vyskytovat větry různé rychlostí (např. extrémní větry).

Obr. 43: Ukázka grafu Weibullova rozdělení (osa x – rychlost větru, osa y – pravděpodobné rozloţení hodnot rychlosti větru). Zdroj: Danish wind indsutry association (2003).

99

11.1.4 ForestGALES a lesnictví ve Velké Británii Vzhledem k tomu, ţe ForestGALES byl primárně navrţen pro podmínky ve Velké Británii, jsou v následujícím odstavci stručně popsány přírodní podmínky a způsob hospodářské úpravy lesa ve Velké Británii, prostorové rozdělení lesa a základní popisové veličiny, které se zjišťují při popisu porostů (některé z nich se pouţívají jako proměnné při hodnocení rizika pomocí modelu ForestGALES). Jedním z hlavních rozdílů mezi Českou republikou a Velkou Británií jsou horší přírodní podmínky. Především dlouhotrvající sráţky, silný vítr a ztíţené půdní poměry pro výsadbu porostů. Přestoţe velkou část výsadby tvoří introdukované dřeviny, nachází se zde i přirozené lesy, které jsou tvořeny hlavně borovicí. Lesní hospodářské plány nejsou v Británii povinné, avšak bez hospodářského plánu je nutné ţádat o povolení před kaţdou těţbou. Mezi základní veličiny, které se zjišťují při popisu porostů, patří dřevinné sloţení, procentuální zastoupení, produkční třída, počet stromů na hektar, rozestup stromů, stupeň ohroţení větrem, rok zalesnění, etáţivost a model výchovy porostu (Šimkovič, 2007). Není tedy náhodou, ţe většina proměnných vstupujících do hodnocení rizika výskytu polomů patří také mezi základní veličiny zjišťované pro popis porostů. Významnou popisovou veličinou je stupeň ohroţení větrem. Klasické stanovení stupně ohroţení bylo a v některých případech stále je prováděno pomocí klasické klasifikace rizika ohroţení větrem (windthrow hazard classification – na základě nadmořské výšky, expozice a typu půdy je stanoveno šest tříd ohroţení větrem). Výše zmíněnou klasifikaci se snaţí v posledních letech poměrně úspěšně nahradit přesnější a efektivnější model ForestGALES, který také mimo jiné umoţňuje porovnat výsledný stupeň ohroţení vypočítaný modelem ForestGALES se stupněm ohroţení získaným na základě tradiční klasifikace. Za zmínku stojí bonitní systém, na jehoţ základě vypočítává model změnu stupně rizika ohroţení polomem v čase (obecně platí, ţe se zvyšující se výškou a stářím porostu se zvyšuje riziko poškození). Bonitní systém je zaloţen na určení maximálního průměrného ročního přírůstku stanoviště (m3/ha). Tabulkami se určí tzv. produkční třída (yield class) – bonita z výšky nejvyššího stromu stanoviště a věku. Více informací lze nalézt například ve článku J. Šimkoviče (2007).

100

11.1.5 Základní operační módy systému ForestGALES můţe být interaktivně pouţit ve dvou základních módech:  Single stand mód – modul počítá riziko pro porost, kde se nachází pouze jeden druh dřeviny  Multiple stand mód – modul počítá riziko pro porost, kde se nachází víc neţ jeden druh dřeviny Ve výše zmíněných módech dále existují tři způsoby provádění odhadu rizika  Odhad za použití naměřených hodnot v terénu (Prediction using field measurements) – tento mód počítá riziko poškození pro určitý konkrétní časový okamţik za pouţití porostních charakteristik definovaných uţivatelem.  Odhad za použití výnosových (produkčních) modelů (Prediction using yield models) - tento mód počítá riziko poškození pro konkrétní časový okamţik za pouţití porostních charakteristik obsaţených ve výnosových modelech.  Odhad napříč určitým časovým obdobím (Prediction through time) – tento mód počítá riziko poškození pro typickou obmýtní dobu za pouţití porostních charakteristik obsaţených ve výnosových modelech.

Obr. 44: Prostředí systému ForestGALES.

101

11.1.6 Dotazovací formuláře ForestGALES vyhodnocuje data na základě informací vloţených do formulářů uţivateli. Dotazovací formuláře v modelu se liší v závislosti na zvolených operačních módech systému. Standardní módy obsahují dotazovací formuláře pro: 

vlastnosti stanoviště (stand characteristics box),



vlastnosti porostu (tree characteristics box),



DAMS systém (v Research verzi je tento formulář nahrazen formulářem pro Weibullovo rozdělení),



efekt návětrné strany okraje porostu (Upwind edge effect box).

V následujících několika řádcích jsou podrobněji popsány jednotlivé dotazovací formuláře, parametry a hodnoty, které se vkládají do výše uvedených formulářů. Poslední část je věnována výstupům a jejich prezentaci. Vlastnosti stanoviště Informace vloţené do dotazovacího formuláře pro vlastnosti stanoviště (stand characteristics box) umoţňují popsat stanoviště, pro které je následně počítáno riziko poškození větrem. Formulář umoţňuje v prvním řádku nadepsat název stanoviště, z následujících tří rozbalovacích menu se postupně zvolí: a) kultivace - typ kultivace stanoviště b) odvodnění - moţnosti nastavení (průměrné, dobré, špatné) c) půdní typ - popisuje hlavní půdní typ na stanovišti. V následujícím kroku se nastavuje hustota porostu. Tyto údaje lze do ForestGALES vloţit dvěma způsoby. Prvním je vloţení informace o průměrném rozestupu mezi jednotlivými stromy (v rozmezí mezi 0,6 aţ 10 m), druhou moţností je vloţit údaje o počtu stromů na hektar. ForestGALES 2.3 Res. (research verze) na rozdíl od klasického modelu obsahuje mírně upravenou verzi formuláře vlastnosti stanoviště. Do formuláře se stejně jako ve ForestGALES vkládá informace o půdním typu a hustotě porostu, místo údajů o kultivaci a odvodnění se udává hloubka zakořenění (mělké zakořenění (˂ 40 cm), středně hluboké zakořenění (40-80 cm), hluboké zakořenění (˃ 80 cm)).

102

Vlastnosti porostu Údaje k hodnocení porostu se vkládají do modelu pomocí formuláře vlastnosti porostu (the tree chacteristics box). Ten je sloţen v závislosti na zvoleném operačním módu z několika rozbalovacích menu. Jako první a nejdůleţitější je rozbalovací menu volby dřeviny, z něhoţ se vybere dřevina, ze které je daný porost převáţně sloţen. Pokud jde o porost smíšený obsahující větší počet druhů dřevin, pouţije se k hodnocení rizika mód pro predikci rizika pro více dřevin (Multiple stand model). Model standardně nabízí 12 předem definovaných dřevin, které lze pouţít pro hodnocení. Research verze poskytnutá k účelům disertační práce nabízí rozšíření předem definované nabídky o další druhy dřevin. Mezi předem definované dřeviny patří: a) borovice lesní (Scots pine/Pinus sylvestris) b) borovice korsická (Corsican pine/Pinus nigra subsp. laricio) c) borovice pokroucená (Lodgepole pine/Pinus contorta) d) modřín opadavý (European larch/Larix decidua) e) modřín japonský (Japanese larch/Larix kaempferi) f) jedle douglaská (Douglas fir/Pseudotsuga menziesii) g) jedle stříbrná (Noble fir/Abies procera) h) jedle obrovská (Grand fir/Abies grandis) i) smrk sitka (Sitka spruce/Picea sitchensis) j) smrk ztepilý (Norway spruce/Picea abies) k) jedlovec západní (Wester hamlock/Tsuga heterophylla). Do formuláře se dále vkládají údaje o výšce porostu (hodnoty musejí být v rozmezí od 5 do 75 m) a středním průměru kmene (hodnoty musejí být v rozmezí od 5 do 50 cm) hodnoceného porostu. Výše zmíněný typ formuláře je typický pro operační mód Odhad za použití naměřených hodnot v terénu. V případě, ţe je zvolen jeden z dalších dvou operačních módu (Odhad za použití výnosových-produkčních modelů/ Odhad napříč určitým časovým obdobím), je vzhled formuláře mírně odlišný a počet rozbalovacích oken je vyšší. Při hodnocení rizika za pouţití výnosových-produkčních modelů se navíc oproti předchozím

parametrům

nastavuje

produkční-výnosová

třída

(yield

class).

ForestGALES obsahuje předem definovanou sadu produkčně-výnosových tabulek v adresáři /yldmdls. Nicméně je moţné definovat vlastní produkčně-výnosové (růstové) tabulky (pro různé typy dřevin), které lze následně aplikovat v modelu. Návrh a formát 103

růstové tabulky je moţné vidět v tabulce 9. Při nastavování je nutné vyplnit údaje o věku, maximální výšce, počtu stromů/ha, středním průměru kmene, výčetní základně porostu, středním objemu porostu a objemu porostu. Jako další se z rozbalovacího menu vybírá model výchovy porostu (thinning regime). Tab. 9: Ukázka produkčně-výnosové (růstové) tabulky. Zdroj: ForestGALES.

Povětrnostní podmínky stanoviště Povětrnostní podmínky stanoviště a informace o frekvenci, síle a rychlosti větru mají na hodnocení rizika velký vliv, proto je této části modelu věnována větší pozornost. Jak jiţ bylo zmíněno, údaje o povětrnostních podmínkách jsou v modelu ForestGALES definovány pomocí DAMS (Detailed Aspect Method of Scoring) systému, který se pouţívá ve Velké Británii a je zaloţen na nadmořské výšce, lokalitě a expozici vůči větru. V případě, ţe hodnocení není prováděno na území Velké Británie, vkládají se do modelu parametry Weibull-K a Weibull-A (viz podkapitola principy a funkčnost modelu).

Obr. 45: Okno pro nastavení parametrů pro výpočet DAMS hodnoty. Nastavení DAMS je moţné provést přímo vloţením hodnoty do formuláře, pokud je tato informace pro zájmovou lokalitu k dispozici. V případě, ţe tento údaj není dostupný, existují další moţnosti jak v modelu nastavit informaci o povětrnostních 104

podmínkách a tím umoţnit hodnocení. První z nich je tzv. hrubý odhad povětrnostních podmínek, pro nějţ je nezbytné vybrat z rolovacího menu GB region oblast, kde se nachází studované území (pouze pro Velkou Británii). Následně se z menu terén vybere slovní hodnocení, které nejblíţe vystihuje, kde se území nachází (vrchol kopce, údolí atd.). V dalších dvou rozbalovacích menu se zvolí slovní hodnocení pro expozici (území vystavené větrům, částečně kryté atd.) a orientaci (sever, jih atd.). V případě, ţe je k dispozici více dostupných údajů, je moţné zvolit pro výpočet DAMS moţnost přesný výpočet (obr. 45). V okně je pro přesný výpočet nutné vyplnit, na rozdíl pouze od slovního hodnocení v předchozím případě, přesné číselné hodnoty týkající se nadmořské výšky, orientace a větrných zón. Výsledná hodnota DAMS se po vyplnění všech polí objeví v okně výsledky. Jako poslední se vyplňuje formulář efekt okraje porostu. Tento formulář, jak napovídá samotný název, umoţňuje do hodnocení zahrnout efekt okraje porostu. V některých případech se stává, ţe z důvodu ochrany porostu proti větru byl vytvořen tzv. nárazový pruh, který má zpomalit rychlost větru a tím ochránit porost před poškozením.

105

11.1.7 Výstupy modelu Pokud jsou správně nastaveny všechny povinné parametry modelu, je moţné kliknutím na tlačítko Run spustit proces hodnocení rizika na daném stanovišti. Proběhne-li hodnocení úspěšně, zobrazí se okno udávající stupeň rizika výskytu polomů. Výstupy modelu se mohou mírně lišit v závislosti na pouţitém operačním módu modelu. Standardně jsou zobrazeny v textové formě, avšak v případě pouţití operačního módu predikce v čase jsou výsledky zobrazeny navíc také v grafické podobě (riziko výskytu polomu se mění v závislosti na čase, viz obr. 46).

Obr. 46: Okno s výsledky modelování. Zdroj: ForestGALES. Okno s výsledky obsahuje výpočet stupně rizika porostu vůči vyvrácení a zlomení. Pro kaţdé ze zmíněných rizik je vypočítána kritická rychlost (jednotky je moţné interaktivně nastavit v modelu) větru a pravděpodobnost, s jakou se na daném území vyskytne. Na základě kritické rychlosti větru a pravděpodobnosti výskytu této rychlosti je stanoveno riziko výskytu polomů. ForestGALES stejně jako klasifikace rizika větru podle Millera rozřazuje porosty do šesti kategorií podle stupně rizika. Na rozdíl od předchozí klasifikace rizika větru, která počítá riziko na základě DAMS systému a půdního typu, se stupeň rizika vypočítaný modelem ForestGALES mění v závislosti na čase (pokud jsou k výpočtu pouţity produkční třídy). Jestliţe je stupeň rizika pro zlomení kmene vyšší neţ pro vyvrácení, zlomení kmene bude s největší pravděpodobností příčinou poškození porostu, zatímco pokud je stupeň rizika vyšší pro vyvrácení, je pravděpodobnější, ţe porosty budou poškozeny vyvrácením. Pokud je pro výpočet pouţit operační mód predikce v čase, zobrazí se navíc také okno obsahující dvě tabulky udávající informace o pravděpodobnosti vyvrácení/zlomení

106

porostu udávané v letech (return period) a vlastnostech porostu. Se zvyšujícím se věkem a výškou porostu se pravděpodobnost poškození logicky zvyšuje a porosty jsou náchylnější ke zlomu nebo vyvrácení. Graf obsahuje dvě barevně odlišené křivky – červená indikuje riziko vůči vyvrácení a modrá riziko zlomu. Jak je moţné vidět na obrázku 46, pravděpodobnost výskytu krizového větru, který by poškodil porosty, je aţ do 45 roku nízká (výskyt jednou za 200 let). S rostoucí výškou porostu, zvětšující se korunou, kmenem a stářím porostu se zvyšuje pravděpodobnost poškození porostů.

107

11.2 Návrh optimalizované datové struktury Návrh optimalizované datové struktury pro hodnocení rizika výskytu polomů mechanickým modelem ForestGALES je sloţen z několika částí. V první části je popsán proces tvorby a úpravy databáze, kterou je nutné před výpočtem stupně rizika ohroţení porostů vůči lesním porostům vytvořit. Jsou zde obsaţeny údaje týkající se půdních typů, hloubky zakořenění, hustoty porostu, dřeviny, výšky porostu, středního průměru kmene a parametrů Weibullova rozdělení K a A. Dále je popsán a detailně zdokumentován převod mezi kategoriemi půdních typů podle taxonomické klasifikace systému půd ČR na půdní typy obsaţené v modelu. Následně je vysvětleno stanovení hloubky zakořenění porostů na základě půdního typu a dřeviny, která na něm roste. V poslední části je provedena sumarizace všech kategorií vstupujících do modelu ve formě tabulek a popsána datová struktura, formát a klasifikace polí. Toto předzpracování dat je nutné před samotným výpočtem rizika.

11.2.1 Tvorba a úprava databáze Jak jiţ bylo v předchozím textu uvedeno, ForestGALES vyhodnocuje data na základě informací vloţených do formulářů uţivateli. Pro hodnocení polomů byl pouţit model ForestGALES Research verze 2.3 vytvořený pracovníky Forest Research Agency v roce 2008. Pro výpočet rizika byl jako nejvhodnější zvolen mód Multiply stand predictions using field measurements-WEIBULL. Hlavním důvodem pro zvolení daného módu byl fakt, ţe počítá riziko pro více porostů najednou a umoţňuje reprezentaci povětrnostních podmínek pomocí parametrů Weibullova rozdělení. Vzhledem k tomu, ţe byl model primárně vytvořen pro podmínky ve Velké Británii, nebyla většina dat, která vstupovala do modelu, dostupná ve vhodném formátu a musela být do jisté míry upravena. Výše zmíněný mód pouţitý v disertační práci (Multiply stand predictions using field measurements-WEIBULL) obsahoval čtyři dotazovací formuláře: vlastnosti stanoviště, vlastnosti porostu, efekt návětrné strany porostu a povětrnostní podmínky stanoviště. Jako první byly získány údaje vstupující do formuláře vlastnosti stanoviště. Mezi ně patřily vrstvy půdního typu, hloubky zakořenění a hustoty porostu. Jelikoţ rozbalovací menu pro volbu půdního typu v modelu obsahovalo předem definované půdní typy, které nebylo moţné přímo určit z vrstvy půd, jeţ byla k dispozici pro vymezené území, bylo nezbytné přiřadit dostupné kategorie půdních

108

typů ve vymezeném území ke kategoriím v rozbalovacím menu modelu ForestGALES. Rozbalovací menu obsahovalo následujících 19 půdních kategorií: Tab. 10: Kategorie půd v modelu ForestGALES. 1 2 3 4 5 6 7 8 9 10

Brown Earth Integrade - (Brown Earth-Ironpan) Podzol- (freely draining) Podzol- (gleyed) Podzol - (peaty) Iron Pan - (freely draining) Iron Pan - (gleyed) Iron Pan - (peaty) Integrade - (Brown Earth-Gley) Peaty Gley

11 12 13 14 15 16 17 18 19

Gley Flushed Basin Peat Flushed Blanket Peat Unfluhsed Sphagnum Bog Unfluhsed Blanket Bog Calcareous Soil Skeletal Soil Eroded Bog Littoral Soil

V prvním kroku byly převedeny názvy půdních typů odvozených z typologické mapy na půdní typy mezinárodního klasifikačního systému FAO, které byly v anglickém jazyce. Při převodech byl pouţit půdní atlas Evropy vytvořený na Institutu ţivotního prostředí a trvale udrţitelného rozvoje v Itálii, který je dostupný on-line na adrese

http://eusoils.jrc.ec.europa.eu/projects/soil_atlas/Download.cfm.

Převodníky

půdních typů z různých klasifikačních systémů (např. IUSS-International Union of Soil Sciences, FAO-Food and Agriculture Organization of the United Nations, ISRIC-World Soil Information) jsou k dispozici například v publikaci Němeček J. a kol. 2001. Taxonomický klasifikační systém půd České republiky, v kapitole 9 nazvané Srovnávání klasifikačních systémů. V následujícím kroku došlo k samotnému přiřazení půdních typů odvozených z typologické mapy a převedených na mezinárodní klasifikační systém FAO. Kategorie obsaţené v modelu ForestGALES neodpovídaly ţádnému standardnímu klasifikačnímu systému a nemohlo tedy dojít k přímému přiřazení kategorií z klasifikačního systému FAO. Přidělení bylo proto provedeno na základě podkladů poskytnutých pracovníky Forest Research Agency v Edinburghu a konzultací s vedoucím disertační práce.

109

Tab. 11: Převod půdních typů v zájmovém území na půdní kategorie v modelu ForestGALES. Půdní typy v zájmovém území fluvizem pseudoglejová glej organozemní glej modální kambizem glejová kambizem mezotrofní kambizem oligotrofní kambizem modální kryptopodzol rankerový kryptopodzol modální litozem modální organozem modální podzol modální pseudoglej glejový pseudoglej organozemní pseudoglej podzolovaný ranker modální

Půdní typy převedené na mezinárodní klasifikační systém FAO STAGNIC FLUVISOL HISTIC GLEYSOL HAPLIC PODZOL GLEIC CAMBISOL HAPLIC CAMBISOL DYSTRIC CAMBISOL HAPLIC CAMBISOL ENTIC PODZOL (SKELETIC) ENTIC PODZOL HAPLIC LEPTOSOL HAPLIC HISTOSOL HAPLIC PODZOL GLEIC STAGNOSOL HISTIC STAGNOSOL STAGNOSOL HAPLIC RANKER

Půdní kategorie v modelu Forest GALES Intergrade (brown earth - gley) Peaty gley Gley Intergrade (brown earth - gley) Brown earth Brown earth Brown earth Skeletal soil Podzol (freely draining) Skeletal soil Flushed basin peat Ironpan (freely draining) Gley Peaty gley Podzol (gleyed) Skeletal soil

Dalším údajem vstupujícím do formuláře vlastnosti stanoviště byla hloubka zakořenění porostu. Šlo o poměrně obtíţně zjistitelný údaj, jelikoţ pro Českou republiku neexistují v současné době ţádné dostupné uspokojivé zdroje zabývající se touto problematikou. Volba hloubky zakořenění byla konzultována s docentem Milošem Pejchalem z Ústavu biotechniky zeleně Mendelovy univerzity v Brně, který doporučil pouţít ke stanovení hloubky zakořenění pro různé dřeviny publikaci Kutschera, L. et Lichtenegger, E. Wurzelatlas mitteleuropäischer Waldbäume und Sträucher. Graz: Leopold Stocker Verlag, 2002. 604 s, případně publikaci Köstler, J. N., Brückner, E. et Bibelriether, H. Die Wurzeln der Waldbäume. Hamburg und Berlin: Verlag Paul Parey, 1968. 284 s. Obecně lze konstatovat, ţe hloubka prokořenění velmi závisí na stanovištních podmínkách a je sloţité najít relativně jednoduchý klíč k jejímu stanovení/odhadu podle dostupných informací o stanovišti. Mezi hlavní faktory patří provzdušnění půdy, dostupnost vody a hloubka jejího prohřátí (v subalpínském stupni koření např. smrk velmi mělce i na hlubokých půdních profilech).

110

Obr. 47: Diagram vyjadřující sloţení jednotlivých půdních druhů. Zdroj: Crow (2005). Dalším významným a podstatným zdrojem informací, na základě kterého byla určena hloubka zakořenění, byla publikace The Influence of Soils and Species on Tree Rooth Depth vydaná Forest Research Agency v roce 2005, která obsahovala informace o přibliţné hloubce zakořenění pro většinu hlavních dřevin na různých typech půd. Podle příslušnosti dřeviny k jedné ze sedmi kategorií půdy byla dřevině přidělena hloubka zakořenění od 0,5 m do 3 m. Ke stanovení hloubky zakořenění v zájmovém území bylo nejprve nutné přiřadit půdní typy odvozené z typologické mapy k půdním kategoriím, které byly pouţité v převodní tabulce pro stanovení hloubky zakořenění. Zařazení půdních typů do skupin půd bylo provedeno na základě konzultací s vedoucím disertační práce. Jelikoţ se na většině zájmového území nacházel smrk ztepilý (Picea abies), byla jako referenční dřevina, pro niţ byla stanovena hloubka zakořenění, zvolen právě smrk a ostatní minoritní zastoupení dřevin bylo pro účely hodnocení rizika polomů v modelu ForestGALES zanedbáno. Hloubka zakořenění smrku ztepilého (Picea abies) pro jednotlivé půdní typy je zobrazena v tabulce 12.

111

Tab. 12: Pravděpodobná hloubka zakořenění smrku na různých půdních typech. Půdní typy fluvizem pseudoglejová glej organozemní glej modální kambizem glejová kambizem mezotrofní kambizem oligotrofní kambizem modální kryptopodzol rankerový kryptopodzol typický litozem modální organozem modální podzol modální pseudoglej glejový pseudoglej organozemní pseudoglej podzolovaný ranker modální

Hloubka zakořenění v metrech <1,5 <1 <1,5 <1 <2 <2 <2 <0,5 <1 <0,5 <1 <1 <1 <1,5 <1 <0,5

Poslední údaj, který bylo nutné zadat do formuláře vlastnosti stanoviště v modelu, byla hustota porostu. Ta patří mezi základní porostní veličiny a udává se jako počet jedinců na celé ploše (N, ks) nebo na 1 ha (N.ha-1). Hustota porostu byla odhadnuta na základě dat z lesních hospodářských plánů a k jejímu stanovení byly konkrétně pouţity údaje týkající se střední výšky porostu (hs v m) a střední výčetní tloušťky (ds v cm) pro smrk a hodnoty zakmenění, které reprezentovaly relativní hustotu porostu. K určení tabulkové porostní zásoby byly pouţity taxační tabulky vydané Ústavem pro hospodářskou úpravu lesa v Brandýse nad Labem v roce 1990. Z nich bylo moţné na základě informací o střední výšce porostu a střední výčetní tloušťce odhadnout tabulkovou zásobu. Skutečná porostní zásoba byla získána vynásobením zásoby tabulkové s hodnotami zakmenění. Rozdíl mezi tabulkovou a skutečnou zásobou nebyl v případě zájmového území příliš významný, jelikoţ většina území spadala do kategorií s vysokým zakmeněním (přibliţně 70 % území mělo zakmenění vyšší nebo rovno 0,9). Verze ForestGALES umoţňuje standardně vkládat údaje o hustotě porostu dvěma způsoby. Prvním je vloţení informace o průměrném rozestupu mezi jednotlivými stromy, druhou moţností je vloţit údaje o počtu stromů na hektar. Oba dva způsoby jsou moţné pouze za předpokladu, ţe jsou hodnoty do modelu vkládány manuálně a hodnocení jednotlivých porostních celků probíhá jeden za druhým. V případě hodnocení velkého mnoţství záznamů (stovky, tisíce údajů), by bylo 112

manuální vkládání dat příliš zdlouhavé. Pokud však existuje externí databáze obsahující data vyţadovaná modelem, je výhodnější a časově efektivnější data do modelu importovat. Jistou nevýhodou tohoto způsobu je, ţe nelze importovat údaje o hustotě porostu uloţené jako počet stromů na hektar, ale musí být pouţita data obsahující průměrný rozestup mezi jednotlivými stromy. Z modelu byla proto odvozena převodní tabulka, na základě které bylo moţné provést převod mezi počtem stromů na hektar a průměrným rozestupem mezi jednotlivými stromy. Ta byla pouţita k převodu údajů získaných z taxačních tabulek na data, která byla poté moţná importovat do modelu. Tab. 13: Převodní tabulka mezi počtem stromů na hektar a průměrným rozestupem mezi stromy (m) odvozená z modelu. Počet stromů na ha 8000 5000 3000 2000 1750 1500 1250 1000 900 800 700 600 550 500 450 400 350 300

Průměrný rozestup mezi stromy (m) 1,1 1,4 1,8 2,2 2,4 2,6 2,8 3,2 3,3 3,5 3,8 4,1 4,3 4,5 4,7 5 5,3 5,8

V dalším kroku byla získána a upravena data, která slouţila k hodnocení samotného porostu. Tyto údaje se vkládají do modelu pomocí formuláře vlastnosti porostu, mezi jehoţ nejdůleţitější část patří volba dřeviny. Jako další se zadávají údaje o výšce porostu a středním průměru kmene. Model nabízí implicitně 12 předem definovaných dřevin. Jelikoţ na vymezeném území výrazně převaţovalo zastoupení smrku ztepilého

113

(Picea abies), byly ostatní dřeviny v porostu zanedbány a jako dřevina byl vţdy v modelu nastaven smrk ztepilý (Picea abies). Další dva parametry, výška porostu a střední průměr kmene, byly získány z dat lesních hospodářských plánu poskytnutých Správou Národního parku Šumava a chráněné krajinné oblasti ve Vimperku. Povětrnostní podmínky stanoviště hrály při hodnocení podstatnou roli, a proto byla datům vstupujícím do formuláře pro povětrnostní podmínky stanoviště věnovaná velká pozornost. Jak bylo uvedeno výše, povětrnostní podmínky se ve standardní verzi modelu definují pomocí klasifikačního systému, který byl navrţen pro podmínky ve Velké Británii, a proto nelze tuto verzi pouţít v jiných zemích. Na rozdíl od klasické verze modelu ForestGALES distribuované ve Velké Británii research verze umoţňuje definovat povětrnostní podmínky pomocí Weibullova rozdělení, jehoţ principy byly popsány v předchozí kapitole. Parametry Weibullova rozdělení byly získány ve spolupráci s pracovníky z oddělení Ústavu fyziky atmosféry AV ČR v Praze. Pro výpočet parametrů byl pouţit hybridní model VAS/WAsP. Hybridním modelem se označuje metoda výpočtu větrných charakteristik kombinací modelů WAsP a VAS. Postupně byly vyvinuty dvě verze tohoto modelu (VAS/WAsP 1 z roku 2004 a VAS/WAsP 2 z roku 2007), které se liší především výběrem a způsobem zpracování dat z místních meteorologických stanic. Výpočet hybridním modelem VAS/WAsP se skládal ze tří kroků. V prvním byla původní data (prodlouţená na dlouhodobý normál) očištěna od vlivu nejbliţšího okolí a jeho výsledkem byly klimatické charakteristiky větru pro referenční výšky nad povrchem a referenční drsnosti povrchu. Tyto podmínky by se na daném místě vyskytly, pokud by zde byla konstantní drsnost povrchu, plochý terén a pokud by proudění nenarušovaly ţádné překáţky. K odstranění lokálních vlivů byly pouţity všechny části programu WAsP – model pro orografii, drsnost povrchu i překáţky. V druhém kroku byly získané klimatické charakteristiky interpolovány metodou VAS do sítě s krokem 2 km. Posledním úkolem byla opět aplikace modelu WAsP, kde byly interpolované hodnoty aplikovány na digitální model terénu s ohledem na parametr drsnosti povrchu. Tento krok je v rámci kaţdé studie prováděn individuálně s přihlédnutím ke konkrétní lokalitě. Vstupem, který v modelu popisoval celkovou orografii, byly digitální mapy reliéfu ze sady DMÚ 25 – digitální model území v rozlišení 1:25 000. Parametr drsnosti 114

povrchu byl odvozen z mezinárodní klasifikace CORINE (land-cover). V okolí referenčních stanic či posuzované lokality byl v některých případech parametr drsnosti upraven na základě podrobnějších informací. Posledním formulářem, do kterého bylo nutné získat data, byl efekt okraje porostu. Na okrajích porostů se z důvodu ochrany lesa vůči silným větrům někdy vytváří nárazový pruh, jehoţ účelem je zpomalit rychlost větru a chránit porost před poškozením. Na základě informací získaných z leteckých snímků nebyly identifikovány ţádné významné nárazové pruhy, které by podstatně chránily lesní porost před větrem, a proto byl efekt okraje porostu při hodnocení modelem zanedbán. Poslední fází byla konstrukce databáze, která se skládala z několika po sobě jdoucích kroků. Sestavení databáze byla věnována náleţitá pozornost, jelikoţ musela splňovat předem definované parametry vyţadované modelem a na přesnosti a kvalitě databáze závisely výsledky hodnocení. Poté, co byly získány a předpřipraveny všechny datové sady, následovalo vytvoření jednotek výběrového souboru o velikosti 25 x 25 metrů. Jednotky výběrového souboru byly vytvořeny pomocí nadstavby ArcGIS Spatial Analyst a celkový počet čítal 110 864. Po odstranění jednotek bezlesí a jednotek obsahujících hodnoty mimo rozsah akceptovatelných hodnot modelem, tvořila databáze 60 062 jednotek. Překrytím jednotlivých datových vrstev reprezentujících vstupní hodnoty modelu přes sebe byla pomocí nástrojů ArcGIS Analyst Tools vytvořena segmentační databáze. Ta obsahovala vstupní údaje do modelu ForestGALES pro kaţdou jednotku výběrového souboru (segment o velikosti 25x25 metrů). Takto předpřipravená databáze mohla být v dalším kroku pouţita k hodnocení rizika v modelu.

115

11.3 Hodnocení rizika výskytu lesních polomů modelem ForestGALES Hodnocení rizika výskytu lesních polomů bylo provedeno pomocí modelu ForestGALES, jehoţ funkčnost a moţnosti jsou popsány v kapitole 11.1. Hodnocení předcházela úprava a předpřipravení datových sad a konstrukce prostorové databáze, kterou bylo moţné integrovat do modelu. K tomu, aby mohla být databáze importována do modelu, musela být nejprve exportována z ArcGIS do formátu dbf. To bylo provedeno příkazem Options/Export Data z atributové tabulky prostorové databáze obsahující vstupní hodnoty modelu. Databázi uloţenou ve formátu dbf nebylo bohuţel moţné načíst přímo do modelu ForestGALES, neboť ten umoţňuje pouze import externích záznamů z dávkových souborů s příponou bmf (batch mode file) pomocí příkazu open file z pracovního okna Multiple stand predictions using field measurements. Kaţdý z dávkových souborů bmf musí před importem do modelu obsahovat předem specifikované názvy datových polí a datové typy vyţadované modelem pro jednotlivá pole databáze. Mezi 10 povinných datových polí v dávkovém souboru bmf patří: StandID, Species, Top_Height, DBH, Spacing, Soil_type, RootingDepth, Weibull-A, Weibull-K a Gap_Size. Datové typy a popis polí je zobrazen v tabulce 14. Tab. 14: Datová struktura databáze. Název pole Stand_ID Species Top_Height DBH Spacing Soil_type RootingDepth Weibull-A Weibull-K Gap_Size

Datový typ číslo text číslo číslo číslo číslo číslo číslo číslo číslo

Popis číslo záznamu dřevina výška porostu střední průměr kmene průměrný rozestup mezi stromy půdní typ hloubka zakořenění parametr a Weibullova rozdělení parametr k Weibullova rozdělení nárazový pruh

V případě, ţe nebyly názvy datových polí odpovídající specifikacím modelu vytvořeny jiţ v databázi ArcGIS, bylo moţné původní názvy změnit po otevření databáze ve formátu dbf v Microsoft Excelu. Převod databáze v dbf na dávkový soubor bmf byl proveden v Microsoft Excel 2007 a ukázka bmf souboru s daty zájmového území je zobrazena na obrázku 48.

116

Obr. 48: Dávkový soubor bmf před importem do modelu. Jelikoţ měla databáze exportována z ArcGIS 60 042 záznamů a model ForestGALES měl problémy s importem a zpracováním více neţ 20 000 záznamů najednou a stával se nestabilní, bylo nutné převést databázi v Microsoft Excelu na několik dávkových souborů přibliţně po 15 tis. záznamech. Kaţdý dávkový soubor byl následně importován do modelu odděleně, aby nedocházelo k problémům s modelem. Poté, co byl dávkový soubor načten do modelu, mohlo být vypočítáno riziko ohroţení lesních porostů větrem. Všechny záznamy z aktuálního importovaného dávkového souboru byly dostupné k náhledu v okně Multiple stand prediction using filed measurements, editace takto načtených záznamů však jiţ v modelu nebyla moţná. Výpočet rizika byl proveden příkazem Calculate Risks. Doba výpočtu byla závislá na počtu záznamů, při 15 tis. záznamech trvalo hodnocení asi 5 minut.

Obr. 49: Databáze v prostředí modelu ForestGALES. Pro kaţdý záznam vypočítal model stupeň rizika ohroţení porostu vůči vyvrácení a vůči zlomení stromu v rozsahu od 1 (nejniţší riziko ohroţení) do 6 (nejvyšší riziko ohroţení). Další charakteristikou ohroţení porostů byl údaj pravděpodobnosti vyvrácení 117

nebo zlomení stromu udávaný v rocích, které mohly nabývat hodnot od 1 do 200. Se zvyšujícími se hodnotami pravděpodobnosti vyvrácení nebo zlomení porostu v letech logicky klesalo riziko ohroţení. Výstupy modelu byly exportovány do textových souborů s příponou fgq příkazem Save Outputs z pracovního okna Multiple stand prediction using filed measurements. Soubory obsahovaly kromě základních výstupních hodnot také vstupní údaje importované do modelu. Model umoţňuje kromě této moţnosti i export přímo do Microsoft Excelu (pouze u menšího počtu záznamů) nebo do souboru obsahujícího rozšířené výstupní údaje (kritická rychlost větru, maximální ohybový moment atd.). Poté, co byly výsledky uloţeny do textových souborů po 15 tis. záznamech, bylo moţné jejich postupné načtení do Microsoft Excelu. Verze Microsoft Office 2007 bohuţel neumoţňovala uloţení souborů ve formátu dbf, které je moţné importovat do ArcGIS, proto byla data načtena do starší verze Microsoft Excel 2003, která podporovala ukládání dat v dbf. Posledním krokem byl import databáze ve formátu dbf do ArcGIS. To bylo provedeno příkazem Join Data z nabídky Options v atributové tabulce databáze. Jako pole, na základě kterého bylo vytvořeno propojení mezi oběma databázemi, bylo vybráno Stand_ID (pole obsahovalo jedinečné číslo pro kaţdý záznam v obou databázích). Databáze importovaná do ArcGIS mohla být následně analyzována a výsledné hodnoty mohly být vizualizovány ve formě mapových výstupů.

Obr. 50: Okno v prostředí ArcGIS umoţňující připojení externí databáze.

118

11.4 Výsledky hodnocení Výsledkem hodnocení rizika lesních porostů na základě mechanického přístupu pomocí modelu ForestGALES byly 4 mapy rizika ohroţení lesního porostu vůči vyvrácení, kde byl stupeň rizika ohroţení vyjádřen pomocí stupnice v rozsahu od 1 (nejniţší riziko ohroţení) do 6 (nejvyšší riziko ohroţení). Další 4 mapy, vytvořené na základě získaných hodnot z modelu, reprezentovaly riziko ohroţení lesního porostu vůči vyvrácení pomocí pravděpodobnosti udávané v letech (pravděpodobnost vyvrácení stromu nabývala hodnot od 1 do 200 let). V dalším kroku byly vytvořeny 4 mapy rizika ohroţení lesního porostu vůči zlomení, kde v kaţdé mapě byl stupeň rizika ohroţení vyjádřen stejně jako v předchozím případě pomocí stupnice v rozsahu od 1 do 6. Poslední 4 vytvořené mapy reprezentovaly riziko ohroţení lesního porostu vůči zlomení pomocí pravděpodobnosti udávané v letech (pravděpodobnost zlomení stromu nabývala hodnot od 1 do 200 let). Důvodem vytvoření 4 různých map rizika pro jednotlivé druhy poškození (vyvrácení, zlomení) bylo odlišné nastavení parametru K Weibullova rozdělení, který reprezentoval rozloţení hodnot průměrné rychlosti větru. Na základě konzultací s pracovníky Ústavu fyziky atmosféry AV ČR v Praze byly pro hodnocení vybrány hodnoty parametru K od 1,5 do 1,8. Pokud nejsou tato data pro studované území k dispozici, je moţné jako standardní hodnotu pouţít K=1,8. Jelikoţ bylo zájmové území v minulosti zasaţeno silnými větry několikrát a četnost větrů vymykajících se normálu je poměrně vysoká, byly pro hodnocení pouţity také hodnoty parametru K menší neţ 1,8 (nastavení niţší hodnoty parametru K v modelu reprezentuje vyšší pravděpodobnost výskytu silných větrů, coţ byl i případ zájmového území na Šumavě). Jako první byly statistickému šetření podrobeny výsledky hodnocení rizika porostu vůči vyvrácení a zlomení pro parametr K=1,8. Mezi nejvíce zastoupenou kategorii rizika ohroţení lesních porostů vůči vyvrácení pro parametr K=1,8 patřila kategorie 1 reprezentující nejmenší riziko ohroţení. Ta zaujímala přibliţně 86 % plochy zájmového území. Kategorie 6, reprezentující naopak nejvíce ohroţené porosty, byla druhou nejvíce zastoupenou skupinou s 4,4 %. Ostatní kategorie ohroţení 2-5 zaujímaly celkem asi 9,5 % zájmové plochy území. Velmi podobné výsledky byly dosaţeny hodnocením rizika porostů vůči zlomení pro parametr K=1,8. Většinu území opět zaujímala kategorie 1 (87 %) a druhou nejvíce zastoupenou byla také kategorie 6 přibliţně s 4,6 %, ostatní tvořily téměř 11 % plochy území, tedy asi o 1,5 % více neţ v případě rizika vyvrácení. 119

Obr. 51: Riziko porostu vůči zlomení pro parametr K=1,8 na území Prášilska. Během analyzování příčin poměrně velkého procentuálního zastoupení porostů v kategorii 1 (86 %), je nutné vzít v úvahu fakt, ţe přibliţně 30 % zalesněných ploch nebylo moţné modelem hodnotit (přibliţně 25 tisíc jednotek výběrového souboru), jelikoţ hodnoty dendrometrických veličin byly pro tyto porosty příliš nízké a nesplňovaly minimální poţadavky modelu pro vstupní data (např. minimální hodnota výšky porostu vstupujícího do modelu je 5 m). Tato data nebyla modelem hodnocena a byla automaticky přiřazena do kategorie 1 především z důvodu, ţe šlo o mladé porosty, které nebyly do modelu načteny hlavně proto, ţe jejich ohroţení větrem bylo minimální. Jako další byly statistickému šetření podrobeny výsledky hodnocení rizika porostu vůči vyvrácení a zlomení pro parametr K=1,7. Nejvíce zastoupenou kategorií rizika ohroţení lesních porostů vůči vyvrácení byla opět kategorie 1 s 80,8 %. Jako druhé byly nejvíce zastoupeny porosty s nejvyšším stupněm rizika ohroţení spadající do kategorie 6 (7,2 %). Ostatní porosty, reprezentující mírné riziko ohroţení porostu vůči vyvrácení, byly zastoupeny

v zájmovém

území

přibliţně

12

%

plochy.

Stejně

jako

v předchozím případě, výsledky hodnocení rizika porostu vůči zlomení pro parametr K=1,7 téměř kopírovaly výsledky hodnocení rizika porostů vůči vyvrácení. Největší zastoupení měly i v tomto případě porosty s nejmenším rizikem ohroţení (kategorie 1) zaujímající 79,4 % celkové plochy území. Druhou nejvíce zastoupenou kategorií s 8,3 120

% byly lesní porosty s největším stupněm ohroţení (kategorie 6). Poslední 4 kategorie (2-5) byly v zájmovém území zastoupeny 12,3 %.

Obr. 52: Riziko porostu vůči zlomení pro parametr K=1,7. Jako třetí v řadě byly zhodnoceny výsledky hodnocení rizika porostu vůči vyvrácení a zlomení pro parametr K=1,6. Největší zastoupení měla stejně jako ve všech ostatních případech kategorie 1, do které spadaly porosty s nejmenším rizikem ohroţení. Ta zaujímala 72,3 % celkové plochy území pro riziko ohroţení vůči zlomení a 74,3 % vůči vyvrácení. Druhou nejvíce zastoupenou byla v případě rizika vyvrácení a zlomení porostu kategorie 6, která měla v zájmovém území 11,6% (riziko vyvrácení) a 13% (riziko zlomení) zastoupení. Ostatní kategorie (2,3,5) byly v území zastoupeny rovnoměrně a kaţdá z nich zaujímala přibliţně 4 % celkové plochy území. Hodnocení výsledků rizika porostu vůči vyvrácení a zlomení pro parametr K=1,5 bylo provedeno jako poslední. Jak je dobře patrné z mapy ohroţení a obrázku 54, nejvíce zastoupenou kategorií rizika ohroţení lesních porostů vůči vyvrácení pro parametr K=1,5, byla kategorie 1 s 66,6 %. Oproti výsledkům získaných při hodnocení s nastavením parametru K=1,8 měly porosty spadající do této skupiny téměř o 20 % niţší zastoupení. Podobný rozdíl bylo moţné pozorovat i u kategorie 6, která zaujímala téměř 18 % území pro parametr K=1,5, zatímco při nastavení parametru K=1,8 se jednalo pouze o 4,4 % plochy území. Nárůst procentuálního zastoupení plochy porostů u ostatních kategorií se sniţující se hodnotou parametru K nebyl na rozdíl od kategorií 1 a 6 tak výrazný a dosahoval pouze asi 6,6 %. Příkladem můţe být porovnání celkového zastoupení kategorií 2,3,4 a 5 (riziko vyvrácení) pro parametr K=1,8, které zaujímaly dohromady 9,3 % území a kategorií 2,3,4 a 5 (riziko vyvrácení) pro parametr K=1,5 121

které měly celkové zastoupení 15,9 %. Hodnocením rizika porostů vůči zlomení pro parametr K=1,5 bylo zjištěno, ţe 65,2 % území zaujímaly lesní plochy v kategorii 1 a 18,9 % území připadalo na nejohroţenější lesní porosty v kategorii 6. Zbývající porosty byly dohromady zastoupeny téměř 16 %.

Obr. 53: Riziko porostu vůči vyvrácení pro parametr K=1,5 na území Prášilska.

Obr. 54: Riziko porostu vůči vyvrácení pro parametr K=1,5.

122

S klesající hodnotou parametru K Weibullova rozdělení v modelu se znatelně sniţovalo procentuální zastoupení porostů v kategorii 1 (86,2 %, 80,8 %, 74,2 %, 66,6 % celkové plochy území) a postupně narůstalo zastoupení v ostatních kategoriích, především v kategorii 6 (4,4 %, 7,2 %, 11,6 %, 17,7 % celkové plochy území), která byla ve všech hodnocených případech druhou nejvíce zastoupenou. Jak je dobře patrné z mapy rizika ohroţení vůči zlomení pro parametr K=1,5, plochy patřící do kategorie 6 reprezentující nejvyšší riziko ohroţení porostů větrem se překrývají na mnoha místech s polomovými plochami způsobenými orkánem Kyrill. Nejvyšší shodu mezi výsledky získanými modelem ForestGALES a polomovými plochami po orkánu Kyrill bylo moţné pozorovat u mapy rizika porostů pro parametr K=1,5. V tomto případě se více neţ 72 % poškozených ploch orkánem Kyrill nacházelo v kategoriích 2 aţ 6, které reprezentovaly středně vysoké aţ vysoké riziko ohroţení porostů. Tato shoda klesala úměrně se zvyšující se hodnotou parametru K Weibullova rozdělení. U mapy ohroţení lesních porostů pro parametr K=1,6 se nacházelo v kategoriích 2 aţ 6 přibliţně 63 % poškozených ploch. Pro parametr K=1,7 šlo uţ pouze o 52 % poškozených ploch a při nastavení parametru K=1,8 byla shoda pouhých 42 %.

123

12. Hodnocení porostů na základě empirického přístupu Hodnocení lesních porostů na základě empirického přístupu je v disertační práci reprezentováno metodou logistické regrese, která patří mezi jednu z nejpouţívanějších metod k hodnocení pravděpodobnosti výskytu polomů, jeţ byla testována a pouţita mnoha autory (Valinger a Fridman 1997, Jalkanen a Matilla 2000, Canham et al. 2001, Lanquaye - Opoku a Mitchell 2005, Scott a Mitchell 2005). Výpočtu pravděpodobnosti výskytu větrných polomů pomocí metody logistické regrese na území Prášilska předcházela konstrukce datové sady závislých a nezávislých (vysvětlujících) proměnných, vytvoření jednotek výběrového souboru a konstrukce segmentační databáze. Výpočet parametrů modelu logistické regrese byl proveden v softwaru SAS 9.1 a samotný výpočet pravděpodobnosti výskytu polomů metodou logistické regrese a tvorba mapy pravděpodobnosti výskytu polomů byly provedeny v nadstavbě Spatial Analyst softwaru ESRI ArcInfo 9.2.

12.1 Logistická regrese Modelování vztahů mezi vysvětlující a vysvětlovanou proměnnou lze zařadit mezi základní aktivity, se kterými je moţné se ve statistice setkat. Ve většině případů se předpokládá, ţe závislá proměnná je náhodnou veličinou s normálním rozdělením a pro odvození modelu se poté pouţívá metoda nejmenších čtverců. Problém se můţe vyskytnout v případě, kdy závislá proměnná není spojitá, ale binární. Pokud tato situace nastane, nelze pouţít k odhadu parametrů klasickou regresní analýzu, jelikoţ tento postup by mohl způsobit problémy. Řešením je v tomto případě metoda logistické regrese. Logistická regrese patří mezi jednu z nejpopulárnějších a často vyhledávaných metod k hodnocení pravděpodobnosti výskytu nějakého jevu. S vyuţitím této metody se lze často setkat například v lékařství nebo ekonomii. Příkladem aplikování metody logistické regrese v lékařství můţe být studie vlivu kouření na výskyt karcinomu pankreatu v populaci okresu Šumperk (Máchová et al., 2006), práce zabývající se logistickou regresí jako nástrojem pro diskriminaci v lékařských aplikacích (Kuráňová, 2009) nebo rozsáhlá mezinárodní studie CESAR (Central European Study Air pollution and Respiratory health), kde byla logistická regrese vyuţita jako metoda modelování v analýze dotazníků o zdravotním stavu. Metoda logistické regrese si našla také své místo v marketingovém výzkumu nebo při konstrukci skóringových modelů, které slouţí hodnocení kreditního rizika bankovních klientů. 124

Vyuţití této metody a geografických informačních systémů při řešení rozmanitých úloh není v zahraničí ţádnou novinkou a některé statistické softwary, jako například SAS, mají v sobě jiţ zabudované nástroje podporující GIS. Mezi jednu z nejčastějších oblastí aplikace metody logistické regrese a GIS patří výpočet pravděpodobnosti rizika sesuvu půdy. Příkladem je studie z Kansasu v USA, během které bylo vyuţito mnohonásobné logistické regrese k hodnocení rizika sesuvů půd. Mezi vstupní datové sady patřily vrstva geologie a vrstvy sklonu a sesuvů, jako GIS software byl pouţit ArcView GIS od firmy ESRI. Výsledky hodnocení indikovaly největší vliv sklonu na vznik sesuvů, zatímco půdní typ neměl na sesuvy ţádný signifikantní vliv (Ohlmacher, Davis, 2003). Logistická regrese se zabývá problematikou odhadu nějakého závislého jevu (závislé

proměnné)

na

základě

určitých

známých

skutečností

(nezávislých

proměnných), které mohou ovlivnit výskyt jevu. V logistické regresi je závislá proměnná binárního typu (např. výskyt polomu ano/ne) a cílem této metody je analýza efektů nezávislých proměnných (např. věk porostu, výška porostu atd.), které mohou být numerického nebo kategoriálního typu. Rovnici logistické regrese je moţné vyjádřit jako:

Zdroj: Drake (2008). kde: g(x) = β0 + β1x1 + β2x2 + …+ βpxp β0, … , βp = parametry regresního modelu x1, … , xp = vysvětlující proměnné Parametry β0, … , βp regresního modelu jsou odhadovány metodou maximální věrohodnosti (maximum likehood estimation). Nástroje k výpočtu těchto odhadů jsou implementovány v mnoha statistických programech dostupných na trhu. Některé softwarové prostředky, například S-PLUS nebo SAS, umoţňují výběr mezi různě formulovanými

věrohodnostními

funkcemi

(podmíněná

nebo

nepodmíněná

věrohodnostní funkce). Jednoduchá dostupnost těchto softwarů je pravděpodobně jedním z hlavních faktorů, které přispívají k častému vyuţívání logistické regrese při 125

analýze dat. Druhým důleţitým faktorem je poměrně snadná interpretace odhadů parametrů logistického regresního modelu. Aby bylo moţné vystavět kvalitní model logistické regrese, je nezbytné získat příslušnou datovou sadu vysvětlujících (nezávislých) a závislých proměnných. Vysvětlované proměnné mohou být standardně buď kvalitativního, nebo kvantitativního charakteru. Kvantitativní proměnné jsou číselné a vyjadřují počet, případně velikost nebo mnoţství a lze je dále dělit na spojité nebo diskrétní. Na rozdíl od kvantitativních proměnných kvalitativní označují většinou kategorii, ve které se příslušný subjekt nachází. Kvalitativní proměnné lze dále dělit na ordinální, u kterých je moţné kategorie logicky kvalitativně uspořádat, a na nominální, které uspořádat nelze. Kvantitativní proměnné mohou a často vstupují do modelů logistické regrese přímo, v praxi se nicméně často proměnné rozřazují do kategorií. Kaţdá proměnná v modelu je reprezentována sadou znaků, které můţe nabývat. Ke kaţdému znaku je následně přiřazená binární proměnná (někdy také označovaná jako dummy proměnná), která nabývá hodnotu 1, jestliţe prvek daného znaku nabývá (např. výskyt polomu v nadmořských výškách nad 1000 m n. m.), a hodnotu 0 v opačném případě. Šance (odds), ţe prvek bude nabývat hodnotu jedna, je vyjádřena pomocí logaritmu podílu π/(1 – π), který je označován jako logit. Parametr β0 udává velikost logitu pro nulové hodnoty všech vysvětlujících proměnných. To znamená, ţe pro β0 je šance, ţe prvek bude roven jedné, jedna ku jedné, neboli π = 0,5. Kladné hodnoty parametru β0 tedy znamenají, ţe šance je větší neţ jedna ((π > 0,5), záporné hodnoty znamenají, ţe je menší neţ jedna (π < 0,5). V závislosti na jedné nebo více vysvětlujících proměnných se logit můţe měnit. Míru této změny vyjadřují parametry βp, p = 1, 2 …. Při jednotkové změně p-té vysvětlující proměnné (a zůstanou-li ostatní veličiny beze změny), je potom šance, ţe Y = 1, eβp-krát tak velká. Při pouţití indikátorových proměnných pro vícekategoriální vysvětlované proměnné závisí způsob interpretace parametrů na typu indikátorů – buď máme na mysli změnu logitu, a tedy také šance, oproti zvolené referenční kategorii (indikátory dummy), nebo oproti průměru všech pouţitých kategorií (indikátory effect) (Pecáková, 2007). Důleţitou součástí aplikace logistické regrese v praxi je volba vhodného modelu. V mnoha případech totiţ není riziková funkce ovlivněna jen jedním faktorem. Výběr vhodných vysvětlujících proměnných a vyřazení těch, které jsou v modelu nadbytečné, je moţné provádět na základě porovnání více alternativních modelů. Jako vhodná 126

statistika pro porovnávání je v literatuře doporučována hodnota věrohodnostní funkce modelu, která v sobě obsahuje informaci o všech datech obsaţených v modelu. Ve statistických softwarech (např. SAS) je tato statistika často počítána upraveně ve formě -2log Lˆ. Její hodnota je vţdy kladná a platí, ţe niţší hodnota reprezentuje vhodnější model. Na podobném principu je zaloţeno Akiakeho informační kritérium AIC = -2 log Lˆ + αq. V tomto tvaru je α předem definovaná konstanta, jejíţ hodnota se pohybuje většinou v rozmezí 2 aţ 6 a q je počet parametrů modelu. 12.2 Konstrukce segmentační databáze K hodnocení rizika lesních porostů vůči větru bylo nutné získat data reprezentující faktory, které mají prokazatelný vliv na výši škod. Mezi základní faktory ovlivňující pravděpodobnost výskytu polomů byly zvoleny faktory stanoviště, reliéfu, lesních porostů a faktory směru a rychlosti větru. Faktory reliéfu byly ve studii reprezentovány digitálním modelem terénu, z kterého byly následně odvozeny vrstvy sklonu povrchu, expozice a zakřivení. DMT byl vytvořen pomocí nadstavby Spatial Analyst v softwaru ESRI ArcInfo 9.2. Pro tvorbu DMT byla pouţita interpolační metoda Topo To Raster, jako vstupní data byly pouţity vrstevnice ZABAGED. Faktory stanoviště byly zastoupeny daty oblastních plánů rozvoje lesa. Z dat OPRL, především z typologické mapy, byly odvozeny informace týkající se vlhkostních a půdních poměrů v zájmovém území a údaje o hloubce půd. Data reprezentující faktory lesních porostů byla odvozena z lesních hospodářských plánů. Z těch byly také získány důleţité údaje o vlastnostech porostů, především informace o věku porostu, zakmenění, výšce, tloušťce a zastoupení dřevin v rámci porostních skupin. Poslední faktory rychlosti větru a směru rychlosti větru byly zastoupeny vrstvou rychlosti a směru větru. Tyto vrstvy byly vytvořeny ve spolupráci s Ústavem fyziky atmosféry AV ČR v Praze. Proudění vzduchu bylo vypočítáno 3rozměrným modelem proudění a meteorologická data vstupující do modelu byla naměřena v průběhu orkánu Kyrill v lednu 2007. Výše zmíněné faktory reprezentovaly takzvanou datovou sadu nezávislých (vysvětlovaných) proměnných, která poté vstupovala dohromady s datovou sadou závislých proměnných do statistického softwaru. Datová sada závislých proměnných byla reprezentována vrstvou polomů způsobených orkánem Kyrill.

127

Většina dat pouţitých k hodnocení byla získána v rámci projektu STRiM, který byl zpracováván na Ústavu geoinformačních technologií Lesnické a dřevařské fakulty Mendelovy univerzity v Brně, a tato data byla také pouţita při hodnocení rizika pomocí modelu ForestGALES. Mnoho datových vrstev poskytla především Správa Národního parku a chráněné krajinné oblasti Šumava a Ústav fyziky atmosféry AV ČR v Praze. Poté, co byly získány a předpřipraveny všechny datové sady, následovalo vytvoření jednotek výběrového souboru o velikosti 25 x 25 metrů. Jednotky výběrového souboru byly vytvořeny pomocí nadstavby ArcGIS Spatial Analyst a jejich celkový počet čítal 110 864, po odstranění jednotek bezlesí tvořila databáze 85 142 jednotek. V následujícím kroku byl pouţit stejný metodologický postup jako v případě tvorby databáze pro hodnocení rizika pomocí modelu ForestGALES pouze s tím rozdílem, ţe pro sestavení segmentační databáze bylo pouţito mnohem více vstupní parametrů, které byly následně podrobeny testům vhodnosti a významnosti pro účely tvorby optimálního modelu logistické regrese. Překrytím jednotlivých datových vrstev, které reprezentovaly vstupní hodnoty modelu, přes sebe byla pomocí nástrojů ArcGIS Analyst Tools vytvořena segmentační databáze obsahující údaje o závislých a nezávisle proměnných pro kaţdou jednotku výběrového souboru (segment o velikosti 25x25 metrů). Tab. 15: Datová struktura databáze (nezávislé proměnné). Název pole

Datový typ

Popis

Průměr

Směr. odchylka

Min. hodnota

Max. hodnota

1047

110

722

1336

ELEV

číslo

nadmořská výška

ASPECT

číslo

orientace

176

116

0

359

SKLON

číslo

sklon

9,4

3,9

0

29

VEK

číslo

věk porostu

89

46

2

223

ZAKM

číslo

zakmenění porostu

8,7

1,1

2

10

SM_D

číslo

střední tloušťka smrku

25,5

12,8

0

66

SM_H

číslo

střední výška smrku

21

8,6

0

38

HLOUB

text

hloubka půdy

no data

no data

no data

no data

VLH

text

vlhkost půdy

no data

no data

no data

no data

ZAST_SM

číslo

zastoupení smrku

85,9

19,1

0

100

PUD_T

text

půdní typ

no data

no data

no data

no data

VITR

číslo

průměrná rychl. větru

3,3

1,1

0,6

6,38

VITR_K

číslo

rychlost větru (Kyrill)

15,6

5,6

1

40

SMĚR_K

číslo

směr větru (Kyrill)

-46,6

10,9

-90

-3

(no data – text data/případně číselné hodnoty)

128

12.3 Statistické analýzy Výpočet parametrů modelu logistické regrese byl proveden ve statistickém softwaru SAS 9.1. K odhadnutí parametrů modelu byla pouţita metoda maximální věrohodnosti,

jeţ

spočívá

v

konstrukci

věrohodnostní

funkce.

Ta

udává

pravděpodobnost, s jakou při daném odhadovaném modelu nastanou právě všechny pozorované události. Algoritmy pro výpočet parametrů jsou jiţ mnoho let implementovány v běţně dostupných statistických programech, jako je například SAS, coţ také přispívá k častému vyuţívání logistické regrese při analýze dat.

12.3.1 Statistický software SAS SAS je poměrně rozsáhlý programový systém pro manipulaci s daty, jejich analýzu a prezentaci vyvíjený firmou SAS (USA), která má v ČR své zastoupení. SAS Institute byl zaloţen v roce 1976 Jimem Goodnightem a čtyřmi dalšími zaměstnanci za účelem tvorby produktu SAS System, který se původně rozšířil jako nástroj pro analýzu zatíţení počítačů (IBM mainframe). Modul Base je základním kamenem SAS System, umoţňuje přístup k datům, jejich analýzu, správu a prezentaci. Obsahuje programovací jazyk čtvrté generace (4GL), který je moţné pouţít v programech - procedurách, pomocí nichţ je moţné pracovat s daty, třídit, vybírat, počítat statistiky, vytvářet analýzy a ze všeho vytvářet výstupní sestavy. Tvoří společné prostředí a zajišťuje základní funkce. SAS System umoţňuje načíst data z většiny formátů. Pro přístup k databázovým systémům většinou existují nativní drivery, např.: pro Oracle, Informix, Sybase a další. Druhou moţností je pouţívat přístup přes ODBC. Samozřejmě lze načítat i data přímo ze souborů textových, binárních a ze souborů s proměnnou délkou záznamu, a navíc je moţné si vytvořit vlastní načítací program. Base SAS software nabízí velmi mocné nástroje pro provádění datových analýz. Velice jednoduše lze počítat různé statistiky, jako jsou průměry, součty, standardní odchylky, rozsahy, minima, maxima a podobně. Dále lze počítat korelace a statistiky popisující vzájemnou závislost několika proměnných a odvozovat další statistiky. Další funkce a moţnosti analytického zpracování nabízí specializované komponenty. SAS System obsahuje nástroje na plánování, tvorbu předpovědí, kontrolu kvality, vedení projektů, podporu rozhodování, řízení lidských zdrojů, modul pro statistiku a mnoho dalších.

129

Hlavní doplňující modely SAS  modul SAS STAT - Statistická analýza  modul SAS ETS - Analýza časových řad obsahujících náhodnou sloţku  modul SAS INSIGHT - Analýza dat a jejich vizualizace pomocí dynamických grafů  modul SAS IML - Implementace specializovaného jazyka pro práci s maticemi  modul SAS LAB - Vyhodnocování laboratorních pokusů  modul SAS OR - Řešení úloh operační analýzy. Mezi další moduly patří např.: SAS ACCESS pro transparentní přístup k databázím, SAS SHARE pro sdílení dat na SAS serveru, SAS CONNECT umoţňující přístup na tento SAS server, SAS FSP slouţící jako interface pro práci s tabulkami, SAS GRAPH pro tvorbu grafických výstupů, SAS SPECTRAVIEW poskytující prostředky pro prezentaci 3D dat, SAS GIS představující geografický informační systém pro prezentaci obchodních dat na mapách a další. 12.3.2 Výpočet korelačních koeficientů Před samotným výpočtem parametrů byly pro všechny vysvětlující proměnné vypočítány Pearsonovy korelační koeficienty a v případě vysoké korelace mezi nezávislými proměnnými byla jedna z nich z výpočtu parametrů modelu vyloučena z důvodů multikolinearity. Mezi některými nezávisle proměnnými existovala mírná korelace, takţe mohly být následně pouţity při konstrukci logistického modelu. Vysoká míra korelace byla zjištěna mezi proměnnými věk (VEK) a střední výčetní tloušťkou smrku (SM_D), věk (VEK) a střední výška smrku (SM_H), mezi střední výškou smrku (SM_H) a střední výčetní tloušťkou smrku (SM_D). Středně vysoká míra korelace byla detekována mezi nadmořskou výškou (ELEV) a rychlostí větru během orkánu Kyrill (VITR_K), dále pak mezi průměrnou rychlostí v zájmovém území (VITR) a rychlostí větru během orkánu Kyrill (VITR_K). Výše zmíněná korelace byla do jisté míry očekávána. Na základě výpočtu korelačních koeficientů mezi nezávisle proměnnými byly z dalších statistických analýz vyloučeny proměnné střední výška smrku (SM_H) a střední výčetní tloušťka (SM_D), které korelovaly s proměnou věk (VEK). Jako další byla vyřazena proměnná rychlost větru během orkánu Kyrill (VITR_K), která úzce korelovala s proměnnou průměrná rychlosti větru (VITR). 130

Tab. 16: Vybrané korelační koeficienty. Proměnná 1

Proměnná 2

ELEV VEK VEK SM_D SM_D VITR VEK

VEK SM_D SM_H SM_H ZAKM VITR_K ZAKM

Korelační koeficient 0,155 0,902 0,831 0,963 -0,224 0,471 -0,326

12.3.3 Výběr a testování modelu logistické regrese Výběr modelu logistické regrese byl proveden na základě porovnání více odlišných modelů. Pro nalezení nejvhodnějšího z nich byla pouţita hodnota věrohodnostní funkce, která v sobě obsahuje informaci o všech datech obsaţených v modelu (niţší hodnota reprezentuje lepší model). Ve statistickém softwaru SAS 9.1, který byl pouţit v této práci, byla tato hodnota počítána upraveně ve formě -2log L. Pro výběr nejvhodnějšího modelu byla také pouţita metoda postupné regrese (stepwise selection) umoţňující nalézt nejvhodnější kombinaci vstupních nezávislých proměnných tak, aby co nejlépe vysvětlovala pravděpodobnost výskytu zkoumaného jevu. Testování statistické významnosti jednotlivých parametrů bylo provedeno pomocí Waldova testu vyuţívajícího poměr maximálně věrohodného odhadu a odhadu směrodatné odchylky. Jako první byla k výběru modelu logistické regrese pouţita metoda postupné regrese (stepwise regression), která je implementována v SAS 9.1 Před samotným provedením výpočtu bylo nutné vytvořit nový projekt a načíst segmentační databázi vytvořenou v ArcGIS. Po otevření SAS 9.1 byl příkazem Solutions/Analysis/Analyst otevřen modul Analyst, do kterého byla následně importována segmentační databáze ve formátu dbf. Segmentační databáze obsahovala následující nezávislé proměnné: nadmořská výška (ELEV), orientace (ASPECT), sklon (SKLON), věk (VEK), zakmenění (ZAKM), hloubka půdy (HLOUB), vlhkost půdy (VLH), zastoupení smrku (ZAST_SM), půdní typ (PUD_T), směr větru během orkánu Kyrill (SMĚR_K) a průměrná rychlost větru (VITR). Výpočet parametrů logistické regrese pomocí postupné regrese byl spuštěn z modulu Analyst příkazem Statistics/Regression/Logistic Regression, po otevření okna 131

Logistic Regression byly ze seznamu vysvětlujících proměnných vybrány pouze ty, které vstupovaly do analýzy. Jako vysvětlovaná byla zvolená proměnná VYSKYT reprezentující výskyt polomových ploch pro kaţdou jednotku v segmentační databázi (výskyt polomu byl reprezentován hodnotou 1). Nastavení výpočtu metodou postupné regrese bylo provedeno příkazem Model/Selection/Stepwise selection. Jako prahová hodnota úrovně významnosti (significance level) pro jednotlivé proměnné byla zvolena 0,05. V případě, ţe byla tato hodnota překročena, procedura postupné regrese automaticky vyloučila danou proměnnou z modelu z důvodu nedostatečné úrovně významnosti. Výsledkem postupné regrese byly jako nejvhodnější vysvětlující proměnné vybrány všechny proměnné vstupující do modelu (všechny byly vyhodnoceny jako statisticky významné pro model logistické regrese). Jednalo se o ELEV, ASPECT, SKLON, VEK, ZAKM, HLOUB, VLH, ZAST_SM, PUD_T, SMER_K a VITR. Tab. 17. Odhady parametrů modelu (stepwise regression). Parameter

Estimate

Standard Error

Wald Chi – Square

Intercept ELEV SKLON ASPECT VEK ZAKM HLOUB ZAST_SM PUD_T VLH SMER_K VITR

-15,9330 0,0118 -0,0865 0,000557 0,0231 0,0456 0,3068 0,0233 0,00896 -0,0446 0,0503 -0,1183

0,3180 0,000208 0,00380 0,000127 0,000456 0,0174 0,0151 0,00143 0,00427 0,0133 0,00143 0,0310

2510,5748 3214,8373 519,2724 19,3128 2568,3512 6,8705 414,7532 265,7541 4,4082 11,2197 1234,7707 1454,1674

132

Pr ˃ ChiSq ˂ ,0001 ˂ ,0001 ˂ ,0001 ˂ ,0001 ˂ ,0001 ˂ ,0088 ˂ ,0001 ˂ ,0001 ˂ ,0358 ˂ ,0008 ˂ ,0001 ˂ ,0001

Tab. 18: Testování významnosti odhadnutého modelu. Test

Chi-Square

DF

Pr ˃ ChiSq

Likelihood Ratio Score Wald

15845,9059 15416,7155 9939,8101

11 11 11

˂ ,0001 ˂ ,0001 ˂ ,0001

Criterion

Intercept Only

Intercept and Covariates

AIC SC -2 Log L

52230,299 52239,523 52228, 299

36406,393 36517,082 36382,393

Jako druhý postup při výběru nejvhodnějšího modelu logistické regrese byla zvolena metoda zaloţená na porovnání více odlišných modelů. Sledovanými faktory, jejichţ vliv na výskyt polomů byl analyzován, byly nadmořská výška (ELEV), orientace (ASPECT), sklon (SKLON), věk (VEK), zakmenění (ZAKM), hloubka půdy (HLOUB), vlhkost půdy (VLH), zastoupení smrku (ZAST_SM), půdní typ (PUD_T), směr vetru během orkánu Kyrill (SMER_K) a průměrná rychlost větru (VITR). Pro potřeby zvolení nejvhodnějšího modelu bylo vytvořeno 13 alternativních modelů s různými kombinacemi v úvahu připadajících proměnných. Kritériem pro volbu nejvhodnějšího modelu byla záporná hodnota dvojnásobku logaritmu věrohodností funkce -2log Lˆ a hodnota Akiakeho testového kritéria. Obě hodnoty bylo moţné vypočítat softwarem SAS 9.1. V porovnání s modelem bez vysvětlujících proměnných (v tabulce 19 je označen jako model 1) je jasně patrné, ţe výše zmíněné proměnné mají na výskyt polomových ploch vliv. Tento fakt potvrzují obě sledované statistiky, které jsou u prvního modelu nejvyšší. Se zvyšujícím se počtem vysvětlujících proměnných vstupujících do modelu docházelo ke sniţování hodnot obou statistik. Nejniţší hodnoty obou statistik (AIC - 36406,39; -2 Log L - 36382,393) bylo moţné pozorovat u modelu číslo 12, který byl vypočítán na základě všech dostupných vysvětlujících proměnných. Na základě porovnávání alternativních modelů bylo zjištěno, ţe přidáním některých proměnných do modelu se jeho kvalita nezlepšila, ale naopak zůstala prakticky stejná. Příkladem mohou být proměnné orientace (ASPECT), sklon (SKLON), zakmenění (ZAKM), vlhkost půdy (VLH) a půdní typ (PUD_T). 133

Přidáním proměnné sklon do modelu číslo 2, který byl tvořen pouze proměnnou nadmořská výška, nedošlo k výraznému sníţení hodnoty ţádné z obou sledovaných statistik AIC a -2 Log L (model 2 = AIC - 48375,393; -2 Log L - 48379,393, model 3= AIC - 48322,76; -2 Log L - 48328,768) a přidáním proměnné orientace do modelu 3 tvořeného nadmořskou výškou a sklonem byl rozdíl mezi modely 3 a 4 téměř nulový (model 3 = AIC - 48322,76; -2 Log L - 48328,768, model 4 = AIC - 48322,024; -2 Log L - 48330,024). K signifikantní změně v hodnotách AIC a -2 Log L nedošlo ani v případě pouţití proměnných zakmenění, vlhkost půdy a půdní typ. Vyloučením výše zmíněných proměnných a pouţitím těch, které měly významnější vliv na kvalitu modelu logistické regrese, byl vypočítán model 13, který vykazoval téměř stejné hodnoty AIC a -2 Log L jako model 12, ale na rozdíl od modelu 12, byl tvořen mnohem menším počtem vysvětlovaných proměnných. Právě vysoký počet vysvětlovaných proměnných vstupujících do modelu můţe mít za příčinu sníţení jeho kvality, jelikoţ jiţ samotné vstupní proměnné jsou zatíţeny určitým stupněm nepřesnosti. Tab. 19: Porovnání alternativních modelů. Model

Proměnné v modelu

2 Log L

AIC

1

Ţádné

56055,133

56057,133

2

ELEV

48375,393

48379,393

3

ELEV+SKLON

48322,768

48328,768

4

ELEV+SKLON+ASPECT

48322,024

48330,024

5

ELEV+SKLON+ASPECT+VEK+

42825,55

42835,55

6

ELEV+SKLON+ASPECT+VEK+ZAKM

42811,357

42823,357

7

ELEV+SKLON+ASPECT+VEK+ZAKM+HLOUB

41727,096

41741,096

8

ELEV+SKLON+ASPECT+VEK+ZAKM+HLOUB+ZAST_SM

39657,976

39673,976

9

ELEV+SKLON+ASPECT+VEK+ZAKM+HLOUB+ZAST_SM+PUD_T

39657,84

39675,84

10

ELEV+SKLON+ASPECT+VEK+ZAKM+HLOUB+ZAST_SM+PUD_T+VLH

39585,517

39605,517

11

ELEV+SKLON+ASPECT+VEK+ZAKM+HLOUB+ZAST_SM+PUD_T+VLH+SMER_K

37991,07

38013,07

12

ELEV+SKLON+ASPECT+VEK+ZAKM+HLOUB+ZAST_SM+PUD_T+VLH+SMER_K +VITR

36382,393

36406,39

13

ELEV +VEK+HLOUB+ZAST_SM+SMER_K+VITR

37075,839

37089,839

134

Podle Waldova testu (sloupce Chi-Square a Pr˃ChiSq v tabulce 17) se potvrdilo to, co jiţ odhalilo srovnávání alternativních modelů. Vliv půdního typu, zakmenění a vlhkosti se ukazuje jako statisticky nejmíň významný vůči dalším parametrům vstupujících do modelu. Oproti ostatním vysvětlujícím proměnným, jejichţ p-value byla menší neţ 0,0001, měly výše zmíněné proměnné hodnotu p-value vyšší neţ 0,0001 (půdní typ - 0,0358; zakmenění - 0,0088; vlhkost - 0,0008). Stejným způsobem (Waldův test, srovnání alternativních modelů) byly stanoveny vysvětlující proměnné, které byly statisticky nejvýznamnější a měly proto nejvyšší vliv na vznik polomů. Mezi ně patřily nadmořská výška, věk, zastoupení smrku v porostu, směr větru během orkánu Kyrill a průměrná rychlost větru. Přidáním výše zmíněných proměnných do modelu logistické regrese došlo v kaţdém případě k významnému sníţení hodnot AIC a -2 Log L, coţ indikovalo zlepšení kvality modelu. Vytvořením modelu číslo 2, který byl tvořen pouze proměnnou nadmořská výška, došlo k nejvýraznějšímu sníţení hodnoty obou sledovaných statistik AIC a -2 Log L (model 1 = AIC - 56055,133; -2 Log L - 56057,133, model 2 = AIC - 48375,393; -2 Log L 48379,393). Přidáním proměnné věk do modelu 4 tvořeného nadmořskou výškou, sklonem a orientací poklesly hodnoty sledovaných statistik téměř o 6 000 (model 4 = AIC - 48322,024; -2 Log L - 48330,024, model 5= AIC - 42825,55; -2 Log L 42835,55). Podstatné sníţení a zkvalitnění modelu bylo moţné také pozorovat při vloţení vysvětlujících proměnných směr větru během orkánu Kyrill a průměrné rychlosti větru. Tab. 20: Odhady parametrů modelu. Parameter

Estimate

Standard Error

Wald Chi – Square

Intercept ELEV VEK HLOUB ZAST_SM SMER_K VITR

-15,9290 0,0106 0,0215 0,3530 0,0288 0,0469 -0,1026

0,2342 0,000195 0,000392 0,0148 0,00138 0,00140 0,00293

4624,3694 2976,0508 3010,7799 571,7275 431,4238 1115,6673 1229,2944

135

Pr ˃ ChiSq ˂ ,0001 ˂ ,0001 ˂ ,0001 ˂ ,0001 ˂ ,0001 ˂ ,0001 ˂ ,0001

Tab. 21: Testování významnosti odhadnutého modelu. Test

Chi-Square

DF

Pr ˃ ChiSq

Likelihood Ratio Score Wald

15152,4601 14712,8949 9850,5653

6 6 6

˂ ,0001 ˂ ,0001 ˂ ,0001

Criterion

Intercept Only

Intercept and Covariates

AIC SC -2 Log L

52230,299 52239,523 52228, 299

37089,839 37154,408 37075,839

136

12.4 Hodnocení rizika výskytu lesních polomů v ArcGIS Hodnocení rizika výskytu lesních polomů a výsledné mapy ohroţení pro jednotlivé modely logistické regrese vypočítané ve statistickém softwaru SAS 9.1 byly vytvořeny pomocí softwaru ESRI ArcInfo 9.2. Hodnocení předcházela konstrukce datové sady závislých a nezávislých (vysvětlujících) proměnných, vytvoření jednotek výběrového souboru, konstrukce segmentační databáze a výpočet parametrů modelu logistické regrese. Výsledné mapy ohroţení lesních porostů pro modely logistické regrese byly vytvořeny pomocí mapové algebry v nadstavbě Spatial Analyst. Rovnice logistické regrese s parametry modelu 1 vypočítaná statistickým softwarem SAS 9.1 byla v mapové algebře vyjádřena jako: p = exp (-15.9290 + ELEV * 0,0106 + VEK * 0,0215+ HLOUB * 0,3530 + ZAST_SM * 0,0288 + SMER_K * 0,0469 - VITR * 0,1026)/(1 + exp (-15.9290 + ELEV * 0,0106 + VEK * 0,0215+ HLOUB * 0,3530 + ZAST_SM * 0,0288 + SMER_K * 0,0469 VITR * 0,1026)) kde: p – pravděpodobnost ELEV – nadmořská výška VEK – věk porostu HLOUB – potenciální hloubka půdy ZAST_SM – zastoupení smrku v porostu SMER_K – směr větru během orkánu Kyrill VITR – průměrná rychlost větru Na základě výsledné mapy ohroţení a grafu zastoupení intervalů pravděpodobnosti ohroţení je patrné, ţe většina území (více neţ 56 %) náleţela do intervalů s nejniţšími hodnotami pravděpodobnost 0-0,05. Plochy s mírným aţ středním rizikem ohroţení, tedy intervaly hodnot pravděpodobnosti 0,06-0,10; 0,11-0,15; 0,16-0,25; 0,26-0,50 zaujímaly přibliţně asi 38 % území. Koncentrace ploch s nejvyšší pravděpodobností rizika je poměrně dobře patrná z výsledné mapy ohroţení pro model 1. Poslední interval s nejvyššími hodnotami pravděpodobnosti výskytu polomů zaujímal přibliţně 4,1 % celkové plochy zájmového území.

137

Jak je dobře zřetelné z mapy ohroţení (obr. 56), intervaly s nejvyššími hodnotami pravděpodobnosti výskytu větrných polomů se překrývají s polomovými plochami způsobenými orkánem Kyrill, coţ jen potvrzuje správnost pouţitých postupů a modelu.

Obr. 55: Zastoupení intervalů pravděpodobnosti ohroţení lesních porostů větrem na Prášilsku (model 1).

Obr. 56: Pravděpodobnost výskytu větrných polomů na území Prášilska (model 1).

138

V dalším kroku byla do mapové algebry vloţena rovnice logistické regrese s parametry modelu 2, která byla vyjádřena jako: p = exp (-15.9330 + ELEV * 0,0118 - SKLON * 0,0865 + ASPECT * 0,000557 + VEK * 0,0231 + ZAKM * 0,456 + HLOUB * 0,3068 + ZAST_SM * 0,0233 + PUD_T * 0,00896 - VLH * 0,0446 + SMER_K * 0,0503 - VITR * 0,1183)/(1 + exp(-15.9330 + ELEV * 0,0118 - SKLON * 0,0865 + ASPECT * 0,000557 + VEK * 0,0231 + ZAKM * 0,456 + HLOUB * 0,3068 + ZAST_SM * 0,0233 + PUD_T * 0,00896 - VLH * 0,0446 + SMER_K * 0,0503 - VITR * 0,1183)) kde: p – pravděpodobnost ELEV – nadmořská výška SKLON – sklon povrchu ASPECT - orientace VEK – věk porostů ZAKM – zakmenění HLOUB – potenciální hloubka půdy ZAST_SM – zastoupení smrku v porostu PUD_T – půdní typ VLH – vlhkost půdy SMER_K – směr větru během orkánu Kyrill VITR – průměrná rychlost větru Velmi podobné výsledky bylo moţné pozorovat v mapě ohroţení lesních porostů vytvořené na základě parametrů logistické regrese pro model 2. Nejvíce zastoupeným byl opět interval pravděpodobnosti 0-0,05, který zaujímal 58,1 % zájmového území. Druhým nejvíce zastoupeným byl interval pravděpodobnosti 0,06-0,10 reprezentující pouze mírný stupeň rizika, do tohoto intervalu spadalo 15,8 % lesních porostů. Následující tři intervaly 0,11-0,15; 0,16-0,25; 0,26-0,50 zastupující mírný aţ středně vysoký stupeň rizika zaujímaly přibliţně stejnou plochu zájmového území (cca 7 %) a celkově do těchto tří intervalů spadalo téměř 22 % lesních porostů. Stejně jako v případě modelu 1, je koncentrace ploch s nejvyššími hodnotami pravděpodobnosti rizika ohroţení dobře patrná z mapy ohroţení na obrázku 57. Interval 0,51-0,99 je také nejméně zastoupenou kategorií v celém území s 4,3 %.

139

Obr. 57: Pravděpodobnost výskytu větrných polomů na území Prášilska (model 2).

Obr. 58: Zastoupení intervalů pravděpodobnosti ohroţení lesních porostů větrem (model 2).

140

V poslední části byly porovnány výsledky získané metodou logistické regrese s polomovými plochami po orkánu Kyrill. U obou modelů logistické regrese bylo moţné

obecně

pozorovat

poměrně

dobrou

shodu

mezi

koncentrací

ploch

reprezentujících nejvyšší pravděpodobnost rizika výskytu polomů a polomy způsobenými Kyrillem. Výrazná shoda byla patrná zvláště u intervalu s nejvyššími hodnotami rizika 0,51-0,99. V případě modelu 1 se v polomových plochách způsobených Kyrillem nacházelo téměř 74 % ploch patřících do toho intervalu pravděpodobnosti rizika výskytu polomů. Pouţitím modelu 2 došlo dokonce k nárůstu této shody na 78,4 %. Rozšířením intervalu pravděpodobnosti 0,51-0,99 o další intervaly 0,11-0,15; 0,160,25; 0,26-0,50 reprezentující mírné aţ střední riziko ohroţení polomů větrem došlo ke zvýšení shody mezi dosaţenými výsledky a polomovými plochami způsobenými Kyrillem aţ na 86,2 % v případě modelu 1 a 86,5 % v případě modelu 2. Na základě výsledků získaných hodnocením lesních porostů pomocí logistické regrese a GIS bylo zjištěno, ţe pravděpodobnost výskytu polomů se zvyšuje především s vyšší nadmořskou výškou (ELEV), věkem porostů (VEK), s vyšším procentuálním zastoupením smrku v porostu (ZAST_SM) a se zvyšující se rychlostí větru (VITR). Výši škod také signifikantně ovlivnil směr větru (SMER_K). Výše zmíněné výstupy a výsledky byly do jisté míry očekávány a ve velké míře se shodují se závěry studií, které byly věnovány problematice rizika výskytu větrných polomů.

141

13. Srovnání výsledků získaných mechanickým a empirickým přístupem Cílem předchozích dvou kapitol bylo provést hodnocení rizika polomů na základě dvou odlišných přístupů – mechanického a empirického. Základním principem empirického přístupu a z něj vycházejících modelů byl vztah mezi větrným poškozením a vlastnostmi porostu, vlastnostmi porostu jako celku a vlastnostmi stanoviště. V první části kapitoly byly zmíněny principy logistické regrese, která byla k hodnocení rizika pouţita. V následující části byly popsány metody a postupy konstrukce datové sady závislých a nezávislých proměnných, vytvoření jednotek výběrového souboru a konstrukce segmentační databáze. Výpočet parametrů modelu logistické regrese byl proveden v softwaru SAS 9.1, samotný výpočet pravděpodobnosti výskytu polomů metodou logistické regrese a tvorba mapy pravděpodobnosti výskytu polomů byly provedeny v nadstavbě Spatial Analyst softwaru ESRI ArcInfo 9.2. Druhá kapitola se věnovala mechanickému modelu ForestGALES a jeho adaptaci pro podmínky v České republice. Na rozdíl od empirického přístupu mechanické modely predikují pravděpodobnost poškození lesa polomem na základě kritické rychlosti větru a pravděpodobnosti výskytu této rychlosti. V úvodu kapitoly je zmíněna základní charakteristika modelu a jeho operační módy, v další části jsou podrobně popsána vstupní data, jejich úprava, převody a návrh optimalizované datové struktury. Výpočet stupně rizika je proveden v mechanickém modelu ForestGALES a výsledné hodnoty jsou poté exportovány do ESRI ArcInfo 9.2, kde jsou následně vizualizovány formou mapových výstupů. Pouţitím obou výše zmíněných přístupů bylo docíleno poměrně velmi dobré shody mezi dosaţenými výsledky a daty reprezentujícími polomové plochy po orkánu Kyrill (tj. mezi koncentracemi ploch s nejvyšší pravděpodobností/stupněm rizika výskytu polomů vypočítaných na základě empirického a mechanického přístupu a polomovými plochami způsobenými orkánem Kyrill). Lepší shodu bylo moţné pozorovat u výsledků získaných pomocí metody logistické regrese (empirický přístup). U obou modelů vytvořených tímto způsobem byla shoda mezi intervalem pravděpodobnosti rizika 0,510,99 (nejvyšší stupeň ohroţení) a polomy způsobenými polomem Kyrill vyšší neţ 74 %. Nejvyšší shody (78,4 %) bylo docíleno modelem 2 sloţeného z proměnných, které měly nejvýznamnější vliv na kvalitu modelu a následné výsledky hodnocení. Důvodem

142

lepších výsledků získaných pomocí empirického přístupu v případě hodnocení rizika na území Šumavy můţe být i fakt, ţe při sestavování modelů logistické regrese byly pouţity informace týkající se rozmístění poškozených ploch ve studovaném území. Na kvalitu a přesnost výstupů měl také podstatný vliv charakter a počet proměnných vstupujících do modelu. Na rozdíl od mechanického přístupu, kde je počet vstupních proměnných limitován moţnostmi modelu, mohou být empirické modely vyuţívající metody logistické regrese tvořeny libovolným počtem proměnných. Důleţitou roli při sestavování modelu měly bezpochyby proměnné rychlost a směr větru během orkánu Kyrill, které z velké míry ovlivnily rozsah a rozmístění škod. V případě mechanického modelu byly jako informace reprezentující větrnost stanoviště pouţity údaje o průměrné rychlosti větru a parametr K Weibullova rozdělení. Výsledkem hodnocení rizika na základě mechanického přístupu pomocí modelu ForestGALES byly 4 mapy rizika ohroţení pro různé hodnoty parametru K Weibullova rozdělení (od 1,5 do 1,8), které reprezentovaly rozloţení průměrné rychlosti větru. Nejvyšší shodu mezi výsledky získanými modelem ForestGALES a polomovými plochami způsobenými Kyrillem bylo moţné pozorovat u mapy rizika pro parametr K=1,5. V tomto případě se více neţ 72 % poškozených ploch nacházelo v kategoriích 2 aţ 6, které reprezentovaly středně vysoké aţ vysoké riziko ohroţení porostů. V porovnání s empirickým modelem, kdy oba modely dosáhly přibliţně 75 % shody, nebyl rozdíl mezi přístupy příliš markantní. Rozdíl však bylo moţné sledovat mezi zastoupením ploch nejrizikovějších kategorií pro jednotlivé přístupy. Nejrizikovější intervaly pravděpodobnosti vypočítané empirickým přístupem 0,51-0,99 zaujímaly přibliţně pouze 5 % zájmové plochy území, zatímco plochy spadající do nejvyšší kategorie rizika číslo 6 vypočítané modelem ForestGALES pro parametr K=1,5 tvořily více neţ 17 % celkové plochy území. Se zvyšující se hodnotou parametru K, tj. sniţující se pravděpodobností výskytu extremních větrů, klesalo i procentuální zastoupení kategorie 6 v území a pro hodnotu parametru K=1,8 bylo zastoupení jiţ pouze 4,4 %. Se zvyšující se hodnotou parametru K Weibullova rozdělení klesala i shoda mezi zastoupením nejrizikovějších ploch v polomech po orkánu Kyrill. U mapy ohroţení pro parametr K=1,6 se nacházelo v kategoriích 2 aţ 6 přibliţně 63 % poškozených ploch. Pro parametr K=1,7 se jednalo o 52 % poškozených ploch a při nastavení parametru K=1,8 o pouhých 42 %. V následujícím kroku bylo provedeno přímé porovnání výsledků mezi oběma přístupy. Nejvyšší shodu mezi dosaţenými výsledky bylo moţné sledovat na mapě 143

ohroţení lesních porostů větrem pro model 2 (empirický přístup) a na mapě ohroţení porostů vůči zlomení a vyvrácení pro parametr K=1,5. V tomto případě se nacházelo celých 85,6 % nejrizikovějších ploch (interval pravděpodobnosti rizika 0,51-0,99) vypočítaných metodou logistické regrese v kategoriích 2-6 indikující středně vysoký aţ vysoký stupeň rizika vypočítaný pomocí modelu ForestGALES. Pokud byly vyloučeny kategorie 2-5 a pro porovnání výsledků byla pouţita pouze kategorie 6 reprezentující nejvyšší stupeň rizika, byla shoda mezi nejrizikovějšími kategoriemi 65 %. Porovnáním intervalů pravděpodobnosti rizika 0,05-0,99 a kategorií rizika 2-6 bylo zjištěno, ţe 64 % ploch s intervalem pravděpodobnosti 0,05-0,99 spadá do těchto pěti rizikových kategorií. Postupně byla provedena další porovnání mezi výsledky na mapě ohroţení lesních porostů větrem pro model 2 a výslednými hodnotami na mapách ohroţení porostů vůči zlomení a vyvrácení pro parametry K=1,6; 1,7 a 1,8. Jak jiţ bylo zmíněno výše, se vzrůstající hodnotou parametru K klesalo plošné zastoupení rizikových kategorií 2-6 v zájmovém území. Se sniţující se hodnotou K se také postupně zmenšovalo zastoupení ploch v intervalu pravděpodobnosti rizika výskytu polomů 0,51-0,99 v kategoriích 2-6. U mapy ohroţení porostů vůči zlomení a vyvrácení pro parametr K=1,6 bylo zastoupení ještě 78 %, pro parametr K=1,7 došlo ke sníţení na 69 % a pro parametr K=1,8 bylo zastoupení jen 57 %. Na základě statistických analýz a vizuálního porovnání výsledných map byla nejvyšší shoda pozorována jihovýchodně od vrcholu Polom (1295 m n. m.) na ploše o rozloze přibliţně 2,5 km2, kde oba přístupy správně odhadly nejvyšší riziko ohroţení. Tato část zájmového území byla jiţ několikrát v předchozích letech a desetiletích narušena větrnými polomy (o čemţ vypovídá jiţ samotný název vrcholu). Shoda mezi poškozenými plochami orkánem Kyrill a nejrizikovějšími plochami vypočítanými oběma přístupy byla v této lokalitě téměř 100 %. Vysokou koncentraci polomových ploch způsobených Kyrillem bylo moţné pozorovat také v okolí vrcholů Plesná (1336 m n. m.) a Poledník (1315 m n. m.). Tyto části zájmového území nebyly poškozeny do takové míry jako oblast vrcholu Polom, ale bylo zde moţné sledovat poměrně slušnou shodu mezi výsledky získanými oběma přístupy a polomovými plochami. Z porovnání dat průměrné rychlosti větru vypočítaných zaměstnanci Ústavu fyziky atmosféry AV ČR a výsledků získaných modelem ForestGALES bylo patrné, ţe hodnoty průměrné rychlosti větru měly na hodnocení významný vliv a do velké míry 144

ovlivnily rozloţení nejohroţenějších kategorií v území. Tento fakt měl v některých případech za následek neshodu mezi rozloţením polomových ploch, které se ne vţdy vyskytovaly v místech nejvyšší průměrné rychlosti větru, a plochami reprezentujícími nejvyšší kategorie ohroţení. Tato neshoda byla nejvíce viditelná v okolí obce Prášily a v jihovýchodní části zájmového území (východně od Prášilského jezera). Model ForestGALES vyhodnotil tyto lokality jako vysoce rizikové a náchylné vůči polomům, ale samotný výskyt polomů způsobených orkánem Kyrill byl v těchto lokalitách nízký. Přestoţe byly hodnoty průměrné rychlosti větru pouţity i během hodnocení rizika ohroţení lesních porostů vůči větru pomocí metody logistické regrese, neměly na výsledné hodnoty pravděpodobnosti, tak velký vliv jako u modelu ForestGALES. Ten stanovuje riziko stupně ohroţení na základě kritické rychlosti větru, která je odhadována na základě dat o průměrné rychlosti větru a parametru K reprezentujícího pravděpodobnost výskytu krizové rychlosti v dané lokalitě. Jednotná hodnota parametru K pouţitá pro celé zájmové území mohla být také jedním z důvodů odlišných výsledků modelu v určitých částech území oproti výsledkům získaných empirickým přístupem.

Obr. 59: Pravděpodobnost výskytu polomů v okolí vrcholu Polom.

145

Obr. 60

Obr. 61

Obr. 62

Obr. 63

Obr. 60-63: Detailní porovnání výsledků pravděpodobnosti/rizika výskytu polomů vypočítaných na základě mechanického přístupu (obr. 60 a 62) a empirického přístupu (obr. 61 a 63) v okolí vrcholu Polom (obr. 62 a 63) a Poledník (obr. 60 a 61).

146

Na základě výstupních dat získaných oběma metodami byla vytvořena mapa míry shody mezi výsledky získanými oběma přístupy (mechanickým/empirickým). Samotné konstrukci mapy předcházelo porovnávání hodnot v mapě pravděpodobnosti výskytu polomů (model 2) a mapě rizika porostu vůči vyvrácení a zlomení pro parametr K=1,5. V případě, ţe se plochy s pravděpodobností rizika výskytu polomů vyšší neţ 0,5 řadily do ploch kategorií 4-6 rizika porostu vůči zlomení/vyvrácení, byla míra shody mezi výsledky stanovena jako vysoká. Pokud hodnoty pravděpodobnosti 0,5 a vyšší patřily do kategorií 2-3 rizika porostů vůči zlomení/vyvrácení, byla míra shody stanovena jako střední. Náleţely-li hodnoty pravděpodobnosti 0,5 a vyšší do kategorie 1 rizika porostů vůči zlomení/vyvrácení, která reprezentuje nejniţší riziko ohroţení, byla shoda na těchto plochách označena jako nízká. Stejným způsobem byly porovnány i ostatní kategorie a postupně byla všem plochám přiřazena hodnota míry shody. Statistickou analýzou bylo zjištěno, ţe 60 % lesních ploch vykazuje vysokou shodu mezi výsledky získanými metodou logistické regrese a modelem ForestGALES, tj. oběma přístupy byly dané lokality vyhodnoceny jako vysoce rizikové vůči poškození větrem nebo naopak jako nízko rizikové. Střední shodu bylo moţné pozorovat u 15 % lesních porostů a 25 % hodnocených lesních ploch vykazovalo nízkou míru shody mezi dosaţenými výsledky.

Obr. 64: Zastoupení kategorií míry shody mezi výsledky získanými empirickým a mechanickým přístupem. Z výše zmíněných údajů je moţné sledovat dostatečně vysokou shodu mezi výsledky získanými empirickým (logistická regrese) a mechanickým přístupem (ForestGALES), která se vyskytuje aţ na 75 % ploch všech lesních porostů ve

147

studovaném území (vysoká a střední shoda). Na dosaţení vysokých hodnot míry shody mělo vliv také poměrně vysoké zastoupení mladých porostů v zájmovém území, které byly správně vyhodnoceny oběma přístupy jako nízce rizikové vůči poškození větrem. Nízké hodnoty shody vyskytující se na 25 % plochy lesních porostů je moţné přisuzovat rozdílným vstupním datům vstupujícím do hodnocení a také samotnému charakteru hodnocení rizika oběma přístupy. Jak jiţ bylo vysvětleno v úvodu kapitoly, jedním z hlavních důvodů rozdílných výsledků v jihovýchodní části studovaného území (východně od Prášilského jezera) byla vysoká průměrná rychlost větru, na základě které model ForestGALES vyhodnotil danou lokalitu jako středně aţ vysoce rizikovou. Hodnocení na základě empirického přístupu pomocí metody logistické regrese naopak vyhodnotilo tuto oblast jako středně aţ málo rizikovou. Důvodem nízkých hodnot rizika byl především nepatrný výskyt polomových škod způsobených Kyrillem v této oblasti. Ty vstupovaly do hodnocení jako závislé proměnné a přímo ovlivňovaly výsledné hodnoty hodnocení. Dalším důvodem byl výskyt ne příliš starých porostů v dané oblasti, které nepředstavovaly při empirickém hodnocení zvýšené riziko vůči polomům, a také klesající nadmořská výška, které reprezentovala niţší stupeň rizika. Nízké hodnoty shody bylo moţné také pozorovat ve střední části studovaného území, především v okolí obce Prášily. Důvody rozdílných výsledků mezi oběma přístupy byly podobné jako v předchozím případě. Model ForestGALES vyhodnotil danou lokalitu nesprávně jako středně aţ nízce rizikovou z důvodu nízké průměrné rychlosti větru, i přesto, ţe se zde nacházely porosty vysokého stáří, které byly logicky více náchylné k poškození polomem. Metodou logistické regrese byla oblast vyhodnocena správně jako vysoce náchylná k poškození polomem. Hlavními důvody bylo vysoké stáří porostů, kterému byla na rozdíl od modelu ForestGALES přikládána vyšší váha a vysoké zastoupení smrku v porostu v kombinaci s rostoucí nadmořskou výškou. V dané oblasti se také nacházelo velké mnoţství polomových ploch způsobených orkánem Kyrill (závislá proměnná), coţ mělo na hodnocení metodou logistické regrese významný vliv.

148

Obr. 65: Míra shody mezi výsledky získanými oběma přístupy na území Prášilska.

Obr. 66: Riziko porostu vůči polomové kalamitě stanovené na základě mechanického a empirického přístupu na území Prášilska. 149

14. Diskuse Vítr a následné škody významně ovlivňují strukturu a funkčnost lesních ekosystémů a způsobují lesním hospodářům napříč Evropou značné finanční ztráty (Peltola et al., 2010). Například během let 1990 a 1999 bylo v celé Evropě poškozeno díky větrným vichřicím v zimním období více neţ 275 mil. m3 dřeva a škody způsobené silným větrem v lednu roku 2007 a 2009 měly za následek jen ve střední a jiţní Evropě přibliţně 150 mil. m3 dřeva (Peltola et al., 2010). Vítr patřil i v minulosti k hlavním přírodním škodlivým činitelům lesních porostů v Evropě. Na základě analýzy dostupných dat o poškození lesních porostů v Evropě bylo zjištěno, ţe během let 19502000 bylo průměrně ročně poškozeno přírodními disturbancemi asi 35 mil. m 3 dřeva, z toho 53 % bylo vázáno na poškození větrem, 16 % na poškození ohněm, 3 % na poškození sněhem a 5 % zaujímaly ostatní abiotické faktory. Biotické faktory měly za následek 16 % poškození lesa, z toho polovina připadala na škody způsobené kůrovcem (Schelhaas et al., 2003). V České republice byl během posledních dvaceti let vítr hlavním abiotickým faktorem způsobujícím škody na lesních porostech a škody způsobené větrem tvořily od roku 1990 do 2010 (mimo roky 1996, 2006) většinu z objemu evidovaných těţeb v důsledku poškození abiotickými vlivy (Kníţek, 2011). Výskyt polomů nezávisí ve většině případů pouze na výskytu jednoho faktoru, ale často se jedná o interakci několika faktorů dohromady, jako například klimatických podmínek, reliéfu, půdních a porostních charakteristik a další (Ruel, 1995; Ruel, 2000). Stejných závěrů bylo dosaţeno i metodou logistické regrese aplikované v disertační práci, kdy bylo zjištěno, ţe na vznik polomů mělo vliv větší mnoţství faktorů, některé více a některé méně. Na základě jednoduchého statistického vyhodnocení dat a hodnocení rizika lesních porostů pomocí statistické metody logistické regrese bylo zjištěno, ţe škody způsobené orkánem Kyrill narůstaly s nadmořskou výškou a největší výskyt polomových ploch byl identifikován v nadmořských výškách nad 1200 m n. m. Podobných výsledků dosáhl také Holuša et al. (2010), který analyzoval faktory mající vliv na poškození lesních porostů větrem a sněhem v Beskydech. Na základě hodnocení dostupných dat zjistil, ţe škody způsobené větrem signifikantně korelovaly s nadmořskou výškou, zatímco na škody způsobené sněhem neměla nadmořská výška vliv. Významná korelace škod s nadmořskou výškou je ve shodě se skutečností, ţe na území České republiky koreluje rychlost větru s rostoucí nadmořskou výškou (Hostýnek a Král, 2006). Jalkanen a 150

Mattila (2000) zjistili, ţe nadmořská výška měla na výši škod určitý význam, který ale nebyl příliš podstatný, ke stejným závěrům došel například i Klopcic et al. (2009). Větrné poškození se obvykle vyskytuje v prvních několika letech od provedení těţebního zásahu do porostu a stromy, které jsou najednou vystaveny přímému větru, jsou logicky náchylnější k poškození. Tyto stromy se mohou v průběhu let, kdy jsou vystaveny větru, adaptovat a stát se odolnější vůči větrnému poškození. Vnik této odolnosti vůči větru můţe být zpomalen ve vyšších nadmořských výškách, kde jsou horší klimatické podmínky a kratší vegetační období (Stathers et al., 1994). Dalším faktorem, jenţ podstatně ovlivnil výskyt polomů na území NP Šumava po orkánu Kyrill, byl věk porostu. Ten byl identifikován jako statisticky významný na základě jednoduchých statistických analýz a také pomocí Wald testu. U věku porostu byla také zjištěna určitá korelace se střední tloušťkou a výškou. Vliv věku porostu na výši škod potvrzuje například Lohmander and Helles (1987), kteří došli k závěru, ţe narůstající věk porostů zvyšuje jejich náchylnost k větrnému poškození a při srovnání jehličnatých porostů s listnatými, jsou jehličnaté porosty mnohem náchylnější k větrnému poškození od mladého věku a s narůstajícím věkem se zvyšuje i riziko (Savill et al., 1997). Tyto závěry jsou také ve shodě s výsledky studie Klopcice et al. (2009), který zjistil, ţe výskyt škod způsobených větrem je mnohem pravděpodobnější ve starších porostech, coţ potvrzuje také Jalkanen a Mattila (2000) a Ruel (2000). Informace o věku porostů nejsou vţdy k dispozici a věk porostů nebyl například zahrnut do statistických analýz v několika dalších studiích zabývajících se problematikou polomů (Schindler et al., 2009; Lorz et al., 2010) z důvodu nedostatků disponibilních dat pro celé studované území. Největší podíl škod způsobených orkánem Kyrill byl v porostech ve věku mezi 121-160 lety, u mladších porostů do věku 80 let zaujímaly škody méně neţ 10 % z celkového mnoţství škod. Škody na starších porostech (věk 161-223 let) byly v porovnání s porosty ve věku 121-160 let celkově niţší, to však mohlo být způsobeno niţším procentuálním zastoupením těchto porostů v zájmovém území (viz příloha č. 9). Valinger a Fridman (2011) ve své studii statistickou analýzou zjistili, ţe pravděpodobnost poškození rostla přibliţně do věku 90 let, zatímco porosty starší 110 let měly niţší riziko poškození. Pravděpodobnost poškození byla také dvakrát vyšší u porostů ve věku 90 let neţ u porostů o polovinu mladších. Dalším faktorem, který zvyšuje náchylnost porostů k větrným škodám, je jejich výška a s rostoucí výškou porostů se zvyšuje také pravděpodobnost vzniku poškození (König, 1995; Dobbertin, 2002). S rostoucí výškou porostů se také zvyšovala 151

pravděpodobnost výskytu škod způsobených orkánem Kyrill (viz příloha č. 7), kde škody v lesních porostech rostly aţ do výšky 25 metrů, menší podíl škod (asi o 3 % niţší) byl zaznamenán v porostech s výškou mezi 25,1 aţ 30 metrů. Nejvyšší stromy (30,1-38 metrů) měly procentuálně niţší zastoupení polomových škod, ale jejich celkové zastoupení v zájmovém území bylo také velmi nízké. S výškou a stářím porostu korelovala také střední tloušťka porostu (viz tab. 16) a na základě statistické analýzy bylo zjištěno, ţe výskyt škod způsobených větrem narůstal se zvyšující se tloušťkou porostu, kde největší mnoţství škod bylo zaznamenáno v porostech se střední tloušťkou stromů v porostu 32,1-40 cm. V poslední kategorii (40,1-66 cm) jiţ nebyl výskyt polomů tak vysoký v porovnání s předchozí kategorií, to je však způsobeno nízkým procentuálním zastoupení této kategorie v rámci celého zájmového území. Vliv průměru kmene na stabilitu porostu vůči větru zmiňuje například i Jalkanen a Matila (2009). Za další faktor mající vliv na náchylnost porostu k větrnému poškození povaţují na základě výsledného modelu logistické regrese také vysoký věk porostů. Mezi další proměnné, které mohou do jisté míry ovlivnit náchylnost porostu vůči větru, patří půdní typ (Kramer et al., 2001), půdní pH (Mayer et al., 2005), vlhkost půdy (Schaetzl et al., 1989), případně půdní hloubka (Stathers et al., 1994). Podle Schaetzl et al. (1989) stromy rostoucí na vlhkých, oglejených nebo organických půdách jsou náchylnější k vyvrácení neţ ty rostoucí na dobře odvodňovaných půdách. Na základě statistického hodnocení porostního stanoviště, provedeného v kapitole 10.2, nebyl zjištěn ţádný významný vliv půdních charakteristik na výši polomu a nepotvrdily se výše zmíněné skutečnosti. Nízký vliv vlhkosti půdy na výši škod můţe být způsoben faktem, ţe orkán Kyrill zasáhl území NP Šumava v lednu, kdy byla většina lesní půdy zmrzlá a půdní vlhkost neměla na stabilitu porostů vliv. Nejvíce škod se nacházelo v kategorii normální vlhkosti půdy, která zaujímala největší plošné zastoupení v zájmovém území. Podle základního statistického hodnocení škod se většina polomů nacházela v půdách s potencionální hloubkou půdy středně hluboká a hluboká, přestoţe by se dalo očekávat, ţe se budou škody nacházet v půdách mělkých nebo velmi mělkých (Stathers et al., 1994). Je ovšem důleţité vzít v potaz, ţe zastoupení velmi mělkých a mělkých půd v zájmovém území bylo oproti hlubokým a středně hlubokým půdám nízké. Nejvíce škod se nacházelo v místech, kde vál během orkánu Kyrill severozápadní vítr (téměř 70 %). Na základě informací z oficiálního webu NP Šumava převládá na Šumavě západní a jihozápadní směr proudění. Ve spolupráci s Ústavem fyziky atmosféry AV byla získána vrstva rychlosti větru během orkánu Kyrill a 152

průměrná rychlost větru v daném území. Na základě statistického hodnocení bylo zjištěno, ţe se nejméně polomových škod nacházelo v místech s nejniţší průměrnou rychlostí větru 0-2 m.s-1. S narůstajícími hodnotami průměrné rychlosti větru se zvyšovalo zastoupení polomových ploch. V oblastech s průměrnou rychlostí větru 0-3 m.s-1 se nacházelo přibliţně 25 % všech poškozených ploch, přestoţe tyto plochy zaujímaly více neţ 50 % celkové plochy území. V místech s průměrnou rychlostí větru nad 3 m.s-1 se nacházelo zbylých 75 % polomových škod, celkově zaujímaly plochy s průměrnou rychlostí větru vyšší neţ 3 m.s-1 méně neţ 50 % celkové plochy zájmového území. Průměrná rychlost větru rostla s nadmořskou výškou a mezi těmito dvěma proměnnými byla zjištěna pozitivní korelace. Tento poznatek je v souladu s Hostýnkem a Králem (2006), kteří došli k závěru, ţe na území České republiky rychlost větru koreluje s rostoucí nadmořskou výškou. Pozitivní korelace byla také pozorována mezi nezávislou proměnnou rychlost větru během orkánu Kyrill a nadmořskou výškou. Většina polomových škod se nacházela v kategoriích rychlosti větru 9-16 a 17-24 m.s-1 (viz obr. 41), tyto plochy však zaujímaly dohromady více neţ 60 % celkové plochy zájmového území. V místech s nejvyšší rychlostí větru 33-40 m.s-1 se nacházelo asi 3 % polomových škod, tyto plochy však tvořily pouze 1 % z celkové plochy zájmového území. Změna přirozené druhové skladby v posledních dvou stoletích, způsobená především výsadbou smrkových monokultur za účelem větší produkce dřeva a následně většího zisku, vedla ke sníţení odolnosti našich lesů proti kalamitám, proti kterým by byly lesy přirozené druhové skladby odolnější (Zelená zpráva, 2007). Zastoupení smrku v porostu mělo také podstatný vliv na výši škod způsobených orkánem Kyrill. Nejvíce poškozených stromů (více neţ 60 % všech škod) se nacházelo v porostech se zastoupením smrku větším neţ 91 % a s klesajícím procentuálním zastoupením smrku v porostu se také sniţovalo mnoţství porostů poškozených větrem (viz příloha č. 8). Vliv zastoupení smrku v porostu byl také vyhodnocen jako statisticky významná nezávislá proměnná a jako taková byla pouţita k hodnocení rizika pomocí statistické metody logistické regrese. Vliv typu dřeviny na pravděpodobnost rizika poškození větrem zohledňuje i model ForestGALES, který před samotným hodnocením rizika umoţňuje nastavit typ dřeviny. Albrecht et al. (2012) zjistil na základě dlouhé řady pozorování charakteristik lesních porostů v jihozápadním Německu, ţe poškození větrem bylo nejvíce pozorováno v porostech, kde dominoval smrk ztepilý (Picea abies) (47 %) a jedle (Pseudotsuga menziesii) (21 %). Pouze 11 % škod se nacházelo v 153

porostech, kde rostly listnaté dřeviny (9 % buk, 2 % dub). Vlivem zastoupení smrku v porostech na odolnost vůči větru se podrobně zabýval Valinger a Fridman (2011), který zjistil, ţe narůstající zastoupení smrku ztepilého (Picea abies) v porostech zvyšuje pravděpodobnost výskytu větrného poškození. Pokud je v porostu, kde dominuje smrk ztepilý (Picea abies), zastoupení listnatých dřevin 25-30 %, klesá pravděpodobnost rizika větrného poškození přibliţně o 50 % oproti porostu, kde by se nacházel pouze smrk. Výše popsané poznatky zmiňují i starší studie (Nykänen et al., 1997). O vlivu zastoupení smrku na území České republiky psal jiţ Ivo Vincent (1947), který na základě rozboru polomové kalamity došel k závěru, ţe zastoupení smrku mělo určitý vliv na výši polomu a pokud zastoupení smrku v porostech bylo menší neţ 60 %, zůstaly porosty téměř beze škod. Vicena (2006) přikládá zastoupení dřevin mnohem menší váhu a co do významu je řadí aţ na 4. - 6. místo. Zeng et al. (2009) došel k závěru, ţe porosty, kde dominuje smrk ztepilý (Picea abies), jsou ve Finsku jen o něco málo náchylnější neţ porosty s dominancí jedle. Klopcic et al. (2009) například vliv zastoupení smrku nehodnotil vůbec, jelikoţ tato nezávislá proměnná úzce korelovala s jinými proměnnými. Jak je zmíněno v kapitole 3.3, model ForestGALES je software pro podporu rozhodování, který byl adaptován pro podmínky v Kanadě (Quebeck a British Columbia), Novém Zélandu, Francii, Dánsku a Japonsku (Moore a Somerville, 1998; Ruel et al., 2000; Byrne, 2005; Cucchi et al., 2005; Mikklesen, 2007; Kamimura et al., 2008). V současné době patří model ForestGALES spolu s modelem HWIND, který byl také navrhnut pro výpočet rizika poškození lesních porostů větrem, mezi nejpouţívanější a široce akceptované modely vědeckou komunitou specializující se na problematiku polomů (Gardiner et al., 2008). Jak zmiňuje Gardiner et al. (2008), u kaţdého modelového systému je nutné v určitém místě pouţít empirické vztahy, vyuţití těchto empirických vztahů by však mělo být co nejmenší. Tato podmínka poté umoţňuje pouţít model mimo lokalitu, pro které platí dané empirické vztahy. Přestoţe jsou mechanické modely v současné době velmi propracované, mají určitá omezení a jejich výsledky je nutné brát s rezervou. Současné semi-mechanické modely se dnes potýkají s několika problémy, jejichţ řešení bude vyţadovat další výzkum. Jak je zmíněno v kapitole 2, současné semi-mechanické modely vyuţívají k výpočtům pravděpodobnosti rizika poškození větrem pouze tzv. průměrného stromu, který je součástí jednotného porostu. Další generace modelů pro odhad rizika poškození lesního porostu větrem bude jiţ schopná počítat riziko na úrovni 154

jednotlivých stromů (Schindler et al., 2012). Krokem do budoucna je studie Hale et al. (2012), která se zabývá vlivem velikosti stromů v porostu, vzájemnou konkurencí a probírkou ve vztahu k jejich odolnosti vůči větru a moţnou aplikací těchto poznatků v budoucích verzích semi-mechanických modelů pro odhad rizika poškození na úrovni jednotlivých stromů v porostu. Mechanické modely jsou velmi citlivé na vstupní data a pouţití nepřesných dat můţe podstatně ovlivnit výsledné hodnoty rizika pravděpodobnosti, stejný vliv na kvalitu výsledků mají i růstové modely integrované do modelů. Pouţitím moderních technologií ke sběru, jako je například LiDAR, můţe být docíleno přesnějších výsledků, jelikoţ na základě spolehlivějších údajů (dendrometrických a dalších) o porostu, lze lépe stanovit parametry ohybového momentu, které jsou následně pouţívány v modelech k výpočtu rizika poškození porostů větrem (Suárez-Minguez et al., 2007; Gardiner et al., 2008). Spolehlivost a dostupnost vstupních dat byla ostatně velkým problémem při adaptaci modelu ForestGALES na území České republiky a tento fakt mohl do jisté míry ovlivnit dosaţené výsledky. Vzhledem k tomu, ţe model byl primárně navrţen pro podmínky ve Velké Británii, odpovídaly poţadavky na vstupní data modelu podmínkám ve Velké Británii a určité vstupní údaje musely být získány převody nebo jinými způsoby. Samotné zatíţení původních dat určitou chybou a následné přizpůsobení vstupních dat modelu mohlo do určité míry také negativně ovlivnit kvalitu výsledných dat. Tento problém by mohl být částečně řešen pouţitím dat získaných LiDARem, ovšem je nutné zváţit vstupní náklady spojené s pořízením těchto dat. Gardiner et al. (2008) vidí jako další problém současných mechanických modelů předpovídání lokálních větrných podmínek. Informace o lokálním klimatu jsou často počítány pomocí softwaru WAsP, který je vhodný pouze pro území se sklonem menším neţ 10 % vyskytujícím se například v jiţním Švédsku nebo Finsku (Venäläinen et al., 2004), zatímco v jiných oblastech můţe být pouţití WAsP problematické (Kamimura, 2007). Stejný problém popisuje i Hošek (2004), který porovnával model WAsP a VAS2 na území České republiky a došel k závěru, ţe v oblastech s členitějším reliéfem podával lepší výsledky model VAS2. Na základě výsledků srovnávání vytvořili autoři hybridní model VAS/WAsP, který kombinuje oba dva modely. Tento model (VAS/WAsP) byl také pouţit pro výpočet lokálních klimatických podmínek vstupujících do modelu ForestGALES. Pravděpodobně díky nedostatku vstupních dat do modelu VAS/WAsP nebyla k dispozici vrstva Weibullova parametru k, a pro celé území byla pouţita jednotná hodnota doporučená pracovníky Ústavu fyziky atmosféry 155

AV ČR v Praze. Tento fakt mohl do jisté míry také ovlivnit úroveň kvality výstupních údajů. Někteří autoři se v minulosti pokoušeli integrovat mechanické modely do GIS a vytvořit prostorové nástroje pro podporu rozhodování, které jsou lesním hospodářům bliţší neţ sloţité systémy, jeţ není moţné pouţít v praxi. Podstatou je vytvoření určitého nástroje (ideálně jako nadstavba v GIS), do kterého jsou vkládány informace o porostním stanovišti, porostu, klimatických podmínkách atd. Výsledkem je mapa, případně tabulka vyjadřující ohroţení lesního porostu větrem. Příkladem můţe být software pro podporu rozhodování vyvinutý Zengem et al. (2006), který v sobě integruje mechanický model HWIND, růstový model SIMA a geografický informační systém ArcGIS 8.2. Výsledkem je tzv. toolbar v ArcGIS, který je uţivateli (například lesnímu hospodáři) mnohem bliţší neţ sloţitý komplexní systém. Dalším příkladem můţe být systém na podporu rozhodování vyvinutý v Japonsku, který v sobě integroval mechanicko-empirický model ForestTYPHOON, růstový model Silve-no-Mori, geografický informační systém ArcGIS a stromový rozhodovací algoritmus CART (Kamimura et al., 2008). Mechanicko-empirický model ForestTYPHOON pouţitý v DSS vznikl z upravené verze GALES a modelu WAsP (Kamimura, 2007). Přestoţe je pouţití současné verze ForestGALES uţivatelsky relativně příjemné a zadávání vstupních dat přímočaré, bylo by pravděpodobně vhodnější, kdyby bylo moţné například načíst model jako extenzi v GIS, kde by se následně vkládaly údaje o porostních a stanovištních charakteristikách. Propojení ForestGALES a GIS v disertační práci bylo dostatečné pro akademické účely a pro testování vhodnosti pouţití modelu, ale autor si uvědomuje, ţe pro pouţití v praxi nemusí být nejlepší a v tomto směru je nutné udělat další kroky. Inspirací mohou být výše zmíněné a ověřené systémy pro podporu rozhodování. Problematické bylo, mimo jiných proměnných vstupujících do modelu, stanovení hloubky zakořenění porostů (detaily jsou podrobně popsány v kapitole 11.2.1). Lepší pochopení vztahu kořeny, půda, sklon (Nicollet et al., 2006; Achim et al., 2007) a vlhkosti půdy (Kamimura et al., 2012) umoţní vylepšení modelu a dosaţení lepších výsledků. Statistickou metodou pouţitou k hodnocení rizika výskytu lesních polomů byla logistická regrese. Jedná se o velmi často pouţívanou statistickou metodu k výpočtu pravděpodobnosti rizika výskytu polomů, která byla v minulosti pouţita v mnoha studiích (Fridman a Valinger, 1998; Valinger a Fridman, 1999; Jalkanen a Mattila, 2000; Mitchell et al., 2001; Lanquaye-Opoku a Mitchell, 2005; Schütz et al., 2006; 156

Klopcic et al., 2009; Schindler et al., 2009; Valinger a Fridman, 2011). Na základě výsledků logistické regrese pouţité v disertační práci bylo docíleno poměrně slušné shody mezi polomovými plochami způsobenými orkánem Kyrill a plochami s největší pravděpodobností rizika vypočítané touto metodou. Významná shoda byla patrná zvláště u intervalu s nejvyššími hodnotami rizika 0,51-0,99. V případě modelu 1 (viz kapitola 11) se v polomových plochách způsobených Kyrillem nacházelo téměř 74 % ploch patřících do toho intervalu pravděpodobnosti rizika výskytu polomů. Pouţitím modelu 2 došlo dokonce k nárůstu této shody na 78,4 %. Velmi dobrých a podobných výsledků dosáhl pomocí metody logistické regrese Mitchell et al. (2001), kdy model logistické regrese správně odhadl riziko poškození polomem na 71-76 % testovaných ploch. Existují však i případy, kdy model neodhadl pravděpodobnost výskytu polomu dobře a podstatně nadhodnotil riziko poškození (Fridman a Valinger, 1999) nebo měl výsledný model logistické regrese nedostatečnou vysvětlující schopnost z důvodu nízkého počtu pro model významných nezávislých vysvětlujících proměnných (Schütz et al., 2006). Typickým problémem v případě výpočtu pravděpodobnosti rizika pouze pro jednu kalamitní událost je nedostatek vhodných/nezávislých dat pro validaci modelu. Dalším problémem spojeným s rozsáhlými polomovými kalamitami je nedostatek pracovníků, kteří by popsali poškozené stromy, před tím neţ dojde k jejich vytěţení a přístup vědeckých pracovníků je do poškozených oblastí často omezen (Hanewinkel et al., 2011).

157

15. Výsledky a moţnosti vyuţití studie Hlavním výsledkem disertační práce bylo hodnocení rizika lesních porostů pomocí empirického přístupu reprezentovaného metodou logistické regrese a hodnocení na základě mechanického přístupu, které bylo zastoupeno modelem ForestGALES. Mezi dílčí výsledky práce patřila rozsáhlá rešerše dané problematiky zabývající se historií polomů na Šumavě a dosud pouţitými přístupy k hodnocení problematiky polomů v České republice, bývalém Československu i v zahraničí. Součástí literární rešerše byl také podrobný popis tří nejvýznamnějších přístupů k hodnocení rizika: mechanického, empirického a přístupu zaloţeného na pozorování, dále popis dostupných modelů k hodnocení rizika a základních principů mechanismu polomů. Stanovení hlavních a vedlejších příčin, které způsobují poškození porostů, patřilo mezi podstatnou část disertační práce, a proto jim byla věnována náleţitá pozornost během zpracovávání literární rešerše. Před samotným hodnocením rizika bylo provedeno základní statistické hodnocení jednotlivých faktorů, které měly vliv na vznik a výši polomů způsobených orkánem Kyrill. Pro kaţdou datovou vrstvu reprezentující určitý faktor bylo vypočítáno celkové zastoupení kategorií v zájmovém území a následně zastoupení v místech polomů vzniklých orkánem Kyrill. Dále bylo zjištěno poměrné zastoupení kategorií v místech polomů, vztaţené vzhledem k zastoupení kategorie v celém území. Výsledkem hodnocení byly mapy a grafy reprezentující statistické vyhodnocení kategorií nadmořské výšky, sklonu, expozice, vertikální křivosti povrchu, potenciální hloubky půdy, vlhkosti půdy, půdních typů, věku porostu, zakmenění, výšky, tloušťky, zastoupení dřevin v rámci porostních skupin, rychlosti a směru větru během orkánu Kyrill. Jako první bylo provedeno hodnocení rizika pomocí mechanického modelu ForestGALES. Samotnému hodnocení předcházelo studium dostupných literárních zdrojů a manuálu modelu. Časově náročnou částí bylo získání a především úprava digitálních dat tak, aby odpovídala vstupním poţadavkům modelu. Tento proces byl obecně označován jako adaptace modelu pro podmínky v České republice a byl následován návrhem optimalizované datové struktury, tvorbou a úpravou segmentační databáze a importem databáze do modelu ForestGALES. Dokumentace postupu adaptace modelu a úpravy vstupních dat lze povaţovat za významný dílčí výsledek, který předcházel samotnému hodnocení.

158

Výsledkem hodnocení rizika lesních porostů na základě mechanického přístupu pomocí modelu ForestGALES byly 4 mapy rizika ohroţení lesního porostu vůči vyvrácení a 4 mapy rizika ohroţení lesního porostu vůči zlomení, kde byl stupeň rizika ohroţení vyjádřen pomocí stupnice v rozsahu od 1 do 6. Další 4 mapy vytvořené na základě získaných hodnot z modelu reprezentovaly riziko ohroţení lesního porostu vůči vyvrácení pomocí pravděpodobnosti udávané v letech a poslední 4 mapy zobrazovaly riziko ohroţení lesního porostu vůči zlomení. V další části práce bylo provedeno hodnocení rizika na základě empirického přístupu pomocí metody logistické regrese. Samotnému hodnocení a integraci metody logistické regrese do prostředí GIS předcházelo stanovení a konstrukce datové sady závislých a nezávisle (vysvětlujících) proměnných, vytvoření jednotek výběrového souboru, návrh a konstrukce segmentační databáze. Výpočet korelačních koeficientů, výběr a testování modelu logistické regrese bylo provedeno ve statistickém softwaru SAS 9.1. Výše zmíněné postupy lze do jisté míry povaţovat za podstatné dílčí výsledky, jeţ předcházely hodnocení. Hodnocení rizika lesních porostů vůči silným větrům a výsledné mapy ohroţení pro jednotlivé modely logistické regrese vypočítané ve statistickém softwaru SAS 9.1, byly vytvořeny pomocí mapové algebry v nadstavbě Spatial Analyst softwaru ESRI ArcInfo 9.2. Výsledkem hodnocení byla mapa pravděpodobnosti výskytu větrných polomů na území Prášilska pro rovnici logistické regrese s parametry modelu 1 a mapa pravděpodobnosti výskytu větrných polomů pro rovnici logistické regrese s parametry modelu 2, kde riziko ohroţení bylo pro obě mapy vyjádřeno pomocí intervalů pravděpodobnosti ohroţení (0-0,05; 0,06-0,10; 0,11-0,15; 0,16-0,25; 0,26-0,50; 0,510,99). V poslední části práce byly porovnány hodnoty získané mechanickým a empirickým přístupem a byla provedena diskuse nad dosaţenými výsledky. Výsledkem porovnání byla mapa míry shody mezi výsledky získanými oběma přístupy a graf zastoupení kategorií shody mezi výsledky získanými empirickým a mechanickým přístupem. Jako poslední byla vytvořena mapa rizika porostu vůči polomové kalamitě, která kombinovala výsledky obou přístupů a reprezentovala potenciálně nejohroţenější lokality v zájmovém území. Přestoţe nebylo pomocí modelu ForestGALES, který reprezentoval mechanický přístupu, dosaţeno stejných výsledků jako u metody empirické (důvody dosaţení odlišných výsledků jsou podrobně diskutovány v předchozí kapitole), lze tuto metodu 159

povaţovat za velmi efektivní s vysokým potenciálem do budoucna pro lesnickou praxi. Velkou výhodou modelu ForestGALES je především jeho otevřenost, transparentnost a moţnost modifikace pro pouţití v odlišných podmínkách. Ačkoliv model vyţaduje pro hodnocení rizika lesních porostů na území České republiky některá nestandardní vstupní data, která nejsou na rozdíl od Velké Británie součástí LHP, byla v disertační práci provedena a zdokumentována optimalizace dat z tuzemských LHP, OPRL atd., tak aby mohla být pouţita v modelu. Mezi hlavní přednosti modelu pro pouţití v lesnické praxi patří hlavně jednoduchá ovladatelnost a přívětivé uţivatelské prostředí, které ocení především méně technicky zdatní lesní hospodáři. Pro hodnocení a analýzu prostorových vztahů větších lesních celků model umoţňuje propojení s GIS. V případě hodnocení menšího lesního celku, kde je moţné zanedbat prostorové vztahy, lze vyuţít například interaktivní zadávání vstupních údajů. Zpřesnění modelu a lepší kvalitu výsledků by bylo moţné docílit například testováním modelu na odlišném území nebo pouţitím moderních technologií pro sběr primárních dat jako je laserové skenování LIDAR (Light Detection and Ranging). V rámci disertační práce byly vyuţity datové zdroje, které je moţné pouţít i na jiném území České republiky. Přestoţe by bylo pravděpodobně dosaţeno lepších výsledků pouţitím dat získaných technologií LIDAR, především díky mnohem vyšší přesnosti a aktuálnosti dat, nelze tuto technologii jednoznačně doporučit pro celé území ČR, jelikoţ finanční náklady na pořízení těchto dat jsou poměrně vysoké. Výjimkou by mohly být území často poškozované lesními polomy, jako je NP Šumava a další, kde by náklady spojené s pořízením přesnějších vstupních dat byly kompenzovány niţšími škodami na lesních porostech (v případě provedení správného hodnocení rizika a přijmutí opatření vedoucích k prevenci a sníţení škod). Dalšího zpřesnění výsledků získaných modelem ForestGALES by mohlo být docíleno například kalibrováním parametrů modelu, konkrétně kritických rychlostí větru pro jednotlivé dřeviny. Vzhledem k autorovu zájmu o danou problematiku a zájmu lesních hospodářů o spolupráci, nebude studium metod hodnocení rizika lesních porostů vůči větru a jejich aplikací v praxi ukončeno disertační práci, ale bude dále pokračovat (hodnocení lesních porostů pro celé území ČR, případně pouţití dat získaných technologií LIDAR). V rámci dalších analýz budou pouţity také poznatky a výsledky získané v rámci projektu STRiM zpracovávaného na Ústavu geoinformačních technologií Lesnické a dřevařské fakulty Mendelovy univerzity v Brně.

160

16. Závěr Geografická analýza lesních polomů a rizika jejich výskytu je sloţitým úkolem, vţdy vyţadujícím určitá zobecnění a zjednodušení. Výskyt větrných polomů je ovlivněn velkým mnoţstvím faktorů a stanovení hlavních a vedlejších příčin patří mezi zásadní kroky předcházející samotnému hodnocení rizika. Cílem disertační práce nazvané Hodnocení lesních území z hlediska výskytu přírodních rizik za použití GIT bylo provést komplexní hodnocení rizika výskytu větrných lesních polomů na základě empirického přístupu reprezentovaného metodou logistické regrese a pomocí mechanického přístupu za pouţití modelu ForestGALES. Součástí práce bylo praktické ověření obou přístupů na vybraném modelovém území. Z popsaných a testovaných přístupů dosahuje lepších výsledků metoda empirická, která umoţňuje na rozdíl od mechanického přístupu reprezentovaného modelem ForestGALES hodnocení mnohem většího a rozmanitějšího počtu faktorů v závislosti na mnoţství dostupných dat (ZABAGED, LHP, OPRL). Na základě vypočítaných koeficientů logistické regrese lze stanovit významnost jednotlivých faktorů a případně vyloučit ty, které nemají podstatný vliv na výši kalamity. S ohledem na dosaţené výsledky oběma přístupy lze tuto metodu doporučit v současné době jako vhodnější pro praktické pouţití v lesním hospodářství. Mezi hlavní přínos disertační práce patří nejen výsledné mapy rizika identifikující potencionálně

nejohroţenější

lokality,

ale

především

také

adaptace

modelu

ForestGALES pro podmínky v České republice, zdokumentovaný postup hodnocení rizika na základě metody logistické regrese a integrace výsledků získaných oběma metodami do GIS. Tyto postupy lze opakovaně pouţít k hodnocení i pro jiné lokality, pro které jsou dostupná vstupní data splňující podmínky navrţené datové struktury. Výsledky disertační práce, případně metody a postupy pouţité k hodnocení mohou být například vyuţity při plánování protikrizových opatření či mohou slouţit při tvoření opatření vedoucích k prevenci a ke sníţení škod způsobených ničivými větry. Studie můţe slouţit jako praktická ukázka vyuţití GIS a statistického softwaru SAS 9.1. Lesní porosty jsou cenným krajinným prvkem majícím mimořádný význam pro lidskou společnost, nejen z hlediska své produkční funkce, ale především z rostoucího významu funkce mimoprodukční. Lesy patří mezi základní krajinotvorný prvek udrţující stabilitu přírodního prostřední a jejich ochrana a snaha o zabezpečení trvale udrţitelného obhospodařování lesů s cílem zachovat biologickou diverzitu a ekologické funkce by měla patřit mezi základní priority lesních hospodářů. 161

Jedním z nejvýznamnější škodlivých abiotických faktorů působících na lesní porosty je vítr. Přestoţe nelze lidskými silami působení větru ovlivnit, lze vhodnými hospodářskými zásahy a plánováním s ohledem na stabilitu lesních porostů částečně sníţit škody způsobené větrem. Výše popsané metody a postupy k hodnocení rizika lesních porostů vůči větru umoţňují velmi dobře identifikovat potencionálně ohroţené plochy a stanovit faktory mající vliv na výši škod. Na základě těchto údaje lze následně přijmout náleţitá lesohospodářská opatření, případně provést dlouhodobé plánování, které povede ke sníţení škod.

162

17. Literatura ACHIM, A., WELLPOTT, A., GARDINER, B. A. (2007): Competition Indices as a Measure of Wind Loading on Individual Trees. International Conference on Wind and Trees, 5. – 9. August 2007, University of British Columbia, Vancouver, Canada. In GARDINER, B. A., BYRNE, K., HALE, S., KAMIMURA, K., MITCHELL, S. J., PELTOLA, H., RUEL, J. C. (eds.): Review of mechanistic modelling of wind damage risk to forests. Forestry, vol. 81, no. 3, s. 447-463. ALBRECHT, A., HANEWINKEL, M., BAUHUS, J., KOHNLE, U. (2012): How does silviculture affect storm damage in forests of south-western Germany? Results from empirical modeling based on long-term observations. European Journal of Forest Research, vol. 131, no. 1, s. 229-247. ALBRECHT, A. (2009): Sturmschadensanalysen langfristiger waldwachstumskundlicher Versuchsflächendaten in Baden-Württemberg. PhD-thesis. Albert-Ludwigs Universität, Freiburg, 170 s. In HANEWINKEL, M., HUMMEL, S., ALBRECHT A. (eds.): Assessing natural hazards in forestry for risk management: a review. European Journal of Forest Research, vol. 130, no. 3, s. 329–351. ALEXANDER, R. (1987): Ecology, silviculture and management of Engelmann spruce and subalpine fir type in central and southern Rocky Mountains. USDA for Ser Agriculture Handbook, No. 659. ANCELIN, P., COURBAUD, B., FOURCAUD, T. (2004): Development of an individual tree-based mechanical model to predict wind damage within forest stands. Forest Ecology and Management, vol. 203, no. 1-3, s. 101–121. BAKER, C. J. (1955): The development of a theoretical model for the windthrow of plants. Journal of Theoretical Biology, vol. 175, no. 3, s. 355-372. BARREDO, J. I. (2009): Normalised flood losses in Europe: 1970–2006. Natural Hazards and Earth System Sciences, vol. 9, no. 1, s. 97–104. BLENNOW, K., OLOFSSON, E. (2008): The probability of wind damage in forestry under a changed wind climate. Climatic Change, vol. 87, no. 3-4, s. 347–360. BLENNOW, K., ANDERSSON, M., SALLNÄS, O., OLOFSSON, E. (2010): Climate change and the probability of wind damage in two Swedish forests. Forest Ecology and Management, vol. 259, no. 4, s. 818–830. BUHLER, A. (1885): Der wald in der culturgeschichte. Basel, 29 s. In: KAUSCHINGER, G., et al. (ed.): The protection of woodlands against dangers arising from organic and inorganic causes. Douglas, Edinburgh, 252 s. BYTNEROWICZ, A. (2002): Physiological/ecological interactions between ozone and nitrogen deposition in forest ecosystems. Phyton, vol. 42, no. 3, s. 13–28. BYRNE, K. E. (2005): Critical turning moments and drag equations for British Columbia conifers. M. Sc. thesis. Vancouver, Canada: University of British Columbia. In GARDINER, B., et al. (eds.): Review of mechanistic modelling of wind damage risk to forests. Forestry, vol. 81, no. 3, s. 447-463. 163

CANHAM, C. D., PAPAIK, M. J., LATTY, E. F. (2001): Interspecific variation in susceptibility to windthrow as a function of tree size and storm severity for northern temperate tree species. Canadian Journal of Forest Research, vol. 31, no. 1, s. 1–10. CHRISTENSEN, J. H., HEWITSON, B., BUSUIOC, A., CHEN, A., GAO, X., HELD, I., JONES, R., KOLLI, R. K., KWON, W. T., LAPRISE, R., MAGANA RUEDA, V., MEARNS, L., MENÉNDEZ, C.G., RÄISÄNEN, J., RINKE, A., SARR, A., WHETTON, P., (2007): Regional climate projections. In SOLOMON, S., QIN, D., MANNING, M., CHEN, Z., MARQUIS, M., AVERYT, K.B., TIGNOR, M., MILLER, H.L. (Eds.), Climate Change 2007: The Physical Science Basis. Contribution of Working Group I to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA. CHROUST, L., et al. (2001): Pěstování lesa – doplňkový učební text. [on-line]. 2001 [cit. 2011-12-12]. CLINTON, B. D., BAKER, C. R. (2000): Catastrophic windthrow in the southern Appalachians: characteristics of pits and mounds and initial vegetation response. Forest Ecology and Management, vol. 126, no. 1, s. 51-60. COUTTS, M. P., GRACE, J. B. (1995): Wind and trees. Cambridge University Press, Cambridge, 501 s. CREMER, K. W., BOROUGH, C. J., CARTER, P. R. (1982): Effects of stocking and thinning on wind damage in plantations. New Zealand Journal of Forestry Science, vol. 12, s. 244– 268. CROW, P. (2005): The Influence of Soils an Species on Tree Root Depth. Foresty Commission, UK, 9 s. CUCCHI, V., MEREDIEU, C., STOKES, A., DE COLIGNY, F., SUÁREZ, J., GARDINER, B. A. (2005): Modelling the windthrow risk for simulated forest stands of maritime pine (Pinus pinaster Ait.). Forest Ecology and Management, vol. 213, no. 1-3, s. 184-196. Český hydrometeorologický ústav – Úsek hydrologie oddělení povrchových vod [online]. c2000 [cit. 2008-04-16]. < http://www.chmu.cz/hydro/opv/index.html> Danish wind industry association-Weibull Distribution [on-line]. 19.9.2003 [cit. 200902-16]. DEMEK, J., et al. (1965): Geomorfologie českých zemí. Academia, Praha, 336 s. DHUBHÁIN, A.: The development and validation of a windthrow risk model for sitka spruce in Ireland [on-line]. 1999 [cit. 2008-04-05]. DOBBERTIN, M. (2002): Influence of stand structure and site factors on wind damagecomparing the storms Vivian and Lothar. Forest Snow and Landscape Research, vol. 77, no. 1-2, s. 187-205. DÖBELE, E. (1938): Beiträge zur Frage der Rauhreifbildung. Thar. F. Jahrbuch, vol. 89, s. 424-435. In: KULA, E., BUCHTA, I., STRÁNSKÝ, P. (eds.): Mrazové trhliny 164

(kýly) a jejich vliv na zdravotní stav březových porostů. Mendelova univerzita v Brně, Brno, 9 s. DRAKE, T. (2008): Empirical Modeling of Windthrow Occurrence in Streamside Buffer. Thesis. Oregon State University, Corvallis, 92 s. ELLING, A. E., VERRY, E.S. (1978): Predicting wind-caused mortality in strip-cut stands of peatland black spruce. For. Chronicle, vol. 54, s. 249–252. ENNOS, A. R. (1997): Wind as an ecological factor. Trends in Ecology & Evolution, vol. 12, no. 3, s. 108–111. ForestGALES – About ForestGALES [on-line]. 2008 [cit. 2008-03-10]. FORST, P., et al. (1985): Ochrana lesů a přírodního prostředí. 1. vydání. Státní zemědělské nakladatelství, Praha, 409 s. FOSTER, D. R., BOOSE, E. R. (1992): Patterns of forest damage resulting from catastrophic wind in central New England, USA. Journal of Ecology, vol. 80, no. 1, s. 79-98. FRASER, A. I. (1962): The soil and roots as factors in tree stability. Forestry, vol. 35, s. 117-127. In SCHAETZL, R. J., JOHNSON, D. L., BURNS, S. F., SMALL, T. W. (eds.): Tree uprooting: review of terminology, process and environmental implications. Canadian Journal of Forest Research, vol. 19, no. 1, s. 1–11. GARDINER, B. A., QUINE, C. P. (2000): Management of forests to reduce the risk of abiotic damage-a review with particular reference to the effects of strong winds. Forest Ecology and Management, vol. 135, no. 1-3, s. 261-277. GARDINER, B. A., SUÁREZ, J., QUINE , C. P. (2003): Development of a GIS based wind risk systém for British forestry. In International Conference „Wind Effects on Trees‟. RUCK, B., KOTTMEIER, C., MATTHECK, C., QUINE, C., WILHELM, G. (eds), University of Karlsruhe, Karlsruhe, Germany, s. 145-150. GARDINER, B., SUÁREZ, J., ACHIM, A., HALE, S., NICOLL, B. (2006): ForestGALES. User‘s guide. [on-line]. 2011 [cit. 2011-11-12]. GARDINER, B., et al. (2008): Review of mechanistic modelling of wind damage risk to forests. Forestry, vol. 81, no. 3, s. 447-463. HADAŠ, P. (2002): Emise, imise, depoziční toky a poškozování lesních porostů. Lesnická práce, roč. 81, č. 10, s. 456-458. HÁJEK, F. (2005): Lesnické mapování a evidence porostních veličin v ArcPad 6.0.3. ArcRevue, roč. 7, č. 3, s. 14-15.

165

HALE, S. E., GARDINER, B. A., WELLPOTT, A., NICOLL, B. C., ACHIM, A. (2012): Windloading of trees: influence of tree size and competition. European Journal of Forest Research, vol. 131, no. 1, s. 203-217. HANEWINKEL, M., ZHOU, W., SCHILL, C. (2004): A neural network approach to identify forest stands susceptible to wind damage. Forest Ecology and Management, vol. 196, no. 2-3, s. 227–243. HANEWINKEL, M. (2005): Neural networks for assessing the risk of windthrow on the forest division level: a case study in southwest Germany. European Journal of Forest Research, vol. 124, no. 3, s. 243–249. HANEWINKEL, M., HUMMEL, S., ALBRECHT A. (2011): Assessing natural hazards in forestry for risk management: a review. European Journal of Forest Research, vol. 130, no. 3, s. 329–351. HANSLIAN, D. (2007): Klimatický potenciál větrné energetiky. Veronica, sborník příspěvků z odborného semináře Větrné elektrárny v Jihomoravském kraji, s. 23-24. HELLES, F., STRANGE, N., WICHMAN, L. (2003): Recent accomplishments in applied forest economics research. Kluwer Academic Publishers, The Netherlands, 258 s. HESS, R. (1878): Der Forstschutz. Teubner, Leipzig, 699 s. In: KULA, E., BUCHTA, I., STRÁNSKÝ, P. (ed.): Mrazové trhliny (kýly) a jejich vliv na zdravotní stav březových porostů. Mendelova univerzita v Brně, Brno, 9 s. HOLUB, K., RUŠAJOVÁ, J., MARJAN, S. (2009): A comparison of the features of windstorms Kyrill and Emma based on seismological and meteorological observations. Meteorologische Zeitschrift, vol. 18, no. 6, s. 607-614. HOLUŠA, J., KŘÍSTEK, Š., TROMBIK, J. (2010): Stability of spruce forests in the Beskids: an analysis of wind, snow and drought damages. Beskydy, vol. 3, no. 1, s. 43– 54. HOSTÝNEK, J.: Větrné charakteristiky [on-line]. 7.1.2008 [cit. 2008-04-22]. <www.chmi.cz/OS/metspol/prednasky/Hostynek_vitr.pdf> HOSTÝNEK, J., KRÁL, J. (2006): Influence Orography on Design Wind Speeds in the Czech Republic. In Proceeding of the Engineering Mechanics 2006. Svratka: Ústav teoretické a aplikované mechaniky AV ČR, Prague, 1 s. In HOLUŠA, J., KŘÍSTEK, Š., TROMBIK, J. (eds.): Stability of spruce forests in the Beskids: an analysis of wind, snow and drought damages. Beskydy, vol. 3, no. 1, s. 43–54. HOŠEK, J., et al. (2004): Comparison of the Mean Wind Speed Fields Computed by Three Models over The area of the Czech republic. DEWI Magazin, vol. 13, no. 24, s. 66-71. CHMI-Beaufortova stupnice síly [on-line]. 7.2.2008 [cit. 2010-11-5].

166

International Conference on “Wind and Trees” FPInnovations [on-line]. 2007 [cit. 2008-02-16]. International Conference: Natural Hazards and Natural Disturbances in Mountain Forests FPInnovations [on-line]. 2007 [cit. 2008-02-16]. IUFRO 1998 Conference [on-line].

1998

[cit.

2008-02-12].

JALKANEN, A., MATILLA, U. (2000): Logistic regression models for wind and snow damage in northern Finland based on the National Forest Inventory data. Forest Ecology and Management, vol. 135, no. 1-3, s. 315–330. JELÍNEK, J. (1985): Větrná a kůrovcová kalamita na Šumavě z let 1868 až 1878. Ústav pro hospodářskou úpravu lesů, Brandýs nad Labem, 35 s. JOHNSON, E. A., MIYANISHI, K. (2007): Plant disturbance ecology. The Process and the Response. Academic Press, London, 720 s. JUHA, M., NEUMANN, J. : Příčina a následek minulé kůrovcové kalamity [on-line]. 2007 [cit. 2007-12-10]. KADLUS, Z. (1960): K otázce námrazy v Orlických horách. Práce VÚL - ČSR, sv. 18, s. 155–179. In: KULA, E., BUCHTA, I., STRÁNSKÝ, P. (eds.): Mrazové trhliny (kýly) a jejich vliv na zdravotní stav březových porostů. Mendelova univerzita v Brně, Brno, 9 s. KAMIMURA, K., SHIRASHI, N. (2007): A review of strategies for wind damage assessment in Japanese forests. Journal of Forest Research, vol. 12, no. 3, s. 162–176. KAMIMURA, K. (2007): Developing a decision-support system for wind risk modelling as a part of forest management in Japan. Ph.D. thesis, The University of Tokyo, Tokyo, Japan. KAMIMURA, K., GARDINER, B. A., KATO, A., HIROSHIMA, T., SHIRAISHI, N. (2008): Developing a decision-support approach to reducing wind damage risk – a case study on sugi (Cryptomeria japonica (L.f.) D.Don) forests in Japan. Forestry, vol. 83, no. 3, s. 429-445. KAMIMURA, K., KITAGAWA, K., SAITO, S., MIZUNAGA, H. (2012): Root anchorage of hinoki (Chamaecyparis obtuse (Sieb. Et Zucc.) Endl.) under the combined loading of wind and rapidly supplied water on soil: analyses based on tree-pulling experiments. European Journal of Forest Research, vol. 131, no. 1, s. 219–227. KAUSCHINGER, G., et al. (1893): The protection of woodlands against dangers arising from organic and inorganic causes. Douglas, Edinburgh, 252 s.

167

KLIMÁNEK, M. (2004): Prostorové analýzy v GIS Idrisi. In International Symposium GIS Ostrava 2004. VŠB-TU Ostrava, Ostrava, s. 1-7. KLIMÁNEK, M. (2006): Optimization of digital terrain model for its application in forestry. Journal of Forest Science, vol. 52, no. 5, s. 233-241. KLOPCIC, M., POLJANEC, A., GARTNER, A., BONCINA, A. (2009): Factors related to natural disturbances in mountain Norway spruce (Picea abies) forests in the Julian Alps. Ecosience, vol. 16, no. 1, s. 48–57. KNÍŢEK, M., PEŠKOVÁ, V. (2008): Zpravodaj ochrany lesa. Supplementum 2008. Výzkumný ústav lesního hospodářství a myslivosti, Strnady, 74 s. KNÍŢEK, M. (2011): Zpravodaj ochrany lesa. Supplementum 2011. VÚLHM, Strnady, 74 s. KOLEJKA, J. (2006): Digital landscape model and its utilization in primary and applied geographic research. Geographia Technica, vol. 1, no. 1, s. 103-110. KOLEJKA, J., KLIMÁNEK, M., MIKITA, T. (2008): Geografická analýza polomů na Šumavě po orkánu Kyrill. Spisy zeměpisného sdružení, roč. 19, č. 9, s. 1-4. KOLEJKA, J., KLIMÁNEK, M., MIKITA, T. (2008): Vichřice jako riziko pro rozvoj cestovního ruchu - Šumava po orkánech Kyrill 2007 a Ema 2008. In Sborník příspěvků celostátní konference ProRegio 2008. Vyd. 1. Brno: Institut regionálních informací, Brno, s. 1-12. KOLEJKA, J., KLIMÁNEK, M., MIKITA, T., SVOBODA, J. (2010): Polomy na Šumavě způsobené orkánem Kyrill a spoluúčast reliéfu na poškození lesa. GEOMORPHOLOGIA SLOVACA ET BOHEMICA, vol. 2010, no. 2, s. 16-28. KÖNIG, A. (1995): Sturmgefährdung von Beständen im Altersklassenwald. Ein Erklärungs- und Prognosemodell. Diss. Univ. München. Frankfurt am Main, Sauerländer. In DOBBERTIN, M. (2002): Influence of stand structure and site factors on wind damagecomparing the storms Vivian and Lothar. Forest Snow and Landscape Research, vol. 77, no. 1-2, s. 187-205. KOŠULIČ, M.: Ochrana lesa proti polomům [online]. 2002 [cit. 2009-01-12]. < http://pbl.fri13.net/index.php?mod=clanky&id=125> KOREŇ, M. (2005): Vetrová kalamita 19. novembra 2004 - Nové pohľady a konsekvencie. Tatry, XLIV (mimořádné vydání), s. 6-29. KORTE, G. B. (2001): The GIS book. 5th edition. OnWordPress, New York, 385 s. KRAMER, M. G., HANSEN, A. J., TAPER, M. L., KISSINGER, E. J. (2001): Abiotic controls on long-term windthrow disturbance and temperate rain forest dynamics in southeast Alaska. Ecology, vol. 82, no. 10, s. 2749–2768. KRÁL, J., HOSTÝNEK, J. (2007): Mapa větrných oblastí na území ČR, součást Národní přílohy k ČSN EN 1991-1-4:2007. ČHMU a KÚ ČVUT, Praha. 168

KREJČÍ, L. (2010): Empirical modelling of windthrow risk using GIS and logistic regression. Geographia Technica, vol. 9, no. 1, s. 25-35. KUBOYAMA, H., ZHENG, Y., OKA, H. (2003): Study about damage probabilities on major forest climatic risks according to ageclasses (in Japanese with English summary). Journal of the Japanese Forestry Society, vol. 85, no, 3, s. 191–198. KUČERA, A.: Oblasti s potencionálně významným zdrojem kůrovce [online]. 2008 [cit. 2008-10-12]. KULA, E., BUCHTA, I., STRÁNSKÝ, P. (2005): Mrazové trhliny (kýly) a jejich vliv na zdravotní stav březových porostů. Mendelova univerzita v Brně, Brno, 9 s. KURÁŇOVÁ, P. (2009): Logistická regrese jako nástroj pro diskriminaci v lékařských aplikacích. Diplomová práce, VŠB-Technická univerzita Ostrava, Fakulta elektrotechniky a informatiky, Ostrava, 41 s. KURKOVÁ, M., et al. (2007): Vyhodnocení následků kalamity Kyrill na lesích ve správě LČR. Lesnická práce, roč. 86, č. 4, s. 10-13. Kůrovcová situace v NP Šumava není znepokojivá [online]. 31.7.2008 [cit. 2008-10-12]. LANQUAY, C. O., MITCHELL, S. J. (2005): Portability of stand-level empirical windthrow risk models. Forest Ecology and Management, vol. 216, no. 1-3, s. 134–148. In: GARDINER, B., et al. (eds.): Review of mechanistic modelling of wind damage risk to forests. Forestry, vol. 81, no. 3, s. 447-463. LANQUAYE, C. (2003): Empirical modelling of windthrow risk using geographic informations systems. Thesis. The University of British Columbia. The Faculty of Forestry. Department of Forest Sciences, Vancouver, 126 s. LEKEŠ, V., DANDUL, I. (1999): Using airflow modelling and spatial analysis for defining wind damage risk classification (WINDARC). Forest Ecology and Management, vol. 135, no. 1-3, s. 331-344. LINDEMANN, J. D., BAKER, W. L. (2002): Using GIS to analyse a severe forest blowdown in the Southern Rocky Mountains. International Journal of Geographical Information Science, vol. 16, no. 4, s. 377–399. LIŠKA, J., TUMA, M. (2007): Ochrana lesa po orkánu Kyrill a vichřici Emma. Lesnická práce, roč. 87, č. 4, s. 14-16. LOHMANDER, P., HELLES, F. (1987): Windthrow Probability as a Function of Stand Characteristics and Shelter. Scandavian Journal of Forest Research, vol. 2, no. 1-4, s. 227–238.

169

LORZ, C., FÜRST, C., GALIC, Z. (2010): GIS-based probability assessment of natural hazards in forested landscapes of central and south-eastern Europe. Environmental Management, vol. 46, no. 6, s. 920–930. LUKÁŠOVÁ, V.: Orkán Kyrill: Škody v evropských lesích (TZ EUSTAFOR). Lesnická práce [on-line]. 2.2.2007 [cit. 2007-11-15]. < http://www.silvarium.cz/zpravyz-oboru-lesnictvi/orkan-kyrill-skody-v-evropskych-lesich-tz-eustafor> MÁCHOVÁ, L., et al. (2006): Vliv kouření na výskyt karcinomu pankreatu v populaci okresu Šumperk. Česká a Slovenská Gastroentologie a Hepatologie, roč. 60, č. 6, s. 248-250. MAJUNKE, C., MATZ, S., MÜLLER, M. (2008): Sturmschäden in Deutschlands Wäldern von 1920 bis 2007. Allg For Jagdzeitung, vol. 63, s. 380–381 In HANEWINKEL, M., HUMMEL, S., ALBRECHT A. (eds.): Assessing natural hazards in forestry for risk management: a review. European Journal of Forest Research, vol. 130, no. 3, s. 329–351. MAYER, P., BRANG, P., DOBBERTIN, M., HALLENBARTER, D., RENAUD, J.-P., WALTHERT, L., ZIMMERMANN, S. (2005): Forest storm damage is more frequent on acidic soils. Annals of Forest Science, vol. 62, no. 4, s. 303–311. MEIER, F., ENGESSER, R., FORSTER, B., ODERMATT, B. (2006): Forstschutz Überblick 2005. Eidgenössische Forschungsanstalt für Wald, Schnee und Landschaft WSL, Birmensdorf, 22 s. MÍCHAL, I. (1992): Ekologická stabilita. 1.vyd. Veronice, Brno, s. 243. MIKESKA, M., VACEK, S. (2007): Struktura porostů a trvale udrţitelné hospodaření v lese. Lesnická práce, roč. 86, č. 11, s. 9-10. MIKITA, T., KOLEJKA, J., KLIMÁNEK, M. (2009): Pokročilá analýza lesních polomů pomocí GIS. In Sborník příspěvků mezinárodního semináře GIS Ostrava 2009. VŠB-TU Ostrava, Ostrava, s. 1-8. MIKKLESEN, S. K. (2007): “Stormfald”: a further developed version of ForestGALES tested under Danish conditions. Denmark: University of Copenhagen, Faculty of Life Sciences, Department of Forest and Landscape. In GARDINER, B., et al. (eds.): Review of mechanistic modelling of wind damage risk to forests. Forestry, vol. 81, no. 3, s. 447-463. Ministry of Forest Canada-Windthrow course [online]. 2002 [cit. 2009-01-12]. http://www.for.gov.bc.ca/hfp/training/00015/acknowledgements.htm MITCHELL, S. J. (2000): Stem growth responses in Douglas-fir and Sitka spruce following thinning: implications for assessing windfirmness. Forest Ecology and Management, vol. 135, no. 1-3, s. 105–114.

170

MITCHELL, S. J., HAILEMARIAM, T., KULIS, Y. (2001): Empirical modeling of cutblock edge windthrow risk on Vancouver Island, Canada, using stand level information. Forest Ecology and Management, vol. 154, no. 1-2, s. 117–130. MITCHELL, S., OPOKU, N.: Windthrow Hazard Mapping using GIS [on-line]. 2004 [cit. 2008-04-05]. MOORE, J; SOMERVILLE, A. (1998): Assessing the risk of wind damage to plantation forests in New Zealand. New Zealand Journal of Forestry Science, vol. 43, no. 1, s. 25-29. MORTENSEN, N.G., HEATHFIELD, D.N., MYLLERUP, L., LANDBERG, L., RATHMANN, O. (2005): Wind Atlas Analysis and Application Program: WAsP 8 Help Facility and On-line Documentation. Roskilde, Denmark: Risø National Laboratory. Možnosti využití prostředí GIS při hodnocení ekologické újmy v důsledku větrné kalamity, TANAP (listopad 2004) [on-line]. 2004 [cit. 2007-12-10]. MRKVA, J. (2004): Příčinou chřadnutí lesa nejsou jen exhalace. Energetika, roč. 2004, č. 1. NAGAMINE, G., OSAKA, I., SUZUKI, M., YAMAMOTO, T. (2010): The most frequent angle of landslide in Tertiary formation based on DEM topographical analysis. Journal of the Japan Landslide Society, vol. 47, no. 1, s. 1-7. Národní Park Šumava-Zpracování následků orkánu Kyrill ukončeno [on-line]. 17.10.2007 [cit. 2007-11-12]. NICOLL, B. C., GARDINER, B. A., RAYNER, B., PEACE, A. J. (2006): Anchorage of coniferous trees in relation to species, soil type and rooting depth. Canadian Journal of Forest Research, vol. 36, no. 7, s. 1871 – 1883. NORRIS, J. E., et al. (2008): Slope Stability and Erosion Control: Ecotechnological solutions. Springer, the Netherland, 270 s. NYKÄNEN, M. L., PELTOLA, H., QUINE, C. P., KELLOMÄKI, S., BROADGATE, M. (1997): Factors affecting snow damage of trees with particular reference to European conditions. Silva Fennica, vol. 31, no. 1, s. 193–213. OHLMACHER, G. C., DAVIS, J. C. (2003): Using multiple logistic regression and GIS technology to predict landslide hazard in northeast Kansas, USA. Engineering Geology, vol. 69, no. 3-4, s. 331-343. OLOFSSON, E., BLENNOW, K. (2005): Decision support for identifying spruce forest stand edges with high probability of wind damage. Forest Ecology and Management, vol. 207, no. 1-2, s. 87–98.

171

PECÁKOVÁ, I. (2007): Logistická regrese s vícekategoriální vysvětlovanou proměnou. Acta Oeconomica Pragensia, roč. 15, č. 1, s. 86-96. PELC, Z. (1994): Geologická mapa ČR. List 22-33 Kašperské Hory. Měřítko 1:50 000. Český geologický ústav, Praha. PELLIKKA, P., JÄRVENPÄÄ, E., (2003): Forest stand characteristics and wind and snow induced forest damage in boreal forest. In Proceedings of the International Conference on Wind Effects on Trees. University of Karlsruhe, Germany, 8 s. PELTOLA, H. (2006): Mechanical stability of trees under static loads. American Journal of Botany, vol. 93, no. 10, s. 1501-1511. PELTOLA, H., KELLOMÄKI, H., VÄISÄNEN, H., IKONEN, V. P. (1999): A mechanistic model for assessing the risk of wind and snow damage to single trees and stands of Scots pine, Norway spruce, and birch. Canadian Journal of Forest Research, vol. 29, no. 6, s. 647–661. PELTOLA, H., IKONEN, V. P., GREGOW, H., STRANDMAN, H., KILPELÄINEN, A., VENÄLÄINEN, A., KELLOMÄKI, S. (2010): Impacts of climate change on timber production and regional risks of wind-induced damage to forests in Finland. Forest Ecology and Management, vol. 260, no. 5, s. 833–845. PFEFFER, A. a kol. (1961): Ochrana lesů. SZN, Praha, 840 s. PRAUS, L. (2006): Mechanická stabilita stromů a metody jejího zjišťování. In Sborník plošné poškození lesů způsobené povětrnostními vlivy. Lesnická společnost, Kostelec nad Černými lesy, s. 33-41. PROCHÁZKA, R.: Venkovní vedení VVN (II) [on-line]. 28.5.2007 [cit. 2009-05-22]. QUINE, C. P. (1995): Assessing the risk of wind damage to forests: practices and pitfalls. In COUTTS, M. P., GRACE, J. B. (eds.): Wind and wind related damage to trees. Cambridge University Press, Cambridge, s. 379-403. QUINE, C. P. (2000): Estimation of mean wind climate and probability of strong winds from assessments of relative windiness. Forestry, vol. 73, no. 3, s. 247–258. QUINE, C. P. (2001): A preliminary survey of regeneration of Sitka spruce in windformed gaps in British planted forests. Forest Ecology and Management, vol. 151, no. 1-3, s. 37–42. QUINE, C. P., GARDINER, B. A. (2007): Understanding how the interaction of wind and trees results in windthrow, stem breakage, and canopy gap formation. In JOHNSON, E. A., MIYANISHI, K. (eds): Plant disturbance ecology—the process and the response. Elsevier, Amsterdam, s. 103–155. QUITT, E. (1971): Klimatické oblasti Československa. Mapa měřítka 1:500 000, GgÚ ČSAV, Brno. 172

RAVN, H. P. (1985): Expansion of the population of Ips typographus (L.) (Coleoptera, Scolytidae) and their local dispersal following gale disaster in Denmark. Journal of applied entomology, vol. 99, no. 1-5, s. 26–33. Remotely Accessed Decision Support System for Transnational Environmental Risk Management, STRiM [on-line]. 2006 [cit. 2008-02-16]. RICH, R. L., FRELICH, L. E., REICH, P. B (2007): Wind-throw mortality in the southern boreal forest: effects of species, diameter and stand age. Journal of Ecology, vol. 95, no. 6, s. 1261–1273. ROŢNOVSKÝ, J., LITSCHMANN, T. (2005): Optická hustota (porosita) větrolamu a její vliv na charakter proudění. IN Bioklimatologie současnosti a budoucnosti. Česká bioklimatologická společnost v nakladatelství Českého Hydrometeorologického Ústavu, Křtiny, s. 1-8. RUEL, J. C. (2000): Factors influencing windthrow in balsam fir forests: From landscape studies to individual tree studies. Forest Ecology and Management, vol. 135, no. 1-3, s. 169–178. RUEL, J. C., PIN, D., COOPER, K. (2001): Windthrow in riparian buffer strips: effect of wind exposure, thinning and strip width. Forest Ecology Management, vol. 143, no. 1, s. 105–113. RUEL, J. C., PINEAU, M. (2002): Windthrow as an important process for white spruce regeneration. The Forestry Chronicle, vol. 78, no. 5, s. 732–738. SAVILL, P., EVANS, J., AUCLAIR, D., FALCK, J. (1997): Plantation silviculture in Europe. Oxford University Press, Oxford, New York, Tokyo, 297 s. SAVILL, P. S. (1983): Silviculture in windy climate. For. Abs., vol. 44, s. 473–488. SCOTT, R. E., MITCHELL, S. J. (2005): Empirical modelling of windthrow risk in partially harvested stands using tree, neighbourhood, and stand attributes. Forest Ecology and Management, vol. 218, no. 1-3, s. 193–209. SEIBERT, J., McGLYNN, B. L. (2007): A new triangular multiple flow direction algorithm for computing upslope areas from gridded digital elevation models. Water resources research, vol. 43., s. 1-8. SCHAETZL, R. J., JOHNSON, D. L., BURNS, S. F., SMALL, T. W. (1989): Tree uprooting: review of terminology, process and environmental implications. Canadian Journal of Forest Research, vol. 19, no. 1, s. 1–11. SCHAETZL, R. J., BURNS, S. F., SMALL, T. W., JOHNSON, D. L. (1990): Tree uprooting: review of types and patterns of soil disturbance. Physical Geography, vol. 11, no. 3, s. 277–291. SCHELHAAS, M. J., NABUURS, G. J., SCHUCK, A. (2003): Natural disturbances in the European forests in the 19th and 20th centuries. Global Change Biology, vol. 9, no. 11, s. 1620–1633. 173

SCHINDLER, D., GREBHAN, K., A. ALBRECHT AND J. SCHÖNBORN (2009): Modelling the wind damage probability in forests in Southwestern Germany for the 1999 winter storm ‘Lothar’. International Journal of Biometeorology, vol. 53, no. 6, s. 543–554. SCHINDLER, D., BAUHUS, J., MAYER, H. (2012): Wind effects on trees. European Journal of Forest Research, vol. 131, no. 1, s. 159–163. SCHMAUS, A. (1920): Über Sturmgefährdungen. Forstwissenschaftliches Zentrablatt, Berlin. In VINCENT, G. (ed.): Předcházejme polomům. Čs. matice lesnická, Písek, 79 s. SCHMIDT, M., HANEWINKEL, M., KÄNDLER, G., KUBLIN, E., KOHNLE, U. (2010): An inventory-based approach for modelling single-tree storm damage experiences with the winter storm of 1999 in southwestern Germany. Canadian Journal of Forest Research, vol. 40, no. 8, s. 1636–1652. SCHÜTZ, J. P., GÖTZ, M., SCHMID, W., MANDALLAZ, D. (2006): Vulnerability of spruce (Picea abies) and beech (Fagus sylvatica) forest stands to storms and consequences for silviculture. European Journal of Forest Research, vol. 125, no. 3, s. 291–302. SLODIČÁK, M., NOVÁK, J. (2006): Výchova smrkových porostů a odolnost vůči polomům. Lesnická práce, roč. 85, č. 11, s. 590 – 592. SLODIČÁK, M., NOVÁK, J. (2007): Výchova lesních porostů hlavních hospodářských dřevin. Výzkumný ústav lesního hospodářství a myslivosti, Strnady, 46 s. SMITH, V., WATTS, M., JAMES, D. (1987): Mechanical stability of black spruce in a clay belt region of northern Ontario. Canadian Journal of Forest Research, vol. 17, s. 1080-1091. SPÍCHAL, L.: Nauka o lesním prostředí [online]. 2008. [cit. 2010-10-10]. Stanovisko k Zelené knize „Adaptace na klimatickou změnu v Evropě – možnosti pro postup EU“ [online]. 2007 [cit. 2009-05-6]. < http://www.chmi.cz/stanzelknihac.pdf> STATHERS, R. J., ROLLERSON, T. P., MITCHELL, S. J. (1994): Windthrow Handbook for British Columbia Forests. Ministry of forests, Victoria B. C, 38 s. STACEY, G. R., BELCHER, R. E., WOOD, C. J., GARDINER, B. A. (1994): Wind flows and forces in a model spruce forest. Boundary-Layer Meteoroly, vol. 69, no. 3, s. 311–334. STĚKL, J., HOŠEK, J. (2005): Větrný potenciál České republiky a moţnosti jeho vyuţití. Vesmír, roč. 84, s. 332-339. SUÁREZ, J., GARDINER, B. A., QUINE, C. P. (1999): A comparison of free methods for predicting wind speeds in complex forested terrain. Meteorological Applications, vol. 6, no. 4, s. 329–342. 174

SUÁREZ-MINGUEZ, J., GARCÍA, R., GARDINER, B. A., PATENAUDE, G. (2007): The estimation of wind risk in forests stands using airborne laser scanning. Journal of Forest Planning, vol. 13, s. 165 – 185. ŠEVĚTÍNSKÝ, J. (1895): Dějiny lesů v Čechách. Písek. In: KOLEJKA, J., KLIMÁNEK, M., MIKITA, T. (eds.): Geografická analýza polomů na Šumavě po orkánu Kyrill. Spisy zeměpisného sdružení, roč. 19, č. 9, s. 1-4. ŠIMKOVIČ, J. (2007): Zařízení lesů ve Velké Británii. Lesnická práce, roč. 86, č. 2. ŠINDELÁŘ, J., FRÝDL, J., NOVOTNÝ, P. (2006): Význam modřínu opadavého pro lesní hospodářství ČR. Lesnická práce, roč. 85, č. 12, s. 643-645. ŠRÁMEK, V., NOVOTNÝ, R. (2011): Povětrnostní podmínky a abiotická poškození (Průběh meteorologických podmínek v roce 2010). In Zpravodaj ochrany lesa – Škodlivý činitelé v lesích Česka 2010-2011, sborník referátů z celostátního semináře s mezinárodní účastí. VÚLHM, Průhonice, s. 10-14. STORMRISK- Managing wind risk to forests in northern Europe [on-line]. c2012 [cit. 2012-1-03]. TALKKARI, A., PELTOLA, H., KELLOMÄKI, S., STRANDMAN, H. (2000): Integration of component models from the tree, stand and regional levels to assess the risk of wind damage at forest margins. Forest Ecology and Management, vol. 135, no. 1-3, s. 303-313. THORPE, H.C, THOMAS, S. C., CASPERSEN, J. P. (2008): Tree mortality following partial harvests is determined by skidding proximity. Ecological Applications, vol. 18, no. 7, s. 1652-1663. Terminologický slovník zeměměřičství a katastru nemovitostí [on-line]. c2005 [cit. 2008-1-12]. TOLASZ, R., et al. (2007): Atlas podnebí Česka. Český hydrometeorologický ústav, Praha, 260 s. Treestab manuál [on-line]. c2007 [cit. 2008-05-13]. UHUL - Inventarizace lesů, Metodika venkovního sběru dat verze 6.0 [on-line]. 1.7.2003 [cit. 2009-08-17]. UHUL - Oblastní plány

rozvoje

lesů

[on-line].

c2003

[cit. 2007-10-12].

UHUL-Podíl zásoby podle poškození hnilobou [online]. 2004 [cit. 2008-11-10]. USBECK, T., WOHLGEMUTH, T., PFISTER, C., VOLZ, R., BENISTON, M., DOBBERTIN, M. (2009): Wind speed measurements and forest damage in Canton 175

Zurich (Central Europe) from 1891 to winter 2007. International Journal of Climatology, vol. 30, no. 3, s. 347-358. USBECK, T., WOHLGEMUTH, T., DOBBERTIN, M., PFISTER, C., BÜRGI, A., REBETEZ, M. (2010): Increasing storm damage to forests in Switzerland from 1858 to 2007. Agricultural and Forest Meteorology, vol. 150, no. 1, s. 47–55. VALINGER, E., FRIDMAN, J. (1997): Modelling probability of snow and wind damage in Scots pine stands using tree characteristics. Forest Ecology and Management, vol. 97, no. 3, s. 215–222. VALINGER, E., FRIDMAN, J. (1999): Models to assess the risk of snow and wind damage in pine, spruce and birch forests in Sweden. Environmental Management, vol. 24, no. 2, s. 209–217. VALINGER, E., FRIDMAN, J. (2011): Factors affecting the probability of windthrow at stand level as a result of Gudrun winter storm in southern Sweden. Forest Ecology and Management, vol. 262, no. 3, s. 398-403. VAŠÍČEK, J.: Popis atmosférických jevů a jejich intenzity [online]. 7.2.2008 [cit. 200811-10]. VEJNAR, Z. (1991): Geologická mapa ČR. List 21-44 Ţelezná Ruda. Měřítko 1:50 000. Ústřední ústav geologický, Praha. WERMELINGER, B. (2004): Ecology and management of the spruce bark beetle lps typographus – a review of recent research. Forest Ecology and Management, vol. 202, no. 1-3, s. 67-82. VICENA, I. (1964): Ochrana lesa proti polomům. SZN, Praha, 178 s. VICENA, I. (2000): Námrazové mapy. Lesnická práce, roč. 79, č. 7, s. 312-313. VICENA, I. (2003): Námraza v našich lesích. Matice lesnická, Písek, 129 s. VICENA, I. (2006): Příčiny polomů. In Sborník referátů z celostátního semináře Škodlivý činitelé v lesích Česka 2005/2006. Výzkumný ústav lesního hospodářství a myslivosti Jíloviště-Strnady, Praha, s. 27-30. VICENA, I. (2006): Hniloby stromů a polomy. Lesnická práce, roč. 85, č. 8. VICENA, I. (2006): Současný stav ochrany lesa proti polomům. Lesnická práce, roč. 85, č. 11, s. 1-6. VICENA, I., JUHA, M., NOŢIČKA, S. (2004): Větrné polomy a vývraty na území NP a CHKO Šumava v roce 2002, jejich příčiny a následky. In Sborník z konference Aktuality šumavského výzkumu II. Správa NP a CHKO Šumava, Vimperk, s. 290-296. VICENA, I., KONOPKA, J., PAŘEZ, J. (1979): Ochrana lesa proti polomům. 1. vydání. Ministerstvo lesního a vodního hospodářství ČSR, Praha. VINCENT, G. (1947): Předcházejme polomům. Čs. matice lesnická, Písek, 79 s. 176

VOŢENÍLEK, V. (1998): GIS I – pojetí, historie, základní komponenty. UP Olomouc, Olomouc, 168 s. VOŢENÍLEK, V. a kol. (2001): Integrace GPS/GIS v geomorfologickém výzkumu. UP Olomouc, Olomouc, 186 s. Vyhláška o lesním hospodářském plánování [on-line]. 18.3.1996 [cit. 2010-12-22]. WANGLER, F. (1974): Die Sturmgefährdung der Wälder in Südwestdeutschland. Eine waldbauliche Auswertung der Sturmkatastrophe 1967. Dissertation. University of Freiburg, Germany, 226 s. WAsP- the Wind Atlas Analysis and Application Program [on-line]. 9.9.2008 [cit. 200811-22]. WESLIEN, J., REGNANDER, J. (1989): Colonisation densities and offspring production in the spruce bark beetle Ips typographus (L.) in standing spruce trees. Journal of Applied Entomology, vol. 109, no. 1-5, s. 358-366. WESSOLLY, L., ERB, M. (1998): Handbuch der Baumstatik und Baumdiagnose. Patzer Verlag, Stuttgart. In: PRAUS, L. (ed.): Mechanická stabilita stromů a metody jejího zjišťování. In Sborník plošné poškození lesů způsobené povětrnostními vlivy. Lesnická společnost, Kostelec nad Černými lesy, s. 33-41. WIZELIUS, T. (2006): Developing wind power projects, theory and practise. Earthscan Publications, London, 296 s. ZATLOUKAL, V. (2004): Kůrovec a polomy v NP Šumava v historických souvislostech s okolím. Část 1. Ochrana přírody, roč. 59, č. 8, s. 237-242. ZATLOUKAL, V. (2004): Kůrovec a polomy v NP Šumava v historických souvislostech s okolím. Část 2. Ochrana přírody, roč. 59, č. 9, s. 259-266. Zelená zpráva - Zpráva o stavu lesa a lesního hospodářství České republiky 2005 [online]. Brandýs nad Labem: Ústav pro hospodářskou úpravu lesa, 2006 [cit. 2010-10-09]. Zelená zpráva - Zpráva o stavu lesa a lesního hospodářství České republiky 2006 [online]. Brandýs nad Labem: Ústav pro hospodářskou úpravu lesa, 2007 [cit. 2009-11-09]. Zelená zpráva - Zpráva o stavu lesa a lesního hospodářství České republiky 2007 [online]. Brandýs nad Labem: Ústav pro hospodářskou úpravu lesa, 2008 [cit. 2009-11-09]. ZENG, H., TALKKARI, A., PELTOLA, H., KELLOMÄKI, S. (2007): A GIS-based decision support system for risk assessment of wind damage in forest management. Environmental Modelling & Software, vol. 22, no. 9, s. 1240–1249.

177

ZENG, H., PELTOLA, H., VÄISÄNEN, H., KELLOMÄKI, S. (2009): The effects of fragmentation on the susceptibility of a boreal forest ecosystem to wind damage. Forest Ecology and Management, vol. 257, no. 3, s. 1165–1173. ZHENG, D., CHEN, J., LEMOINE, J. M., EUSKIRCHEN, E. S. (2005): Influences of land- use change and edges on soil respiration in a managed forest landscape, WI, USA. Forest Ecology and Management, vol. 215, no. 1-3, s. 169–182. ZLATNÍK, V. (2006): Hospodářská úprava lesa a zjišťování hnilob. Lesnická práce, roč. 85, č. 7, s. 26– 27.

178

Summary Windthrows can be influenced by many factors and often result from the interaction between climate, tree, stand, soil and topographic factors. Wind, snow and frost damage result in both direct (monetary losses, additional cost of harvesting and reduced timber value) and indirect costs (impact on water regime, disappearance of original biotopes and species etc.). Windthrow is a common event in many European forests as well as in the world. There has been a history of wind damage in many areas in the Czech Republic, especially in the Šumava Mountains. Windthrow is a natural phenomenon and is difficult to predict. It is however possible partially reduce their impact and total damage.

Advanced

technologies

like

empirical

and

mechanistic

modelling,

geographical information systems, decision support systems, models and other tools allow effective, accurate and almost immediate assessment of potential windthrow risk and help reduce catastrophic wind damage. The main goal of this dissertation is to assess wind damage hazard using empirical and mechanistic modelling represented by logistic regression and predictive mechanistic model ForestGALES. The first part of this dissertation described the basic approaches and methods (empirical, mechanistic and observational) of assessing wind damage hazard. The history of windthrows, especially in the Šumava Mountains, was listed and the mechanism of windthrows as well as the most common models were mentioned. Mechanistic modelling was represented by mechanistic windthrow model ForestGALES 2.3 Research developed by the UK Forestry Commission which estimates critical wind speeds required to uproot or break trees based on models of loading and resistance. The process of model adaptation for conditions in the Czech Republic involving the data acquisition, modification and building dataset was described in detail and problems arising from discrepancy between Czech forest management input data and model requirements were discussed. The assessment of the risk and calculation of probability was performed using the control box in ForestGALES. Model outputs were displayed in the Wind Damage Risk box which contain information regarding wind damage risk status (a measure of the risk of damage either by overturning or stem breakage), the critical wind speed (the lowest wind speeds that will cause overturning or breakage) and returned period, which is the average length in years between wind speeds exceeding the critical wind occurring at the site. The model’s results were then exported into database file which could be then 179

imported into geographical information systems. A number of windthrow hazard maps representing the risk of stand overturning or breakage were produced based on the exported database from ForestGALES using ArcGIS Spatial Analyst. The empirical approach uses a qualitative assessment, which has been widely adopted by decision-makers to assess wind damage risk, was represented by logistic regression. Logistic regression has proven to be a useful tool to estimate the probability of windthrow and it has been utilized by many authors to predict the probability of windthrow on an individual tree level. The first part of chapter described building dataset, determination of dependant and independent variables, creation of sample units and application of basic statistical methods to assess windthrow risk. Logistic regression was performed using SAS 9.1 with the logistic procedure. The list of potential independent (explanatory) variables was refined to include the relevant variables only. Pearson correlation coefficients were applied to identify variables which were highly correlated with the other variables to minimize multicollinearity. After a suitable list of potential independent variables was obtained, the stepwise selection methods were chosen to aid in the formulation of a model. The likelihood-Ratio Test and the Wald test were used to test hypotheses in logistic regression and a Wald test was used to test the statistical significance of each coefficient in the model. Logistic regression formulas were then incorporated into GIS and windthrow hazard maps were created using raster calculator in ArcGIS Spatial Analyst. The results obtained by both approaches and the potential for spatial prediction of wind damage using empirical modelling represented by logistic regression and predictive mechanistic model ForestGALES were discussed at the end of the dissertation. Empirical modelling predicted windthrow hazard risk more accurately and provided better results and so was chosen as a more appropriate method to assess potential windthrow risk in study area.

180

PŘÍLOHY

181

SEZNAM PŘÍLOH 1. Mapa nadmořské výšky a graf zastoupení kategorií nadmořské výšky na území Prášilska. 2. Mapa sklonu a graf zastoupení kategorií sklonu povrchu na území Prášilska. 3. Mapa expozice a graf zastoupení kategorií expozice na území Prášilska. 4. Mapa potenciální hloubky půdy a graf zastoupení kategorií potenciální hloubky půdy na území Prášilska. 5. Mapa vlhkosti půdy a graf zastoupení kategorií vlhkosti půdy na území Prášilska. 6. Mapa zakmenění porostu a graf zastoupení kategorií zakmenění porostu na území Prášilska. 7. Mapa výšky porostu a graf zastoupení kategorií výšky porostu na území Prášilska. 8. Mapa zastoupení smrku v porostu a graf zastoupení smrku v porostu na území Prášilska. 9. Mapa věku porostu a graf zastoupení věku porostu na území Prášilska. 10. Mapa střední tloušťky porostu a graf zastoupení kategorií střední tloušťky porostu na území Prášilska. 11. Mapa rizika porostu vůči vyvrácení a graf kategorií rizika ohroţení porostů vůči vyvrácení (K=1,8) na území Prášilska. 12. Mapa rizika porostu vůči vyvrácení a graf kategorií rizika ohroţení porostů vůči vyvrácení (K=1,7) na území Prášilska. 13. Mapa rizika porostu vůči vyvrácení a graf kategorií rizika ohroţení porostů vůči vyvrácení (K=1,6) na území Prášilska. 14. Mapa rizika porostu vůči vyvrácení a graf kategorií rizika ohroţení porostů vůči vyvrácení (K=1,5) na území Prášilska. 15. Mapa rizika porostu vůči zlomení a graf kategorií rizika ohroţení porostů vůči zlomení (K=1,8) na území Prášilska. 16. Mapa rizika porostu vůči zlomení a graf kategorií rizika ohroţení porostů vůči zlomení (K=1,7) na území Prášilska. 17. Mapa rizika porostu vůči zlomení a graf kategorií rizika ohroţení porostů vůči zlomení (K=1,6) na území Prášilska.

182

18. Mapa rizika porostu vůči zlomení a graf kategorií rizika ohroţení porostů vůči zlomení (K=1,5) na území Prášilska. 19. Mapa pravděpodobnosti výskytu polomů a graf intervalů pravděpodobnosti ohroţení (model 1) na území Prášilska. 20. Mapa pravděpodobnosti výskytu polomů a graf intervalů pravděpodobnosti ohroţení (model 2) na území Prášilska. 21. Mapa míry shody mezi výsledky získanými empirickým a mechanickým přístupem a graf kategorií míry shody na území Prášilska. 22. Mapa rizika porostu vůči polomové kalamitě odvozená na základě výsledků získaných empirickým a mechanickým přístupem na území Prášilska.

183

Příloha č. 1: Mapa nadmořské výšky a graf zastoupení kategorií nadmořské výšky na území Prášilska. 184

Příloha č. 2: Mapa sklonu a graf zastoupení kategorií sklonu povrchu na území Prášilska.

185

Příloha č. 3: Mapa expozice a graf zastoupení kategorií expozice na území Prášilska.

186

Příloha č. 4: Mapa potenciální hloubky půdy a graf zastoupení kategorií potenciální hloubky půdy na území Prášilska. 187

Příloha č. 5: Mapa vlhkosti půdy a graf zastoupení kategorií vlhkosti půdy na území Prášilska. 188

Příloha č. 6: Mapa zakmenění porostu a graf zastoupení kategorií zakmenění porostu na území Prášilska.

189

Příloha č. 7: Mapa výšky porostu a graf zastoupení kategorií výšky porostu na území Prášilska. 190

Příloha č. 8: Mapa zastoupení smrku v porostu a graf zastoupení smrku v porostu na území Prášilska.

191

Příloha č. 9: Mapa věku porostu a graf zastoupení věku porostu na území Prášilska.

192

Příloha č. 10: Mapa střední tloušťky porostu a graf zastoupení kategorií střední tloušťky porostu na území Prášilska. 193

Příloha č. 11: Mapa rizika porostu vůči vyvrácení a graf kategorií rizika ohroţení porostů vůči vyvrácení (K=1,8) na území Prášilska.

194

Příloha č. 12: Mapa rizika porostu vůči vyvrácení a graf kategorií rizika ohroţení porostů vůči vyvrácení (K=1,7) na území Prášilska. 195

Příloha č. 13: Mapa rizika porostu vůči vyvrácení a graf kategorií rizika ohroţení porostů vůči vyvrácení (K=1,6) na území Prášilska.

196

Příloha č. 14: Mapa rizika porostu vůči vyvrácení a graf kategorií rizika ohroţení porostů vůči vyvrácení (K=1,5) na území Prášilska.

197

Příloha č. 15: Mapa rizika porostu vůči zlomení a graf kategorií rizika ohroţení porostů vůči zlomení (K=1,8) na území Prášilska.

198

Příloha č. 16: Mapa rizika porostu vůči zlomení a graf kategorií rizika ohroţení porostů vůči zlomení (K=1,7) na území Prášilska.

199

Příloha č. 17: Mapa rizika porostu vůči zlomení a graf kategorií rizika ohroţení porostů vůči zlomení (K=1,6) na území Prášilska.

200

Příloha č. 18: Mapa rizika porostu vůči zlomení a graf kategorií rizika ohroţení porostů vůči zlomení (K=1,5) na území Prášilska.

201

Příloha č. 19: Mapa pravděpodobnosti výskytu polomů a graf intervalů pravděpodobnosti ohroţení (model 1) na území Prášilska.

202

Příloha č. 20: Mapa pravděpodobnosti výskytu polomů a graf intervalů pravděpodobnosti ohroţení (model 2) na území Prášilska.

203

Příloha č. 21: Mapa míry shody mezi výsledky získanými empirickým a mechanickým přístupem a graf kategorií míry shody na území Prášilska.

204

Příloha č. 22: Mapa rizika porostu vůči polomové kalamitě odvozená na základě výsledků získaných empirickým a mechanickým přístupem na území Prášilska.

205