Die Rolle von Citizen Science in der Erfassung und Beurteilung von Feuchtgebieten: Evaluierung von methodischen Ansätzen und deren Aussagekraft im Vergleich

Masterarbeit Die Rolle von Citizen Science in der Erfassung und Beurteilung von Feuchtgebieten: Evaluierung von methodischen Ansätzen und deren Aussagekraft im Vergleich verfasst von Oliver WIJFFELS, BSc. im Rahmen des Masterstudiums Umweltund Bioressourcenmanagement zur Erlangung des akademischen Grades Diplom-Ingenieur Wien, September 2025 Betreut von Mitbetreut von Assoc. Prof.in Priv.-Doz.in Mag. Dr.in Gabriele Weigelhofer, Institut für Hydrobiologie und Gewässermanagement, Department für Wasser-Atmosphäre-Umwelt Universität für Bodenkultur Wien Dipl.-Ing.in Eva Feldbacher Institut für Hydrobiologie und Gewässermanagement, Department für Wasser-Atmosphäre-Umwelt Universität für Bodenkultur Wien i Eidesstattliche Erklärung Ich versichere an Eides statt, dass ich diese Masterarbeit selbstständig verfasst und keine anderen als die angegebenen Quellen und Hilfsmittel verwendet habe. Alle Gedanken, die im Wortlaut oder in grundlegenden Inhalten aus unveröffentlichten Texten oder aus veröffentlichter Literatur übernommen, oder mit künstlicher Intelligenz generiert wurden, sind ordnungsgemäß gekennzeichnet, zitiert und mit genauer Quellenangabe versehen. Die vorliegende Arbeit wurde bisher weder ganz noch teilweise in gleicher oder ähnlicher Form an einer Bildungseinrichtung als Voraussetzung für den Erwerb eines akademischen Grades eingereicht. Sie entspricht vollumfänglich den Leitlinien der Wissenschaftlichen Integrität und den Richtlinien der Guten Wissenschaftlichen Praxis. Wien, 8. September 2025 ii “In the end we will conserve only what we love, we will love only what we understand, and we will understand only what we are taught.” Baba Dioum*, 1968 „Am Ende werden wir nur das bewahren, was wir lieben, wir werden nur das lieben, was wir verstehen, und wir werden nur das verstehen, was man uns lehrt.“ Baba Dioum*, 1968 *Dioum, 1968, zitiert in (Valenti und Tavana, 2005, S.308) iii Vorwort Diese Masterarbeit wurde von dem EU geförderten Projekt Restore4Life finanziell unterstützt. DISCLAIMER Views and opinions expressed are, however, those of the author(s) only and do not necessarily reflect those of the European Union or European Health and Digital Executive Agency. Neither the European Union nor the granting authority can be held responsible. iv Danksagung An dieser Stelle möchte ich mich bei allen bedanken, die zum Gelingen dieser Masterarbeit beigetragen haben. Mein besonderer Dank gilt meiner Betreuerin Gabriele Weigelhofer, die mich mit wertvollen Anregungen, konstruktivem Feedback und fachlicher Unterstützung durch den gesamten Prozess begleitet hat. Ebenso möchte ich mich bei Eva Feldbacher für ihre Unterstützung im Rahmen der Mitbetreuung bedanken. Ein herzliches Danke gilt auch dem Projekt Restore4Life, dem Institut für Hydrobiologie und Gewässermanagement und allen Beteiligten, die mir den Zugang zu den notwendigen Ressourcen und Daten ermöglicht haben. Ein großes Dankeschön geht an die fleißigen Testpersonen, die mit viel Zeit und Mühe im Untersuchungsgebiet die Methoden ausgetestet haben. Danke - Anicia, Carolin, Chris, Daniel, Emilia, Greta, Ilaria, Julia, Maurice, Meli, Michi, Moni, Nora, Peter, Simon, Peter, Stephanie, Teo, Tobi, Toni, Valle, Willi und Zsuzsi - ohne euch wäre dieser Versuch nicht möglich gewesen! Zuletzt möchte ich meinen Eltern, meinen Geschwistern, meinen Freunden, meiner lieben Partnerin und Pippo danken, die mir während meines Studiums stets den Rücken gestärkt haben. v Inhaltsverzeichnis Eidesstattliche Erklärung .................................................................................. i Vorwort .......................................................................................................... iii Danksagung ................................................................................................... iv Inhaltsverzeichnis ........................................................................................... v Kurzfassung .................................................................................................. vii Abstract ....................................................................................................... viii 1 Einleitung .................................................................................................. 1 1.1 Was ist Citizen Science .............................................................................. 3 1.2 Das Potenzial von Citizen Science ............................................................... 4 1.3 Die Herausforderungen von Citizen Science ................................................ 5 1.4 Monitoring und Bewertung von Feuchtgebiete .............................................. 7 1.5 Ziel der Arbeit ............................................................................................ 8 2 Material und Methode .............................................................................. 10 2.1 Testgebiet ............................................................................................... 10 2.2 Untersuchungsdesign .............................................................................. 11 2.3 Wissenschaftliche Erhebung .................................................................... 12 2.3.1 Wasserqualität ....................................................................................................... 12 2.3.2 Libellen .................................................................................................................. 12 2.3.3 Ufergehölze ............................................................................................................ 13 2.4 Citizen Science Erhebung ......................................................................... 13 2.4.1 Wasserqualität ....................................................................................................... 14 2.4.2 Libellen .................................................................................................................. 15 2.4.3 Ufergehölze ............................................................................................................ 16 2.5 Auswertung ............................................................................................. 17 3 Ergebnisse .............................................................................................. 19 3.1 Wasserqualität ........................................................................................ 19 3.1.1 Farbe & Geruch ....................................................................................................... 19 3.1.2 Wassertrübheit ....................................................................................................... 22 3.1.3 Nitratmessungen (NO3) ........................................................................................... 23 3.1.4 Phosphatmessungen (PO4) ..................................................................................... 26 3.1.5 Gelöster Sauerstoff ................................................................................................. 28 3.1.6 Qualitative Beschreibungen .................................................................................... 29 3.1.7 Zusätzliche Ergebnisse und Vergleiche .................................................................... 32 vi 3.2 Libellen ................................................................................................... 33 3.3 Ufergehölze ............................................................................................. 38 3.4 Feedback der Teilnehmenden ................................................................... 42 4 Diskussion .............................................................................................. 46 4.1 Wasserqualität ........................................................................................ 46 4.2 Libellen ................................................................................................... 49 4.3 Ufergehölze ............................................................................................. 52 4.4 Eignung und Aussagekraft ........................................................................ 53 5 Zusammenfassung und Schlussfolgerungen ............................................. 57 Literaturverzeichnis ....................................................................................... 60 Erklärung zum Einsatz von generativen KI-Tools .............................................. 66 Anhang A: Unterlagen der Citizen Scientists .................................................... 67 Anhang B: Liste der Taxa – Libellen ................................................................. 81 Anhang C: Liste der Taxa - Gehölze ................................................................. 85 vii Kurzfassung Der Rückgang der globalen Biodiversität stellt eine große Bedrohung dar. Insbesondere Süßwasserökosysteme stehen weltweit unter großen Druck. Für ihren effektiven Schutz sind sowohl verlässliche Informationen über ihren Zustand als auch die Unterstützung der Öffentlichkeit essenziell. Citizen Science bietet hierbei einen vielversprechenden Ansatz, um einerseits umfangreiche Daten über große geografische Gebiete zu sammeln und andererseits die Gesellschaft aktiv in den wissenschaftlichen Prozess einzubinden. Obwohl Citizen Science in den letzten Jahrzehnten an Bedeutung gewonnen hat, bestehen weiterhin Herausforderungen hinsichtlich der Datenqualität. Daher ist es notwendig, Citizen Science-Methoden zu testen und mit wissenschaftlich erhobenen Referenzdaten zu vergleichen, um ihre Genauigkeit und Zuverlässigkeit zu verbessern. Diese Arbeit untersucht Citizen Science-Methoden im Vergleich zu wissenschaftlichen Methoden, indem drei Qualitätsindikatoren – Wasserqualität, Libellen und Ufergehölze – am Fluss March und einem nahegelegenen Altarm sowohl durch Citizen Scientists als auch durch wissenschaftliche Referenzdatenerhebungen analysiert werden. Die Ergebnisse zeigen, dass Citizen Scientists Wasserqualitätsdaten gut erfassen können, diese jedoch eine hohe Variabilität im Vergleich zu den Referenzdaten aufweisen. Bei der Untersuchung von Libellen stellte sich heraus, dass es für Citizen Scientists schwierig ist, Libellen zu finden und auf Artenniveau zu bestimmen. Ufergehölze hingegen konnten von Citizen Scientists gut erfasst und mithilfe von Hilfsmaterialien größtenteils korrekt bestimmt werden. Auf Basis dieser Ergebnisse wurden methodische Verbesserungsvorschläge entwickelt, um die Datenqualität zu steigern und eine Grundlage für zukünftige Citizen ScienceProjekte oder ähnliche Forschungen in Feuchtgebieten zu schaffen. Diese Arbeit leistet insgesamt einen Beitrag zur Weiterentwicklung von Citizen Science-Methoden und zur Förderung ihrer Akzeptanz. 6 Verzerrungen in Citizen Science Daten treten weiters durch Unterschiede im Aufzeichnungsverhalten der Beobachtenden auf. Personen, die Daten sammeln, können unterschiedliche Muster und Präferenzen haben, was dazu führt, dass manche Arten, Gebiete oder Zeiträume häufiger erfasst werden als andere (Callaghan et al., 2025). Einige Personen konzentrieren sich beispielsweise auf bestimmte Arten, die sie besonders interessant finden bzw. gut identifizieren können, oder sie zeichnen Daten bevorzugt an Orten auf, die für sie leicht zugänglich sind (August et al., 2020; Boakes et al., 2016). Beispielsweise zeichnet sich dies in einigen Datensätzen ab, dass größere Arten öfter registriert werden als Kleinere (Callaghan et al., 2021). Einige Teilnehmende fokussieren sich hingegen auf besonders seltene Arten und nehmen dafür längere Wege auf sich, um diese zu sehen und zu dokumentieren (Kolstoe und Cameron, 2017). Darüber hinaus spielen individuelle Faktoren eine wesentliche Rolle, insbesondere die Bereitschaft und das Engagement der Teilnehmenden, Beobachtungen zu dokumentieren. Das persönliche Interesse an der Datenaufnahme und der Verfügbarkeit von Zeit beeinflussen zusätzlich die Datenqualität (Rotman et al., 2014). Beispielsweise ist es wichtig, die unterschiedliche Zeitverfügbarkeit der Teilnehmenden, wie etwa die tendenziell größere Freizeit von Studierenden im Vergleich zu berufstätigen Personen, zu berücksichtigen (Kiruba-Sankar und Barman, 2024). Viele Citizen Science Datensätze stammen aus Projekten, welche weniger Struktur, weniger festgelegte Protokolle oder geringere Anforderungen an die Teilnehmenden stellen (Pocock et al., 2017). Die zunehmende Beliebtheit von Plattformen wie z.B. iNaturalist zeigt die Zunahme an zufälligen Artenbeobachtungen (Amano et al., 2016). Citizen Scientists machen in diesem Fall Beobachtungen nach eigenem Ermessen und ohne festgelegte Vorgaben. Diese Flexibilität im Datenerhebungsprozess ermöglicht es den Teilnehmenden, selbst zu entscheiden, wie sie sich an einem Projekt beteiligen. Dies kann zwar die Beteiligung erhöhen, kann jedoch auch dazu führen, dass manche Orte oder Zeiten überrepräsentiert sind, während andere vernachlässigt werden, was eine systematische und gleichmäßige Erfassung von Daten verhindert (Boakes et al., 2016; Pocock et al., 2017). Strukturierte Protokolle erfordern hingegen, dass Freiwillige einem festgelegten Plan folgen, was zu präzisen und vergleichbaren Daten führt, aber dafür die Beteiligungsquote einschränken kann (Vattakaven et al., 2022). Der Erfolg von Citizen Science Projekten hängt stark von der Qualität der Daten ab, die von den Freiwilligen gesammelt werden (Kiruba-Sankar und Barman, 2024). Die Gewährleistung der Datenqualität und die Minimierung von Fehlerquellen stellt damit für Citizen Science eine wesentliche Herausforderung dar, um als eine wissenschaftliche und verlässliche Methode angesehen zu werden. Daher ist es notwendig, Methoden zu entwickeln und zu testen, welche die Genauigkeit und die Zuverlässigkeit der von Freiwilligen erhobenen Daten gewährleisten. Ohne 7 Qualitätssicherung nimmt die Menge der gesammelten Daten zwar zu, jedoch bleibt die Zuverlässigkeit und die Nutzbarkeit dieser Daten ungewiss (Tulloch et al., 2013). 1.4 Monitoring und Bewertung von Feuchtgebiete Um den Zustand von Feuchtgebieten zu bewerten, können verschiedene Qualitätsindikatoren herangezogen werden. Diese Arbeit konzentriert sich auf drei Indikatoren: Wasserqualität, Ufergehölze und Libellen. Die Wasserqualität ist ein grundlegender Indikator für die Gesundheit eines Feuchtgebiets und kann durch physikalische, chemische und biologische Parameter bestimmt werden (Millennium Ecosystem Assessment, 2005). Die Sauerstoffkonzentration im Wasser ist entscheidend für das Überleben vieler aquatischer Organismen. Während manche Süßwasserarten hohe Sauerstoffkonzentrationen benötigen, kommen andere mit geringeren Werten aus (dieser Bereich liegt zwischen 2mg/L - 11mg/L gel. O2). Fehlt jedoch ein Minimum an gelöstem Sauerstoff im Wasser können die meisten Organismen im Wasser nicht überleben. Die Menge an gelöstem Sauerstoff im Wasser wird von verschiedenen Faktoren beeinflusst. Beispielsweise kann kälteres Wasser mehr Sauerstoff aufnehmen als wärmeres, weshalb die Sauerstoffkonzentration in Gewässern während heißer Sommermonate oft abnimmt (Water Rangers, 2025a). Überschüssige Nährstoffe wie Stickstoff und Phosphor gelangen häufig durch landwirtschaftliche Düngemittel oder Abwässer in Gewässer. Hohe Konzentrationen dieser Nährstoffe können eine Eutrophierung auslösen, die letztlich zu Sauerstoffmangel im Gewässer führt (Sutton et al., 2013). Zusätzlich zu direkten Messungen von Nährstoffund Sauerstoffkonzentrationen können Parameter wie Wassertrübung, - farbe und -geruch Hinweise auf den ökologischen Zustand eines Gewässers geben. Die Wassertrübung beschreibt wie stark Licht durch Schwebstoffe (z. B. Sedimente, Algen, organische Partikel) im Wasser gestreut wird. Gleichzeitig kann die Wasserfarbe auf das Vorhandensein organischer Substanzen wie Algen oder Huminstoffe hinweisen, während ein intensiver Geruch oft auf Verschmutzungen oder Zersetzungsprozesse hinweist (Pooja, 2019). Libellen sind gute Bioindikatoren, da viele Arten spezielle Anforderungen an ihre Lebensräume haben und empfindlich auf Veränderungen reagieren. Libellen durchlaufen in ihrem Lebenszyklus mehrere Entwicklungsstadien, die sowohl im Wasser als auch an Land stattfinden (Bellmann und Helb, 2022). Libellen zählen, ähnlich wie Vögel oder Tagfalter, zu den Tiergruppen, die sich besonders gut für den Einstieg in die Artenkenntnis eignen. Ihre Bestimmung ist anhand von erkennbaren Merkmalen wie Körperfarben, Flügelzeichnungen, Beinfarben und charakteristischen Zeichnungen des Hinterleibs möglich. Diese vielfältigen Merkmale ermöglichen es, viele Arten sogar nur mittels Fotos zu identifizieren (Ott, 2016). 8 Ufergehölze bieten Lebensraum und Nahrung für zahlreiche Tierarten, schützen vor Erosion und tragen zur Wasserreinigung bei. Die Vegetation entlang von Uferbereichen kann daher Aufschluss über den Zustand eines Feuchtgebietes und den vorherrschenden Standortbedingungen geben. Veränderungen in der Ufervegetation können auf Verschmutzungen oder andere Störungen hinweisen (Gumiero et al., 2023). 1.5 Ziel der Arbeit Die Vereinfachung von Aufgaben und Methoden in Citizen Science-Projekten ist notwendig, damit auch Personen ohne formale wissenschaftliche Ausbildung teilnehmen können. Dies kann jedoch die wissenschaftliche Aussagekraft oder Genauigkeit der Ergebnisse beeinträchtigen. Um dennoch verlässliche Ergebnisse zu gewährleisten, müssen die vereinfachten Methoden mit etablierten wissenschaftlichen Verfahren verglichen und validiert werden (Au et al., 2000; Fore et al., 2001). Standardisierte und getestete Methoden sind entscheidend, um die Datenqualität und - vergleichbarkeit in Citizen Science-Projekten zu verbessern (Kelling et al., 2019). Pocock et al. (2023) unterstreichen zudem die Bedeutung der Verfeinerung von Citizen Science-Methoden, insbesondere durch Simulationen, bei denen die tatsächlichen Daten eines (Test)Gebietes bekannt sind, um die Zuverlässigkeit und Genauigkeit von Citizen Scientist-Daten zu verbessern. Vor diesem Hintergrund zielt die vorliegende Arbeit darauf ab, die Eignung und die Aussagekraft von Citizen Science-Methoden für die Bewertung eines Feuchtgebietes zu untersuchen. Dabei werden die Genauigkeit und die Zuverlässigkeit der erhobenen Citizen Science-Daten bewertet, potenzielle Datenqualitätsprobleme identifiziert und Handlungsempfehlungen zur Optimierung der Citizen Science-Methoden in diesem Kontext formuliert. Hierfür wurde mithilfe von 20 freiwilligen Personen eine Citizen Science Datenerhebung simuliert, bei der Aufgaben mit unterschiedlichen Anforderungen an die Fähigkeiten der Personen und die Genauigkeit bei der Datenerfassung gestellt wurden, um die daraus resultierenden Ergebnisse mit denen einer präzisen wissenschaftlichen Methode zu vergleichen. Die drei Qualitätsindikatoren – Wasserqualität, Libellen und Ufergehölze – wurden speziell ausgewählt, um ein breites Spektrum an Fähigkeiten und Genauigkeitsgraden bei der Datenerhebung abzudecken. Die Wasserqualität zielt darauf, ab die Messgenauigkeit chemischer Parameter und die Anwendung von Testkits bzw. Messgeräten durch Laien zu untersuchen. Wasserproben sind einfach zu sammeln, die Qualität der Ergebnisse ist jedoch in der Regel abhängig von der Art der Testkits (einfache Teststreifen, Tropfentests oder elektronische Messgeräte) sowie vom Training der anwendenden Personen. Bei der Beobachtung von Libellen liegt der Fokus auf der Überprüfung der Methodik, wenn Personen mit nur begrenzten Artenkenntnissen versuchen, bewegliche Ziele zu 9 erfassen und zu bestimmen. Diese Aufgabe ist anspruchsvoll und erfordert normalerweise viel Übung, da Libellen sehr mobil sind, nicht bei jedem Wetter beobachtet werden können und Artenkenntnisse notwendig sind. Spezielles Equipment ist bei dieser Aufgabe hingegen keines notwendig. Die Erfassung von Ufergehölzen dient dazu, die Kompetenz der Teilnehmenden im Umgang mit etablierten Hilfsmitteln, wie Pflanzenbestimmungs-Apps, zu testen. Diese Aufgabe ist vergleichsweise einfach, da Bäume unbeweglich sind und keine spezielle Ausrüstung oder intensives Training erfordern. Folgende Forschungsfragen werden beantwortet: ➔ 1. Inwieweit können die Ergebnisse, die durch die verschiedenen Citizen Science-Methoden zur Bewertung von Feuchtgebieten erhoben wurden, … • 1.1 …mit den wissenschaftlichen Datenerhebungen verglichen und validiert werden? • 1.2 …Aussagen über den Zustand des Ökosystems geben? ➔ 2. Welche spezifischen Merkmale und Anforderungen sollten bei der Erstellung und Anwendung von Citizen Science Methoden für die Bewertung der drei Qualitätsindikatoren berücksichtigt werden? Basierend auf diesen Forschungsfragen wurden weiters Hypothesen erstellt, die im Rahmen der Untersuchung überprüft werden: ➔ H1: Die durch Citizen Science-Methoden erhobenen Daten weisen eine hohe Übereinstimmung mit den wissenschaftlich erhobenen Daten auf: • H1.1: Die verwendeten Testkits können den Zustand der Wasserqualität ausreichend beschreiben • H1.2: Mit den Citizen Science-Methoden kann eine Artenvielfalt von Libellen im Untersuchungsgebiet festgestellt werden • H1.3: Durch die Citizen Science-Methoden können insgesamt über 80% der im Untersuchungsgebiet vorkommenden Gehölzarten ermittelt werden. Für jeden Qualitätsindikator werden folgende Hypothesen getestet: ➔ H2: Die Citizen Science Daten zeigen eine hohe innere Konsistenz und sind in sich stimmig ➔ H3: Die Citizen Science Daten können spezifische Trends und Muster erkennen ➔ H4: Die gewählten Qualitätsindikatoren ermöglichen zuverlässige Aussagen über den Zustand des gewählten Feuchtgebietes und eignen sich für Citizen Science 10 2 Material und Methode 2.1 Testgebiet Als Testgebiet wurde das Gebiet „Hufeisen Sierndorf“ in der Nähe von Sierndorf an der March gewählt (Abbildung 1), welches im Ramsarschutzgebiet March-ThayaDonau-Auen liegt und sich durch ein restrukturiertes, kleinräumiges Altarmsystem mit verschiedenen Auenhabitaten auszeichnet. Die Wahl fiel auf diesen Ort, da die Fläche sich im Besitz der Republik Österreich befindet, was den Vorteil bot, dass für die Durchführung der Studie keine zusätzlichen Absprachen mit privaten Grundstückseigentümern notwendig waren und somit ein ungehinderter Zugang gewährleistet war. Zudem umfasst der Ort einen Altarm der March und den Fluss March selbst. Das Gebiet ist außerdem sowohl mit dem Auto, Zug als auch mit dem Rad erreichbar. Der Ort wird nicht stark von Menschen besucht, während des Untersuchungszeitraums wurden nur selten andere Personen beobachtet. Vereinzelt wurden kleine Gruppen gesichtet, die mit Kajaks den Fluss befuhren. Innerhalb der Fläche des Hufeisens entlang des Altarms wurde in Abständen eine Mahd durchgeführt. Einzelne Fischerhütten sind im Gebiet vorhanden. Außerhalb des Testgebiets wird die Fläche überwiegend landwirtschaftlich genutzt. Der Uferbereich des Altarms ist überwiegend flach, jedoch treten auf der Seite des Hufeisens Abbruchkanten auf. Während der Vegetationsperiode sind die meisten Bereiche am Ufer durch Vegetation stark bewachsen. Beide Gewässer sind jedoch an bestimmten Stellen über ihre Uferränder Abbildung 3 Uferbereich des Altarms. Abbildung 2 Kleiner Weg, der den Zugang zum Flussufer ermöglicht. Abbildung 1 Karte mit der Position des Testgebiets und den Orten der verschiedenen Untersuchungen (geändert nach geoland.at, 2025). 11 zugänglich (Abbildung 2). Der Uferbereich der March ist im Bereich des Testgebietes durch Blockwurf stabilisiert (Abbildung 4). 2.2 Untersuchungsdesign In dieser Untersuchung wurden zwei unterschiedliche Methoden angewendet. Mit genauen Methoden, d.h. wissenschaftlichen, standardisierten Untersuchungen (Laborproben, Transektmethode), wurden die drei Qualitätsindikatoren - Wasserqualität, Libellen und Ufergehölze - untersucht. Parallel dazu erhoben Citizen Scientists Daten zu denselben Qualitätsindikatoren mit vereinfachten Methoden. Hierfür wurden Protokolle für die drei ausgewählten Qualitätsindikatoren entwickelt bzw. Methoden aus bestehenden Citizen Science-Projekten 1 adaptiert. Die Durchführung fand im Zeitraum zwischen Mitte August 2024 (Erste Erhebung 15.8.24) bis Anfang November 2024 (Letzte Erhebung 3.11.24) statt (Abbildung 5). Im Zeitraum vom 12. bis 20. September kam es in ganz Österreich zu einem starken Hochwasserereignis (BMLUK, o.D.). Während dieses Zeitraums wurden keine Testungen durchgeführt. Die Mehrheit der Versuche erfolgte nach dem Ereignis. Abbildung 5 Zeitskala des gesamten Untersuchungszeitraums im Jahr 2024 mit Markierung der Zeitpunkte, an denen Versuche durchgeführt wurden sowie der Zeitraum des Hochwassers. 1 Fresh Water Watch, Viel Falter, Hummel-Monitoring Österreich, Europäischen Tagfalter-Monitoring Programm, naturbeobachtung.at Abbildung 4 Uferbereich des Flusses. 12 2.3 Wissenschaftliche Erhebung 2.3.1 Wasserqualität Für die Analyse der Wasserqualität wurden Nährstoffe (Phosphat & Nitrat), photosynthetische Aktivität, Leitfähigkeit und gelöster Sauerstoff herangezogen. Alle Wasserproben wurden im selben Bereich, in dem auch die Citizen Scientists ihre Versuche durchführten, entnommen. Aufgrund des Hochwassers wurden Daten jeweils vor (31.8.24) und nach (29.9.24 & 12.10.24) dem Ereignis erhoben. Für die Analyse der Nährstoffe wurden Wasserproben am 31.8.24 und 29.9.24 entnommen. Die Proben wurden vor Ort mit 0,75 µm Glasfaserfilter filtriert und anschließend im Labor am Wasser Cluster Lunz auf ihren Nund PGehalt mittels Continuous Flow Analyser analysiert. Die photosynthetische Aktivität wurde mittels AquaPen-C AP 110-C ermittelt. Dafür wurden 2 ml Probenwasser in die Küvette gefüllt. Unter Dunkelheit wurde mit blauem LED (455nm) und rotem LED (630nm) die Ft – instantaneous chlorophyll fluorescence gemessen. Die Chlorophyll-a Konzentration (y) (µg/L) wurde dann über die Formel 𝑦 = 0.0406 ∗(𝐹𝑇~𝑊𝐸𝑅𝑇)− 5.5983 berechnet. Mittels einem Multi Meter HQ4300 Messgerät wurden die Leitfähigkeit und der gelöste Sauerstoff an drei verschiedenen Tagen (15.8.,31.8. & 12.10.24) im Fluss und im Altarm ermittelt. 2.3.2 Libellen Die Libellen wurden mittels der Transektmethode, angelehnt an die Erhebung von Tagfaltern nach Pollard 1977 und wie im europäischen Tagfalter Monitoring angewandt (eBMS, o.D.), im Testgebiet erhoben. Das Transekt umfasste die ganze Länge des Testgebietes (Abbildung 25). Zu Beginn wurden die Uhrzeit, die Windstärke und die Temperatur ermittelt und dann das Transekt im langsamen Schritttempo von Süden nach Norden abgegangen. Die Libellen wurden nicht gefangen, sondern mit einer Kamera (Canon EOS 1100D) fotografiert. Der Einsatz eines Tele-Zoom-Objektivs (Canon EF-S 55-250mm) ermöglichte es, die Tiere in den meisten Fällen aus ausreichender Entfernung in ihrem Ruhezustand zu fotografieren. Im Falle eines Vorbeifluges wurden die Merkmale bestmöglich festgehalten. In den meisten Fällen war es aber möglich, die Libelle entweder direkt im Ruhezustand zu fotografieren oder zu verfolgen und dann zu fotografieren. Die Erhebung wurde an drei Tagen (15.8.,31.8. & 12.10.24) durchgeführt. Die Libellen wurden anhand ihrer Fotos mithilfe von Bestimmungsbüchern (Raab et al., 2007, Dijkstra et al. 2021, Bellmann und Helb, 2022) im Nachgang identifiziert. Eine zusätzliche Validation der Artenbestimmung durch einen Experten wurde auf der 13 Plattform naturbeobachtung.at eingeholt. Fotonachweise der vorgefundenen Arten befinden sich in Anhang B: Liste der Taxa – Libellen. 2.3.3 Ufergehölze Alle Gehölze im Testgebiet wurden auf Gattungsebene und, wenn möglich, auf Artenniveau bestimmt. Dabei wurden alle holzigen Pflanzen berücksichtigt, die zwei zuvor festgelegte Kriterien erfüllten: Erstens mussten die Gehölze mindestens größer als eine durchschnittliche Person (~>1,70 m) sein und zweitens musste der Stammdurchmesser auf Brusthöhe mindestens so groß sein, dass er nicht mit Daumen und Zeigefinger derselben Hand umschlossen werden konnte. Vor Ort wurde, wenn möglich, von jedem Individuum ein Foto von der Blattvorderund -rückseite aufgenommen und die Position auf der Karte des Testgebietes eingetragen. Die Gehölze wurden dann im Nachgang anhand deren Fotos mithilfe der Bestimmungsbücher (Coombes, 2012 und Spohn und Spohn 2022) identifiziert. Fotonachweise der vorkommenden Gehölze befinden sich in Anhang C: Liste der Taxa - Gehölze. 2.4 Citizen Science Erhebung Es wurden vorab Schritt-für-Schritt Anleitungen für die drei Qualitätsindikatoren ausgearbeitet (Anhang A: Unterlagen der Citizen Scientists). Zusätzlich wurden 2 Gruppen erstellt - Gruppe „Einfach“ und Gruppe „Trainiert“. Gruppe „Einfach“ hatte einfachere Methoden und Testkits, und bekam keine mündliche Einführung zu den Materialien und Aufgaben, d.h. diese Personen hatten hauptsächlich die Anleitungen als Einschulung. Unter „einfachere Aufgaben“ sind weniger Arbeitsschritte und leichter anwendbare Testkits zu verstehen (eine genauere Erklärung der Aufgaben und den Testkits befindet sich in den nachfolgenden Abschnitten zu den Qualitätsindikatoren). Die Aufgaben und Testkits der Gruppe „Trainiert“ waren mit mehr Aufwand verbunden. Diese Personen bekamen zusätzliche eine kurze mündliche Erklärung zu den Materialien und Aufgaben. Für die Wahl der Freiwilligen gab es keine Kriterien. Es stellten sich Freunde, Familie und Bekannte für den Versuch zu Verfügung. Für die Testung der Citizen Science Methoden nahmen insgesamt 20 Personen teil. Alle der 20 Personen haben einen akademischen Hintergrund. 12 Personen waren der Gruppe „Einfach“ zugeteilt, 8 Personen der Gruppe „Trainiert“. Die Zuteilung erfolgte dabei zufällig bzw. je nach Verfügbarkeit der Materialien. Einige Testpersonen führten die Aufgaben gemeinsam vor Ort durch, sodass am Ende insgesamt 15 Protokolle erstellt wurden (davon 8 „Einfach“ und 7 „Trainiert“). 14 Die Aufgabe der testenden Personen bestand darin, die zuvor bereitgestellten Schritt-für-Schritt Anleitungen im Testgebiet zu befolgen und die dazugehörigen Formulare zu befüllen. Die Wahl für den Versuchstag war den Freiwilligen selbst überlassen, es musste lediglich die Übergabe der Materialien koordiniert werden. 2.4.1 Wasserqualität Beide Gruppen hatten zunächst die Aufgabe, sich im vorgegebenen Areal eine Stelle zu suchen, bei denen sie einmal am Fluss und einmal am Altarm die Aufgaben und Proben durchführen konnten. Zu Beginn mussten verschiedene qualitative Informationen über die Umgebung dokumentiert werden (Details siehe Anhang A: Unterlagen der Citizen Scientists). Mit einem Eimer, der an einem Seil befestigt war, wurde Wasser aus den Gewässern zur Beprobung entnommen. Die Farbe des Wassers wurde mittels einer beigelegten Farbskala ermittelt (Abbildung 7). Für die Messung der Wassertrübheit wurden zwei selbst gebaute Trübungsrohre (Abbildung 8), auch Secchi-Tube genannt, verwendet (Anleitung nach Myre und Shaw 2006). Dabei wird die Röhre mit Wasser befüllt, bis die SchwarzWeiße Scheibe am Grund der Röhre nicht mehr zu sehen ist. Die Citizen Scientists lesen dann die Werte direkt von der Röhre ab und tragen diese in das Formular ein. Die Skala an der Röhre entspricht den NTU-Werten, d.h. die Umrechnung von der Höhe in cm in NTU-Werte ist in der Skala schon eingebaut (siehe Water Rangers, 2025b). Das Gewässer muss dafür nicht betreten werden. Gruppe „Einfach“ musste mehr qualitative Informationen dokumentieren als Gruppe „Trainiert“. Weitere Unterscheidungen zwischen den Gruppen lagen in den verwendeten Testkits für die Nährstoffanalyse. Gruppe „Einfach“: Für die Nitratanalyse wurde das kolorimetrische Testbestecke von visocolor ECO 2 eingesetzt, für die Phosphatanalyse das 2 Macherey-Nagel visocolor ECO Nitrat Test 0-120 mg/l Abbildung 8 SecchiTube. Abbildung 6 Materialien der Gruppe "Einfach" zur Bestimmung der Wasserqualität. Abbildung 7 Farbskala zur Ermittlung der Wasserfarbe. 15 kolometrische Testbesteck von Aquaquant 3 . Das Probewasser wird zunächst mit einem Kaffeefilterpapier filtriert. Anschließend werden dem Probewasser Chemikalien zugefügt, um mit dem jeweiligen Nährstoff einen Farbkomplex zu erzeugen. Durch den Abgleich mit der Farbskala des jeweiligen Testkits können die Citizen Scientists die enthaltenen Mengen von NO3 und PO4 der Gewässer ermitteln. Die Ermittlung der Sauerstoffkonzentration war für diese Gruppe nicht vorgesehen, um die Versuchszeit für die Wasserqualität kürzer zu halten. Gruppe „Trainiert“: Für die Analyse von Nitrat und Phosphat wurde das Photometer Messgerät Söll Aqua Check verwendet. Auch hier wird zunächst das Probewasser in einem Kaffeefilter filtriert und zwei Proben erstellt. Eine Probe dient als Referenz, während die andere mit Chemikalien versetzt wird, die mit den Zielstoffen eine Farbreaktion eingeht. Das Messgerät sendet Lichtstrahlen definierter Wellenlängen durch die gefärbten Wasserproben. Anhand der Änderung der Lichtintensität wird die Konzentration des gesuchten Parameters ermittelt, welche die Citizen Scientist vom Display ablesen. Für die Ermittlung des gelösten Sauerstoffes im Wasser wurde das titrimetrische Testbesteck von Salifert 4 eingesetzt. Bei dieser Methode wird der Sauerstoff in der Wasserprobe zunächst durch Zugabe von Chemikalien chemisch gebunden. Anschließend entsteht durch weitere Reaktionen eine Ablagerung. Durch eine Titration, bei der eine Lösung mit bekannter Konzentration zugegeben wird, wird die genaue Menge des Sauerstoffs in der Probe ermittelt. Die Anleitungen gaben vor, dass sowohl zwischen als auch nach den verschiedenen Tests die Behältnisse immer mit destilliertem Wasser ausgewaschen werden sollten. Alle Aufgaben waren grundsätzlich vor Ort durchzuführen. Einige Probandinnen nahmen Wasserproben mit nach Hause und führten die Tests dort zeitnah durch. 2.4.2 Libellen Die Libellenerhebung wurde entlang des Ufers am Altarm im vorgegebenen Areal durchgeführt (Abbildung 25). Die Aufgabe der Citizen Scientists für diesen Indikator lag grundsätzlich darin, Libellen zu zählen und gleichzeitig bestmöglich zu bestimmen. Sofern möglich sollten die Beobachtungen auch fotografiert werden. Das Formular war dabei so aufgebaut, dass einzelne Merkmale dokumentiert wurden (Farbe, Größe, Striche…) und damit mittels Ausschlussverfahren die Familie, die Gattung oder sogar die Art bestimmt werden konnten. Die Anleitungen enthielten zudem QR-Codes, die auf Websites 5 mit Bestimmungshilfen und weiterführenden Informationen verlinkten. 3 Merck Aquaquant Phosphat Test 0,015-0,14 mg/l 4 Salifert Profi Test O2 Sauerstoff 5 _https://libellenwissen.de/artenliste/libellenarten-oesterreich/;_https://www.bund-naturschutz.de/tiere-inbayern/libellen/steckbriefe; _https://www.libellen.tv/libellen-farben.html 22 3.1.2 Wassertrübheit Die Wassertrübheit im Altarm weist im gesamten Zeitraum eine Variabilität auf (Abbildung 12). Die Werte reichen vom kleinsten Wert von unter 14 NTU bis hin zum höchsten Wert von 50 NTU. Die höchsten NTU-Werte verteilen sich auf alle drei Tageszeiten. Der Mittelwert der Daten im gesamten Zeitraum für den Standort Altarm liegt bei 23,5 NTU. Die Daten zeigen, dass es sowohl Tage mit geringer Trübheit als auch Tage mit erhöhten Trübheitswerten gibt. Auch bei Werten für denselben Tag sind Schwankungen zu erkennen (5. September; 29. September; 30. September;), aber auch Übereinstimmungen (15. August; 3. November). Auch bei Berücksichtigung der verschiedenen Tageszeit zeigen die NTU-Werte sowohl Unterschied als auch Übereinstimmungen. An bestimmten Tagen (5. September, 29. September, 30. September) weisen die NTU-Werte trotz selber Tageszeit größere Schwankungen auf. Die vier Proben am 29. September zeigen nachmittags eine geringere Trübheit und abends eine etwas Höhere. Auch am darauffolgenden Tag (30. September) sind die NTU-Werte zur Mittagszeit ähnlich hoch wie am vorigen Abend, jedoch schwanken auch hier die zwei Proben um 10 Einheiten (NTU-Werte 38 und 28), trotz gleicher Tageszeit. Insgesamt zeigen die Daten keine klare Abhängigkeit von der Tageszeit, sondern eher allgemeine Schwankungen. Die NTU-Werte am Altarm kurz nach dem Hochwasser (29., 30. September) liegen deutlich über den Mittelwert, jedoch sind auch zwei einzelne Werte vorhanden, welche eine geringere Wassertrübheit gemessen haben (NTU-Werte <14 und 19). Die NTU-Werte vor dem Hochwasserereignis (15. August und 5. September) liegen im Vergleich zu den Daten nach dem Hochwasser unter den Mittelwert. Abbildung 12 NTU-Werte der Citizen Scientists beider Gruppen (n=17) für die Trübheit am Altarm mit Angaben zur Tageszeit der Probeentnahme (Mittags: 11:00-13:59; Nachmittags: 14:00-16:59; Abends: ab 17:00 Uhr). 23 Die Werte für die Trübheit im Fluss (Abbildung 13) weisen ebenfalls eine Variabilität auf, jedoch geringer als im Vergleich mit den Werten des Altarms. Hier reichen die Werte von einem Minimum unter 14 NTU bis hin zu einem Maximum von 26 NTU. Die höchsten Werte wurden alle abends gemessen (mit Ausnahme 30.September). Im Vergleich zum Altarm liegen hier die Maximalwerte deutlich unter dem des Altarms (50 NTU). Auch der Mittelwert vom Standort Fluss liegt mit 18,1 NTU unter dem Mittelwert des Altarms von 23,5 NTU. Die Daten weisen auf Tagesschwankungen in der Trübheit hin, jedoch liegen die Daten alle näher am Mittelwert als beim Altarm (σFluss 3,987 NTU; σAltarm 10,587 NTU). Auch hier gibt es Tage mit hoher Übereinstimmung der Werte (15. August; 5. September; z.T. 29. September; 3. November). Die Werte am Tag mit den meisten Messungen (29. September) weisen eine kleinere Variabilität auf als wie beim Altarm (Standardabweichung für den 29.September: σFluss 3,317NTU; σAltarm 6,633 NTU). Dieser Tag zeigt ähnlich wie am Altarm (29. September) niedrige Werte nachmittags und etwas höhere NTU-Werte abends auf. Die Daten zeigen auch hier keine klare Abhängigkeit von der Tageszeit, sondern eher allgemeine Schwankungen. Die NTU-Werte kurz nach dem Hochwasserereignis (25., 29. und 30. September) zeigen, ähnlich wie am Altarm, erhöhte Werte im Fluss im Vergleich zu den Messungen vor dem Hochwasser (15. August und 5. September) und liegen über dem Mittelwert. Abbildung 13 NTU-Werte der Citizen Scientists beider Gruppen (n=15) für die Trübheit am Fluss mit Angaben zur Tageszeit der Probeentnahme (Mittags: 11:00-13:59; Nachmittags: 14:00-16:59; Abends: ab 17:00 Uhr). 3.1.3 Nitratmessungen (NO3) Die Laborproben zeigen, dass die NO3-Konzentration von vor dem Hochwasserereignis im Altarm sehr niedrig war (0,049 mg/L). Nach dem Hochwasserereignis wurde eine deutlich höhere NO₃Konzentration im Altarm gemessen (7,58mg/L). 24 Gruppe „Einfach“ hat im Altarm überwiegend niedrige NO₃-Konzentrationen im Bereich von 0,5mg/L – 5 mg/L gemessen, mit Ausnahme von 20 mg/L am 29. September und 50 mg/L am 20. Oktober (x ges = 9,5 mg/L). Letztere Wert von 50 mg/L liegt dabei weit über allen anderen gemessenen Werten im Altarm. Die Messungen der Gruppe „Einfach“ sind über den gesamten Zeitraum verteilt, mit nur einer Messung je Standort kurz nach dem Hochwasser (gilt für Altarm und Fluss). Gruppe „Trainiert“ hat im Altarm überwiegend hohe NO₃-Konzentrationen im Bereich von <6mg/L – 24 mg/L gemessen (x ges = 14,13 mg/L). Bei drei Messungen konnte das Messgerät keinen genauen Wert angeben, sondern nur einen Bereich (15. August, 25. September, 30. September; NO₃Konzentration unter 6 mg/L). Die Messungen der Gruppe „Trainiert“ konzentrieren sich überwiegend auf die Tage kurz nach dem Hochwasserereignis (gilt für Altarm und Fluss). Abbildung 14 zeigt die Unterschiede der gemessenen NO₃-Konzentrationen am Altarm zwischen den beiden Citizen-Science-Gruppen sowie den Laborproben. Die Werte am 29. September im Altarm zeigen, dass eine Messung der Gruppe „Einfach“ und drei Messungen der Gruppe „Trainiert“ in einem ähnlichen Bereich von 16–21 mg/L NO₃ liegen, während die Laborprobe einen deutlich niedrigeren Wert von 7,58 mg/L NO₃ aufweist. Die Citizen Science - Werte vor dem Hochwasser sind zwar niedrig, jedoch im Vergleich mit der Laborprobe am 31. August (0,049 mg/L) deutlich darüber (<6 mg/L; 4,0 mg/L; 1,0 mg/L; 0,5 mg/L). Eine Beobachtung zwei testenden Personen am 5.September war, dass an der nahezu gleichen Stelle am Altarm die Wasserprobe genommen wurden und dennoch deutlich unterschiedliche Werte gemessen wurden (4,0 mg/L & 0,5 mg/L). Abbildung 14 Gemessene NO3-Konzentrationen [in mg/L] der drei Methoden (Gruppe „Einfach“ n=9; Gruppe „Trainiert“ n=8; Laborproben n=2) im Altarm. 25 Ähnlich wie im Altarm waren auch im Fluss die NO3 -Konzentration (Laborproben) vor dem Hochwasserereignis sehr niedrig (0,622 mg/L). Nach dem Hochwasserereignis wurde eine deutlich höhere NO₃-Konzentration im Fluss gemessen (14,51mg/L). Die NO3-Konzentrationen im Fluss waren in beiden Zeiträumen (31. August und 29. September) höher als im Altarm. Gruppe „Einfach“ hat im Fluss überwiegend niedrige NO₃-Konzentrationen im Bereich von 1 mg/L – 10 mg/L gemessen, mit Ausnahme von 30 mg/L am 29. September und 30 mg/L am 20. Oktober (x ges = 12,35 mg/L). Die beiden Werte von 30 mg/L sind die höchsten gemessenen NO3Konzentrationen im Fluss. Gruppe „Trainiert“ hat im Fluss überwiegend hohe NO₃-Konzentrationen im Bereich von <6mg/L – 24 mg/L gemessen (x ges = 16,87 mg/L). Bei zwei Messungen konnte das Messgerät keinen genauen Wert angeben, sondern nur einen Bereich (15. August, 30. September; NO₃-Konzentration unter 6 mg/L). Abbildung 15 zeigt die Unterschiede der gemessenen NO₃-Konzentrationen im Fluss zwischen den beiden Citizen Science-Gruppen sowie den Laborproben. Die Werte am 29. September im Fluss zeigen, dass eine Messung aus der Gruppe „Einfach“ (30 mg/L) und zwei Messungen (27mg/L und 26,6 mg/L) sehr ähnlich sind, während eine weitere Messung der Gruppe „Trainiert“ (18,1mg/L) und die Laborprobe (14,51 mg/L) darunter liegen. Die Citizen Science - Werte vor dem Hochwasser liegen auch hier im Vergleich mit der Laborprobe am 31. August (0,62 mg /L) darüber (7 mg/L; <6 mg/L;1,0 mg/L). Abbildung 15 Gemessene NO3-Konzentrationen [in mg/L] der drei Methoden (Gruppe „Einfach“ n=8; Gruppe „Trainiert“ n=8; Laborproben n=2) im Fluss. 26 Die Citizen Science-Daten zeigen deutlich höhere NO₃-Konzentrationen in den Tagen nach dem Hochwasserereignis. Insgesamt variieren die NO₃-Konzentrationen an beiden Standorten sowohl zwischen den Tagen, innerhalb eines Tages als auch zwischen den verschiedenen Messmethoden. 3.1.4 Phosphatmessungen (PO4) Die Laborproben zeigen, dass die PO4-Konzentration vor dem Hochwasserereignis im Altarm niedrig war (0,016 mg/L). Nach dem Hochwasserereignis wurde eine deutlich höhere PO4-Konzentration im Altarm gemessen (0,366mg/L). Die PO₄-Werte der Gruppe „Einfach“ sind im Altarm vergleichsweise in einem niedrigen Bereich von 0 mg/L – 0,14mg/L (x ges = 0,042 mg/L). Die Messungen der Gruppe „Einfach“ sind über den gesamten Zeitraum verteilt, mit nur einer Messung je Standort kurz nach dem Hochwasser (gilt für Altarm und Fluss). Die PO₄-Werte der Gruppe „Trainiert“ im Altarm liegen in einem deutlich höheren Bereich von 0,23 mg/L - >1,5mg/L, mit Ausnahme von 0,01 mg/L am 30. September (x ges = 0,864 mg/L). An diesen Tag unterscheiden sich die zwei Werte zudem stark voneinander (0,01 mg/L und >1,5 mg/L) obwohl die Proben zur gleichen Tageszeit entnommen wurden. Bei drei Messungen konnte das Messgerät keinen genauen Wert angeben, sondern nur einen Bereich >1,5 mg/L (15. August, 25. September, 30. September). Die Messungen der Gruppe „Trainiert“ konzentrieren sich überwiegend auf die Tage kurz nach dem Hochwasserereignis (gilt für Altarm und Fluss). Abbildung 16 zeigt, dass die im Altarm gemessenen PO₄-Konzentrationen sowohl zwischen den Methoden als auch innerhalb einer Methode größere Schwankungen aufweisen. Die Messungen am 29. September zeigen beispielsweise starke Unterschiede am selben Tag: zwei Messungen der Citizen Scientists (0,04 mg/L und 0,90 mg/L) weichen deutlich von der Laborprobe (0,366 mg/L) ab, während zwei weitere Messungen desselben Tages (0,49 mg/L und 0,23 mg/L) näher am Laborwert (0,366 mg/L) liegen. Im Zeitraum vor dem Hochwasser liegen die Werte von Gruppe „Einfach“ in einem niedrigen Bereich, während der Wert von Gruppe „Trainiert“ einen sehr hohen Wert bzw. einen Bereich über 1,5 mg/L aufweist. 27 Abbildung 16 Gemessene PO4-Konzentrationen [in mg/L] der drei Methoden (Gruppe „Einfach“ n=9; Gruppe „Trainiert“ n=8; Laborproben n=2) im Altarm. Im Gegensatz zu der PO4-Konzentration im Altarm zeigen die Laborproben im Fluss ein anderes Muster. Vor dem Hochwasserereignis liegt die PO4-Konzentration im Fluss mit 1,35 mg/L sehr hoch. Nach dem Hochwasserereignis liegt die Konzentration mit 0,298 mg/L zwar immer noch auf einem hohen Niveau, ist jedoch im Vergleich zum vorherigen Wert deutlich niedriger. Die PO4-Konzentration im Fluss ist im August (1,35 mg/L) deutlich höher als im Altarm (0,016mg /L), während im September die PO4-Konzentration im Altarm (0,366 mg/L) etwas höher liegt als im Fluss (0,298 mg/L). Die PO₄-Werte der Gruppe „Einfach“ sind im Fluss in einem Bereich von 0mg/L – 0,12 mg/L, mit Ausnahme von 0,93 mg/L am 15. August und 0,6 mg/L am 5. September (x ges = 0,27 mg/L). Vor dem Hochwasser wurden deutlich höhere Werte (0,93 mg/L und 0,6 mg/L) als nach dem Hochwasser (0,04 mg/L – 0,12 mg/L) gemessen. Die beiden höchsten Werte wurden durch Umrechnung einer verdünnten Wasserprobe ermittelt, da die Farbskala des Testkits nur bis 0,14 mg/L reichte und die unverdünnte Probe deutlich dunkler als der maximale Skalenwert war. Die PO₄-Werte der Gruppe „Trainiert“ im Fluss liegen hingegen in einem deutlich höheren Bereich von 0,23 mg/L - >1,5mg/L, mit Ausnahme von 0,02 mg/L am 30. September (x ges = 0,819 mg/L). Am 30. September (selben testenden Personen wie am Altarm) unterscheiden sich zwei Werte wieder stark voneinander (0,02 mg/L und >1,5 mg/L), obwohl die Proben zur gleichen Tageszeit entnommen wurden. Auch an diesem Standort gab es bei der Gruppe „Trainiert“ drei Messungen, bei denen das Messgerät keine präzisen Werte, sondern nur einen Bereich von >1,5 mg/L angegeben hat (15. August, 29. September, 30. September). 28 Abbildung 17 zeigt, dass die im Fluss gemessenen PO₄-Konzentrationen sowohl zwischen den Methoden als auch innerhalb einer Methode variieren. Die Messungen am 29. September zeigen auch hier wieder Unterschiede am selben Tag: drei Messungen (0,08 mg/L, 0,71 mg/L und >1,5mg/L) weichen deutlich von der Laborprobe (0,29 mg/L) ab, während eine Messung desselben Tages (0,56 mg/L) näher am Laborwert liegt. Abbildung 17 Gemessene PO4-Konzentrationen [in mg/L] der drei Methoden (Gruppe „Einfach“ n=7; Gruppe „Trainiert“ n=8; Laborproben n=2) im Fluss. Ähnlich wie bei den NO₃-Messungen zeigen auch die Ergebnisse der PO₄-Tests eine hohe Variabilität, sowohl zwischen den verschiedenen Tagen und innerhalb eines Tages als auch zwischen den unterschiedlichen Messmethoden. 3.1.5 Gelöster Sauerstoff Die wissenschaftlichen Messungen (Messgerät) zeigen, dass der gelöste O₂-Gehalt sowohl im Fluss als auch im Altarm variiert. Im Fluss wurden am 15. August ein hoher Wert von 13,04mg/L, am 31. August ein Wert von 8,42 mg/L und am 12. Oktober ein Wert von 9,1 mg/L gemessen. Im Altarm wurde am 15. August ein Wert von 6,34 mg/L, am 31. August ein Wert von 6,34 mg/L und am 12. Oktober ein Wert von 11,1 mg/L gemessen. Die Messungen der Citizen Science Daten (Trainiert) zeigen ebenfalls, dass der gelöste O₂-Gehalt sowohl im Fluss als auch im Altarm variiert. Diese Messungen zeigen jedoch größere Schwankungen. Im Fluss liegen die Werte zwischen einem Minimum von 5 mg/L und einem Maximum von über 10 29 mg/L. Im Altarm ist der Bereich größer, mit einem Minimum von 2,3 mg/L und einem Maximum von 12 mg/L. In Abbildung 18 werden die Tagesschwankungen der beiden Methoden nochmals deutlich abgebildet. Zudem zeigen bestimmte Werte am selben Tag starke Unterschiede auf. Am 15. August wurden Messungen zur selben Uhrzeit mit beiden Methoden durchgeführt, und deren Werte weisen an beiden Standorten eine deutliche Differenz auf (besonders im Fluss: Trainiert 5,6 mg/L & Fluss Messgerät 13,04 mg/L). Auch im Altarm zeigen die Werte am 29. September (2,3 mg/L; 6 mg/L; 12 mg/L) eine starke Differenz innerhalb derselben Methode auf, wohingegen die Werte des 30. Septembers (Fluss: 6,5 mg/L & 5,7 mg/L; Altarm: 9,1 mg/L; 11 mg/L) eine größere Übereinstimmung aufweisen. Abbildung 18 O₂-Gehalte [in mg/L] an beiden Standorten (links: Fluss, rechts: Altarm) mit zwei Methoden: Gruppe „Trainiert“ (n = 8) und präzise Untersuchung mittels Messgerät (n = 3). 3.1.6 Qualitative Beschreibungen Am häufigsten wurden von den Citizen Scientists „Blätter“ auf der Wasseroberfläche vom Fluss (33%) und Altarm (44%) beobachtet (Abbildung 19). Für den Standort Altarm wurde zudem an der Wasseroberfläche häufig „Totholz“, „staubiger/öliger Film“ und „Algen“ (jeweils 33%) wahrgenommen. Am Fluss wurden neben den „Blätter“ auch „Schaum“ (33%) am meisten beobachtet, gefolgt von „Algen“, „staubiger/öliger Film“ und „Totholz“ (jeweils 17%). Kategorien wie „Pflanzen“, „Tierchen“ und „Trüb“ wurden im Fluss nicht erwähnt, am Altarm wurden die Kategorien „Schaum“ und „Sauber“ nie verwendet. 30 Abbildung 19 Anteil der Beobachtungen der Citizen Scientists (in %) bezüglich der Wasseroberfläche des Altarms (n=9) und Flusses (n=6). In Abbildung 20 werden die drei Kategorien Ufervegetation, Totholz im Wasser und Strömung zusammengefasst dargestellt. Die Ufervegetation der beiden Standorte wird durch die Citizen Scientists überwiegend ähnlich beschrieben. Am Altarm gab es eine zusätzliche Nennung von „Schilf“, ansonsten wurde die Vegetation hauptsächlich mit „Bäume“ und „Gräser/Kräuter“ beschrieben (eine Person hat „Bäume“ am Altarm nicht erwähnt). Für das Vorhandensein von Totholz haben die Citizen Scientists klare Unterschiede zwischen den beiden Standorten festgestellt. Im Altarm wurde von allen Beobachtenden eine große Menge an Totholz (100%) angegeben, wohingegen am Fluss hauptsächlich kein (83%) bzw. vereinzelt wenig (17%) Totholz dokumentiert wurde. Bezüglich der Strömung beschrieben die testenden Personen die Strömungsstärke am Altarm überwiegend als nicht vorhanden (78%), wobei vereinzelt eine geringe Strömung (22%) genannt wurde. Am Fluss hingegen wurde von den Citizen Scientists die Strömung meist als sehr schnell (50%) bis mittel stark (33%) strömend wahrgenommen. Eine Person hat die Strömung des Flusses an einem Tag als gering (17%) empfunden. 0% 5% 10% 15% 20% 25% 30% 35% 40% 45% Totholz Blätter Staubiger/öliger Film Algen Pflanzen Tierchen Trüb Schaum Sauber Anteil Beobachtungen durch CS in % Fluss Altarm 31 Abbildung 20 Anteil der Beobachtungen der Citizen Scientists (in %) zur Ufervegetation, zur Menge an Totholz und zur Stärke der Wasserströmungen am Altarm (n=9) und am Fluss (n=6). In Abbildung 21 werden die drei Kategorien Verschmutzungsquellen, Landnutzung und Wassernutzung zusammengefasst dargestellt. Bei der Wassernutzung wurden für den Altarm insgesamt drei Aktivitäten genannt (spazieren, fischen, Boote), für den Fluss zwei Aktivitäten (fischen, Boote). Weiters wurde auch bei beiden Standorten „keine Aktivität“ wahrgenommen. Hinsichtlich der Beschreibung der Landnutzung wurden jeweils nur zwei Wörter (Wald, Forstweg) bei beiden Standorten gewählt. Bei den Verschmutzungsquellen wurden für den Fluss vorwiegend keine Verschmutzungsquellen identifiziert, ausgenommen einer Nennung von Müll. Beim Altarm wurden neben keinen Verschmutzungsquellen zusätzlich Müll und Lärm genannt. Abbildung 21 Anzahl der Beobachtungen der Citizen Scientists zur Wassernutzung, zur Landnutzung und zu den Verschmutzungsquellen am Altarm (n=9) und am Fluss (n=6). 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% keine gering mittel schnell viel Totholz wenig Totholz kein Totholz Bäume Gräser/Kräuter Schilf Strömung Totholz im Wasser Ufervegetation Anteil Beobachtungen durch CS in % Fluss Altarm 0 1 2 3 4 5 6 keine Müll Lärm Wald Forstweg keine spazieren fischen Boote Verschmutzung squellen Landnutzu ng Wassernutzung Anzahl Beobachtungen durch CS Fluss Altarm 38 3.3 Ufergehölze Insgesamt gab es im Gebiet 129 Gehölze aus 11 verschiedenen Taxa. Zu den häufigsten Taxa zählten Ulmen mit knapp 40%, Eschen mit etwa 30% und Weiden mit 10% (Tabelle 5). Die 8 Citizen Scientists der Gruppe „Einfach“ konnten insgesamt 108 Gehölze aus 8 verschiedenen Taxa (72%) ermitteln. Die drei häufigsten dokumentierten Taxa dieser Gruppe waren Weiden mit etwa 25 %, Ulmen mit 23% und Eschen mit knapp 20%. Diese Gruppe konnten nicht nur die am häufigsten vorkommenden Taxa (Top 5: Ulmus sp., Fraxinus sp., Salix sp., Crataegus monogyna, Acer negundo) ermitteln, sondern auch einzelne Taxa mit geringer Anzahl (z.B. Acer campestre welcher nur 1-mal vorhanden ist oder Quercus sp. mit nur 4 Individuen). 3 Taxa (3 Viburnum opulus; 2 Prunus spinosa; 1 Rhamnus cathartica) konnten von dieser Gruppe nicht ermittelt werden, um eine vollständige Artenabdeckung (100%) zu erreichen. Diese 3 nichtgefundene Arten machen 5% an der Gesamtzahl der tatsächlich vorhandenen Individuen (129) im Gebiet aus. Die 6 Citizen Scientists der Gruppe „Trainiert“ haben insgesamt 40 Gehölze aus 4 verschiedenen Taxa (36%) dokumentiert. Gruppe „Trainiert“ hat am häufigsten Ulmen (40%) dokumentiert. An zweiter Stelle stehen Eschen (18%), Pappeln (18%) als auch fälschlicherweise Götterbäume (18%). Weiden wurden nur 3-mal genannt (8%). Es wurden deutlich weniger Gehölze durch die 6 Personen aus der Gruppe „Trainiert“ bestimmt als wie in Gruppe „Einfach“ (8 Personen, 108 Gehölze). Insgesamt fehlen dieser Gruppe 7 Taxa, um eine vollständige Abdeckung der im Gebiet vorkommenden Taxa (100 %) zu erreichen. Diese 7 nicht gefundenen Taxa umfassen zusammen 30 Individuen, was 23 % der Gesamtanzahl der im Gebiet vorkommenden Individuen (129) entspricht. Die Gruppe „Trainiert“ hat, abgesehen von den Pappeln (4 tatsächlich vorkommende Individuen), nur häufig vorkommende Taxa erfasst. Zwei Taxa, die im Testgebiet nicht vorkommen (Erle und Götterbaum), wurden von einzelnen Personen aus beiden Citizen-Science-Gruppen fälschlicherweise angegeben. In den Daten der Gruppe „Einfach“ entfallen etwa 3 % der Nennungen auf die Erle und 5 % auf den Götterbaum. Die Gruppe „Trainiert“ verzeichnete hingegen nur den Fehler beim Götterbaum, der 18 % der Nennungen ausmacht, während Erle richtigerweise nicht dokumentiert wurde. Tabelle 5 Ergebnisse der Gehölzerhebungen durch die wissenschaftliche Methode (genaue Untersuchung) sowie die Gruppen "Einfach" (n = 8) und "Trainiert" (n = 6). Dargestellt sind die im Gebiet vorkommenden Arten bzw. Gattungen mit der Anzahl der dokumentierten Individuen (genaue Untersuchung) sowie der Anzahl der Nennungen durch die beiden CitizenScience Gruppen. Die Spalten in Rot („nicht vorkommend“) geben die Arten an, die nicht im Gebiet vorkommen, aber von 39 den Citizen Scientists genannt wurden. Bei der Anzahl der Citizen Science-Nennungen ist zu beachten, dass einzelne Individuen mehrfach von verschiedenen Personen genannt worden sein können. Tabelle 6 zeigt, dass die Gruppe „Einfach“ durchschnittlich 13,50 Individuen und 3,13 Arten pro Person dokumentiert wurden. Im Durchschnitt wurde für die Erhebung von Gehölzen eine Dauer von 28,75 Minuten aufgewendet. Die Fehlerquote für die Bestimmung der Artengruppe lag im Mittel bei 15 %. Häufige Fehler umfassten Verwechslungen zwischen Ailanthus altissima (Götterbaum) und Fraxinus sp. (Esche; 7-mal), Quercus sp. (Eiche) und Crataegus monogyna (Eingriffeliger Weißdorn; 2-mal) sowie Alnus sp. (Erle) und Ulmus sp. (Ulme; 3-mal). Person 5 (P5) hat alle Individuen der richtigen Artengruppe zugeordnet, jedoch wurde 5-mal Ulmus laevis (Flatterulme) angegeben, obwohl es sich dabei um Ulmus minor (Feldulme) handelte. Bei Berücksichtigung dieser Fehler steigt das Mittel der Fehlerquote auf 20% für die Gruppe „Einfach“. Gattungen/Arten Genaue Untersuchung Anzahl Individuen Gruppe Einfach Anzahl Nennungen Gruppe Trainiert Anzahl Nennungen Ulmen - Ulmus sp. (...minor und laevis) 50 25 16 Eschen - Fraxinus sp. (...excelsior und angustifolia) 36 21 7 Weiden - Salix sp. (…fragilis und alba ) 13 28 3 Eingriffeliger Weißdorn Crataegus monogyna 8 3 0 Eschen Ahorn Acer negundo 7 8 0 Pappeln - Populus sp. (...nigra und alba) 410 7 Eichen - Quercus sp. (…robur) 4 4 0 Gemeiner Schneeball Viburnum opulus 3 0 0 Schlehdorn Prunus spinosa 2 0 0 Echter Kreuzdorn Rhamnus cathartica 1 0 0 Feldahorn Acer campestre 1 1 0 Im Gebiet vorkommende Arten Erlen - Alnus sp. 0 3 0 Götterbaum Ailanthus altissima 0 5 7 Gesamtanzahl Individuen /129 108 40 Vorgefundene Arten/Gattungen / 11 (100%) 8 (72%) 4 (36%) nicht vorkommend 40 Gruppe „Trainiert“ dokumentierte hingegen im Durchschnitt pro Personen deutlich weniger Individuen (x = 6,83 Individuen) als Gruppe „Einfach“ (x =13,50 Individuen), jedoch etwas mehr Arten (x = 3,67 Arten). Diese Gruppe hatte pro Person eine durchschnittliche Dauer für die Gehölzerhebung von 14,83 Minuten. Die durchschnittliche Fehlerquote bei der Bestimmung der Artengruppe lag bei 17 %. Zu den häufigsten Fehlern gehörte die Verwechslung von Ailanthus altissima (Götterbaum) mit Fraxinus sp. (Esche), die insgesamt 7-mal auftrat und von 5 der 6 Personen min. 1-mal gemacht wurde. Person 3 (P3) verwechselte zudem 7-mal Ulmus laevis (Flatterulme) mit Ulmus minor (Feldulme) bei der Artbestimmung. Person 6 (P6) bestimmte alle Artengruppen korrekt, machte jedoch einen Fehler bei der Artbestimmung, indem 1-mal Fraxinus pennsylvanica (Rotesche) mit Fraxinus excelsior (Gewöhnliche Esche) verwechselt wurde. Unter Berücksichtigung dieser Fehler steigt die durchschnittliche Fehlerquote der Gruppe „Trainiert“ auf 28 %. Eine Angabe „Toter Baum“ wurde in der Analyse nicht berücksichtigt. Tabelle 6 Ergebnisse der Erhebungen der Gehölzarten durch die Gruppen "Einfach" (n = 8) und "Trainiert" (n = 6). Dargestellt sind die Anzahl der dokumentierten Individuen, die Anzahl der erfassten Arten, die Dauer der Erhebung in Minuten sowie die Fehlerquote und Details zu den Fehlern. Die mit * markierten Fehlerquoten beziehen sich auf falsche Bestimmungen innerhalb derselben Gattung. Methode Personen Anzahl Individuen Anzahl Arten Dauer [min] Fehlerquote Details zu den Fehlern P1 4 2 20 0% / P2 8 3 35 88% 5x Götterbaum mit Esche verwechselt 1 x Eiche mit Eingriffeliger Weißdorn verwechselt; 1x Erle mit Ulme verwechselt P3 5 3 34 0% / P4 10 320 0% / P5 13 326 0% (38%*) *Artengruppe richtig bestimmt, jedoch 5x Flatterulmen mit Feldulmen verwechselt P6 27 340 4% 1x Eiche mit Eingriffeliger Weißdorn verwechselt; P7 10 310 25% 2x Erle mit Ulme verwechselt P8 31 545 6% 2x Götterbaum mit Esche verwechselt ∑ 8 x 13,50 x 3,13 x 28,75 x 15% (20%) P1 5 3 10 20% 1x Götterbaum mit Esche verwechselt P2 3 3 10 33% 1x Götterbaum mit Esche verwechselt P3 17 525 18 % (59%*) *Artengruppe richtig bestimmt, jedoch 7x Flatterulmen mit Feldulmen verwechselt; 3x Götterbaum mit Eschen verwechselt P4 6 4 15 17% 1x Götterbaum mit Eschen verwechselt P5 6 4 19 17% 1x Götterbaum mit Eschen verwechselt P6 4 3 10 0% (25%*) *Artengruppe richtig bestimmt, jedoch 1x Rotesche mit Gew. Esche verwechselt; 1x Angabe "Toter Baum" ∑ 6 x 6,83 x 3,67 x 14,83 x 17% (28%) Gruppe Trainiert Gruppe Einfach 41 Das Testgebiet weist, basierende auf den Feuchtezahlen der am Standort vorkommenden Arten, einen Feuchteindikator von 6,64 auf. Zu beachten ist, dass ein großer Anteil der vorhandenen Arten (65%) eine indifferente Feuchtezahl aufweisen, d.h. heterogene Feuchtigkeitsbedingungen aufzeigen. Die Daten der Gruppe „Einfach“ weisen für das Gebiet ein Feuchteindikator von 7,02 (mit Fehler) und 7,00 (ohne Fehler) auf, wobei der Anteil an Arten mit indifferenter Feuchtezahl bei 29 % liegt. Die Daten der Gruppe „Trainiert“ weisen für das Gebiet einen Feuchteindikator von 6,96 (mit Fehler) und 7,73 (ohne Fehler) auf, mit einem Anteil von 38 % an Arten mit indifferenter Feuchtezahl. Tabelle 7 Feuchteindikatoren (gewichtete Mittelwerte) mit und ohne Berücksichtigung von Fehlern sowie der prozentuale Anteil der Individuen mit indifferenter Feuchtezahl (x) für die Genaue Untersuchung (n=45), Gruppe "Einfach" (n=51-62) und Gruppe "Trainiert" (n=11-25). Die Genaue Untersuchung repräsentiert die tatsächliche Artenzusammensetzung des Standorts. Feuchtezahlen nach Ellenberg et al. (1992). Wie in Abbildung 26 ersichtlich, decken die 9 Personen der Gruppe „Einfach“ (Gelbe Punkte) die gesamte Fläche mit ihren Erhebungen als Kollektiv ab, während sich die Erhebungen der 6 Personen der Gruppe „Trainiert“ (Rote Punkte) auf den unteren Viertel (P4, P5, P6) und in der Mitte konzentrieren (P1, P2, P3). Abbildung 26 Karte des Testgebiets mit den Erhebungspunkten der verschiedenen Ufergehölze durch die Citizen Scientists. Gelbe Punkte markieren die Erhebungen der Gruppe "Einfach" (n=9) rote Punkte die Erhebungen der Gruppe "Trainiert" (n=6) (geändert nach geoland.at, 2025). Methode Feuchteindikator (mit Fehler) Feuchteindikator (ohne Fehler) %-Anteil Individuen mit indifferenter Feuchtezahl (x) Genaue Untersuchung 6,64 6,64 65% Gruppe Einfach 7,02 7,00 29% Gruppe Trainiert 6,96 7,73 38% 42 3.4 Feedback der Teilnehmenden Die Rückmeldungen aller Teilnehmenden (Tabelle 8) zeigen, dass die Anleitungen grundsätzlich für beide Gruppen verständlich waren, jedoch in einigen Bereichen Optimierungspotenzial besteht. Allgemein wurden die Fußnoten mit spezifischen Informationen als hilfreich hervorgehoben. Eine weitere Rückmeldung beschrieb, dass die Vielzahl der Aufgaben in der Gruppe „Einfach“ als herausfordernd wahrgenommen wurde und für eine „einfache“ Erhebung als zu komplex erschien. Zeitdruck wurde oft als Grund genannt, warum Tests gemeinsam durchgeführt (d.h. 1 Formular von 2 Personen), bestimmte Stellen ausgelassen oder Nährstoff-Proben zuhause gemacht wurden. Gründe dafür waren beispielsweise der Einbruch der Dunkelheit, die Zugverbindung oder da die gesamte Testzeit bereits viel Zeit in Anspruch genommen hat. Bei der Wasserqualitätsmessung traten mehrere Unklarheiten auf (v.a. bei der Gruppe „Einfach“). Der Zweck der Behältnisse war nicht sofort ersichtlich und die Anleitungen für das PO₄-Testkit (Packungsbeilage) war in wenigen Fällen nicht selbsterklärend. Der Farbvergleich bei der PO₄-Probe war für Einzelne zunächst unklar und wurde erst nach Durchführung des NO₃-Tests verständlicher. Unterschiedliche Testkits für NO₃ und PO₄ führten zu Verwirrung, ebenso wie die fehlende Erklärung, warum der Wassereimer vor Benutzung mehrmals ausgewaschen werden sollte. Es wurde erwähnt, dass aufgrund der zu grob aufgelösten Farbskala der Test-Kits (NO₃ und PO₄) Interpretationsspielraum bestand. Außerdem gab es eine Komplikation bei der Sauerstoffmessung: Die Wasserprobe färbte sich trotz der Zugabe von zwei vollen Spritzen nicht durchsichtig, was die Bestimmung des Sauerstoffgehalts erschwerte. Bei der Libellenerhebung war unklar, wo genau im Untersuchungsgebiet (z. B. Gebüsch, Ufer oder Wiese) nach Libellen gesucht werden sollte. Eine weitere Rückmeldung hob hervor, dass eine Beschreibung zur Ablesung der GPS-Koordinaten fehlte. Die Aufgabe zur Bestimmung der Ufergehölze (Anhang A: Unterlagen der Citizen Scientists; Punkt 8 S.71) wurde als wenig intuitiv empfunden, da nur die deutschen Pflanzennamen notiert wurden, während die Website nur mit wissenschaftlichen Namen arbeitet. Zudem wurde die Website wegen ihrer schlechten Benutzeroberfläche am Smartphone als wenig hilfreich bewertet. Die Teilnehmenden gaben verschiedene Verbesserungsvorschläge, um die Durchführung der Aufgaben effizienter und verständlicher zu gestalten. Allgemein wurde aus Gruppe „Einfach“ angeregt, mehr Verweise auf zusätzliche Informationsquellen (z. B. Websites) bereitzustellen. Ein weiterer Vorschlag bestand darin, die Aufgaben zu vertonen, um den Zeitaufwand zu verringern. Ähnlich regte die Gruppe „Trainiert“ an, eine Einführung in Person oder per Video anzubieten, um Unklarheiten zu klären und Zeit zu sparen, ergänzt durch eine kurze Testphase zur Vorbereitung. Weiters wurde vorgeschlagen, Ausfüllblätter und Anleitungen separat bereitzustellen, um ständiges Blättern zu vermeiden, sowie digitale Unterlagen anstelle einer Mappe zu verwenden. Einige 43 Teilnehmende regten an, eine ausführlichere Einführung bereitzustellen, die den Zweck der Aufgaben, die Nutzung der Ergebnisse sowie weiterführende Informationen zu den einzelnen Parametern verständlich erklärt. Für die Wasserqualitätsmessung wurde von der Gruppe „Einfach“ vorgeschlagen, die Behältnisse visuell zu erklären. Aus der Gruppe „Trainiert“ kam der Vorschlag, die Nitratund Phosphattests zu Hause durchzuführen, da dies nicht nur Zeit sparen würde, sondern auch eine sauberere und genauere Arbeitsweise ermöglichen könnte. Für die Anleitungen zur Libellenerhebung wurde von beiden Gruppen angeregt, visuelle Beispiele typischer Orte von Libellen einzufügen und klarer zu definieren, an welchen konkreten Bereichen die Beobachtungen durchgeführt werden sollen, um die Aufgaben verständlicher und gezielter zu gestalten. Bei der Bestimmung der Ufergehölze wurde angemerkt, dass die Nutzung einer Artenliste praktischer und schneller sei als die Verwendung einer App. Die Teilnehmenden der Gruppe „Einfach“ empfanden, trotz einzelner Unklarheiten, die Aufgaben allgemein als gut durchführbar, hinsichtlich der Bewertung der drei Aufgaben gab es jedoch Unterschiede, welche am leichtesten bzw. schwierigsten war. Die Wasserqualitätsmessungen wurde aufgrund klarer Anleitungen und der einfachen Quantifizierbarkeit überwiegend als leicht bewertet, jedoch auch als zeitaufwendigste und umfangreichste Aufgabe beurteilt (vor allem von Gruppe „Trainiert“). Die Libellenerhebung wurde unterschiedlich beurteilt: Während eine Person die Aufgabe als einfach empfand, hatte eine andere aufgrund der hohen Beweglichkeit der Libelle Schwierigkeiten, die Merkmale zu erkennen. Ein großer Teil der Rückmeldungen wertete die Libellenaufgabe nicht, da kaum bis keine Exemplare gesichtet wurden. Die Bestimmung der Ufergehölze wurde ebenfalls unterschiedlich beurteilt: Während die Gruppe "Einfach" die Aufgabe überwiegend als schwierig empfand, insbesondere wenn es darum ging die Art genau zu bestimmen, bewertete die Gruppe "Trainiert" sie teils als einfach (z.B. da Bäume sich im Vergleich zu Libellen nicht bewegen), teils jedoch als aufwendig und langwierig. Es wurde angemerkt, die letzten zwei Aufgaben (Libellen und Ufergehölze) in wärmeren Monaten durchzuführen, da in der späteren Jahreszeit nur wenige Libellen gesichtet wurden und einige Bäume bereits mit dem Blattabwurf begonnen hatten. Die größten Herausforderungen der Teilnehmenden ergaben sich vor allem aus äußeren Bedingungen und organisatorischen Aspekten. Die begrenzte Zeit insbesondere durch Anund Abreise (Zugverbindung) sowie der einsetzenden Dunkelheit, wurden als größte Herausforderung empfunden. Vor Ort erschwerten die Rückstände des Hochwasserereignisses (Weg teilweise noch unter Wasser), matschiges Gelände und Mückenbelastung die Durchführung der Aufgaben. Besonders herausfordernd für die Aufgaben der Wasserqualität war es für einige Personen, die Tests am Ufer des Altarms auf unebenem Untergrund und ohne festen Platz für die Materialien durchzuführen. Auch das sperrige Test-Kit (große Tasche) und das Fehlen eines Tisches (bzw. einer 44 Ablage) wurden hierfür als Herausforderung wahrgenommen. Bei den Aufgaben zu den Libellen führten unklare Zeitangaben und subjektiv beantwortbare Fragen zu Unsicherheiten. Bei der Bestimmung der Ufergehölze traten einzelne Schwierigkeiten auf, da die Flora-Incognita-App aufgrund fehlender Internetverbindung nicht genutzt werden konnte. Tabelle 8 Übersicht über das Feedback zu den verschiedenen Aufgaben der Gruppe „Einfach“ in Grün (n=8) und Gruppe „Trainiert“ in Schwarz (n=3), unterteilt in die Kategorien: Verständlichkeit & Unklarheiten, Verbesserungsvorschläge, Reflexion und Größte Herausforderung 45 Weiteres Feedback, das nicht in Tabelle 8 dargestellt ist, betont vor allem den bewussten Herbstspaziergang und die Gelegenheit, die Natur vor Ort intensiv zu erleben, als persönliche Highlights der Teilnehmenden. Besonders hervorgehoben wurden zudem die Einblicke in die ökologische Messdatenerhebung, insbesondere im Zusammenhang mit der Wasserqualität. Die Rückmeldungen zeigen, dass den Teilnehmenden vor allem die praktischen Aufgaben zur Wasserqualität besonders gut gefallen haben. Hierbei wurden Aspekte wie Wasserproben, Nährstoffanalysen (PO₄und NO₃-Tests), die Nutzung einer Mini-Secchi-Röhre sowie der direkte Vergleich der Wasserqualität zwischen Fluss und Altarm als besonders interessant empfunden. Ansonsten wurde noch positiv hervorgehoben, dass der Ort mit dem Zug gut erreichbar ist und sich der Ausflug ideal als Tagesaktivität eignet. Es wurde erwähnt, dass die Hinund Rückfahrt mehr als 4 Stunden in Anspruch nahm. Insgesamt wurde jedoch von vielen betont, dass die gesamte Aktivität, trotz des hohen Zeitaufwandes, Spaß gemacht hat und das Bewusstsein zu den beprobten Parametern nach der Erhebung geschärft wurde. 46 4 Diskussion 4.1 Wasserqualität Die Ergebnisse der Testkits zur Nährstoffanalyse (NO₃ & PO₄) und des gelösten Sauerstoffes (gel. O2) zeigen keine hohe Übereinstimmung mit den wissenschaftlich erhobenen Werten. Auffällig ist hier die hohe Variabilität der Citizen Science-Daten. Die Daten der wissenschaftlichen Methode zeigen, dass es zwischen den Tagen zu größeren Schwankungen kommen kann, was sich auch in den Daten der Citizen Scientists widerspiegelt, jedoch weichen einige Citizen Science-Werte deutlich innerhalb derselben Gruppe, zwischen den Gruppen und im Vergleich zur wissenschaftlichen Methode ab. Im Vergleich zu den wissenschaftlichen Daten ist jedoch auch zu beachten, dass die Konzentrationen von Stickstoffund Phosphorverbindungen in Wasserproben insbesondere durch biologische Aktivitäten während des Zeitraums zwischen Probenahme und Analyse beeinflusst werden können (ISO, 2024). Die Werte für den gelösten Sauerstoff wurden hingegen direkt vor Ort gemessen und zeigen den Wert ohne Verzögerung. Die beobachteten Schwankungen der Citizen Science-Daten deuten darauf hin, dass die Testkits der Citizen Scientists keine durchgehend genauen und konsistenten Daten liefern, weshalb Einzelwerte für präzise Messungen nur eingeschränkt geeignet sind. Aufgrund dieser Einschränkungen konnte die Hypothese, dass die verwendeten Testkits den Zustand der Wasserqualität ausreichend beschreiben können, nicht bestätigt werden. Dennoch waren die Testkits beider Gruppen in der Lage, größere Einflüsse, wie den starken Effekt des Hochwasserereignisses, zu erfassen. Storey et al. (2016) zeigten ebenfalls auf, dass Messungen von gelöstem Sauerstoff und Nitrate durch Freiwillige zwar hilfreich sind, um größere Veränderungen oder Trends in der Wasserqualität zu erkennen, jedoch nicht präzise genug, um feine Unterschiede oder detaillierte Analysen zuverlässig zu ermöglichen. Zudem können methodische Unterschiede, wie variierende Probenahmezeiten, unterschiedliche Messgeräte oder Protokolle, zu Variabilität in den Daten führen (Albus et al., 2019). Es ist jedoch auch zu beachten, dass Wasserqualitätsdatensätze im Allgemeinen durch Inkonsistenzen wie fehlende Werte, Ausreißer und zensierte Werte geprägt sind. Diese Probleme entstehen sowohl durch zufällige als auch systematische Fehler, die in verschiedenen Phasen eines Monitoring-Programms auftreten können (Rangeti et al., 2015). Während in der Literatur erwähnt wird, dass Citizen Scientists in der Lage sind, Wasserqualitätsdaten mit hoher Übereinstimmung zu professionellen Messungen zu erheben (Albus et al., 2019; Dyer et al., 2014; Hoyer et al., 2012; Safford und Peters, 2018), konnte dies in dieser Untersuchung nicht eindeutig gezeigt werden. Allerdings ist zu beachten, dass die Stichprobengröße in dieser Untersuchung mit etwa 15 Proben pro Gewässer vergleichsweise sehr klein war. Im Gegensatz dazu 47 basieren andere Studien auf einer deutlich größeren Anzahl von Teilnehmenden und Proben (siehe Albus et al., 2019). Auch der Probezeitraum dieser Untersuchung ist mit etwa 3 Monaten vergleichsweise kurz. Zudem war die Untersuchung durch ein extremes Umweltereignis beeinflusst, was in der Regel zu Schwankungen in der Wasserqualität führt (Knapp et al., 2020). Es wäre daher sinnvoll, die Untersuchung mit einer größeren Anzahl an Teilnehmenden und an Proben sowie unter stabileren Umweltbedingungen zu wiederholen. Ein Unterschied zwischen den beiden Citizen Science-Gruppen bestand darin, dass die Testkits der Gruppe „Einfach“ schneller anzuwenden waren und tendenziell niedrigere Werte für NO₃ und PO₄ erfassten. Die niedrigeren PO4-Werte dieser Gruppe sind womöglich auf die begrenzte Nachweisgrenze von 0,14 mg/L des Testkits selbst zurückzuführen. Die Testkits der Gruppe „Trainiert“ hingegen waren aufwendiger in der Anwendung, sensibler für Messfehler und erforderten eine präzisere Handhabung, lieferten dafür jedoch genauere Ergebnisse (mehr Dezimalstellen) und erfassten einen größeren Wertebereich. Aufgrund der inkonsistenten Werte der Nährstoffund Sauerstoffanalysen, wie beispielsweise stark abweichende hohe oder niedrige Messungen am selben Tag, konnte die Hypothese, dass die Citizen Science Daten eine hohe innere Konsistenz zeigen und in sich stimmig sind, für diesen Teil nicht bestätigt werden. Eine mögliche Ursache für die inkonsistenten Daten könnten Anwendungsfehler durch die Citizen Scientists sein, wie z. B. ungenaue Mengenzugaben oder Übersehen von Details in den Anleitungen. Auch die Probenahmestellen könnte eine Rolle spielen, beispielsweise wenn Proben mit aufgewirbeltem Material oder aus Bereichen genommen werden, die nicht repräsentativ für den Gesamtzustand sind. Die geringe Übereinstimmung könnte auch auf die Sensitivität der Testkits zurückzuführen sein, welche in einigen Fällen unzuverlässig oder unpräzise gemessen haben. Wie in Ramírez et al. (2023) beschrieben, liefern einfache Testkits mit Farbskalen (wie in Gruppe „Einfach“ angewendet) oft nur Daten für spezifische Konzentrationsbereiche, was die Genauigkeit einschränkt. Im Gegensatz dazu lieferte das Messgerät der Gruppe „Trainiert“ zwar präzisere Messungen, allerdings wurden hier in einigen Fällen nur Wertebereiche angezeigt, was möglicherweise auf Fehler durch die anwendenden Personen oder das Gerät selbst zurückzuführen ist. Die Daten zeigten jedoch auch, dass einige Citizen Science-Messwerte geringere Schwankungen aufwiesen. Dies deutet darauf hin, dass die Testkits bei sorgfältiger Anwendung und durch geübte Personen eine höhere Datenqualität liefern können. Viele erfolgreiche Citizen Science-Programme zur Überwachung der Wasserqualität zeigen, dass Schulungen im Vorfeld die Datenqualität deutlich verbessern können (Albus et al., 2019). Bereits eine einmalige gemeinsame praktische Anwendung der Testkits im Vorfeld könnte daher die Präzision der Messungen erhöhen. Dies gilt insbesondere für 54 unterschiedlich aus: Grundsätzlich konnten alle drei Qualitätsindikatoren – unabhängig von den erzielten Ergebnissen – von den Teilnehmenden erfolgreich untersucht werden. Es gab keine Hindernisse, die darauf hingewiesen haben, dass bestimmte Aufgaben zu komplex oder ungeeignet für die Durchführung durch Citizen Scientists waren. Allerdings ist zu berücksichtigen, dass alle teilnehmenden Personen einen akademischen Hintergrund hatten und somit zumindest grundlegend mit wissenschaftlichen Methoden vertraut waren. Dies ist ein häufig vorkommender Citizen Science-Bias und sollte in zukünftigen Untersuchungen stärker berücksichtigt werden, um die Generalisierbarkeit der Ergebnisse zu erhöhen (Kosmala et al., 2016). Aussagekräftige Daten wurden vor allem durch die Methode der Ufergehölze gewonnen. Die Citizen Science-Daten beschreiben die Artenzusammensetzung im Gebiet zuverlässig und können die mithilfe ökologischen Zeigerwerte vorherrschenden Feuchtebedingungen korrekt wiedergeben. Die Citizen Science-Daten zur Wasserqualität weisen hingegen eine zu hohe Ungenauigkeit auf und können daher nur begrenzte Aussagen über das Gebiet geben. Die Citizen Science-Daten zu den Libellen ermöglichen zwar eine oberflächliche Erfassung der Artenvielfalt, für genauere Aussagen wäre jedoch eine Wiederholung unter wärmeren Temperaturen und unter stabileren Umweltbedingungen (d.h. kein Hochwasser) erforderlich. Für die Bewertung der Wasserqualität und der Libellen ist es daher notwendig, die zuvor vorgeschlagenen Verbesserungen in die Methode zu integrieren, um die Datenqualität zu steigern, um damit zuverlässigere Aussagen zu ermöglichen. Die Ergebnisse dieser zwei Methoden deuten auf einen häufig geäußerter Kritikpunkt hin, dass Citizen Science-Daten oft durch hohe Variabilität und Ungenauigkeit gekennzeichnet sind. Diese Herausforderung kann jedoch in einigen Fällen durch das Sammeln einer ausreichend großen Datenmenge gemindert werden, da sich zufällige Fehler besser ausgleichen und die Ergebnisse dadurch zuverlässiger werden (Bird et al., 2014). Ein positives Ergebnis dieser Untersuchung zeigt sich darin, dass die Citizen Scientists trotz der Größe des Testgebiets und ohne die Vorgabe, alle Bereiche abdecken zu müssen, das gesamte Testgebiet als Kollektiv abgedeckt haben (z. B. bei den Libellenerhebungen und der Erfassung der Ufergehölze). Dies verdeutlicht das Potenzial von Citizen Science-Methoden, umfassende Datenerhebungen auf größere Flächen effektiv zu ermöglichen (Dickinson et al., 2010). Das größte Hindernis während der Untersuchung war das Hochwasserereignis, welches das Testgebiet stark beeinträchtigte. Das Gebiet war zeitweise vollständig überflutet und dadurch unzugänglich. Auch nach dem Rückgang des Hochwassers war der Zugang an einigen Stellen noch mehrere Tage lang durch knietiefes Wasser versperrt, was den Weg zum Testgebiet verlängerte und den Teilnehmenden wertvolle Zeit nahm. Die krautige Schicht im Testgebiet war vollständig abgestorben, wodurch die Ufergehölze jedoch leichter zugänglich waren. Die drei Methoden konnten trotz den erschwerten Bedingungen angewendet werden. 55 Solche äußeren Faktoren können jedoch sowohl die Datenqualität als auch die Motivation der Teilnehmenden beeinflussen. Ein Beispiel dafür ist die stark angestiegene Mückenpopulation nach den Überschwemmungen, die laut Teilnehmenden ihre Konzentration während der Versuche beeinträchtigte. Hochwasserereignisse sollten somit bei der Planung von Citizen Science-Projekten berücksichtigt werden, da sie sowohl die Bedingungen vor Ort als auch die Durchführung durch die Teilnehmenden beeinflussen können. Die Effizienz von Citizen Science-Projekten wird grundsätzlich optimiert, wenn die erforderlichen Aufgaben schnell erlernt und umgesetzt werden können (Senabre Hidalgo et al., 2021). Zwar waren die einzelnen Aufgaben je Qualitätsindikator in einer überschaubaren Zeit durchführbar, jedoch nahm die Untersuchung aller drei Qualitätsindikatoren viel Zeit in Anspruch. Die Durchführung der Methoden in aufeinanderfolgender Reihenfolge könnte sich daher negativ auf die Motivation und die Genauigkeit bei den nachfolgenden Aufgaben ausgewirkt haben. Die Ergebnisse zeigen dies nicht direkt, jedoch wurde häufig berichtet, dass die erste Aufgabe mit größerer Sorgfalt bearbeitet wurde, während die nachfolgenden Aufgaben zunehmend schneller erledigt wurden. In einigen Fällen konnten beispielsweise Wasserproben nicht mehr vollständig bearbeitet werden, da die Zeit nicht mehr ausreichte, beispielsweise weil der Zug für die Rückfahrt erreicht werden musste oder es bereits dunkel wurde. Um die Genauigkeit und die Motivation der Citizen Scientists im Allgemeinen zu verbessern, wäre es daher sinnvoll, die Teilnehmenden auf einen Qualitätsindikator zu fokussieren und weitere Aufgaben optional bereitzustellen. Zudem sollte die Zeitstruktur der Methoden genauer abgestimmt werden, um Überforderung zu vermeiden. Unterstützende Materialien, wie beispielsweise Trainingsvideos, können den Teilnehmenden helfen, die Aufgaben effizienter durchzuführen (Bonney et al., 2009b). Außerdem sollten in den Anleitungen Erklärungen zu den einzelnen Parametern und den möglichen Ergebnissen ergänzt werden. Viele Teilnehmende hatten Interesse daran, den Hintergrund der Parameter zu verstehen und welche Bedeutung die eigenen Ergebnisse haben. Das ist besonders wichtig, um zentrale Aspekte von Citizen Science – die Einbindung der Gesellschaft in die Wissenschaft, die Vermittlung von Wissen und die Förderung des Bewusstseins für Umweltthemen – gezielt zu stärken (Bonney et al., 2009b). Nicht zuletzt könnte die Ergänzung eines Wettbewerbs als Motivationsschub dienen. Das „gamifizieren“ der Untersuchung (d. h. eine Art Online-Spiel gestalten) steigert in der Regel die Motivation der Teilnehmenden (Heinisch et al., 2021). Für eine erneute Untersuchung sollte die Definition der Gruppen „Einfach“ und „Trainiert“ präzisiert werden. Gruppe „Einfach“ könnte wie bisher mit einer größeren Anzahl an Teilnehmenden durchgeführt werden, während Gruppe „Trainiert“ auf wenige Personen (maximal 2–3) beschränkt werden sollte, die dafür intensiver geschult werden. Die Schulung sollte durch Vor-Ort-Erklärungen, gemeinsames Testen der Kits und der Aufgaben im Vorfeld umfassen. Ideal wäre es zudem, wenn die 56 die geschulten Personen die Untersuchung mehrmals durchführen, um den Vergleich zwischen ungeschult (Gruppe „Einfach“) und geschult („Trainiert“) deutlicher darzustellen. 57 5 Zusammenfassung und Schlussfolgerungen Die Motivation dieser Masterarbeit liegt in der dringenden Notwendigkeit, etwas gegen den fortschreitenden Verlust der biologischen Vielfalt zu unternehmen. Der Schutz von Lebensräumen und Arten ist eine große Herausforderung, die nicht nur für die Natur selbst, sondern auch für uns Menschen von zentraler Bedeutung ist. Zum einen braucht es verlässliche Daten über den Zustand von Ökosystemen und den relevanten Ökosystemfunktionen, um Schutzmaßnahmen einzuführen, zu verbessern und auch politisch zu rechtfertigen. Zum anderen kann der Schutz der biologischen Vielfalt nicht allein durch wissenschaftliche Erkenntnisse erreicht werden, sondern erfordert die aktive Einbindung und Unterstützung der Gesellschaft. Citizen Science bietet hierfür eine vielversprechende Lösung. Dieses Konzept hat in den letzten Jahrzehnten an Bedeutung gewonnen und wird zunehmend eingesetzt. Dennoch bestehen weiterhin Vorbehalte, insbesondere hinsichtlich der Datenqualität. Aus diesem Grund ist es notwendig, Citizen Science-Methoden systematisch zu testen und Optimierungen in den Methoden zu entwickeln, um ihre Validität und Aussagekraft zu erhöhen. Die Relevanz dieser Masterarbeit liegt daher in der Untersuchung von Citizen Science-Methoden im Kontext von Feuchtgebieten. Ziel dieser Arbeit war es die Vergleichbarkeit zwischen wissenschaftlichen Methoden und Citizen Science-Methoden aufzuzeigen, zentrale Herausforderungen der Citizen Scientists zu identifizieren und Ansätze für methodische Optimierungen zu liefern. Dafür wurde mithilfe von freiwilligen Personen Citizen Science-Methoden zur Bestimmung der Wasserqualität, zur Erfassung von Libellenarten sowie zur Identifikation von Ufergehölzen in einem Testgebiet auf ihre Genauigkeit und Aussagekraft untersucht. Der Vergleich von Citizen Science-Daten mit wissenschaftlich erhobenen Referenzdaten trägt dabei zur Verbesserung der angewendeten Citizen Science-Methoden bei und stärkt dadurch die Aussagekraft sowie die wissenschaftliche Anerkennung von Citizen Science-Daten. Im Vergleich zu den wissenschaftlich erhobenen Daten zeigten die Citizen Science-Daten zur Wasserqualität und zu der Libellenerhebungen eine geringe Übereinstimmung auf. Die von den Citizen Scientists erhobenen Wasserqualitätsdaten zeigten insgesamt eine hohe Variabilität. Dies ist auf Faktoren wie die Sensitivität der angewendeten Testkits, ein starkes Umweltereignis während des Untersuchungszeitraumes, mögliche Ungenauigkeiten der Citizen Scientists, eine kleine Stichprobenmenge und natürlichen Schwankungen von Wasserqualitätsparametern zurückzuführen. Bei der Libellenerhebung wurden von den meisten Personen kaum Libellen gesichtet. Die Methode zur weiteren Bestimmung konnte daher nur eingeschränkt getestet werden. Die geringe Datenmenge 58 der Libellenerhebung war auf die starke Umweltveränderung während des Probezeitraumes zurückzuführen, jedoch auch auf die Schwierigkeit Libellen als ungeübte Person überhaupt zu finden und anschließend korrekt zu bestimmen. Die Ergebnisse der Methode zu den Ufergehölzen zeigten hingegen eine höhere Übereinstimmung mit den wissenschaftlichen Daten. Es konnten viele Daten mit einer geringen Fehlerquote gesammelt werden und gleichzeitig das Gebiet ähnlich zu den wissenschaftlich erhobenen Daten bewertet werden. Ein bedeutender Faktor war dabei, dass ein bereits etabliertes Hilfsmittel wie eine Pflanzenbstimmungsapp eingesetzt wurde, aber auch dass die Ufergehölze weniger durch das starke Umweltereignis beeinflusst wurden und insgesamt leichter als Libellen oder Wasserparameter zu erfassen sind. Die Untersuchung konnte zudem aufzeigen, dass die Qualitätsindikatoren sich grundsätzlich für Citizen Science eignen, jedoch Optimierungen in der Methodik vorgenommen werden müssen, um die Datenqualität zu erhöhen. Diese Optimierungsempfehlungen werden in Box 1 zusammengefasst dargestellt. Die Verbesserungsvorschläge bieten damit eine Grundlage für die Planung von Citizen Science-Projekten mit den angewendeten Qualitätsindikatoren und unterstützen Forschende dabei, die entsprechenden Methoden in einer ähnlichen Untersuchung weiter zu optimieren. Box 1 Verbesserungsvorschläge je Qualitätsindikator basierend auf den Untersuchungsergebnissen 59 Obwohl die Vergleichbarkeit der Citizen Science-Daten mit den wissenschaftlichen Daten größtenteils gering ausgefallen ist, bieten die vorgeschlagenen Verbesserungen die Möglichkeit, die Datenqualität bei einem erneuten Versuch zu steigern. Zudem ist zu beachten, dass Citizen Science sich nicht nur auf die Datenerhebung beschränkt, sondern ein wertvolles Instrument ist, um Wissenschaft und Gesellschaft einander näherzubringen. Citizen Science ersetzt keine professionellen wissenschaftlichen Untersuchungen, kann jedoch in bestimmten Fällen eine wichtige Ergänzung darstellen – insbesondere dort, wo konventionelle Wissenschaft an ihre Grenzen stößt. Zusammenfassend leistet die Arbeit einen Beitrag zur Weiterentwicklung und stärkeren Akzeptanz von Citizen Science als wertvolles Instrument im Naturschutz. Eine wertvolle Begleiterscheinung der Untersuchung war die Erkenntnis, dass die Teilnehmenden nicht nur Freude am Lernen neuer Inhalte hatten, sondern dass auch ihre Achtsamkeit für die Umwelt und deren faszinierende Aspekte geschärft wurde. Dies zeigt, dass Citizen Science nicht nur ein Werkzeug zur Datenerhebung ist, sondern auch zur Förderung eines bewussteren Umgangs mit der Natur beitragen kann. Es inspiriert Menschen, sich aktiv für den Schutz und die Erhaltung der Umwelt einzusetzen und verbindet so wissenschaftliche Ziele mit gesellschaftlichem Engagement - ein Grund, Citizen Science weiter zu stärken und auszubauen. 60 Literaturverzeichnis Albus, K., Thompson, R., Mitchell, F., (2019). Usability of Existing Volunteer Water Monitoring Data: What Can the Literature Tell Us?. Citizen Science: Theory and Practice 4(1), 28. https://doi.org/10.5334/cstp.222 Amano, T., Lamming, J.D.L., Sutherland, W.J., (2016). Spatial Gaps in Global Biodiversity Information and the Role of Citizen Science. BioScience 66(5), 393–400. https://doi.org/10.1093/biosci/biw022 Ardoin, N.M., Bowers, A.W., Gaillard, E., (2020). Environmental education outcomes for conservation: A systematic review. Biological Conservation 241, 108224. https://doi.org/10.1016/j.biocon.2019.108224 Au, J., Bagchi, P., Chen, B., Martinez, R., Dudley, S.A., Sorger, G.J., (2000). Methodology for public monitoring of total coliforms, Escherichia coli and toxicity in waterways by Canadian high school students. Journal of Environmental Management 58(3), 213–230. https://doi.org/10.1006/jema.2000.0323 August, T., Fox, R., Roy, D.B., Pocock, M.J.O., (2020). Data-derived metrics describing the behaviour of fieldbased citizen scientists provide insights for project design and modelling bias. Scientific Reports 10, 11009. https://doi.org/10.1038/s41598-020-67658-3 Bellmann, H., Helb, M., (2022). Der Kosmos Libellenführer. Kosmos, Stuttgart. ISBN 978-3-440-16762-5. Bird, T.J., Bates, A.E., Lefcheck, J.S., Hill, N.A., Thomson, R.J., Edgar, G.J., Stuart-Smith, R.D., Wotherspoon, S., Krkosek, M., Stuart-Smith, J.F., et al., (2014). Statistical solutions for error and bias in global citizen science datasets. Biological Conservation 173, 144–154. https://doi.org/10.1016/j.biocon.2013.07.037 BMLUK, (o.D.). Das Hochwasserereignis im September 2024 in Österreich. https://www.bmluk.gv.at/themen/wasser/wasser-oesterreich/hydrographie/chronik-besondererereignisse/hochwasser-september-2024.html [abgerufen am 04.04.2025] Boakes, E.H., Gliozzo, G., Seymour, V., Harvey, M., Smith, C., Roy, D.B., Haklay, M., (2016). Patterns of contribution to citizen science biodiversity projects increase understanding of volunteers’ recording behaviour. Scientific Reports 6, 33051. https://doi.org/10.1038/srep33051 Bonn, A., Brink, W., Hecker, S., Herrmann, T.M., Liedtke, C., Premke-Kraus, M., Voigt-Heucke, S., Von Gönner, J., Altmann, C.S., Bauhus, W., et al., (2021). Weißbuch Citizen Science Strategie 2030 für Deutschland. https://doi.org/10.31235/osf.io/ew4uk_v1 Bonney, R., Ballard, H., Jordan, R., McCallie, E., Phillips, T., Shirk, J., Wilderman, C.C., (2009a). Public Participation in Scientific Research: Defining the Field and Assessing Its Potential for Informal Science Education. A CAISE Inquiry Group Report. Center for Advancement for Informal Science Education (CAISE), Washington DC. Bonney, R., Cooper, C., Ballard, H., (2016). The Theory and Practice of Citizen Science: Launching a New Journal. Citizen Science: Theory and Practice 1(1), 1. https://doi.org/10.5334/cstp.65 Bonney, R., Cooper, C.B., Dickinson, J., Kelling, S., Phillips, T., Rosenberg, K.V., Shirk, J., (2009b). Citizen Science: A Developing Tool for Expanding Science Knowledge and Scientific Literacy. BioScience 59(11), 977–984. https://doi.org/10.1525/bio.2009.59.11.9 Bonney, R., Shirk, J.L., Phillips, T.B., Wiggins, A., Ballard, H.L., Miller-Rushing, A.J., Parrish, J.K., (2014). Next Steps for Citizen Science. Science 343(6178), 1436–1437. https://doi.org/10.1126/science.1251554 Bried, J., Ries, L., Smith, B., Patten, M., Abbott, J., Ball-Damerow, J., Cannings, R., Cordero-Rivera, A., CórdobaAguilar, A., et al., (2020). Towards Global Volunteer Monitoring of Odonate Abundance. BioScience 70(10), 914–923. https://doi.org/10.1093/biosci/biaa092 Burgess, H.K., DeBey, L.B., Froehlich, H.E., Schmidt, N., Theobald, E.J., Ettinger, A.K., HilleRisLambers, J., Tewksbury, J., Parrish, J.K., (2017). The science of citizen science: Exploring barriers to use as a primary research tool. Biological Conservation 208, 113–120. https://doi.org/10.1016/j.biocon.2016.05.014 Callaghan, C.T., Poore, A.G.B., Hofmann, M., Roberts, C.J., Pereira, H.M., (2021). Large-bodied birds are overrepresented in unstructured citizen science data. Scientific Reports 11, 19073. https://doi.org/10.1038/s41598-021-98584-7 61 Callaghan, C.T., Winnebald, C., Smith, B., Mason, B.M., López‐Hoffman, L., (2025). Citizen science as a valuable tool for environmental review. Frontiers in Ecology & Environment 23(1), e2808. https://doi.org/10.1002/fee.2808 CBD, (2011). Convention on Biological Diversity. United Nations Environment Programme, Montreal. CITES, (1973). Convention on International Trate in Endangered Species of Wild Fauna and Flora. Conrad, C.C., Hilchey, K.G., (2011). A review of citizen science and community-based environmental monitoring: issues and opportunities. Environmental Monitoring and Assessment 176, 273-291. https://doi.org/10.1007/s10661-010-1582-5 Convention on Wetlands, (2025). Global Wetland Outlook 2025: Valuing, conserving, restoring and financing wetlands. Secretariat of the Convention on Wetlands, Gland. https://doi.org/10.69556/GWO-2025eng Coombes, A.J., Debreczy, Z. (Hrsg.), (2012). Blätter und ihre Bäume: 600 Porträts. 1. Auflage. Haupt Verlag AG, Bern. ISBN 325807738X. Cosquer, A., Raymond, R., Prevot-Julliard, A.-C., (2012). Observations of Everyday Biodiversity: a New Perspective for Conservation?. Ecology & Society 17(4), 2. https://doi.org/10.5751/ES-04955-170402 Dickinson, J.L., Zuckerberg, B., Bonter, D.N., (2010). Citizen Science as an Ecological Research Tool: Challenges and Benefits. Annual Review of Ecology, Evolution, and Systematics 41, 149–172. https://doi.org/10.1146/annurev-ecolsys-102209-144636 Dijkstra, K.-D.B., Schröter, A. (Hrsg.), (2021). Libellen Europas: der Bestimmungsführer. 2. Auflage. Haupt Verlag AG, Bern. ISBN 978-3-258-08219-6. Dirzo, R., Young, H.S., Galetti, M., Ceballos, G., Isaac, N.J.B., Collen, B., (2014). Defaunation in the Anthropocene. Science 345(6195), 401–406. https://doi.org/10.1126/science.1251817 Droege, S., (2007). just because you paid them doesn’t mean their data are better. Citizen Science Toolkit Conference. 20–23 Juni 2007, Ithaca, NY. Dudgeon, D., Arthington, A.H., Gessner, M.O., Kawabata, Z., Knowler, D.J., Lévêque, C., Naiman, R.J., Prieur‐ Richard, A., Soto, D., Stiassny, M.L.J., Sullivan, C.A., (2006). Freshwater biodiversity: importance, threats, status and conservation challenges. Biological Reviews 81(2), 163–182. https://doi.org/10.1017/S1464793105006950 Dyer, F., Harrison, E., Gruber, B., Nichols, S., Tschierschke, A., Woo O ’ Reilly, (2014). Waterwatch data quality: an opportunity to augment professionally collected data sets. 7th Australian Stream Management Conference. Juli 2014, Townsville, QLD. https://doi.org/10.13140/2.1.1928.4481 eBMS, (o.D.). BMS methods. European Butterfly Monitoring Scheme. https://butterfly-monitoring.net/bmsmethods [abgerufen am 04.04.2025]. Ellenberg, H., Weber, H.E., Düll, R., Wirth, V., Werner, W., (1992). Zeigerwerte von Pflanzen in Mitteleuropa. 2. Auflage. Scripta Geobotanica 18. Goltze Verlag, Göttingen. ISBN 978-3-88452-518-0. Europäische Kommission, (2023). Restore4Life. Restoration of wetland complexes as life supporting systems in the Danube Basin. https://doi.org/10.3030/101112736 EEA, (2020). Floodplains: a natural system to preserve and restore. European Environment Agency Report. Luxembourg: Publications Office of the European Union. https://doi.org/10.2800/431107 Farmer, R.G., Leonard, M.L., Horn, A.G., (2012). Observer effects and avian-call-count survey quality: Rarespecies biases and overconfidence. The Auk 129(1), 76–86. https://doi.org/10.1525/auk.2012.11129 Finn, C., Grattarola, F., Pincheira‐Donoso, D., (2023). More losers than winners: investigating Anthropocene defaunation through the diversity of population trends. Biological Reviews 98(5), 1732–1748. https://doi.org/10.1111/brv.12974 Fore, L.S., Paulsen, K., O’Laughlin, K., (2001). Assessing the performance of volunteers in monitoring streams. Freshwater Biology 46(1), 109–123. https://doi.org/10.1111/j.1365-2427.2001.00640.x Freitag, A., Pfeffer, M.J., (2013). Process, Not Product: Investigating Recommendations for Improving Citizen Science “Success. PLoS ONE 8(5), e64079. https://doi.org/10.1371/journal.pone.0064079 Geoland.at. (2025). Karte von Niederösterreich [modifiziert]. https://www.geoland.at [abgerufen am 25.07.2025]. 62 Greenwood, J.J.D., (2007). Citizens, science and bird conservation. Journal of Ornithology 148, 77–124. https://doi.org/10.1007/s10336-007-0239-9 Gumiero, B., De Matteis, F.M., Di Stefano, C., Rodríguez-González, P.M., Dufour, S., Di Grazia, F., Gonzales Del Tanago, M., (2023). Monitoring Riparian Vegetation: Toward a Citizen Science Approach. https://doi.org/10.2139/ssrn.4663192 Haklay, M., Dörler, D., Heigl, F., Manzoni, M., Hecker, S., Vohland, K., (2021). What Is Citizen Science? The Challenges of Definition. In: Vohland, K., et al., (2021). The Science of Citizen Science. Springer, Cham. 13–33. https://doi.org/10.1007/978-3-030-58278-4_2 Heinisch, B., Oswald, K., Weißpflug, M., Shuttleworth, S., Belknap, G., (2021). Citizen Humanities. In: Vohland, K., et al., (2021). The Science of Citizen Science. Springer, Cham. 97–118. https://doi.org/10.1007/9783-030-58278-4_6 Hoyer, M.V., Wellendorf, N., Frydenborg, R., Bartlett, D., Canfield, D.E., (2012). A comparison between professionally (Florida Department of Environmental Protection) and volunteer (Florida LAKEWATCH) collected trophic state chemistry data in Florida. Lake and Reservoir Management 28(4), 277–281. https://doi.org/10.1080/07438141.2012.736016 IPBES, (2019). Summary for policymakers of the global assessment report on biodiversity and ecosystem services of the Intergovernmental Science-Policy Platform on Biodiversity and Ecosystem Services. IPBES secretariat, Bonn. https://doi.org/10.5281/zenodo.3553579 ISO, (2024). ISO 5667-3:2024. Water quality — Sampling — Part 3: Preservation and handling of water samples. Edition 6, 2024. Johnson, C.N., Balmford, A., Brook, B.W., Buettel, J.C., Galetti, M., Guangchun, L., Wilmshurst, J.M., (2017). Biodiversity losses and conservation responses in the Anthropocene. Science 356(6335), 270–275. https://doi.org/10.1126/science.aam9317 Johnston, A., Matechou, E., Dennis, E.B., (2023). Outstanding challenges and future directions for biodiversity monitoring using citizen science data. Methods in Ecology and Evolution 14(1), 103–116. https://doi.org/10.1111/2041-210X.13834 Kelling, S., Johnston, A., Bonn, A., Fink, D., Ruiz-Gutierrez, V., Bonney, R., Fernandez, M., Hochachka, W.M., Julliard, R., Kraemer, R., Guralnick, R., (2019). Using Semistructured Surveys to Improve Citizen Science Data for Monitoring Biodiversity. BioScience 69(3), 170–179. https://doi.org/10.1093/biosci/biz010 Kirk, J.T.O., (2010). Light and Photosynthesis in Aquatic Ecosystems. 3. Auflage. Cambridge University Press. https://doi.org/10.1017/CBO9781139168212 Kiruba-Sankar, R., Barman, J., (2024). The benefits and challenges of citizen science for coastal wetlands management in Andaman and Nicobar archipelago—a review. Environmental Sustainability 7, 31–51. https://doi.org/10.1007/s42398-023-00296-3 Knapp, J.L.A., Von Freyberg, J., Studer, B., Kiewiet, L., Kirchner, J.W., (2020). Concentration–discharge relationships vary among hydrological events, reflecting differences in event characteristics. Hydrology and Earth System Sciences 24(5), 2561–2576. https://doi.org/10.5194/hess-24-2561-2020 Kolstoe, S., Cameron, T.A., (2017). The Non-market Value of Birding Sites and the Marginal Value of Additional Species: Biodiversity in a Random Utility Model of Site Choice by eBird Members. Ecological Economics 137, 1–12. https://doi.org/10.1016/j.ecolecon.2017.02.013 Kosmala, M., Wiggins, A., Swanson, A., Simmons, B., (2016). Assessing data quality in citizen science. Frontiers in Ecology & Environment 14(10), 551–560. https://doi.org/10.1002/fee.1436 Kühl, H.S., Bowler, D.E., Bösch, L., Bruelheide, H., Dauber, J., Eichenberg, D., Eisenhauer, N., Fernández, N., Guerra, C.A., Henle, K., et al., (2020). Effective Biodiversity Monitoring Needs a Culture of Integration. One Earth 3(4), 462–474. https://doi.org/10.1016/j.oneear.2020.09.010 Larson, L.R., Cooper, C.B., Futch, S., Singh, D., Shipley, N.J., Dale, K., LeBaron, G.S., Takekawa, J.Y., (2020). The diverse motivations of citizen scientists: Does conservation emphasis grow as volunteer participation progresses?. Biological Conservation 242, 108428. https://doi.org/10.1016/j.biocon.2020.108428 63 Lewandowski, E., Specht, H., (2015). Influence of volunteer and project characteristics on data quality of biological surveys: Data Quality of Volunteer Surveys. Conservation Biology 29(3), 713–723. https://doi.org/10.1111/cobi.12481 Loreau, M., Barbier, M., Filotas, E., Gravel, D., Isbell, F., Miller, S.J., Montoya, J.M., Wang, S., Aussenac, R., Germain, R., Thompson, P.L., Gonzalez, A., Dee, L.E., (2021). Biodiversity as insurance: from concept to measurement and application. Biological Reviews 96(5), 2333–2354. https://doi.org/10.1111/brv.12756 Lowman, M., Randle, D., (2009). Ecological mentoring: inspiring future scientists. Frontiers in Ecology & Environment 7(3), 119–119. https://doi.org/10.1890/1540-9295-7.3.119 McGinley, C., McGinley, M., McGinley, D., (2000). “Odor Basics”, Understanding and Using Odor Testing. 22nd Annual Hawaii Water Environment Association Conference. 6-7 Juni 2000, Honolulu, Hawaii. McInnes, R.J., Davidson, N.C., Rostron, C.P., Simpson, M., Finlayson, C.M., (2020). A Citizen Science State of the World’s Wetlands Survey. Wetlands 40, 1577–1593. https://doi.org/10.1007/s13157-020-01267-8 Millennium Ecosystem Assessment, (2005). Ecosystems and human well-being: wetlands and water synthesis. World Resources Institute, Washington DC. Miller-Rushing, A., Primack, R., Bonney, R., (2012). The history of public participation in ecological research. Frontiers in Ecology & Environment 10(6), 285–290. https://doi.org/10.1890/110278 Montgomery, G.A., Dunn, R.R., Fox, R., Jongejans, E., Leather, S.R., Saunders, M.E., Shortall, C.R., Tingley, M.W., Wagner, D.L., (2020). Is the insect apocalypse upon us? How to find out. Biological Conservation 241, 108327. https://doi.org/10.1016/j.biocon.2019.108327 Myre, E., Shaw, R., (2006). The Turbidity Tube: Simple and Accurate Measurements of Turbidity in the Field. Michigan Technological University. Ott, J., (2016). Citizen Science in Naturschutz und Landesforschung - Informationen zur Gruppe der Libellen (Odonata). POLLICHIA - Verein für Naturforschung und Landespflege e.V. Mitteilungen der POLLICHIA 97. Outhwaite, C.L., McCann, P., Newbold, T., (2022). Agriculture and climate change are reshaping insect biodiversity worldwide. Nature 605, 97–102. https://doi.org/10.1038/s41586-022-04644-x Pereira, H.M., Martins, I.S., Rosa, I.M.D., Kim, H., Leadley, P., Popp, A., Van Vuuren, D.P., Hurtt, G., Quoss, L., Arneth, A., et al., (2024). Global trends and scenarios for terrestrial biodiversity and ecosystem services from 1900 to 2050. Science 384(6694), 458–465. https://doi.org/10.1126/science.adn3441 Pocock, M.J.O., Chandler, M., Bonney, R., Thornhill, I., Albin, A., August, T., Bachman, S., Brown, P., Cunha, D., Grez, A., et al., (2018). A Vision for Global Biodiversity Monitoring With Citizen Science. Advances in Ecological Research 59, 169-223. https://doi.org/10.1016/bs.aecr.2018.06.003 Pocock, M.J.O., Logie, M., Isaac, N.J.B., Fox, R., August, T., (2023). The recording behaviour of field-based citizen scientists and its impact on biodiversity trend analysis. Ecological Indicators 151, 110276. https://doi.org/10.1016/j.ecolind.2023.110276 Pocock, M.J.O., Tweddle, J.C., Savage, J., Robinson, L.D., Roy, H.E., (2017). The diversity and evolution of ecological and environmental citizen science. PLoS ONE 12(4), e0172579. https://doi.org/10.1371/journal.pone.0172579 Pollard, E., (1977). A method for assessing changes in the abundance of butterflies. Biological Conservation 12(2), 115–134. https://doi.org/10.1016/0006-3207(77)90065-9 Pooja, A., (2019). Physical, Chemical and Biological Characteristics of Water. In: Sharma, H., R., (2019). Water resources and management - Physical and Basic Sciences. https://ebooks.inflibnet.ac.in/esp05/chapter/physical-chemical-and-biological-characteristics-ofwater/ [abgerufen am 01.07.2025]. Preisendorfer, R.W., (1986). Secchi disk science: Visual optics of natural waters. Limnology & Oceanography 31(5), 909–926. https://doi.org/10.4319/lo.1986.31.5.0909 Raab, R., Chovanec, A., Pennerstorfer, J., (2007). Libellen Österreichs. Springer Verlag, Wien. ISBN 321133856X. 70 *falls mehr Zeilen benötigt, Hinterseite verwenden 1 Kleinlibelle: In Ruhehaltung: Flügel über dem Rücken zusammengeklappt; Im Flug: eher langsam, flatternd; Augen seitlich bzw. breit auseinander 2 Großlibelle: In Ruhehaltung: Flügel waagrecht ausgebreitet; Im Flug: eher schnell; Augen sehr eng bzw. berühren sich 3 Rot, Orange, Blau, Grün, Gelb, Braun, Schwarz, Bunt 4 z.B. drei abwechselnde schwarze Striche am Rücken; sehr schmale Flügel; sonstiges (beschreibe) 5 sehr schnell im Flug/nicht erkennbar; aus den Augen verloren; sonstiges (beschreibe) 6 0 – Windstille; 1 – kaum merklich; Rauch treibt leicht ab; 2 – Blätter rascheln; Wind im Gesicht spürbar; 3 – Blätter und dünne Zweige bewegen sich; 4 – Zweige bewegen sich; Papier wird vom Boden gehoben Formular Libellen Name: Temperatur (C°): Start-Uhrzeit: Datum: Windstärke6: End-Uhrzeit: Start-GPS-Daten: End-GPS-Daten: Fund Nr. Kleinlibelle1/ Großlibelle2 Farbe3 Spezielles Merkmal4/ Sonstige Anmerkung5 FotoUhrzeit Vermutete Gruppe/Art 71 Anleitung: Ufergehölze “Einfach” Material: ❖ Smartphone mit Kamera ❖ Installierte Flora Incognita App ❖ Formular zum Ufergehölze ❖ Karte des Untersuchungsgebietes ❖ Artenliste Aufgaben: Hinweis: Beginne mit dieser Aufgabe nach der Libellenuntersuchung. Falls du bei dieser Aufgabe dennoch Libellen findest, dann kannst du diese noch ins Formular aufnehmen (bitte kennzeichnen, dass die Beobachtung nebenbei war). 1. Start: Wähle einen Startpunkt im vorgegebenen Flächenbereich und trage diesen in die beigelegte Karte ein. Trage die Start-Uhrzeit ins Formular ein. 2. Ziel: Finde innerhalb der vorgegebenen Fläche min. 3 unterschiedliche Baumarten und zähle einige Exemplare davon. Ideal wäre, wenn du jeweils 1x Baumart aus der Kategorie Weichholzaue, 1x Hartholzaue und 1x Neophyt findest. Orientiere dich dafür an der Artenliste (du musst aber nicht daraus wählen). Falls du Hilfe bei der Bestimmung brauchst, verwende die Flora Incognita App1. Der Baum soll min. größer, wie du selbst sein und deine Hand sollte den Stamm (auf Brusthöhe) nicht umschließen können. Hinweis: Nicht alle Baumarten in der Artenliste kommen dort auch tatsächlich vor. 3. Sobald du eine Art gefunden hast, trägst du die Baumart in das Formular ein und weist dieser einem Zeichen (X, O, ∆) zu. Markiere den Fund-Standort in der Karte so genau wie möglich. Verwende dazu das vorhin definierte Zeichen als Markierung. 4. Mache ein Nachweis-Foto von den jeweils 3 gewählten Baumarten (am besten gleich von den ersten Funden). Fotografiere jeweils Blattober,-unterseite und den gesamten Baum. Hinweis: Es brauch nur einmal ein Nachweis Foto der Baumart. 5. Gehe nun weiter innerhalb des Bereiches und halte die Anzahl deiner ausgewählten Baumarten in der Spalte „Häufigkeit“ mit einer Strichliste fest und markiere die Standorte der Baumarten in der Karte so genau wie möglich. Verwende die jeweiligen Zeichen. 6. Sobald du ausreichend Daten gesammelt hast (eigene Einschätzung) markierst du deinen Endpunkt in der Karte und notierst die End-Uhrzeit. 7. Zähle die Anzahl je Baumart und trage in der Spalte „Ranking“ Platz 1 (häufigste Baumart) bis Platz 3 ein. 8. Ökologische Zeigewerte: Ermittle im Nachgang die ökologischen Zeigewerte deiner 3 Baumarten. Scanne dazu diesen QR-Code und trage die Baumart in die Suchleiste der Website ein. Trage die gesuchten Eigenschaften in das Formular ein. 9. Recherchiere 2 Informationen zur jeweiligen Baumart im Zusammenhang mit Feuchtgebieten. Trage sie in die Spalte ein. 1Bestimmung mit der App: Wähle in der App „Pflanze erkennen“ aus. Wähle nun in der unteren Drehleiste „Baum“ aus. Folge nun den weiteren Anleitungen der App. Sollte eine Eigenschaft nicht möglich sein zu fotografieren (z.B. Frucht) dann überspringe das Foto mit „ “ unten rechts. Falls du dir mit dem Ergebnis nicht sicher bist, wiederhole das Fotografieren und halte das im Formular fest. 72 Formular Ufergehölze Name: Datum: Start-Uhrzeit: End-Uhrzeit: Zeichen auf der Karte Baumart Häufigkeit Ranking X O ∆ *falls du dir bei der konkreten Baumart nicht sicher bist, dann trage nur die Gattung ein (z.B. Weide – Salix sp.) Ökologische Zeigewerte nach Ellenberg Baumart L Lichtzahl T Temperaturzahl F Feuchtezahl R Reaktionszahl N Stickstoffzahl *die Website verlangt die konkrete Baumart, falls du diese nicht weißt, wähle eine davon aus (z.B. Salix sp. -> Salix alba) Relevanz zu Feuchtgebieten Baumart Information 1 Information 2 X O ∆ 73 Anleitung: Wasserqualität „Trainiert“ Material: ❖ Sauberen Plastikeimer (ca. 1000ml) mit einem Seil ❖ Saubere Mini-Secchi-Röhre ❖ 1x kl. durchsichtigen Plastikbehälter (Schritt 5) ❖ Farbskala ❖ Aqua Check Messgerät, 1x Phosphat-, 1x Nitrat -Testkit ❖ 1x Sauerstoff-Testkit ❖ Plastikbecher, Trichter, Kaffeefilter (Schritt 7) ❖ Formular zur Wasserqualität Aufgaben: Führe diese Schritte jeweils 1x am Altarm (Grün) und 1x am Fluss (Blau) durch! 1. Start: Wähle im vorgegebenen Gebiet einen Ort aus, an dem du die Proben nehmen kannst, ohne in das Wasser zu treten. Mache ein Foto von deinem gewählten Ort. 2. Trage Informationen über die Umgebung ins Formular ein. Verwenden ein Formular pro Standort. Orientiere dich am Beispielformular. 3. Wasserprobe nehmen: Halte das Ende des Seils fest und wirf die offene Plastikflasche ins Wasser (etwa 1-2 m vom Ufer entfernt). Lass die Flasche sich mit Wasser füllen und zieh sie zurück ans Ufer, ohne den Boden aufzuwirbeln. Wiederhole das Ganze zweimal, bevor du die Probe für die nächsten Schritte benutzt. 4. Geruch: Rieche an dem Wasser im Eimer. Wie riecht es? Notiere deine Beobachtungen im Formular. 5. Farbe: Fülle etwas Probenwasser in den durchsichtigen Plastikbehälter. Halte es gegen die Farbskala. Trage Farbe und Helligkeit ins Formular ein. Mache ein Foto vom Plastikbehälter auf der Farbskala. 6. Sichttiefe mit der MiniSecchi Röhre: Stelle dich mit dem Rücken zur Sonne und stelle die Röhre am Boden. Fülle das Probewasser langsam in die Röhre und beobachte dabei die Secchi-Scheibe (= schwarz-weiße Muster am Boden) mit Blick in die Röhre. Sobald die Secchi-Scheibe nicht mehr zu sehen ist, stoppst du die Wasserzugabe. Notiere die Zahl an der Außenseite der Röhre. Wenn das schwarz-weiße Muster noch zu sehen ist und das Rohr schon voll ist, notiere den Wert <14. 7. Aqua Check Messgerät: Filtere die Wasserprobe für die Nährstoffanalyse zuerst durch den Kaffeefilter in den Plastikbecher. Verwende den Trichter als Filterhalter. Verwende nun die gefilterte Wasserprobe und befolge die Anweisungen der jeweiligen Testkits für die Nitratund Phosphatanalyse. Hinweis: Wasche das Messgerät nach jeder Messung mit ein wenig destilliertem Wasser ab. 8. Gelöster Sauerstoff: Folge der Anleitung des Sauerstoff – Testkits um die gelöste Sauerstoffkonzentration zu ermitteln. Trage die Werte ins Formular ein. 74 Formular: Wasserqualität Name: Versuchsnummer: Datum: Uhrzeit: Start: Ende: Foto Versuchsstelle: □ erledigt Gewässertyp: O Altarm O Fluss Geruch1: Wasserfarbe & Helligkeit2: Mini Secchi Röhre Wert: Gelöster Sauerstoff (mg/L O2): Achtung: Wert der Spritze x 10 ! Nitrat (mg/L): Phosphat (mg/L): Sonstige Anmerkungen: 1 kein Geruch, schwefelig, fischig, erdig, sonstiges (beschreiben) 2 Farbe: keine Farbe, grün, grau, braun; Intensität: hell, mittel, dunkel Formular: Wasserqualität Name: Versuchsnummer: Datum: Uhrzeit: Start: Ende: Foto Versuchsstelle: □ erledigt Gewässertyp: O Altarm O Fluss Geruch1: Wasserfarbe & Helligkeit2: Mini Secchi Röhre Wert: Gelöster Sauerstoff (mg/L): Achtung: Wert der Spritze x 10 ! Nitrat (mg/L): Phosphat (mg/L): Sonstige Anmerkungen: 1 kein Geruch, schwefelig, fischig, erdig, sonstiges (beschreiben) 2 Farbe: keine Farbe, grün, grau, braun; Intensität: hell, mittel, dunkel 75 Anleitung: Libellen “Trainiert” Material: ❖ Formular zu Libellen ❖ Smartphone Kamera (je höher die Qualität der Kamera, umso besser) ❖ Smartphone-Standort ❖ Artenliste Aufgaben: Hinweis: Beginne diese Aufgabe vor der Untersuchung der Ufervegetation, da ansonsten die Libellen verscheucht werden könnten! 1. Bevor du beginnst, lies das Formular zu den Libellen durch und verschaffe dir eine Übersicht auf welche Merkmale zu achten ist und welche groben Unterschiede es zwischen Libellen gibt. Optional: Die QR-Codes (unten) geben dir vertiefende Informationen. 2. Start: Begib dich in den vorgegebenen Flächenbereich (siehe Karte in der Anleitung Ufergehölze) und suche dir einen beliebigen Start-Punkt aus. Trage die Start-GPS-Koordinaten und die StartUhrzeit ins Formular ein. 3. Gehe nun etwa 100m im langsamen Schritttempo dieser Strecke entlang. Halte alle Libellenbeobachtungen fest, die in diesem Bereich vorkommen. Orientiere dich am Foto oben rechts (Bereich=seitlich jeweils ~2,5m). Du solltest min. 15min für die 100m brauchen. Hinweis: 150 Schritte entsprechen etwa 100m 4. A) Bestimme nun die Libellenarten bzw, falls dies nicht eindeutig zu erkennen ist, die Libellengattung. Nutze zur Unterstützung die Artenliste und die Websites (QR-Codes). Falls Libellen außerhalb deines Bereiches vorkommen, kannst du diese trotzdem erfassen, bitte dann markieren (z.B. *außerhalb). B) Falls keine genauere Bestimmung möglich ist, dann notiere die Merkmale so gut wie möglich. Falls bspw. nur ein Merkmal erkennbar ist, dann trage nur dieses ein und lasse die anderen Felder leer. Wichtig ist, dass alle Beobachtungen notiert werden. Hinweis: „Libelle im Flug, weiteres nicht erkennbar/zu schnell“ sind auch wichtige Daten! 5. Mache ein Nachweis Foto je Libellenart (wenn möglich). Versuche die Merkmale bestmöglich zu erfassen (ideal 1x seitlich & 1x von oben). Vergiss nicht die Uhrzeit des Fotos zu notieren, damit das Foto im Nachgang zu deiner Bestimmung zuordenbar ist (ein anderes System ist auch möglich, z.B. Foto gleich nummerieren o.ä.) Tipp: Einige Libellen kehren gerne auf einen festen Ansitzplatz (Ast/Grashalm) zurück. Mit langsamen Bewegungen schafft man es von sehr nah ein Foto zu machen. 6. Ende: Am Ende der Strecke notierst du die End-Uhrzeit und trägst deine End-GPS-Koordinaten ein. Falls du keine Libellen auf deiner Strecke gefunden hast, kannst du gerne eine weitere Strecke anlegen. Bitte alle Strecken immer notieren. Artenliste in AT Steckbriefe mit Bildern Nach Farbe 76 *falls mehr Zeilen benötigt, Hinterseite verwenden 1wenn du nur die Gattung angibst, dann führe sp. an (z.B. Sympetrum sp.) 1 Kleinlibelle: In Ruhehaltung: Flügel über dem Rücken zusammengeklappt; Im Flug: eher langsam, flatternd; Augen seitlich bzw. breit auseinander 2 Großlibelle: In Ruhehaltung: Flügel waagrecht ausgebreitet; Im Flug: eher schnell; Augen sehr eng bzw. berühren sich 3 Rot, Orange, Blau, Grün, Gelb, Braun, Schwarz, Bunt 4 z.B. drei abwechselnde schwarze Striche am Rücken; sehr schmale Flügel; sonstiges (beschreibe) 5 sehr schnell im Flug/nicht erkennbar; aus den Augen verloren; sonstiges (beschreibe) 6 0 – Windstille; 1 – kaum merklich; Rauch treibt leicht ab; 2 – Blätter rascheln; Wind im Gesicht spürbar; 3 – Blätter und dünne Zweige bewegen sich; 4 – Zweige bewegen sich; Papier wird vom Boden gehoben Formular Libellen Name: Temperatur (C°): Start-Uhrzeit: Datum: Windstärke6: End-Uhrzeit: Start-GPS-Daten: End-GPS-Daten: Fund Nr. Kleinlibelle1/ Großlibelle2 Farbe3 Spezielles Merkmal4/ Sonstige Anmerkung5 FotoUhrzeit Gruppe oder Art 1 77 Anleitung: Ufergehölze “Trainiert” Material: ❖ Smartphone mit funktionierender Kamera ❖ Installierte Flora Incognita App ❖ Formular zum Ufergehölze ❖ Karte des Untersuchungsgebietes ❖ Artenliste Aufgaben: 1. Start: Wähle einen Startpunkt im vorgegebenen Flächenbereich und trage diesen in die beigelegte Karte ein. Trage die Start-Uhrzeit ins Formular ein. 2. Ziel: Gehe etwa 20 Schritte in eine Richtung und bestimme dabei alle Bäume (!), welche zwischen Weg und Uferrand vorkommen. Falls du Hilfe bei der Bestimmung brauchst, verwende die Flora Incognita App1 und die Artenliste. (!) Bestimme nur Bäume, die min. größer, wie du selbst sind und deine Hand sollte den Stamm (auf Brusthöhe) nicht umschließen können. 3. Trage die ermittelte Art in das Formular ein, jeweils mit deutschen und wissenschaftlichen Namen (!). Markiere den Standort des Baumes in der Karte so genau wie möglich. Trage dafür die Fundnummer auf der Karte ein. (!) Hinweis: falls du dir bei der konkreten Baumart nicht sicher bist, dann trage nur die Gattung ein (z.B. Weide – Salix sp.) 4. Ende Trage deinen Endpunkt in die Karte ein und notiere die End-Uhrzeit. 5. Ökologische Zeigewerte: Ermittele im Nachgang die ökologischen Zeigewerte der ermittelten Baumarten. Scanne dazu diesen QR-Code und trage die Baumart in die Suchleiste der Website ein. Trage die gesuchten Eigenschaften in das Formular ein. 6. Finde heraus, ob es sich bei deinen gefundenen Baumarten um heimische oder Neophyten handelt. Trage in der Tabelle jeweils „0“ (heimisch) oder „X“ (Neophyt) ein. 1Bestimmung: Wähle in der App „Pflanze erkennen“ aus. Wähle nun in der unteren Drehleiste „Baum“ aus. Folge nun den weiteren Anleitungen der App. Sollte eine Eigenschaft nicht möglich sein zu fotografieren (z.B. Frucht) dann überspringe das Foto mit „ “ unten rechts. Falls du dir mit dem Ergebnis nicht sicher bist, wiederhole das Fotografieren und halte das im Formular fest. 78 Formular Ufergehölze Name: Datum: Start-Uhrzeit: End-Uhrzeit: Nr. auf Karte Baumart Anmerkung *bei Platzmangel Rückseite verwenden Ökologische Zeigewerte nach Ellenberg Baumart L Lichtzahl T Temperaturzahl F Feuchtezahl R Reaktionszahl N Stickstoffzah l Heimisch (0) Neophyt(X) *die Website verlangt die konkrete Baumart, falls du diese nicht weißt, wähle eine davon aus (z.B. Salix sp. -> Salix alba) 79 Beigefügte Unterlagen Farbskala Feedback (stichwortartige Sätze) Waren die Anleitungen verständlich? Gab es bestimmte Begriffe oder Abschnitte, die unklar waren? Wenn ja, welche?“ Was könnte optimiert werden? Welche zusätzlichen Informationen hätten dir geholfen? Wie könnte die Anleitung besser aufbereitet werden (z.B. visuell, textlich, strukturell)? Welche der drei Aufgabe war am schwierigsten? Welche am leichtesten? (Libellen, Wasserqualität, Ufergehölze)? Warum empfandest du diese Aufgabe als besonders schwierig oder leicht? Was war die größte Herausforderung? Was hat dir am besten gefallen? Sonstiges Feedback: 86 6) Silber Pappel – Populus alba 7) Schwarz Pappel - Populus nigra 8) Schlehe - Prunus spinosa 9) Stiel Eiche – Quercus robur 87 10) Echter Kreuzdorn - Rhamnus cathartica 11) Weide – Salix sp. 12) Flatterulme – Ulmus laevis 13) Feldulme – Ulmus minor 88 14) Gemeiner Schneeball - Viburnum opulus