Vorhersage der Bodentextur unter Verwendung von optischen und Radar-Fernerkundungsdaten in einem Random-Forest-Ansatz

Autor: Meyer, Swen; Rühlmann, Jörg; Bönecke, Eric; Kramer, Eckart; Marzahn, Philip;
In:

Jahrestagung der Deutschen Bodenkundlichen Gesellschaft - Abstractband

Autor: DBG
Herausgeber: Deutsche Bodenkundliche Gesellschaft
Ort: Halle
Seite: 239 - 239
Jahr: 2023

Einordung:
Institut: Professur Geodäsie und Geoinformatik

Abstract:
Die Anwendung von präziser Landwirtschaft (PA) kann ein Baustein sein, um die Schädigung von Ökosystemen durch landwirtschaftliche Austräge zu verringern, ohne die Ernährungssicherheit zu gefährden. Ein Problem der Landwirte bei der Umsetzung von PA-Anwendungen ist der Mangel an räumlich hoch aufgelösten Bodeninformationen.
Für diese Studie stellte das Forschungsprojekt "pH-BB: Präzisionskalkung in Brandenburg" die Daten von 1091 Bodenproben zur Verfügung, die auf 3 landw. Betrieben in Brandenburg entnommen wurden und im Labor auf die Texturen Ton (T), Schluff (U) und Sand (S) analysiert wurden. Die Google Earth Engine wurde verwendet, um Fernerkundungsdaten (FE) von 99 Sentinel-1 (S1) SAR- und 41 wolkenfreien Sentinel-2 (S2) Szenen zu verarbeiten, die im Zeitraum vom 01.03.2016 -14.12.2022 die in voller Abdeckung für Untersuchungsorte verfügbar waren. Vegetations- und Bodenindizes wurden mit den optischen S2-Daten berechnet und die Radarrückstreuung wurde aus den S1-Daten extrahiert. Um langfristige Muster in den FE-Daten abzuleiten, wurden statistische Parameter wie Variationskoeffizient, Standardabweichung, maximaler Pixelwert usw. entlang des zeitlichen Achse berechnet. Zusammen mit den berechneten Geländeattributen standen schließlich 54 Kovariablenraster für die Modellbildung zur Verfügung. Die Referenzproben (RP) wurden nach dem Zufallsprinzip in einen Trainingsdatensatz (70%,) und einen Validierungsdatensatz (30%) aufgeteilt. Ein Random-Forest-Algorithmus für maschinelles Lernen wurde auf den Trainingsdatensatz angewendet, um zwei individuelle Modelle für die alr-transformierten Zielvariablen T und U zu trainieren. Die entwickelten Modelle wurden dann auf die Kovariablenraster angewandt, um die alr-transformierten Zielvariablen vorherzusagen. Die endgültigen Karten für alle 3 Texturfraktionen wurden durch Rücktransformation berechnet. In den abgeleiteten Modellen hatten die FE-daten die größte Bedeutung. Bei der Validierung zeigte sich, dass die räumliche Verteilung der T-, U- und S- fraktionen mit einem RMSE von 6, 5 bzw. 10 Masse-% vorhergesagt wurden. In den sanddominierten Bodenklassen waren die Fehler geringer, während sie in den lehmigen Bodenklassen zunahmen.
Mit einer Leistung von 7-11 Masse-% zeigt der Ansatz gutes Potenzial für die Bewertung der Bodentextur des Oberbodens von landw. Flächen bei hoher räumlicher Auflösung (10m) und für globale Anwendungen oder als Vorinformation für hochauflösende Bodenkartierungen.

Ansprechpartner

Zur Publikation: Mitarbeiter, Projekte
Weitere Publikationen im Forschungsteilschwerpunkt