Sie sind hier: Startseite Bonner Bodenk. Abh. Band 61 (2014) - Band 70 (2017) Band 69 (2017) Kurzfassung Band 69

Kurzfassung Band 69

Hounkpatin, O. (2017): Digital soil mapping using survey data and soil organic carbon dynamics in semi-arid Burkina Faso. 

Kurzfassung

Mit Hilfe Computer-basierter Methoden der Geostatistik und Datenbankauswertung bietet die digitale Bodenkartierung (digital soil mapping, DSM) neue Möglichkeiten zur Bereitstellung räumlicher Bodeninformationen für Regionen wie West Afrika, in denen solche Informationen nicht oder nur teilweise vorhanden sind. Diese Informationen können auch wichtig sein für die Abschätzung der Speicherkapazität und -dynamik von organischem Kohlenstoff (soil organic carbon, SOC) in tropischen Böden. Allerdings hängt die Genauigkeit vom gewählten statistischen Modell ab, dessen richtige Wahl für solche Umweltbedingungen anfangs nicht klar ist. Darüber hinaus ist die Vorhersage von Bodentypen (reference soil groups, RSG) durch digitale Bodenkartierung auf Grundlage von Datensätzen mit ungleich verteilten Bodentypen oft beeinflusst durch einen einzelnen dominanten Bodentyp. Meine Hypothesen sind, dass (i) statistische Modelle, die mit linearen und nicht-linearen Mustern in Datensätzen umgehen können, bessere Genauigkeiten bei der Vorhersage erreichen als die Modelle, die auf lineare Muster ausgerichtet sind, (ii) das statistische Beschneiden der Daten des dominanten Bodentyps (Plinthosol, PT) zu einer erhöhten Vorhersagegenauigkeit der anderen Bodentypen führt, (iii) Böden an Savanne-Standorten (SA) durch größere Bodenkohlenstoffvorräte charakterisiert sind als Böden unter Ackerland (cropland, CR), und (iv) mit einer Landnutzungsänderung (land use change, LUC) von Savanne zu Ackerland auch Plinthosole zu einem schnellen Verlust an organischem Bodenkohlenstoff neigen, und zwar insbesondere in den gröberen Fraktionen der partikulären organischen Substanz.

Um diese Hypothesen zu testen, habe ich im Dano-Einzugsgebiet Standorte mit den Landnutzungen CR und SA und verschiedenen RSGs beprobt. Für die digitale Bodenkartierung der Bodeneigenschaften (Sand, Schluff, Ton, CEC, SOC, N-gesamt) im Oberboden (0 - 30 cm) wurden vier statistische Vorhersagemodelle genutzt und verglichen: multiple linear regression (MLR), random forest regression (RF), support vector machine (SVM), stochastic gradient boosting (SGB). Um das Risiko zu reduzieren, dass die Vorhersage der RSGs von der dominanten Klasse (Plinthosols) beeinflusst wird, wurde ein statistischer Ansatz zum Beschneiden der Daten genutzt. Dabei wurden die unteren und oberen 5 % und 10 % sowie die Bereiche außerhalb der Standardabweichung der Plinthosol-Daten beschnitten, so dass nur die Daten innerhalb der genannten Grenzen genutzt wurden. Random Forest wurde als robuste Methode zur Datenauswertung genutzt. Die letztendliche Einschätzung der Kohlenstoffvorräte wurde unter Berücksichtigung ihrer Variation in CR- und SA-Flächen und in verschieden RSGs in unterschiedlicher Tiefe vorgenommen. Die räumliche Verteilung der Kohlenstoffvorräte und der damit zusammenhängenden Faktoren wurde dann erneut durch Random Forest und MLR erklärt. Um die zeitliche Dynamik von SOC-Vorräten zu verstehen, wurde eine falsche Chronosequenz von Plinthosolen untersucht, deren Nutzung sich von SA zu CR über unterschiedliche Zeiträume (0 – 29 Jahre) geändert hat.

In Bezug auf die digitale Bodenkartierung der Bodeneigenschaften zeigte sich, dass die machine learning techniques (RF, SVM, SGB) geringfügig besser abschneiden als MLR, wobei RF in den meisten Fällen die höchste Genauigkeit erreichte. Das schlechtere Abschneiden von MLR liegt wahrscheinlich daran, dass es nicht-lineare Beziehungen zwischen Ergebnisvariablen und Einflussvariablen nicht wiedergeben kann. Die Satellitendaten, die während der Phase des Pflügens oder der frühen Pflanzentwicklung (z.B. Mai, Juni) aufgenommen wurden, stellten sich als wichtigste spektrale Prädikatoren heraus, während Geländehöhe, Temperatur und Niederschlag wichtige Gelände-/Klimavariablen bildeten.

Im Hinblick auf das Beschneiden der Daten wurden die besten Vorhersagen erreicht, wenn alle PT-Punkte kleiner als 5 % und größer als 95 % des kumulativen Anteils der wichtigsten Variable (wetness index) entfernt wurden. Die Modellierung wurde dann nur mit Geländeparametern und spektralen Parametern (terrain and spectral parameter, TSP) durchgeführt und zwar mit optimalen Prädiktoren aus der RF-Regression. Das daraus resultierende Modell zeigte eine gute Übereinstimmung von Vorhersage und tatsächlicher Beobachtung; der Kappa-Wert erreichte dabei 0.57 und die Vorhersagegenauigkeit stieg an um 35 % für Cambisols, 16 % für Stagnosols und 7 % für Gleysols. Der SAGA wetness indes (S.Wet.Ind) war für die Vorhersage der RSGs die wichtigste erklärende Variable. Das Feuchteregime kann also als diskriminierendes Schlüsselelement zwischen den RSGs angesehen werden. 

Die SOC-Vorräte im Oberboden waren an Savanne-Standorten (41.4 t C ha-1) leicht höher als an Ackerstandorten (39.1 t C ha-1). Im Gegensatz dazu waren im Unterboden die SOC-Vorräte bei CR signifikant höher (40.2 t C ha-1) als bei SA (26.3 t C ha-1). Unter den RSGs zeigen Gleye, die in niedrigeren Geländelagen zu finden sind, die größten SOC-Vorräte in 0 - 30 cm (44 t C ha-1) und 0  - 100 cm Tiefe (86.6 t C ha-1). Schluff war die am meisten verbreitete Korngröße im Oberboden und wurde vom RF-Modell als wichtigster Faktor für die räumliche Verbreitung der SOC-Vorräte identifiziert; dieses ist wahrscheinlich zurückzuführen auf den positiven Einfluß dieser Korngröße auf die Wasserhaltefähigkeit und auf die Aggregierung organo-mineralischer Partikel. Der Niederschlag bildete den wichtigsten Faktor für die Verteilung der SOC-Vorräte im Unterboden. Da der Unterboden oft durch eine Tonanreicherung geprägt war, kann der vertikale Transport von kohlenstoffreichen Sedimenten bei tropischem Starkregen hier als ebenfalls wichtiger bodenbildender Prozess angesehen werden.

Der Landnutzungswandel hin zu Ackerland führte bei den untersuchten Plinthosolen zu SOC-Verlusten von 24 t C ha-1 in den oberen 10 cm und 49 t C ha-1 in den oberen 30 cm. So wurden ca. 66 % (0 - 10 cm; p < 0.01) und 55 % (0 - 30 cm; p < 0.01) des anfänglichen Kohlenstoffs unter natürlicher Vegetation durch 29 Jahre landwirtschaftlicher Nutzung freigesetzt. Auch der Unterboden war anfällig für Landnutzungsänderungen mit SOC-Verlusten von 0.7 bis 19.5 t C ha-1 in 30 - 100 cm Tiefe. Verluste an SOC wurden in allen Korngrößenfraktionen des partikulären Humus beobachtet, wobei die mittlere Verweildauer bei den gröberen Fraktionen abnahm. In dieser Studie konnten die Fe-Oxide nicht als Schlüssel zur Stabilisierung von Kohlenstoffvorräten bestätigt werden, da nur 16 % der Vorräte an Fe-Oxide gebunden waren.

 

Zusammenfassend kann gesagt werden, dass die digitale Bodenkartierung mit Hilfe von RF und Fernerkundungsdaten akzeptable Vorhersagegenauigkeiten für eine große Bandbreite an Bodeneigenschaften und RSGs innerhalb einer sehr heterogenen Landschaft ermöglicht. Es stellte sich heraus, dass das Beschneiden der Daten dann effizient ist, wenn eine RSG, die zu einer weiten Spannweite von Geländeparametern Beziehungen aufweist, sich mit solchen Parametern überschneidet, die nur mit wenigen RSG-Einheiten zusammenhängen. Die hier quantifizierten SOC-Vorräte unterstreichen, dass die semi-ariden Ökosysteme West-Afrikas immer noch eine Möglichkeit zur Speicherung von Kohlenstoff bieten und dass die Ergebnisse eine Grundlage für die weitere Modellierung der SOC-Dynamik in der Region darstellen. Der Landnutzungswandel von Savanne zu permanenter Ackernutzung beeinflusst Kohlenstoff im Ober- und Unterboden, obwohl letzterer selten bei der Analyse von Auswirkungen des Landnutzungswandels in Afrika berücksichtigt wird.

 
Artikelaktionen