Neuer Ansatz zur Vorhersage von organischem Kohlenstoff im Boden mithilfe von Maschinenlernen und Kriging

 

​​​11.11.2024

​

Forscherinnen und Forscher des Leibniz-Zentrums für Agrarlandschaftsforschung (ZALF) haben in Zusammenarbeit mit der Universität Pavia und der Friedrich-Schiller-Universität Jena eine innovative Methode zur Vorhersage von organischem Kohlenstoff im Boden (SOC) entwickelt. Diese Methode kombiniert Maschinenlernverfahren mit Kriging, einer geostatistischen Technik, und wurde nun erstmals erfolgreich in der Lombardei, Italien, angewendet. Die Ergebnisse dieser Studie wurden in der Fachzeitschrift Geoderma veröffentlicht.

Der organische Kohlenstoff im Boden (SOC) ist von großer Bedeutung, da er wesentlich zur Fruchtbarkeit und Gesundheit des Bodens beiträgt. Böden mit einem hohen SOC-Gehalt speichern mehr Nährstoffe und Wasser, was den Pflanzen zugutekommt und das Wachstum fördert. Darüber hinaus hilft SOC, den Klimawandel zu bekämpfen, da er Kohlenstoff bindet, der sonst als Kohlendioxid in die Atmosphäre gelangen würde. Daher ist es wünschenswert mehr und räumlich besser aufgelöste Informationen zur Verteilung des SOC in einem landwirtschaftlichen Gebiet zur Verfügung zu haben. „Die präzise Kenntnis der SOC-Verteilung ermöglicht es uns, den Boden besser zu schützen und zu bewirtschaften und die Kohlenstoffspeicherung zu optimieren, um letztendlich auch die Ernteerträge zu steigern“, erklärt Michael Märker vom ZALF, der an der Studie beteiligt war. Die neue Methode kombiniert Maschinenlernmodelle, wie künstliche neuronale Netze und Random Forests, mit Kriging, um präzisere Vorhersagen der SOC-Verteilung zu ermöglichen. 

„Unsere Forschung zeigt, dass die Kombination von Maschinenlernen und Kriging zu einer verbesserten Vorhersagegenauigkeit führt“, sagt Märker. „Dies kann Landwirtinnen und Landwirten helfen, ihre Böden effizienter zu bewirtschaften und so die Bodenqualität und Kohlenstoffspeicherung zu verbessern.“ 

Maschinenlernmodelle und Kriging 

Kriging ist ein geostatistisches Prognose- und Interpolationsverfahren, mit dem man eine räumlich verortete Variable (z. B. organischer Kohlenstoffgehalt im Boden) an Orten, an denen sie nicht gemessen wurde, durch umliegende Messwerte interpolieren oder annähern kann. Maschinelles Lernen ist ein Teilbereich der künstlichen Intelligenz, der dazu in der Lage ist, aus Datensätzen Muster und Korrelationen zu erkennen, die dann genutzt werden, um Vorhersagen zu treffen, wie zum Beispiel über die räumliche Verteilung des Kohlenstoffgehaltes im Boden.  

Bedeutung von regional prägenden Umweltfaktoren 

Die Autoren zeigen, dass in den Flusslandschaften der Lombardei (Ticino; Po) die räumliche Verteilung des Kohlenstoffs mit einer hohen Wahrscheinlichkeit vorhergesagt werden kann. Die Studie identifizierte wichtige Umweltfaktoren, die den organischen Kohlenstoff im Boden beeinflussen. Dabei spielt der vertikale Abstand zum Gewässernetz und das Gewässernetz-Basisniveau eine spezielle Rolle. Das „Gewässernetz-Basisniveau“ beschreibt die, relativ gesehen, tiefsten Punkte in der Landschaft. Dieses Basisniveau ist wichtig, weil es bestimmt, wie Wasser durch die Landschaft fließt und wo es sich sammelt. Flusslandschaften sind oft durch verschiedene Geländeniveaus wie zum Beispiel Flussterrassen gekennzeichnet, welche durch Einschneidung der Flüsse entstehen. Je höher das Niveau oder die Flussterrasse, desto älter sind normalerweise die Böden. Im natürlichen Zustand müssten dann diese höheren Niveaus die höchsten Kohlenstoffgehalte aufweisen, da sie am längsten durch Pflanzen besiedelt sind. Allerdings werden die höheren Flussterrassen seit Jahrhunderten intensiv landwirtschaftlich genutzt da sie nicht, oder nur sehr selten überschwemmt werden. Diese intensive landwirtschaftliche Nutzung hat jedoch zu einer Verringerung der organischen Kohlenstoffgehalte geführt.  

Der vertikale Abstand zum Gewässernetz und das Gewässernetz-Basisniveau liefern folglich wertvolle Informationen zur komplexen Verflechtung von Nutzung, Alter, und Beschaffenheit der Böden und ihrer Eigenschaften. Diese Faktoren sollten zukünftig in digitalen Bodenmodellen zur Vorhersage von Bodenparametern berücksichtigt werden, argumentieren die Autoren.  

Zukünftige Anwendungen und Forschungsbedarf 

Die Ergebnisse dieser Studie liefern eine Verbesserte Prognose der räumlichen Vorhersage der organischen Kohlenstoffgehalte im Boden für Flusslandschaften wie der Poebene. Das vorgestellte Verfahren zur digitale Bodenkartierung kann dazu beitragen, die Bodenbewirtschaftung zu verfeinern und die Kohlenstoffspeicherung in landwirtschaftlich genutzten Flusslandschaften zu verbessern.  

• Leibniz-Zentrum für Agrarlandschaftsforschung (ZALF)
• Universität Pavia
• Friedrich-Schiller-Universität Jena

​Hinweis zum Text:

Dies ist eine mit Hilfe von Künstlicher Intelligenz erstellte Zusammenfassung des Originaltextes: Adeniyi, O. D., Brenning, A., Märker, M. (2024) Spatial prediction of soil organic carbon: Combining machine learning with residual kriging in an agricultural lowland area (Lombardy region, Italy). Geoderma 448, Article 116953. https://doi.org/10.1016/j.geoderma.2024.116953, veröffentlicht unter der Lizenz CC BY 4.0 https://creativecommons.org/licenses/by/4.0/.

Der Text wurde unter den Gesichtspunkten der KI-Regelungen am ZALF sorgfältig überprüft und überarbeitet.