Remote-Sensing-gestützte Modellierung von Boden‑organischem Kohlenstoff im peruanischen Hochland

Eine aktuelle Studie hat gezeigt, dass die Kombination aus Fernerkundungsdaten und maschinellem Lernen das Potenzial hat, den Gehalt an organischem Kohlenstoff im Boden (SOC) im nördlichen Hochland Perus präzise abzubilden. Die Autoren berichten, dass Modelle, die sämtliche Merkmale einbeziehen oder den Verlauf der Fruchtfolge weglassen, die höchste Vorhersagegenauigkeit erreichen (R² = 0,63).

Hintergrund und Zielsetzung

Der organische Kohlenstoff im Boden gilt als Schlüsselfaktor für Boden­gesundheit und -funktion. In den peruanischen Hochländern, wo bislang hohe SOC‑Werte verzeichnet wurden, führt die Ausdehnung von Anbauflächen zu einer potenziellen Degradierung. Ziel der Untersuchung war es, SOC‑Verteilungen unter Einbeziehung von Fruchtfolge‑Informationen zu modellieren.

Datengrundlage und Methodik

Die Analyse stützt sich auf Feldmessungen aus 534 Parzellen, die zwischen 2022 und 2024 erhoben wurden. Für jede Parzelle wurde ein Polygon mit dem dominierenden Anbau definiert. Zeitreihen von Sentinel‑2‑Level‑2A‑Bildern lieferten NDVI‑basierte Phänologie‑Merkmale, etwa den Zeitpunkt maximaler Blattdichte und die Dauer der Wachstumsperiode. Ein Random‑Forest‑Klassifikator diente als Basismodell für die Fruchtfolge‑Zuordnung, wobei die Klassifikationsleistung durch F‑Scores von 0,81 bis 0,98 dokumentiert wurde.

Modellvarianten und Ergebnisübersicht

Vier Merkmalskonfigurationen wurden geprüft: (i) Vollständige Merkmalsmenge, (ii) ohne Klimadaten, (iii) ohne Fruchtfolge‑Historie und (iv) ohne Bodeneigenschaften. Die beiden erstgenannten Varianten erzielten das beste Bestimmtheitsmaß (R² = 0,63). Varianten ohne Klimadaten oder Bodeneigenschaften lagen bei R²≈0,52‑0,53. Die Analyse identifizierte die Frequenz von Brachephasen als wichtigsten Prädiktor für SOC, gefolgt von bodenphysikalischen Merkmalen.

Bedeutung der Fruchtfolge‑Informationen

Selbst wenn bodenbezogene Daten aus dem Modell entfernt werden, erklären die Kombination aus Brache‑Frequenz und klimatischen Merkmalen mehr als die Hälfte der SOC‑Variabilität. Dies unterstreicht, dass die Einbindung von Fernerkundungs‑abgeleiteten Fruchtfolge‑Daten die Genauigkeit von SOC‑Kartierungen signifikant verbessert.

Implikationen für die Praxis

Die Ergebnisse legen nahe, dass Land‑ und Forstbehörden bei der Bewertung von Bodendegradation künftig Fruchtfolge‑Daten aus Satellitenbildern berücksichtigen sollten. Durch die frühzeitige Erkennung von Flächen mit geringer Brache‑Frequenz ließen sich gezielte Maßnahmen zur Erhaltung oder Steigerung des organischen Kohlenstoffs ableiten.

Ausblick

Weitere Forschungen könnten die Modellierung auf weitere Regionen ausdehnen und zusätzliche Fernerkundungsquellen einbinden, um die Robustheit der Vorhersagen zu erhöhen. Die Kombination aus hochauflösenden Bilddaten und lokalen Bodendaten bleibt ein vielversprechender Ansatz für nachhaltige Landwirtschaft.

Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.