Abbildende Spektroskopie erosionsrelevanter Bodenparameter in Agrarökosystemen

Abstract

Die Vielzahl der Funktionen, die der Boden in einem Ökosystem übernimmt, verleiht ihm einen hohen Stellenwert im Mensch-Umwelt-System. Der Boden landwirtschaftlicher Nutzflächen ist im Besonderen eine elementare Säule der Ernährung der Menschheit. Kenntnisse zu seiner spezifischen Ausprägung und seinen physikalisch chemischen Eigenschaften sind von essentieller Bedeutung für den Schutz des Bodens, für die Präzisionslandwirtschaft und Fragen des globalen Klimawandels. Traditionelle Boden¬beprobungen und Standardlaboranalysen sind arbeitsaufwendig, zeit- und kostenintensiv. Der Bedarf an Bodeninformationen auf lokaler, vor allem aber auf regionaler Ebene kann durch sie nur unzureichend oder gar nicht gedeckt werden. Eine zusätzliche Erschwernis stellt die hohe räumliche und zeitliche Variabilität bestimmter Bodeneigenschaften dar, die nur durch ein sehr engmaschiges Beprobungsnetz und häufig wiederkehrende Beprobungen erfasst werden können.<br /> Die Fernerkundung ermöglicht eine systematische und regelmäßige Aufzeichnung großer Gebiete der Erdoberfläche und stellt somit eine potenzielle Alternative oder Ergänzung zur herkömmlichen Bodenparametererhebung dar. Die Hyperspektralfernerkundung, für die im englischsprachigen Raum die Bezeichnung Imaging Spectroscopy (Abbildende Spektroskopie) geläufig ist, hat aufgrund der sehr differenzierten Abbildung der Reflexions- und Absorptionseigenschaften der Oberfläche neue Perspektiven für die Erhebung von Bodeninformationen mit Methoden der Fernerkundung eröffnet.<br /> Diese Arbeit untersucht das Potenzial der Abbildenden Spektroskopie zwischen 400nm und 2500nm zur Ableitung räumlich expliziter, quantitativer Aussagen zu den physikalisch-chemischen Eigenschaften von Böden. Im Mittelpunkt des Interesses stehen der Ton- sowie der organische Kohlenstoffgehalt des Bodens. Zu diesem Zweck werden Analysen mit drei statistischen Kalibrationsverfahren, Continuum Removal und lineare Regression (CR), multiple lineare Regression (MLR) und Partial Least Squares Regression (PLSR), auf unterschiedlichen räumlichen Ebenen und in unterschiedlichen Messumfeldern mit Laborspektren (LS), Feldspektren (FS) und hyperspektralen Bilddaten (IS) des flugzeuggetragenen Sensors HyMap aus drei Befliegungskampagnen (2004, 2005, 2008) durchgeführt. Das übergeordnete Ziel dieser Analysen ist die großflächige, quantitative Erfassung erosionsrelevanter Bodenparameter in einem Agrarökosystem trotz lang andauernder Phasen der Bodenbedeckung mit Nutzpflanzen. Ferner wird eine Anwendungsmöglichkeit der fernerkundlich gewonnenen Bodeninformationen für den Bodenschutz aufgezeigt. Studienobjekt der vorliegenden Arbeit sind Böden ackerbaulich genutzter Flächen im Testfeld DEMMIN (Durable Environmental Multidisciplinary Monitoring Information Network), welches sich in einer stark landwirtschaftlich geprägten Region im Nordosten Deutschlands befindet.<br /> Entsprechend der dreigegliederten Vorgehensweise unter Verwendung von LS, FS und IS, ergaben sich während der Auswertung neue Erkenntnisse in allen drei Teilbereichen, wobei LS und FS primär der Klärung verschiedener Sachverhalte im Hinblick auf die Abbildende Spektroskopie dienten.<br /> Mithilfe der Laborspektroskopie konnte unter anderem gezeigt werden, dass Variationen im Bodenwassergehalt unabhängig von der verwendeten Kalibrationsmethode die Vorhersagegenauigkeit für den Tongehalt senken. Die Schätzgenauigkeit des organischen Kohlenstoffgehaltes bleibt dagegen weitestgehend unberührt, wenn multivariate Kalibrationsverfahren (MLR, PLSR) verwendet werden. Eine Wiederbefeuchtung zuvor getrockneter Bodenproben auf einen einheitlichen Wassergehalt kann unter bestimmten Umständen zu einer Verbesserung der Vorhersagegenauigkeit bei laborgestützten quantitativen Analysen beitragen. Ferner ergaben die Untersuchungen an spektralen Boden Vegetationsmischungen, dass photosynthetisch nicht aktive trockene Vegetation (NPV) für die Quantifizierung der Bodenparameter in jedem Fall ab einem Anteil von etwa 20% kritisch zu sehen ist. Je nach Zielparameter und Kalibrationsmethode können starke Fehleinschätzungen aber bereits bei geringeren NPV-Anteilen auftreten. Melangen aus trockener und vitaler Vegetation sowie Variationen im Bedeckungsgrad sind hierbei nicht berücksichtigt. Durch die im Vergleich zum Spektrometer der Firma ASD Inc. größere spektrale Bandbreite hyperspektraler Sensoren ist den Ergebnissen der Arbeit zufolge mit keiner nennenswerten Veränderung der Vorhersagegenauigkeit für den organischen Kohlenstoffgehalt zu rechnen. Bei der Quantifizierung des Tongehaltes ist im ungünstigsten Fall ein Anstieg des Standardfehlers um 15% zu erwarten. <br /> Aus der Feldspektroskopie geht hervor, dass unter in-situ Bedingungen vor allem Pflanzenbestandteile, trockene wie vitale, die Schätzung der Bodenparameter beeinträchtigen. In Übereinstimmung mit Erkenntnissen aus der LS, sind Variationen in der Bodenfeuchte eine weitere Ursache gefolgt von rauigkeitsbedingten Schatteneffekten an der Bodenoberfläche und Änderungen in den Beleuchtungsverhältnissen. <br /> Auf allen drei Ebenen, LS, FS und IS, erwies sich von den drei getesteten Kalibrationsverfahren die PLSR in der überwiegenden Zahl der Fälle als die beste Methode zur Schätzung der Bodenparameter. Dies gilt insbesondere in Bezug auf Störfaktoren, wie Variationen in der Bodenfeuchte oder teilweise Bedeckung des Bodens durch trockene Pflanzenbestandteile.<br /> Die Anwendung der PLSR auf die hyperspektralen Bilddaten des Sensors HyMap ermöglichte eine differenzierte Darstellung der räumlichen Variabilität des Bodens für vegetationsfreie Böden. Mit der Analyse mehrerer Bilddatensätze aus unterschiedlichen Jahren wurde eine neue Möglichkeit präsentiert, die es trotz lang anhaltender Perioden der Vegetationsbedeckung auf landwirtschaftlichen Nutzflächen gestattet, großflächig und auf regionaler Ebene Informationen zu den physikalisch chemischen Eigenschaften der Böden bereitzustellen. Diese Vorgehensweise wird besonders vor dem Hintergrund herannahender Satellitenmissionen wie EnMAP an Bedeutung gewinnen, dessen Start für 2015 geplant ist. Die Standardfehler der Schätzung für den Tongehalt liegen zwischen 1,60% und 2,34% und für den organischen Kohlenstoffgehalt des Bodens zwischen 0,161% und 0,213%. Zudem war eine umfassende Beschreibung der Korngrößenfraktion durch Interkorrelationen zwischen Sand und Ton sowie Sand und Schluff mit Standardfehlern zwischen 3,61% und 5,58% Sand sowie 1,69% und 4,13% Schluff möglich. Diese Angaben erfordern eine weitere Überprüfung mit zusätzlichen Validationsdaten, insbesondere um gesicherte Aussagen zum Fehler der Schätzung auf nicht beprobten Ackerflächen treffen zu können. Obgleich die quantitative Abbildende Spektroskopie damit derzeit noch nicht an die Genauigkeit herkömmlicher Standardlaboranalysen heranreicht, übersteigt sie die räumliche Auflösung existierender Bodenkarten um ein Vielfaches. Der Einsatz der Abbildenden Spektroskopie für die Erhebung von Bodeninformationen für den Bodenschutz, die Präzisionslandwirtschaft oder zur Bilanzierung der Kohlenstoffbestände im Boden unterliegt derzeit somit einer Abwägung zwischen den Anforderungen an die Genauigkeit und dem Zugewinn an Information in der Fläche. Die Assimilation der fernerkundlich gewonnenen Bodenparameter in Pedotransferfunktionen ermöglichte qualitative Aussagen zur schlaginternen Differenzierung der bodenspezifischen Erodierbarkeit landwirtschaftlicher Nutzflächen, die in Entscheidungsunterstützungssystemen für eine nachhaltige Bodennutzung Verwendung finden können. Sie steht beispielhaft für Anwendungsmöglichkeiten der Fernerkundung in der Erosionsmodellierung im Speziellen und für Prozessmodelle im Allgemeinen.

<strong>Imaging spectroscopy of erosion-relevant soil parameters in agricultural ecosystems</strong><br /> Soil is the uppermost, weathered layer of the earth’s crust which forms the interface of the lithosphere, biosphere, hydrosphere and atmosphere. As such, it acts as one of the major resources available to man whose conservation must be given high priority (FAO, 1982). This requires profound knowledge of its physical and chemical properties, on a local to global scale. Furthermore, there is a growing demand for precise information on soil conditions in precision farming and in the context of global warming. As CO₂ may be sequestered in agricultural soils, the interest in estimating soil carbon stocks has increased dramatically in the last years. Yet, conventional soil sampling strategies are costly, labor-intensive and time-consuming and thus can not provide detailed information on soil for large areas neither with a sufficient spatial resolution nor with an adequate temporal resolution.<br /> Remote Sensing is a powerful tool to gather information on the earth’s surface over large areas at periodic intervals. Imaging spectroscopy, sometimes referred to as hyperspectral remote sensing, acquires such data in many contiguous spectral bands. It offers a new and promising perspective for the quantitative estimation of soil parameters from space to alleviate or solve the existing soil parameter deficit. <br /> The main objective of this study is to investigate the potential of imaging spectroscopy in the spectral range from 400nm to 2500nm for the spatial explicit estimation of physical and chemical soil properties. This was accomplished analyzing three statistical calibration methods, Continuum Removal and linear regression (CR), Multiple Linear Regression (MLR) and Partial Least Squares Regression (PLSR), in different measurement environments and on different spatial scales using laboratory spectroscopy (LS), field spectroscopy (FS) and image data of the airborne sensor HyMapTM (Imaging Spectroscopy – IS) from three flight campaigns in 2004, 2005 and 2008. Research presented herein focuses on two key soil attributes, soil clay and organic carbon content, as they contribute many benefits to the soil’s physical, chemical and biological properties. In addition, it is tried to derive spatially explicit information on the sand and silt fraction via intercorrelations with other soil parameters to fully describe soil texture. Finally, a potential application for soil conservation is exemplarily shown. The analysis is carried out on arable land within the test site DEMMIN (Durable Environmental Multidisciplinary Monitoring Information Network), an intensively used agricultural region in the North-East of Germany.<br /> Because LS, FS and IS were considered within this study, new insights were revealed into each of them whereupon laboratory and field experiments were particularly carried out to derive conclusions for the quantitative estimation of soil parameters using imaging spectroscopy. <br /> Laboratory spectroscopy showed that variable soil water content decreases prediction accuracy for soil clay content no matter which calibration method is used. In contrast, prediction accuracy for soil organic carbon content is not affected as long as multivariate calibration methods (MLR, PLSR) are applied. Experiments also gave evidence that consistent rewetting of dried soil samples in the laboratory can under certain circumstances improve prediction capability for soil clay or organic carbon content. Results of the spectral mixing experiment of soil and vegetation spectra showed that more than 20% of dry vegetation critically reduces the accuracy of the predictions regardless of the calibration method and the parameter of interest. Yet in some cases by far smaller fractions of dry vegetation did strongly deteriorate estimation results. These results do not take mixtures of green and dry vegetation or variations of cover percentage into account. The spectral resolution was found to have no negative impact on soil organic carbon estimates but may increase the standard error of prediction for clay by about 15%. <br /> Field spectroscopy revealed that the major problem for quantitative analysis of VNIR-SWIR reflectance spectra under in-situ conditions is fractions of green or dry plant material. Other confounding factors are in the order of priority variations in soil moisture, as was indicated by LS already, shadow effects due to soil roughness and changing illumination conditions.<br /> Comparing the predictive ability of CR, MLR and PLSR with LS, FS and IS, PLSR mostly performed best. This was particularly the case with respect to disturbing factors such as variable water content or fractions of dry vegetation.<br /> Quantitative estimates of soil parameters with imaging spectroscopy and PLSR were possible with a prediction accuracy of 1.60% to 2.34% clay and 0.161% to 0.213% organic carbon if bare soil is considered only. Strong intercorrelations between sand and clay and sand and silt rendered a prediction of spectrally non-active soil parameters in the VNIR-SWIR region possible and enabled a comprehensive description of the soil particle size fractions. Standard errors of prediction for sand ranged from 3.61% to 5.58% and for silt from 1.69% to 4.13%. With the analysis of multi-annual image data a new approach was provided to subsequently map soil parameters on agricultural fields despite long periods of vegetation coverage. This procedure will be facilitated by future hyperspectral satellite missions such as EnMAP set for launch in 2015. The spatial resolution of the soil parameter maps derived from imaging spectroscopy is by far better than those of existing soil maps from conventional soil surveys. However, prediction accuracy does not yet come up to the standard error of laboratory in conventional soil analyses. Beyond that, a thorough reexamination of accuracy of the soil maps with truly independent reference samples particularly on fields not yet sampled will be a pre-requisite for the application of imaging spectroscopy in soil science. For the time being, the gain in areal coverage and spatial resolution using quantitative imaging spectroscopy has to be balanced against the required accuracy in soil conservation, precision farming or carbon sequestration studies.<br /> Using pedotransfer functions, a rapid and efficient way is provided to derive qualitative information on the within-field soil erodibility. It exemplarily illustrates the applicability of remotely sensed soil parameters for soil erosion assessment and environmental modeling in general.