Wetenschap
Rodrigo Vargas (links), universitair hoofddocent ecosysteemecologie en milieuverandering aan de Universiteit van Delaware, en promovendus Mario Guevara hebben een nieuwe, nauwkeurigere manier om voorspeld bodemvocht in kaart te brengen, zelfs in gebieden waar geen gegevens beschikbaar zijn. Krediet:Universiteit van Delaware/ Kathy F. Atkinson
Bodemvocht is gemakkelijk te zien wanneer je favoriete Little Leaguer de dag na een grote zomerstorm naar het tweede honk glijdt. De modder die op het uniform van die kleine oplichter spatte, vertelt het verhaal.
Proberen bodemvocht te meten in grote gebieden - regio's, landen, continenten - is een hele andere uitdaging, en een kritische. Kennis van deze dimensie van ons ecosysteem is uitermate belangrijk voor boeren, planners, wetenschappers, verzekeringsmaatschappijen en iedereen die zich zorgen maakt over de voorbereiding op wereldwijde milieuveranderingen.
"Het begrijpen van deze patronen is van cruciaal belang voor de nationale en internationale veiligheid, " zei Rodrigo Vargas, universitair hoofddocent ecosysteemecologie en milieuverandering bij de afdeling Plant- en Bodemwetenschappen van de Universiteit van Delaware. "We kunnen niet altijd overal alles meten... Dus gebruiken we alternatieve benaderingen, zoals machine learning die ons helpt inzicht te krijgen uit complexe datasets."
Nu hebben Vargas en promovendus Mario Guevara een nieuwe aanpak ontwikkeld die ons vermogen om bodemvocht te voorspellen, verscherpt, zelfs in grote gebieden waar geen gegevens beschikbaar zijn. Vergeleken met standaardschattingen geproduceerd door op satellieten gebaseerde sensoren, de nieuwe aanpak verhoogt de nauwkeurigheid van deze schattingen met meer dan 20 procent. Het maakt het ook mogelijk om bodemvochtcondities in veel kleinere gebieden en gedetailleerder te voorspellen dan standaardmodellen hebben kunnen laten zien. Ze beschreven hun werk in een recent nummer van PLOS EEN , een peer-reviewed tijdschrift gepubliceerd door de Public Library of Science.
De beste gegevens over bodemvocht worden nu verzameld met behulp van op satellieten gebaseerde sensoren die voorspellingen leveren in rasters van ongeveer 27 kilometer per pixel. Dat is een ruimte van bijna 27 vierkante kilometer, over de afstand van Main Street in Newark, Delaware, naar het historische New Castle aan de Delaware River.
Dat is handig voor het analyseren van regionale of mondiale patronen, maar zo'n grote schaal kan slechts beperkte informatie opleveren over de plaatselijke omstandigheden.
De methode die Guevara en Vargas hebben ontwikkeld, geeft een veel hogere definitie, verbetering van de resolutie van 27 kilometer naar 1 kilometer per pixel, of van ongeveer 17 mijl naar iets meer dan een halve mijl. Dat is ongeveer de afstand van UD's Trabant Student Centre aan de ene kant van East Main Street tot het Newark Shopping Centre aan de andere kant. Veel strakker en veel nuttiger voor toepassingen over de hele staat.
De nieuwe benadering combineert datawetenschap en machinaal leren met de opkomende wetenschap van geomorfometrie:kwantitatieve analyse van het landoppervlak met behulp van topografische informatie, beeldanalyse en ruimtelijke statistieken.
Omdat bodemvocht per locatie verschilt en in de loop van de tijd verandert, betrouwbare meet- en voorspellingsmethoden zijn essentieel. Topografie - het definiëren van de fysieke parameters van het aardoppervlak - is een kritische factor voor schattingen van bodemvocht. Verhoging, helling en andere kenmerken van het landoppervlak zijn sterke voorspellers van hoe water - van regen, irrigatie en andere bronnen - zullen bewegen, afvoeren en een gebied beïnvloeden.
"We moeten de waterdynamiek begrijpen, " zei Guevara. "We begrijpen veel componenten van de watercyclus, maar er is veel dat we niet weten. We willen watervoorraden beschermen en weten hoe ze worden verdeeld, hun geografie. Bodemvocht is een belangrijke indicator van watervoorraden."
Met behulp van satellietgebaseerde sensoren, bodemvocht kan worden gemeten tot een diepte van ongeveer 5 centimeter (iets minder dan 2 inch).
"Satellieten kunnen bodemvocht niet gemakkelijk zien in diepere bodemlagen, ' zei Guevara.
Maar die dunne laag grond bevat cruciale informatie.
"Oppervlakkig bodemvocht is een belangrijke indicator van bodemdroogte. Het beïnvloedt de bodemproductiviteit en uiteindelijk de bodemgezondheid, "Guevara zei, "Aangezien het water in de eerste centimeters van de bodem een deel van het water is dat wordt gebruikt door gewassen of door de bodembiodiversiteit (cyclische voedingsstoffen) die het vermogen van de bodem om voedsel te produceren, regelen, vezels en water opslaan."
Bij de ontwikkeling van het nieuwe voorspellende model, Guevara gebruikte satellietgegevens over bodemvocht die gedurende meer dan een decennium (1991-2016) over de continentale Verenigde Staten werden verzameld door het Climate Change Initiative van de European Space Agency.
Hij en Vargas werkten samen met UD Information Technologies, gebruikte de kracht van UD's Farber high-performance computing-cluster en putte uit de middelen van het nieuwe Data Science Institute.
Guevara ontwikkelde voorspellingsfactoren met behulp van geautomatiseerde digitale terreinanalyse en definieerde 15 soorten terreinparameters (zoals helling en aspect, onder andere). Hij analyseerde de ruimtelijke structuur en verdeling van deze parameters in relatie tot bodemvocht en gebruikte een algoritme om de beste modellen te selecteren.
De resulterende voorspellingen werden gevalideerd door vergelijking met "grondwaarheid, " veldgegevens over bodemvocht uit de North American Soil Moisture Dataset. Deze dataset, ontwikkeld door UD alum Steven Quiring, die een doctoraatsstudent was van UD Professor en Staatsklimatoloog Dan Leathers, trekt strikt samengestelde gegevens uit meer dan 2, 000 meteorologische stations in de continentale Verenigde Staten.
Het volgende hoofdstuk van het onderzoek breidt het werk uit naar de wereldschaal, zei Vargas. Meer discussie daarover is beschikbaar in het tijdschrift Earth System Science Data.
Wetenschap © https://nl.scienceaq.com