Regionalisierung von Bodeneigenschaften unter Verwendung digitaler Geländemodelle sowie multispektraler Fernerkundungsdaten am Beispiel einer Agrarlandschaft im Jungmoränengebiet Schleswig-Holsteins

Für die Untersuchung von Landschaftsprozessen und für eine nachhaltige Landnutzungsplanung werden verlässliche Informationen über die flächenhafte Verbreitung physikalischer und chemischer Bodeneigenschaften benötigt. Das spiegelt sich in einer Vielzahl von Untersuchungen zur räumlichen Variabilität und Verteilung von Bodenparametern wider. Die vorliegenden Studien beziehen sich dabei aber zumeist ausschließlich auf die Feldskala und/oder auf solche Regionen, die sich durch räumlich klar strukturierte Ausgangsbedingungen hinsichtlich der Bodenbildung auszeichnen. Die vorliegende Arbeit konzentriert sich dagegen auf die Vorhersage zentraler Bodeneigenschaften sowohl auf der Feld- als auch auf der Landschaftsskala im Jungmoränengebiet des Ostholsteinischen Hügellandes, das typischerweise durch eine hohe Variabilität der Bodeneigenschaften geprägt ist. Daher wird ferner der Frage nachgegangen, ob und in welchem Ausmaß kostengünstig und flächenhaft verfügbare Sekundärinformationen, abgeleitet aus digitalen Geländemodellen und Fernerkundungsdaten, zur Verbesserung der Vorhersagegüte herangezogen werden können, um adäquate Bodeninformationen als Eingangsdaten für die Modellierung landschaftsökologischer Prozesse, z. B. Wasser- und Stofftransport, Bodenerosion oder Pflanzenwuchs, bereit zu stellen. Zur Erfassung der Bodeneigenschaften auf der Feldskala wurden auf einem 76 ha umfassenden Schlag an 117 Standorten Oberbodenproben entnommen und laboranalytisch untersucht. Für die Untersuchung auf der feldübergreifenden Skala (255 ha) wurden fünf umliegende Schläge bei größeren Beprobungsdistanzen mit einbezogen, sodass hierfür ein Punktdatensatz von n = 93 zur Verfügung stand. Zusätzlich konnte für das 19 km² umfassende Einzugsgebiet der Drögen Eider auf einen klassifizierten Punktdatensatz von n = 739 aus der Landesaufnahme zurückgegriffen werden. Auf der Grundlage dieser auf unterschiedlichen Skalen vorliegenden Datensätze, erfolgte die räumliche Vorhersage der ausgewählten Oberbodeneigenschaften mit Hilfe der folgenden Regionalisierungsverfahren: (i) Multiple lineare Regression, (ii) Inverse Distance Weighting, (iii) Simple Kriging, (iv) Ordinary Kriging und (v) Regressions-Kriging. Als Bodeneigenschaften standen dabei die Korngrößenfraktionen, der Gehalt an organischem Kohlenstoff und die Lagerungsdichte sowie die daraus abgeleiteten Bodenhaushaltsgrößen des Retentionsvermögens für Wasser und der Kationenaustauschkapazität im Vordergrund. Die Korrelationsanalyse der genannten Bodenparameter mit Sekundärinformationen zeigte signifikante Zusammenhänge vor allem mit den Reliefparametern Hangneigung, Vertikalwölbung, Wetness Index und Höhe über Tiefenlinie. Der aus Fernerkundungsdaten berechnete Vegetationsindex NDVI wies lediglich auf der Feldskala signifikante Zusammenhänge mit den Bodenparametern auf. Dagegen konnte die über den NDVI zu detektierende Biomasseverteilung im Untersuchungsraum viel mehr über das Relief, als durch die Bodeneigenschaften erklärt werden. Durch die multiple lineare Regression mit den oben genannten Reliefparametern konnten auf der Feldskala für die Trockenrohdichte 46,8 %, für den Corg-Gehalt 38,5 % und für den Tongehalt 30,8 % der räumlichen Variabilität erklärt werden. Die Erklärungsgehalte auf der feld-übergreifenden Skala vielen dagegen für die gleichen Bodeneigenschaften mit 31,5 %, 19,6 % und 5 % wie auch auf der Landschaftsskala deutlich geringer aus. Während die geostatistische Analyse auf der Feldskala stark strukturierte räumliche Abhängigkeiten der Bodeneigenschaften aufzeigte, wurden auf der feldübergreifenden Skala und der Landschaftsskala lediglich mittel bis schwach strukturierte räumliche Autokorrelationen festgestellt. Der Vergleich und die Bewertung der eingesetzten Regionalisierungsverfahren zur Abbildung räumlicher Verteilungen von Bodeneigenschaften, wurden anhand ihrer jeweiligen Schätzgüte als Ergebnis der Kreuzvalidierung durchgeführt. Auf der Feldskala waren dabei die deutlich geringsten Schätzabweichungen mit dem Regressions-Kriging Modell „B“ zu erreichen. Im Vergleich zum Ordinary Kriging liegen durchschnittlich um 50 % verbesserte Vorhersagegüten vor. Für die Bodenhaushaltsgrößen der potenziellen Kationenaustauschkapazität und dem Retentionsvermögen bei Feldkapazität konn-ten die Ergebnisse unter Einbindung des NDVI nochmals um 4 % verbessert werden. Als bestes Verfahren auf der feldübergreifenden Skala erwies sich in den meisten Fällen das Regressions-Kriging Modell „A“, wobei Verbesserungen der Schätzgüte von 2,8 % für den Corg- Gehalt bis 7,9 % für den Schluffgehalt gegenüber den Ergebnissen des Ordinary Kriging festgestellt werden konnten. Für die Landschaftsskala zeigte das Regressions Kriging Modell „C“ die geringsten Abweichungen von den gemessenen Werten und erzielte damit die besten Ergebnisse bei der räumlichen Schätzung der betrachteten Bodenparameter. Im Vergleich zum Ordinary Kriging konnte damit die Vorhersagegüte zwischen 10,1 % für den Sandgehalt und 16,8 % für den Tongehalt verbessert werden. Gegenüber der für das Gebiet vorliegenden konventionellen Bodenkarte konnte damit für die Korngößenverteilung des Oberbodens ein über die Kreuzvalidierung ermittelter, um 30 % bis 40 % verbesserter Informationsgehalt erreicht werden. Das Regressions-Kriging zeigt gegenüber den einfacheren Verfahren insbesondere dann eine verbesserte Vorhersagegüte, wenn einerseits die Korrelation der Co-Variablen mit dem entsprechenden Bodenparameter hoch ausfällt und zum anderen zusätzlich eine hohe räumliche Autokorrelation des Parameters vorliegt. Insgesamt ergeben sich aus der vorliegenden Arbeit für die Anwendung verschiedener Regionalisierungsverfahren im Jungmoränengebiet des Ostholsteinischen Hügellandes damit folgende wesentliche Erkenntnisse: 1. Gegenüber Untersuchungsgebieten mit einer klar gegliederten räumlichen Struktur der Ausgangsfaktoren der Bodenbildung können statistische und geostatistische Zusammenhänge zwischen Bodenparametern und Sekundärinformationen (hier NDVI und Reliefparameter) nur mit einer deutlich reduzierten Signifikanz bzw. mit einer höheren räumlich Varianz nachgewiesen bzw. vorhergesagt werden. 2. Auch in Untersuchungsgebieten mit einer stark variablen räumlichen Struktur der Ausgangsfaktoren der Bodenbildung bzw. den sich daraus ergebenden Bodeneigenschaften, kann die Integration von Sekundärinformationen (hier Relief) die räumliche Vorhersage von Bodeneigenschaften verbessern. 3. Die auf der Grundlage von Sekundärinformationen durchgeführte Vorhersage der räumlichen Verteilung von Bodeneigenschaften kann gegenüber den verfügbaren Bodenkarten der Landesaufnahme zu einer deutlichen Verbesserung des Informationsgehaltes führen. Vor diesem Hintergrund erscheint es möglich, die Anzahl der zu beprobenden Standorte zu reduzieren und so die Erhebung von Bodeninformationen effizienter und kostengünstiger zu gestalten.

Sustainable land use planning as well as the analysis of landscape processes requires reliable information about the spatial patterns of physical and chemical soil properties. Thus, many studies have been presented dealing with spatial variability and distribution of soil properties. Most of these investigations are either restricted to the plot scale or they are conducted in areas characterized by very clear structures and spatial patterns of factors of soil genesis. In contrast, the present study concentrates on predicting of soil properties of central importance on different spatial scales ranging from the plot scale to the landscape scale. It was conducted in the younger-moraine area (Ostholsteinisches Hügelland) of Schleswig-Holstein, which is typically characterized by its high variability soil properties. Therefore, it is investigated if and to what extent cheap and extensively available secondary information, derived from digital elevation models as well as from remote sensing data, is suitable for improving spatial predictions of soil properties. These may then be used for modelling landscape processes such as water and nutrient fluxes, soil erosion, or plant growth. For gathering the soil properties on the plot scale, 117 samples of topsoil were taken from a parcel of 76 ha in size and were analysed in the laboratory afterwards. In order to conduct the investigations on the sub-landscape scale, additionally five circumjacent parcels had been included into the investigation area while increasing the overall sampling distance. Thus, a data set consisting of 93 topsoil samples was compiled. Concerning the landscape scale, a data set consisting of 739 soil samples within the catchment area of the river Dröge Eider, which is 19 km2 in size, was made available by the federal soil survey. Based on the given data base of the different scales, different models of regionalization were applied for spatial predictions of distinct soil properties: (i) Multiple linear regression, (ii) inverse distance weighting, (iii) simple kriging, (iv) ordinary kriging, and (v) regression kriging. Thereby, the soil texture, the organic carbon content, and the bulk density as well as certain soil properties that are derived from the former ones, such as soil water capacity and cation exchange capacity, had been the subject of investigation. Results of correlation analysis between the given soil parameters and secondary information show significant correlations between distinct relief parameters, such as slope, vertical curvature, wetness index, as well as elevation above nearest drainage channel and soil properties. The vegetation index NDVI, which is derived from remote sensing data, only exhibits significant correlation with the soil properties on the plot scale. Whereas the often-described correlation between NDVI and biomass distribution was not revealed by the analysis, there was a correlation observed between NDVI and relief parameters. The application of the multiple linear regression model with respect to soil and relief parameters accounts for 46.8 % (dry gross density), 38.5 % (organic carbon content), and 30.8 % (clay content) of the spatial variability on the plot scale. Whereas on the sub-landscape scale, the same model only accounts for 31.5 % (dry gross density), 19.6 % (organic carbon content), and 5 % (clay content) of the spatial variability. Similary results have been obtained on the landscape scale. While strong structured spatial autocorrelation was shown on the plot scale, only moderately to weak structured spatial autocorrelation was detected on the sub-landscape and landscape scale. The comparison and evaluation of the different regionalization models used in the analysis was conducted by using the discrepancy between the predicted and the observed values as an indicator for the goodness of fit of the model under consideration. The smallest discrepancies on the field scale were observed by using the regression kriging model “B”. In comparison to ordinary kriging, the mean goodness of fit could be improved by 50 %. Taking into account the NDVI, these results could be further improved by 4 % with respect to the potential cation exchange capacity and the soil water capacity. On the sub-landscape scale, in most cases, best results (i.e. smallest discrepancies) were obtained by the application of the regression kriging model “A”. In comparison to ordinary kriging, improvements of the goodness of fit of 2.8 % and 7.9 % with respect to the organic carbon content and the silt content respectively, were realised. The regression kriging model “C” performed best on the landscape scale. In comparison to ordinary kriging, the prediction of sand content and clay content distribution was improved by 10.1 % and 16.8 % respectively. Thus, the quality of information with respect to the spatial distribution of soil texture of the investigation area was improved by 30 % to 40 % compared to the available map provided by the federal soil survey. Generally, regression kriging exhibits better goodness of fit, compared to simpler models, especially in cases if the co-variable is closely related to the parameter under investigation and further on, if the parameter shows a strong spatial autocorrelation. Finally, the present study reveals the following considerable aspects applying different models of regionalization in the younger-moraine area (Ostholsteinisches Hügelland) of Schleswig-Holstein: 1. Compared to investigations conducted in areas characterized by a relatively clear spatial structure of factors of soil genesis, correlation and autocorrelation coefficients obtained as results from statistical and geostatistical analyses of the relation of soil properties to secondary information (here NDVI and relief parameters), exhibit generally weaker relationships. 2. The integration of secondary information for the prediction of spatial soil properties distribution may improve the goodness of fit even in areas characterized by a relatively high variability of factors of soil genesis or of soil properties respectively. 3. Based on secondary information, the prediction of the spatial soil properties distribution may be improved in terms of the goodness of fit compared to the available soil map provided by the federal soil survey. Thus, based on the presented methods, it seems suitable to produce cheaper and improved soil maps in terms of their spatial resolution and goodness of fit despite using a smaller number of soil samples.

Rechte

Nutzung und Vervielfältigung:

Keine Lizenz. Es gelten die Bestimmungen des deutschen Urheberrechts (UrhG).

Bitte beachten Sie, dass einzelne Bestandteile der Publikation anderweitigen Lizenz- bzw. urheberrechtlichen Bedingungen unterliegen können.

Zitieren

Zitierform:
Zitierform konnte nicht geladen werden.