Xuemeng Tian

Digitale bodemkartering (DSM) verwijst naar de kwantitatieve voorspelling van bodemtypen of bodemeigenschappen in digitale vorm en met gedefinieerde ruimtelijke en temporele resoluties. In het afgelopen decennium zijn DSM-toepassingen gericht op bodemorganische koolstof (SOC) snel uitgebreid. Deze groei weerspiegelt twee convergerende ontwikkelingen. Ten eerste is SOC prominent geworden als een belangrijke indicator voor het functioneren van de bodem en een hefboom voor klimaatmitigatie, waardoor er een sterke vraag is ontstaan naar ruimtelijk expliciete en temporeel dynamische informatie over de verspreiding ervan. Ten tweede is DSM van SOC steeds haalbaarder geworden door de toenemende verzameling van SOC-metingen, een groeiend streven naar open data, uitbreidende aardobservatie (EO) archieven en de wijdverbreide adoptie van machine learning-technieken voor milieumodellering. Samen hebben deze factoren de SOC-kartering getransformeerd van een door onderzoek gedreven activiteit naar een opkomende operationele capaciteit.

Ondanks deze ontwikkelingen blijft het produceren van pan-Europese SOC-kaarten die drie ruimtelijke dimensies en tijd (3D+T) omvatten een hiaat. De voortgang wordt beperkt door het gebrek aan een geharmoniseerde SOC-database voor het hele continent, de beperkte beschikbaarheid van consistente en hoge-resolutie EO-datakubussen en de aanzienlijke rekenkracht die nodig is voor grootschalige spatiotemporele modellering. Het overkoepelende doel van dit proefschrift is daarom om deze beperkingen aan te pakken door een operationele SOC DSM-pijplijn voor Europa te ontwikkelen op 30 m resolutie, die meerdere bodemdieptes en tijdsperioden bestrijkt. Hiermee beoogt het proefschrift niet alleen nieuwe SOC-datasets te leveren, maar ook de methodologische en praktische uitdagingen te identificeren en oplossingen te verkennen voor de toekomstige groei van 3D+T DSM.

Hoofdstuk 1 is een inleiding tot het proefschrift en presenteert de motivatie voor het monitoren van SOC en de ontwikkelingen in DSM. Het geeft een overzicht van hoe de volgende hoofdstukken bijdragen aan de hoofdfunctie van het werk: de inspanningen om pan-Europese SOC-kartering op hogere resolutie te bereiken en de uitdagingen die daarbij komen kijken.

Hoofdstuk 2 legt de basis door een analyse-klare en cloud-geoptimaliseerde EO-datakubus voor Europa te construeren op basis van het Landsat-archief (2000–2022). Deze kubus reorganiseert meer dan twee decennia aan observaties in een geharmoniseerde, temporeel consistente en thematisch rijke feature-ruimte. Het biedt 30 m predictoren op bimonthly, jaarlijkse en langetermijnschalen, die vegetatiedynamiek, bodemblootstelling en hydrologische condities vastleggen.

Hoofdstuk 3 presenteert het spatiotemporele modelleringskader dat is ontwikkeld om 3D+T hoge-resolutie tijdreeksen van SOC-dichtheid over Europa te produceren. Met behulp van geharmoniseerde SOC-waarnemingen en de Landsat-featurekubus werden Random Forest en Quantile Regression Forests toegepast om tweejaarlijkse kaarten te genereren tot een diepte van 2 m voor de periode 2000–2022. De resultaten vormen de eerste operationele, temporeel expliciete SOC-nulmeting voor Europa op 30 m resolutie.

Hoofdstuk 4 onderzoekt de detecteerbaarheid van SOC-veranderingen gezien de onzekerheden in huidige modelleringsbenaderingen. Het introduceert een op modellen gebaseerd signaal-ruisverhouding (SNR) kader. De resultaten laten zien dat SOC-verandering op pixelschaal over het algemeen niet detecteerbaar is (SNR < 1), maar dat ruimtelijke aggregatie de SNR verbetert, wat betrouwbaardere beoordelingen op regionaal en nationaal niveau mogelijk maakt. Hoofdstuk 5 verkent of hybride, bodemwetenschappelijk geïnformeerde neurale netwerken de reconstructie van SOC-dichtheid kunnen verbeteren wanneer metingen van bulkdichtheid (BD) schaars zijn. Door gevestigde SOC-BD relaties in de modelstructuur in te bedden, produceert het model fysisch consistentere trajecten en worden onrealistische patronen die vaak in univariate voorspellingen worden gezien, verminderd. Hoofdstuk 6 vat de hiaten, uitdagingen en oplossingen samen. Het proefschrift concludeert dat de toekomst van grootschalige DSM niet alleen ligt in technologische ontwikkeling, maar in een evenwichtige integratie van datakwaliteit, bodemwetenschappelijke kennis en transparante communicatie van onzekerheid om robuuste instrumenten te bieden voor het beheer van bodems in een veranderende omgeving.