Digitale kartering van hydraulische bodemeigenschappen voor modellering van gewasgroei in het stroomgebied van de Zambezi

In een context waarin de beschikbaarheid van water afneemt en de concurrentie om water toeneemt, is het absoluut noodzakelijk om meer gewas per druppel te produceren. Daartoe moeten systemen voor de productie van regen-gevoede en geïrrigeerde gewassen worden ontworpen die aangepast zijn aan de plaatselijke bodem, het klimaat en de sociaal-economische omstandigheden. Geïntegreerde en goed geparametriseerde gewasgroeimodellen zijn de sleutel tot het ontwerpen van dergelijke gewasproductiesystemen. Terwijl in de meeste huidige studies van gewasgroei en hydrologische modellering veel aandacht wordt besteed aan het verzamelen van model-inputs zoals klimaatgegevens, wordt minder aandacht besteed aan het verzamelen en/of modelleren van de cruciale gegevens over de hydraulische eigenschappen van de bodem (SHP's) met voldoende ruimtelijke resoluties die nodig zijn om de modellen over grote gebieden te laten werken. Het verzamelen van uitgebreide gegevens over de SHP's voor gebieden zo uitgestrekt als het stroomgebied van de Zambezi (ZRB) is uiterst arbeidsintensief en kostbaar, en daarom dringen alternatieve benaderingen zoals digitale bodemkartering (Digital Soil Mapping, DSM) zich op.

Digitale bodemkartering houdt in dat aan de hand van veldwaarnemingen en laboratoriumgegevens, gekoppeld aan milieugegevens, geografisch gerefereerde bodemdatabanken met een bepaalde resolutie worden aangemaakt. Door toepassing van geostatistische en/of machineleertechnieken worden kwantitatieve relaties geïdentificeerd tussen bodemvariabelen en milieuvariabelen om kaarten van bodemeigenschappen en/of bodemklassen met verschillende ruimtelijke resoluties weer te geven. De algemene doelstelling van dit onderzoeksproject was dan ook om, steunend op DSM, kaarten te ontwikkelen van de hydraulische eigenschappen van de bodem van het stroomgebied van de Zambezi die van cruciaal belang zijn voor gewasgroei en hydrologische modellering.

Het onderzoeksproject omvatte drie grote stappen: (i) het ontwikkelen en evalueren van pedotransfer-functies (PTF's) voor het verkrijgen van referentiegegevens van de bodemhydraulische eigenschappen watergehalte bij verzadiging (pF0.0), veldcapaciteit (pF2.0), en verwelkingspunt (pF4. 2), naast het beschikbare watergehalte (AWC) en de verzadigde hydraulische geleiding (Ksat) voor het stroomgebied van de Zambezi, (ii) het vergelijken van DSM-benaderingen voor het genereren van kaarten van SHP’s zowel voor de bovengrond en de ondergrond, en dit op een resolutie van 90 meter x 90 meter en door een breed scala aan kandidaat-covariaten te gebruiken, en (iii) een functionele evaluatie van de bekomen kaarten door de temporele evolutie van de bodembedekkingsgraad van maïs, gesimuleerd met behulp van het AquaCrop-gewasgroeimodel en gevoed met de SHP-waarden afgeleid uit de digitale kaarten, te vergelijken met de bodembedekkingsgraad die is afgeleid uit de MODIS-LAI-tijdreeksen (2002 - 2012).

Aangezien gegevens over gemeten bodemhydraulische eigenschappen (SHP's) uiterst schaars zijn in de ruimtelijke databanken die het stroomgebied van de Zambezi bestrijken, waaronder de Africa Soil Profiles database (AfSP), hebben we eerst onze eigen referentiedataset opgesteld door middel van een bemonsteringscampagne in het Upper Mulungushi subbekken (UMB) in Zambia. In het laboratorium hebben we zowel basisbodemkenmerken zoals  de granulometrie gemeten en de SHP's. Deze gegevens van 119 bodemprofielen werden samen met de gegevens van 55 datapunten van het AfSP gebruikt om pedotransferfuncties voor de SHP's (PTF's) te ontwikkelen. De machineleertechniek Artificial Neural Network (ANN)-PTF bleek de meest accurate PTF op te leveren.  Een functionele evaluatie van de PTF's met het FAO AquaCrop gewasgroeimodel, toonde aan dat de irrigatiebehoeften voor maïs in het droge seizoen berekend met de ANN-PTF's het dichtst bij de AquaCrop-outputs lagen die gegenereerd werden met gemeten bodemhydraulische eigenschappen. Met de geschatte SHP's van de ANN-PTF's als afhankelijke variabelen, ontwikkelden en vergeleken we in de tweede stap, verschillende DSM-modellen voor ruimtelijk expliciete schatting van hydraulische eigenschappen van het ZRB. De beste voorspellingsmethode bestond uit Random Forest als het deterministische model aangevuld met Residual Kriging (RK). De granulometrie, gevolgd door klimaat en topografische hoogte waren de belangrijkste omgevingsvariabelen. In een laatste stap werden de digitale kaarten van de SHP ook onderworpen aan een functionele evaluatie met behulp van het FAO AquaCrop gewasgroeimodel. De bodembedekkingsgraad (CC, m²m-2) afgeleid van door teledetectie (MODIS-data, MCD15A3H versie 6) geschatte bladoppervlakte-index (LAI, m2m-2) werd vergeleken met (i) een tijdreeks van een met AquaCrop gesimuleerde CC van maïs geschat met de SHP van de digitale bodemkaarten als input, en (ii) met SHP's geschat met door de PTF van Saxton en Rawls. Paarsgewijze vergelijking van de CC-tijdreeksen – met een tijdsresolutie van 4 dagen – resulteerde in een RMSE van 0,07 m2m-2 en een R2 van 0,93 voor AquaCrop-CC-DSM versus MODIS-CC, en een RMSE van 0,08 m2m-2 en een R2 van 0,88 voor AquaCrop-CC-Saxton PTF versus MODIS-CC-tijdreeksen. Bodemhydraulische eigenschappen die met de DSM-kaarten zijn geschat en in het AquaCrop-gewasmodel zijn ingevoerd, resulteren in CC-schattingen voor maïs die dichter bij de MODIS CC liggen dan degene die gebaseerd zijn op de SHP afgeleid van de Saxton-PTF's.

Dit onderzoek illustreert dat er nog heel wat ruimte is om zowel de oudere en de huidige karteringsinspanningen verder te verbeteren. De ruime beschikbaarheid van een grote reeks milieugegevens die kunnen gebruikt worden als co-variabelen van de bodemeigenschappen, tezamen met de huidige beschikbare krachtige rekencapaciteit, maakt het mogelijk gedetailleerdere en nauwkeurigere kaarten te produceren dan in het verleden mogelijk was. Hoewel historische bodemgegevens, zoals die van het AfSP, van onschatbare waarde zijn voor het genereren van DSM –zowel op wereld-, continentale als regionale schaal – brengt dit onderzoek ook aan het licht hoe belangrijk het is om meer veldgegevens te verwerven opdat SHP beter geschat zouden kunnen worden die nodig zijn om meer betrouwbaardere gewasgroei- en hydrologische modellen te bekomen. Dit onderzoek toont ook aan dat een functionele evaluatie van de gemodelleerde gegevens een betere beoordeling van de prestaties van de modelaanpak mogelijk maakt, wat een vollediger oordeel toelaat dan wanneer alleen de nauwkeurigheid van modellen beschouwd wordt.