En konceptuel model til geografisk overvågning af jordbundssundhed
Oversat titel
A conceptual model for geographical monitoring of soil health
Forfattere
Tobiasen, Gustav Lund ; Bendtsen, Asbjørn Birkbak
Semester
4. semester
Uddannelse
Udgivelsesår
2024
Afleveret
2024-10-21
Antal sider
160
Resumé
Sunde jorde er afgørende for fødevaresikkerhed i en tid med befolkningstilvækst og klimaforandringer. Denne undersøgelse udvikler forudsigende maskinlæringsmodeller, der kombinerer fjernmålingsdata (bl.a. Sentinel-2-satellitbilleder), CORINE-arealbrugsdata, klimavariabler og terrænoplysninger for at vurdere jordens sundhed i stor skala. Modellerne trænes og sammenlignes effektivt med PyCaret i Python, og de indgår i en bredere konceptuel ramme for overvågning af jordsundhed på tværs af store geografiske områder. Ved at sammenstille flere datakilder giver rammen et samlet billede af jordforhold på tværs af forskellige regioner. Et centralt element er brugen af pedotransferfunktioner, det vil sige statistiske formler, der anslår vanskeligt målbare jordegenskaber ud fra andre oplysninger. Her bruges de til at estimere hydraulisk ledningsevne (hvor let vand bevæger sig gennem jorden) og plante-tilgængeligt vand (den del af jordens vandindhold, som planter kan optage). Disse estimater indgår sammen med direkte målte data i en multi-kriterieanalyse for en helhedsorienteret vurdering. Modellerne kalibreres og valideres med jordprøver for at sikre pålidelige forudsigelser. Forskellige algoritmer sammenlignes med nøjhedsmetrikker som RMSE (et mål for forudsigelsesfejl) for at reducere afvigelser i den efterfølgende multi-kriterieanalyse. Resultaterne peger på, at store dele af Den Iberiske Halvø har dårlig jordsundhed, mens mindre områder, især mod øst, har acceptabel til god tilstand. Studiet viser, at maskinlæring kan understøtte overvågning i stor skala, men også at jordens komplekse og samvirkende faktorer fortsat udgør en udfordring. Metoden og modellen udgør derfor en konceptuel ramme for fremtidig overvågning af jordsundhed i stor skala.
Healthy soils are essential for food security as populations grow and the climate changes. This study builds predictive machine learning models that combine remote sensing data (including Sentinel-2 satellite imagery), CORINE land-use data, climate variables, and terrain information to evaluate soil health at large scales. The models are trained and compared efficiently using PyCaret in Python and are integrated into a broader conceptual framework for large-scale soil health monitoring. By bringing multiple data sources together, the framework provides a comprehensive picture of soil conditions across diverse regions. A key component is the use of pedotransfer functions—statistical formulas that estimate hard-to-measure soil properties from other information. Here they are used to estimate hydraulic conductivity (how easily water moves through soil) and plant-available water (the portion of soil water that plants can use). These estimates, together with directly observed data, feed into a multi-criteria analysis for a holistic assessment. The models are calibrated and validated with soil samples to ensure reliable predictions. Algorithms are compared using accuracy metrics such as RMSE (a measure of prediction error) to reduce deviations in the subsequent multi-criteria analysis. Results indicate that large parts of the Iberian Peninsula have poor soil health, while smaller areas, particularly in the east, show acceptable to good conditions. The study demonstrates that machine learning can support large-scale monitoring, while acknowledging that the complex, interacting nature of soils remains a challenge. The resulting model and methodology provide a conceptual framework for future large-scale soil health assessments.
[Dette resumé er omskrevet med hjælp fra AI baseret på projektets originale resumé]
Emneord