Exploring the capabilities of landsat soil reflectance composites for soil organic carbon estimation and monitoring of topsoil croplands in Bavaria, Germany

Zepp, Simone (2023): Exploring the capabilities of landsat soil reflectance composites for soil organic carbon estimation and monitoring of topsoil croplands in Bavaria, Germany. Dissertation, LMU München: Fakultät für Geowissenschaften

Abstract

Mit dem Start des Satelliten Landsat-4 TM am 16. Juli 1982 wurde der Beginn einer langen Ära der Erhebung optischer Satellitenbildinformationen eingeläutet. Die bis heute regelmäßig ergänzte U.S. amerikanische Landsat Satellitenfamilie stellt insbesondere durch die Archivöffnung der Bilddaten im Jahr 2008 ein bisher konkurrenzloses Erdbeobachtungsprogramm für retrospektive, wiederkehrende sowie aktuelle Analysen der globalen Erdoberfläche dar. Unver-gleichlich sind dabei die hohe räumliche und zeitliche Abdeckung der zur Verfügung stehenden Daten. In vielen Umweltdisziplinen zur Erforschung von Ökosystemen oder forstwirtschaftlicher, landwirtschaftlicher und urbaner Flächen kommen die Daten der Satelliten seit Jahrzehnten erfolgreich zum Einsatz. Auch in der Geologie und der Bodenkunde sind die gemessenen Spektralinformationen ein zentrales Analyseelement, um beispielsweise Folgen von Erosion, Klimawandel oder Landnutzungsänderungen zu erfassen und zu quantifizieren. Vor allem die Ressource Boden charakterisiert für viele Lebensräume eine wichtige Grundlage. Durch Ökosystemleistungen ermöglicht diese Leben und Überleben auf der Erde. Die Tatsache, dass Böden den größten terrestrischen Kohlenstoffspeicher darstellen, verdeutlicht dabei die Relevanz der Geosphäre. Beispielsweise kann durch aktive Kohlenstoffbindung in landwirtschaftlichen Böden eine Minderung der Treibhausgasemissionen erreicht werden, um somit einen wertvollen Beitrag zum Klimaschutz zu leisten. In den vergangenen Jahren gab es zahlreiche nationale und internationale Bestrebungen und Aktivitäten, die Bedeutung des Bodens hervorzuheben und eine nachhaltige Nutzung der Ressource zu realisieren. Aktuell wird in den von den Vereinten Nationen definierten Sustainable Development Goals (SDG) explizit der Schutz sowie der nachhaltige Umgang mit Böden adressiert. Vor allem der organische Kohlenstoffgehalt (Corg) in landwirtschaftlichen Flächen stellt einen wesentlichen Parameter zur Beurteilung gesunder, nachhaltig genutzter Böden dar. Kenntnisse über den Corg-Gehalt sind höchst relevant und lassen unter anderem Aussagen über Ernteerträge oder die Erosionsanfälligkeit zu. Ein ausreichend hoher Corg-Gehalt ist deshalb Kernelement diverser politischer Reglementierungen. Um den zahlreichen (politischen) Anforderungen gerecht zu werden, bedarf es hochaufgelöster und flächenscharfer Informationen, die auch ein (rückblickendes) Verständnis von Bodenparametern ermöglichen. Aktuelle Bodenkarten und Datenbanken sind allerdings zeitlich und räumlich zu limitiert, um eine nachhaltige Nutzung der Ressource Boden zu dokumentieren und den formulierten Zielen gerecht zu werden. Traditionelle Methoden zur Bodenkartierung sind mit einem hohen zeitlichen und finanziellen Aufwand verbunden. Die optische Erdbeobachtung liefert Techniken und Auswertungsverfahren, diesen zeitlichen und räumlichen Limitierungen zu begegnen. Als sog. Mapping Mission, ermöglichen die Landsat Satelliten mit deren seit mehr als 40 Jahren erhobenen Daten dabei großflächige und wiederkehrende Beobachtungen und Analysen. Zudem sind durch die hohe Pixelauflösung (30 m) Analysen auf Schlagebene möglich. Die Bilddaten bieten so die Möglichkeit der Erfassung und des Monitorings von Oberböden landwirtschaftlicher Flächen und können helfen, die zeitliche und räumliche Dimensionen bestehender Datenbanken zu optimieren. Für verschiedene Regionen konnten bereits diverse Bodenparameter erfolgreich mit validen Genauigkeiten modelliert werden. Auch die Anwendung von Landsat Daten zur Abschätzung von Corg-Gehalten wurde gezeigt. Eine Limitierung der Anwendung optischer Erdbeobachtungsdaten stellt die Tatsache dar, dass ausschließlich Böden, die bei einem Überflug unbedeckt und vegetationslos sind, analysiert werden können. In Deutschland sind dies hauptsächlich ackerbaulich genutzte Flächen. Um die Satellitenbilddaten in Wert setzen zu können, müssen zunächst unbedeckte Böden ermittelt und von anderen Landbedeckungsarten separiert werden. Der Zeitraum, in dem ein Schlag unbedeckt ist, kann allerdings durch die regionale Fruchtfolge variieren und teilweise sehr kurz sein. Sog. Komposittechniken multispektraler Bilddaten stellen eine Alternative zur Nutzung singulärer Aufnahmen dar und bieten die Möglichkeit, die Limitierung durch Vegetations-bedeckung zu überbrücken. Erste Studien haben bereits die Anwendbarkeit einer derart optimierten Datenquelle in Hinblick auf die Ableitung von Bodenparametern gezeigt. Sog. Bodenreflektanzkomposite (engl. surface reflectance composite, SRC), welche mittels der Komposittechniken generiert werden, werden dabei mit Feldproben verknüpft, um Aussagen über Oberbodenparameter zu treffen. Allerdings sind zahlreiche Fragen bezüglich einer Verwendung solcher auf Landsat-Daten basierten SRCs zur Erfassung von Bodenparametern und vor allem zur Analyse von (rückblickenden) Veränderungen derzeit noch unbeantwortet. Diese Dissertation umfasst Aktivitäten zur Exploration der Möglichkeiten zur Ableitung und des (retrospektiven) Monitorings von Oberbodeninformationen ackerbaulich genutzter Flächen aus SRCs, generiert mittels langjähriger Landsat-Daten. Zur Abschätzung des Potentials wurde das Bundesland Bayern in Deutschland als Testgebiet gewählt, da hier neben Expertenwissen eine umfangreiche Bodendatenbank zur Verfügung steht. Der Fokus liegt auf der Ableitung des Corg-Gehalts. Verwendet werden mehrjährige SRCs, die mittels des sog. Soil Composite Mapping Processors (SCMaP) generiert wurden. Zu Beginn wurde die Notwendigkeit der Überarbeitung des Schwellwertverfahrens, welches einen essentiellen Teil der SCMaP Methodik darstellt und der Ableitung unbedeckter Böden dient, identifiziert. Vor allem für überregionale Analysen ist ein standardisiertes Verfahren, welches hier auf dem Verhalten verschiedener Landbedeckungsklassen beruht, essentiell für eine erfolgreiche Separierung unbedeckter Böden von anderen Oberflächen. Die Ableitung der Grenzwerte basierend auf überregionalen bio-geographischen Räumen zeigte sich dabei als der beste Ansatz. Auch eine Validierung der räumlichen und zeitlichen Verteilung unbedeckter Böden wurde durchgeführt, um das Verständnis der Datengrundlage für aufbauende Bodenparameter-modellierungen zu maximieren. Bei einer anschließenden Studie zur Beurteilung der Anwendbarkeit eines 30-jährigen SRCs zur Ableitung von Corg-Gehalten von Ackeroberböden in Bayern wurde dieses mit zahlreichen Feldproben verknüpft. Algorithmen des maschinellen Lernens (Multiple Linear Regression, Partial Least Square Regression und Random Forest Regression) wurden dabei miteinander verglichen, wobei sich der Einsatz des Random Forests als am besten geeignet herausstellte. Vor allem die Verschneidung von Bodenpunktdaten mit Fernerkundungspixeln, welche mehrere Meter Kantenlänge (Landsat: 30 m) besitzen, bedingen zahlreiche Quellen für Ungenauigkeiten. Hier wurde ein räumlicher/spektraler Filteransatz, welcher auf spektralen Beziehungen des Probenpixels und dessen Nachbarpixeln beruht, entwickelt, um heterogene Pixelcluster von der Corg Modellierung auszuschließen. Zudem bestätigte eine zusätzlich durchgeführte Validierung basierend auf einem externen unabhängigen Datensatz die hohe Genauigkeit des Modellierungs-ansatzes. Da für eine Erfassung von Änderungen von Corg im Oberboden ein 30-jähriger Komposit-zeitraum eine zu lange Zeitspanne darstellen kann, wurden die im zweiten Teil gewonnenen Erkenntnisse durch weitere Analysen vertieft, inwieweit dieser Zeitraum minimiert werden kann. Obwohl nachgewiesen werden konnte, dass längere Zeiträume (10/15 Jahre) höhere Modellierungskapazitäten bieten, zeigte bereits ein fünf-jähriger Zeitraum ausreichend hohe Modellgenauigkeiten im Untersuchungsgebiet für wiederkehrende Analysen. Die Erstellung der SRCs basiert auf einem spektralen Vegetationsindex. Die Resultate dieser Arbeit zeigen, dass Indices im Vergleich zu einer saisonalen Vorauswahl an Szenen, welche in das SRC integriert werden, eine untergeordnete Rolle bezüglich der Modellierungskapazitäten von Corg spielen. Einen weiteren zentralen Aspekt stellt ein Vergleich der zeitlichen Auswahl unbedeckter Böden mit Daten, an denen das beobachtete Feld (wahrscheinlich) unbedeckt ist dar. Ein Vergleich der extrahierten Daten unbedeckter Böden mit Feldbeobachtungen und phänologischen Infor-mationen aus dem regionalen Feldfruchtkalender zeigte, dass der Großteil der ermittelten unbedeckten Böden in Zeiträumen lag, in denen der betrachtete Schlag vegetationslos und vom Satelliten sichtbar war. Auf Basis dieser Informationen wird eine Vorauswahl der Szenen basierend auf den phänologischen Informationen der im jeweiligen Gebiet angebauten Feldfrüchte geraten. Zusammenfassend konnten im Rahmen dieser Dissertation zahlreiche Erkenntnisse für die Modellierungen des Corg-Gehalts in Ackeroberböden auf Basis multispektraler SRCs der Landsat Satellitenfamilie gewonnen werden. Die Ergebnisse liefern einen entscheidenden Beitrag zum Verständnis der großflächigen Anwendbarkeit satellitengestützter Erdbeobachtungsdaten zur Überwindung der räumlichen und zeitlichen Limitierungen herkömmlicher Bodenkartierungen und eines (retrospektiven) Monitorings von Corg.

Abstract

The launch of Landsat-4 TM satellite on July 16, 1982, marked the beginning of a long era of optical satellite imagery. The U.S. Landsat family, which has been regularly expanded, represents an unrivaled Earth Observation program for retrospective, recurrent and recent analyses of the Earth’s surface, especially due to the opening of the image data archive in 2008. The high spatial and temporal coverage of the freely accessible data is incomparable. For decades, Landsat data have been successfully used in many environmental disciplines to study ecosystems or forestry, agriculture and urban surfaces. Measured spectral information is a central element of analyses in geology and soil science, e.g., to detect and quantify soil erosion, impacts of climate change or land cover changes. Soils are an essential resource for human subsidence, as they carry out a number of ecosystem services. The fact that soils represent the largest terrestrial carbon pool illustrates the relevance of the geosphere. Active carbon sequestration in agricultural soils can reduce greenhouse gas emissions and thus make a valuable contribution to climate protection. In recent years, there have been numerous national and international efforts and activities to highlight the importance of soils and to realize a sustainable use of the resource. Currently, the Sustainable Development Goals (SDG), defined by the United Nations, explicitly address the protection and sustainable use of soils. Above all, soil organic carbon (SOC) in croplands represents an essential parameter for assessing healthy sustainable used soils. Knowledge about SOC contents is highly relevant and allows conclusions about crop yields or erosion vulnerability. Therefore, sufficiently high SOC contents are a core element of various political regulations. In order to fulfil the numerous (political) requirements, high-resolution information is needed that also enables to capture the temporal development of soil parameters. However, current soil maps and databases are temporally and spatially limited to capture a sustainable use of the resource and to achieve the formulated goals. Traditional methods for soil mapping are associated with a high temporal and financial effort. Optical Earth Observation (EO) is a valuable data source for area-wide soil mapping and monitoring purposes to distinguish patterns between or even within fields and to overcome the temporal and spatial limitations. As a long-term mapping mission, Landsat enables recurring observations and analyses. In addition, the high pixel resolution (30 m) supports analyses at field level. The image data thus offer the possibility of acquisition and monitoring of topsoil croplands and can help to optimize the temporal and spatial dimensions of existing databases. Various soil parameters have already been successfully modeled with valid accuracies for different regions (i.e., different climatic conditions, crop cycles, land management). The use of Landsat data to estimate SOC was also demonstrated. A limitation of the application of optical EO data is the fact that only soils which are exposed during the satellite overpass can be analyzed. In Germany, these are mainly cropland areas. In order to use the satellite imagery, uncovered soils must first be identified and separated from all other land cover types. However, the period during which a field is uncovered can vary due to regional crop rotation and can be limited to a short window of time. Soil compositing techniques of multispectral image data provide an alternative to the use of single scenes and offer the possibility to bridge the limitation due to vegetation cover. First studies have demonstrated the applicability of such an optimized data source for soil parameter estimation. Soil reflectance composites (SRC), which are generated by these compositing techniques, are linked with field samples to predict topsoil parameter information. However, numerous questions regarding the use of such Landsat based SRCs for the estimation of soil parameters and especially for analyzing (retrospective) changes are still unanswered. The efforts in this dissertation comprise activities to explore the capabilities of deriving and (retrospectively) monitoring topsoil cropland SOC information from SRCs, generated with long-term Landsat data. To assess the potential, the Federal state of Bavaria in Germany was chosen as a test area, since an extensive soil database is available here in addition to expert knowledge. The focus is on the derivation of SOC contents. Therefore, multi-year SRCs, generated by the Soil Composite Mapping Processor (SCMaP) are used. At first, the need to revise the index thresholding, which is an essential part of the SCMaP methodology as it is the baseline to separate soils from all other land cover classes, was identified. Especially for area-wide analyses, a standardized procedure, which in this case is based on the behavior of different land cover classes, is essential for successful separation of exposed soils from other surfaces. The derivation of thresholds based on bio-geographically classified regions was shown to be the best approach. Validation of the spatial and temporal distribution of exposed soils was also performed to maximize the understanding of the SCMaP data basis for building soil parameter models. In a consecutive study the applicability of a 30-year SRC to derive topsoil SOC contents of croplands in Bavaria was tested. The SRC was linked to numerous legacy field samples and different machine learning algorithms (Multiple Linear Regression, Partial Least Square Regression, and Random Forest Regression) were compared. The use of the Random Forest algorithm was determined to be the most suitable. Especially the intersection of point soil samples with remote sensing pixel, which have several meters resolution (Landsat: 30 m), can be a source of inaccuracies. Here, a spatial/spectral filtering approach based on spectral relationships of the sample pixel and its eight neighboring pixels was developed to exclude heterogenous pixel clusters. Furthermore, an additional validation based on an external independent data set confirmed the high accuracy of the modeling approach. Considering that a 30-year composite period could be too long for detecting topsoil SOC changes, the results obtained in the second part of this thesis were further analyzed to minimize the compositing period. Although it has been demonstrated that longer compositing lengths (10/15 years) provide higher model performances, a five-year period already showed sufficiently high modeling accuracies in the study area. The SRC processing is based on a spectral vegetation index. The results of this work showed that different spectral indices for SRC generation have a minor impact on SOC modeling compared to a seasonal pre-selection of scenes, integrated into the SRC. Another key aspect of this thesis represents a comparison of the temporal selection of exposed soils with dates when the observed field is likely to be bare. A comparison of the extracted exposed soil dates with field observation and phenological information based on the regional crop calendar showed that the majority of the identified exposed soils are located in periods when the observed field is vegetation-free and visible from the satellite. Based on these findings, a pre-selection of scenes, derived from regional phenological information of crops, should be considered for SRC generation and SOC estimation. In summary, this dissertation contains numerous insights for modeling SOC in topsoil croplands based on multispectral Landsat SRCs. The results provide a crucial contribution to the understanding of large-scale applicability of spaceborne EO data to minimize the spatial and temporal limitations of traditional soil mapping and (retrospective) monitoring of SOC.

• Dokumententyp: Dissertationen (Dissertation, LMU München)
• Keywords: Soil Organic Carbon, Soil Reflectance Composite, Landsat SOC estimation, SOC monitoring, Thresholding
• Themengebiete: 500 Naturwissenschaften und Mathematik ; 500 Naturwissenschaften und Mathematik > 550 Geowissenschaften
• Fakultäten: Fakultät für Geowissenschaften
• Sprache der Hochschulschrift: Englisch
• Datum der mündlichen Prüfung: 21. Juni 2023
• 1. Bericht­erstatter:in: Ludwig, Ralf