DFG SFB TR32 - Patterns in Soil-Vegetation-Atmosphere-Systems

Kontakt

Telefon

work
+49 241 80 98271

E-Mail

E-Mail
  TR32 Porjekt Urheberrecht: CGRE

Die heterogene Verteilung der bodenphysikalischen Eigenschaften (zum Beispiel Bodenstruktur, Porosität, Permeabilität) im Untergrund spielt eine wesentliche Rolle bei der Upskalierung von Strömen aus der Vadosezone in größere regionale Modelle.

Diese Heterogenitäten werden von unterschiedlichen Mustern auf verschiedenen Skalen von Untergrundstrukturen (das heißt Konfiguration von Bodenschichten oder Texturen) dominiert. Schätzungen über die relevante räumliche und vertikale Verteilung wurden nicht-invasiv aus geophysikalischen Messungen mit elektromagnetischer Induktion (EMI) gewonnen (Projekt B6).

Es hat sich gezeigt, dass Bodenmuster im Untergrund mit dem Pflanzenwachstum korrelieren, und es besteht ein eindeutiger Zusammenhang mit Fernerkundungsinformationen, wie beispielsweise dem Leaf Area Index (LAI), der im Rahmen der Projekte B6 und D2 detailliert untersucht wurde. Die beobachteten Korrelationen stellen einen möglichen Weg dar, die lokal verfügbare hochauflösende Analyse von Untergrundmustern auf größere Gebiete auszudehnen, in denen nur Fernerkundungsdaten verfügbar sind.

Um dieses Ziel zu erreichen, haben wir etablierte geostatistische Methoden in Kombination mit neuen unbeaufsichtigten maschinellen Lernansätzen für Clusteranalyse und Mustererkennung eingesetzt, um eine wissensbasierte Simulationsmethode zur Vorhersage von Bodenmustern aus Fernerkundungsinformationen zu entwickeln. Auf diese Weise versuchen wir, bestehende und laufende Bemühungen in anderen Projekten zur Charakterisierung von unterirdischen Heterogenitäten und die Analyse von groß angelegten geophysikalischen Prozesssimulationen und Parameterinversionen zu verknüpfen.

Die detaillierten geophysikalischen Untersuchungen im Cluster B auf der Feldeskala der verfügbaren Teststandorte (z.B. Selhausen), die in Phase III eine Modellausdehnung von bis zu einem Kilometer erreichen sollen, werden in Kombination mit wiederholten LAI-Bildern verwendet, um räumliche Muster und Parameterkorrelationen mit einem unbeaufsichtigten maschinellen Lernalgorithmus zu bestimmen. Die ermittelten Korrelationen sind dann die Grundlage für eine weiterführende Untersuchung von Bodenheterogenitäten allein auf Basis von Fernerkundungsinformationen.

Mit diesem Projekt tragen wir dazu bei, die nächste Ebene der Prozesssimulation im Kilometermaßstab zu erreichen, indem wir modernste Algorithmen zur Musterextraktion entwickeln und diese auf die Feld- und Regionalebene anwenden. Bisher wurden sehr vielversprechende vorläufige Ergebnisse bei der Schulung unseres Modells der Mustererkennung auf die verfügbaren Datensätze erzielt, und der nächste Schritt ist die Validierung der Mustersimulationstechnik mit neu gewonnenen geophysikalischen Untersuchungsinformationen.