Carbon-4D: A landscape-scale model of soil organic carbon mineralization in space, depth, and time
Projektbeschreibung
Die Mineralisation von organischem Bodenkohlenstoff (SOC) ist eine Schlüsselkomponente des globalen Kohlenstoffkreislaufs. Muster der SOC-Mineralisation in Raum, Zeit und Tiefe (4D) sind auf der Landschaftsskala jedoch noch unzulänglich verstanden. Dies liegt insbesondere daran, dass SOC-Mineralisationsraten durch das Zusammenwirken verschiedener Steuergrößen, Mechanismen und nichtlinearer Interaktionen reguliert werden. Diese Komplexität ist jenseits des menschlichen Auffassungsvermögens. Ziel von "Carbon4D" ist die Entwicklung eines datengetriebenen 4D Modells der SOC-Mineralisation auf der Landschaftsskala, unter Berücksichtigung hochkomplexer und nichtlinearer Zusammenhänge. Um dieses Ziel zu erreichen, werden Messungen der SOC-Mineralisation und wesentlicher Steuergrößen (Kohlenstoffvorräte, Bodenfeuchte und Temperatur) mit Multi-Sensor Fernerkundungsdaten und Wetter- und Bodendaten in einem maschinellen Lernansatz kombiniert. Basierend auf den erlernten Zusammenhängen werden 4D-Vorhersagen für eine typische Mittelgebirgslandschaft in Deutschland getroffen, die als Testgebiet für Carbon4D dient. Auf Grundlage der 4D-Modelldaten wird eine detaillierte Analyse der zeitlichen, räumlichen und vertikalen Muster der SOC-Mineralisation durchgeführt. Carbon4D liefert somit den ersten Ansatz für ein Echtzeit-Monitoring von SOC-Mineralisationsraten und CO2-Emissionen in allen 4 Dimensionen, auf dessen Grundlage neue Erkenntnisse über Muster und Steuergrößen gewonnen werden können.
Informationen
Projektleitung: Hanna Meyer, Nele Meyer (Uni Frankfurt)
Team@ILÖK: Maiken Baumberger, Hanna Meyer
Finanzierung: DFG
Laufzeit: 2021 - 2024weitere Informationen finden Sie auf der Projektseite
Publikationen
Baumberger M; Haas B; Tewes W; Risse B; Meyer N; Meyer H. 2024. ‘Gated recurrent units for modelling time series of soil temperature and moisture: An assessment of performance and process reflectivity.’ Environmental Modelling and Software 2024: 106245. doi: 10.1016/j.envsoft.2024.106245.
Baumberger M; Haas B; Sivakumar S; Ludwig M; Meyer N; Meyer H. 2024. ‘High-resolution soil temperature and soil moisture patterns in space, depth and time: An interpretable machine learning modelling approach.’ Geoderma 451: 117049. doi: 10.1016/j.geoderma.2024.117049.
Baumberger M; Haas B; Meyer N; Meyer H. 2024. Untersuchung der räumlichen, zeitlichen und vertikalen Muster der Bodenatmung und ihrer Haupteinflussfaktoren im Fichtelgebirge. Marktredwitzer Bodenschutztage 2024, Marktredwitz, Deutschland, 16.10.2024.
Baumberger, M; Adorf, L; Haas, B; Meyer, N; and Meyer, H. 2023. Modelling Soil Temperature and Soil Moisture in Space, Depth, and Time with Machine Learning Techniques, EGU General Assembly 2023, Vienna, Austria, 24–28 Apr 2023, EGU23-11958, https://doi.org/10.5194/egusphere-egu23-11958, 2023.
Baumberger, M; Adorf, L; Haas, B; Meyer, N; and Meyer, H. 2022. A machine learning approach to model spatiotemporal patterns of soil temperature and soil moisture as drivers for soil organic carbon mineralization. Contributed to the living planet symposium, ESA, Bonn, Germany, 25.05.2022.
Haas, B; Baumberger, M; Meyer, H; Meyer, N. 2021. A landscape-scale model of soil organic carbon mineralization in space, depth and time. Contributed to the BayCEER Workshop, University of Bayreuth, Bayreuth, Germany, 14.10.2021.Abschlussarbeiten
Julian Schweers: Modelling and analysing spatial patterns of soil organic carbon stocks on a landscape scale using remote sensing and machine learning. B. Sc. Landschaftsökologie.
Linda Adorf: Soil temperature in space, time and depth – A landscape-scale modelling approach using remote sensing and machine learning. M.Sc. Landschchaftsökologie
Sindhu Sivakumar: Modelling soil moisture under different land cover types using radar and optical remote sensing. M.Sc. Geoinformatik