Digi²Soil - Räumliche Modellierung von Bodenparametern mittels Machine Learning

Digi²Soil ist ein Vorhaben des Geologischen Dienstes NRW zur flächenhaften Modellierung, Vorhersage und räumlicher Analyse ausgewählter Bodenparameter mithilfe von Digital Soil Mapping (DSM) und Machine-Learning-Verfahren.

Ziel des Projektes ist eine präzise und effiziente räumliche Abbildung von Bodeneigenschaften durch die Kombination digital erfasster bodenkundlicher Bohrdaten mit fernerkundlichen Umweltprädiktoren unter Einsatz moderner Datenanalyse und maschineller Lernverfahren. Die daraus resultierenden Ergebnisse sollen flächendeckende Bodeninformationen liefern und können als Grundlage für Entscheidungen in der Forstwirtschaft, der Landwirtschaft, im Bodenschutz sowie der Umweltplanung dienen. Im Fokus steht zunächst die Modellierung von Bodenparametern auf forstwirtschaftlich genutzten Flächen im Bergland Nordrhein-Westfalens. Perspektivisch soll die entwickelte Methodik auf weitere Regionen und Landnutzungsformen übertragen werden. Das Projekt läuft noch bis 2029. Eine Veröffentlichung der generierten Rasterdatensätze von Bodenparametern sowie Konzeptkarten ist geplant.

CODE-DE-Lab dient im Projekt Digi²Soil als zentrale cloudbasierte Arbeits- und Entwicklungsumgebung für die Verarbeitung und Analyse von Satellitendaten zur Modellierung von Bodenparametern. Die Datenanalyse wird mit R durchgeführt. Ein wesentlicher Vorteil für das Projekt ist die Verfügbarkeit bereits nach dem Stand der Technik vorprozessierter Level-2 Satellitendaten auf CODE-DE-Lab.

Einsatz von CODE-DE-Lab im Projekt

• Zugriff auf die FORCE DataCube Collection, insbesondere auf Sentinel-2-Zeitreihen ab 2019
• Erstellung von Best-Available-Pixel Compositen für die relevanten Jahre
• Berechnung relevanter Vegetations- und Bodenindizes wie:
  • NDVI (Normalized Difference Vegetation Index)
  • EVI (Enhanced Vegetation Index)
  • NDWI (Normalized Difference Water Index)
  • BSI (Bare Soil Index)
• Extraktion der Rasterwerte an den Standorten bodenkundlicher Bohrpunkte
• Training und Validierung des Random-Forest-Classifiers