6 Methodischer Vorschlag für ein GIS-basiertes Modell zur hoch auflösenden Bereitstellung von Bodendaten auf Basis der Dempster-Shafer Theorie

6.1 Einleitung

↓75

Die Qualität der Ergebnisse von Pflanzenwachstums- und Ertragssimulationsmodellen hängt in hohem Maße von der Qualität und Verfügbarkeit der Eingangsdaten ab: je hoch auflösender hochqualitative Eingangsdaten vorliegen, desto genauer kann die existierende Heterogenität von Boden und Pflanzenbeständen erfasst und damit die Simulationsergebnisse eines Modells umso besser der Realität angenähert werden. Die Erfassung von Eingangsdaten in der nötigen räumlichen und zeitlichen Auflösung ist in der Regel mit einem hohen zeitlichen, finanziellen und auch personellen Aufwand verbunden. Um z. B. die Boden-probenahme und den damit verbundenen Aufwand zu reduzieren und gleichzeitig qualitativ hochwertige und für ein Untersuchungsgebiet repräsentative Proben zu erhalten, können insbesondere Methoden der Geostatistik genutzt werden, da mit diesen räumliche Zusammenhänge von gemessenen Daten quantifiziert und auf unbeprobte Areale übertragen werden können (Isaaks, Srivastava 1990 ). Allerdings ergaben geostatistische Auswertungen zahlreicher Feldstudien, dass für eine Extrapolation in unbeprobte Flächen Probenahmedistanzen notwendig sind, die nicht mit einem realistischen Praxisaufwand gewährleistet werden können (Frogbroock u. a. 1999 ; Herbst, Lamp 2004 ; McBratney, Pringle 1997 ; Viera 1999 ). Daher sind sowohl Methoden für eine einfache und schnelle Erfassung von hochauflösenden Bodendaten als auch effiziente entscheidungsunterstützende Tools zur Datenanalyse notwendig. Zur Multidatenfusion und Datenauswertung existieren zahlreiche Werkzeuge, wie z. B. multivariate adaptive Regression Trees oder Regression Splines und neuronale Netzwerke ebenso wie harte und weiche Klassifizierungsmethoden, zu denen beispielsweise Clustering, Maximum Likelihood oder die Bayessche Wahrscheinlichkeitstheorie zählen (Behrens u. a. 2005 ; Behrens, Scholten 2005 ; Gordon, Shortcliffe 1985 ; van Meirvenne, Cockx, Vitharana 2005 ; Sommer u. a. 2003 ; Srinivasan, Richards 1990 ). Klassifizierungsmodelle sind im Vergleich zu Regressionsmodellen insbesondere zur Unterscheidung nicht metrischer komplexer Strukturen und Muster nützlich, wie sie z. B. im Zusammenhang mit Boden und seinen Eigenschaften auftreten. Im Gegensatz zu harten Klassifizierungsmethoden verzichten weiche Methoden darauf, definitive Aussagen über das Zutreffen einer Hypothese zu machen. Stattdessen wird der Grad der Wahrscheinlichkeit angegeben, dass eine Hypothese zutreffend ist, z. B. der Grad der Wahrscheinlichkeit, dass an einem bestimmten Punkt in einer Landschaft oder auf einem Ackerschlag ein bestimmter Bodentyp auftreten wird. Die Theorie nach Dempster und Shafer ist eine Erweiterung der Bayesschen Wahrscheinlichkeitstheorie und zählt zu den weichen Klassifizierungsmethoden. Ein Vorteil der Theorie ist, dass für einzelne Orte nicht nur eine, sondern auch mehrere Hypothesen bzw. eine Menge mit mehreren Hypothesen unterstützt werden kann (Dobers, Stuczynski 2005 ) und so beispielsweise Mischsignaturen bzw. Übergänge zwischen unterschiedlichen Bodentypen potenziell ermittelt werden können. Ein weiterer Vorteil im Vergleich zu anderen weichen Klassifizierungen, wie z. B. der im Bereich der Bildanalyse weithin angewandten Fuzzy Logic, liegt darin, die Anzahl der Hypothesenmenge bei Zunahme der Evidenzen eingrenzen zu können (Shafer 1976 ). Existieren z. B. sehr viele Möglichkeiten, Objekte in Klassen einzuordnen und ist die Evidenz zur Entscheidung, welche Objekte welcher Klasse zugeordnet werden, widersprüchlich oder fehlerhaft, ist eine Eingrenzung der Möglichkeiten nötig, bis eine Objektmenge ermittelt wird, die am Besten die Kategorie von Interesse charakterisiert (Lein 2003 ). Des Weiteren besitzt die Dempster-Shafer-Theorie den großen Vorteil, dass menschliche Beurteilung in den Klassifizierungsprozess einfließen kann, deren signifikante Rolle z. B. bei der Bildklassifizierung häufig unterschätzt wird (Foody 1999 ). Auf diese Weise kann vorhandenes Expertenwissen in den Prozess der Modellbildung integriert werden. Diese deduktive Steuerungsfunktion ermöglicht es, das Modellergebnis richtungsweise zu beeinflussen. Pflanzenwachstum und -entwicklung sind eng mit Bodeneigenschaften, wie der Wasserspeicherfähigkeit, der pflanzenverfügbaren Boden-wassermenge oder dem Nährstoffspeicher- und -nachliefervermögen verbunden. Diese Bodeneigenschaften variieren innerhalb eines Schlages, so dass je nach Landschaft eine mehr oder weniger ausgeprägte Heterogenität des Bodens existiert. Die Messung der scheinbaren elektrischen Leitfähigkeit ist eine Technologie, die die Möglichkeit zur Identifizierung von bodenphysikalischen und -chemischen Eigenschaften und somit zur Identifizierung der räumlichen Bodenheterogenität bietet (Corwin, Lesch 2005 ; Corwin, Lesch 2005 ).

↓76

Ziel ist gewesen, auf Basis der Dempster-Shafer-Theorie unter Nutzung von Bodenleit-fähigkeitsdaten sowie Informationen zu Textur, Bodentyp und Wasserstatus ausgewählter Monitoringpunkte auf dem Versuchsschlag Rabenberg in Niedersachsen ein GIS-basiertes Modell zu entwickeln, das in der Lage ist, hochauflösende Informationen über das Auftreten der oben genannten Informationen zur Verfügung zu stellen.

6.2 Material und Methoden

6.2.1 Theorie nach Dempster und Shafer

In der Wahrscheinlichkeitslehre wird einer Aussage ein bestimmtes Maß an Vertrauen in das Zutreffen einer Hypothese (Belief) zugeordnet, ohne das Nichtzutreffen der Hypothese (Disbelief) zu berücksichtigen. Im Gegensatz dazu berücksichtigt die Dempster-Shafer-Theorie (DS-Theorie) sowohl den Belief (Bel) als auch den Disbelief (Disbel) einer Hypothese. Zur Illustration wird ein erläuterndes Beispiel aufgeführt:

Angenommen, an einem bestimmten Punkt auf einem Ackerschlag kommt laut Bodenkarte eine Braunerde vor. Wird weiter angenommen, dass der Bodenkarte zu 85 % vertraut werden kann, heißt das, dass die Karte in 85 % aller Fälle eine zutreffende Aussage macht. Unter Anwendung der herkömmlichen Wahrscheinlichkeitslehre könnte daraus geschlossen werden, dass mit einer Wahrscheinlichkeit von 15 % an dem Punkt keine Braunerde auftritt. Nach der Theorie von Dempster und Shafer ist jedoch nicht sicher, dass die Hypothese nicht zutrifft. Da in 85 % der Fälle die Aussage der Bodenkarte mit Sicherheit zutreffend ist, ist sie es in 15 % der Fälle nicht mit Sicherheit. Es könnte also in 15 % der Fälle an dem Punkt ein anderer Bodentyp oder aber auch eine Braunerde vorkommen.

↓77

In der DS-Theorie wird häufig der Ausdruck frame of discernment θ (FOD) gebraucht, der die Menge aller möglichen, sich gegenseitig ausschließenden Ergebnisse darstellt. Wenn eine Menge von n Ergebnissen vorliegt, erhält man 2 n -1 Teilmengen von Theta, also 2 n -1 mögliche Hypothesen, die gegebenenfalls berücksichtigt werden müssen.

In der Wahrscheinlichkeitslehre wird das Maß der Wahrscheinlichkeit einzelnen Werten zugeordnet: p(¬A) = 1 – p(A) (5.1)

Das heißt, die Wahrscheinlichkeit, dass eine Hypothese nicht korrekt ist, ergibt sich aus der Subtraktion der Wahrscheinlichkeit, dass die Hypothese korrekt ist, von 1. Im Gegensatz dazu werden die Maße für die Wahrscheinlichkeit in der Theorie nach Dempster und Shafer den Teilmengen von θ zugeordnet. Anstelle eines einzelnen Wertes wird ein Wahrscheinlich-keitsbereich verwendet, der nach unten durch den Belief und nach oben durch die Plausibilität (1 – Disbel) der Hypothese, also durch die Wahrscheinlichkeit begrenzt wird, mit der ange-nommen werden kann, dass eine Hypothese korrekt ist. Dieser Bereich, das basic propability assignment (BPA; m), bringt die Stärke zum Ausdruck, mit der eine bestimmte Hypothese angenommen wird. Die Summe aller m ergibt dabei 1.

↓78

Abb. 6.1: Das Belief-Intervall (nach: Konar 2005 : Computational Intelligence. Springer, Berlin)

Wenn beispielsweise der FOD θ sich gegenseitig ausschließende Teilmengen enthält, dann ergeben sich Belief und Plausibilität aus der Summe aller m der möglichen Hypothesen:

wobei Y ⊆ X

(5.2)

wobei Y ∩ X ≠ φ

(5.3)

↓79

Der Belief einer Hypothese wird durch das Belief-Intervall repräsentiert, das im Bereich von 0 bis 1 liegt und im Intervall 0.1 angegeben wird. Das Intervall wird von zwei Punkten j und k (k j) unterteilt. Das Konzept des Belief-Intervalls beinhaltet neben Belief und Disbelief einer Hypothese auch noch die Unsicherheit (uncertainty, U), die Plausibilität (plausibility; Pl) sowie den Zweifel (doubt; D) und ist in Abb. 6.1 beschrieben. Soll das Belief-Intervall beispielsweise die Hypothese A beschreiben, so ist das Unterintervall von 0 bis j der Belief von A und das Unterintervall von k bis 1 der Disbelief von A. Der Restbetrag des Intervalls von j bis k beschreibt die so genannte Unsicherheit. Belief (A) gibt den Grad an, mit dem die Hypothese angenommen werden kann, Disbelief (A) denjenigen, mit dem ¬A angenommen werden kann, und Uncertainty (A) ist das Maß, mit dem weder das eine noch das andere für A angenommen werden kann. Werden neue Evidenzen einbezogen, wird die Unsicherheit kleiner und Belief oder Disbelief größer. Aus der Abbildung ist weiterhin ersichtlich, dass:

↓80

sowie

ist.

↓81

Und weiterhin, wenn A eine Teilmenge von B ist, dass:

und

ist.

↓82

Sind nun z. B. die Evidenzen für verschiedene Hypothesen aus zwei unterschiedlichen Informationsquellen Q1 und Q2 mit den daraus resultierenden FOD θ 1 und θ 2 und den dazugehörigen BPA m1(.) und m2(.) gegeben, so kann das neue BPA m*(.), basierend auf m1(.) und m2(.), über folgende Formel berechnet werden:

(5.4)

wobei für den Zähler X = Xi ∩ Xj und für den Nenner Xi ∩ Xj = φ gilt.

↓83

Für jede Hypothese können das neue Belief und die Plausibilität über die Formeln 5.2 und 5.3 berechnet werden. Die Summierung von mehr als zwei Belief-Funktionen erfolgt analog.

6.2.2 Scheinbare elektrische Leitfähigkeit des Bodens

Für die Messung der scheinbaren elektrischen Leitfähigkeit des Bodens (ECa; apparent electrical conductivity) wurde der EM38-Sensor der Firma Geonics (Kanada) genutzt. Das Gerät arbeitet nach dem Prinzip der elektromagnetischen Induktion und schickt über eine Sendespule elektromagnetische Wellen in den Boden, die einen schwachen Wechselstrom erzeugen. Dieser wiederum induziert Änderungen des Magnetfeldes im Boden, die von einer Empfangsspule gemessen werden und direkt proportional zur elektrischen Leitfähigkeit sind, die üblicherweise in Millisiemens je Meter (mS/m) angegeben wird. Die Messtiefe von Geräten, die mit elektromagnetischer Induktion arbeiten, ist abhängig von Spulenabstand, Orientierung der Spulen, Frequenz, Abstand zum Erdboden und der Bodenschichtung. Da beim EM38 der Spulenabstand und die Frequenz unveränderlich sind und sich die Sensitivität des EM38-Signals in Abhängigkeit von der Spulenausrichtung mit der Tiefe ändert, wurde die Messtiefe durch die Spulenorientierung beeinflusst (horizontaler bzw. vertikaler Messmodus). Die Sensitivität der Messungen ist im Vertikalmodus im Bereich von ca. 40 % der Spulendistanz am höchsten (Durlesser 1999 ). Im horizontalen Modus nimmt die Sensitivität des Signals von der Bodenoberfläche an kontinuierlich ab, wobei ca. 55 % des Signals aus den oberen 30 cm des Bodens kommen (McNeill 1980 ). Die Messtiefe des Gerätes beträgt in einem homogenen Bodenprofil im Vertikalmodus ca. 1.5 - 2.0 m, im Horizontalmodus ca. 0.8 - 1.0 m (Lesch, Corwin, Robinson 2005 ).

Die theoretischen Sensitivitätskurven des Messsignals sind für homogene Medien kalibriert, was ein Hauptproblem bei der Nutzung dieser Funktion für die Vorhersage von Boden-schichtung über gewichtete Faktoren aus beiden Messmodi ist. Die Stärke von elektrischen Strömen im Boden hängt unter gemäßigten humiden (und nicht versalzenen) Bedingungen hauptsächlich von der Bodenfeuchte und dem Tongehalt bzw. der Texturklasse ab, da die Ionen geladene Sternschicht und die negativ geladenen Oberflächen der Tonminerale die Hauptleiter für Strom im Boden sind (Herbst, Lamp 2006 ). Die Wechselwirkung zwischen den beiden Parametern Ton- und Bodenwassergehalt kann genutzt werden, um Texturklassen und Bodenfeuchtestufen oder auch einen mittleren Tongehalt über das Bodenprofil mit relativ guter Reproduzierbarkeit in die Fläche zu erfassen (Durlesser 1999 ; Herbst 2002 ).

↓84

Die scheinbare elektrische Leitfähigkeit ist für die überwiegend tonhaltigen Böden des Betriebes Täger-Farny daher als Eingangsdatum für das vorgeschlagene Modell gut geeignet. Für andere Landschaften müssen andere oder zusätzliche Daten, wie z. B. digitale Höhenmodelle und Luftbilder, als Eingangsdaten genutzt werden.

6.2.3 Datenaufbereitung und -verarbeitung

Die scheinbare elektrische Leitfähigkeit wurde zu zwei Zeitpunkten (multitemporal), im April und im August 2005, sowohl im horizontalen als auch im vertikalen Modus (multimodal) in den Fahrspuren des Versuchsschlages erfasst. Die Interpolation der Leitfähigkeitsdaten erfolgte mit der Software VESPER (Variogram Estimation and Spatial Prediction with Error), die vom Australian Centre for Precision Agriculture (ACPA) zur Interpolation von hochauf-lösenden Sensordaten entwickelt wurde (Minasny, McBratney, Whelan 2005 ). Das Programm führt ein Kriging mit lokaler Variogrammanpassung durch. Beim Kriging wird auf Grundlage der in theoretischen Variogrammen beschriebenen Zusammenhänge die räumliche Verteilung der betrachteten Daten geschätzt. Der Wert der Schätzvariablen an einem unbeprobten Ort wird dabei durch ein gewichtetes Mittel der benachbarten gemessenen Werte errechnet. Grundlage für die Schätzung sind das geostatistische Modell und das Variogramm, das den räumlichen Zusammenhang des Prozesses beschreibt. Die lokalen Variogramme werden in VESPER automatisch durch die nicht lineare Methode der kleinsten Quadrate bestimmt. Die mittleren Krigingvarianzen der vier Messungen unterscheiden sich nur gering und liegen für die Messungen im April im Horizontalmodus bei 0.6, im Vertikalmodus bei 0.8 mS/m, für die Messungen im August liegen die Werte im Horizontal- und Vertikalmodus bei 0.5 bzw. 1.01 mS/ m. Die so interpolierten Leitfähigkeitsdaten bildeten die Eingangsdaten für das Modell zur Belief-Klassifizierung, für die das im Modul MAXSET des GIS-Systems Idrisi Kilimanjaro (Eastman 2003 ) enthaltene Dempster-Shafer-Modell genutzt wurde. Das Modul MAXSET nutzt zur Schätzung unbekannter Parameter die sogenannte Maximum-Likelihood-Methode. Sie erlaubt eine möglichst genaue Schätzung von unbekannten Parametern auf Grundlage von bekannten Stichprobenwerten. Dabei wird die Wahrscheinlichkeit maximiert, dass der geschätzte Parameter die beobachteten Ergebnisse in der Stichprobe verursacht hat.

Für das Modul MAXSET mussten zunächst sogenannte Trainingsareale definiert werden. Solche Trainingsdatensätze können z. B. über Clustering bestimmt oder aber manuell digitalisiert werden, wie es bei dieser Untersuchung der Fall war. Die manuelle Bestimmung wurde durchgeführt, um das a priori-Wissen in den Klassifizierungsprozess einfließen zu lassen, was bei Nutzung der automatischen Bestimmung nicht möglich gewesen wäre. Unter Berücksichtigung von Daten aus Profilaufnahmen und Bodenanalysen sowie Leitfähig-keitsdaten wurden die Trainingsareale a bis i festgelegt und digitalisiert (Abb. 6.2). Die Areale sind inhaltlich in Tab. 6.1 beschrieben (Abkürzungen für Bodentyp, Bodenartengruppe und Bodenartenhauptgruppe nach KA5), zusätzliche Erläuterungen zu den Wasserstatus-klassen sind Tab. 6.2 zu entnehmen. Nach der Definition der Trainingsareale wurde die a   priori-Wahrscheinlichkeit für jedes Areal festgelegt und so eine inhaltliche Gewichtung der Areale vorgenommen, indem deren geschätzte Häufigkeit des Auftretens in der Fläche berücksichtigt wurde. Die a priori-Wahrscheinlichkeiten für die einzelnen Trainingsareale sind der Tab. 6.3 zu entnehmen.

↓85

Die bedingte oder auch a posteriori-Wahrscheinlichkeit der Evidenz wird im Modell zunächst aus der Varianz-Covarianz-Matrix der Trainingsareale ermittelt und dann durch die a priori-Wahrscheinlichkeiten modifiziert. Die Pixelwerte werden dann relativ zum maximalen Wert, der existiert, normalisiert. Auf diese Weise werden die Kommunalitäten der verschiedenen Klassen als Maß für den Grad des Zusammenhangs einer Variablen mit allen anderen Variablen ermittelt:

wobei p(h/e): a posteriori (bedingte) Wahrscheinlichkeit; Wahrscheinlichkeit, dass

↓86

Hypothese bei gegebener Evidenz wahr ist

p(e/h): Wahrscheinlichkeit, dass Evidenz bei gegebener Hypothese wahr ist

p(h): a priori (unbedingte) Wahrscheinlichkeit; Wahrscheinlichkeit, dass

↓87

Hypothese ungeachtet der Evidenz wahr ist.

Die Theorie ist, dass im Bild mindestens ein Pixel existiert, der die entsprechende Klasse vollständig repräsentiert. Die Kommunalitäten werden dann der Größe nach sortiert und die BPA’s über die Differenzen zweier aufeinander folgender Kommunalitäten kalkuliert.

Abb. 6.2: Trainingsareale und Bohrungen auf dem Versuchsschlag Rabenberg

↓88

Tab. 6.1: Attribute der Trainingsareale für den Versuchsschlag Rabenberg

Areal

Bodentyp

(Abk.)

Bodenartengr.

(bis 1.2m)

Bodenartenhauptgr.

(bis1.2m)

Wasserstatus

(Klassen)

a

SS

ss, ls

s

3.2

b

SS

ss, ls

s

3.1

c

SS

ls//ss

s

3.2

d

SS

ss, ls//sl

s//l

3.3

e

YK-SS

ss, ls

s

4

f

GG-SS

ss, ls//ut

s//t

5

g

SS

lt

t

3.3

h

SS

ss

s

3.1

i

GG-SS

ls/tl

s/t

5

Tab. 6.2: Bedeutung der Wasserstatusklassen

Klasse

1

2

3

4

5

6

Bedeutung

sehr trocken

trocken

wechsel-feucht

frisch

feucht

nass

3.1

3.2

3.3

trocken

frisch

feucht

Tab. 6.3: A priori-Wahrscheinlichkeiten (APW) für die Trainingsareale a bis i

Areal

a

b

c

d

e

f

g

h

i

APW

0.17

0.12

0.1

0.15

0.12

0.12

0.12

0.05

0.05

↓89

Das Belief wird schließlich über Aufsummieren der BPA’s aller Unterklassen einer Klasse berechnet. Ursprünglich müssen sich für die Anwendung der DS-Theorie die Klassen/ Hypothesen gegenseitig ausschließen. In dem verwendeten IDRISI-Modell ist dies nicht der Fall (IDRISI Notes und Handbuch), da so die Möglichkeit besteht, dass ein Pixel auch einer unbekannten Klasse zugeordnet werden kann, für die kein Trainingsdatensatz vorgegeben wurde. Voraussetzung ist, dass zusätzlich zu den Klassen, für die Trainingsareale definiert wurden, eine weitere Klasse mit der Bezeichnung [Andere] festgelegt wird. Die Ergebnisse stimmen mit denen der DS-Theorie überein, es wird aber die Möglichkeit berücksichtigt, dass Klassen vorhanden sind, über die kein Wissen vorliegt.

Wenn die BPA-Struktur der Pixel ermittelt ist, können alle damit verbundenen Größen, wie z. B. Plausibilität oder Ignorance, berechnet werden, und es muss eine Entscheidungsregel gewählt werden, mit der die Beobachtungen in Gruppen eingeteilt werden. Die Entscheidungsregeln basieren auf den Evidenzfunktionen für Belief und Plausibilität:

H Teilmenge von A

↓90

H ∩ A ≠ Ø

Das Ergebnis ist eine sogenannte „hard classification“, bei der jedem Pixel die Klasse mit dem höchsten Belief zugeordnet wird. Dieses „hardening“ ist nötig, um praktikable und übersichtliche Karten zu erhalten. Ohne diese Prozedur wären bei neun Klassen, wie es in diesem Beispiel der Fall ist, 2 n -1 = 511 Möglichkeiten zu berücksichtigen, was weder in einer Karte darstellbar noch interpretierbar wäre.

Obwohl das Modul also wie ein überwachter Klassifikator läuft, da es Trainingsdatensätze benötigt, verhält es sich wie ein unüberwachter Klassifikator, indem es einen Pixel auch einer Signatur zuordnen kann, für die kein Trainingsareal definiert worden ist. Auf diese Weise können so genannte Mischsignaturen entstehen, die im vorliegenden Fall von Interesse sind, da sie die Übergänge zwischen zwei Bodentypen abbilden können.

↓91

Die Auswertung der Daten erfolgte für den Versuchsschlag Rabenberg in Groß Twülpstedt (Niedersachsen). Klima, Geogenese und Relief sowie Pedogenese und Bodenverbreitung für dieses Gebiet sind in Kapitel 2 dieser Arbeit beschrieben worden, weshalb an dieser Stelle nicht mehr auf Standortbedingungen und Lage des Versuchsschlages eingegangen wird.

6.3 Ergebnisse und Diskussion

Die scheinbare elektrische Leitfähigkeit des Bodens wird hauptsächlich durch Bodenfeuchte, Tongehalt und Salzkonzentration in der Bodenlösung beeinflusst (Durlesser 1999 ;  Friedman 2005 ; King u. a. 2003 ; McNeill 1980 ), aber auch bodenunabhängige Faktoren, wie die Umgebungstemperatur und die Messhöhe haben Einfluss auf das Signal des Messgerätes (Sudduth, Drummond, Kitchen 2001 ). Die Reaktion des Gerätes auf Wassergehaltsänderungen hängt vom Wasserstatus des Bodens ab: die Leitfähigkeit in trockenen Böden nimmt bei einem 1%igen Anstieg des volumetrischen Bodenwassergehaltes um 6 - 20 % zu, in feuchten Böden dagegen nur um 0 - 3 % (Durlesser 1999 ). Außerdem korreliert die ECa besser mit dem Wassergehalt von trockenen Böden als mit dem von feuchten (Carroll, Oliver 2005 ). Um die genannten Effekte zu minimieren, wurde das Messgerät immer in derselben Höhe angebracht und die Messungen im Vertikal- und Horizontalmodus am selben Tag durchgeführt. Der multimodale Ansatz wurde gewählt, um die Unterschiede zwischen oberen (Horizontalmodus) und tiefer liegenden Bodenschichten (Vertikalmodus) zu erfassen. Er basiert auf der Hypothese, dass der Tongehalt des Bodens konstant ist und „dass die Leit-fähigkeit an jedem beliebigen Standort variiert, wenn sich Bodenwassergehalt und Temperatur ändern“ (Brevik, Fenton, Lazari 2006 ). Die Unterschiede zwischen den Leitfähigkeiten im Frühjahr und im Sommer weisen demnach auf Unterschiede im Bodenwassergehalt hin. Die interpolierten ECa-Daten sind in Abb. 6.3 dargestellt. Aus der Abbildung ist die Ver-schiebung der Leitfähigkeitsmuster aufgrund der Bodenaustrocknung deutlich zu ersehen. Die im horizontalen Modus gemessenen Leitfähigkeiten spiegeln überwiegend die Verhältnisse im Oberboden wider und sind deutlich niedriger als die im vertikalen Modus erfassten Daten, die die Verhältnisse im Unterboden abbilden. Die Muster sind zu beiden Messterminen und in beiden Messmodi ähnlich: im nördlichen Teil des Schlages treten generell niedrigere Leit-fähigkeiten, im südwestlichen Teil hohe Leitfähigkeiten auf (Abb. 6.3). Dieses Muster lässt sich mit der Textur bzw. dem Ton- und Sandgehalt und der damit verbundenen Wasser-speicherkapazität des Bodens erklären: wenn der Boden austrocknet, treten die Effekte des Bodens auf die Wasserspeicherkapazität mehr in den Vordergrund (Carroll, Oliver 2005 ). Die im nördlichen Teil des Schlages überwiegend auftretenden lehmigen Sande und Sande besitzen ein geringeres Wasserspeichervermögen als die im südwestlichen Viertel vorkommenden Lehmtone und Lehme. Eine vergleichbare Erklärung hatten auch (Carroll, Oliver 2005 )für die Ergebnisse ihrer Studie, in der sie feststellten, dass Flächen mit hohen Leitfähigkeitswerten mit hohen Tongehalten korrespondierten und dass hohe Sand-gehalte mit niedrigen Leitfähigkeiten assoziiert waren (vgl. auch Lesch, Corwin, Robinson 2005 ), was sie

Abb. 6.3: Im Horizontal- und Vertikalmodus gemessene scheinbare elektrische Leitfähigkeit (ECa) in Millisiemens je Meter (mS/m) in den Monaten April und August des Jahres 2005

↓92

mit dem geringeren Leit- und Wasserspeichervermögen der Sande erklärten. Hinzu kommt im vorliegenden Fall die Reliefsituation auf dem Versuchsschlag Rabenberg: Wie aus Abb. 6.4 ersichtlich, fällt der Schlag vom nordöstlichen zum südwestlichen Teil hin deutlich ab, so dass durch die reliefbedingte Fließrichtung höhere Wassergehalte am südwestlichen Schlagrand bedingt sind. (Corwin, Lesch 2005 ) stellten fest, dass eine minimale Komplexität in den Leitfähigkeitsmustern auftritt, wenn (a) die Variabilität der Textur minimal ist, (b) die Texturänderungen im Feld weich und sukzessive verlaufen und (c) Textur und Wassergehalt stark korrelieren. Um den engen Zusammenhang zwischen den Leitfähigkeiten der beiden Messmodi und der beiden Erfassungszeiträume zu verdeutlichen, wurden Raumkorrelationen berechnet. Abb. 6.5 und Abb. 6.6 zeigen die Raumkorrelationen zwischen den ECa-Werten aus Horizontal- und Vertikalmodus zu den jeweiligen Messzeitpunkten April und August sowie zwischen den ECa-Werten von April und August aus den jeweiligen Messmodi.

Abb. 6.4: Reliefsituation auf dem Versuchsschlag Rabenberg

Die Abbildungen zeigen, dass die Korrelationskoeffizienten überwiegend hoch (0.6 bis 1.0 bzw. -0.6 bis -1.0), die Korrelationen aber sowohl positiv als auch negativ sind. Die hohen positiven Korrelationen zwischen den ECa-Werten aus beiden Messmodi im April lassen sich mit der hohen Wassersättigung des Bodens erklären. Im Frühjahr sind die Wassergehalte des Ober- und Unterbodens gewöhnlich sehr hoch, so dass in beiden Messmodi entsprechend hohe Messwerte auftreten (Abb. 6.3), was zu einer hohen positiven Korrelation führt. Die positiven und negativen Korrelationen zwischen den ECa-Werten aus beiden Messmodi im August hingegen lassen sich über die zunehmende Austrocknung des Bodens im Sommer erklären, die von den oberen zu den tiefer gelegenen Bodenschichten erfolgt. Das heißt, der Unterboden (= ECa-Werte aus dem Vertikalmodus) enthält im Vergleich zum Oberboden (= ECa-Werte aus dem Horizontalmodus) mehr Wasser, was sich in höheren Leitfähigkeits-werten zeigt (siehe auch Abb. 6.3). Die negativen Korrelationen treten insbesondere dort auf, wo sandige Texturen vorkommen, die ein geringeres Wasserspeichervermögen besitzen als die bindigeren Texturen und dementsprechend schneller austrocknen. In diesen Arealen stehen niedrige Leitfähigkeitswerte aus dem Oberboden höheren Leitfähigkeitswerten aus dem Unterboden gegenüber, was zu negativen Korrelationen führt. Die positiven Korrelationen zwischen den Daten aus beiden Messmodi im August treten vor allem in den südwestlichen Arealen des Schlages auf, in denen tonreiche Böden vorkommen, die aufgrund ihrer besseren Wasserspeicherfähigkeit weniger schnell austrocknen und daher sowohl im Ober- als auch im Unterboden noch verhältnismäßig hohe Leitfähigkeitswerte aufweisen.

↓93

Abb. 6.5: Raumkorrelation zwischen den ECa-Werten aus Horizontal- und Vertikalmessmodus zu den jeweiligen Messzeitpunkten April und August

Abb. 6.6: Raumkorrelation zwischen den ECa-Werten von April und August aus den jeweiligen Messmodi horizontal und vertikal

Auf ähnliche Weise lassen sich die Korrelationen zwischen den ECa-Werten aus den jeweiligen Messmodi erklären (Abb. 6.6). Die Areale mit negativen Korrelationen stellen solche Flächen dar, die im Sommer deutlich trockener waren als im Frühjahr. Die Areale mit positiven Korrelationen repräsentieren die Flächen, auf denen die Unterschiede im Wassergehalt zwischen April und August nicht so deutlich waren. Abb. 6.7 zeigt als Ergebnis der Modellierung die Verteilung der Signaturen auf dem Versuchsschlag Rabenberg.

↓94

Abb. 6.7: Karte der Signaturen für den Versuchsschlag Rabenberg

Neben den durch die Trainingsareale definierten Monosignaturen a bis i wurden 17 weitere Mischsignaturen ermittelt, die, wie erwartet, in den Übergangsbereichen zwischen zwei oder mehreren Monosignaturen auftreten. Aufgrund der hohen Tongehalte bzw. des unterschiedlich hoch anstehenden Tons im Untergrund treten auf dem Versuchsschlag vorwiegend staunässebeeinflusste Böden auf. Aus Abb. 6.8 und Abb. 6.9 ist ersichtlich, dass die Signatur d am häufigsten auftritt. Sie nimmt mit ca. 24 % (1.9 ha) knapp ein Viertel der gesamten Schlagfläche, die ca. 8 ha beträgt, ein und repräsentiert feuchte Pseudogleye aus Sand oder Lehmsand über tiefem Sandlehm (Tab. 6.1). Diese Böden treten zum einen an den westlichen und östlichen Schlagrändern auf und bilden zum anderen den Übergang von den sandigen Substraten im nördlichen Teil zu den tonigen Substraten im südwestlichen Viertel des Schlages (Abb. 6.7). Neben dieser Signatur d nimmt die Signatur a mit ca. 22 % (1.75 ha) einen weiteren großen Teil der Schlagfläche ein. Sie repräsentiert frische Pseudogleye aus Sand oder Lehmsand und tritt vorwiegend im nordöstlichen sowie im westlichen Teil des

Abb. 6.8: Prozentuale Häufigkeiten der ermittelten Signaturen für den Versuchsschlag Rabenberg

↓95

Abb. 6.9: Flächenanteile (ha) der ermittelten Signaturen für den Versuchsschlag Rabenberg

Schlages von Norden nach Süden entlang der Signatur d auf (Tab. 6.1 und Abb. 6.7 - Abb. 6.9). Die Signaturen b, c und h repräsentieren trockene bis frische Pseudogleye aus Sand oder Lehmsand bzw. aus Lehmsand über tiefem Sand (Tab. 6.1) und nehmen zusammen mit ca. 27 % (2.1 ha) gut ein weiteres Viertel der Gesamtfläche ein (Abb. 6.8 und Abb. 6.9). Sie treten über den gesamten nördlichen Teil des Schlages verteilt auf (Abb. 6.7). Im südwestlichen Viertel treten mit 14 % (1.13 ha) vorwiegend feuchte Pseudogleye aus Lehmton auf, die durch die Signatur g beschrieben werden (Tab. 6.1 und Abb. 6.7 - Abb. 6.9). Außerdem kommen in diesem Teil des Schlages auch feuchte Gley-Pseudogleye aus Sand oder Lehmsand über tiefem Schluffton bzw. aus Lehmsand über Tonlehm vor, die durch die Signaturen f und i repräsentiert werden (Tab. 6.1 und Abb. 6.7). Die drei Signaturen f, g und i nehmen zusammen mit ca. 20 % (1.5 ha) nahezu das gesamte südliche Viertel des Schlages ein (Abb. 6.7 - Abb. 6.9). Signatur e repräsentiert frische Kolluvisol-Pseudogleye aus Sand oder Lehmsand (Tab. 6.1). Diese durch erosionsbedingten Bodenauftrag geprägten Pseudogleye kommen im zentralen Teil des Schlages vor, der in einem Rinnenbereich unterhalb eines Abschnittes mit verstärkter Hangneigung (ca. 3.7 %) liegt (Abb. 6.4 und Abb. 6.7), insgesamt aber nur 3.6 % (0.3 ha) der Schlagfläche einnimmt (Abb. 6.8 und Abb. 6.9). Insgesamt werden ca. 95 % der gesamten Schlagfläche im Modell den Signaturen a bis i zugeordnet. Die restlichen 5 % (0.4 ha) entfallen auf Mischsignaturen, die aufgrund ihrer Leitfähigkeitsmuster keinem der vorgegebenen Trainingsareale eindeutig zugeordnet werden konnten. Hierbei nehmen die Mischsignaturen ad und ac mit zusammen 3 % bzw. 0.24 ha mehr als die Hälfte der verbleibenden Fläche ein (Abb. 6.8 und Abb. 6.9).

Zur Beurteilung der festgelegten Trainingsareale a bis i wurden die Mittelwerte und Standard-abweichungen der ECa-Werte aus den vier unterschiedlichen Messungen für das jeweilige Trainingsareal ermittelt und die entstandenen Kurven miteinander verglichen (Abb. 6.10). Aus Abb. 6.10 A ist ersichtlich, dass sich einige der Trainingsareale bezüglich ihrer Mittelwerte sehr ähnlich sind und dass die Differenzen zwischen den Mittelwerten meist unter 5 mS/m liegen. Betroffen sind insbesondere die Areale a und c, die frische Pseudogleye aus sandigen Substraten darstellen sowie die Areale b und h, die trockene Pseudogleye aus sandigen Substraten repräsentieren (vgl. Tab. 6.1). Dies wirft zunächst die Frage auf, ob die Areale korrekt gewählt wurden oder ob sie sich für eine Ermittlung unterschiedlicher Bodenzonen auf dem Versuchsschlag zu ähnlich sind. Bezüglich der Wasserstufe bestehen zwar keine Unterscheide zwischen den beiden genannten Arealpaaren, betreffend der Textur bzw. deren Schichtung treten jedoch Differenzen auf (Tab. 6.1). Durch das Trainingsareal a z. B. werden Böden aus Sand und Lehmsand beschrieben, Areal c beschreibt Böden aus Lehmsand über tiefem Sand. Da die Leitfähigkeit ein integriertes Mischsignal über die Erfassungstiefe ist, können Unterschiede in der Schichtung der Texturen zu ähnlichen oder gleichen ECa-Werten führen. Ebenso verhält es sich mit dem Wassergehalt des Bodens: unterschiedliche Gehalte über die Tiefe des Bodenprofils können zu ähnlichen oder gleichen Leitfähigkeitswerten führen. Aufgrund ihrer Unterschiede in der Textur und Schichtung, die für eine Differenzierung von verschiedenen Bodenzonen auf dem Schlag von großer

↓96

Abb. 6.10: Mittelwerte (A) und Standardabweichungen (B) der ECa-Werte aller vier Messungen für die Trainingsareale ai

Bedeutung sind, wurden die Areale a und c sowie b und h daher trotz ähnlicher Mittelwerte gesondert ausgewiesen. Hierdurch lässt sich auch der relativ hohe Anteil der Mischsignatur ac erklären. Die übrigen Areale d, e, fg und i unterscheiden sich bezüglich ihrer Mittelwerte wesentlich deutlicher (Abb. 6.10 A). Die Differenz ihrer Mittelwerte liegt meist bei mindestens 5 mS/m, was ein deutlicher Hinweis auf hinreichende Unterschiede zwischen den Arealen ist und die Entscheidung für ihre gesonderte Ausweisung unterstützt.

Tab. 6.4: Übereinstimmung der Modellergebnisse mit Ergebnissen von Feldaufnahmen

Bohrungen aus Projekt

Bohrpunkt

(Nr.)

Simulationsergebnis

(Bodentyp

+ BA-Gruppe)

Signatur

Feldaufnahme

(Bodentyp

+ BA-Gruppe)

Überein-stimmung

(*)

preagro I

1

SS aus lt

g

SS aus lt

+++

2

SS aus lt

g

BB-SS aus ls//lt

+

3

SS aus ls//s

c

BB-SS aus ls

++

4

SS aus lt

g

YK-SS aus ss/lt

+

5

SS aus lt

g

GG-SS aus ls//tl

+

6

SS aus ss oder ls

a

YK-SS aus ls/ss

++

8

SS aus ss oder ls//sl

d

SS aus ll/sl

++

10

SS aus ls//ss

c

YK-SS aus ls/ss

++

12

SS aus ss oder ls

a

SS aus ls\ss

+++

preagro II

4

SS aus ss oder ls

a

BB-SS aus ls

++

6

YK-SS aus ss oder ls

e

BB-SS aus ls

++

(*) sehr gute (+++), gute (++), mäßige (+), keine (-) Übereinstimmung

↓97

Zur Modellanwendung gehört immer auch die Validation, die üblicherweise über den Ver-gleich der Simulationsergebnisse mit neu erhobenen Felddaten erfolgt. In diesem Falle wurden zur Validation die insgesamt 11 Bohrpunkte aus den Projekten preagro I und II verwendet, die nicht in die Festlegung der Trainingsareale eingeflossen sind. Aufgrund des engen Zusammenhangs zwischen ECa-Werten und Bodeneigenschaften, wie z. B. Bodenfeuchte und Tongehalt (Durlesser 1999 ; Friedman 2005 ; King u. a. 2003 ; McNeill 1980 ), schien diese Variante der Validierung gerechtfertigt. Aus Tab. 6.4 können die Ergebnisse des Vergleichs entnommen werden. In drei Fällen (27%) wurde nur mäßige Über-einstimmung zwischen den Ergebnissen festgestellt. Das heißt, es traten sowohl bezüglich des Bodentyps als auch der Bodenartengruppe Abweichungen zu den Felddaten auf, die jedoch noch als verhältnismäßig übereinstimmend angesehen werden konnten (vgl. Tab. 6.4, Bohr-punkte 2, 4 und 5 aus dem Projekt preagro II). In 6 von 11 Fällen (55 %) wurde eine gute, in 2 Fällen (18 %) eine sehr gute Übereinstimmung der Simulationsergebnisse mit den Felddaten festgestellt. In diesen Fällen wurden nur leichte Abweichungen bezüglich der Boden-artengruppe bzw. deren Abfolge oder des Bodentyps bzw. der Tiefe der Pseudovergleyung festgestellt. In 73 % der Fälle kann also von guter bis sehr guter Übereinstimmung der Simulationsergebnisse mit den Felddaten gesprochen werden. Bemerkenswert ist, dass in keinem Fall überhaupt keine Übereinstimmung festgestellt werden konnte, was eventuell auch auf die geringe Vielfalt an vorkommenden Bodentypen auf dem Schlag zurückgeführt werden kann. Der Flächenanteil der Mischsignaturen, deren Ermittlung als ein Vorteil des vorgeschlagenen Modells gesehen wird (vgl. Dobers, Stuczynski 2005 ), ist geringer als erwartet. Gründe dafür, dass das Modell nur einen geringen Anteil an Mischsignaturen ausweist, wird zum einen die relativ hohe Anzahl an Trainingsarealen und zum anderen die klare Strukturierung der Region Groß Twülpstedt bezüglich der auftretenden Texturen sein. Aufgrund der Prägung durch die von Tonen unterlagerten glazialen, überwiegend sandigen Deckschichten sind die Unterschiede in der vertikalen Abfolge der Texturen und deren Übergänge meist sehr deutlich, was die vorwiegende Zuordnung der einzelnen Pixel zu den definierten Trainingsarealen verursacht.

Die manuelle Digitalisierung der Trainingsareale und die Festlegung der a priori-Wahrscheinlichkeiten sind subjektive Prozesse, die mit großer Sorgfalt durchgeführt werden müssen, da diese das Modellergebnis deutlich beeinflussen. Über solche semiquantitativen Methoden besteht jedoch die Möglichkeit, deduktives Expertenwissen als Steuerungsfunktion in das Modell einfließen zu lassen. Dies ist gerade im Zusammenhang mit der Modellierung von Bodenkarten interessant, da Bodeneigenschaften und -funktionen durch ein hohes Maß an Heterogenität und Kontinuität sowie durch unscharfe Grenzen und fließende Übergange geprägt sind. Von enormer Bedeutung ist dieses a priori-Wissen, wenn nur wenige beprobte Areale im Feld vorliegen, da für die direkte Interpolation eine hohe Anzahl von Beprobungen mit entsprechenden Probenahmedistanzen nötig ist (vgl. Frogbroock u. a. 1999 ; Herbst, Lamp 2004 ; McBratney, Pringle 1997 ; Viera 1999 ).

Unter der Bedingung, dass entsprechendes und ausreichendes Expertenwissen vorliegt, liefert das vorgeschlagene Modell auf Basis der Dempster-Shafer-Theorie bezüglich Bodentyp und Wasserstatus sowie der Bodenartengruppen und deren Abfolge gute Ergebnisse für den Versuchsschlag Rabenberg und kann dazu beitragen, den Aufwand zu verringern, der mit der Erfassung von Daten in hoher räumlicher und zeitlicher Auflösung einhergeht. Die scheinbare elektrische Leitfähigkeit ist aufgrund der oben beschriebenen Zusammenhänge zwischen Bodeneigenschaften und Leitfähigkeit für die Bodenregion, in der der Versuchsschlag liegt, gut als Eingangsdatum zu nutzen. Dies ist jedoch nicht für alle Landschaften der Fall. Für den zweiten Versuchsschlag bei Wulfen konnte das Modell unter Verwendung von Leitfähigkeitsdaten keine guten Ergebnisse erzielen. In diesen Landschaften sind andere Daten, wie z.B. Luftbilder oder digitale Höhenmodelle, aber auch Leitfähigkeitsdaten in Ergänzung mit weiteren Daten für hinreichend genaue Simulationsergebnisse nötig. Welche Eingangsdaten sich am besten eignen, muss für die jeweilige Region von Interesse geprüft werden.


© Die inhaltliche Zusammenstellung und Aufmachung dieser Publikation sowie die elektronische Verarbeitung sind urheberrechtlich geschützt. Jede Verwertung, die nicht ausdrücklich vom Urheberrechtsgesetz zugelassen ist, bedarf der vorherigen Zustimmung. Das gilt insbesondere für die Vervielfältigung, die Bearbeitung und Einspeicherung und Verarbeitung in elektronische Systeme.
DiML DTD Version 4.0Zertifizierter Dokumentenserver
der Humboldt-Universität zu Berlin
HTML-Version erstellt am:
17.08.2010