Böden bilden eine der wichtigsten Lebensgrundlagen für den Menschen. Nahrungsmittelproduktion, Lebensraum für Pflanze und Tier sowie das biologische und chemische Recycling von Nährstoffen sind insbesondere in Ländern mit stark verwitterten tropischen Böden und einer in weiten Teilen auf die Selbstversorgung der Menschen ausgerichteten Landwirtschaft zentrale Funktionen. Allerdings besteht gerade hier oft ein ausgesprochener Mangel an Bodeninformationen, die für ein nachhaltiges und effizientes Landmanagement unabdingbar sind. Häufig liegen lediglich wenige und ungleich im Raum verteilte Altdaten vor, oft noch aus Kolonialzeiten. Noch heute basieren viele Planungen daher auf der Weltbodenkarte aus den 1970er Jahren mit geringer Auflösung im Maßstab von 1 zu 1,5 Millionen – ein Zentimeter auf der Karte entspricht 15 Kilometern in der Natur. Dr. Karsten Schmidt, Dr. Thorsten Behrens und Professor Thomas Scholten von der Universität Tübingen und Kollegen von der Universität Bonn beschreiben erneut in einem neuen Aufsatz, wie mithilfe von maschinellem Lernen (ML) eine deutlich genauere und räumlich hoch aufgelöste Bodenkarte für ein Wassereinzugsgebiet in Burkina Faso berechnet werden kann.

Eine wichtige methodische Neuerung der sonst gängigen Prozessstruktur war die Berücksichtigung des potentiellen Kartierfehlers sogn. Source Error in den bestehende Altdaten und den damit verbundenen Einflüssen auf die Modellierung. Dabei konnte die inhärente Beziehung der bodenkundlichen Information zu seinen beschreibenden Umweltvariablen objektiv genutzt werden, um den Altdatenbestand zu bereinigen. Die so bereinigten Altdaten ermöglichten eine wesentliche bessere flächendeckende Modellierung der bodenkundlichen Information. Dabei werden in gängigen Ansätzen flächendeckende Umweltvariablen wie z.B. weltweit verfügbare Satellitendaten zur Topografie, zum Klima und zur spektralen Reflexion der Erdoberfläche mit den bodenkundlichen Daten modellhaft verknüpft und für die räumliche Vorhersage genutzt. Ein wichtiger Nebeneffekt in der Nutzung der ML-Verfahrensgruppe bei der Erzeugung des digitalen Kartenprodukts ist die Möglichkeit der Identifikation entscheidender Prozesskomponenten, die für die Bodenverbreitung wesentlich sind. In der Studie konnte mit dem ML-Verfahren Random Forests und den angesprochenen Anpassungen im Altdatenbestand die Bodenkarte für das Testgebiet in Burkina Faso berechnet werden. Dieses Klassifikationsverfahren besteht aus mehreren randomisierten Entscheidungsbäumen und lernt anhand der zur Verfügung stehenden Datensätze Entscheidungsregeln, in unserem Fall für die räumliche Zuweisung von Referenzbodenformen. Am Ende ist eine hoch aufgelöste Bodenkarte entstanden, die um bis zu 35 Prozent genauer ist, als es mit bislang üblichen statistischen Verfahren möglich war.

• Hounkpatin, O.K.L., Schmidt, K., Stumpf, F., Forkuor, G., Behrens, T., Scholten, T., Amelung, W., Welp, G. (2018): Predicting reference soil groups using legacy data: a data pruning and Random Forest approach for tropical environment (Dano catchment, Burkina Faso). Scientific Reports 8:9959. doi:10.1038/s41598-018-28244-w