Prediction of Soil Organic Carbon Using Machine Learning Algorithm in Long-Term Ecological Monitoring Plots of Southern Dry Mixed Deciduous Forests, Telangana, India

Der Boden unter unseren Füßen ist weit mehr als nur Dreck; er ist ein lebendiges, atmendes Reservoir, das mehr Kohlenstoff speichert als alle Wälder der Welt und die Atmosphäre zusammen. Dieser verborgene Kohlenstoff, der in organischer Substanz wie zerfallendem Laub und Wurzeln gespeichert ist, spielt eine entscheidende Rolle bei der Regulierung des Klimas unseres Planeten. Wenn diese organische Substanz abgebaut wird, setzt sie Kohlenstoff wieder an die Luft ab, aber wenn sie bewahrt wird, fungiert sie als ein wirkungsvolles Instrument gegen den Klimawandel. Zu verstehen, wie viel Kohlenstoff im Boden gespeichert ist und welche Faktoren dazu beitragen, ihn dort zu halten, ist essenziell für die nachhaltige Bewirtschaftung von Wäldern. Das Messen dieses Kohlenstoffs ist jedoch schwierig, da die Bodenbedingungen von einem Ort zum anderen massiv variieren, beeinflusst durch alles – von den Niederschlägen bis hin zu den spezifischen Nährstoffen, die für Pflanzen verfügbar sind. Wissenschaftler suchen seit langem nach besseren Wegen, um diese verborgenen Reserven vorherzusagen, ohne jeden einzelnen Quadratmeter eines Waldes aufgraben und testen zu müssen.

In den südlichen trockenen, gemischt laubabwerfenden Wäldern von Telangana, Indien, setzte sich ein Forscherteam daran, dieses Rätsel zu lösen, indem es testete, ob moderne Computerprogramme lernen können, den Gehalt an Bodenkohlenstoff genauer vorherzusagen als traditionelle Methoden. Sie konzentrierten sich auf ein spezifisches, zehn Hektar großes Waldstück, eine permanente Überwachungsstelle, an der sie bereits ein detailliertes Beobachtungsgitter etabliert hatten. Um ihre Modelle aufzubauen, sammelte das Team hunderte von Bodenproben aus verschiedenen Tiefen auf diesem Grundstück. Sie analysierten jede Probe auf Schlüsselmerkmale: wie sauer oder neutral der Boden war, wie viel Feuchtigkeit er enthielt und die Mengen essenzieller Pflanzennährstoffe wie Stickstoff, Phosphor und Kalium. Mit diesem reichhaltigen Datensatz in der Hand fütterten sie die Informationen in fünf verschiedene Arten von Machine-Learning-Algorithmen ein. Dies sind Computerprogramme, die darauf ausgelegt sind, Muster in Daten zu finden, die von einfachen statistischen Werkzeugen bis hin zu komplexen Systemen reichen, die die Art und Weise nachahmen, wie das menschliche Gehirn Informationen verarbeitet. Das Ziel war es zu sehen, welches Programm den Gehalt an organischem Bodenkohlenstoff allein basierend auf den anderen Bodeneigenschaften am besten erraten konnte.

Die Ergebnisse zeigten eine klare Hierarchie in der Leistungsfähigkeit dieser digitalen Werkzeuge. Der erfolgreichste Ansatz war eine Methode namens Random Forest, eine Technik, die viele kleine Entscheidungsbäume aufbaut und deren Antworten kombiniert, um zu einem Ergebnis zu gelangen. Dieses Modell übertraf alle anderen und sagte den Kohlenstoffgehalt mit einem hohen Grad an Zuverlässigkeit genau voraus. Es wurde dicht gefolgt von einer weiteren fortgeschrittenen Methode, bekannt als Extreme Gradient Boosting, und einem System, das auf neuronalen Netzen basiert. Im Gegensatz dazu funktionierte eine einfachere, traditionelle Methode namens Multiple Lineare Regression, die einen linearen Zusammenhang zwischen Variablen annimmt, mäßig gut, konnte aber die volle Komplexität des Bodens nicht erfassen. Das am wenigsten effektive Werkzeug war die Support Vector Machine, ein anspruchsvoller Algorithmus, der mit diesem spezifischen Datensatz erheblich zu kämpfen hatte und Vorhersagen lieferte, die weitaus weniger genau und viel unsicherer waren als die der anderen.

Ein tieferer Blick darauf, warum diese Modelle funktionierten oder scheiterten, hob einen entscheidenden Faktor hervor: die Bodenfeuchtigkeit. Bei den erfolgreichsten Modellen erwies sich die Wassermenge im Boden als der wichtigste Hinweis zur Vorhersage des gespeicherten Kohlenstoffs. Während die Verfügbarkeit von Nährstoffen wie Stickstoff und Phosphor ebenfalls eine starke Rolle spielte, war der Feuchtigkeitsgehalt der dominierende Faktor. Die Forscher fanden heraus, dass der Boden in diesem trockenen Laubwald im Allgemeinen eine neutrale Acidität aufwies, mit moderaten Mengen an Stickstoff und Kalium, aber relativ geringen Mengen an Phosphor. Der Kohlenstoffgehalt selbst variierte über das gesamte Grundstück hinweg erheblich, von sehr niedrigen bis zu moderat hohen Werten, was die komplexe und unebene Natur des Waldbodens widerspiegelt. Die Studie bestätigte, dass zwar Nährstoffe wichtig sind, der physische Zustand des Bodens, insbesondere seine Fähigkeit, Wasser zu halten, jedoch der primäre Schlüssel zum Verständnis der Kohlenstoffspeicherung in diesen trockenen Gebieten ist.

Diese Arbeit zeigt, dass für Forstwirte und Wissenschaftler in ähnlichen trockenen Regionen der beste Weg, den Bodenkohlenstoff zu schätzen, nicht durch einfache Durchschnittswerte oder ältere statistische Tricks besteht, sondern durch fortschrittliche Computermodelle, die komplexe, nicht-lineare Beziehungen verarbeiten können. Die Studie legt nahe, dass es möglich ist, die Bodengesundheit mit größerer Präzision zu kartieren, indem man sich auf die Bodenfeuchtigkeit und den Nährstoffgehalt konzentriert und robuste Machine-Learning-Werkzeuge wie Random Forest verwendet. Diese Präzision ist entscheidend für das Verständnis darüber, wie diese Wälder als Kohlenstoffsenken funktionieren und um Strategien zu ihrer Erhaltung zu entwickeln. Während einige der komplexeren Algorithmen Schwierigkeiten hatten, bietet der Erfolg der baumbasierten Modelle einen praktischen Weg nach vorn und beweist, dass die richtigen digitalen Werkzeuge in der Lage sind, die Geheimnisse zu entschlüsseln, die unter unseren Füßen in der Erde verborgen liegen.