A scalable framework for agricultural drought hazard mapping in data-scarce arid regions: Case study of Jiroft plain, Iran
Diese Studie präsentiert ein skalierbares Framework zur Kartierung landwirtschaftlicher Dürregefahren in der datenarmen Jiroft-Ebene im Iran durch die Integration von Fernerkundungsdaten mit In-situ-Bodenfeuchtigkeitsmessungen und maschinellen Lernmodellen und zeigt auf, dass ein Support-Vector-Machine-Ansatz unter Verwendung der pflanzenverfügbaren Wasserkapazität und der Bodenfeuchtigkeit als Schlüsselprädiktoren effektiv Dürrerisiken identifiziert.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In den trockenen, sonnenverbrannten Ecken der Welt lebt die Landwirtschaft auf Messers Schneide. Wenn der Regen nicht planmäßig eintrifft, trocknet der Boden aus, die Ernten verwelken und die Ernährungssicherheit steht auf dem Spiel. Für Landwirte und Planer ist das Wissen darüber, wo und wann dem Land das Wasser ausgeht, eine Frage des Überlebens. Die direkteste Methode, dies zu messen, besteht darin, die Bodenfeuchtigkeit zu prüfen, doch in abgelegenen, ariden Regionen ist der Boden oft zu weitläufig und die Wetterstationen zu wenige, um ein vollständiges Bild zu vermitteln. Wissenschaftler haben sich lange Zeit an Satelliten gewandt, um diese Lücken zu füllen, indem sie Sensoren nutzen, die die Gesundheit von Pflanzen und die Temperatur des Bodens aus dem Weltraum wahrnehmen können. Indem sie beobachten, wie grün die Vegetation ist und wie heiß die Oberfläche sich anfühlt, können Forscher ableiten, wie viel Wasser unter den Füßen der Nutzpflanzen verborgen ist, und so eine Möglichkeit schaffen, Dürre zu überwachen, ohne einen Sensor auf jedem Feld zu benötigen.
Ein Forscherteam richtete seine Aufmerksamkeit auf die Jiroft-Ebene im Südosten Irans, eine weite Agrarregion, in der Wasser knapp und detaillierte Wetteraufzeichnungen begrenzt sind. Dieses Gebiet, das über 2.200 Quadratkilometer umfasst, ist für den Anbau von Kulturen wie Weizen, Mais und Zitrusfrüchten stark auf Bewässerung angewiesen, leidet jedoch unter häufigen, schweren Dürren. Die Herausforderung bestand darin, eine zuverlässige Karte der landwirtschaftlichen Dürregefahr zu erstellen – einen Weg, um vorherzusagen, welche Teile dieser Landschaft besonders anfällig für Wasserstress sind – und zwar nur unter Verwendung der begrenzten verfügbaren Daten. Um dies zu erreichen, kombinierte das Team Satellitenbilder aus fünfzehn Jahren mit einer geringen Anzahl tatsächlicher Bodenproben, die vor Ort gesammelt wurden. Sie nutzten eine Methode, die die Beziehung zwischen der Grünfärbung der Pflanzen und der Oberflächenhitze als ein Dreieck behandelt, was es ihnen ermöglichte, den Feuchtigkeitsgehalt in der obersten Bodenschicht über die gesamte Ebene hinweg zu schätzen.
Die Forscher sammelen Daten von 2007 bis 2022 und betrachteten dabei acht spezifische Jahre, in denen die Dürrebedingungen besonders schwerwiegend waren. Sie maßen die Bodenfeuchtigkeit in einer Tiefe von bis zu 30 Zentimetern, was die kritische Zone ist, in der die Pflanzenwurzeln trinken. Durch den Vergleich der Satellitendaten mit 73 Bodenproben, die sie in den Jahren 2021 und 2022 gesammelt hatten, bauten sie ein Modell auf, um zu berechnen, um wie viel die Bodenfeuchtigkeit in einem gegebenen Jahr im Vergleich zum langfristigen Durchschnitt gesunken war. Dieser Rückgang, oder die relative Abweichung, diente als Maßstab, um zu identifizieren, wo tatsächlich Dürre herrschte. Nachdem sie diese Dürreereignisse kartiert hatten, nutzten sie Computeralgorithmen, um die dahinter liegenden Muster zu finden. Sie testeten drei verschiedene Machine-Learning-Modelle, um zu sehen, welches am besten das Dürrerisiko basierend auf zehn verschiedenen Umweltfaktoren vorhersagen konnte, darunter die Hangneigung des Geländes, die Bodenart, die Dichte von Flüssen und die Menge der Niederschläge.
Die Ergebnisse zeigten, dass ein spezielles Computermodell, bekannt als Support Vector Machine, weitaus überlegen gegenüber den anderen war, wenn es darum ging, vorherzusagen, wo eine Dürre zuschlagen würde. Dieses Modell erreichte ein hohes Maß an Genauigkeit und identifizierte dürregefährdete Gebiete in fast jedem Testfall korrekt. Die Analyse ergab, dass der wichtigste Faktor bei der Bestimmung des Dürrerisikos nicht nur die Menge des gefallenen Regens war, sondern die Fähigkeit des Bodens, Wasser zu speichern. Insbesondere die Kapazität des Bodens, Pflanzen verfügbares Wasser bereitzustellen, war der dominierende Treiber der Dürregefahr. Wenn der Boden sandig war und die Feuchtigkeit nicht halten konnte und wenn die Vegetationsdecke dünn war, stieg das Dürrerisiko drastisch an. Interessanterweise variierte die Gesamtniederschlagsmenge in der Region nicht stark genug, um zu erklären, warum einige Gebiete trockener waren als andere; stattdessen diktierten die lokalen Bedingungen des Bodens und der Landschaft das Ergebnis.
Die von dem Team erstellte endgültige Karte unterteilt die Jiroft-Ebene in Risikozonen und zeigt, dass mehr als die Hälfte der Region einer sehr hohen Gefahr landwirtschaftlicher Dürre ausgesetzt ist. Diese gefährlichen Zonen konzentrieren sich in Gebieten mit sandigen Böden, geringer Vegetation und wenigen Wasserläufen. Im Gegensatz dazu bleiben die zentralen Teile der Ebene, in denen der Boden Wasser besser hält und die Vegetation dichter ist, relativ sicher. Dieser Ansatz bietet eine praktische Lösung für Regionen, in denen die bodengestützte Überwachung spärlich ist. Indem sie bewiesen, dass Satellitendaten in Kombination mit wenigen Bodenproben das Dürrerisiko genau kartieren können, bietet die Studie ein Werkzeug, das verwendet werden kann, um Landwirte zu warnen, bevor eine Krise eintritt. Sie verlagert den Fokus vom bloßen Zählen der Niederschläge hin zum Verständnis der komplexen physikalischen Beziehung zwischen dem Land, dem Wasser, das es hält, und den Pflanzen, die davon abhängen, und bietet so einen klareren Weg zum Management der Wasserressourcen in einer zunehmend trockenen Welt.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.