Mapping physicochemical properties of soils and reservoir sediments by multi- and hyperspectral satellite data in the Brazilian semiarid region to support the sediment reuse technique

Technische Samenvatting: Kaartlegging van fysisch-chemische eigenschappen van bodems en reservoir-sedimenten in de Braziliaanse semiaride regio

Probleemstelling
Het hergebruik van sedimenten die zich ophopen in oppervlaktewaterreservoirs biedt een duurzaam alternatief voor chemische meststoffen in de zelfvoorzienende landbouw, door voedingsstoffen en organische stof te leveren terwijl de ecologische voetafdruk van de landbouw wordt verkleind. De effectieve integratie van sedimenthergebruik in het landbouwbeheer vereist echter een uitgebreide kennis van de fysisch-chemische eigenschappen (specifiek elektrische geleidbaarheid, organische koolstof en kleigehalte) over grote ruimtelijke schalen. Traditionele laboratoriumanalyse is tijdrovend, kostbaar en vaak onhaalbaar voor de honderden reservoirs in semiaride regio's zoals het noordoosten van Brazilië, waar de eigenschappen van sedimenten een hoge ruimtelijke heterogeniteit vertonen. Hoewel satellietdetectie (remote sensing) een schaalbare oplossing biedt, is er een gat in de toepassing van deze technieken specif으로 op reservoir-sedimenten, die verschillen van landbouwgronden door depositieprocessen en samenstelling. Bovendien richten bestaande studies zich vaak uitsluitend op landbouwgronden, waardoor het potentieel van multi- en hyperspectrale data voor de karakterisering van sedimenten in semiaride omgevingen onderbelicht blijft.

Methodologie
De studie werd uitgevoerd in de Banabuiú-rivierbekken in het noordoosten van Brazilië, een gebied dat wordt gekenmerkt door intermitterende rivieren en een dicht netwerk van meer dan 1.000 reservoirs. Het onderzoek maakte gebruik van een multi-bron data-aanpak:

• Satellietdata: Beelden werden verkregen op 4 december 2022 van drie sensoren: Sentinel-2 (multispectraal), PRISMA (hyperspectraal) en EnMAP (hyperspectraal).
• Grondwaarheid (Ground Truth): Een veldcampagne in januari l 2023 verzamelde 31 bovenlaag-bodemmonsters (20 landbouwgronden, 11 reservoir-sedimenten). Deze werden aangevuld met een historische database met meer dan 168 sedimentmonsters en 200 bodemmonsters verzameld tussen 2015 en 2022.
• Laboratoriumanalyse: Monsters werden geanalyseerd op elektrische geleidbaarheid (EC), bodemorganische koolstof (SOC) en kleigehalte. Laboratoriumreflectiespectra werden eveneens gemeten met een ASD FieldSpec Pro spectroradiometer (350–2500 nm).
• Databewerking: Pixels met kale bodem werden geïsoleerd uit satellietbeelden met behulp van spectrale indices (bijv. NDVI, NDRBI, NBR) om vegetatie en water uit te sluiten. Spectrale voorbewerkingstechnieken omvatten Savitzky–Golay smoothing van eerste-afgeleide spectra (FD-SG) en continuümverwijdering (CR).
• Modellering: De studie hanteerde twee hoofdbenaderingen voor modellering:
  1. Spectrale Indices: Lineaire regressiemodellen met Difference (DI), Normalized Difference (NDI) en Ratio (RI) indices voor EC; specifieke indices (SOC1-3) voor SOC; en SWIRFI/CRAD voor kleigehalte.
  2. Partial Least Squares Regression (PLSR): Multivariate modellen ontwikkeld voor alleen-bodem, alleen-sediment en gecombineerde datasets, gebruikmakend van leave-one-out cross-validatie (LOOCV).

Belangrijkste Bijdragen

1. Toepasbaarheid op Sedimenten: De studie evalueert de overdraagbaarheid van spectrale indices en PLSR-modellen, die traditioneel voor bodems worden gebruikt, naar reservoir-sedimenten in een semiaride context.
2. Sensorvergelijking: Het biedt een directe prestatievergelijking tussen multispectrale (Sentinel-2) en hyperspectrale (PRISMA en EnMAP) satellietdata voor het voorspellen van bodem- en sedimenteigenschappen.
3. Methodologische Aanbevelingen: Het onderzoek onderzoekt de impact van de dataset-compositie (het scheiden van bodem versus sediment) en spectrale voorbewerking op de modelnauwkeurigheid.
4. Ruimtelijke Kaartlegging: Het genereert ruimtelijke kaarten van EC, SOC en kleigehalte voor een specifiek reservoir, waarmee de haalbaarheid wordt aangetoond van het gebruik van remote sensing om beslissingen over sedimenthergebruik te sturen zonder uitputtende grondmonstername.

Resultaten

• Elektrische Geleidbaarheid (Saliniteit): Spectrale indices presteerden over het algemeen beter dan PLSR-modellen voor satellietdata. De Ratio Index (RI) in combinatie met FD-SG voorbewerking leverde de hoogste nauwkeurigheid op, met name met EnMAP-data ($R^2 = 0,91$). PLSR-modellen voor satellietdata vertoonden matige prestaties ($RPD < 1,2$), terwijl laboratorium-schaal PLSR-modellen betrouwbaar waren ($RPD = 1,41$).
• Bodemorganische Koolstof (SOC): De voorspelling van SOC was uitdagend op alle schalen. Spectrale indices presteerden slecht op satellietdata ($RPD < 1,4$). Interessant genoeg bereikte een PLSR-model met Sentinel-2 data op een alleen-sediment dataset de beste SOC-prestatie ($R^2 = 0,6$, $RPD > 1,4$), wat suggereert dat multispectrale data voldoende kunnen zijn voor specifieerke subsets.
• Kleigehalte: De CRAD-index presteerde het best voor de schatting van klei. Hyperspectrale data (EnMAP en PRISMA) presteerden beter dan Sentinel-2. De beste resultaten werden verkregen met de CRAD-index op ruwe EnMAP-spectra voor alleen-sediment datasets ($R^2 = 0,54$, $RPD = 1,47$).
• Impact van Voorbewerking: Hoewel FD-SG en CR de prestaties van spectrale indices voor saliniteit verbeterden, verslechterden ze vaak de prestaties van PLSR-modellen. Ongetransformeerde (ruwe) spectra leverden vaak betere PLSR-resultaten op voor SOC en klei.
• Dataset-scheiding: Modellen die afzonderlijk voor bodem en sediment zijn gebouwd, presteerden over het algemeen beter dan gecombineerde modellen, wat de onderscheidende fysisch-chemische en spectrale kenmerken van beide materialen weerspiegelt.

Betekenis en Claims
De auteurs stellen dat de combinatie van reflectiespectroscopie met spectrale indices en multivariate technieken een effectieve, kosteneffectieve aanpak biedt voor het in kaart brengen van bodem- en sedimenteigenschappen in semiaride regio's. De studie toont aan dat hoewel hyperspectrale data (EnMAP, PRISMA) een superieure nauwkeurigheid bieden voor de kaartlegging van saliniteit en klei vanwege de hogere spectrale resolutie, multispectrale data (Sentinel-2) nog steeds effectief kunnen zijn voor specifieke eigenschappen zoals SOC wanneer ze op gerichte datasets worden toegepast.

De primaire betekenis van dit werk ligt in de ondersteuning van de "sedimenthergebruiktechniek". Door de identificatie van gebieden met geschikte sedimenteigenschappen (lage saliniteit, hoog organisch koolstofgehalte en adequaat kleigehalte) en het signaleren van ongeschikte gebieden (hoge saliniteit), kan remote sensing beslissingen over de uitgraving en toepassing van sedimenten als bodemverbeteraars sturen. Dit vermindert de noodzaak voor kostbare, grootschalige laboratoriumanalyse in regio's met dichte reservoirnetwerken, en vergemakkelijkt daarmee de implementatie van duurzame landbouwpraktijken in waterarme omgevingen. De auteurs merken bescheiden op dat de modelnauwkeurigheid momenteel beperkt wordt door de schaarste aan blootgestelde sedimentpixels in satellietbeelden en adviseren toekomstig werk om spectrale bibliotheken uit te breiden en de gescheiden mapping van bodem/sediment te verfijnen naarmate er meer data beschikbaar komt.