Enhancing European soil monitoring with citizen science data

Technische Samenvatting: Het verbeteren van de Europese bodemmonitoring met Citizen Science-data

Probleemstelling
Bodemdegradatie treft naar schatting 60–70% van de Europese bodems, wat vraagt om grootschalige, consistente monitoring om de EU-richtlijn voor bodemmonitoring en -veerkracht te onderbouwen. Hoewel de Land Use/Land Cover Area Frame survey (LUCAS) Soil een geharmoniseerde Europese dataset biedt, is deze primair ontworpen voor landbouwgronden en ontbreekt het aan informatie met een fijne ruimtelijke resolutie. Bov�els wordt de integratie van nationale monitoringsprogramma's bemoeilijkt door methodologische inconsistenties. Citizen science (CS) biedt een potentiële oplossing om de monitoring te verbreden, met name in ondervertegenwoordigde gebieden zoals stedelijke omgevingen. De integratie van CS-data in wetenschappelijke monitoringskaders wordt echter beperkt door zorgen over datakwaliteit, vergelijkbaarheid en de betrouwbaarheid van niet-laboratorium gebaseerde veldmethoden. Deze studie adresseert de kritieke kloof van het evalueren of door burgers gegenereerde bodemdata betrouwbaar kunnen worden geïntegreerd met gevestigde monitoringsnetwerken zoals LUCAS.

Methodologie
De studie maakte gebruik van data uit het ECHO-project, waarbij burgers over heel Europa bodemmonsters verzamelden met behulp van gestandaardiseerde veldprotocollen. Het onderzoek hanteerde een drieledige aanpak:

1. Methodevergelijking: CS-metingen voor bodem-pH, bodemorganische koolstof (SOC) en textuur werden vergeleken met 100 gekoppelde laboratoriumgebaseerde metingen van dezelfde locaties.

   • pH: Gemeten via colorimetrische teststrips (MQuant®) tegen een kleurkaart.
   • SOC: Geschat via visuele inspectie met een bodemkleurvergelijkingskaart (bereik 1,5–5%).
   • Textuur: Beoordeeld via de "textuur-door-gevoel"-methode, aangepast van USDA-richtlijnen.
   • Laboratoriumreferentie: pH werd gemeten met een draagbare meter; SOC via elementaire analyse na verzuring; textuur via zeef-hydrometer methoden.

2. Ruimtelijke Vergelijking met LUCAS: ECHO-data werden vergeleken met de LUCAS 2018-dataset en de daaruit afgeleide rasterproducten.

   • Landbedekkingverdelingen werden geanalyseerd met CORINE Land Cover 2018-data om bias in de bemonstering te identificeren.
   • De overeenstemming tussen CS-puntdata en LUCAS-afgeleide rasters voor pH en textuur werd gekwantificeerd met statistische metrieken (RMSE, aangepaste $R^2$, Mean Bias Error, Weighted Kappa-coëfficiënt) op zowel individueel als NUTS2-niveau (regionaal).

3. Integratie in Digitale Bodemkaarten: Een Quantile Random Forest (qRF) model werd getraind op LUCAS 2018-data om de bodem-pH in de hele EU in kaart te brengen. ECHO CS-data werden vervolgens in dit model geïntegreerd om de verbetering in voorspellingsnauwkeurigheid en onzekerheidskwantificering te testen.

   • CS-data werden gewogen op basis van predictie-intervalmetrieken (bijv. Interval Score, Prediction Interval Coverage Probability) afgeleid van het baseline LUCAS-model om observaties te selecteren waar het model het meest onzeker was.
   • De modelprestaties werden geëvalueerd met hold-out testsets over variërende steekproefgroottes ($N=1k$ tot $4,9k$) en weegschema's.

Belangrijkste Resultaten

• Datakwaliteit per Parameter:

  • pH: CS-metingen vertoonden een matige overeenstemming met laboratoriumwaarden ($adjR^2 = 0,46$) en LUCAS-rasters ($adjR^2 = 0,28$). Er werd een systematische onderschatting van ongeveer 0,4–0,6 pH-eenheden waargenomen (toe te schrijven aan de discrete resolutie van de colorimetrische strips), maar CS-data legden brede ruimtelijke patronen vast. De overeenstemming verbeterde op NUTS2-regionaal niveau.
  • SOC: CS-schattingen vertoonden een slechte overeenstemming met laboratoriumgegevens ($adjR^2 = 0,13$). De methode met de kleurkaart was beperkt tot een smal bereik (1,5–5%), wat leidde tot een systematische onderschatting van SOC >5% en een onvermogen om de werkelijke variabiliteit weer te geven. De methode wordt als ongeschikt beschouwd voor kwantitatieve beoordeling, maar potentieel nuttig als kwalitatieve indicator.
  • Textuur: De algehele nauwkeurigheid was laag (22–24,6%) met bijna nul Kappa-coëfficiënten. Burgers konden zandgerelateerde texturen betrouwbaar onderscheiden, maar faalden in het accuraat classificeren van silt- en kleifragmenten. De methode is alleen geschikt voor binaire onderscheidingen (zanderig versus niet-zanderig).

• Ruimtelijke Dekking: ECHO-bemonsteringslocaties bevonden zich voornamelijk in stedelijke gebieden (31,1%), terwijl LUCAS-punten primair op landbouwgrond lagen (37,7%). Dit benadrukt dat CS-data een kritiek gat vullen in de monitoring van stedelijke bodems, een gebied dat momenteel ondervertegenwoordigd is in systematische surveys.

• Digitale Bodemkaarten: De integratie van CS-data met LUCAS verbeterde de digitale bodemkaarten, maar het voordeel was afhankelijk van de steekproefomvang en vereiste strategische selectie.

  • Ongewogen integratie verslechterde de modelprestaties naarmate de steekproefomvang toenam ($N > 1k$).
  • Het wegen van CS-data op basis van voorspellingsonzekerheid (specifiek de IS-PIQ50-PIC metriek) behield de modelstabiliteit tot $N \approx 3-4k$.
  • De integratie verminderde de voorspellingsfout en verbeterde de predictie-intervallen (onzekerheidskwantificatie), hoewel de regionale prestaties aanzienlijk varieerden tussen de verschillende NUTS2-regio's.

Significantie en Claims
Het artikel concludeert dat citizen science-data moeten worden beschouwd als een complementaire bron in plaats van een vervanging voor gevestigde monitoringsprogramma's zoals LUCAS. De studie toont aan dat:

1. Contextafhankelijke Bruikbaarheid: De waarde van CS-data is sterk afhankelijk van de bodemparameter. pH-data kunnen, wanneer ze geaggregeerd of gecorrigeerd voor bias worden, brede ruimtelijke patronen vastleggen. In tegen tegenstelling hiertoe vereisen SOC- en textuurgegevens aanzienlijke methodologische verfijning of vereenvoudiging (bijv. binaire classificatie) alvorens integratie mogelijk is.
2. Strategische Integratie: Het simpelweg verhogen van de bemonsteringsdichtheid garandeert geen verbeterde modelprestaties. De integratie van CS-data in digitale bodemkaarten vereist weegschema's die rekening houden met modelonzekerheid om de balans tussen bias en variantie te beheren.
3. Het Vullen van Monitoringkloven: CS-initiatieven bieden essentiële dekking voor omgevingen, met name stedelijke bodems, die systematisch ondervertegenwoordigd zijn in professionele surveys. Dit breidt de reikwijdte van de Europese bodemgezondheidsbeoordeling uit buiten de agrarische context.

De auteurs stellen dat, mits gepaard met passende evaluatie, bias-correctie en integratiestrategieën, citizen science effectief de ruimtelijke en thematische dekking van de Europese bodemmonitoring kan uitbreiden, ter ondersteuning van de doelen van de EU Mission Soil.