A scalable framework for agricultural drought hazard mapping in data-scarce arid regions: Case study of Jiroft plain, Iran
Deze studie presenteert een schaalbaar kader voor het in kaart brengen van landbouwmatige droogtegevaren in de gegevensarme Jiroft-vlakte in Iran door middel van de integratie van remote sensing-gegevens met in-situ bodemvochtmetingen en machine learning-modellen, waarbij wordt aangetoond dat een Support Vector Machine-benadering effectief droogterisico's identificeert met behulp van de beschikbare watercapaciteit voor planten en bodemvocht als belangrijke voorspellers.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de droge, door de zon gebakken uithoeken van de wereld balanceert de landbouw op een dunne lijn. Wanneer de regen niet volgens schema arriveert, droogt de bodem uit, verwelken gewassen en komt de voedselzekerheid in het gedrang. Voor boeren en planners is weten waar en wanneer het land water tekortkomt, een kwestie van overleven. De meest directe manier om dit te meten is door het vochtgehalte in de bodem te controleren, maar in afgelegen, aride regio's is de grond vaak te uitgestrekt en zijn de weerstations te schaars om een volledig beeld te geven. Wetenschappers hebben lang naar satellieten gegrepen om deze gaten te vullen, gebruikmakend van sensoren die vanuit de ruimte de gezondheid van planten en de temperatuur van de grond kunnen waarnemen. Door te observeren hoe groen de vegetatie is en hoe heet het oppervlak aanvoelt, kunnen onderzoekers afleiden hoeveel water er onder de voeten van de gewassen verborgen ligt, waardoor een manier ontstaat om droogte te monitoren zonder een sensor in elk veld nodig te hebben.
Een team van onderzoekers richtte hun aandacht op de Jiroft-vlakte in Zuidoost-Iran, een uitgestrekte landbouwregio waar water schaars is en gedetailleerde weergegevens beperkt zijn. Dit gebied, dat meer dan 2.200 vierkante kilometer beslaat, is voor gewassen zoals tarwe, maïs en citrusvruchten zwaar afhankelijk van irrigatie, maar lijdt toch onder frequente, hevige droogtes. De uitdaging was om een betrouwbare kaart van landbouwmatige droogtegevaar te creëren – een manier om te voorspellen welke delen van dit landschap het meest kwetsbaar zijn voor waterstress – met enkel de beperkte gegevens die beschikbaar zijn. Om dit te doen, combineerde het team satellietbeelden die over vijftien jaar zijn genomen met een klein aantal werkelijke bodemmonsters die op de grond zijn verzameld. Ze gebruikten een methode die de relatie tussen de groenheid van planten en de oppervlaktetemperatuur behandelt als een driehoek, waardoor ze het vochtgehalte in de bovenste laag van de bodem over de gehele vlakte kunnen schatten.
De onderzoekers verzamelden gegevens van 2007 tot 2022 en keken naar acht specifieke jaren waarin de droogteomstandigheden bijzonder ernstig waren. Ze maten het bodemvocht op een diepte van tot 50 centimeter, wat de kritieke zone is waar de wortels van planten drinken. Door de satellietgegevens te vergelijken met 73 bodemmonsters die zij in 2021 en 2022 hebben verzameld, bouwden ze een model om te berekenen hoeveel het bodemvocht in een bepaald jaar was gedaald ten opzien van het langetermijngemiddelde. Deze daling, of relatieve afwijking, diende als de meetlat voor het identificeren van waar droogte daadwerkelijk plaatsvond. Zodra ze deze droogtegebeurtenissen in kaart hadden gebracht, gebruikten ze computeralgoritmen om de patronen erachter te vinden. Ze testten drie verschillende machine learning-modellen om te zien welk model het beste het droogterisico kon voorspellen op basis van tien verschillende omgevingsfactoren, waaronder de helling van het land, het type bodem, de dichtheid van rivieren en de hoeveelheid neerslag.
De resultaten toonden aan dat één specifiek computermodel, bekend als een support vector machine, veel superieur was aan de anderen bij het voorspellen waar de droogte zou toeslaan. Dit model behaalde een hoog niveau van nauwkeurigheid en identificeerde droogtegevoelige gebieden correct in bijna alle testgevallen. De analyse onthulde dat de belangrijkste factor bij het bepalen van het droogterisico niet alleen de hoeveelheid regen die viel was, maar het vermogen van de bodem om water vast te houden. Specifiek was het vermogen van de bodem om beschikbaar water aan planten te leveren de dominante drijfveer van het droogtegevaar. Wanneer de bodem zanderig was en geen vocht kon vasthouden, en wanneer de vegetatiebedekking dun was, schoot het risico op droogte omhoog. Interessant genoeg varieerde de totale hoeveelheid neerslag over de regio niet genoeg om te verklaren waarom sommige gebieden droger waren dan andere; in plaats daarvan dicteerden de lokale condities van de bodem en het landschap de uitkomst.
De definitieve kaart die het team heeft geproduceerd, verdeelt de Jiroft-vlakte in risicozones, waarbij laat zien dat meer dan de helft van de regio te maken heeft met een zeer hoog gevaar voor landbouwmatige droogte. Deze gevarenzones zijn geconcentreerd in gebieden met zanderige bodems, weinig vegetatie en weinig waterwegen. In contrast hiermee blijven de centrale delen van de vlakte, waar de bodem water beter vasthoudt en de vegetatie dichter is, relatief veilig. Deze aanpak biedt een praktische oplossing voor regio's waar grondgebonden monitoring schaars is. Door te bewijzen dat satellietgegevens, wanneer gecombineerd met een paar grondmonsters, het droogterisico nauwkeurig in kaart kunnen brengen, biedt de studie een instrument dat gebruikt kan worden om boeren te waarschuwen voordat een crisis toeslaat. Het verschuift de focus van simpelweg het tellen van neerslag naar het begrijpen van de complexe fysieke relatie tussen het land, het water dat het vasthoudt, en de planten die daarvan afhankelijk zijn, wat een helderder pad biedt naar het beheer van waterbronnen in een steeds drogere wereld.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.