Inschatting van de vochtretentiecapaciteit van bodems op basis van bodem- en landgebruikskenmerken.

Abstract

De beschikbaarheid van bodemvocht is van fundamenteel belang voor landbouwproductie, natuurbeheer en het ontwikkelen van veerkrachtige strategieën in het kader van klimaatadaptatie. In dit onderzoek, uitgevoerd in opdracht van het Vlaams Planbureau voor Omgeving in samenwerking met Antea Group, de Universiteit Gent (SoPhy) en de Bodemkundige Dienst van België, werden pedotransferfuncties (PTF’s) - wiskundige modellen - ontwikkeld die het mogelijk maken om het vochtvasthoudend vermogen van Vlaamse bodems te voorspellen op basis van eenvoudig meetbare bodem- en landgebruikskenmerken. Deze PTF’s geven beleidsmakers de mogelijkheid om op een snelle, kostenefficiënte en grootschalige manier de intrinsieke droogtegevoeligheid van bodems in te schatten, zonder klassieke metingen, welke arbeidsintensief en kostbaar zijn. De studie had tot doel om relaties vast te leggen tussen kenmerken zoals bodemtextuur, organisch koolstofgehalte (OC), bulkdichtheid (BD), pH en landgebruik enerzijds, en de vochtretentiekarakteristieken van de bodem anderzijds. Dit gebeurde aan de hand van zowel klassieke statistische modellen als doorgedreven machine learning-technieken. In totaal werden drie technieken toegepast – multi-lineaire regressie (MLR), support-vector regression (SVR) en random forest (RF) – om zowel punt- als parametrische PTF’s op te stellen. De modellen werden hiërarchisch opgebouwd in zeven niveaus, gaande van een microniveau met een uitgebreide set aan voorspellende variabelen tot een macroniveau met enkel basisgegevens. Deze hiërarchische benadering laat toe de modellen flexibel in te zetten, afhankelijk van de beschikbare data bij de eindgebruiker. De dataverzameling bestond uit het combineren van hoogkwalitatieve bestaande bodemdatabanken en een speciaal voor deze studie bijkomende meetcampagne, waarbij de stalen een brede waaier aan bodemtexturen en landgebruikstypes bestrijken, met een focus op het opvullen van lacunes in de bestaande datasets.