Digi²Soil
Räumliche Modellierung von Bodenparametern mit maschinellem Lernen

Böden erfüllen eine Vielzahl bedeutender Funktionen: Sie sichern unsere Ernährung, speichern Wasser und Kohlenstoff und bilden die Lebensgrundlage für unzählige Pflanzen und Tiere. Gleichzeitig sind sie aufgrund ihrer hohen räumlichen Variabilität und der aufwendigen Geländearbeit bei der Kartierung nur mühsam flächendeckend zu erfassen. Neue digitale Methoden können dabei helfen, die Daten der bodenkundlichen Kartierungen sinnvoll zu ergänzen. Ein Verfahren zur Modellierung von Bodeneigenschaften ist Digital Soil Mapping. Es baut auf den Daten der klassischen Bodenkartierung auf und unterstützt diese durch modellgestützte Prognosen.

Bodenbildende Prozesse werden unter anderem durch Relief, Gestein, Klima und Vegetation beeinflusst. Dies macht sich Digital Soil Mapping zunutze: Mithilfe maschinellen Lernens können dabei Bodeneigenschaften flächendeckend vorhergesagt werden. Hierfür werden die Ergebnisse der bodenkundlichen Kartierung mit digitalen Geo-Daten wie Geländemodellen oder Satellitenbildern verknüpft. Auf diese Weise lernt ein Algorithmus, welche Bodeneigenschaften in bestimmten Landschaftsbedingungen typischerweise zu erwarten sind.

Datengrundlage

Die Kartierungen für die Bodenkundliche Standortkarte im Maßstab 1 : 5 000 (BK 5) laufen bereits seit 2019 digital. Bohrpunkte werden im Gelände mit Tablets erfasst und per GPS räumlich verortet. Dies schafft eine hochwertige Datengrundlage für Modellierungen.

Bevor Digital Soil Mapping großflächig eingesetzt werden kann, wird das Verfahren im Projekt „Digi²Soil“ im GD NRW erprobt und nach wissenschaftlichen Standards validiert. Dabei wird auch die jeweilige Genauigkeit der Modellvorhersagen erfasst und dokumentiert. Langfristig sollen auf diese Weise hochauflösende Konzeptkarten wichtiger Bodeneigenschaften für ganz NRW entstehen. Diese können bereits vor der Kartierung einen ersten Überblick über die zu erwartende räumliche Verteilung der Bodeneigenschaften geben. Dadurch können Geländeaufnahmen gezielt geplant und der Kartierungsprozess effektiv unterstützt werden. Auch in der Aktualisierung der bereits flächendeckend vorhandenen Bodenkarte im Maßstab 1 : 50 000 können die Konzeptkarten für bisher noch nicht im Detail kartierte Gebiete genutzt werden.

Erste Modellierungen

Als erstes Untersuchungsgebiet wurde der Raum Möhnesee im Hochsauerlandkreis ausgewählt. Die Fläche umfasst rund 85 km² und bietet ideale Voraussetzungen für die Entwicklung und Erprobung der Modellvorhersagen: Große zusammenhängende Waldflächen werden nur von wenigen Siedlungen unterbrochen. Zudem stehen bereits umfangreiche digitale Bodendaten zur Verfügung (über 20 000 Bohrpunkte). Hinzu kommt ein stark ausgeprägtes Relief. Da in Deutschland insbesondere die Geländeform zu den wichtigsten Einflussfaktoren der Bodenbildung zählt, eignet sich das Gebiet besonders gut für erste Modellierungen. Im nächsten Schritt werden Karten für bisher nicht im Maßstab 1 : 5 000 kartierte Bereiche erstellt. Dazu werden die Modelle auf Landschaften mit ähnlichen Relief- und Standorteigenschaften übertragen und mit zusätzlichen Daten kontinuierlich weiterentwickelt. Das Projekt läuft noch bis April 2029. Erste Ergebnisse werden voraussichtlich Anfang 2027 erwartet.

Karte des Untersuchungsgebietes im Raum Möhnesee im Hochsauerlandkreis mit über 20 000 Bohrpunkten. Eingezeichnet sind auch zwei Gebiete, die analog kartiert wurden.

Maschinelles Lernen

Maschinelles Lernen ist ein Teilbereich der Künstlichen Intelligenz. Anders als bei der klassischen Programmierung, bei der für jede Aufgabe feste Regeln vorgegeben werden, lernt ein Algorithmus anhand von Beispieldaten, Zusammenhänge und Muster zu erkennen. Auf dieser Grundlage kann er Vorhersagen für neue, bislang unbekannte Daten treffen und sehr große Datenmengen effizient auswerten.

Das Prinzip lässt sich mit dem Backen eines Kuchens vergleichen: Bei der klassischen Programmierung sind Rezept und Arbeitsschritte vom Menschen vorgegeben. Beim maschinellen Lernen hingegen erhält der Algorithmus statt eines Rezeptes viele Beispiele fertiger Kuchen und deren Zutaten. Daraus leitet er selbst ab, welche Zutaten und Kombinationen zu welchem Ergebnis führen.