Remote Sensing-Based Monitoring of Cropland Soil Organic Carbon

Abstract

Agricultural soils are essential for food security, but are increasingly affected by soil degradation and the impacts of climate change. The sequestration of soil organic carbon (SOC) is recognized as an effective strategy to improve soil quality, mitigate climate change, and increase resilience to droughts and extreme weather events. EU policies such as the Carbon Removals and Carbon Farming (CRCF) regulation aim to promote climate-smart agricultural practices but require robust and cost-efficient systems to verify SOC changes. Remote sensing offers the potential to derive large-scale information on SOC status and trends. However, its application for soil monitoring is currently limited by the lack of validation for the temporal model accuracy. This dissertation investigates the potential of multispectral soil reflectance composites (SRC), derived from Sentinel-2 and Landsat time series, for large-scale soil mapping and spatiotemporal SOC modeling. The results show that SRCs are strong predictors of cropland soil properties and enable the generation of high-resolution SOC maps. Correlations between SRC bands and soil properties such as SOC and clay are consistent with findings from soil spectroscopy, supporting the calibration of robust and transferable models. Using high-quality reference samples from the German Agricultural Soil Inventory, it was demonstrated that the selection of spectral indices and thresholding values significantly affects the spectral quality and bias of the generated SRC. In areas with heterogeneous soil conditions, the prediction accuracy can be further improved by calibrating local sub-models to account for regional variability in the soil signal. Based on harmonized Landsat and Sentinel-2 time series from 1986 to 2022, a spatiotemporal model was developed to assess the potential of remote sensing data to detect SOC changes in cropland soils. For the first time, SOC trend predictions were validated using repeated measurements from long-term soil monitoring sites. While model accuracy was not sufficient to replace direct sampling, the validation showed a low confusion rate between increasing and decreasing SOC trends, underlining the potential of satellite-based models for long-term soil monitoring. The findings suggest that remote sensing can improve the cost-efficiency of SOC monitoring by enabling targeted sampling at locations where predicted trends diverge from expected effects of climate-smart management. Further research should aim to (1) improve the validity of modeled SOC dynamics by integrating additional soil data on bulk density and vertical SOC distribution, and (2) further advance the methods for the retrieval of soil reflectance to increase the signal-to-noise ratio and shorten the required time frames to detect significant SOC changes.

Landwirtschaftliche Böden sind für die Ernährungssicherheit von entscheidender Bedeutung, sind jedoch zunehmend von Bodendegradation und den Auswirkungen des Klimawandels betroffen. Die Speicherung von organischem Bodenkohlenstoff (Soil organic carbon; SOC) gilt als effektive Strategie zur Verbesserung der Bodenqualität und zur Erhöhung der Resilienz gegenüber Dürren und extremen Wetterereignissen. Politische Initiativen wie die EU-Verordnung über Carbon Removals and Carbon Farming (CRCF) zielen darauf ab, Klimaschutzmaßnahmen zu fördern, erfordern jedoch belastbare und kosteneffiziente Systeme zur Verifizierung von SOC-Veränderungen. Fernerkundung bietet die Möglichkeit, großräumige Informationen über den Zustand und die Veränderung von SOC abzuleiten. Die Anwendbarkeit für das Bodenmonitoring wird jedoch derzeit durch eine fehlende Validierung der temporalen Modellgenauigkeit begrenzt. Diese Dissertation untersucht das Potenzial multispektraler Bodenreflektanzkomposite (BRK), abgeleitet aus Sentinel-2- und Landsat-Zeitreihen, für die Erstellung großflächiger Bodenkarten sowie dynamischer SOC-Modelle. Die Ergebnisse zeigen, dass BRK eine hohe Vorhersagekraft für die Erstellung hochauflösender SOC-Karten besitzen. Korrelationen zwischen den spektralen Bändern und Bodenparametern wie SOC und Tongehalt stimmen mit Ergebnissen aus der Bodenspektroskopie überein und ermöglichen die Kalibrierung belastbarer und übertragbarer Modelle. Anhand von Referenzdaten aus der Bodenzustandserhebung Landwirtschaft konnte gezeigt werden, dass die Auswahl spektraler Bodenindizes und Schwellenwerte einen signifikanten Einfluss auf die spektrale Qualität der BRK hat. In Untersuchungsgebieten mit heterogenen Bodenbedingungen kann die Modellgenauigkeit mit der Kalibrierung lokaler Submodelle weiter verbessert werden, um regionale Unterschiede im Bodensignal zu berücksichtigen. Auf Basis harmonisierter Landsat- und Sentinel-2-Zeitreihen von 1986 bis 2022 wurde ein dynamisches Modell entwickelt, um das Potenzial zur Detektion von SOC-Veränderungen in Ackerböden zu bewerten. Hierbei ist es erstmals gelungen, Vorhersagen von SOC-Trends anhand wiederholter Messungen aus Bodendauerbeobachtungsflächen zu verifizieren. Zwar zeigt die Validierung, dass die Modellgenauigkeit nicht ausreicht, um direkte Probenahmen zu ersetzen, jedoch bestehen nur geringe Verwechslungsraten zwischen zunehmenden und abnehmenden SOC-Trends. Die Ergebnisse unterstreichen somit das Potenzial fernerkundungsbasierter Modelle für ein großskaliges Bodenmonitoring. Auf Grundlage der resultierenden Karten ist es möglich, die Kosteneffizienz zu steigern, indem Probenahmen gezielt auf Standorte gerichtet werden, an denen die vorhergesagten SOC-Trends von den erwarteten Effekten der Klimaschutzmaßnahmen abweichen. Zusätzliche Forschung ist notwendig, um (1) die Validität der modellierten SOC-Dynamiken durch Integration weiterer Bodendaten (Lagerungsdichte, vertikale SOC-Verteilung, etc.) zu verbessern und (2) die Methoden zur Extraktion der Bodenreflektanz weiterzuentwickeln, um die Modellgenauigkeit zu erhöhen und den Zeitraum zur Detektion signifikanter SOC-Veränderungen zu verkürzen.