Van de ruimte tot de bodem: modellering en kartering van de dynamiek van organische koolstof in de bodem met behulp van machine learning en aardobservatie

Digitale bodemkartering (DSM) van organische koolstof in de bodem (SOC) heeft zich de afgelopen jaren snel ontwikkeld, gedreven door de groeiende vraag naar klimaat­relevante bodeminformatie, de toename van SOC-metingen, open data, Earth Observation-archieven en machine learning. Pan-Europese 3D+T SOC-kartering blijft echter beperkt door gefragmenteerde data, het ontbreken van geharmoniseerde databanken en hoge rekenkundige eisen. Dit proefschrift ontwikkelt een operationele, landsdekkende SOC-pijplijn voor Europa met 30 m resolutie (2000–2022), waarin een cloud-geoptimaliseerde Landsat-datacube wordt geïntegreerd met geharmoniseerde SOC-waarnemingen. Met Random Forest, Quantile Regression Forest en neurale netwerken worden tijdreeksen van SOC-dichtheid op meerdere diepten geproduceerd, inclusief per-pixel onzekerheid en extrapolatiediagnostiek. De resultaten leveren de eerste temporeel expliciete, hoge-resolutie SOC-basislijn voor Europa, al blijft detectie van verandering op pixelniveau beperkt door lage signaal-ruisverhoudingen. Hybride, bodemkundige neurale netwerken verbeteren de reconstructie van SOC-dichtheid bij schaarse bulkdichtheidsdata. Het werk verduidelijkt methodologische beperkingen en ondersteunt transparantere, schaalbare DSM-raamwerken