Predicting Soil Organic Carbon and Nitrogen Content Using Airborne Laser Scanning in the Taita Hills, Kenya

Reducing greenhouse gas emissions and increasing carbon sequestration is critical for climate change mitigation. With the emergence of carbon markets and the development of compensatory mechanisms such as Reducing Emissions from Deforestation and Degradation in Developing Countries (REDD+), there is much interest in measurement and monitoring of soil organic carbon (SOC). Detailed information on the distribution of SOC and other soil attributes, such as nitrogen (N), across the landscape is necessary in order to locate areas where carbon stocks can be increased and loss of soil carbon slowed down. SOC has large spatial variability, which often demands intensive sampling in the field. Airborne laser scanning (ALS) provides very accurate information about the topography and vegetation of the measured area, and hence, possible means for improving soil properties maps. In this thesis, the aim was to study the feasibility of ALS and free of cost ancillary data for predicting SOC and N in a tropical study area. The study area is located in the Taita Hills, in South-Eastern Kenya, and has highly fluctuating topography ranging between 930–2187 m. Land cover in the Taita Hills is very heterogeneous and consists of forest, woodlands, agroforestry and croplands. The field data consisted of SOC and N measurements for 150 sample plots (0.1 ha). The soil samples along with several other soil and vegetation attributes were collected in 2013. ALS (Optech ALTM 3100, mean return density 11.4 m-1) data was acquired in February 2013. ALS data was pre-processed by classifying ground, low- and high vegetation, buildings and power wires. ALS point cloud was used to calculate two types of predictors for SOC and N: 1) topographical variables based on the high resolution digital terrain model (DTM) and 2) ALS metrics describing the vertical distribution and cover of vegetation. The ancillary datasets included spectral predictors based on Landsat 7 ETM+ time series and soil grids for Africa at 250 m resolution. In total, over 500 potential predictors were calculated for the modelling. Random Forest model was constructed from the selected variables and model performance was analysed by comparing the predicted values to the field measurements. The best model for SOC had pseudo R2 of 0.66 and relative root mean square error (RRMSE) of 30.98 %. Best model for N had pseudo R2 of 0.43 and RRMSE of 32.14 %. Usage of Landsat time series as ancillary dataset improved the modelling results slightly. For SOC, the most important variables were tangential curvature, maximum intensity and Landsat band 2 (green). Finally, the best model was applied for mapping SOC and N in the study area. The results of this study are in line with other remote sensing studies modelling soil properties in Africa. The soil properties in the study area do not correlate strongly with present vegetation and topography leading to intermediate modelling results.Kasvihuonepäästöjen vähentäminen ilmakehästä on kriittistä ilmastonmuutoksen hillitsemisen kannalta. Hiilimarkkinoiden ja erilaisten korvausmekanismien kehittyminen on lisännyt kiinnostusta maaperässä olevan orgaanisen hiilen mittaamiseen ja monitoroimiseen. Yksityiskohtainen tieto maaperän ominaisuuksista, kuten orgaanisen hiilen ja typen alueellisesta jakaumasta, voi auttaa löytämään alueita, joissa hiilen osuutta voidaan kasvattaa tai sen vähentymistä voidaan hidastaa. Maaperän hiilen vaihtelevasta spatiaalisesta jakaumasta johtuen kalliita kenttämittauksia tarvitaan runsaasti. Lentolaserkeilaus tarjoaa tarkkaa tietoa kuvatun alueen topografiasta ja kasvillisuudesta, mikä voisi olla hyödyllistä maaperän karttojen laadun parantamisessa. Tämän tutkimuksen tavoitteena oli selvittää, miten lentolaserkeilaus ja vapaasti saatavilla oleva lisäaineisto soveltuvat maaperän orgaanisen hiilen ja typen pitoisuuksien ennustamiseen. Tutkimusalue on Taitavuorilla Kaakkois-Keniassa, jossa topografia on hyvin vaihtelevaa, korkeuden vaihdellessa 930 ja 2187 metrin välillä. Taitavuorten maanpeite on hyvin heterogeenistä ja koostuu metsistä, metsämaasta, peltometsäviljelysmaista ja viljelysmaista. Tutkimuksessa käytetty kenttäaineisto koostuu 150:sta maaperän hiili- ja typpimittauksista 0.1 hehtaarin kokoisilta koealoilta. Maaperän mittaukset suoritettiin vuonna 2013. Lentolaserkeilausaineisto (Optech ALTM 3100) kuvattiin helmikuussa 2013. Kuvattu lentolaserkeilausaineisto esikäsiteltiin luokittelemalla maaperä, matala ja korkea kasvillisuus, rakennukset ja voimalinjat. Lentolaserkeilausaineistoa käytettiin kahden tyyppisten muuttujien laskennassa: 1) topografiamuuttujat, jotka laskettiin erittäin korkearesoluutioisesta korkeusmallista ja 2) kasvillisuuden vertikaalisesta rakenteesta ja peitosta kertoviin muuttujiin. Lisäaineistona analyysissä oli mukana spektraalista tietoa sisältävä Landsat ETM+ aikasarja, sekä maaperäruudukot Afrikasta 250 m:n spatiaalisella resoluutiolla. Yhteensä noin 500 muuttujaa laskettiin mallinnusta varten. Random Forest -malli rakennettiin valituista muuttujista ja mallien suorituskykyä arvioitiin vertaamalla ennustettuja arvoja havaittuihin arvoihin. Parhaan maaperän hiilimallin valeselitysaste oli 0.66 ja suhteellinen keskivirhe 30.98 %. Parhaan typpimallin valeselitysaste oli 0.43 ja suhteellinen keskivirhe 32.14 %. Tärkeimmät muuttujat maaperän hiilen ennustamiseen olivat tangentiaalinen kaarevuus (tangential curvature), maksimi-intensiteetti (maximum intensity) ja Landsatin kanava 2 (vihreä aallonpituus). Landsat aineiston käyttö avustavana aineistona johti pieniin parannuksiin mallinnuksessa. Lopulta maaperän hiili- ja typpikartat ennustettiin käyttämällä parhaita löydettyjä malleja. Tämän tutkimuksen tulokset ovat linjassa muiden kaukokartoitusta hyödyntävien maaperän ominaisuuksia tutkivien tutkimuksien kanssa. Maaperän ominaisuudet eivät korreloineet voimakkaasti kasvillisuuden ja topografian kanssa, mikä johti keskinkertaisiin tuloksiin