Epsilon Archive for Student Projects

Abstract

Markpackning utgör ett betydande hot mot jordbrukets produktivitet, eftersom den påverkar rotutveckling, vatteninfiltration och näringsupptag. Markens vattenhalt spelar en avgörande roll för att bestämma risken för packning. Denna studie fokuserar på att validera satellitbaserade estimat av markens vattenhalt från Planet Lab, som används inom Compaction Prevention System (CPS) för att bedöma packningsrisker. Grunddatan från Planet Lab har en upplösning på 1 km x 1 km och skalas ned med hjälp av en modell baserad på Sentinel-2-data för att uppnå en högre rumslig upplösning. Studien analyserar hur väl dessa estimat överensstämmer med fältmätningar och undersöker statistiskt sambandet mellan ytlig och djupare vattenhalt i marken.

Data samlades in från jordbruksfält med varierande jordtexturer och vegetation under hösten 2024. Satellitestimaten validerades mot vattenhaltsmätningar vid ytan, och olika metoder användes för att analysera felmått och dataöverensstämmelse. Statistiska modeller utvecklades för att undersöka sambandet mellan vattenhalten vid ytan och vid ett djup på 30–40 cm. Modelleringen baserades på variabler såsom textur (lera, silt, sand och mull), topografi (höjd över havet och lutning), biomassa (från fältmätningar och biomassaindex) och meteorologiska data (från SMHI).

Resultaten visar att dygnsmedelvärdet av satellitdata överensstämmer väl med fältmätningarna, vilket tyder på att grunddatan från Planet Lab är tillförlitlig. Däremot uppstår större avvikelser på enskilda punkter, vilket tyder på att nedskalningsmodellen inte fungerar i svenska förhållanden. Därför går det inte att använda PlanetLabs som en tillförlitlig källa på vattenhalt på jordbruksmark i Sverige.

En annan möjlig felkälla är att fältmätningarna bygger på vägpunktprover, där enstaka mätningar används för att representera hela 1 km x 1 km-rutor. Eftersom markvattenhalten kan variera avsevärt inom en sådan yta, kan detta bidra till osäkerheter i valideringen. För att förbättra noggrannheten skulle fler mätpunkter per ruta behövas.

Statistiska analyser visar också att sandhalt och ytvattenhalt hade en signifikant påverkan på vattenhalten i djupare jordlager (30–40 cm). Studien belyser därmed fjärranalysens potential för att uppskatta markens vattenhalt och bidra till utvecklingen av mer robusta verktyg för att förbättra riskbedömningar av markpackning. För att öka precisionen i framtida prediktioner kan det vara nödvändigt att kalibrera nedskalningsmodellen specifikt för svenska förhållanden och komplettera valideringen med fler markbaserade mätpunkter.

Soil compaction poses a significant threat to agricultural productivity as it affects root development, water infiltration, and nutrient uptake. Soil moisture plays a crucial role in determining the risk of compaction. This study focuses on validating satellite-based soil moisture estimates from Planet Lab, which are used within the Compaction Prevention System (CPS) to assess compaction risks. The base data from Planet Lab has a 1 km x 1 km resolution, and this data is downscaled using a model based on Sentinel-2 data to achieve higher spatial resolution. The study analyzes how well these estimates align with field measurements and examines the statistical relationship between surface and deeper soil moisture.

Data were collected from agricultural fields with varying soil textures and vegetation during the autumn of 2024. Satellite estimates were validated against surface soil moisture measurements, and various methods were employed to analyze error metrics and data consistency. Statistical models were developed to investigate the relationship between surface soil moisture and moisture at a depth of 30–40 cm. The modeling was based on variables such as texture (clay, silt, sand, and organic matter), topography (elevation and slope), biomass (from field measurements and biomass indices), and meteorological data (from SMHI).

The results show that the daily mean values of satellite data align well with field measurements, indicating that the base data from Planet Lab is reliable. However, larger deviations at individual points suggest that the downscaling model may be a significant source of error. Since the daily mean values match, but local variations are not well captured, it indicates that downscaling from 1 km x 1 km to a higher resolution may be insufficient for Swedish conditions. Therefore, PlanetLabs cannot be used as a reliable source for soil moisture data on agricultural land in Sweden.

Another potential source of error is that field measurements are based on point samples, where single measurements are used to represent an entire 1 km x 1 km grid cell. Since soil moisture can vary considerably within such an area, this could contribute to uncertainties in the validation. To improve accuracy, additional sampling points per grid cell would be needed.

Statistical analyses also show that sand content and surface soil moisture significantly impacted soil moisture in deeper layers (30–40 cm). This study highlights the potential of remote sensing for estimating soil moisture and contributing to the development of more robust tools for improving soil compaction risk assessments. To increase the precision of future predictions, it may be necessary to calibrate the downscaling model specifically for Swedish conditions and complement validation with more ground-based measurement points.