Digital soil mapping using artifical neutral networks

Weinheim

2005

S. 21-33

4 Abb., 66 Lit. Ang.

Artikel aus einer ZeitschriftUnselbständiges Werk

200122005

Vor dem Hintergrund einer steigenden Nachfrage nach hoch auflösenden bodenkundlichen Flächeninformationen für die Umweltplanung und Modellierung werden schnelle und genaue Vorhersagemodelle benötigt, um hochqualitative Bodenprognosekarten zur Verfügung stellen zu können. Kernpunkt der hier vorgestellten Untersuchung ist daher die Entwicklung einer Methodik zur Erstellung von Bodenprognosekarten auf der Grundlage Künstlicher Neuronaler Netze (KNN). Als Untersuchungsgebiet diente eine Fläche von über 600 km2 im Pfälzer Wald. Vorwärts propageirende KNN auf Basis des "Resilent Backpropagation"-Algorithmus mit einer verdeckten Schicht aus 15 bis 30 Zeilen erwiesen sich als optimal für die Progrnose von Bodenformengesellschaften. Um das Auftreten einer Bodenformengesellschaft zu beschreiben und die KNN zu trainieren, wurden 69 Reliefparameter, 3 Nutzungklassen sowie 53 geologisch-petrographische Einheiten verwendet. 80 % der vorhergesagten Bodenformengesellschaften (n = 33) zeigten Trainingsfehler (mittlerer quadratischer Fehler der KNN) von unter 0,1: 43 % sogar von unter 0,05. Die Validierung ergab Genauigkeiten in dem kartierten Gesamtraum von durchschnittlich über 92 % für die prognostizierten Bodenformengesellschaften. Zusammenfassend kann festgehalten werden, dass die vorgestellte Methodik auf der Basis von KNN und einer umfangreichen Digitalen Reliefanalyse einen zeit- und kosteneffektiven Ansatz zur Prognose von Bodenkarten darstellt, der hervorragende Ergebnisse liefern kann.