Soil bulk density is a required variable for quantifying stocks of elements in soils and is therefore instrumental for the evaluation of land-use related climate change mitigation measures. Our motivation was to derive a set of pedotransfer functions for soil bulk densities usable to accommodate different levels of data availabilities. We derived sets of linear equations for bulk density that are appropriate for different forms of land-use. After introducing uncertainty factors for measured parameters, we ran the linear models repeatedly in a Monte Carlo simulation in order to test the impact of inaccuracy. The reliability of the models was evaluated by a cross-validation. The single best predictor of soil bulk density is the content of soil organic carbon, yielding estimates with an adjusted R² of approximately 0.5. A slight improvement of the estimate is possible when additionally, soil texture and soil depth are known. Residual analysis advocated the derivation of land-use specific models. Using transformed variables and assessing land-use specific pedotransfer functions, the determination coefficient (adjusted R²) of the multiple linear models ranged from 0.43 in cropland up to 0.65 for grassland soils. Compared to pedotransfer function, from the literature, the performance of the linear modes were similar but more accurate. Taking into account the likely inaccuracies when measuring soil organic carbon, the soil bulk density can
be estimated with an accuracy of +/- 9 to 25% depending on land-use. We recommend measuring soil bulk density by standardized sampling of undisturbed soil cores, followed by post-processing of the samples in the lab by internationally harmonized protocols. Our pedotransfer functions are accurately and transparently presented, and derived from well-documented and high-quality soil data sets. We therefore consider them particularly useful in Austria, where the measured values for soil bulk densities are not available. Keywords: Land-use, regional calibration, multiple regression, Monte Carlo, cross validation Die Bodenlagerungsdichte ist eine notwendige Variable bei der Berechnung von dem im Boden gespeicherten Bodenkohlenstoff und ist deshalb auch ein wichtiges Instrument bei der Evaluierung von landnutzungsbasierten Minderungsmaßnahmen gegen den Klimawandel. Unsere Motivation war, ein Set von Pedotransferfunktionen für die Bodenlagerungsdichte zu entwickeln, die für unterschiedlichen Datensätze nutzbar sein könnten. Wir entwickelten ein Set linearer Funktionen für landnutzungsabhängige Bodenlagerungsdichten basierend auf Daten aus Österreich, der Schweiz und Südtirol in Italien. Nach dem Einfügen von Unsicherheitsfaktoren für gemessene Bodenparameter wurde die Ungenauigkeit der Gleichungen mittels einer Monte Carlo Simulation ermittelt. Die Glaubwürdigkeit der Modelle wurde anhand von Kreuzvalidierung bestimmt. Der Gehalt von organischem Bodenkohlenstoff ist mit R2 = 0.5 die Bestimmungsvariable, die am besten die Bodenlagerungsdichte voraussagt. Wenn Bodentextur
und Aufnahmetiefe bekannt sind, ist eine geringe Verbesserung des Bestimmtheitsmaßes möglich. Die Residuen-Analyse empfiehlt landnutzungsspezifische Modelle. Mit transformierten Variablen reicht das Bestimmtheitsmaß (R2) der landnutzungsspezifischen Pedotransferfunktionen von 0.43 in Ackerböden bis zum 0.65 für Grünlandböden. Die Ergebnisse sind ähnlich aber mehr präzise im Vergleich mit Modellen aus der Literatur. Unter Berücksichtigung der Unsicherheit von gemessenen Bodenkohlestoffwerten, kann die Bodenlagerungsdichte abhängig von der Landnutzung mit einer Genauigkeit von +/- 9% bis 25% geschätzt werden. Wir schlagen vor, dass die Bodenlagerungsdichte an standardisierter volumsgerechter Proben, die mittels Stechzylindern geworben wurden
und im Labor nach internationalem Standard gemessen wird. Wenn gemessene Werte für Bodenlagerungsdicht nicht vorhanden sind, bieten diese Pedotransferfunktionen eine Alternative besonders, weil sie einerseits den Geltungsbereich und anderseits die Schwankungsbreiten und Unsicherheiten transparent angeben. Schlagwörter: Landnutzung; regionale Kalibrierung, Multiple Regression; Monte Carlo; Kreuzvalidierung
