L'humidité du sol est facile à voir lorsque votre Little Leaguer préférée se glisse dans la deuxième base le lendemain d'une grosse tempête estivale. La boue éclaboussée sur l'uniforme de ce petit arnaqueur raconte l'histoire.

Essayer d'évaluer l'humidité du sol sur de vastes zones—régions, nations, continents - est un tout autre défi, et un critique. La connaissance de cette dimension de notre écosystème est extrêmement importante pour les agriculteurs, planificateurs, scientifiques, compagnies d'assurance et toute personne soucieuse de se préparer au changement environnemental mondial.

« La compréhension de ces schémas est essentielle à la sécurité nationale et internationale, " dit Rodrigo Vargas, professeur agrégé d'écologie des écosystèmes et de changement environnemental au Département des sciences des plantes et des sols de l'Université du Delaware. "On ne peut pas tout mesurer partout tout le temps.... Nous utilisons donc des approches alternatives, comme le machine learning qui nous aide à mieux comprendre des ensembles de données complexes."

Maintenant, Vargas et le doctorant Mario Guevara ont développé une nouvelle approche qui affine notre capacité à prédire l'humidité du sol, même dans de vastes zones où aucune donnée n'est disponible. Par rapport aux estimations standard produites par les capteurs satellitaires, la nouvelle approche augmente la précision de ces estimations de plus de 20 %. Il permet également de prédire les conditions d'humidité du sol dans des zones beaucoup plus petites et avec plus de détails que les modèles standard ont pu le montrer. Ils ont décrit leur travail dans un récent numéro de PLOS UN , une revue à comité de lecture publiée par la Public Library of Science.

Les meilleures données sur l'humidité du sol sont désormais collectées à l'aide de capteurs satellitaires qui fournissent des prévisions dans des grilles d'environ 27 kilomètres par pixel. C'est un espace de presque 17 miles carrés, environ la distance de Main Street à Newark, Delaware, à l'historique New Castle sur la rivière Delaware.

C'est utile pour analyser les tendances régionales ou mondiales, mais une si grande échelle ne peut fournir que des informations limitées sur les conditions locales.

La méthode développée par Guevara et Vargas offre une définition beaucoup plus élevée, amélioration de la résolution de 27 kilomètres à 1 kilomètre par pixel, ou d'environ 17 miles à un peu plus d'un demi-mile. C'est à peu près la distance entre le Trabant Student Center de l'UD à une extrémité de East Main Street et le centre commercial de Newark de l'autre. Beaucoup plus serré et beaucoup plus utile pour les applications à l'échelle de l'État.

La nouvelle approche combine la science des données et l'apprentissage automatique avec la science émergente de la géomorphométrie - analyse quantitative de la surface terrestre à l'aide d'informations topographiques, analyse d'images et statistiques spatiales.

Parce que l'humidité du sol varie selon l'emplacement et change au fil du temps, des méthodes de mesure et de prévision fiables sont essentielles. La topographie, qui définit les paramètres physiques de la surface de la Terre, est un facteur critique pour les estimations de l'humidité du sol. Élévation, la pente et d'autres caractéristiques de la surface terrestre sont de puissants prédicteurs de la façon dont l'eau - de la pluie, l'irrigation et d'autres sources—se déplaceront, drainer et affecter une zone.

"Nous devons comprendre la dynamique de l'eau, " a déclaré Guevara. "Nous comprenons beaucoup de composants du cycle de l'eau, mais il y a beaucoup de choses que nous ne savons pas. Nous voulons protéger les ressources en eau et savoir comment elles sont distribuées, leur géographie. L'humidité du sol est un indicateur important des ressources en eau.

Grâce à des capteurs satellitaires, l'humidité du sol peut être mesurée à une profondeur d'environ 5 centimètres (un peu moins de 2 pouces).

"Les satellites ne peuvent pas facilement voir l'humidité du sol dans les couches plus profondes du sol, " a déclaré Guevara.

Mais cette mince couche de sol contient des informations cruciales.

« L'humidité superficielle du sol est un indicateur clé de la sécheresse du sol. Elle influence la productivité du sol et, en fin de compte, la santé du sol, " Guevara a dit, "comme l'eau dans les premiers centimètres du sol est une partie de l'eau utilisée par les cultures ou par la biodiversité du sol (le recyclage des nutriments) contrôlant la capacité du sol à produire de la nourriture, fibre et stocker de l'eau.

En développant le nouveau modèle prédictif, Guevara a utilisé des données satellitaires sur l'humidité du sol recueillies pendant plus d'une décennie (1991-2016) à travers la zone continentale des États-Unis par l'Initiative sur le changement climatique de l'Agence spatiale européenne.

Lui et Vargas ont travaillé en collaboration avec UD Information Technologies, a utilisé le muscle du cluster de calcul haute performance Farber d'UD et a puisé dans les ressources du nouveau Data Science Institute.

Guevara a développé des facteurs de prédiction à l'aide d'une analyse numérique automatisée du terrain et a défini 15 types de paramètres de terrain (tels que la pente et l'aspect, entre autres). Il a analysé la structure spatiale et la distribution de ces paramètres par rapport à l'humidité du sol et a utilisé un algorithme pour sélectionner les meilleurs modèles.

Les prédictions résultantes ont été validées par comparaison à la « vérité terrain, " données de terrain sur l'humidité du sol provenant de l'ensemble de données sur l'humidité du sol nord-américain. Cet ensemble de données, développé par l'ancien UD Steven Quiring, qui était étudiant au doctorat du professeur UD et climatologue d'État Dan Leathers, tire des données strictement organisées de plus de 2, 000 stations météorologiques à travers les États-Unis continentaux.

Le prochain chapitre de la recherche étend les travaux à l'échelle mondiale, dit Vargas. Plus de discussion à ce sujet est disponible dans la revue Earth System Science Data.