Ontwikkeling van een gestratificeerd wortelzone-bodemvochtproduct voor India, 1981–2024

Waarom het water dat in de bodem verborgen zit ertoe doet

Voor miljoenen boeren in heel India hangt een goede oogst af van iets dat ze niet direct kunnen zien: het water dat in de grond onder hun voeten is opgeslagen. Dit verborgen water binnen het bereik van wortels houdt gewassen in leven tussen buien door, bepaalt hoe hittegolven worden ervaren en beïnvloedt of een droge periode uitdraait op een verwoestende droogte. Tot nu toe ontbrak het India aan een lange, gedetailleerde registratie van dit ondergrondse vocht. De hier beschreven studie vult die leemte door een dagelijkse kaart van wortelzone-bodemvocht voor heel India te maken van 1981 tot 2024, wat nieuwe mogelijkheden opent voor slimmer boeren, betere droogtewaarschuwingen en een duidelijker beeld van hoe het klimaat het land verandert.

Onder de oppervlakte kijken

De meeste satellietmissies kunnen alleen vocht dicht bij het aardoppervlak waarnemen, enkele centimeters diep—te ondiep om te laten zien wat plantenwortels daadwerkelijk ervaren. Deze satellietreeksen reiken bovendien meestal slechts ongeveer een decennium terug, waardoor het moeilijk is langetermijntrends te begrijpen. Tegelijkertijd kunnen computermodellen die de beweging van water in bodem en rivieren simuleren tientallen jaren doorrekenen, maar missen ze vaak lokale details en vangen ze mogelijk niet de werkelijke hoeveelheid water in de grond volledig, vooral in gebieden met zware beregening, complexe geografie of dichte begroeiing. De onderzoekers hebben de sterke punten van beide benaderingen gecombineerd om te reconstrueren hoe nat of droog de wortelzone (tot één meter) over meer dan vier decennia in heel India is geweest.

Satellieten, modellen en weergegevens combineren

Het team begon met een gedetailleerde, hoogresolutieve weerdataset voor India, inclusief dagelijkse neerslag en temperatuur, gecorrigeerd naar waarnemingen aan de grond. Deze gegevens werden ingevoerd in een gedetailleerd landoppervlak- en rivierstroomsmodel genaamd H08, dat simuleert hoe water afstroomt, in de bodem zakt en via verdamping en plantentranspiratie weer terugkeert naar de atmosfeer. Dit leverde lange dagelijkse reeksen van afstroming, evapotranspiratie en bodemvocht voor elk rastervak van 0,05°—ongeveer enkele kilometers aan elke zijde—over de belangrijkste stroomgebieden van India. Hoewel het model temporele patronen goed vastlegde, had het de neiging de opgeslagen hoeveelheid water in de bodem te onderschatten, vooral in nattere regio’s. Om dit te corrigeren, gebruikten de onderzoekers wortelzone-bodemvocht uit een door NASA geproduceerd satellietproduct (SMAP Level 4), beschikbaar vanaf 2015, als betrouwbare referentie.

Een model leren denken als een satelliet

Om de kloof te overbruggen tussen kortetermijnsatellietwaarnemingen en langetermijnmodeluitvoer, grepen de wetenschappers naar machine learning. Voor elk rastervak in India trainden ze een Random Forest-model—een type ensemble van beslissingsbomen—om het verband te leren tussen vier invoervariabelen en het satellietgebaseerde wortelzone-bodemvocht: het gemodelleerde bodemvocht, de gemodelleerde evapotranspiratie, de neerslag van de voorgaande week en de dagelijkse luchttemperatuur. Door per rastervak te werken, bleef lokale variatie in klimaat, bodem en landgebruik behouden. Nadat het model was getraind op de periode 2016–2024, werd het machine-learning-systeem gebruikt om dagelijk bodemvocht terug te reconstrueren tot 1981, wat een continue 44-jarige reeks genereerde die zowel fysisch consistent is als afgestemd op wat de satelliet zou hebben waargenomen.

De nieuwe kaart toetsen aan de werkelijkheid

Een dergelijke reconstructie is alleen nuttig als die het gedrag in de echte wereld goed weergeeft, dus het team testte hun product streng. Eerst controleerden ze hoe goed het H08-model rivierstroom en door satellieten gemeten verdamping reproduceerde, en vonden over het algemeen goede overeenstemming bij honderden meetstations. Vervolgens evalueerden ze het machine-learning-bodemvocht tegen SMAP zelf: in het grootste deel van India volgde het nieuwe product de satelliet nauw, met kleine fouten en sterke correlaties. Op een testlocatie met ondergrondse sensoren op meerdere dieptes kwam het gereconstrueerde wortelzonevocht nauwkeurig overeen met de waarnemingen, ondanks het verschil tussen een punttemperatuurmeting en een groter rastervak. Ten slotte vergeleken ze de bodemvochtanomalieën tijdens twee beruchte droogtejaren, 2002 en 2009, met onafhankelijke satellietmetingen van plantactiviteit (solar-induced chlorophyll fluorescence). De droge patronen in bodem en vegetatie kwamen goed overeen, wat laat zien dat de nieuwe dataset vastlegt hoe gewassen en natuurlijke vegetatie reageren op waterstress.

Wat dit betekent voor boeren en beleidsmakers

Het eindresultaat is een openbaar, dagelijks, gridgebaseerd overzicht van hoeveel water in de bovenste meter bodem is opgeslagen in heel India van 1981 tot 2024. Voor niet-specialisten biedt dit een nieuwe basis om praktische vragen te beantwoorden: hoe uitzonderlijk is de droogte dit jaar vergeleken met voorgaande decennia? Welke districten lopen het grootste risico op oogstverliezen tijdens een zwakke moesson? Hoe hebben beregening en veranderende neerslag in de loop van de tijd het ondergrondse water beïnvloed? Hoewel de auteurs waarschuwen dat de gegevens minder betrouwbaar zijn in besneeuwde berggebieden en sommige sterk geïrrigeerde zones, benadrukken ze dat deze lange, gedetailleerde reeks al kan bijdragen aan betere droogtemonitoring, realistischer gewas- en waterkundige modellen en beter onderbouwd beleid voor voedsel- en watervoorziening in een opwarmende wereld.

Bronvermelding: Chuphal, D.S., Abhishek, Kushwaha, A.P. et al. Development of Gridded Root-Zone Soil Moisture Product for India, 1981–2024. Sci Data 13, 560 (2026). https://doi.org/10.1038/s41597-026-06940-x

Trefwoorden: bodemvocht, droogte, India, remote sensing, landbouw