Hybride spatiotemporele modellering van nutriëntencycli in wetlands met geavanceerde kaarttechnieken en machine learning

Waarom deze verborgen waterfilters ertoe doen

Wetlands beschermen stilletjes onze rivieren en drinkwater door overtollige meststoffen en andere verontreinigingen van landbouw en stedelijke gebieden op te nemen. Omdat ze echter uitgestrekt, drassig en moeilijk bereikbaar zijn, is het voor wetenschappers lastig geweest om door de tijd heen te volgen hoe goed deze natuurlijke filters functioneren. Deze studie toont hoe een mix van veldmonsters, satellietbeelden en machine learning van één klein wetlandgebied in Ohio een gedetailleerd, bewegend beeld kan maken van de gezondheid ervan, seizoen na seizoen en jaar na jaar.

Nutriënten waarnemen vanuit de ruimte en te voet

De onderzoekers concentreerden zich op de Beavercreek Wetlands Greenway in Ohio, een patchworklandschap waar stadswijken, akkers, bossen en moerassen samenkomen. Ze verzamelden maandelijks vier jaar lang watermonsters uit drie wetlands langs een beek en maten twee belangrijke nutriënten: stikstof en fosfor. In matige hoeveelheden ondersteunen deze nutriënten plantengroei, maar in overmaat kunnen ze algenbloei veroorzaken en zuurstof uit het water halen. Om verder te gaan dan verspreide monsterpunten koppelde het team deze metingen aan hoge-resolutie satellietdata van de Europese Sentinel-1 en Sentinel-2-missies, allemaal verwerkt in Google Earth Engine.

Een tweestapsmethode om het landschap te lezen

In plaats van alle soorten data in één groot model te stoppen, bouwden de auteurs een tweefasig machine learning-kader op basis van het veelgebruikte algoritme Random Forest. In de eerste fase voorspelde het model nutriëntenniveaus met brede wetlandkenmerken zoals vorm, grootte, omliggende landgebruikstypen (zoals bos, akkerland of verstedelijkte gebieden) en recente neerslag en temperatuur. Dat creëerde een “basislijn”-kaart die vastlegde hoe het landschap over het algemeen nutriënten belast of opneemt. In de tweede fase richtte een apart model zich alleen op wat het eerste model miste: de resterende ruimtelijke fouten. Het probeerde deze fijnere patronen te verklaren met continue satellietafgeleide variabelen, zoals vegetatie-indexen en radargebaseerde maten voor water- en plantstructuur.

Seizoensgebonden stress en tekenen van herstel

Door beide fasen te combineren produceerde het team kwartaalkaarten van stikstof en fosfor van 2021 tot en met 2024 met een resolutie die groot genoeg was om veranderingen langs de lengte van de wetlands te zien. Stikstof vertoonde sterke en terugkerende seizoensschommelingen, met hogere concentraties in lente en zomer (het tweede en derde kwartaal) en lagere waarden in koudere maanden. Over de vier jaren namen stikstofniveaus vroeg in het jaar geleidelijk toe, en de pieken halverwege het jaar in 2022 en 2023 waren bijzonder hoog, wat wijst op herhaalde seizoensstress gekoppeld aan nattere maanden en landbouwactiviteiten in het omliggende stroomgebied.

Een andere nutriënt, een ander verhaal

Fosfor vertelde een contrasterend verhaal. In 2021 waren fosforconcentraties in grote delen van het wetland verhoogd, maar de kaarten toonden een gestage daling in de meeste gebieden gedurende 2022, 2023 en 2024, vooral in winterkwartalen. Een aanhoudende hotspot bleef in het bredere middenbereik van het wetland, vooral tijdens late-zomerse laagwaterperioden, wat wijst op interne vrijgave van opgeslagen fosfor uit sedimenten. Door te analyseren op welke variabelen de modellen het meest vertrouwden, vonden de onderzoekers dat stikstof zowel afhankelijk was van landschapscontext als van lokale stroomcondities vastgelegd door satellieten, terwijl fosfor vooral werd bepaald door de ligging van verstedelijkte en agrarische gebieden rond de wetlands.

Wat dit betekent voor het beschermen van wetlands

Voor niet-specialisten is de kernboodschap dat niet alle nutriëntproblemen gelijk zijn en dat satellieten kunnen helpen ze te onderscheiden. Het nieuwe kader volgde stikstof en fosfor nauwkeurig in ruimte en tijd en toonde dat stikstof een diffuse, seizoensgebonden terugkerende kwestie blijft, gekoppeld aan landbouwpraktijken en wetlandvegetatie, terwijl fosfor merkbaar is verbeterd naarmate de lozingen uit omliggende verstedelijkte gebieden afnamen, afgezien van een hardnekkige hotspot. Deze tweestaps, kaartgebaseerde benadering biedt beheerders een praktisch diagnostisch hulpmiddel: het kan snel probleemplekken aanwijzen, aangeven of oplossingen zich moeten richten op veranderingen in landgebruik, stedelijke afvloeiingscontroles of processen binnen het wetland, en kan worden aangepast aan andere waterkwaliteitsvragen nu klimaat, landgebruik en natuurbehoud onze wetlands blijven vormen.

Bronvermelding: Salas, E.A.L., Schrack, K., Kumaran, S.S. et al. Hybrid spatiotemporal modeling of nutrient cycling in wetland ecosystems using advanced mapping techniques and machine learning approaches. Sci Rep 16, 9954 (2026). https://doi.org/10.1038/s41598-026-40585-5

Trefwoorden: wetlands, nutriëntvervuiling, remote sensing, machine learning, waterkwaliteit