Digital markkartering av Skånes åkermark med fjärranalys

Abstract

Digital Soil Mapping of arable land in the County of Skåne in South Sweden. Report in Swedish.

Full text

Institutionen för mark och miljö Precisionsodling Sverige
Precisionsodling och pedometri Teknisk Rapport nr 26
Skara 2012
ISSN 1652-2826
Digital markkartering av
Skånes åkermark med
fjärranalys
Mats Söderström

2

3
Innehållsförteckning
Sammanfattning .......................................................................................................................... 4
Bakgrund ..................................................................................................................................... 5
Material och metoder .................................................................................................................. 7
Jordprover ...........................................................................................................................................7
Digitala höjddata .................................................................................................................................8
Gammastrålning ..................................................................................................................................8
Satellitdata ...........................................................................................................................................9
Åkermark ...........................................................................................................................................10
Modellering och mjukvaror .............................................................................................................10
Resultat ...................................................................................................................................... 12
Förklaringsvariabler .........................................................................................................................12
Responsvariabler ...............................................................................................................................12
Stratifiering ........................................................................................................................................12
Modellering ........................................................................................................................................15
Översiktlig modell för kartläggning av hela Skåne ........................................................................20
Alternativ metod ................................................................................................................................22
Andra digitala kartprodukter ..........................................................................................................22
Slutsatser ................................................................................................................................... 24
Referenser.................................................................................................................................. 25

4
Sammanfattning
Detta är slutrapporten till projektet Applied digital soil mapping of agricultural land using
remote sensing (Rymdstyrelsens dnr 199/10). I rapporten redovisas arbetet med att kombinera
olika typer av fjärranalysdata (satellitdata, gammastrålningsdata och laserskannade höjddata)
med jordanalyser från åkermark. Målsättningen var att testa metodik för att skapa
prediktionsmodeller för ler- och mullhalt, mål-pH och buffertförmåga i åkermarkens matjord.
Genom att använda metoder för datamining provades olika kombinationer av
förklaringsvariabler, både i olika delområden och i hela Skåne. Det gick bra att ta fram relativt
säkra prediktionsmodeller för lerhalt, något sämre för mål-pH och buffertförmåga, och minst
lyckat var det beträffande mullhalt. Metodik för att ta fram relativt högupplösta kartor över
hela Skåne presenterades och exemplifierades. Satellitdata bidrog till att skapa avsevärt bättre
prediktionsmodeller jämfört med om endast gammastrålningsdata och topografiska data
användes. Det redovisade arbetet var första delen av planerade två. I den andra kommande
projektdelen är tanken att skapa heltäckande prediktionsmodeller och detaljerade kartor över
Skånes och Västra Götalands åkermark enligt den metodik som beskrivs här. Ett sådant
material skulle kunna ha stor användning i lantbruket, både inom rådgivning och direkt av
lantbrukare, och leda till stora ekonomiska och miljömässiga fördelar.
Projektdeltagare var Mats Söderström (SLU, Skara), Henrik Stadig (Hushållningssällskapet i
Skaraborg) och Per-Göran Andersson (Hushållningssällskapet i Malmöhus)

5
Bakgrund
Markkartering, d v s regelbunden jordprovtagning av åkermarken (i huvudsak av matjorden –
de översta 2 dm), startade i Sverige under 1940- och 50-talet. Karteringen har tydliggjort att
tillgången på fosfor, kalium och andra näringsämnen ofta varierar inom fälten. Dagens
rekommendationer för markkartering utarbetas av Markkarteringsrådet och utges av
Jordbruksverket (Jordbruksverket, 2012). Under senare år har nya metoder utvecklats och
sensorer har börjat användas för att man ska kunna skapa mer detaljerade och bättre
markkartor. Exempel på detta är mätning av markens elektriska ledningsförmåga (t ex
Nehmdahl & Greve, 2001) och analys med nära infraröd (NIR) spektroskopi (Wetterlind et al.,
2008). Även variation i markens naturliga radioaktiva strålning har börjat användas inom
kartering av åkermark (Söderström et al., 2008). Trots allt sker den största delen av
markkarteringen på vanligt sätt med 1 prov/ha, men provplatserna mäts ofta in med GPS och
kartframställningen är digital. Det är lantbrukaren som står för kostnaden och man försöker av
kostnadsskäl att minimera vad som analyseras och tar gärna färre prover än rekommenderat.
Viktiga analyser som t ex mullhalt (motsv. organiskt material) och lerhalt (procentandel av
partiklar < 0,002 mm) analyseras ofta inte alls. Under senare år har en ny disciplin utvecklats
som länkar samman jordanalyser med hjälpvariabler (eng. covariates) som sensordata – både
mätt från nära håll och med fjärranalys och andra tillgängliga kartdata. Sedan appliceras
statistiska metoder där avsikten är att bygga modeller för beräkning och kostnadseffektiv
kartering av olika mätvärden. På engelska går detta under benämningen digital soil mapping
DSM (Grunwald, 2010) (Figur 1). I de flesta fall använder man billiga och heltäckande data
som inte alltid är direkt korrelerade med det man egentligen vill kartera. Snarare är det
indirekta samband man utnyttjar och bland en stor mängd förklaringsvariabler söker man upp
statistiska samband för att skapa prediktionsmodeller (Minasny et al., 2008).
Figur 1. Principen för digital soil mapping (DSM) (Minasny et al., 2008)
Under de senaste 15 åren har lantbrukare sammanlagt tagit tusentals jordprover i Skåne. Sett
över hela Skåne är dock jordproverna statistiskt klustrade i grupper på de gårdar som har
karterat sin mark, och stora delar av åkermarken saknar provtagning. Spridda
provtagningsprogram som syftat till att täcka in all mark pågår, framförallt Naturvårdsverkets
övervakningsprogram (Eriksson et al., 2010). Antalet prover är dock få, så man får där nöja sig
med att ta fram sannolika medeltal för 2,5 x 2,5 km2 eller 5 x 5 km2 rutor beroende hur mycket
åkermark som finns i olika delar av landet. Den regionala variationen beskrivs bra men lokalt
är data inte särskilt användbart (se dock även t ex Djodjic et al, 2009 och Tranter et al., 2011

6
för exempel på metoder för att bättre utnyttja dessa data). Jordbruksverket har under 2011-
2012 tagit ett stort antal jordprover (>20 000 st.) jämnt fördelat över Sveriges åkermark för att
förbättra den rumsliga täckningen. Dessa data är under sammanställning och man avser att ta
fram kartor under det kommande året (Bertil Albertsson, Jordbruksverket, muntlig information
2012). Metoder för effektiv kartframställning är i det sammanhanget intressanta och det arbete
som genomförts här beskriver ett tänkbart angreppssätt.
Utgångspunkten här är något annorlunda eftersom kalibreringsproverna inte har en jämn
geografisk spridning, men i stället ger det en möjlighet att fånga den lokala variationen – vilket
man inte kan få fram på samma sätt i de nationella programmen. Genom att kombinera
jordanalyser med andra data som täcker hela området var tanken att kunna skapa en
heltäckande kartbild med hög upplösning, i slutändan kanske ända ned till 20 x 20 m2, men
åtminstone motsvarande jordprovtagning med ett värde per 100 x 100 m2. Detta kan ge både
en regional bild över åkermarkens matjordsegenskaper och samtidigt kan det användas lokalt
på gårdar. Om en sådan kartprodukt blir tillräckligt noggrann och korrekt skulle den kunna få
flera användningsområden. Lokalt för den enskilde lantbrukaren kan man tänka sig att man
kan spara in provtagnings- och analyskostnader om man t ex vill göra en
kalkbehovsbestämning. I studier av läckagerisk etc. saknas ett detaljerat underlag om
jordartsfördelning. Detaljerade kartor som täcker stora ytor kan även ge underlag för nya
tolkningar av den kvartära utvecklingen av landskapet vilket är av intresse från ett
kvartärgeologiskt och geomorfologiskt perspektiv.
Den nya nationella höjdmodellen (NNH; Lantmäteriet, Gävle) har en rumslig upplösning på 2
m x 2 m och ger helt nya möjligheter att modellera den lokala topografin. Små höjdskillnader,
svackor och höjder, kan ibland sammanfalla med jordartsskillnader och det lokala
dräneringsmönstret är viktigt för processer som påverkar omlagringen av jorden. NNH kan
tjäna som grund för en mängd intressanta produkter eftersom dess noggrannhet är så hög. För
lantbrukets del finns t ex en regel som säger att man inte får sprida gödsel om ”marklutningen
är >10 % om åkermarken gränsar till sjö eller vattendrag” (24, 24 a och 24 b §§
Jordbruksverkets föreskrifter 2004:62). Även om tolkningen av denna regel i praktiken säkert
kan variera så är det med befintliga papperskartor inte möjligt att med säkerhet avgränsa
sådana ytor.
I det här arbetet som finansierats av Rymdstyrelsen (proj. dnr 199/10) har vi arbetat med
principerna för DSM med avsikten att kartera ler- och mullhalt i åkermark huvudsakligen i
Skåne, samt en mindre studie i delar av Västergötland. Målet var även att utnyttja pedotransfer
funktioner för beräkning av markens buffertkapacitet och mål-pH, för att försöka kartlägga
även dessa parametrar. I den här rapporten redovisas arbetet i Skåne. Projektet är den första
delen i ett projekt där det är tänkt att del 1 ska innebära metodutveckling och validering, vilket
innebär användning av enstaka satellitscener som därmed endast täcker delar av åkermarken,
om man som nu är ute efter barmarksscener. I kommande del 2 avser vi att utnyttja metoderna
i del 1 för att skapa full geografisk täckning genom att kombinera flera olika satellitscener.

7
Material och metoder
Jordprover
Hushållningssällskapet i Malmöhus samt i Skaraborg har sammanställt och levererat ett relativt
stort antal jordanalyser av åkermark, ca 5000 i Västra Götaland och nära 30 000 i Skåne, de
senare provtagna under två tidsperioder under de senaste 15 åren. Här fokuseras på data från
Skåne och en sammanfattning av tillgängliga data finns i Tabell 1. Ett sådant prov
representerar i normalfallet ett samlingsprov som består av upp till 10 delprover insamlade
inom en 3-5 m radie. Centrumpunkten för ett sådant prov är positionsbestämt med GPS. Här
testades även att direkt modellera åkermarkens mål-pH och buffertförmåga, som kan beräknas
med hjälp av ler- och mullhalt. Det är alltså en kombination av ler- och mullhalt som utgör
grunden för mål-pH och buffertförmåga. Med sådana kartor skulle man direkt kunna beräkna
kalkbehov i fält endast genom att mäta pH, som inte i sig räcker för att få fram kalkbehovet.
Ett uppmätt pH-värde skulle kunna jämföras med det beräknade mål-pH-värdet i kartan och
sedan kan kartvärdet för buffertkapacitet användas för att beräkna själva kalkbehovet.
Tabell 1. Sammanfattande statistik över jordanalysdata tagna under två perioder under de
senaste femton åren i Skåne (2007-2011: n = 14398; 1997-2002: n = 14663).
År
Medel (%)
Median (%)
Std.avv. (%)
Min (%)
Max (%)
Lerhalt (%)
1997-2002
14,9
13
8,4
1
78
Lerhalt (%)
2007-2011
15,3
14
8,0
1
70
Mullhalt (%)
1997-2002
3,8
3,2
3,84
0,4
66
Mullhalt (%)
2007-2011
3,5
3,0
2,83
0,5
58
Mål-pH
1997-2002
6,1
6,1
0,15
3,8
6,7
Mål-pH
2007-2011
6,1
6,1
0,13
4,1
6,8
Buffertförmågaa
1997-2002
9,4
8,6
3,98
2,5
63
Buffertförmågaa
2007-2011
9,2
8,6
3,43
2,9
55
a uttryckt i antal ton kalk/ha (med 50% CaO) som krävs för att höja pH en enhet
I praktiken beräknas kalkbehovet vanligen utifrån pH-värde, lerhalt och mullhalt p.g.a. högre
analyskostnad för basmättnadsgrad som är ett annat sätt att mäta kalkbehov. Olika jordar har
olika lämpligt pH-värde. Detta kallas mål-pH. Jordbruksverket (2012) redovisar tabeller för
sambandet mellan ler- och mullhalt och mål-pH, samt även den mängd kalk (ton CaO/ha i
form av kalkstensmjöl med 50 % CaO) som krävs för höjning av pH-värdet med ca en enhet.
Det senare benämns här buffertförmåga. Här har vi använt ett par ekvationer i stället för
beräkning av mål-pH och buffertförmåga. Mål-pH kan räknas fram enligt följande (från Kund
Nissen, Lantmännen):
pHmål = (0,01 * lerhalt) + (-0,033 * mullhalt) + 6,1 (1)
Vid mullhalt på över 12 % kan man ev. minska det beräknade mål-pH-värdet med ytterligare
0,1 enhet. Sockerbetsodling kan kräva att mål-pH höjs med 0,5 enheter. Kalkbehovet LR (lime
requirement) i form av kalkstensmjöl (50 % CaO) beräknas enligt Gustafsson (1999) på
följande vis:
LR (ton/ha) = (pHmål – pHuppmätt) * (1,9 + (((3,5 * mullhalt) + lerhalt)/3,8)) (2)
Den kursiverade delen av ekvationen beskriver markens förmåga att stå emot ändringar av pH
(buffertförmågan) och visar hur mycket kalk som måste tillföras för att höja markens pH-värde
en enhet.

8
Digitala höjddata
Man kan förvänta sig att jordarten på en plats ofta är relaterad till dess position i landskapet.
Fluvial transport och annan typ av erosion och deposition påverkas av topografin. Därför
användes här höjddata som en förklaringsvariabel. Data från höjdmodellen NNH utnyttjades
(Lantmäteriet, Gävle). NNH har tagits fram med hjälp av flygburen laserskanning. Man har
från dessa data generat en höjdmodell som har 2 x 2 m2 spatial upplösning som anges
(Lantmäteriet, Gävle) ha en noggrannhet på öppna hårdgjorda ytor på mindre än +/- 0,2 m i z-
led (mindre än +/- 0,5 m generellt). För öppen åkermark sannolikt närmare det förstnämnda.
Här reducerades den spatiala upplösningen till 10 x 10 m2 (medelvärdesfiltrering) för att
underlätta hanteringen och för att den upplösningen överensstämmer med arean som ett
jordprov ungefärligen representerar. Från denna höjdmodell togs sedan även fyra andra värden
som beskriver landform fram: 1) Variabeln Form beräknades genom att medelhöjden inom en
0,5 ha ruta jämfördes med det aktuella höjdvärdet. 2) Marklutning i varje enskild cell
bestämdes (Slope). 3) Antalet rasterceller som dränerar till varje cell räknades ut (Flow
accumulation). 4) Ett topografiskt vattenindex (TWI) beräknades enligt följande:
TWI = ln(Flow accumulation (i m2) / tan(Slope)) (3)
Det är ett mått på potentiell markfuktighet som ofta används i studier av markegenskaper och
dess relation till topografin (t ex Murphy et al., 2009).
Gammastrålning
Sveriges Geologiska Undersökningar (SGU) har sedan 1960-talet utfört flygbaserade
gamma(γ)-strålningsmätningar för översiktlig kartering av markens radioaktivitet, t ex för
uranprospektering. Sedan 1995 utförs mätningarna från ca 60 m flyghöjd med ett profilavstånd
på 200 meter, med ca 16 m mellan datavärdena längs stråken. Detaljeringsgraden är dock inte
så hög vid en sådan mätning. Ett mätvärde representerar signalen från en svårdefinierad yta på
marken, huvuddelen av signalen från en yta med radien ca 200 m (IAEA, 2003). Den från
luften mätbara naturliga gammastrålningen domineras av tre isotoper: kalium (40K), torium
(232Th) och uran (238U). Variation i markens naturliga radioaktiva strålning har börjat användas
inom kartering av olika egenskaper hos åkermark (t ex Cook et al., 1996; Wilford & Minty,
1997; Söderström & Eriksson, 2012). Jordlagren i Sverige är i förhållande till berggrunden
mycket unga. De har huvudsakligen bildats under och efter den senaste istiden. När
berggrunden bryts ned eller vittrar sker en mekanisk och kemisk, relativ borttransport av U och
Th. Därigenom kommer halterna av dessa ämnen att gradvis minska ju mer materialet bryts
ned. De lägsta halterna har finsand som i stort sett enbart består av kvarts och fältspat
(Sundevall, 2002; SSI, 2007). Det uran och torium som blivit löst i vattnet eller som finns som
små korn av uranförande mineral adsorberas på lerpartiklar eller fälls på sådana. Därför har
leror och leriga sediment vanligen förhöjda halter av dessa isotoper. Jordarternas
modermaterial har dock stor betydelse. Förekomsten av och förhållande mellan de olika
isotoperna varierar (SSI, 2007). Respektive isotopvärde omräknades till ett värde var 100:e m
med hjälp av lokal kriging (Minasny et al, 2005).
För Skaraborg ordnade Hushållningssällskapet även data från sex olika gårdar där
fältmätningar med fordonsburen gammastrålningsmätning utförts (metoden beskrivs t ex i
Söderström, 2008). Dessa data insamlas på motsvarande sätt som den flygburna mätningen,
men med en fyrhjulig motorcykel istället. Man kör med 12 eller 24 m mellan körstråken i ca 7-
8 km/h. Ett mätvärde i sekunden samlas in och täcker en yta med 2-3 m radie. Dessa data
redovisas i Söderström & Stadig (2012).

9
Satellitdata
Ett antal olika satellitscener har införskaffats (Tabell 2). Några scener tillgängliga från tidigare
projekt har även använts i projektet. I litteraturen finns redovisat en hel del olika
undersökningsresultat från studier där man jämfört markegenskaper med satellitdata (några
exempel: Ishida & Ando, 1999; Chen et al., 2005; Jacobsen & Söderström, 2008; Boettinger et
al., 2009; Boettinger, 2010). Vanligast är det att Landsat utnyttjats, mycket beroende på
tillgänglighet och täckningsgrad. Ett tidigt exempel där man testade att använda satellitdata för
jordartskartering utfördes av Andersson & Gervais (1987). Den studien utfördes i nordvästra
Skåne och man använde traditionell klassificeringsmetodik för att jordartskartera enligt SGU:s
jordartsindelning. Även i den här studien har data från Landsat använts. Landsat 5 har varit i
bruk ända sedan 1984 (Lillesand & Kiefer, 2000) men slutade leverera data i början av 2013.
Det finns trots all en mycket stor mängd data att tillgå. Landsat 7 däremot var endast fullt
funktionell 1999-2003. En skillnad mellan Landsat och t ex Spot när det gäller studier av
markegenskaper är att Landsat förutom banden i VNIR (synligt-nära infrarött) har två olika
band i SWIR-området (short-wave IR även benämnt mid-IR, MIR) och ett band i TIR-området
(termal IR). En fördel med Landsat är också att en scen täcker en större yta på marken. En
nackdel är att den spatiala upplösningen är relativt låg, 30 m (15 m pankromatiskt (PAN) i
Landsat 7).
Vad gäller studier av marken så har data från Aster visat sig intressant (t ex Boettinger, 2010).
Aster har tre band i VNIR, sex våglängdsband i SWIR-området och fem i TIR. Den spatiala
upplösningen varierar dock: banden i VNIR har 15 m spatial upplösning, 30 m i SWIR och 90
m i TIR. Emellertid slutade sensorn som registrerar SWIR (band 4-9) att fungera som den ska i
april 2007, vilket betyder att satelliten endast var fullt funktionsduglig i mindre än sju år, något
som begränsar tillgången på användbara scener. Vi har köpt några olika Asterscener,
framförallt för detaljstudier i det kommande steg 2. Att döma av datatillgången kan man inte
förvänta sig att det går att skapa en heltäckande mosaik av lämpliga Asterdata. Vi har även
utnyttjat en IRS P-4-scen som redan fanns tillgänglig över Västergötland sedan ett tidigare
projekt. Dessa data har hög spatial upplösning i PAN (5m) och 23 m i VNIR (dock är det
endast 7 bitars data). I den föreliggande rapporten har framförallt Landsat använts för de
jämförande studierna, främst beroende på att om en fungerande modellering preliminärt kan
göras med enstaka Landsatscener, så är möjligheten stor att man kan skapa en heltäckande
barmarksmosaik genom att kombinera flera olika Landsatscener.
Tabell 2. Satellitscener som köpts in för användning i projektet
Id
Registrerings-
datum
Satellitdata
Källa, inköp
Geografisk täckning
A
1992-05-14
Landsat 5 TM
USGSa
Skåne
B
2000-05-06
IRS P4
b
Skaraborg
C
2003-03-23
Landsat 7 ETM
b
Skåne
D
2003-03-14
Landsat 7 ETM
b
Skaraborg
E
2002-05-14
Aster VNIR, SWIR, TIR
ERSDACc
Centrala Skaraborg
F
2003-03-14
Aster VNIR, SWIR, TIR
ERSDACc
Centrala Skaraborg
G
2003-03-23
Aster VNIR, SWIR, TIR
ERSDACc
Västra Skaraborg
H
2003-04-24
Aster VNIR, SWIR, TIR
ERSDACc
Malmötrakten
I
2004-04-10
Aster VNIR, SWIR, TIR
ERSDACc
Malmötrakten
J
2004-04-10
Aster VNIR, SWIR, TIR
ERSDACc
Ängelholmstrakten
K
2009-04-24
Aster VNIR, TIRd
ERSDACc
Malmötrakten
L
2009-04-24
Aster VNIR, TIRd
ERSDACc
Ängelholmstrakten
a United States Geological Survey, USA, nedladdad utan kostnad; b inköpt i tidigare projekt; c Earth
Remote Sensing Data Analysis Center, Japan (numera Japan Space Systems); d SWIR-sensorn slutade
fungera april 2007

10
Eftersom grödorna och andra åtgärder som plöjning och träda mm varierar på åkermarken
mellan åren så är förhållandena ganska olika i de olika bilderna. Vi har samlat på oss
vårscener, där tanken är att kunna täcka in vissa ytor relativt väl vad gäller barmarksbilder
genom att kombinera flera års bilder av olika typ. Detta kommer i huvudsak att göras i det
planerade steg 2 i projektet. I steg 1 som den här rapporten avser fokuserades på att testa
metoden att kombinera olika typer av data (topografi, gammastrålningsdata och satellitdata)
för att prediktera åkermarkens ler- och mullhalt. Dessutom gjordes jämförelser i noggrannhet
mellan olika kombinationer av indata och även undersökning av hur modellerna fungerade om
området stratifierades i mindre geografiska enheter jämfört med om ett större område
modellerades.
Åkermark
Jordbruksverkets blockdatabas över åkermark användes för att avgränsa åkermark. Varje
polygon i blockkartan representerar åkermark som avgränsas fysiskt av hinder som t.ex diken,
vägar eller skogsbryn.
Modellering och mjukvaror
En metod för s k data-mining (eng.) användes för att förutsättningslöst ta fram samband mellan
tillgängliga förklaringsvariabler (x; ”prediktorerna”) och responsvariablerna (y). I vårt fall var
y-variablerna fyra stycken: i) lerhalt, ii) mullhalt och de framräknade variablerna iii) mål-pH
samt iv) buffertkapacitet. Förklaringsvariablerna som användes (som beskrivits ovan) var:
a) våglängdsbanden från två Landsat-scener (band 1-7) och dess kvoter (band 1/2, 1/3,
etc.., 6/7),
b) isotoperna 40K, 232Th, 238U från flygburen gammastrålningsmätning och dess kvoter,
c) höjd över havet från laserskanning och de härledda produkterna: form, lokalt
dräneringsområde (eng. flow accumulation), topografiskt fuktighetsindex (TWI) samt
marklutning
Här valdes att använda MARSpline som är en form av ickeparametrisk regression (Shepherd &
Walsh, 2002). Med den här metoden kan man ta fram statistiska samband ur en stor
datamängd, även icke-linjära samband och även om data inte är normalfördelade. Generellt
kan det uttryckas:
yi = m(xi…k) + ei (4)
som beskriver modellsambandet y = m(x) och med ei som motsvarar felet/osäkerheten. Man
kan notera att man med data-mining kan vaska fram rent statistiska samband som inte med
nödvändighet måste ha en fysisk förklaring, vilket är en brist och risk när man sedan ska
applicera modellen på andra data. Därför är det viktigt att validera modeller som tas fram mot
observationer som inte ingått i själva modellkonstruktionen. Här gjordes initialt en
slumpmässig uppdelning av alla tillgängliga observationer i ett kalibreringsdataset (för
modellkonstruktionen) som utgjorde 80 % av tillgängliga data och ett valideringsdataset (för
utvärdering) som utgjordes av resterande 20 %. För en detaljerad beskrivning av MARSpline-
modellen hänvisas till Hastie et al. (2009). Metoden bygger på att data delas upp i en mängd
linjära funktioner (eng. linear splines) hm(X) avdelade av brytpunkter (eng. knots) som
kombineras för att producera en beräkning av y:
(5)

11
där summeringen sker av M termer i modellen, och
β
0 är intercept och
β
m är viktningen av
funktionerna. Allt fler funktioner läggs till för att göra en så bra prediktion som möjligt, och
detta leder typiskt till att kalibreringsmodellen lätt överanpassas (eng. overfitting), d v s görs
alltför komplicerad och specifikt anpassad till kalibreringsdata och inte sedan fungerar så bra
när man applicerar den på andra data. För att hantera detta användes dock här en
beskärningsfunktion (eng. pruning) som tar bort alla funktioner som inte på ett påtagligt sätt
bidrar till prediktionen. Modellerna validerades genom att de tillämpades på den del av de
tillgängliga analyserna som inte var med när modellerna togs fram. Vid validering valdes att
utvärdera jämförelser mellan de observerade och predikterade mätvärdena med de statistiska
måtten R2 (determinationskoefficienten), RMSEP (medelfelet i prediktionen) och RPD
(standardavvikelsen i de observerade värdena dividerat med RMSEP). För att beräkningarna
ska vara bättre än medelvärdet bland de observerade värdena ska RPD-värdet vara större än
ett. För interpolerade markkartor (d v s när man gör kartor på lantbrukares fält som baseras på
jordprov som tagits inom fält med en täthet på ca ett prov/ha) ligger RPD ofta på 1,2 – 1,8 (se t
ex Delin & Söderström, 2003 och Söderström, 2010).
Merparten av hanteringen av geografiska data och satellitbilder gjordes i det geografiska
informationssystemet ArcGIS 10 (ESRI Inc., Redlands, USA) med programtilläggen Spatial
Analyst, Geostatistical Analyst och Image Analysis. De statistiska analyserna och
modelleringen utfördes i Statistica 10 (StatSoft Inc, Tulsa, USA).

12
Resultat
Förklaringsvariabler
Beträffande satellitdata fokuseras här på hur Landsatbilderna över Skåne (Tabell 2) som är de
som i huvudsak kom att utnyttjas för den regionala modelleringen av markvariablerna, vilket
utgjort huvuddelen av arbetet och är det som beskrivs i denna rapport. Kartor över
förklaringsvariablerna hanterades i rasterform i Erdas Imagine-format eller ESRI Grid-format.
Först avgränsades den del av respektive scen som bedömdes vara relativt vegetationsfri. Detta
gjordes genom att åkermarken klipptes ut genom att den digitala blockkartan användes för att
maska bort resterande del av scenerna. Återstoden klassificerades i 16 klasser med oövervakad
klassificering. Detta gjordes med ISODATA-algoritmen (Iterative Self-Organizing Data
Analysis Technique), en process som stegvis upprepande klassificerar varje pixel till ett
klustercentrum så att klasserna blir så homogena som möjligt (Lillesand & Kiefer, 2000). För
att bedöma vilka klasser som utgjorde barmark eller endast hade minimalt med vegetation
gjordes en jämförelse mellan klasserna och dess NDVI-värde (normalized difference
vegetation index; (NIR-R)/(NIR+R)) samt en visuell bedömning av satellitbilderna i de olika
klasserna. De klasser som bedömdes vara bar åkermark användes för att maska bort den andra
delen av åkermarken, som följaktligen tycktes ha ett vegetationstäcke eller eventuellt annan
markanvändning som kunde försvåra modelleringen av jordvariablerna. Landsat 5-scenen
visas i Figur 2a. Ungefär 30 procent av åkermarken i den scenen behölls för vidare analys
(sådan åkermark har rosa färgton i den bilden).
Höjddata hade initialt en spatial upplösning på 2 x 2 m2 och täckte hela Skåne. Annan mark än
åkermarken maskades bort med blockkartan. En digital höjdmodell (DEM) med en reducerad
upplösningen (10 x 10 m2) togs fram genom medelvärdesfiltrering. En höjdskiktskarta visas i
Figur 2b. Form, flow accumulation, lutning och TWI beräknades från den höjdmodellen.
På motsvarande sätt hanterades de olika gammastrålningsisotoperna 40K, 232Th och 238U.
Endast värden för åkermarken behölls, dock med en avsevärt lägre rumslig upplösning (100 x
100 m2). En karta över torium visas i Fig. 2c.
Responsvariabler
En shapefil i punktform (vektorformat) skapades med alla jordanalysdata från Skåne (Tabel 1).
Alla jordanalyser, d v s från båda tidsperioderna, bedömdes statistiskt tillhöra samma
population och slogs samman i ett dataset. Ler- och mullhalt förändras normalt inte särskilt
mycket över den tidsperiod som det handlade om. Till denna shapefil, som innehöll
responsvariablerna ler- och mullhalt, mål-pH och buffertkapacitet, extraherades värden från
alla förklaringsvariablernas rasterlager. Beräkning av kvoter mellan alla vågländsband i
respektive satellitbild samt mellan isotopvärden gjordes i shapefilens attributtabell.
Stratifiering
För att kunna göra en jämförelse mellan hur en modellering fungerar om man delar in hela
området i mindre och mer homogena (vilket var tanken) delområden måste man skapa en
rimlig geografisk indelning. Här användes Skånes olika moränområden föreslagna av Ekström
redan 1936 som grund för denna stratifiering. Ekströms indelning ska skilja de olika jordarna
åt på ett övergripande sätt baserat på dess genes och modermaterial. Eftersom det inte finns
någon bra och detaljerad karta som direkt var användbar digitalt så digitaliserades
papperskartan ur Ekström (1936) och en jämförelse gjordes sedan med isotopkartorna från
gammastrålningsmätningarna.

13
a b
c
Figur 2. Kartor över några av de ingående hjälpvariablerna: a) Falskfärgad Landsat 5-bild
från 1992-05-14 (RGB: SWIR band 5, NIR band 4, Red band 3), b) digitala höjddata från
NNH, c) Flygburen gammastrålning (232Th). I bakgrunden till Fig. b och c visas PAN-bandet
från Landsat 7 scenen från 2003-03-23.
En principalkomponentkarta över isotopvärdena som överlagras av gränserna för Ekströms
moränområde visas i Figur 3a. I den figuren visas PC1 som rött, PC2 som grönt och PC3 som
blått. Faktum är att den gamla papperskartans gränser stämmer relativt väl med de olika
färgvariationerna i PCA-kartan. Dock finns det ungefär i höjd med Falsterbonäsets nordspets
och tvärs över Skåne en rak gräns i PCA-kartan som inte ser naturlig ut, och som sannolikt
beror på någon icke-naturlig heterogenitet i gammastrålningsmätningarna. I stället för att
försöka reda ut vad detta beror på och eventuellt räkna om gammastrålningsvärdena söder om
denna gräns, så avgränsades arbetsområdet söderut här.

14
a b
Figur 3. a) Gränser för Skånes moränområden (enligt Ekström, 1936) visas på en
principalkomponentkarta som baseras på SGU’s gammastrålningsdata, b) indelning av
befintliga jordanalyser i fyra kalibreringsdataset enligt karta a (NWTILL, grönt =
Nordvästmoränen, SWTILL, brunt = Sydvästmoränen, SKURB, rött = Skiffer-
urbergsmoränen, KSTD, lila = Kristianstadsområdets kalkhaltiga urbergsmorän)
En indelning av befintliga jordanalyser i fyra kalibreringsdataset gjordes: Nordvästmoränen,
Sydvästmoränen, Skiffer-urbergsmoränen och den kalkhaltiga urbergsmorän i
Kristianstadsområdet (Figur 3b). Den sydöstra delen av området med skiffer-urbergsmorän
togs bort eftersom den avvek kraftigt i PCA-kartan, sannolikt beroende på påverkan av
alunskiffer från Österlen. En annan rät, nordväst-sydostlig struktur som skär genom den
moränen och Sydvästmoränen i PCA-kartan, kan bero på bergartsskillnader, och här behölls
data på båda sidor om denna linje.
Alla jordanalyser som hamnade inom respektive delområde fick dess tillhörighet. Som
beskrivits i Material och metoder gjordes en slumpmässig uppdelning i ett kalibreringsdataset
(80 %) och ett valideringsdataset (20 %) för varje delområde. En sammanfattning av
responsvariablerna för respektive delområde finns i Tabel 3. Man kan utläsa vissa skillnader
enligt tabellen (utan att för den skull hävda att skillnaderna är statistiskt signifikanta). Till
exempel så avviker KSTD genom att det är mindre lerig jord (vilket är mycket välkänt), mer
varierad mullhalt (och högst maxvärde) och mål-pH samt lägre buffertförmåga än de övriga.
Lerhalten i NWTILL varierar mest och mullhalten är generellt lägst i SWTILL. Fördelningarna
är i många fall skeva med en del höga värden men där huvuddelen av datamängden har lägre
värden (medianvärdet lägre än medelvärdet och max-värdet avsevärt större än medelvärdet).
För mål-pH är dock data relativt normalfördelade, även om en del låga värden som nära nog
kan bedömas som outliers förekommer i områden med hög mullhalt (då mål-pH-beräkningen
kanske inte fungerar lika bra som i jordar med mer normal mullhalt). Man skulle kunna tänka
sig att man borde delat upp jordarna ytterligare och hanterat jordar med de högsta mullhalterna
separat. Så gjordes dock inte i detta fall.

15
Tabel 3. Sammanfattande statistik över jordanalysdata som använts för regional
kalibreringsmodellering (antal prover: KSTD = 1579, SKURB = 1655, SWTILL = 1608,
NWTILL = 1754). Förklaring till förkortningarna finns i Figur 3.
Område
Medel
Median
Std.avv.
Min
Max
Lerhalt (%)
NWTILL
17
14
9,6
1
56
SWTILL
17,5
17
5,9
1
47
SKURB
15,5
14
7,5
1
52
KSTD
10,5
7
8,5
1
47
Mullhalt (%)
NWTILL
3,8
3,6
1.5
0,9
25
SWTILL
3,0
2,8
1,1
0,5
13
SKURB
4,0
3,7
2,5
0,5
36
KSTD
3,9
2,9
4,4
0,6
66
Mål-pH
NWTILL
6,1
6,1
0,11
5,5
6,5
SWTILL
6,2
6,2
0,06
5,8
6,5
SKURB
6,1
6,1
0,12
4,9
6,6
KSTD
6,1
6,1
0,17
3,8
6,5
Buffertförmågaa
NWTILL
9,8
9,2
3,1
3,5
33
SWTILL
9,3
9,3
2,1
3,6
22
SKURB
9,7
9,2
3,2
3,1
38
KSTD
8,3
7,1
4,9
2,7
63
a uttryckt i antal ton kalk (med 50% CaO) som krävs för att höja pH en enhet
Modellering
MARSpline-modeller togs fram för alla responsvariabler och alla delområden, samt även för
hela datasetet (d v s de fyra delområdena sammanslagna) vad gäller ler- och mullhalt. Modeller
gjordes för olika kombinationer av kategorier av förklaringsvariabler (det är ju många
variabler i respektive av de tre kategorierna satellitdata, gammastrålningsdata och höjddata).
Detta för att utvärdera vilken nytta man har av de olika typerna av förklaringsvariabler i
prediktionsmodelleringen.
Modellerna som togs fram applicerades sedan på det korresponderande valideringsdataset, d v
s en kalibreringsmodell för t ex SKURB-området applicerades sedan på valideringsdatasetet
för SKURB. Alla valideringar redovisas i Tabel 4-7 (delområdena) och i Tabel 8-9 (alla
delområden sammanslagna).
Först gjordes en jämförelse mellan de olika satellitbilderna (Landsat 1992 (LS92) och Landsat
2003 (LS03)) vad gäller lerhalt och mullhalt i nordvästmoränen (NWTILL) (Tabel 4-5). I båda
fallen fungerade LS92 bäst med högre R2 och RPD och lägre RMSEP. Dessutom gjordes
modeller genom att data från både LS92 och LS03 kombinerades (ej redovisat i tabellerna)
men det gav inget mervärde i förbättrade valideringsvärden jämfört med om endast LS92
användes. Sålunda användes endast LS92 i det fortsatta modellarbetet.
I modellerna med de olika kategorierna av förklaringsvariablerna var utgångspunkten att
använda heltäckande data, först och främst gammastrålningsvariablerna (Gamma), och sedan
addera höjdvariablerna (Z) och till sist satellitvariablerna (LS92). För NWTILL kombinerades
även LS92 med Z för att utvärdera effekten av den kombinationen. Man kan se i Tabel 4-7 att

16
det nästan alltid blir bättre att addera en förklaringsvariabelskategori, d v s LS92+Z+Gamma är
bättre än Z+Gamma som är bättre än endast Gamma. Dock ger Z-variablerna sällan ett
betydande tillskott. Emellertid ger LS92 ofta påtagligt bättre prediktionsmodeller. Endast
LS92+Z ger mer effektiva modeller än Z+Gamma, men aldrig bättre värden än om alla
variabler LS92+Z+Gamma används.
Prediktionsmodellerna för lerhalt fungerar generellt ganska bra. Modellerna för mullhalt
fungerar inte särskilt bra, även om området med skiffer-urbergsmorän (SKURB) är något
bättre. Prediktionerna för mål-pH är mer korrekta än de för buffertförmågan, utom för
Kristianstadslätten - båda är dock avsevärt bättre än mullhalt. Mullhalten varierar ofta ganska
lite samtidigt som osäkerheten i laboratorieanalysen och provtagningen medför att det redan i
kalibreringsdatasetet finns en relativt hög osäkerhet. Det finns många tidigare exempel på
genomförd forskning där man använt markens färgskillnader även i pankromatiska bilder (t ex
Chen et al., 2005) för uppskattning av mullhalt. Det har ofta då varit fråga om enskilda fält
eller mindre områden som varit relativt homogena. Här kan man tänka sig att man skulle
kunna ha gjort en mer restriktiv klassning av satellitdata så att mindre och mer homogena ytor
(i datarymden såväl som i geografin) modellerats. Fler våglängdsband som t ex de i Aster eller
Landsatdata från flera tidpunkter över samma fält skulle kunna öka modellens träffsäkerhet.
I stort fungerar modellerna för delområdena bättre än då data från alla delområden slagits
samman (jmf. Tabell 4-7 med Tabell 8-9). Skillnaden är dock inte så stor, och modellen för
lerhalt för alla delområden med alla kategorier av förklaringsvariabler (Tabell 9) måste sägas
vara ganska bra med R2 = 0,6 och RPD = 1,57.
En skillnad mellan området i Västergötland (som redovisas i Söderström & Stadig, 2012) är att
användning av enbart gammavariabler inte fungerar särskilt bra i Skåne enligt det som
redovisas här. I Västergötland beskrev en potensfunktion sambandet mellan endast 232Th från
flygburen mätning och lerhalt i åkermark mycket väl (valideringsvärdena R2 = 0,68 och RPD =
1,77), dock med ett större RMSEP (7,16). Skillnaderna beror sannolikt på att området i Skåne
är betydligt mer heterogent och mer påverkat av en rad olika sedimentära bergarter vilka
kanske inte på samma sätt som i Västergötland ger upphov till gammastrålningsvärden som är
lika stabilt korrelerade till texturen i matjorden. Vid detaljerade gammastrålningsmätningar
med fordonsburen utrustning på enskilda fält har dock sambandet mellan Th och ler varit
väldigt starkt vid mätningar på två gårdar, R2 = 0,92 respektive R2 = 0,77 (Söderström et al.,
2008 samt opublicerade data). För mullhalt är emellertid inte heller isotoper från fordonsburen
gammastrålningsmätning särskilt stabila som prediktorer (Söderström et al., 2008).
Satellitdata ger ett betydande tillskott till modellernas tillförlitlighet och användningen av
sådana data för generella prediktionsmodeller torde vara lämpligt att studera vidare.

17
Tabell 4. Validering av MARSpline-modellerna för beräkning av lerhalt (%) för respektive
delområde.
Modell
N
R2
RMSEP
RPD
a) Nordvästmoränen
439
Gamma + LS92 + Z
0,67
5,354
1,75
Gamma + Z
0,54
6,393
1,46
Gamma
0,50
6,655
1,41
LS92 + Z
0,57
6,138
1,53
LS92*
(272)
0,54
6,382
1,47
LS03*
(272)
0,40
6,903
1,28
b) Sydvästmoränen
402
Gamma + LS92 + Z
0,57
3,549
1,52
Gamma + Z
0,47
3,959
1,37
Gamma
0,47
3,957
1,37
c) Skiffer-urbergsmoränen
414
Gamma + LS92 + Z
0,58
4,729
1,53
Gamma + Z
0,44
5,414
1,33
Gamma
0,31
6,025
1,20
d) Kristianstadslätten
395
Gamma + LS92 + Z
0,58
5,623
1,53
Gamma + Z
0,41
6,613
1,30
Gamma
0,35
7,006
1,23
* Max två interaktioner i modellen, annars max en interaktion
Tabell 5. Validering av MARSpline-modellerna för beräkning av mullhalt (%) för respektive
delområde.
Modell
N
R2
RMSEP
RPD
a) Nordvästmoränen
439
Gamma + LS92 + Z
0,15
1,504
1,08
Gamma + Z
0,05
1,586
1,03
Gamma
0,02
1,617
1,01
LS92 + Z
0,17
1,487
1,10
LS92*
(272)
0,15
1,184
1,08
LS03*
(272)
0,14
1,205
1,06
b) Sydvästmoränen
402
Gamma + LS92 + Z
0,30
1,248
1,18
Gamma + Z
0,19
1,334
1,11
Gamma
0,12
1,387
1,06
c) Skiffer-urbergsmoränen
414
Gamma + LS92 + Z
0,42
2,072
1,32
Gamma + Z
0,22
2,415
1,13
Gamma
0,09
2,603
1,05
d) Kristianstadslätten
395
Gamma + LS92 + Z
0,32
3,334
1,11
Gamma + Z
0,26
3,893
0,95
Gamma
0,24
4,015
0,92
* Max två interaktioner i modellen, annars max en interaktion

18
Tabell 6. Validering av modellerna för beräkning av buffertförmåga (ton kalk/ha) i
delområdena.
Modell
N
R2
RMSEP
RPD
a) Nordvästmoränen
439
Gamma + LS92 + Z
0,50
2,149
1,42
Gamma + Z
0,38
2,403
1,27
Gamma
0,36
2,450
1,24
LS92 + Z
0,41
2,333
1,30
LS92*
0,39
2,370
1,28
b) Sydvästmoränen
402
Gamma + LS92 + Z
0,47
1,597
1,38
Gamma + Z
0,37
1,743
1,26
Gamma
0,34
1,781
1,23
c) Skiffer-urbergsmoränen
414
Gamma + LS92 + Z
0,39
2,499
1,28
Gamma + Z
0,27
2,732
1,17
Gamma
0,13
2,994
1,06
d) Kristianstadslätten
395
Gamma + LS92 + Z
0,37
3,715
1,20
Gamma + Z
0,31
4,123
1,08
Gamma
0,29
4,261
1,04
* Max två interaktioner i modellen, annars max en interaktion
Tabell 7. Validering av MARSpline-modellerna för beräkning av mål-pH för respektive
delområde.
Modell
N
R2
RMSEP
RPD
a) Nordvästmoränen
439
Gamma + LS92 + Z
0,58
0,068
1,53
Gamma + Z
0,45
0,077
1,35
Gamma
0,39
0,081
1,28
LS92 + Z
0,49
0,074
1,40
LS92*
0,45
0,077
1,35
b) Sydvästmoränen
402
Gamma + LS92 + Z
0,36
0,053
1,25
Gamma + Z
0,26
0,057
1,16
Gamma
0,24
0,057
1,14
c) Skiffer-urbergsmoränen
414
Gamma + LS92 + Z
0,52
0,086
1,44
Gamma + Z
0,32
0,103
1,21
Gamma
0,19
0,112
1,11
d) Kristianstadslätten
395
Gamma + LS92 + Z
0,33
0,136
1,08
Gamma + Z
0,24
0,149
0,98
Gamma
0,21
0,154
0,95
* Max två interaktioner i modellen, annars max en interaktion

19
Tabell 8. Validering av MARSpline-modellerna för beräkning av mullhalt (%) för alla
delområden (n=1650)
Modell
R2
RMSEP
RPD
Gamma + LS92 + Z
0,27
2,20
1,16
Gamma + Z
0,17
2,36
1,08
Gamma*
0,14
2,40
1,06
LS92 + Z*
0,22
2,25
1,13
LS92*
0,11
2,41
1,06
* Max två interaktioner i modellen, annars max en interaktion
Tabell 9. Validering av MARSpline-modellerna för beräkning av lerhalt (%) för alla
delområden (n=1650)
Modell
R2
RMSEP
RPD
Gamma + LS92 + Z*
0.60
5.25
1.57
Gamma + Z*
0.41
6.34
1.30
Gamma*
0.37
6.58
1.25
LS92 + Z*
0.51
5.78
1.43
LS92*
0.49
5.89
1.40
* Max två interaktioner i modellen, annars max en interaktion

20
Översiktlig modell för kartläggning av hela Skåne
För att ta fram kartbilder över hela Skåne som kunde användas som exempel rent
metodmässigt beträffande kartframställning från MARSpline-modellerna och även som
diskussionsunderlag i det fortsatta arbetet, gjordes modeller för de fyra responsvariablerna som
baserades på alla tillgängliga data, d v s alla ca 29000 jordanalysdata som redovisas i Tabell 1.
För att ta fram ”den bästa” heltäckande modellen gjordes här först modeller baserad på både
gammastrålningsvariablerna (Gamma) samt alla höjdvariablerna (Z). Eftersom dessa data finns
för hela Skåne kan en sådan modell appliceras på ingående kartdata och ge beräkningar för all
åkermark i Skåne. Dessutom gjordes modeller där även satellitdata ingick, men eftersom inte
den mark som klassificerades som barmark eller med mkt tunn vegetation utgjorde mer än ca
30 % av åkermarken kunde inte en heltäckande kartbild genereras av de modellerna. Den
senare modelltypen hade ju visat sig mest effektiv i studierna av delområdena (Tabell 4-9) och
de beräkningarna användes i första hand. I det fall inte satellitdata fanns, användes Gamma+Z-
modellerna. Det betyder att för att göra en heltäckande kartbild blandades alltså de två
modellerna, vilket i sin tur medförde att noggrannheten i den slutliga produkten blev varierad.
För att applicera de båda modellerna på kartdata (det är alltså en annan sak än att som tidigare
applicera modellen på ett valideringsdataset), krävdes att kartdata anpassades till ett
gemensamt format. Här användes den lägsta upplösningen bland ingående data (100 x 100 m2)
som avgjordes av gammastrålningsinformationen. Den geografiska upplösningen försämrades
alltså för både satellitinformationen (här 30 x 30 m2) och höjdinformationen (10 x 10 m2)
vilket betyder att potentialen finns för att ta fram betydligt mer detaljerade kartprodukter. Ett
punktnät skapades över all åkermark, men en buffertzon på 20 m längs fältgränserna togs bort
för att undvika att satellitpixlar som influerats alltför mycket av förhållanden utanför fältet
kom med. Alla data från de ingående hjälpvariablerna överfördes till punktnätets attributtabell
och alla kvoter beräknades. På detta sätt kunde attributtabellen användas i Statistica som
måltabell när man applicerade de framtagna MARSpline-modellerna.
Modellresultaten för den beräknade lerhalten, mullhalten, mål-pH och buffertförmågan
interpolerades sedan till ett 50 x 50 m2 raster som täckte all åkermark (alltså även den tidigare
borttagna buffertzonen på 20 m). Här användes interpolationsmetoden RBF (radial basis
functions; Press et al, 2007) för denna procedur.
Man kan se i kartorna i Figur 4 att det går att skönja gränsen i höjd med Falsterbonäset som
diskuterades i samband med PCA-kartan i Figur 3a. För att få en uppfattning om hur bra dessa
kartor är trots blandningen av indata och två olika prediktionsmodeller, gjordes en jämförelse
mellan kartvärden och 242 jordprover som var relativt jämnt fördelade över hela Skåne och
som ingår i materialet som redovisas i Eriksson et al. (2010). I Figur 5a-d visas vilka värden i
kartorna i Figur 4a-d som korresponderar med de observerade värdena. På grund av att
spridningen i kartvärdena inte var så stor valdes att gruppera diagrammen efter de observerade
värdena vilket inte är brukligt. Även om inte klasserna stämmer helt överens så kan man icke
desto mindre se att kartvärdena på hyfsat sätt ändå generellt följer variationen i de observerade
värdena, även för mullhalt som hela tiden varit svårast att prediktera. Det är tydligt att oftast,
särskilt för mullhalt, så är de högsta observerade värdena för låga i kartan och omvänt, att de
lägsta observerade värdena är något för höga i kartan.

21
a b
c d
Figur 4. Kartor över Skåne, a) Lerhalt; b) Mullhalt; c) mål-pH; d) Buffertförmåga, som
baseras på två globala modeller (Z+Gamma och LS92+Z+Gamma) där alla variabler från
Landsat, gammastrålningsmätning och den digitala höjdmodellen ingår i den ena modellen
och de två sistnämnda variabelkategorierna ingår i den andra modellen. Modellerna är
kalibrerade med alla tillgängliga jordanalyser, ingen hänsyn har tagits till att det finns
varierande osäkerhet i hjälpvariablerna. Utdata från modell LS92+Z+Gamma har använts
där alla data funnits tillgängliga. Annars har data från modell Z+Gamma använts.

22
a b
c d
Figur 5a-d. Boxplot-diagram som visar kopplingen mellan 242 väl spridda jordprover och
kartvärdena från kartorna i Fig. 4a-d. Notera att i diagrammen visas kartvärdena på y-axeln
och de observerade värdena som grupperingsvariabel. Boxarnas utbredning = 25-75
percentilerna, fyrkanten i boxen = medianvärdet, staplarna = non-outlier range, cirklarna =
outliers, stjärnan = extremvärden (för definition av outliers och extremvärden se Hill &
Lewicki, 2007)
Alternativ metod
För framtida tillämpning hade det möjligen varit att föredra att applicera modellerna på det
slutgiltiga rastrets upplösning (här 50 x 50 m2) i stället för att som nu gjordes först försämra
upplösningen för två av de tre förklaringskategoriernas datavärden till 100 x 100 m2, och sedan
skapa den högre upplösningen med interpolation. I praktiken hade det alltså inneburit att man
borde interpolerat ned gammastrålningsvariablerna till 50 x 50 m2, reducerat upplösningen på
satellit och höjddatavariablerna och sedan applicerat modellerna. Det hade i och för sig
inneburit ett mycket större dataset som modellerna skulle appliceras på, men hade man kunnat
hantera det kunde man möjligen erhållit högre detaljeringsgrad i de resulterande kartorna.
Andra digitala kartprodukter
Man kan tänka sig en lång rad olika kartprodukter som kan genereras av de data som använts
här. Direkt användbart är data från NNH som kan ligga till grund för flera olika produkter för
inomfältsbruk. I Figur 6a visas en karta över Malmö-Lund-områdets åkermark där
marklutningen är beräknad med hjälp av data från den nya nationella höjddatabasen (NNH).
Jordbruksverkets regler för gödselspridning säger att man inte får sprida gödsel om

23
”marklutningen är >10 % om åkermarken gränsar till sjö eller vattendrag” (24, 24 a och 24 b
§§ Jordbruksverkets föreskrifter 2004:62). Man kan alltså med hög noggrannhet på varje
enskilt fält avgränsa de ytor som faller inom den ramen. I Jordbruksverkets skrivning anges
dock att man ska beräkna lutningen på 50 x 50 m2 ytor. I Figur 6 är beräkningen gjord för 10 x
10 m2 ytor. Man kan eventuellt anta att Jordbruksverkets regler beror på svårigheten att
beräkna marklutning för mindre ytor med hjälp av fastighetskartan i pappersform. Kanske kan
dessa nya data ändra på reglerna. Figur 6b är en karta över samma område som visar TWI. Det
är ett index som ger en bra fingervisning om markfuktigheten, d v s där topografin gör att
vatten borde ansamlas. Man bör dock ha i åtanke att höjdvärdena på åkermark i NNH inte
alltid är korrekta. Det finns exempel där det uppenbart är en grödas överyta som anges som
marknivå, vilket påverkar t ex lutningsberäkning och bedömning av dräneringsbehov. Men i
stor sett är NNH mycket detaljerad och felen små.
a b
Figur 6. Exempel på produkter användbara för lantbruket: a) Kartan visar marklutning i
procent framräknad från NNH. Mark med lutning över 10 % får inte gödslas om den gränsar
till sjö eller vattendrag (Jordbruksverket, 2010); b) Topografiskt vattenindex (enhetslöst) som
ger bild av potentiellt markvatteninnehåll – ju högre index desto större vatteninnehåll.
Lund
Malmö
Lund
Malmö

24
Slutsatser
Det gick att ta fram relativt bra lerhaltskartor med hög detaljeringsgrad (50 x 50 m2) över
Skåne genom att kombinera olika hjälpvariabler med befintliga jordanalyser. Det var betydligt
svårare att göra effektiva modeller för beräkning av markens mullhalt. Mullhalten varierar ofta
ganska lite samtidigt som osäkerheten i laboratorieanalysen och provtagningen medför att det
redan i kalibreringsdatasetet finns en relativt hög osäkerhet. Här testades även att direkt
modellera åkermarkens mål-pH och buffertförmåga, som kan beräknas med hjälp av ler- och
mullhalt. Det är alltså en kombination av dessa värden som utgör grunden för dessa båda
variabler. Med sådana kartor skulle man direkt kunna beräkna kalkbehov i fält endast genom
att mäta pH, och sedan jämföra med det beräknade mål-pH-värdet och använda kartvärdet för
buffertkapacitet för att beräkna själva kalkbehovet. Både mål-pH och buffertförmåga gick att
prediktera bättre än mullhalt. Metoden öppnar för en betydlig ekonomisk besparing för
lantbrukare som vill få en uppfattning om kalkbehovet på sin gård.
Genom att kombinera höjddata, gammastrålningsdata satellitdata erhölls den bästa modellen.
Tar man bort satellitdata försämras modellen. Det går att göra bättre modeller om man
stratifierar området så att man arbetar med mindre, mer homogena områden.
Gammastrålningsdata och höjddata finns tillgängligt över större delen av Sveriges åkermark.
Dock finns det vissa svårigheter att hantera dessa data eftersom dess upplösning på marken är
så olika. Dessutom finns det en hel del felaktigheter i gammastrålningsdata, t ex nivåskillnader
i olika delar av en region kanske beroende på att mätningarna är utförda olika år och till viss
del med olika utrustning och noggrannhet. Med tanke på hur effektiv den flygburna
gammastrålningsmätningen är som hjälpvariabel, borde man överväga om det är möjligt att
modifiera datainsamlingen vid flygburen gammastrålningsmätning så att data blir bättre
anpassade för detta ändamål. Om det är möjligt vore lägre flyghöjd och tätare mellan
flygstråken över jordbruksmark intressant att prova.
Höjddata har mycket hög spatial upplösning som man snarare måste reducera för att kunna
använda i detta sammanhang. I de modeller som användes här gav inte höjddata så stor
förbättring i modellerna.
Däremot gav alltså satellitdata ett påtagligt positivt bidrag till bättre prediktionsmodeller. I
huvudsak har vi här använt Landsatdata. Data från maj fungerade bättre än data från mars
månad. Det bör vara av intresse att försöka sammanställa en mosaik av satellitscener för att
skapa en bättre täckningsgrad av barmark. Med det som underlag bör man kunna skapa bra
prediktionsmodeller för texturkartering med hög spatial upplösning.
För detaljkartering i vissa områden med intensivt jordbruk är det lämpligt att vidare studera
möjligheten att använda andra satellitdata som ytterligare kan förbättra prediktionsmodellerna.
Asterdata har delvis använts i projektet men har inte utvärderats till fullo ännu. Bildtillgången
kommer dock inte att medge att man skapar heltäckande mosaiker med barmark över all
åkermark med Asterdata. Flygbilder, både IR och SVV är andra datakällor som finns
tillgängliga och kan vara användbara (Chen et al., 2005). Satelliter med sensorer med högre
spatial upplösning skulle också kunna vara av intresse lokalt, men torde inte vara
kostnadseffektiva för större områden och regioner.

25
Referenser
Andersson, L. & Gervais, P. 1987. Marktypskartering i NV Skåne med satellitfjärranalys.
Rapport 152, Institutionen för markvetenskap, Sveriges lantbruksuniversitet, Uppsala.
32 p.
Boettinger, J.L. 2010. Environmental covariates for digital soil mapping in the western USA.
In: J.L. Boettinger et al. (eds.), Digital Soil Mapping, Progress in Soil Science 2,
Springer, pp. 17-28.
Boettinger, J.L., Ramsey, R.D., Bodily, J.M., Cole, N.J., Kienast-Brown, S., Nield, S.J.,
Saunders, A.M. & Stum, A.K. 2009. Landsat Spectral Data for Digital Soil Mapping. In:
A. E. Hartemink et al. (eds.) Digital Soil Mapping with Limited Data. Springer, pp. 193-
202.
Chen, F., Kissel, D. E., West L. T., Rickman, D., Luvall, J. C. & Adkins W. 2005. Mapping
surface soil organic carbon for crop fields with remote sensing. Journal of Soil and
Water Conservation, 60, 1, 51-57.
Cook, S.E., Corner, R.J., Groves, P.R., Grealish, G.J. 1996. Use of airborne gamma
radiometric data for soil mapping. Australian Journal of Soil Research, 34, 183–194.
Delin, S. & Söderström, M. 2003. Potential for improving interpolation of soil data using
geostatistics and soil electrical conductivity. ACTA Agric. Scand., Sect. B, Soil and
Plant Sci. 2003, vol. 52, no. 4, pp. 127-135.
Djodjic, F., Nisell, J., Brandt, M. & Söderström, M. 2009. Jordartskarta för jordbruksmark -
jämförelsestudie mellan olika metoder för interpolation av mätpunkter samt testning av
deras betydelse för PLC-beräkningar. SMED rapport 2009:25.
Ekström, G. 1936. Skånes moränområden. Ur Svensk geografisk årsbok. Lund, 1936. 8:o. s.
70-78.
Eriksson, J., Mattsson, L. & Söderström, M. 2010. Tillståndet i svensk åkermark och gröda.
Naturvårdsverket, rapport 6349. 129 p.
Grunwald, S. 2010. Current State of Digital Soil Mapping and What is Next? In: J.L.
Boettinger et al. (eds.), Digital Soil Mapping, Progress in Soil Science 2, Springer, pp. 3-
12.
Gustafsson, K. 1999. Models for precision application of lime. Ur: Stafford J.V. (ed.):
Precision Agriculture '99. Part 1. 2nd European Conference on Precision Agriculture,
Odense Danmark. SCI, UK, pp 175-180.
Hastie, T., Tibshirani, R. & Friedman, J. 2009. The Elements of Statistical Learning: Data
Mining, Inference, and Prediction, 2nd edition, Springer Series in Statistics, 746 p.
Available at Stanford University: http://www-stat.stanford.edu/~tibs/ElemStatLearn/
Hill, T. & Lewicki, P. 2007. STATISTICS: Methods and Applications. StatSoft, Tulsa, USA.
IAEA, 2003. Guidelines for radioelement mapping using gamma ray spectrometry data.
International Atomic Energy Agency (IAEA). IAEA-TECDOC-1363. Vienna, Austria.
Ishida, T. & Ando, H. 1999. Use of disjunctive co-kriging to estimate soil organic matter from
Landsat Thematic Mapper image. Int. J. Remote Sensing, 20, 1549-1565.
Jacobsen, A. & Söderström, M. 2008. Anvendelse af geostatistik og remote sensing data til
kortlægning af jordens lerindhold. Precisionsodling Sverige, POS Teknisk rapport 16.
Institutionen för mark och miljö, Sveriges lantbruksuniversitet. 25 p.
Jordbruksverket, 2011. Gödsel och miljö. OVR206.
Jordbruksverket, 2012. Riktlinjer för gödsling och kalkning 2012. JO11:21.
Lillesand, T.M. & Kiefer, R.W. 2000. Remote sensing and image interpretation. John Wiley
and Sons, New York.
Minasny, B., McBratney, A.B. & Whelan, B.M. 2005. VESPER version 1.62. Australian
Centre for Precision Agriculture, McMillan Building A05, The University of Sydney,
NSW 2006.

26
Minasny, B., McBratney, A. B. & Lark, R. M. 2008. Digital Soil Mapping Technologies for
Countries with Sparse Data Infrastructure. In A. E. Hartemink et al. (eds.) Digital Soil
Mapping with Limited Data. Springer, pp. 15-30.
Murphy, P.N.C., Ogilvie, J. & Arp, P. 2009. Topographic modelling of soil moisture
conditions: a comparison and verification of two models. European Journal of Soil
Science, 60, 94–109.
Nehmdahl, H. & Greve, M. H. 2001. Using Soil Electrical Conductivity Measurements For
De-lineating Management Zones On Highly Variable Soils in Denmark. In: Grenier, G.
& Black-more, S. (eds.): ECPA 2001. 3rd European Conference on Precision Agriculture
(vol. 1). agro Montpellier, 461-466.
Pracilio, G., Adams, M.L., Smettem, K.R.J., Harper, R.J. 2006. Determination of spatial
distribution patterns of clay and plant available potassium contents in surface soils at the
farm scale using high resolution gamma ray spectrometry. Plant & Soil, 282, 67–82.
Press, W.H., Teukolsky, S.A., Vetterling, W.T. & Flannery, B.P. 2007. Numerical Recipes:
The Art of Scientific Computing, 3rd edition, New York: Cambridge University Press.
Shepherd, K.D. & Walsh, M.G. 2002. Development of reflectance spectral libraries for
characterization of soil properties. Soil Science Society of America Journal, 66, 988–
998.
SSI, 2007. The radiation environment in Sweden. Swedish Radiation Protection Authority
(SSI). Report 2007:02. (In Swedish with English summary)
Sundevall, S.E., 2002. Metodbeskrivning och radonriskkarta över Göteborgs och Mölndals
kommuner. SGU. Rapport 2002:27.
Söderström, M., Gruvaeus, I. & Wijkmark, L. 2008. Gammastrålningsmätning för detaljerad
kartering av jordarter inom fält. Precisionsodling Sverige, POS Teknisk rapport 11.
Institutionen för mark och miljö, Sveriges lantbruksuniversitet. 30 p
Söderström, M. 2010. Interpolerade markkartor. POS Teknisk rapport 21. Institutionen för
mark och miljö, Sveriges Lantbruksuniversitet. 20 s.
Söderström, M. & Eriksson, J. 2012. Gamma-ray spectrometry and geological maps as tools
for cadmium risk assessment in arable soils. Submitted to Geoderma.
Söderström, M. & Stadig, H. 2012. Local and regional soil clay mapping using gamma ray
spectrometry. Poster paper at the 11th International Conference on Precision Agriculture
(ICPA), Indianapolis, USA. 15—18 July 2012. Will be published on CD.
Tranter, G., Jarvis, N., Moeys, J. & Söderström, M. 2011. Broad-scale digital soil mapping
with geographically disparate geophysical data: a Swedish example. Geophysical
Research Abstracts, Vol. 13, EGU2011-7538, 2011, EGU General Assembly
Wetterlind, J., Stenberg, B. & Söderström, M. 2008. The use of near infrared (NIR)
spectroscopy to improve soil mapping at the farm scale. Precision Agriculture, 9, 57–69.
Wilford, J. & Minty, B., 2007. The use of airborne gamma-ray imagery for mapping soils and
understanding landscape processes, in: Lagacherie, P., McBratney, A.B., Voltz M.
(Eds.), Digital soil mapping – An introductory perspective. Developments in Soil
Science, Vol. 31. Elsevier, pp. 207-218.
Wong, M.T.F. & Harper, R.J. 1999. Use of on-ground gamma-ray spectrometry to measure
plant-available potassium and other topsoil attributes. Australian Journal of Soil
Research 37, 267–277.

27
Förteckning över rapporter utgivna av Avdelningen för precisionsodling i serien
Precisionsodling Sverige, Tekniska rapporter:
25
Piikki, K., Söderström, M., Stenberg, M. & Roland, J. 2012. Variation i marken
inom fältförsök.
24
Lundström, C (red). 2012. Verksamhet i AGROVÄST-projektet Precisionsodling
Sverige, POS, 2011.
23
Lundström, C (red). 2011. Verksamhet i AGROVÄST-projektet Precisionsodling
Sverige, POS, 2010.
22
Lundström, C (red). 2010. Verksamhet i AGROVÄST-projektet Precisionsodling
Sverige, POS, 2009.
21
Söderström, M. 2009. Interpolerade markartor – några riktlinjer.
20
Söderström, M., Börjesson, T., Pettersson, C.G., Nissen, K. & Hagner, O. 2009.
Prognoser för maltkornskvalitet med fjärranalys.
19
Börjesson, T. & Söderström, M. 2009. Bedömning av kvalitetsskillnader över tid i
vallar avsedda för hösilage med Yara N-sensor.
18
Lundström, C (red). 2009. Verksamhet i AGROVÄST-projektet Precisionsodling
Sverige, POS, 2008.
17
Jacobsen, A. & Söderström, M. 2008. Regional analyse af samspillet mellem
satellitdata og jordbundsvariation. Delrapport 2 i SLF-projektet (dnr SLF 297/02):
"Kostnadseffektiv markkartering genom stratifierad datainsamling baserad på
fjärranalys"
16
Jacobsen, A. & Söderström, M. 2008. Anvendelse af geostatistik og remote sensing
data til kortlægning af jordens lerindhold.
15
Söderström, M. 2008. Den traditionella markkarteringens användbarhet för
precisionsodling.
14
Lundström, C. (red); 2008. Verksamhet i AGROVÄST-projektet Precisionsodling
Sverige, POS, 2007.
13
Börjesson, T., Lorén, N., Larsolle, A., Söderström, M., Nilsson, J. och Nissen,
K. 2008. Bildanalys som redskap för platsspecifik ogräsbekämpning.
12
Söderström, M, 2008. PrecisionWizard 3 – hantera precisionsodlingsdata och gör
egna styrfiler till Farm Site Mate och Yara N-Sensor.
11
Söderström, M., Gruvaeus, I. och Wijkmark, L., 2008. Gammastrålningsmätning för
detaljerad kartering av jordarter inom fält.
10
Söderström, M., Wijkmark, L., Martinsson, J. och Nissen, K., 2008. Avstånd mellan
körspår – en jämförelse mellan traditionell spårmarkör och autostyrning med GPS.
9
Delin, S.(red.), 2007. Verksamhet i AGROVÄST-projektet Precisionsodling
Sverige, POS, 2006
8
Engström, L., Börjesson, T och Lindén, B. 2007. Beståndstäthet tidigt på våren i
höstvete – samband med skörd, topografi, förrådskalium och biomassa (Yara N-
sensor- och NIR-mätningar)
7
Söderström. M., och Nissen, K., 2006. Insamling av GIS-data och navigering med
GPS.
6
Söderström, M., 2006. PrecisionWizard - Gör styrfiler till FarmSiteMate och Yara
N-sensor.

28
5
Delin, S.(red.), 2006. Dokumentation från seminariet ”Precisionsodling -
avstämning av verksamhet och vision hos olika aktörer”, Skara den 19 april 2006.
4
Delin, S.(red.), 2006. Verksamhetsberättelse för Precisionsodling Sverige, POS,
2005.
3
Delin, S. 2005. Verksamhetsberättelse för Precisionsodling Sverige (POS) 2003-
2004.
2
Börjesson, T., Åstrand, B., Engström, L. och Lindén, B., 2005. Bildanalys för att
beskriva beståndsstatus i höstraps och höstvete och ogräsförekomst i vårsäd.
1
Nyberg, A., Börjesson, T. och Gustavsson, A-M., 2004. Bildanalys för bedömning
av klöverandel i vallar – Utvärdering av TrefoilAnalysis.
Förteckning över rapporter utgivna av Institutionen för jordbruksvetenskap Skara i serien
Precisionsodling Sverige, Tekniska rapporter (ISSN:1651-2804):
1. Börjesson, T, Ivarsson, K., Engquist, A., Wikström, L. 2002. Kvalitetsprognoser för
brödvete och maltkorn med reflektansmätning i växande gröda.
2. Börjesson, T., Nyberg, A., Stenberg, M. och Wetterlind, J. 2002. Handburen Hydro sensor i
vall -prediktering av torrsubstansavkastning och kvalitetsegenskaper.
3. Söderström. M. (red.). 2003. Precisionsodling Sverige 2002, Verksamhetsberättelse från
arbetsgrupperna.
4. Jonsson, A. och Söderström. M. 2003. Precisionsodling - vad är det?
5. Nyberg, A., Lindén, B., Wetterlind, J. och Börjesson, T. 2003. Precisionsodling av vall:
Mätningar med en handburensensor i vallförsök med nötflytgödsel på Tubbetorp i
Västergötland, 2002.
6. Nyberg, A., Stenberg, M., Börjesson, T. och Stenberg, B. 2003. Precisionsodling av vall:
Mätningar i växande vall med ett bärbart NIR-instrument – en pilotstudie.
Förteckning över rapporter utgivna av Institutionen för jordbruksvetenskap Skara i serien
Precisionsodling i Väst, Tekniska rapporter:
1. Rapport från en studieresa till norra Tyskland.
2. Thylén, L & Algerbo, P-A. Teknik för växtplatsanpassad odling.
3. Seminarium och utställning i Skara den 10 mars 1998.
4. Delin, S. 2000. Hantering av geografiska data inom ett jordbruksfält.
5. Lundström, C. Delin, S. och Nissen, K. 2000. Precisionsodling - teknik och möjligheter.

29

Distribution:
Sveriges lantbruksuniversitet
Institutionen för mark och miljö
Box 234
532 23 Skara
Tel. 0511-670 00
Internet: http://www.slu.se/
http://www.agrovast.se/precision
http://www.precisionsskolan.se
AGROVÄST-projektet Precisionsodling Sverige syftar till att utveckla och tillämpa
användbara metoder inom precisionsodlingen till nytta för det praktiska jordbruket.
I projektet arbetas med precisionsodling i form av utvärdering och tolkning av samt teknik för
markkartering, kalkning, gödsling, bestämning av mark- och grödegenskaper, växtskydd samt
miljöeffekter av precisionsodling.
Projektet genomförs i ett samarbete mellan bl.a. Svenska Lantmännen, Sveriges
Lantbruksuniversitet (SLU), Svalöf Weibull AB, Yara AB, hushållningssällskap, Greppa
Näringen och Institutet för jordbruks- och miljöteknik (JTI).