Markfuktigheten är lätt att se när din favorit Little Leaguer glider in i andra basen dagen efter en stor sommarstorm. Leran som stänkte på den lilla hustleruniformen berättar historien.

Försöker mäta markfuktighet över stora områden – regioner, nationer, kontinenter – är en helt annan utmaning, och en kritisk sådan. Kunskapen om denna dimension av vårt ekosystem är oerhört viktig för jordbrukare, planerare, vetenskapsmän, försäkringsbolag och alla som är intresserade av att förbereda sig för globala miljöförändringar.

"Att förstå dessa mönster är avgörande för nationell och internationell säkerhet, sa Rodrigo Vargas, docent i ekosystemekologi och miljöförändringar vid Institutionen för växt- och markvetenskaper vid University of Delaware. "Vi kan inte mäta allt överallt hela tiden... Så vi använder alternativa metoder, som maskininlärning som hjälper oss att få insikt från komplexa uppsättningar data."

Nu har Vargas och doktoranden Mario Guevara utvecklat ett nytt tillvägagångssätt som skärper vår förmåga att förutsäga markfuktighet, även i stora områden där inga uppgifter funnits tillgängliga. Jämfört med standarduppskattningar producerade av satellitbaserade sensorer, det nya tillvägagångssättet ökar noggrannheten i dessa uppskattningar med mer än 20 procent. Det gör det också möjligt att förutsäga markfuktighetsförhållanden i mycket mindre områden och mer detaljerat än vad standardmodeller har kunnat visa. De beskrev sitt arbete i ett färskt nummer av PLOS ETT , en peer-reviewed tidskrift publicerad av Public Library of Science.

De bästa uppgifterna om markfuktighet nu samlas in med hjälp av satellitbaserade sensorer som levererar förutsägelser i rutnät på cirka 27 kilometer per pixel. Det är ett utrymme nästan 17 miles kvadrat, ungefär avståndet från Main Street i Newark, Delaware, till historiska New Castle vid Delawarefloden.

Det är användbart för att analysera regionala eller globala mönster, men en så stor skala kan endast ge begränsad information om lokala förhållanden.

Metoden Guevara och Vargas har utvecklat ger mycket högre definition, förbättra upplösningen från 27 kilometer till 1 kilometer per pixel – eller från cirka 17 miles till drygt en halv mil. Det är ungefär avståndet från UD:s Trabant Student Center i ena änden av East Main Street till Newark Shopping Center på den andra. Mycket tätare och mycket mer användbar för statliga tillämpningar.

Det nya tillvägagångssättet kombinerar datavetenskap och maskininlärning med den framväxande vetenskapen om geomorfometri – kvantitativ analys av markytan med hjälp av topografisk information, bildanalys och rumslig statistik.

Eftersom markfuktigheten varierar beroende på plats och förändras över tiden, tillförlitliga mätning och prediktiva metoder är viktiga. Topografi - som definierar de fysiska parametrarna för jordens yta - är en kritisk faktor för uppskattningar av markfuktighet. Elevation, sluttningar och andra egenskaper på landytan är starka prediktorer för hur vatten – från regn, bevattning och andra källor – kommer att flytta, dränera och påverka ett område.

"Vi måste förstå vattendynamik, " sa Guevara. "Vi förstår många komponenter i vattnets kretslopp, men det är mycket vi inte vet. Vi vill skydda vattenresurserna och veta hur de är fördelade, deras geografi. Markfuktighet är en viktig indikator på vattenresurser."

Med hjälp av satellitbaserade sensorer, markfuktigheten kan mätas till ett djup av cirka 5 centimeter (knappt 2 tum).

"Satelliter kan inte lätt se markfuktighet vid djupare jordlager, sa Guevara.

Men det tunna lagret av jord innehåller avgörande information.

"Ytlig jordfuktighet är en nyckelindikator på markens torrhet. Det påverkar markens produktivitet och i slutändan markens hälsa, " Guevara sa, "eftersom vattnet i de första centimeterna av jorden är en del av det vatten som används av grödor eller av markens biologiska mångfald (cirkulerande näringsämnen) som kontrollerar jordens förmåga att producera mat, fiber och lagra vatten."

Vid utvecklingen av den nya prediktiva modellen, Guevara använde satellitdata om markfuktighet som samlats in i mer än ett decennium (1991-2016) över hela det kontinentala USA av European Space Agency's Climate Change Initiative.

Han och Vargas arbetade i samarbete med UD Information Technologies, använde muskeln i UD:s Farber högpresterande datorkluster och utnyttjade resurserna från det nya Data Science Institute.

Guevara utvecklade prediktionsfaktorer med hjälp av automatiserad digital terränganalys och definierade 15 typer av terrängparametrar (som lutning och aspekt, bland andra). Han analyserade rumslig struktur och fördelning av dessa parametrar i förhållande till markfuktighet och använde en algoritm för att välja ut de bästa modellerna.

De resulterande förutsägelserna validerades genom jämförelse med "grundsanning, " fältdata om markfuktighet från North American Soil Moisture Dataset. Denna datauppsättning, utvecklad av UD alun Steven Quiring, som var doktorand hos UD-professorn och statsklimatologen Dan Leathers, hämtar strikt kurerad data från mer än 2, 000 meteorologiska stationer över hela det kontinentala USA.

Nästa kapitel i forskningen utvidgar arbetet till global skala, sa Vargas. Mer diskussion om det finns i tidskriften Earth System Science Data.