Veengebieden bevatten ongeveer een derde van de wereldwijde bodemkoolstofvoorraad. Veldonderzoek wijst op een nauwe samenhang tussen hydrologische omstandigheden in veengebieden en hun vegetatie, bodemeigenschappen en de uitstoot van broeikasgassen. Dit suggereert dat zelfs kleine veranderingen in de diepte van de grondwatertafel als reactie op menselijke verstoring of klimaatverandering kunnen leiden tot diepgaande veranderingen in de functionaliteit van veengebieden, waardoor veengebieden kunnen veranderen van koolstofputten naar wereldwijde hotspots van koolstofemissies. In EO4PEAT zullen we satellietgebaseerde schattingen van hydrologische omstandigheden in veengebieden verbeteren door gebruik te maken van aardobservatiegegevens (EO) op meerdere schalen en vanuit meerdere sensoren. We hypotheseren dat de integratie van meerdere satellietwaarnemingen van hydrologische variabelen, en landgebruik en landbedekking (LULC) in veenspecifieke modellen, schattingen van hydrologische omstandigheden zal produceren, inclusief de diepte van de grondwatertafel, die superieur zijn aan schattingen op basis van alleen EO-gegevens of modellering. EO4PEAT focust zich op tropische veengebieden die minder bestudeerd zijn in vergelijking met noordelijke veengebieden en ook de hoogste tarieven van koolstofdioxide-emissies vertonen na verstoring. Er wordt specifiek aandacht besteed aan veengebieden die afhankelijk zijn van oppervlaktewaterhydrologie en momenteel weinig aan bod komen in in veenspecifieke remote sensing en landoppervlaktemodelleringsonderzoek.

Beschikbare satellietproducten over bodemvocht staan bekend als bevooroordeeld (biased), maar de dynamische informatie in anomalie-tijdreeksen is alleen al voldoende voor vele toepassingen zoals droogtemonitoring of weersvoorspelling. Echter, in tegenstelling tot voor minerale bodems, is een vertekening in vochtomstandigheden zeer problematisch voor veengebieden waarin de absolute waarden van bijvoorbeeld de diepte van de grondwatertafel cruciaal zijn om ecosysteemfuncties en brandbaarheid, oftewel brandrisico, te schatten. In het laatste decennium hebben een aantal wereldwijde landoppervlaktemodellen veenspecifieke modules geïntegreerd om vertekening over veengebieden te verminderen, maar zij lijden onder het gebrek aan informatie over de ruimtelijke variabiliteit van modelparameters. Twee van de grootste uitdagingen zijn de representatie van de diverse graden van menselijke verstoringen van veengebieden en de kwantificering van de invloed van aangrenzend oppervlaktewater op de veenhydrologie omdat slechts ongeveer de helft van de wereldwijde veengebieden vermoedelijk puur door regen wordt gevoed. Het potentieel van EO-gegevens om de ruimtelijke variabiliteit van modelparameters te beperken is enorm, maar grotendeels onbenut. Echter, cruciale veenvariabelen zoals de diepte van de grondwatertafel kunnen niet direct met satellieten worden gemonitord. Een veelbelovende oplossing voor dit probleem wordt geboden door data-assimilatietechnieken die EO-gegevens optimaal combineren met modellering om onwaargenomen variabelen van EO te schatten.

De twee overkoepelende wetenschappelijke doelstellingen van EO4PEAT zijn (1) het verhogen van de nauwkeurigheid van hydrologische schattingen van veengebieden door innovatieve EO-gebaseerde monitoring en EO-geïnformeerde modelleringstechnieken, en (2) het verbeteren van het procesbegrip in veengebieden die te maken hebben met verschillende typen menselijke en klimatologische verstoringen, ter ondersteuning van klimaatveranderingsonderzoek evenals veenbehoud, -herstel en -beheer. Het project zal worden gestructureerd in zeven werkpakketten (WP). WP1 richt zich op het gebruik van geavanceerde radar modellering voor de monitoring van inundatiedynamiek gebaseerd op L-band actieve microgolfgegevens (PALSAR-1/2, Global Navigation Satellite System Reflectometry met CYGNSS). In WP2 zal een veenspecifieke machine learning gebaseerde classificatie en monitoring van LULC-verandering (LULCC) worden ontwikkeld met gebruik van optische- en actieve microgolfgegevens (Landsat 5-9, Sentinel-1/2, PALSAR-1/2). In WP3 zal de interactie tussen rivieren en veengebieden worden bestudeerd door gebruik te maken van gegevens van WP1 samen met oppervlaktewaterhoogte van SWOT en van bestaande EO-gebaseerde producten, en waar beschikbaar, grondhoogte afgeleid van ICESat-2 LiDAR-gegevens. De waarnemingen zullen worden gebruikt voor de ontwikkeling van regionale en globale modelleringsbenaderingen van rivier-veen interactie. WP4 streeft naar het toepassen van data-assimilatiebenaderingen die een parameterschema voor het bijwerken bevatten om modelvertekeningen aan te pakken. Veenmodellen van verschillende niveaus van complexiteit zullen worden gebruikt voor de assimilatie van inundatiefactiegegevens van WP1 en waarnemingen van terrestrische wateropslag (TWS van Gravity Recovery and Climate Experiment; GRACE). In WP5 zullen monitoringresultaten van WP1 en WP2 worden geïnterpreteerd samen met de tijdreeksen van parameters van de data-assimilatie in WP4 om uiteindelijk ons begrip van processen in veranderende veengebieden te verbeteren. Om klimaatveranderingsimpacts te isoleren, zullen scenario's met contrafactueel klimaat die een wereld zonder klimaatverandering nabootsen, worden uitgevoerd. Resultaten van WP1 tot en met WP5 zullen worden gevalideerd in WP6 met grondgebaseerde referentiegegevens van veenwaterpeil monitoringstations, en rivierfase- en stroomdebietmeters. In WP7 zullen resultaten van EO4PEAT worden verspreid naar zowel de wetenschappelijke gemeenschap als verschillende belanghebbenden.