Wie viel Kohlenstoff steckt im Boden? Diese Frage ist auf großen räumlichen Maßstäben schwer zu beantworten, aber das Verständnis des organischen Bodenkohlenstoffs auf regionaler, nationaler oder globaler Ebene könnte Wissenschaftlern dabei helfen, die allgemeine Bodengesundheit, die Pflanzenproduktivität und sogar weltweite Kohlenstoffkreisläufe vorherzusagen.
Klassischerweise sammeln Forscher Bodenproben auf dem Feld und schleppen sie zurück ins Labor, wo sie das Material analysieren, um seine Zusammensetzung zu bestimmen. Aber das ist zeit- und arbeitsintensiv, kostspielig und liefert nur Einblicke in bestimmte Orte.
In einer kürzlich durchgeführten Studie zeigen Forscher der University of Illinois, dass neue Methoden des maschinellen Lernens, die auf hyperspektralen Labordaten des Bodens basieren, ebenso genaue Schätzungen des organischen Kohlenstoffs im Boden liefern könnten. Ihre Studie bietet eine Grundlage für die Verwendung von luftgestützter und satellitengestützter Hyperspektralsensorik zur Überwachung des organischen Kohlenstoffs im Boden auf großen Flächen.
„Organischer Kohlenstoff im Boden ist eine sehr wichtige Komponente für die Bodengesundheit sowie für die Produktivität von Ackerflächen“, sagt der Hauptautor der Studie, Sheng Wang, wissenschaftlicher Assistenzprofessor am Agroecosystem Sustainability Center (ASC) und am Department of Natural Resources and Environmental Sciences (NRES ) an der U of I. „Wir haben eine umfassende Bewertung von Algorithmen für maschinelles Lernen mit einer sehr intensiven Spektraldatenbank des nationalen Bodenlabors durchgeführt, um den organischen Kohlenstoff im Boden zu quantifizieren.“
Wang und seine Mitarbeiter nutzten eine öffentliche Bodenspektralbibliothek des USDA Natural Resources Conservation Service, die mehr als 37.500 vor Ort gesammelte Aufzeichnungen enthält und alle Bodentypen in den USA repräsentiert. Wie jede Substanz reflektiert Boden Licht in einzigartigen Spektralbändern, die Wissenschaftler interpretieren können, um sie zu bestimmen chemische Zusammensetzung.
„Spektren sind datenreiche Fingerabdrücke von Bodeneigenschaften; wir sprechen von Tausenden von Punkten für jede Probe“, sagt Andrew Margenot, Assistenzprofessor am Department of Crop Sciences und Mitautor der Studie. „Sie können den Kohlenstoffgehalt erhalten, indem Sie eine unbekannte Probe scannen und eine statistische Methode anwenden, die seit Jahrzehnten verwendet wird, aber hier haben wir versucht, so ziemlich jede potenzielle Modellierungsmethode zu screenen“, fügt er hinzu.
„Wir wussten, dass einige dieser Modelle funktionieren, aber das Neue ist die Größenordnung und dass wir die gesamte Bandbreite der maschinellen Lernalgorithmen ausprobiert haben.“
Kaiyu Guan, Hauptforscher, ASC-Gründungsdirektor und außerordentlicher Professor am NRES, sagt: „Diese Arbeit legte die Grundlage für den Einsatz von hyperspektraler und multispektraler Fernerkundungstechnologie zur Messung der Bodenkohlenstoffeigenschaften auf der Bodenoberflächenebene. Dies könnte eine Skalierung auf möglicherweise überall ermöglichen .“
Nachdem sie den besten Algorithmus basierend auf der Bodenbibliothek ausgewählt hatten, testeten die Forscher ihn mit simulierten luft- und weltraumgestützten Hyperspektraldaten. Wie erwartet berücksichtigte ihr Modell das „Rauschen“, das Oberflächenspektralbildern innewohnt, und lieferte eine hochgenaue und großräumige Ansicht des organischen Kohlenstoffs im Boden.
„Die NASA und andere Institutionen haben neue oder bevorstehende hyperspektrale Satellitenmissionen, und es ist sehr aufregend zu wissen, dass wir bereit sein werden, neue KI-Technologie zu nutzen, um wichtige Bodeneigenschaften mit Spektraldaten vorherzusagen, die von diesen Missionen zurückkommen“, sagt Wang.
Chenhui Zhang, ein Bachelor-Student, der Informatik in Illinois studiert, arbeitete ebenfalls an dem Projekt im Rahmen eines Praktikums mit dem Programm Students Pushing Innovation (SPIN) des National Center for Supercomputing Applications.
„Hyperspektraldaten können reichhaltige Informationen über Bodeneigenschaften liefern. Die jüngsten Fortschritte beim maschinellen Lernen haben uns vor dem Ärger bewahrt, handgefertigte Merkmale zu konstruieren, während sie gleichzeitig eine hohe Vorhersageleistung für den Kohlenstoff im Boden bieten“, sagt Zhang. „Als führende Universität in den Bereichen Informatik und Landwirtschaft bietet die U of I eine großartige Gelegenheit, interdisziplinäre Wissenschaften zu KI und Landwirtschaft zu erforschen. Ich freue mich sehr darüber.“
Der Artikel ist erschienen in Fernerkundung der Umwelt.
Sheng Wang et al., Verwenden der hyperspektralen Reflexion der Bodenbibliothek und des maschinellen Lernens zur Vorhersage des organischen Kohlenstoffs im Boden: Bewertung des Potenzials der luft- und weltraumgestützten optischen Bodenerfassung, Fernerkundung der Umwelt (2022). DOI: 10.1016/j.rse.2022.112914