Es wurde ein hochmodernes maschinelles Lernmodell entwickelt, um den Gehalt an organischem Kohlenstoff im Boden (SOC) vorherzusagen, ein entscheidender Faktor für die Bodengesundheit und die Produktivität von Nutzpflanzen. Der innovative Ansatz nutzt hyperspektrale Daten, um wichtige Spektralbänder zu identifizieren und bietet so eine präzisere und effizientere Methode zur Beurteilung der Bodenqualität und zur Unterstützung nachhaltiger landwirtschaftlicher Praktiken.
Die Bodengesundheit hat erhebliche Auswirkungen auf die landwirtschaftliche Produktivität und ökologische Stabilität. Eine genaue Bestimmung des SOC-Gehalts ist für die Verbesserung des Ernteertrags und der ökologischen Nachhaltigkeit von entscheidender Bedeutung. Traditionellen Methoden mangelt es oft an Präzision und Detailgenauigkeit.
Der neue Perimeter-Area Soil Carbon Index (PASCI) schließt diese Lücken, indem er hyperspektrale Bildgebung und maschinelle Lernalgorithmen nutzt, um umfassende Bodeneigenschaften zu erfassen. Dieser Ansatz verfeinert nicht nur die SOC-Schätzung, sondern unterstützt auch gezielte landwirtschaftliche Strategien und die Umweltüberwachung und stellt damit erhebliche Fortschritte gegenüber herkömmlichen Methoden dar.
In Georäumliche Informationswissenschaft am 19. Mai 2023 haben die Forscher gegenwärtig ihre Forschung von der Central State University. Das innovative Tool PASCI verwendet maschinelles Lernen zur Analyse hyperspektraler Daten und verbessert so die Messung von Bodenkohlenstoff erheblich. PASCI bietet Wissenschaftlern und Landwirten eine neuartige Ressource, um die Bodengesundheit effektiver zu kartieren und zu bewerten.
PASCI zeichnet sich durch die gleichzeitige Analyse mehrerer Spektralbänder zur Vorhersage des organischen Kohlenstoffgehalts im Boden aus, eine Methode, die in aktuellen Indizes nicht verfügbar ist. Dieser Index verwendet ein einzigartiges mathematisches Modell, um das Verhältnis des Umfangs zur Fläche unter Spektralkurven zu berechnen und wichtige Spektralbänder zu ermitteln, die SOC-Werte anzeigen.
Dieser Ansatz enthüllt feinere Details über die Bodenzusammensetzung und -variationen in verschiedenen Landschaften und verbessert so die Genauigkeit der SOC-Vorhersagen erheblich. Die Robustheit von PASCI wurde durch umfangreiche Regressionsanalysen bestätigt, die eine starke Korrelation mit tatsächlichen SOC-Messungen (r2 = 0,76) zeigten. Der umfassende Umfang des Index ermöglicht eine bessere Anpassung an unterschiedliche landwirtschaftliche Umgebungen, was möglicherweise zu präziseren landwirtschaftlichen Praktiken und verbesserten Ernteerträgen führt.
Der leitende Forscher sagt: „Unsere Ergebnisse bedeuten einen großen Fortschritt bei der Fernerkundung von organischem Kohlenstoff im Boden. Die Fähigkeit von PASCI, verschiedene Spektralbereiche zu integrieren, ermöglicht eine differenziertere und genauere Messung des organischen Kohlenstoffs im Boden, was für die Weiterentwicklung der Präzisionslandwirtschaft und die Förderung einer nachhaltigen Landnutzung von entscheidender Bedeutung ist.“
Die Anwendbarkeit von PASCI ist enorm und bietet das Potenzial, sowohl hyperspektrale als auch multispektrale Bildgebungstechnologien zu integrieren. Dieser Fortschritt könnte eine großflächige, detaillierte Kartierung des organischen Kohlenstoffs im Boden ermöglichen, was für die landwirtschaftliche Planung und die Umweltüberwachung von Vorteil wäre.
Die Entwicklung des Index steht im Einklang mit dem wachsenden Bedarf an Instrumenten zur Beurteilung und Verwaltung der Bodengesundheit und verspricht eine Verbesserung landwirtschaftlicher Praktiken und einen Beitrag zu globalen Nachhaltigkeitsbemühungen.
Mehr Informationen:
Eric Ariel L. Salas et al, Perimeter-Area Soil Carbon Index (PASCI): Modellierung und Schätzung von organischem Kohlenstoff im Boden unter Verwendung relevanter erklärender Wellenbandvariablen in einer Umgebung für maschinelles Lernen, Georäumliche Informationswissenschaft (2023). DOI: 10.1080/10095020.2023.2211612
Zur Verfügung gestellt von der Wuhan University