Kurzfassung Band 78

Leenen, M. (2020): Implementation of soil information in precision agriculture via diffuse reflectance infrared spectroscopy. 147 S.
Kurzfassung

Die Präzisionslandwirtschaft (Precision Agriculture, PA) erfordert räumlich hochaufgelöste Informationen zur Heterogenität von Bodeneigenschaften, um eine optimierte und teilflächenspezifische Bewirtschaftung von landwirtschaftlich genutzten Flächen zu ermöglichen. In der Regel ist die Erfassung der Bodeninformationen in der für die PA erforderlichen Informationsdichte mit konventionellen Laboranalyseverfahren zu zeit- und kostenaufwendig. Eine vielversprechende Sensortechnik zur schnellen und kostengünstigen Bestimmung verschiedener Bodeneigenschaften ist die Diffuse Reflexionsspektroskopie. Diese Technik umfasst insbesondere die (i) Sichtbare und Nahinfrarote Spektroskopie (vis-NIRS) sowie (ii) die Mittlere Infrarot-Spektroskopie (MIRS).

Ziel meiner Arbeit war es, das Potential der diffusen Reflexionsspektroskopie mit Schwerpunkt auf der MIRS für die Bereitstellung von Bodeninformationen für die PA zu evaluieren. Im Hinblick auf dieses Ziel habe ich (i) die MIRS-basierte Bestimmung des Kalkbedarfs (LR) auf Grundlage des offiziellen Rahmenschemas in Deutschland überprüft, (ii) die Eignung von vis-NIRS und MIRS zur Ableitung des pflanzenverfügbaren Phosphats (Pavl) auf der Feldskala untersucht und (iii) eine MIRS-basierte Spektrenbibliothek (MIR-SSL) für Ackeroberböden mit einem Teilprobensatz des European Land Use/Land Cover Area Frame Survey 2009 (LUCAS; n = 1013) aufgebaut und das Potential dieser MIR-SSL für die PA getestet. 

Die Ergebnisse zeigen, (i) dass die MIRS in Kombination mit der Regression der partiellen kleinsten Quadrate (PLSR) geeignet ist, alle für die LR-Bestimmung relevanten Bodeneigenschaften (Ton, Humus (SOM) und pH (CaCl2)) auf der Feldskala zu bestimmen. Abgeleitet aus den Vorhersagen dieser relevanten Eigenschaften, konnte der LR erfolgreich für alle sechs untersuchten Standorte (458 Proben) bestimmt werden (LRSPP; R² = 0.54 – 0.82; RMSE = 857 – 1414 kg CaO ha-1). Es war auch möglich, lokale Vorhersagemodelle für die direkte LR-Bestimmung (LRDP) zu kalibrieren (R² = 0.52–0.77; RMSE = 811 – 1420 kg CaO ha-1; RPD = 1.44 – 2.08). (ii) Zur Kalibration lokaler Vorhersagemodelle für Pavl wurden für Löss-Oberbodenproben von sechs verschiedenen Standorten mittels vis-NIRS und MIRS vergleichbare Ergebnisse erzielt. Insgesamt ist die Vorhersagegüte der Modelle jedoch nur ausreichend, um zwischen einer hohen, optimalen und geringen P-Versorgung zu unterscheiden. Die Kalibrierung eines allgemeinen Modells für Löss-Proben war nicht erfolgreich. (iii) Auch mit der LUCAS-basierten MIR-SSL konnte für Pavl kein valides Vorhersagemodell kalibriert werden. Für pflanzenverfügbares Kalium (Kavl) war dies ebenfalls nicht möglich. Für die übrigen neun untersuchten Bodeneigenschaften (Sand, Schluff, Ton, organischer Kohlenstoff (SOC), Gesamtstickstoff (Ntotal), Carbonat (CaCO3), pH (H2O), pH (CaCl2) und Kationenaustauschkapazität (CEC)) war die Kalibration der Vorhersagemodelle hingegen erfolgreich (R² = 0.83 – 0.98). Die Anwendbarkeit dieser Vorhersagemodelle zur Charakterisierung der Heterogenität innerhalb eines Felds wurde an fünf Standorten überprüft und lieferte im Hinblick auf die Nutzung in der PA geeignete Ergebnisse (RMSEP: Sand, Schluff und Ton < 8 %; SOC < 2.1 g kg-1; Ntotal < 0.22 g kg-1; CaCO3 < 11.8 g kg-1; pH (CaCl2) < 0.49).

Zusammenfassend gilt, dass durch die Nutzung lokal kalibrierter und MIR-SSL basierter Vorhersagemodelle präzise Bodeninformationen für die Implementierung in der PA generiert werden können. Insgesamt sind lokal kalibrierte Modelle in der Modelleistung den MIR-SSL basierten Modellen überlegen. Der Vorteil einer MIR-SSL ist, dass die Kosten und der Aufwand bei der Modellkalibration reduziert werden, wodurch die Attraktivität der MIRS für die PA weiter gesteigert wird.

Abstract Band 78

Leenen, M. (2020): Implementation of soil information in precision agriculture via diffuse reflectance infrared spectroscopy. 147 S.
Abstract 

The aim of my thesis was to evaluate the potential of diffuse reflectance infrared spectroscopy with emphasis on MIRS to provide soil information for PA. With respect to this aim, I (i) studied the MIRS based determination of lime requirement (LR) with reference to the official recommendation algorithm in Germany, (ii) investigated the suitability of vis-NIRS and MIRS for the prediction of plant available phosphorus (Pavl) on the field scale and (iii) built a MIRS based soil spectral library (MIR-SSL) for arable topsoils with a sub-sample set of the European Land Use/Land Cover Area Frame Survey 2009 (LUCAS; n = 1013) and tested the potential of this MIR-SSL for PA. 

The results revealed (i) that MIRS in combination with partial least squares regression (PLSR) is suitable to predict all soil properties relevant for LR determination (clay, soil organic matter (SOM), and pH (CaCl2)) on the field scale. Derived from the predictions of these control parameters, the LR was successfully determined for six investigated locations (458 samples) (LRSPP; R² = 0.54 – 0.82; RMSE = 857 – 1414 kg CaO ha-1). It was also possible to calibrate local prediction models for direct LR determination (LRDP; R² = 0.52 – 0.77; RMSE = 811 – 1420 kg CaO ha-1; RPD = 1.44 – 2.08). (ii) With regard to the calibration of local prediction models for Pavl, comparable results were achieved for loess derived topsoil samples from six different locations using vis-NIRS and MIRS. However, the overall prediction performance of the models was only sufficient to differentiate between high, optimal and low P supply. The calibration of a general model for loess samples was not successful. (iii) In addition, no valid prediction model could be calibrated for Pavl with the LUCAS based MIR-SSL. This was also not feasible for plant-available K (Kavl). For the other nine investigated soil properties (sand, silt, clay, soil organic carbon (SOC), total nitrogen (Ntotal), carbonate (CaCO3), pH (H2O), pH (CaCl2), and cation exchange capacity (CEC)) the calibration of prediction models was successful (R² = 0.83 – 0.98). The applicability of these prediction models for the characterization of within-field heterogeneity was tested at five locations and provided suitable results with regard to the use in PA (RMSEP: sand, silt, and clay < 8%; SOC < 2.1 g kg-1; Ntotal < 0.22 g kg-1; CaCO3 < 11.8 g kg-1; pH (CaCl2) < 0.49).

In conclusion, by using locally calibrated prediction models and MIR-SSL based prediction models, precise soil information can be generated for implementation in PA. Overall, locally calibrated models are superior to MIR-SSL based models in terms of prediction performance. The advantage of MIR-SSL is that the costs and effort for model calibration are reduced; this further increases the attractiveness of MIRS for PA.