Zusammenfassung Band 85

Wehrle, Ralf C. (2022): Humus in Weinbergsböden: Mobile Mittelinfrarot-, Gammaspektroskopie und maschinelles Lernen als Werkzeuge für eine präzise Bestimmung und ein optimales Management der Kohlenstoffspeicherung

Vor dem Hintergrund der Minderung des Klimawandels erfordert die adäquate Bestimmung von Faktoren, welche die Speicherung von organischem Kohlenstoff (SOC) in Böden beeinflussen, präzise und räumlich hoch aufgelöste Informationen über Bodeneigenschaften und organischer Materialien (OA). Mit herkömmlichen Methoden ist die Bestimmung dieser Faktoren aufwändig und kostenintensiv. Daher stellen Sensoren wie die tragbare Mittelinfrarotspektroskopie (pMIRS) und die mobile Gammaspektroskopie (GS) vielversprechende Techniken für eine schnelle Bestimmung bedeutsamer Bodeneigenschaften dar. Kalibrierungen mittels Maschinellen Lernens (ML) wie z.B. Support Vector Machines (SVM) oder Random Forest (RF) können die universelle Anwendbarkeit dieser Sensoren verbessern.
Ziel dieser Arbeit war es das Potenzial von pMIRS und GS hinsichtlich der Kalibrierung von Vorhersagemodellen für relevante Faktoren (SOC, anorganischer Kohlenstoff (SIC), heißwasserlöslicher Kohlenstoff & -Stickstoff (hwC, hwN), gesamt Stickstoff (TN) und die Bodenart) in Böden und OA zu bewerten. Besonderes Augenmerk wird dabei auf Weinbergsböden und pflanzliche OA (Grünschnittkomposte und Biokohleprodukte) gelegt. Zu diesem Zweck wurden (i) das Potenzial von pMIRS in Kombination mit ML-Kalibrierungen zur Bestimmung wichtiger Parameter für die C-Speicherung in OA und (ii) für Ober- und Unterböden in zehn Weinbergen mit unterschiedlichen geopedologischen Bedingungen untersucht. Ferner wurde (iii) das Potenzial von GS in Kombination mit ML-Kalibrierungen für die standortunabhängige Vorhersage des Tongehalts für acht dieser Weinberge bewertet.
Die Ergebnisse zeigen, dass pMIRS-SVM-Kalibrierungen ein hohes Potenzial für die Bestimmung von C- und N-Pools in OA haben. Eine Test-set-Validierung ergab, dass die Modelle für die meisten Parameter zuverlässige Vorhersagen lieferten (R2 = 0,49 (hwCN-Verhältnis)-0,93 (TN); RPIQ = 1,19-5,70). Der pMIRS-SVM-Ansatz konnte auch bei der Vorhersage für weitere relevante Parameter in Weinbergen unter variablen geopedologischen Gegebenheiten mit R2 = 0,81 (SOC)-0,98 (SIC) und RPIQ = 5,20-13,0 erfolgreich implementiert werden. Außerdem erwies sich diese Methode für die Vorhersage für SOC und hwC für unabhängige Folgeproben, zwei Jahre nach der ersten Probenahmekampagne, als praktikabel. Bei der standortunabhängigen Kalibrierung von GS für den Tongehalt übertraf RF den SVM und andere ML-Algorithmen mit hoher Genauigkeit (R2 = 0,87) und Modellrobustheit (RPIQ = 4,64). Allerdings war das RF-Modell bei einer standortspezifischen Auswertung und unter Berücksichtigung der Flächenheterogenität nicht für alle Weinberge präzise. Dennoch konnte das Modell für diejenigen Weinberge, für die eine gute Vorhersage möglich war, erfolgreich auf „on-the-go“ Messungen angewandt und anschließend Bodenkarten erstellt werden.
Die Ergebnisse dieser Studie zeigen deutlich das Potenzial von pMIRS und GS in Kombination mit ML-Kalibrierungen für die räumlich hoch aufgelöste Vorhersage von Parametern, welche relevant für die SOC Speicherung in Böden sind. Dies gilt auch für die Charakterisierung von OA. Die untersuchten Sensoren und Kalibrierungen werden daher als leistungsfähige Werkzeuge für künftige SOC-Monitoring-Kampagnen vor dem Hintergrund der Minderung des Klimawandels bewertet. Zukünftige Studien sollten sich auf die Kombination von Sensorinformationen durch Datenfusion von pMIRS und GS und die Identifizierung geeigneter ML-Algorithmen für die Sensorkalibrierung konzentrieren, um so eine universelle Anwendbarkeit weiter zu verbessern.

Abstract Band 85

Wehrle, Ralf C. (2022): Organic matter in vineyard soils: mobile mid-infrared and gamma spectroscopy with machine learning calibrations as tools for a precise carbon storage and management

Against the background of climate change mitigation, accurate and spatially resolved information on soil properties and organic amendments (OA) are needed to precisely evaluate factors with effect on soil organic carbon (SOC) storage in soils. In general, the assessment of the required information by conventional laboratory methods is laborious. Here, mobile (portable) mid-infrared spectroscopy (pMIRS) and mobile gamma spectroscopy (GS) are promising techniques for a rapid determination of various soil properties. Machine learning (ML) algorithms such as Support Vector Machines (SVM) or Random Forest (RF) may enhance universal applicability of calibration for these sensors.
The aim of this study was to evaluate the potential of pMIRS and GS to provide information on factors which influence SOC storage (SOC, total nitrogen (TN), soil inorganic carbon (SIC), hot-water extractable carbon (hwC), hot-water extractable nitrogen (hwN) and soil texture. Special emphasis is given on vineyard soils and plant-based OA (greenwaste composts and biochar products). With respect to this aim, (i) the potential of pMIRS in combination with ML calibrations for determining important parameters for SOC storage in OA’s and (ii) for top and subsoils of ten vineyards with pronounced variability in geopedological conditions were investigated. Further, (iii) the potential of GS in combination with ML calibrations for clay content in eight of these vineyards was evaluated.
The results reveal high potential of pMIRS-SVM calibrations for the determination of organic C and N pools in OA. Test-set validation provided reliable predictions for most parameters (R2 = 0.49 (hwCN-ratio)-0.93 (TN); ratio of performance to interquartile distance ((RPIQ) = 1.19-5.70). The pMIRS-SVM approach was also successful for the prediction of further parameters related to SOC storage in vineyards and variable geopedological settings with R2 = 0.81 (SOC)-0.98 (SIC) and RPIQ = 5.20-13.0 for all investigated parameters. Further, this method proved to be feasible for the prediction of SOC and hwC in independent follow up-samples, two years after the initial sampling campaign. For the site-independent calibration of GS on clay content, RF outperformed SVM and other ML algorithms with high accuracy (R2 = 0.87), model robustness (RPIQ = 4.64) and low prediction error (RMSE = 57.6 g kg-1). Though, for single-field evaluation and considering in-field heterogeneity, the RF model was not accurate for all vineyards. Nevertheless, for those vineyards predicted with good accuracy, the model was successfully applied to on-the-go measurements to create soil clay maps.
The results of this study clearly reveal the potential of mobile pMIRS and GS in combination with ML calibrations for the prediction of parameters related to SOC storage. This also accounts for the characterization of OA and soil mapping. The investigated sensors and calibrations are therefore considered powerful tools for future SOC monitoring campaigns in the context of climate change mitigation. Future studies should focus on combining sensor information via data fusion of pMIRS and GS and identifying appropriate ML algorithms for calibration in order to further enhance universal applicability.