Quantification of soil carbon and moisture content in varying-moisture soils withLaser-Induced Breakdown Spectroscopy and machine learning
Diese Studie zeigt, dass die Kombination von laserinduzierter Breakdown-Spektroskopie (LIBS) mit LED-basierter Vis-NIR-Reflektanz und Kernel-Ridge-Regression eine präzise Vorhersage des Gesamtkohlenstoffgehalts und des Feuchtigkeitsgehalts in minimal aufbereiteten, variabel feuchten Proben ermöglicht, wobei eine feuchtigkeitsbewusste Kalibrierung die Genauigkeit der Kohlenstoffvorhersage signifikant verbessert.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Der Boden unter unseren Füßen ist mehr als nur Dreck; er ist ein riesiger, lebendiger Speicher, der mehr Kohlenstoff enthält als die Atmosphäre und alle Wälder der Welt zusammen. Dieser verborgene Kohlenstoff spielt eine entscheidende Rolle bei der Regulierung des Klimas der Erde, doch zu messen, wie viel in einem bestimmten Stück Boden gespeichert ist, bleibt eine schwierige Aufgabe. Traditionell müssen Wissenschaftler Bodenproben sammeln, sie in einem Ofen trocknen, sie zu einem feinen Pulver mahlen und sie in einem Labor verbrennen, um ihren Kohlenstoffgehalt zu bestimmen. Dieser Prozess ist langsam, teuer und erfordert den Transport von Proben aus dem Feld in ein Labor, was die Anzahl der testbaren Orte begrenzt. Während die Welt nach besseren Wegen sucht, die Bodengesundheit zu überwachen und die Kohlenstoffspeicherung zu verfolgen, wächst der Bedarf an einer Methode, die schnell, genau und direkt dort anwendbar ist, wo der Boden gefunden wird, ohne die schwere Last einer umfangreichen Vorbereitung.
Forscher haben eine Technik namens laserinduzierte Breakdown-Spektroskopie untersucht, die einen starken, fokussierten Lichtimpuls nutzt, um ein winziges, superheißes Plasma auf der Oberfläche eines Materials zu erzeugen. Dieser Energieblitz verursacht, dass die Atome im Boden leuchten und Licht emittieren, das genau verrät, welche Elemente vorhanden sind. Während diese Methode vielversprechend für die Identifizierung von Metallen und Nährstoffen war, hatte sie mit frischem, feuchtem Boden zu kämpfen, da Wasser das Verhalten des Lichts drastisch verändert, was genaue Messungen schwierig macht. Um dies zu lösen, kombinierte ein Team von Wissenschaftlern diese Lasertechnik mit einem einfacheren lichtreflektierenden Sensor und fortschrittlichen Computeralgorithmen. Sie testeten, ob dieses Hybridsystem sowohl den Kohlenstoffgehalt als auch den Feuchtigkeitsgehalt in Bodenproben, die entweder sorgfältig im Labor vorbereitet oder in ihrem natürlichen, feuchten Zustand gemessen wurden, genau vorhersagen konnte.
Die Studie umfasste 116 Bodenproben, die an acht verschiedenen landwirtschaftlichen Standorten in Finnland gesammelt wurden und eine große Vielfalt an Bodenstrukturen und Kohlenstoffgehalten repräsentieren. Die Forscher unterteilten diese Proben in verschiedene Gruppen, um verschiedene Szenarien zu testen. Einige Proben wurden getrocknet, zu einem feinen Pulver gemahlen und zu Pellets gepresst, um ideale Laborbedingungen nachzuahmen. Andere wurden frisch belassen, wobei lediglich die natürliche Feuchtigkeit und große Steine von Hand entfernt wurden. Das Team unterzog diese Proben dann dem Laser und dem Lichtsensor und speiste die resultierenden Daten in sechs verschiedene Arten von Machine-Learning-Modellen ein. Diese Modelle sind im Wesentlichen Computerprogramme, die darauf trainiert sind, komplexe Muster in Daten zu finden, indem sie lernen, die spezifischen Lichtsignaturen des Bodens mit den tatsächlichen Kohlenstoff- und Wasserwerten aus den traditionellen, langsamen Methoden zu verknüpfen.
Die Ergebnisse zeigten, dass die Computermodelle lernen konnten, die unordentlichen, realen Daten mit überraschender Genauigkeit zu interpretieren. Das am besten performende Modell, ein Algorithmus-Typ namens Kernel Ridge Regression, war in der Lage, den Gesamtkohlenstoffgehalt mit einem hohen Grad an Präzision vorherzusagen. Für die Proben, die zu Pulver gemahlen und auf einem konstanten Feuchtigkeitsniveau gehalten wurden, lagen die Vorhersagen des Modells extrem nah an den Referenzmessungen. Viel wichtiger noch: Für die frischen, minimal bearbeiteten Proben, die das darstellen, was ein Landwirt oder Wissenschaftler im Feld vorfindet, funktionierte das Modell immer noch sehr gut und erfasste den Kohlenstoffgehalt mit nur einer geringen Fehlermarge. Die Studie fand heraus, dass die Fähigkeit des Computers, zuerst den Feuchtigkeitsgehalt zu erraten und dann diesen Tipp zu nutzen, um den Kohlenstoffgehalt zu berechnen, die Genauigkeit für die nassen, natürlichen Proben signifikant verbesserte. Dies deutet darauf hin, dass das System den variablen Wassergehalt kompensieren kann, der diese Messungen normalerweise verwirrt.
Eine zentrale Erkenntnis der Forschung war, dass das umfangreiche Mahlen und Trocknen von Boden, was seit Jahrzehnten Standardpraxis ist, für die Funktion dieser Technologie möglicherweise nicht notwendig ist. Als die Forscher die gemahlenen Proben mit den frischen Proben unter kontrollierten Bedingungen verglichen, war der Unterschied in der Vorhersagegenauigkeit vernachlässigbar. Dies impliziert, dass die zeitaufwendigen Schritte des Trocknens und Mahlens vollständig übersprungen werden können, was eine schnelle Analyse vor Ort ermöglicht. Das System war zudem in der Lage, den Feuchtigkeitsgehalt des Bodens selbst zu messen, was ein entscheidender Informationsbaustein für die Berechnung der gesamten Menge an gespeichertem Kohlenstoff in einem gegebenen Erdvolumen ist. Durch die direkte Messung der Feuchtigkeit könnte die Methode letztendlich die Berechnung der Bodenkohlenstoffbestände im Feld ermöglichen, ohne dass Proben zum Trocknen in ein Labor zurückgebracht werden müssen.
Die Studie untersuchte auch, wie unterschiedliche Bodenarten und spezifische Standorte die Ergebnisse beeinflussten. Es wurde festgestellt, dass die Fehler in der Vorhersage eher mit dem spezifischen Standort und dem Bereich der vorhandenen Kohlenstoffwerte zusammenhingen als mit der allgemeinen Textur des Bodens, wie etwa ob es sich um Lehm oder Sand handelt. An einem Standort, an dem der Boden ungewöhnlich hohe Kohlenstoffwerte aufwies, hatte das Modell leichte Schwierigkeiten, weil es während seines Trainings nicht genügend Beispiele für solch hohe Werte gesehen hatte. Dies unterstreicht, dass für die weltweite Einsatzfähigkeit der Computermodelle mit einer vielfältigen Auswahl an Bodentypen, einschließlich derer mit extremen Kohlenstoffwerten, trainiert werden müssen. Dennoch war die Gesamtleistung stark genug, um zu zeigen, dass dieser Ansatz eine praktikable Alternative zu traditionellen Methoden darstellt und eine Möglichkeit bietet, den Bodenkohlenstoff mit weitaus größerer Geschwindigkeit und Dichte zu kartieren, als dies derzeit möglich ist.
Durch die Kombination eines Lasers, der die elementare Zusammensetzung des Bodens liest, mit einem Sensor, der Wasser und organische Materie detektiert, und indem man einen Computer lernen lässt, die Beziehung zwischen diesen Signalen und den tatsächlichen Bodeneigenschaften zu verstehen, haben die Forscher einen Weg zu einer praktischen, im Feld einsetzbaren Bodenanalyse aufgezeigt. Die Arbeit bestätigt, dass mit der richtigen Datenverarbeitung die Herausforderungen bei der Messung von nassem, unverarbeitetem Boden überwunden werden können. Dies bedeutet nicht, dass die Technologie perfekt ist oder ohne weitere Tests für jede einzelne Situation bereit ist, aber es beweist, dass eine genaue, schnelle Messung von Bodenkohlenstoff und Feuchtigkeit ohne die arbeitsintensive Vorbereitung möglich ist, die lange Zeit eine Barriere darstellte. Die nächsten Schritte bestehen darin, diese Methoden in realen Feldforschungsprotokollen zu testen, um zu sehen, wie gut sie sich bei der Messung der gesamten Kohlenstoffbestände ganzer Landschaften bewähren – ein Prozess, der die Art und Weise, wie wir die Gesundheit unserer planetaren Böden überwachen, potenziell revolutionieren könnte.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.