Spectral Response of Wheat Straw Residue and Crop Residue Cover Inversion

Im ruhigen Rhythmus der Landwirtschaft ist die Zeit nach der Ernte oft genauso wichtig wie die Ernte selbst. Wenn ein Weizenfeld geschnitten wird, verschwinden die verbleibenden Halme und Blätter nicht einfach; sie bleiben auf der Bodenoberfläche zurück, eine Schicht organischer Materie, die als Ernterückstände bekannt ist. Dieses Material an Ort und Stelle zu lassen, ist ein wirkungsvolles Werkzeug für das Land. Es wirkt wie eine schützende Decke, die die Feuchtigkeit während Trockenperioden im Boden hält, den Wind und das Wasser bremst, die sonst den fruchtbaren Oberboden wegspülen würden, und die Nährstoffe langsam wieder in die Erde zurückführt, während sie sich zersetzt. Landwirte, die diese Rückstände hinterlassen, praktizieren das, was man als konservierende Bodenbearbeitung bezeichnet – eine Methode, die die langfristige Gesundheit des Bodens über die Geschwindigkeit des Unterpflügens stellt. Um jedoch zu wissen, ob diese Methode korrekt angewendet wird, benötigen Wissenschaftler eine Möglichkeit, genau zu messen, wie viel des Bodens durch diese Halme bedeckt ist. Wenn die Bedeckung zu gering ist, ist der Boden verwundbar; wenn sie hoch genug ist, wird das Land geschützt.

Jahrzehntelang bedeutete die Messung dieser Bedeckung, Menschen mit Kameras und Klemmbrettern auf die Felder zu schicken, die jedes Stück Stroh zählten, das sie in einem kleinen Quadrat des Bodens sehen konnten. Während dies genau war, war dieser Prozess langsam, arbeitsintensiv und schwer skalierbar, um ganze Regionen abzudecken. In den letzten Jahren hat sich der Fokus darauf verlagert, das Licht zum Zählen zu nutzen. Jedes Objekt reflektiert Licht auf eine einzigartige Weise, und trockenes Pflanzenmaterial hat eine markante Signatur, die sich von nacktem Boden unterscheidet. Durch die Analyse der spezifischen Farben des Lichts, die von einem Feld abprallen, hoffen Forscher, den Prozentsatz der Bodenbedeckung durch Stroh zu berechnen, ohne jemals einen Fuß auf das Feld gesetzt zu haben. Doch diese Aufgabe wird dadurch erschwert, dass Stroh nicht flach wie ein Teppich liegt. Je nachdem, wie der Landwirt das Feld bewirtschaftet – ob er die Stoppeln stehen lässt, sie zerkleinert oder tief in die Erde pflügt – verändert sich die Art und Weise, wie das Licht zurückgeworfen wird. Das Verständnis dieser subtilen Unterschiede ist der Schlüssel dazu, eine einfache Lichtmessung in eine zuverlässige Karte der Bodengesundheit zu verwandeln.

Ein Forscher, Yang Haolin, von der Beijing Bayi School, ging dieses Rätsel an, indem er eine detaillierte Karte davon erstellte, wie Weizenstroh unter verschiedenen Bedingungen mit Licht interagiert. Sie begannen mit einem kontrollierten Experiment in einem Forschungszentrum in Xiaotangshan, nördlich von Peking. Hier bauten sie Winterweizen an und wandten nach der Ernte vier verschiedene Bewirtschaftungstechniken auf verschiedenen Abschnitten des Feldes an. Einige Parzellen wurden mit stehenden Stoppeln hinterlassen, andere hatten das Stroh in kleine Stücke gehackt und verstreut, einige wurden mit einer Bodenfräse behandelt, die die Rückstände in die obere Bodenschicht eingearbeitet hat, und andere wurden tief gepflügt. Diese Vielfalt ermöglichte es ihnen zu sehen, wie die physische Anordnung des Strohs, nicht nur die Menge davon, die Art und Weise veränderte, wie das Feld für einen Sensor aussah.

Um diese Veränderungen zu erfassen, gingen sie mit einem Hand-Spektrometer durch die Felder, einem Gerät, das wie ein hochentwicklichtes Auge fungiert, das weit mehr Farben sehen kann, als das menschliche Gehirn verarbeiten kann. Sie maßen das Licht, das von der Boden-Stroh-Mischung reflektiert wurde, bei Hunderten von verschiedenen Wellenlängen, die vom sichtbaren Spektrum, das wir sehen können, bis zu den Infrarotwellenlängen reichen, die wir nicht sehen können. Gleichzeitig machten sie Fotografien des Bodens direkt von oben und nutzten eine Gittermethode, um exakt zu zählen, wie viel des Bodens durch Stroh bedeckt war, wodurch sie eine präzise „Ground Truth“ (Bodenwahrheit) zum Vergleich mit den Lichtmessungen schufen. Sie sammelten auch ähnliche Daten aus echten Weizenfeldern in der Provinz Henan, um sicherzustellen, dass ihre Ergebnisse außerhalb der kontrollierten Umgebung der Forschungsstation Bestand haben würden.

Der Forscher entdeckte, dass sich das vom Feld reflektierte Licht auf vorhersehbare Weise änderte, wenn die Menge der Strohbedeckung zunahm. Er fand heraus, dass der empfindlichste Bereich für die Detektion dieser Bedeckung im kurzwelligen Infrarotbereich des Spektrums lag, einem Lichtbereich, der stark mit der Cellulose und dem Lignin interagiert, die in den Zellwänden von Pflanzen vorkommen. Durch die Analyse der Daten identifizierte er ein spezifisches Lichtband bei 1320 Nanometern, das besonders gut geeignet war, die Anwesenheit von Stroh zu signalisieren. Er testete auch mehrere mathematische Formeln, sogenannte Spektralindizes, die verschiedene Lichtwellenlängen kombinieren, um Pflanzenrückstände hervorzuheben. Die Ergebnisse zeigten, dass Indizes, die darauf ausgelegt sind, Cellulose und Lignin zu detektieren, weita viel effektiver bei der Erkennung von Stroh waren als die Standardformeln, die zur Messung grüner, lebender Pflanzen verwendet werden.

Mit diesen Lichtsignaturen in der Hand wandte sich der Forscher an Computermodelle, um ein System aufzubauen, das die Menge der Strohbedeckung allein basierend auf den Lichtdaten vorhersagen kann. Er testete fünf verschiedene Arten von Machine-Learning-Algorithmen, also Programmen, die darauf ausgelegt sind, Muster in Daten zu finden. Einige dieser Modelle waren einfach und linear, andere komplex und fähig, komplizierte Beziehungen zu erlernen. Die Ergebnisse waren eindeutig: Das erfolgreichste Modell war eine Methode namens „Random Forest“. Dieser Ansatz, der dadurch arbeitet, dass er viele kleine Entscheidungsbäume aufbaut und deren Antworten kombiniert, erreichte eine Genauigkeitsrate, bei der ihre Vorhersagen in 95 Prozent der Fälle mit den tatsächlichen Messungen übereinstimmten. Im Gegensatz dazu schnitt ein komplexeres Deep-Learning-Modell, das oft für fortgeschrittene Aufgaben verwendet wird, schlecht ab. Der Forscher stellte fest, dass dieses Deep-Learning-Modell weitaus mehr Daten benötigte, als ihnen zur effektiven Lernung zur Verfügung standen, was zu schlechten Vorhersagen führte. Dieser Befund deutet darauf darauf hin, dass für diese spezifische Aufgabe ein robuster, einfacherer Modell zuverlässiger ist als ein komplexes, wenn man mit begrenzten Felddaten arbeitet.

Der vielleicht bedeutendste Teil der Studie war der Test, ob ein in einem kontrollierten Experiment entwickeltes Modell in der realen Welt funktionieren kann. Der Forscher nahm sein bestes Modell und wandte es auf Daten aus den tatsächlichen Weizenfeldern in der Provinz Henan an. Nach geringfügigen Anpassungen der Einstellungen konnte das Modell die Strohbedeckung in diesen realen Szenarien erfolgreich schätzen. Dies demonstrierte, dass die Beziehung zwischen Licht und Strohbedeckung stark genug ist, um über verschiedene Standorte und Bedingungen hinweg zu bestehen. Die Studie bestätigt, dass Wissenschaftler durch das Verständnis dessen, wie die physische Struktur des Feldes das Licht beeinflusst, Werkzeuge schaffen können, die die landwirtschaftliche Erhaltungspraxis über große Flächen hinweg genau überwachen. Obwohl die Arbeit mit bodengebundenen Sensoren durchgeführt wurde, sieht der Forscher einen klaren Weg nach vorne: Dieselben Prinzipien können auf Bilder von Drohnen und Satelliten angewendet werden, was schließlich eine dynamische, großflächige Überwachung der Bodengesundheit ermöglichen würde, die Landwirte und politische Entscheidungsträger benötigen, um das Land für die Zukunft zu schützen.