Kartierung des organischen Kohlenstoffs im Boden mittels hyperspektraler Fernerkundung und ANN

Der organische Kohlenstoff im Boden (SOC) ist ein wichtiger und zuverlässiger Indikator für die Bodenqualität. In dieser Studie wurden Bodenspektren charakterisiert und analysiert, um den räumlichen SOC-Gehalt mit Hilfe einer multivariaten prädiktiven Modellierungstechnik - einem künstlichen neuronalen Netz (ANN) - vorherzusagen. Es wurden hyper-spektrale EO1-Hyperion-Bilder (400 - 2500 nm), Feld- und Labordatensätze (350 - 2500 nm) erstellt, die aus dem im Labor geschätzten SOC-Gehalt der gesammelten Bodenproben (abhängige Variable) und den entsprechenden Reflexionsdaten der SOC-empfindlichen Spektralbänder (prädiktive Variablen) bestehen. Für jeden Datensatz wurden ANN-Vorhersagemodelle entwickelt, und drei Datensätze (im Bildmaßstab, im Feldmaßstab und im Labormaßstab) zeigten signifikante Netzwerkleistungen für Training, Test und Validierung, was auf eine gute Netzwerkgeneralisierung für den SOC-Gehalt hinweist. Die ANN-basierte Analyse zeigte eine hohe Vorhersage des SOC-Gehalts im Bild (R2 = 0,93 und RPD = 3,19), im Feld (R2 = 0,92 und RPD = 3,17) und im Labor (R2 = 0,95 und RPD = 3,16). Die Validierungsergebnisse der ANN zeigten, dass die Vorhersagemodelle gut funktionierten (R2 = 0,90) mit einem RMSE von 0,070. Das Ergebnis zeigte, dass ANN-Methoden ein großes Potenzial für die Schätzung des SOC-Gehalts haben.