Kartierung des organischen Kohlenstoffs im Boden mittels hyperspektraler Fernerkundung und ANN

Der organische Kohlenstoff im Boden (SOC) ist ein wichtiger und zuverl ssiger Indikator f r die Bodenqualit t. In dieser Studie wurden Bodenspektren charakterisiert und analysiert, um den r umlichen SOC-Gehalt mit Hilfe einer multivariaten pr diktiven Modellierungstechnik - einem k nstlichen neuronalen Netz (ANN) - vorherzusagen. Es wurden hyper-spektrale EO1-Hyperion-Bilder (400 - 2500 nm), Feld- und Labordatens tze (350 - 2500 nm) erstellt, die aus dem im Labor gesch tzten SOC-Gehalt der gesammelten Bodenproben (abh ngige Variable) und den entsprechenden Reflexionsdaten der SOC-empfindlichen Spektralb nder (pr diktive Variablen) bestehen. F r jeden Datensatz wurden ANN-Vorhersagemodelle entwickelt, und drei Datens tze (im Bildma stab, im Feldma stab und im Laborma stab) zeigten signifikante Netzwerkleistungen f r Training, Test und Validierung, was auf eine gute Netzwerkgeneralisierung f r 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 gro es Potenzial f r die Sch tzung des SOC-Gehalts haben.