@phdthesis{Erler2020,
  author    = {Erler, Alexander},
  title     = {Entwicklung von online-Detektionsverfahren f{\"u}r landwirtschaftlich relevante Analyten},
  doi       = {10.25932/publishup-47340},
  url       = {http://nbn-resolving.de/urn:nbn:de:kobv:517-opus4-473406},
  school      = {Universit{\"a}t Potsdam},
  pages     = {viii, 123},
  year      = {2020},
  abstract  = {Die Entwicklung nachhaltiger Bewirtschaftungs- und Produktionsmethoden ist eine der zentralen Fragestellungen der modernen Agrarwirtschaft. Die vorliegende Arbeit besch{\"a}ftigt sich mit zwei Forschungsthemen, die das Konzept Nachhaltigkeit beinhalten. In beiden F{\"a}llen werden analytische Grundlagen f{\"u}r die Entwicklung entsprechender landwirtschaftlicher Arbeitsmethoden gelegt. Das erste Thema ist an den sogenannten Pr{\"a}zisionsackerbau angelehnt. Bei diesem wird die Bearbeitung von Agrarfl{\"a}chen ortsabh{\"a}ngig ausgef{\"u}hrt. Das heißt, die Ausbringung von Saatgut, D{\"u}nger, Bew{\"a}sserung usw. richtet sich nach den Eigenschaften des jeweiligen Standortes und wird nicht pauschal gleichm{\"a}ßig {\"u}ber ein ganzes Feld verteilt. Voraussetzung hierf{\"u}r ist eine genaue Kenntnis der Bodeneigenschaften. In der vorliegenden Arbeit sollten diese Parameter mittels der analytischen Technik der Laser-induzierten Breakdown Spektroskopie (LIBS), die eine Form der Elementaranalyse darstellt, bestimmt werden. Bei den hier gesuchten Bodeneigenschaften handelte es sich um die Gehalte von N{\"a}hrstoffen sowie einige sekund{\"a}re Parameter wie den Humusanteil, den pH-Wert und den pflanzenverf{\"u}gbaren Anteil einzelner N{\"a}hrstoffe. Diese Eigenschaften wurden durch etablierte Referenzanalysen bestimmt. Darauf aufbauend wurden die Messergebnissen der LIBS-Untersuchungen durch verschiedene Methoden der sogenannten multivariaten Datenanalyse (MVA) ausgewertet. Daraus sollten Modelle zur Vorhersage der Bodenparameter in zuk{\"u}nftigen LIBS-Messungen erarbeitet werden. Die Ergebnisse dieser Arbeit zeigten, dass mit der Kombination von LIBS und MVA s{\"a}mtliche Bodenparameter erfolgreich vorhergesagt werden konnten. Dies beinhaltete sowohl die tats{\"a}chlich messbaren Elemente als auch die sekund{\"a}ren Eigenschaften, welche durch die MVA mit den Elementgehalten in Zusammenhang gebracht wurden. Das zweite Thema besch{\"a}ftigt sich mit der Vermeidung von Verlusten durch Sch{\"a}dlingsbefall bei der Getreidelagerung. Hier sollten mittels der Ionenmobilit{\"a}tsspektrometrie (IMS) Schimmelpilzkontaminationen detektiert werden. Dabei wurde nach den fl{\"u}chtigen Stoffwechselprodukten der Pilze gesucht. Die durch Referenzmessungen mit Massenspektrometern identifizierten Substanzen konnten durch IMS im Gasvolumen {\"u}ber den Proben, dem sogenannten Headspace, nachgewiesen werden. Dabei wurde nicht nur die Anwesenheit einer Kontamination festgestellt, sondern diese auch charakterisiert. Die freigesetzten Substanzen bildeten spezifische Muster, anhand derer die Pilze identifiziert werden konnten. Hier wurden sowohl verschiedene Gattungen als auch einzelne Arten unterschieden. Die Messungen fanden auf verschiedenen N{\"a}hrb{\"o}den statt um den Einfluss dieser auf die Stoffwechselprodukte zu beobachten. Auch die sekund{\"a}ren Stoffwechselprodukte der Schimmelpilze, die Mykotoxine, konnten durch IMS detektiert werden. Beide in dieser Arbeit vorgestellten Forschungsthemen konnten erfolgreich abgeschlossen werden. Sowohl LIBS als auch IMS erwiesen sich f{\"u}r den Nachweis der jeweiligen Analyten als geeignet, und der Einsatz moderner computergest{\"u}tzter Auswertemethoden erm{\"o}glichte die genaue Charakterisierung der gesuchten Parameter. Beide Techniken k{\"o}nnen in Form von mobilen Ger{\"a}ten verwendet werden und zeichnen sich durch eine schnelle und sichere Analyse aus. In Kombination mit entsprechenden Modellen der MVA sind damit alle Voraussetzungen f{\"u}r Vor-Ort-Untersuchungen und damit f{\"u}r den Einsatz in der Landwirtschaft erf{\"u}llt.},
  language  = {de}
}
@misc{RiebeErlerBrinkmannetal.2019,
  author    = {Riebe, Daniel and Erler, Alexander and Brinkmann, Pia and Beitz, Toralf and L{\"o}hmannsr{\"o}ben, Hans-Gerd and Gebbers, Robin},
  title     = {Comparison of Calibration Approaches in Laser-Induced Breakdown Spectroscopy for Proximal Soil Sensing in Precision Agriculture},
  series = {Postprints der Universit{\"a}t Potsdam Mathematisch-Naturwissenschaftliche Reihe},
  journal   = {Postprints der Universit{\"a}t Potsdam Mathematisch-Naturwissenschaftliche Reihe},
  number    = {786},
  issn      = {1866-8372},
  doi       = {10.25932/publishup-44007},
  url       = {http://nbn-resolving.de/urn:nbn:de:kobv:517-opus4-440079},
  pages     = {16},
  year      = {2019},
  abstract  = {The lack of soil data, which are relevant, reliable, affordable, immediately available, and sufficiently detailed, is still a significant challenge in precision agriculture. A promising technology for the spatial assessment of the distribution of chemical elements within fields, without sample preparation is laser-induced breakdown spectroscopy (LIBS). Its advantages are contrasted by a strong matrix dependence of the LIBS signal which necessitates careful data evaluation. In this work, different calibration approaches for soil LIBS data are presented. The data were obtained from 139 soil samples collected on two neighboring agricultural fields in a quaternary landscape of northeast Germany with very variable soils. Reference analysis was carried out by inductively coupled plasma optical emission spectroscopy after wet digestion. The major nutrients Ca and Mg and the minor nutrient Fe were investigated. Three calibration strategies were compared. The first method was based on univariate calibration by standard addition using just one soil sample and applying the derived calibration model to the LIBS data of both fields. The second univariate model derived the calibration from the reference analytics of all samples from one field. The prediction is validated by LIBS data of the second field. The third method is a multivariate calibration approach based on partial least squares regression (PLSR). The LIBS spectra of the first field are used for training. Validation was carried out by 20-fold cross-validation using the LIBS data of the first field and independently on the second field data. The second univariate method yielded better calibration and prediction results compared to the first method, since matrix effects were better accounted for. PLSR did not strongly improve the prediction in comparison to the second univariate method.},
  language  = {en}
}
@misc{ErlerRiebeBeitzetal.2019,
  author    = {Erler, Alexander and Riebe, Daniel and Beitz, Toralf and L{\"o}hmannsr{\"o}ben, Hans-Gerd and Gebbers, Robin},
  title     = {Soil Nutrient Detection for Precision Agriculture Using Handheld Laser-Induced Breakdown Spectroscopy (LIBS) and Multivariate Regression Methods (PLSR, Lasso and GPR)},
  series = {Postprints der Universit{\"a}t Potsdam : Mathematisch-Naturwissenschaftliche Reihe},
  journal   = {Postprints der Universit{\"a}t Potsdam : Mathematisch-Naturwissenschaftliche Reihe},
  number    = {815},
  issn      = {1866-8372},
  doi       = {10.25932/publishup-44418},
  url       = {http://nbn-resolving.de/urn:nbn:de:kobv:517-opus4-444183},
  pages     = {19},
  year      = {2019},
  abstract  = {Precision agriculture (PA) strongly relies on spatially differentiated sensor information. Handheld instruments based on laser-induced breakdown spectroscopy (LIBS) are a promising sensor technique for the in-field determination of various soil parameters. In this work, the potential of handheld LIBS for the determination of the total mass fractions of the major nutrients Ca, K, Mg, N, P and the trace nutrients Mn, Fe was evaluated. Additionally, other soil parameters, such as humus content, soil pH value and plant available P content, were determined. Since the quantification of nutrients by LIBS depends strongly on the soil matrix, various multivariate regression methods were used for calibration and prediction. These include partial least squares regression (PLSR), least absolute shrinkage and selection operator regression (Lasso), and Gaussian process regression (GPR). The best prediction results were obtained for Ca, K, Mg and Fe. The coefficients of determination obtained for other nutrients were smaller. This is due to much lower concentrations in the case of Mn, while the low number of lines and very weak intensities are the reason for the deviation of N and P. Soil parameters that are not directly related to one element, such as pH, could also be predicted. Lasso and GPR yielded slightly better results than PLSR. Additionally, several methods of data pretreatment were investigated.},
  language  = {en}
}