@article{WojcikBrinkmannZduneketal.2020,
  author    = {Wojcik, Michal and Brinkmann, Pia and Zdunek, Rafał and Riebe, Daniel and Beitz, Toralf and Merk, Sven and Cieslik, Katarzyna and Mory, David and Antonczak, Arkadiusz},
  title     = {Classification of copper minerals by handheld laser-induced breakdown spectroscopy and nonnegative tensor factorisation},
  series = {Sensors},
  volume    = {20},
  journal   = {Sensors},
  number    = {18},
  publisher = {MDPI},
  address   = {Basel},
  issn      = {1424-8220},
  doi       = {10.3390/s20185152},
  pages     = {17},
  year      = {2020},
  abstract  = {Laser-induced breakdown spectroscopy (LIBS) analysers are becoming increasingly common for material classification purposes. However, to achieve good classification accuracy, mostly noncompact units are used based on their stability and reproducibility. In addition, computational algorithms that require significant hardware resources are commonly applied. For performing measurement campaigns in hard-to-access environments, such as mining sites, there is a need for compact, portable, or even handheld devices capable of reaching high measurement accuracy. The optics and hardware of small (i.e., handheld) devices are limited by space and power consumption and require a compromise of the achievable spectral quality. As long as the size of such a device is a major constraint, the software is the primary field for improvement. In this study, we propose a novel combination of handheld LIBS with non-negative tensor factorisation to investigate its classification capabilities of copper minerals. The proposed approach is based on the extraction of source spectra for each mineral (with the use of tensor methods) and their labelling based on the percentage contribution within the dataset. These latent spectra are then used in a regression model for validation purposes. The application of such an approach leads to an increase in the classification score by approximately 5\% compared to that obtained using commonly used classifiers such as support vector machines, linear discriminant analysis, and the k-nearest neighbours algorithm.},
  language  = {en}
}
@phdthesis{Chao2020,
  author    = {Chao, Madlen},
  title     = {Entwicklung und Validierung eines Online-LIBS-Verfahrens f{\"u}r die Bestimmung von N{\"a}hrelementen in B{\"o}den},
  doi       = {10.25932/publishup-47677},
  url       = {http://nbn-resolving.de/urn:nbn:de:kobv:517-opus4-476772},
  school      = {Universit{\"a}t Potsdam},
  pages     = {XII, 130},
  year      = {2020},
  abstract  = {In den letzten Jahrzehnten ist die Nachfrage nach kosteng{\"u}nstigen und fl{\"a}chendeckenden Kartierungsm{\"o}glichkeiten im Hinblick auf eine ertragssteigernde und umweltfreundlichere Bewirtschaftung von landwirtschaftlichen Nutzfl{\"a}chen stark gestiegen. Hierf{\"u}r eignen sich spektroskopische Methoden wie die R{\"o}ntgenfluoreszenzanalyse (RFA), Raman- und Gammaspektroskopie sowie die laserinduzierte Plasmaspektroskopie (LIBS). In Abh{\"a}ngigkeit von der Funktionsweise der jeweiligen Methoden werden Informationen zu verschiedensten Bodeneigenschaften wie N{\"a}hrelementgehalt, Textur und pH-Wert erhalten. Ziel dieser Arbeit ist die Entwicklung eines Online-LIBS-Verfahrens zur N{\"a}hrelementbestimmmung und Kartierung von Ackerfl{\"a}chen. Die LIBS ist eine schnelle und simultane Multielementanalyse bei der durch das Fokussieren eines hochenergetischen Laserpulses Probenmaterial von der Probenoberfl{\"a}che ablatiert wird und in ein Plasma {\"u}berf{\"u}hrt wird. Beim Abk{\"u}hlen des Plasmas wird Strahlung emittiert, welche R{\"u}ckschl{\"u}sse {\"u}ber die elementare Zusammensetzung der Probe gibt. Diese Arbeit ist im Teilprojekt I4S (Intelligenz f{\"u}r B{\"o}den) im Forschungsprogramm BonaRes (Boden als nachhaltige Ressource f{\"u}r die Bio{\"o}konomie) des Bundesministerium f{\"u}r Bildung und Forschung (BMBF) entstanden. Es wurden insgesamt 651 Bodenproben von verschiedenen Test-Agrarfl{\"a}chen unterschiedlichster Standorte Deutschlands gemessen, ausgewertet und zu Validierungszwecken mit entsprechender Referenzanalytik wie die Optische Emissionsspektroskopie mittels induktiv gekoppeltem Plasma (ICP-OES) und die wellenl{\"a}ngendispersive R{\"o}ntgenfluoreszenzanalyse (WDRFA) charakterisiert. F{\"u}r die Quantifizierung wurden zun{\"a}chst die Messparameter des LIBS-Systems auf die Bodenmatrix optimiert und f{\"u}r die Elemente geeignete Linien ausgew{\"a}hlt sowie deren Nachweisgrenzen bestimmt. Es hat sich gezeigt, dass eine absolute Quantifizierung basierend auf einem univariaten Ansatz aufgrund der starken Matrixeffekte und der schlechten Reproduzierbarkeit des Plasmas nur eingeschr{\"a}nkt m{\"o}glich ist. Bei Verwendung eines multivariaten Ansatz wie der Partial Least Squares Regression (PLSR) f{\"u}r die Kalibrierung konnten f{\"u}r die N{\"a}hrelemente im Vergleich zur univariaten Variante Analyseergebnisse mit h{\"o}herer G{\"u}te und geringeren Messunsicherheiten ermittelt werden. Die Untersuchungen haben gezeigt, dass das multivariate Modell weiter verbessert werden kann, indem mit einer Vielzahl von gut analysierten B{\"o}den verschiedener Standorte, Bodenarten und einem breiten Gehaltsbereich kalibriert wird. Mithilfe der Hauptkomponentenanalyse (PCA) wurde eine Klassifizierung der B{\"o}den nach der Textur realisiert. Weiterhin wurde auch eine Kalibrierung mit losem Bodenmaterial erstellt. Trotz der Signalabnahme konnten f{\"u}r die verschiedenen N{\"a}hrelemente Kalibriergeraden mit ausreichender, analytischer G{\"u}te erstellt werden. F{\"u}r den Einsatz auf dem Acker wurde außerdem der Einfluss von Korngr{\"o}ße und Feuchtigkeit auf das LIBS-Signal untersucht. Die unterschiedlichen Korngr{\"o}ßen haben nur einen geringen Einfluss auf das LIBS-Signal und das Kalibriermodell l{\"a}sst sich durch entsprechende Proben leicht anpassen. Dagegen ist der Einfluss der Feuchtigkeit deutlich st{\"a}rker und h{\"a}ngt stark von der Bodenart ab, sodass f{\"u}r jede Bodenart ein separates Kalibriermodell f{\"u}r verschiedene Feuchtigkeitsgehalte erstellt werden muss. Mithilfe der PCA kann der Feuchtigkeitsgehalt im Boden grob abgesch{\"a}tzt werden und die entsprechende Kalibrierung ausgew{\"a}hlt werden. Diese Arbeit liefert essentielle Informationen f{\"u}r eine Echtzeit-Analyse von N{\"a}hrelementen auf dem Acker mittels LIBS und leistet einen wichtigen Beitrag zu einer fortschrittlichen und zukunftsf{\"a}higen Nutzung von Ackerfl{\"a}chen.},
  language  = {de}
}
@article{ErlerRiebeBeitzetal.2020,
  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 = {Sensors},
  volume    = {20},
  journal   = {Sensors},
  number    = {2},
  publisher = {MDPI},
  address   = {Basel},
  issn      = {1424-8220},
  doi       = {10.3390/s20020418},
  pages     = {17},
  year      = {2020},
  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}
}