@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}
}
@misc{BuecheleChaoOstermannetal.2019,
  author    = {B{\"u}chele, Dominique and Chao, Madlen and Ostermann, Markus and Leenen, Matthias and Bald, Ilko},
  title     = {Multivariate chemometrics as a key tool for prediction of K and Fe in a diverse German agricultural soil-set using EDXRF},
  series = {Postprints der Universit{\"a}t Potsdam Mathematisch-Naturwissenschaftliche Reihe},
  journal   = {Postprints der Universit{\"a}t Potsdam Mathematisch-Naturwissenschaftliche Reihe},
  number    = {784},
  issn      = {1866-8372},
  doi       = {10.25932/publishup-43998},
  url       = {http://nbn-resolving.de/urn:nbn:de:kobv:517-opus4-439988},
  pages     = {11},
  year      = {2019},
  abstract  = {Within the framework of precision agriculture, the determination of various soil properties is moving into focus, especially the demand for sensors suitable for in-situ measurements. Energy-dispersive X-ray fluorescence (EDXRF) can be a powerful tool for this purpose. In this study a huge diverse soil set (n = 598) from 12 different study sites in Germany was analysed with EDXRF. First, a principal component analysis (PCA) was performed to identify possible similarities among the sample set. Clustering was observed within the four texture classes clay, loam, silt and sand, as clay samples contain high and sandy soils low iron mass fractions. Furthermore, the potential of uni- and multivariate data evaluation with partial least squares regression (PLSR) was assessed for accurate determination of nutrients in German agricultural samples using two calibration sample sets. Potassium and iron were chosen for testing the performance of both models. Prediction of these nutrients in 598 German soil samples with EDXRF was more accurate using PLSR which is confirmed by a better overall averaged deviation and PLSR should therefore be preferred.},
  language  = {en}
}
@article{BuecheleChaoOstermannetal.2019,
  author    = {B{\"u}chele, Dominique and Chao, Madlen and Ostermann, Markus and Leenen, Matthias and Bald, Ilko},
  title     = {Multivariate chemometrics as a key tool for prediction of K and Fe in a diverse German agricultural soil-set using EDXRF},
  series = {Scientific Reports},
  volume    = {9},
  journal   = {Scientific Reports},
  publisher = {Macmillan Publishers Limited, part of Springer Nature},
  address   = {London},
  issn      = {2045-2322},
  doi       = {10.1038/s41598-019-53426-5},
  pages     = {11},
  year      = {2019},
  abstract  = {Within the framework of precision agriculture, the determination of various soil properties is moving into focus, especially the demand for sensors suitable for in-situ measurements. Energy-dispersive X-ray fluorescence (EDXRF) can be a powerful tool for this purpose. In this study a huge diverse soil set (n = 598) from 12 different study sites in Germany was analysed with EDXRF. First, a principal component analysis (PCA) was performed to identify possible similarities among the sample set. Clustering was observed within the four texture classes clay, loam, silt and sand, as clay samples contain high and sandy soils low iron mass fractions. Furthermore, the potential of uni- and multivariate data evaluation with partial least squares regression (PLSR) was assessed for accurate determination of nutrients in German agricultural samples using two calibration sample sets. Potassium and iron were chosen for testing the performance of both models. Prediction of these nutrients in 598 German soil samples with EDXRF was more accurate using PLSR which is confirmed by a better overall averaged deviation and PLSR should therefore be preferred.},
  language  = {en}
}