Refine
Year of publication
- 2020 (3) (remove)
Document Type
- Article (2)
- Doctoral Thesis (1)
Is part of the Bibliography
- yes (3)
Keywords
- LIBS (3) (remove)
Institute
- Institut für Chemie (3) (remove)
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.
In den letzten Jahrzehnten ist die Nachfrage nach kostengünstigen und flächendeckenden Kartierungsmöglichkeiten im Hinblick auf eine ertragssteigernde und umweltfreundlichere Bewirtschaftung von landwirtschaftlichen Nutzflächen stark gestiegen. Hierfür eignen sich spektroskopische Methoden wie die Röntgenfluoreszenzanalyse (RFA), Raman- und Gammaspektroskopie sowie die laserinduzierte Plasmaspektroskopie (LIBS). In Abhängigkeit von der Funktionsweise der jeweiligen Methoden werden Informationen zu verschiedensten Bodeneigenschaften wie Nährelementgehalt, Textur und pH-Wert erhalten.
Ziel dieser Arbeit ist die Entwicklung eines Online-LIBS-Verfahrens zur Nährelementbestimmmung und Kartierung von Ackerflächen. Die LIBS ist eine schnelle und simultane Multielementanalyse bei der durch das Fokussieren eines hochenergetischen Laserpulses Probenmaterial von der Probenoberfläche ablatiert wird und in ein Plasma überführt wird. Beim Abkühlen des Plasmas wird Strahlung emittiert, welche Rückschlüsse über die elementare Zusammensetzung der Probe gibt. Diese Arbeit ist im Teilprojekt I4S (Intelligenz für Böden) im Forschungsprogramm BonaRes (Boden als nachhaltige Ressource für die Bioökonomie) des Bundesministerium für Bildung und Forschung (BMBF) entstanden. Es wurden insgesamt 651 Bodenproben von verschiedenen Test-Agrarflächen unterschiedlichster Standorte Deutschlands gemessen, ausgewertet und zu Validierungszwecken mit entsprechender Referenzanalytik wie die Optische Emissionsspektroskopie mittels induktiv gekoppeltem Plasma (ICP-OES) und die wellenlängendispersive Röntgenfluoreszenzanalyse (WDRFA) charakterisiert.
Für die Quantifizierung wurden zunächst die Messparameter des LIBS-Systems auf die Bodenmatrix optimiert und für die Elemente geeignete Linien ausgewählt 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 eingeschränkt möglich ist. Bei Verwendung eines multivariaten Ansatz wie der Partial Least Squares Regression (PLSR) für die Kalibrierung konnten für die Nährelemente im Vergleich zur univariaten Variante Analyseergebnisse mit höherer Güte und geringeren Messunsicherheiten ermittelt werden. Die Untersuchungen haben gezeigt, dass das multivariate Modell weiter verbessert werden kann, indem mit einer Vielzahl von gut analysierten Böden verschiedener Standorte, Bodenarten und einem breiten Gehaltsbereich kalibriert wird. Mithilfe der Hauptkomponentenanalyse (PCA) wurde eine Klassifizierung der Böden nach der Textur realisiert. Weiterhin wurde auch eine Kalibrierung mit losem Bodenmaterial erstellt. Trotz der Signalabnahme konnten für die verschiedenen Nährelemente Kalibriergeraden mit ausreichender, analytischer Güte erstellt werden.
Für den Einsatz auf dem Acker wurde außerdem der Einfluss von Korngröße und Feuchtigkeit auf das LIBS-Signal untersucht. Die unterschiedlichen Korngrößen haben nur einen geringen Einfluss auf das LIBS-Signal und das Kalibriermodell lässt sich durch entsprechende Proben leicht anpassen. Dagegen ist der Einfluss der Feuchtigkeit deutlich stärker und hängt stark von der Bodenart ab, sodass für jede Bodenart ein separates Kalibriermodell für verschiedene Feuchtigkeitsgehalte erstellt werden muss. Mithilfe der PCA kann der Feuchtigkeitsgehalt im Boden grob abgeschätzt werden und die entsprechende Kalibrierung ausgewählt werden.
Diese Arbeit liefert essentielle Informationen für eine Echtzeit-Analyse von Nährelementen auf dem Acker mittels LIBS und leistet einen wichtigen Beitrag zu einer fortschrittlichen und zukunftsfähigen Nutzung von Ackerflächen.
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.