Entwicklungspotenzial für optoelektronische Verfahren im ortsspezifischen InputManagement. Prof.Dr. Bernd Dohmen, Ulrich Wagner

Transkript

1 Entwicklungspotenzial für optoelektronische Verfahren im ortsspezifischen InputManagement Prof.Dr. Bernd Dohmen, Ulrich Wagner

2 Auf was die Bauern verzichten, wenn Sie Nährstoffmangel nicht beseitigen Gehaltsklasse Phosphor Kali Blattfrüchte Getreide Blattfrüchte Getreide A B C D Dies sind bei heutigen Getreidepreisen und einem Durchschnittsertrag von 70 dt/ha zwischen E 175 bis zu Euro/ha Einnahmeverzicht 0 in unterversorgten 3 Zonen (A/B) 2 Relative Mehrerträge [%] durch Phosphor- bzw. Kali-Düngung Quelle: Kerschberger

3 Ziel unserer Entwicklungsansätze: Mangel und Überfluss räumlich genau und kostengünstig zu definieren! Die richtige Karte (Map) ist das PF-Element der Zukunft! B und A = Mangelversorgung mit Nährstoff X

4 Was man der Medizin so abgucken kann?? Scannen Warum ist die Spektralanalyse für die Problemlösung so wichtig? 1. Wo ist der limitierende Faktor? (Lokalisierung) 2. Was limitiert die Ertragsbildung (Spezifizierung)

5 Unsere Problemlösungen für eine gezielte Ausbringung Karten von AGRO-SAT AgroXML ISOXML In den nächsten 5 Jahren werden über 50% der Düngerstreuer und Pflanzenschutzspritzen mit VRT* ausgestattet. Die Landwirte können und wollen dann variabel düngen, aber wer bietet Ihnen für Grunddüngung die richtigen Karten an? VRT = Variable Rate Technology (Variable Ausbringunssteuerung)

6 Lösungsansätze Optoelektronische Entwicklungsoptionen für den effizienten Einsatz von knappen Düngemitteln 1. Multispektraler Ansatz (via Satellit) - Multitemporale Spektralmodelle - IRS P6 - RapidEye 2. Hyperspektraler Ansatz 2.1: Flugzeug - Hpyerspektralkamera - Multi-Spektrometer 2.2: Terrestrisch - Spektrometer (als Auge )

7 Unsere Wachstumskarten aus multitemporalen Satellitendaten T1 (4/05) T2 (6/05) T3 (4/06) T4 (6/06) T5 (4/07) T6 (6/07) Satellitenbilder T1 - T6 Wo im Schlag wächst etwas immer schlecht bzw. besonders gut?

8 Spektroskopie - Physikalische Grundlagen Jede Substanz hat ganz charakteristische Eigenschaften, wenn man sie mit Licht bestrahlt. Diese sind für jeden Stoff so spezifisch wie ein Fingerabdruck. Das bedeutet, dass man anhand des Lichtspektrums, das eine Probe bei Bestrahlung abgibt, erkennen kann, welche Stoffe in welcher Menge in ihr enthalten sind. Wellenlänge (µm) Aktionsmechanismus Pflanzenkomponente 0,43 m) Elektronenübergang Chlorophyll a (Mg und N) 0,46 Elektronenübergang Chlorophyll b (Mg und N) 0,64 Elektronenübergang Chlorophyll b (Mg und N) 0,66 Elektronenübergang Chlorophyll a (Mg und N) 0,91 C-H Dehnung, 3.Oberschwingung Protein 0,93 C-H Dehnung, 3.Oberschwingung Fettsäuren 0,97 O-H Krümmung, 1.Oberschwingung Wasser, Stärke 0,99 C-H Dehnung, 2.Oberschwingung Stärke 1,02 N-H Dehnung Protein 1,04 C-H Dehnung, C-H Verformung Fettsäuren 1,12 C-H Dehnung, 2.Oberschwingung Lignin (Holzstoff ->K) Was man im VIS/NIR so alles sehen kann

9 Grundprinzip des Digital Imaging Grundschritte: 1. Scannen des Feldes (Rasterung in Pixel) 2. Quantisierung der Reflexion (Grauwertkodierung) 3. Prozessierung (Auswertung nach Allgorithmen) Grauwerte: 255 (8 Bit) (14 Bit) Beim Spektrometereinsatz hat man nur 1 Pixel je Aufnahme Hyperspektralbild: - 14 Bit, Kanäle ( µ)

10 Wie wird zukünftig appliziert? Moderne Schlepper können heute fast alles, außer sehen CropScan - Damit Sie sehen was, was andere nicht sehen!

11 Methodenbeschreibung Zur Methode: Multiple Regressionsanalyse: Die multiple Regressionsrechnung hat die Aufgabe, den Zusammenhang zwischen mehr als zwei Variablen zu beschreiben und damit zu prognostischen Aussagen für eine als abhängig angesehene Variable Y zu gelangen, von der unterstellt wird, daß sie nicht nur von X 1, sondern auch von X 2 und eventuell weiteren Variablen abhängt. In unserem Ansatz wird davon ausgegangen, dass zwischen dem Nährstoffgehalt Y in einer Pflanze und dem von ihr reflektierten Licht ein nicht zufälliger funktionaler Zusammenhang besteht.

12 Methodenbeschreibung Nährstoffgehalt Y = Funktion von Spektralderivaten X i Spektralderivate sind Werte, die aus den originalen Reflexionswerten (Rohdaten) abgeleitet sind. Zu lösen ist also folgendes mathematische Problem: Y = A + b 1 *X 1 + b 2 *X b n *X n + E Y = Wert der vorhergesagten abhängigen Variable A = Regressionskonstante (Intercept) X = Unabhängige Variablen b = Regressionskoeffizient der jeweiligen Variable X n = Anzahl der unabhängigen Variablen E = Restfehler (resultierend aus der nicht erklärten Varianz) Ein Maß für den prädiktiven Wert eines multiplen linearen Regressionsmodells ist das multiple Bestimmtheitsmaß R 2. Es gibt den Anteil der Varianz der Zielvariablen an, der durch alle erklärenden Variablen im multiplen Regressionsmodell gemeinsam erklärt werden kann.

13 Ergebnisse

14 Ergebnisse

15 Ergebnisse

16 Ergebnisse

17 Bewertung der Ergebnisse Ein limitierender Faktor bei der Anwendung multipler Regressionsmodelle ist in der Praxis häufig der Stichprobenumfang. Als praktische Faustregel gilt, dass man in einer multiplen linearen Regression pro Modellparameter mindestens 10 Beobachtungen benötigt, um ein einigermaßen stabiles Modell zu erhalten. Die hätte bedeutet, dass wir je Untersuchungsregion mindestens 40 bis 60 Messpunkte benötig hätten. Wir haben darauf im Versuchsdesign aus Kostengründen bewusst verzichtet, um zunächst überhaupt eine Vorstellung zu bekommen, ob der Ansatz in möglichst vielen klimatisch unterschiedlichen Regionen Aussicht auf Erfolg hat!

18 Bewertung der Ergebnisse Um die eventuelle Zufälligkeit unserer Ergebnisse zu testen, haben wir ein Simulationsmodell aufgebaut (Monte Carlo Ansatz), in dem die tatsächliche Verteilung der Nährstoffgehalte in einer Region stochastisch simuliert wird und mit den realen Spektralwerten im Regressionsprogramm analysiert wird. Wenn unsere Ergebnisse zufällig wären, dann müsste es gelingen, zwischen einem realen Spektrum und einer Zufallszahlenreihe für Y relativ einfach eine Regressionsgleichung zu finden. Die Ergebnisse der Simulationen zeigen, dass tatsächlich mit 10-20%iger Wahrscheinlichkeit Zufallskorrelationen zustande kommen können. Man wird also sehr viel Arbeit in eine regionale und phänologisch passende Kalibrierung derartiger Spektralmodelle stecken müssen und diese laufend kontrollieren und ggf. aktualisieren müssen!

19 Nicht Glück mein Lieber, sondern präzise Düngung (Die dümmsten Bauern haben doch nicht die dicksten Kartoffeln)