Der organische Kohlenstoff im Boden (SOC) ist ein wichtiger und zuverlässiger Indikator für die Bodenqualität. In dieser Studie wurden Bodenspektren charakterisiert und analysiert, um den räumlichen SOC-Gehalt mit Hilfe einer multivariaten prädiktiven Modellierungstechnik - einem künstlichen neuronalen Netz (ANN) - vorherzusagen.

Es wurden hyper-spektrale EO1-Hyperion-Bilder (400 - 2500 nm), Feld- und Labordatensätze (350 - 2500 nm) erstellt, die aus dem im Labor geschätzten SOC-Gehalt der gesammelten Bodenproben (abhängige Variable) und den entsprechenden Reflexionsdaten der SOC-empfindlichen Spektralbänder (prädiktive Variablen) bestehen. Für jeden Datensatz wurden ANN-Vorhersagemodelle entwickelt, und drei Datensätze (im Bildmaßstab, im Feldmaßstab und im Labormaßstab) zeigten signifikante Netzwerkleistungen für Training, Test und Validierung, was auf eine gute Netzwerkgeneralisierung für den SOC-Gehalt hinweist.

Die ANN-basierte Analyse zeigte eine hohe Vorhersage des SOC-Gehalts im Bild (R2 = 0,93 und RPD = 3,19), im Feld (R2 = 0,92 und RPD = 3,17) und im Labor (R2 = 0,95 und RPD = 3,16). Die Validierungsergebnisse der ANN zeigten, dass die Vorhersagemodelle gut funktionierten (R2 = 0,90) mit einem RMSE von 0,070.

Das Ergebnis zeigte, dass ANN-Methoden ein großes Potenzial für die Schätzung des SOC-Gehalts haben. .