TY - CONF A1 - Büchele, Dominique A1 - Rühlmann, Madlen A1 - Ostermann, Markus A1 - Schmid, Thomas T1 - Herausforderungen bei der Quantifizierung von Nährstoffgehalten in Böden mittels RFA N2 - Mit wachsenden Bevölkerungszahlen steigt auch der Rohstoffkonsum, und der nachhaltigere und effizientere Umgang mit knappen Ressourcen wie Wasser und Boden rückt in den Fokus. Im Rahmen der vom Bundesministerium für Bildung und Forschung (BMBF) geförderten Forschungsinitiative BonaRes werden Strategien entwickelt, um Boden als nachhaltige Ressource in der Bioökonomie zu nutzen. Das interdisziplinäre Teilprojekt I4S – Intelligence for soil – ist dabei für die Entwicklung eines integrierten Systems zum ortsspezifischen Management der Bodenfruchtbarkeit zuständig. Hierfür wird eine Plattform gebaut, auf der verschiedene Sensoren installiert werden sollen, deren in Echtzeit erhaltene Messdaten in Modelle und Entscheidungsalgorithmen zur Steuerung der Düngung und dementsprechend Verbesserung der Bodenfunktionen einfließen sollen. Einer dieser Sensoren, auf dessen Grundlage ein robustes Online-Verfahren zur Bestimmung der Makro- und Mikronährstoffe, wie Ca oder K in Böden entwickelt werden soll, ist die Röntgenfluoreszenzanalyse (RFA). Um Messungen auf einem Feld zu simulieren, wurde in einen Laboraufbau ein Probenteller installiert, der sich bei verschiedenen Winkelgeschwindigkeiten bewegen lässt und so dynamisches Messen der als Spur aufgetragenen Probe ermöglicht. So kann der Aufwand der Probenvorbereitung minimiert werden. Gerade bei einer komplexen Matrix wie Boden, die eine breite Elementverteilung aufweist, ist die Datenauswertung ein wichtiger Faktor. Die bisher verwendete univariate Datenanalyse liefert gute Ergebnisse und zeigt, dass durch Kalibrierung der RFA mit 14 Referenzmaterialien große Ackerflächen ausgewertet werden können. Dies funktioniert aber nur, solange die Elementgehalte der Proben mit denen der Referenzmaterialien vergleichbar sind. Die zusätzlich verwendete multivariate Datenanalyse bietet hingegen die Möglichkeit, Modellrechnungen der Böden durchzuführen und Böden mithilfe der Hauptkomponentenanalyse (PCA) besser zu klassifizieren. Des Weiteren können basierend auf der Partial Least Squares Regression (PLSR) Kalibriermodelle erstellt werden, welche Prognosen zu den Elementgehalten unbekannter Ackerböden ermöglichen. Zusätzlich bietet die multivariate Datenanalyse die Möglichkeit, Störgrößen wie unterschiedliche Korngrößenverteilung und Feuchtigkeitsgrad der Probe in das Modell miteinzubeziehen. Beide Auswertemethoden sollen anhand statisch gemessener Proben verglichen werden und durch Messung einer Vielzahl realer Bodenproben von unterschiedlichen Standorten erweitert werden. Im weiteren Verlauf müssen beide Modelle auf dynamisch bewegte Proben übertragen werden. T2 - PRORA CY - Berlin, Germany DA - 30.11.2017 KW - RFA KW - Boden KW - Nährstoffe KW - PCA KW - PLSR PY - 2017 AN - OPUS4-43159 LA - deu AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER -