Präsentation
Filtern
Erscheinungsjahr
- 2017 (4) (entfernen)
Dokumenttyp
- Posterpräsentation (3)
- Vortrag (1)
Referierte Publikation
- nein (4)
Schlagworte
- PCA (4) (entfernen)
Eingeladener Vortrag
- nein (1)
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.
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. So wären Untersuchungen in engmaschigen, dynamischen Rastern und schnelle Analysen großer Flächen möglich, um höhere Erträge zu erwirtschaften.
Einer dieser Sensoren, auf dessen Grundlage ein robustes Online-Verfahren zur Bestimmung der Makro- und Mikronährstoffe, wie Ca, K und Mn in Böden entwickelt werden soll, ist die Röntgenfluoreszenzanalyse (RFA). Die RFA eignet sich vor allem durch ihre schnelle, kontaktlose, simultane Multielementanalyse und wird bereits zur Bestimmung von Schwermetallen in Böden eingesetzt. Ein weiterer Vorteil der RFA ist die geringe Probenvorbereitung. 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.
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.
Matrix-assisted laser desorption ionization time of flight mass spectrometry (MALDI-TOF MS) is a well-implemented analytical technique for the investigation of complex biological samples. In MS, the sample preparation strategy is decisive for the success of the measurements. Here, sample preparation processes and target materials for the investigation of different pollen grains are compared. A reduced and optimized sample preparation process prior to MALDI-TOF measurement is presented using conductive carbon tape as target. The application of conductive tape yields in enhanced absolute signal intensities and mass spectral pattern information, which leads to a clear separation in subsequent pattern analysis
Anemophilous plants produce pollen grains, which have to be monitored to provide a national information network for persons suffering from an allergy. The current conventional characterization and identification of pollen is performed by time-consuming microscopic examinations based on the genus-specific pollen shape and size. These examinations need proficient researchers, are not statistically validated, and additionally rely on relatively inaccurate observations of the pollination process.
A variety of spectroscopic and spectrometric approaches have been proposed to develop a fast and reliable pollen identification using specific molecular information. Amongst them, matrix-assisted laser desorption/ionization time-of-flight mass spectrometry (MALDI-TOF MS) was recently applied for the rapid investigation of such complex biological samples. The combination of obtained peak patterns from pollen mass spectra and multivariate statistic provide a powerful tool for identifying taxonomic relationships. A novel application based on the use of conductive carbon tape as MALDI target simplified the sample preparation and yielded enhanced the quality of the mass spectra. This led to a sufficient statistical analysis of the MS pattern, which is important when identify pollen grains in natural species mixtures.
Based on this approach, promising results could be obtained by MALDI-TOF MS imaging (MSI) of artificial pollen mixtures followed by multivariate analysis. Of special interest is here the determination of the detection limit (number of pollen grains). Therefore, different pollen grain compositions were investigated for quantitative profiling of each individual pollen species within these complex mixtures. Our results can be used to improve the taxonomic differentiation and identification of pollen species and might be useful for the development of a routine method to identify pollen based on imaging mass spectrometry.