TY - THES A1 - Chandran, Akhil T1 - Soil organic carbon estimation using proximal and remote sensing at field-scale level N2 - Soil organic carbon (SOC) is an important environmental factor that impacts soil quality and function, global food security, and efforts to mitigate climate change. It is essential to accurately estimate and predict SOC levels on a large scale. While spectroscopy through proximal sensing is effective in accurately predicting SOC levels, its limitation in estimating SOC on a large spatial scale is a concern. Hence, there is a need for faster and more cost-effective techniques for quantifying SOC content. Recent research has proposed the use of remote sensing (RS) methods as a potential solution. The main objective of this research was to assess and compare the proximal soil sensing (field spectroscopy measurements) in monitoring and estimating SOC levels with data obtained from spaceborne Unmanned Aerial Vehicle (UAV) and Sentinel-2A on an agricultural field. To improve the accuracy of the RS methods (UAV and Sentinel-2A) in predicting SOC levels, nine spectral indices were created. The modelling process involved the use of different bands and wavelengths, specifically four bands for UAV and eight for Sentinel-2A. In addition, the computed spectral indices were used as independent variables to create prediction models for soil content, Random Forest (RF) model is trained with 90 soil samplings collected from the field, and validated by ten-fold cross-validation. Prior to conducting the SOC predictions, the study investigated the covariate importance. The models created from proximal sensing data had better accuracy in making predictions with the help of RF compared to the other two methods. The study demonstrated that proximal and remote sensing technologies can be exploited efficiently for SOC prediction. N2 - Węgiel organiczny w glebie (SOC) jest ważnym czynnikiem środowiskowym, który wpływa na jakość i funkcje gleby, globalne bezpieczeństwo żywnościowe oraz wysiłki zmierzające do złagodzenia zmian klimatu. Niezbędne jest dokładne oszacowanie i przewidzenie poziomów SOC na dużą skalę. Podczas gdy spektroskopia poprzez proksymalną detekcję jest skuteczna w dokładnym przewidywaniu poziomów SOC, jej ograniczenia w szacowaniu SOC na dużą skalę przestrzenną są niepokojące. Dlatego też istnieje potrzeba szybszych i bardziej opłacalnych technik ilościowego określania zawartości SOC. W ostatnich badaniach zaproponowano wykorzystanie metod teledetekcji jako potencjalnego rozwiązania. Głównym celem tego badania była ocena i porównanie proksymalnego sensingu gleby (pomiary spektroskopii polowej) w monitorowaniu i szacowaniu poziomu SOC z danymi uzyskanymi z satelity (Sentinel 2A) i bezzałogowego statku powietrznego (UAV) na polu rolnym. Aby zwiększyć dokładność metod teledetekcyjnych (UAV i Sentinel-2A) w przewidywaniu poziomów SOC, stworzono dziewięć indeksów spektralnych. W procesie modelowania wykorzystano różne pasma i długości fal, a konkretnie cztery pasma dla UAV i osiem dla Sentinel-2A. Dodatkowo, obliczone indeksy spektralne zostały wykorzystane jako zmienne niezależne do stworzenia modeli predykcyjnych dla zawartości gleby, model random forest (RF) jest trenowany z 90 próbek gleby zebranych z pola, oraz dziesięciokrotnej walidacji krzyżowej. Przed przeprowadzeniem predykcji SOC, w pracy zbadano impakt kowariancji. Modele utworzone z danych proksymalnych miały lepszą dokładność w tworzeniu prognoz za pomocą lasu losowego (RF) w porównaniu do dwóch pozostałych typów danych. Badanie wykazało, że technologie proksymalne i teledetekcyjne mogą być skutecznie wykorzystane do prognozowania SOC. T2 - Schätzung des organischen Kohlenstoffs im Boden mit Hilfe der Nah- und Fernerkundung auf Feldniveau KW - Soil Organic Carbon; Remote Sensing; Proximal Sensing; Soil Sampling; Random Forest Y1 - 2023 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:eb1-opus-4407 ER -