Uni Tübingen
A Blog by Machine Learning Cluster
18. Juli 2021
Artikel von Tobias Rentschler , Ulrike Werban , Sandra Teuber, Karsten Schmidt , Thomas Scholten

So verbessert maschinelles Lernen die 3D-Bodenkartierung

Für Landwirtinnen und Landwirte ist es tagtäglich eine Herausforderung, dass sich Böden räumlich stark unterscheiden. Maschinelles Lernen kann die Kartierung von Bodeneigenschaften verbessern, sodass Landwirte das Düngen und Bewässern zeit- und kosteneffizient planen können.

Warum ist es wichtig, Böden zu kartieren? 

Böden variieren im Raum. Sie variieren weltweit abhängig von den klimatischen Bedingungen und innerhalb von Landschaften je nach Vegetation und Landschaftsmorphologie. Selbst innerhalb eines landwirtschaftlich genutzten Feldes variiert die Bodenqualität abhängig von der lokalen Geologie und ihren hydrologischen, physikalischen und chemischen Eigenschaften. Diese Unterschiede in der Bodenqualität stellen für Landwirtinnen und Landwirte eine Herausforderung dar, denn ihr tägliches Geschäft beruht auf ihrem Wissen über jedes Feld und seine Eigenschaften. Zu wenig oder zu viel Wasser können zum Beispiel zu einem geringeren Wachstum der Pflanzen und damit zu weniger Ernte führen. Das Gleiche gilt für Abweichungen von den Optimalbedingungen bei anderen Bodeneigenschaften wie der Menge der vorhandenen Pflanzennährstoffe. Für Landwirtinnen und Landwirte ist es daher von Vorteil, räumliches Wissen über die Bodeneigenschaften eines Feldes zu sammeln, um genau zu wissen, wo das jeweilige Feld gedüngt oder bewässert werden muss und wo nicht. Dies sorgt für ein optimales Wachstum der Pflanzen, senkt die Kosten und leistet einen großen Beitrag zu einer nachhaltigen und umweltfreundlichen Landwirtschaft.

In unserer Studie, die im Vadose Zone Journal veröffentlicht wurde, zeigen wir, wie Methoden des maschinellen Lernens mit modernsten Techniken der Geophysik und der Bodenwissenschaften kombiniert werden können. Unser interdisziplinäres Team bestand aus Bodenwissenschaftlern, Geographen, Geophysikern und Experten für maschinelles Lernen von der Universität Tübingen und dem Helmholtz-Zentrum für Umweltforschung in Leipzig. Wir haben geophysikalische Sensoren und maschinelles Lernen eingesetzt, um die Bodeneigenschaften eines landwirtschaftlich genutzten Feldes an der Elbe in Ostdeutschland in 3D zu kartieren.

Welcher Erkenntnisgewinn entsteht durch die Kombination von Geophysik und Maschinellem Lernen?

Geophysikalische Sensoren geben Einblicke in die räumliche Variation des Bodens. Sie messen die elektrische Leitfähigkeit, die eng mit der Bodenfeuchtigkeit und dem Gehalt an organischem Kohlenstoff im Boden zusammenhängt, und daher für die Kartierung von Wasser- und Nährstoffversorgung der Pflanzen herangezogen werden kann. Diese Methode erlaubt es somit, kosten- und zeiteffizient Daten zu sammeln, die für Ansätze des maschinellen Lernens verwendet werden können.

Die elektromagnetischen Sensoren, die wir in dieser Studie verwendet haben, messen die elektrische Leitfähigkeit in jeweils drei Tiefenintervallen. Mit diesen Messwerten, die die vertikale Variation der Bodenfeuchtigkeit und des Kohlenstoffgehalts beschreiben, haben wir unser Modell des maschinellen Lernens trainiert. Damit haben wir die Bodeneigenschaften für den gesamten Merkmalsraum, der durch die geophysikalischen Messungen gegeben war, in hoher vertikaler Auflösung vorhergesagt – eine 3D-Kartierung der Bodenfeuchtigkeit und des organischen Kohlenstoffgehalts. Um eine vergleichbar hohe räumliche Auflösung zu erreichen, wären normalerweise aufwändige und teure Laboranalysen notwendig.

Für Landwirtinnen und Landwirte sind solche 3D-Vorhersagen von großem Nutzen: Sie können die Bewässerung und Düngung ihrer Felder viel effizienter planen.

Abbildung: 3D-Vorhersagen des organischen Kohlenstoffgehalts im Boden (soil organic carbon, SOC) und der Bodenfeuchtigkeit (soil moisture, SM). © Nach Rentschler et al., 2020.

Wie geht es weiter?

Als nächstes kann man die Variation der Bodeneigenschaften über die Zeit modellieren. Denn die Bodenfeuchtigkeit hängt von den Witterungsbedingungen ab und der organische Kohlenstoffgehalt von der Landnutzung während der Wachstumsperiode. Um diese Untersuchungen durchführen zu können, müssen zwei Voraussetzungen erfüllt sein: eine stabile Wiederholbarkeit der geophysikalischen Messungen und eine sorgfältige Kalibrierung der Zeitreihen. Diese räumlich-zeitliche Kartierung von Bodeneigenschaften mit Techniken des maschinellen Lernens wäre für die Bodenwissenschaften ein Novum.

Originalpublikation: Tobias Rentschler, Ulrike Werban, Mario Ahner et al. 3D mapping of soil organic carbon content and soil moisture with multiple geophysical sensors and machine learning. Vadose Zone J. 2020;19:e20062.

Text: Tobias Rentschler, Karsten Schmidt, Thomas Scholten, Sandra Teuber, Ulrike Werban
Übersetzung ins Deutsche: Theresa Authaler
Titelillustration: Foto: Department Monitoring- und Erkundungstechnologien, Helmholtz-Zentrum für Umweltforschung – UFZ; grafische Bearbeitung: Franz-Georg Stämmele

19. Juli 2021 Michael Deistler, Jonathan Oesterle

Mit maschinellem Lernen Modelle in der Neurowissenschaft identifizieren

Computermodelle sind ein hervorragendes Werkzeug für die Analyse neuronaler Mechanismen. Doch die Modelle auf die Gehirnaktivität abzustimmen, ist eine große Herausforderung. Wir haben ein Werkzeug entwickelt, das diesen Prozess durch maschinelles Lernen automatisiert, und mit ihm eine Simulationsumgebung für ein Netzhautimplantat geschaffen.
18. Juli 2021 Agustinus Kristiadi , Philipp Hennig

Wie man neuronale Netze mit Unsicherheiten ausstattet

Mit dem Bayesschen Formalismus kann man tiefe neuronale Netze um Unsicherheiten ergänzen. Bayessches Deep Learning gilt allerdings als umständlich und teuer. Neue Ergebnisse zeigen jedoch, wie eine kalibrierte Unsicherheit in tiefen Netzen erreicht werden kann - effizient und ohne die Vorhersagekraft zu beeinträchtigen.