Schätzung und räumliche Verteilung des Gehalts an organischem Kohlenstoff im Ackerboden mittels hyperspektraler Fernerkundung mit unbemannten Luftfahrzeugen

Warum der Kohlenstoff in unserem Boden wichtig ist

Boden ist weit mehr als nur Erde unter unseren Füßen. Er speichert enorme Mengen Kohlenstoff, ernährt unsere Kulturpflanzen und hilft, den Klimawandel abzumildern, indem er Kohlendioxid aus der Luft aufnimmt. Der Gehalt an organischem Kohlenstoff im Boden kann jedoch innerhalb eines Feldes schnell variieren, und klassische Labortests sind zeitaufwändig und kostspielig. Diese Studie untersucht eine schnellere, hochentwickelte Methode, um organischen Bodenkohlenstoff aus der Luft zu „sehen“: kleine Drohnen mit hyperspektralen Kameras bieten Landwirten und Wissenschaftlern ein leistungsfähiges neues Werkzeug zur Land- und Klimaverwaltung.

Fliegende Kameras über den Feldern

Die Forschenden arbeiteten in drei Ackerflächen im Einzugsgebiet des Huangshui-Flusses in der Provinz Qinghai, China, einer Region mit unterschiedlichen Bodentypen, Kulturen und Bewirtschaftungsformen. Sie setzten einen Multikopter mit einer hyperspektralen Kamera ein, die Licht in 150 schmalen Bändern vom sichtbaren bis in den nahen Infrarotbereich misst. Bei klarem, ruhigem Wetter flog die Drohne in etwa 150 Metern Höhe und erzeugte sehr detaillierte Aufnahmen, wobei jedes Pixel weniger als fünf Zentimeter auf dem Boden repräsentiert. Diese Bilder erfassen subtile Unterschiede in der Lichtreflexion des Bodens, die mit dem Gehalt an organischem Kohlenstoff verbunden sind.

Graben, testen und Validierung vor Ort

Um zu überprüfen, was die Drohne darstellte, entnahm das Team 296 Bodenproben aus den drei Feldern nach einem Rastermuster und mit sorgfältiger Tiefenkontrolle (0–20 Zentimeter, wo Kohlenstoff am stärksten variiert). Im Labor entfernten sie Steine und Pflanzenreste, mah­lten den Boden fein und bestimmten den Gehalt an organischem Kohlenstoff mit einem Elementaranalysator präzise. Zusätzlich wurden Bodenspektren im Innenraum mit einem genauen Spektrometer gemessen und dann an den Wellenlängenbereich und die Auflösung des Drohnensensors angepasst. So konnten sie exakte Kohlenstoffmessungen aus dem Labor mit passenden spektralen Signaturen sowohl von Bodeninstrumenten als auch aus den Luftaufnahmen verknüpfen.

Signal säubern und das Modell trainieren

Rohspektraldaten können unordentlich sein, weil viele Faktoren neben Kohlenstoff — etwa Bodenfeuchte, Oberflächenrauheit und Korngröße — die Lichtreflexion beeinflussen. Um dem zu begegnen, testeten die Forschenden sieben verschiedene mathematische Vorverarbeitungen der Spektren. Am besten erwies sich eine Kombination aus Multiplikativer Streukorrektur, die Helligkeitsverzerrungen reduziert, und der ersten Ableitung, die feine Täler und Spitzen in den Kurven hervorhebt. Diese Kombination stellte die stärkste Verbindung zwischen spektralen Merkmalen und Bodenkohlenstoff her. Anschließend verglichen sie fünf Modellierungsverfahren, von einfachen linearen Gleichungen bis zu fortgeschrittenen maschinellen Lernverfahren. Das Random-Forest-Modell, das viele Entscheidungsbäume aufbaut und mittelt, schnitt deutlich am besten ab und erklärte etwa 90 % der Variation des organischen Bodenkohlenstoffs bei hoher Vorhersagegüte.

Licht in detailreiche Bodenkarten verwandeln

Mit der besten spektralen Vorverarbeitung und dem Random-Forest-Modell wandte das Team die Methode auf die kompletten Drohnenbilder an, um detaillierte Karten des organischen Bodenkohlenstoffs über jedes Feld zu erstellen. Das Modell hob bestimmte Bänder als besonders wichtig hervor, vor allem im sichtbaren Bereich (wo dunklere Böden oft mehr Kohlenstoff anzeigen) und im nahen Infrarot (wo organische Substanz die Lichtabsorption beeinflusst). Die resultierenden Karten zeigten klare Muster: Ein Feld wies überwiegend hohe Kohlenstoffwerte auf, ein anderes überwiegend mittlere Werte und das dritte überwiegend niedrigere Werte. Beim Vergleich der drohnenbasierten Schätzungen an den Probenahmepunkten mit den Laborwerten ergab sich eine starke Übereinstimmung, was die Zuverlässigkeit der Karten bestätigte.

Was das für Landwirtschaft und Klima bedeutet

Einfach gesagt zeigt diese Studie, dass eine Drohne mit einer intelligenten Kamera und einem gut trainierten Modell schnell genaue, feinräumige Karten des organischen Bodenkohlenstoffs erstellen kann, anstatt sich nur auf zeitaufwändige Bodenproben und Laborarbeit zu verlassen. Landwirtinnen und Landwirte sowie Flächenmanager könnten solche Karten nutzen, um Düngung und Ernterückstände gezielter einzusetzen, Bereiche zu schützen, die Kohlenstoff verlieren könnten, und Veränderungen der Bodenqualität über die Zeit zu überwachen. Zwar bestehen weiterhin Herausforderungen — etwa die Empfindlichkeit gegenüber Bodenfeuchte, Oberfläche­rückständen und wechselnden Lichtbedingungen — doch weisen die Ergebnisse auf eine Zukunft hin, in der die Überwachung des unter unseren Feldern verborgenen Kohlenstoffs schneller, günstiger und deutlich detaillierter wird und so sowohl der Nahrungsmittelproduktion als auch den Klimazielen dient.

Zitation: Song, Q., Zhang, W. Estimation and spatial distribution of soil organic carbon content in farmland using unmanned aerial vehicle hyperspectral remote sensing technology. Sci Rep 16, 5480 (2026). https://doi.org/10.1038/s41598-026-35096-2

Schlüsselwörter: organischer Bodenkohlenstoff, UAV-Hyperspektral, präzisionslandwirtschaft, Bodenkartierung, Fernerkundung