Kategoria: Kaukokartoitus

Kaukokartoitusteknologia on muuttanut perustavanlaatuisesti tapaa, jolla mittaamme, seuraamme ja hallinnoimme planeettamme maapinnan elävää massaa. Kaukokartoituksen avulla laskettu maabiomassa ei ole enää vain yliopistojen laboratorioihin rajoittuva tutkimuskohde – se on nyt kriittinen operatiivinen työkalu, jota hallitukset, metsävirastot, viljelytieteilijät ja ilmastotutkijat käyttävät ympäri maailmaa.

Pelkästään maatalousmarkkinoilla kaukokartoituksen arvo oli $3,8 miljardia vuonna 2025 ja sen ennustetaan kasvavan $9,6 miljardia vuoteen 2034 mennessä klo a Vuotuinen kasvuvauhti 10,91 TP3T, vuoden 2026 Dataintelon toimialaraportin mukaan. Merkittävä osa tästä kasvusta johtuu luotettavan biomassadatan kysynnästä hiililaskennan, täsmäviljelyn ja ympäristön seurannan tueksi.

Mikä on maan biomassa?

Maaperän biomassa (kaiken orgaanisen aineksen kokonaiskuivamassa tietyllä alueella) mitataan metrisissä yksiköissä, kuten tonnia hehtaaria kohden (t/ha) tai megagrammaa hehtaaria kohden (Mg/ha), jossa 1 Mg vastaa 1 tonnia. Se edustaa fotosynteesin kertynettä tuotetta – hiiltä, jonka kasvit, puut ja muut organismit ovat sitoneet ilmakehästä ja kiinnittäneet fyysiseen aineeseen.

Se on yksi tehokkaimmista ekosysteemien terveyden, hiilen varastoinnin ja sadon tuottavuuden indikaattoreista, mutta perinteiset maanpäälliset mittausmenetelmät ovat pitkään olleet liian hitaita, kalliita ja alueellisesti rajallisia vastaamaan nykyaikaisen maankäytön tarpeisiin.

Maanpäällinen biomassa (AGB) ja maanalainen biomassa (BGB)

Tutkijat jakavat biomassan kahteen pääluokkaan. Maanpäällinen biomassa (AGB) kattaa kaiken, mikä kasvaa maanpinnan yläpuolella – varret, rungot, oksat, lehdet ja pystyssä olevan kuolleen puun. Maanalainen biomassa (BGB) kattaa juuristot ja muun maanalaisen orgaanisen aineksen. Useimmissa metsäekosysteemeissä BGB:n osuus on noin 20–301 TP3T kokonaisbiomassasta, ja sen mittaaminen on edelleen paljon vaikeampaa kuin AGB:n arviointi.

Biomassa luokitellaan myös eläväksi biomassaksi (aktiivisesti kasvava, aineenvaihdunnallisesti aktiivinen kasvimateriaali) ja kuolleeksi biomassaksi (pysyvä tai kaatunut kuollut puu, kuiva karike). Molemmat tyypit varastoivat hiiltä ja vaikuttavat maiseman kokonaishiilivarastoon, mutta ne reagoivat eri tavoin tulipaloihin, tauteihin ja hoitotoimenpiteisiin.

Ympäristöindikaattorina biomassalla on ainutlaatuisen vahva asema. Korkeat biomassan arvot viestivät tuottavista ja terveistä ekosysteemeistä, joilla on vahva hiilensidontapotentiaali. Biomassan laskutrendit paljastavat metsäkadon, kuivuusstressin, maaperän huonontumisen tai liikakorjuun. Viljelijöille maanpäällinen biomassa korreloi suoraan viljasatopotentiaalin kanssa, mikä tekee siitä yhden käytännöllisimmistä mittareista täsmäviljelyssä.

Miksi maan biomassaa lasketaan kaukokartoituksen avulla?

Perinteinen biomassan arviointi perustuu kenttämittauksiin: tutkijat korjaavat sadon koealoilta, kuivaavat kasvimateriaalin uuneissa ja punnitsevat sen määrittääkseen kuiva-aineen pinta-alayksikköä kohti. Tämä tuhoisa ja työvoimavaltainen prosessi toimii koealan mittakaavassa, mutta siitä tulee täysin epäkäytännöllinen, kun tarvitaan biomassatietoja kansallisesta metsästä, jokialueelta tai mannertenväliseltä maatalousvyöhykkeeltä. Maanpäällisten kenttätutkimusten keskeiset rajoitukset

1. Alueellinen kattavuus on erittäin rajoitettu. Kenttätyöryhmä voi realistisesti mitata biomassaa muutamalla kymmenellä koealalla kaudessa. Satelliitti kattaa miljoonia hehtaareja yhdellä ylilennolla, mikä tekee maisemamittakaavan seurannan mahdottomaksi ilman kaukokartoitusta.

2. Kenttätutkimukset ovat kalliita ja hitaita. Koulutetun henkilöstön sijoittaminen syrjäisiin metsiin tai laajoille maatalousmaisemille vaatii merkittäviä budjetteja, logistista koordinointia ja aikaa – kaikki nämä asiat skaalautuvat huonosti tutkimusalueiden kasvaessa.

3. Tuhoava näytteenotto vahingoittaa ekosysteemiä. Biomassan punnitsemiseen tarkoitettujen koealojen korjuu tuhoaa tutkittavan kasvillisuuden, mikä on ristiriidassa pitkäaikaisten seurantaohjelmien kanssa, jotka vaativat toistuvia mittauksia samassa paikassa.

4. Ajallinen taajuus on liian alhainen. Kenttätiimit kartoittavat kohteen parhaimmillaankin kerran vuodessa. Satelliitit voivat palata samaan paikkaan muutaman päivän välein, mikä mahdollistaa biomassan kausittaisten muutosten jatkuvan seurannan ja nopean reagoinnin esimerkiksi tulipaloihin tai kuivuuteen.

Kaukokartoitus ratkaisee kaikki nämä rajoitukset kerralla. Yksi Sentinel-2-satelliittikuva kattaa 290 km² kohtausta kohden klo 10 metrin spatiaalinen resoluutio, tuottaen toistettavaa, koko kasvillisuusdataa ilman lisähehtaarikohtaisia marginaalikustannuksia. Tarkkaan maabiomassadataan liittyviä sovelluksia on laajasti:

• Hiilidioksidin laskenta ja REDD+: Kansainväliset ilmastokehykset edellyttävät metsien hiilivarastojen todennettuja arvioita. Kaukokartoitukseen perustuvat biomassakartat tarjoavat alueellisen kattavuuden ja päivitystiheyden, jota kansalliset metsäinventaariot eivät yksinään pysty tarjoamaan.
• Maatalouden seuranta: Eri kasvuvaiheissa oleva viljelykasvien biomassa ennustaa lopullisen sadon, antaa tietoa kastelun aikataulutuksesta ja merkitsee stressiä varhaisessa vaiheessa ennen kuin siitä tulee tuottavuuden menetystä.
• Metsänhoito: Puutavaran määrä, polttoainekuorma metsäpaloriskin kannalta ja luonnon monimuotoisuuden arviointi riippuvat kaikki luotettavista biomassa-arvioista laajoilla metsäalueilla.
• Ympäristönhallinta: Maaperän huonontumisen seurannassa, kosteikkojen arvioinnissa ja vieraslajien havaitsemisessa käytetään kaikki biomassan muutosta ensisijaisena signaalina.

Kuinka kaukokartoitus mittaa maan biomassaa: Fysikaaliset periaatteet

Jokainen kaukokartoitusjärjestelmä – olipa kyseessä sitten optinen satelliitti, tutka tai laser – kerää tietoa kasvillisuudesta mittaamalla, miten sähkömagneettinen energia on vuorovaikutuksessa kasvimateriaalin kanssa. Tämän vuorovaikutuksen ymmärtäminen on avain sen ymmärtämiseen, miksi kaukokartoitus voi ylipäätään arvioida biomassaa.

Kasvit heijastavat, absorboivat ja lähettävät sähkömagneettista säteilyä eri tavoin riippuen niiden sisäisestä kemiasta, vesipitoisuudesta, lehtien rakenteesta ja latvustuksen arkkitehtuurista. Klorofylli (vihreä pigmentti, joka käynnistää fotosynteesin) absorboi voimakkaasti punaista ja sinistä aallonpituutta heijastaen samalla vihreää ja lähi-infrapunaenergiaa.

Terveellä ja tiheällä kasvillisuudella on siksi ominainen spektrikuvio: alhainen punainen heijastavuus, korkea lähi-infrapunasäteilyn heijastavuus. Tätä kuviota – jota kutsutaan spektraaliseksi tunnuskuvaksi – voidaan mitata avaruudesta, ja sen intensiteetti korreloi kasvimateriaalin määrän kanssa pinta-alayksikköä kohti.

Spektrisignaaleista biomassa-arvoihin

Anturit tallentavat spektraalisen tunnusluvun ja laskevat kasvillisuusindeksejä (matemaattisia suhteita, jotka määrittävät, kuinka voimakkaasti kasvillisuussignaali näkyy tietyssä kuvassa). Nämä indeksit linkitetään sitten biomassaan tilastollisten tai koneoppimismallien avulla, jotka kalibroidaan kenttämittauksilla. Tuloksena on spatiaalisesti jatkuva biomassakartta – jokainen kuvan pikseli saa ennustetun biomassa-arvon.

Tiedonkäsittelyn työnkulku noudattaa selkeää järjestystä. Raakadatan saapuessa mukana tulee geometrisia vääristymiä ja ilmakehän häiriöitä. Esikäsittely korjaa nämä virheet. Kasvillisuusindeksit lasketaan korjatuista kuvista. Kenttämittaukset biomassanäytteinä toimivat mallin kalibroinnin lähtökohtana. Validoitua mallia sovelletaan sitten koko kuva-alueelle lopullisen biomassakartan luomiseksi.

Spektriheijastuksen lisäksi muut fyysiset signaalit sisältävät tietoa biomassasta. Lehvistön korkeus – kasvillisuuden korkeus – on tehokas AGB:n ennustaja. Kasvitiheys (kuinka monta vartta hehtaaria kohden) määrää, kuinka paljon valoa saadaan kiinni. Pinnan karheus (tutkan havaitsema) heijastaa lehden rakenteellista monimutkaisuutta. Anturit, jotka mittaavat näitä rakenteellisia ominaisuuksia pelkän heijastavuuden sijaan, tarjoavat usein paremman biomassan arviointitarkkuuden.

Biomassan arvioinnissa käytetyt kaukokartoitustyypit

Mikään yksittäinen anturi ei hallitse biomassan arviointia kaikissa ekosysteemeissä ja mittakaavoissa. Tutkijat ja ammattilaiset yhdistävät useita anturityyppejä kohdekasvillisuuden, budjetin, vaaditun tarkkuuden ja maantieteellisen kattavuuden perusteella.

Nykyään tarkimmat biomassakartat eivät rakennu yhdestä anturista, vaan optisen, tutka- ja LiDAR-datan älykkäästä yhdistelmästä – joista jokainen täyttää muiden sokeat kulmat.

1. Optiset satelliittikuvat: monispektriset ja hyperspektriset

Optiset anturit tallentavat heijastunutta auringonvaloa erillisillä spektrialueilla, tyypillisesti näkyvillä aallonpituuksilla (sininen, vihreä, punainen) ja lähi-infrapunalla (NIR). Monispektrikuvat (dataa 4–10 spektrialueelta) muodostavat useimpien maailmanlaajuisesti toimivien biomassakartoitusohjelmien selkärangan, suurelta osin Sentinel-2- ja Landsat-luotainten ilmaisten ja jatkuvien datavirtojen ansiosta.

Hyperspektrikuvat (dataa sadoista kapeista, yhtenäisistä spektrikaistoista) tarjoavat paljon tarkempia spektritietoja. Ne erottelevat kasvien pigmentit, vesipitoisuuden ja lehtien kemian tasolla, johon monispektrianturit eivät pysty.

Tämä tekee siitä erityisen hyödyllisen biomassatiheyden hienovaraisten erojen havaitsemisessa ruohoalueilla ja pelloilla. Hyperspektrikuvien suurin rajoitus on pilvipeite: optiset anturit eivät näe pilvien läpi, mikä aiheuttaa merkittäviä datakatkoksia kosteilla trooppisilla alueilla, joilla biomassan arviointi on kriittisintä.

Yleisiä optisen biomassan kartoituksessa käytettyjä satelliitteja ovat Landsat 8/9 (30 metrin resoluutio, 16 päivän uudelleenkäynti), Sentinel-2 (10 metrin resoluutio, 5 päivän uudelleenkäynti) ja PlanetScope (3 metrin resoluutio, päivittäinen uudelleenkäynti kaupallisiin sovelluksiin).

2. Tutka (SAR): Näkeminen pilvien läpi ja katoksiin

Synteettisen apertuurin tutka (SAR) – järjestelmä, joka lähettää mikroaaltopulsseja ja mittaa maan pinnalta takaisin heijastuvaa energiaa – ratkaisee pilvipeiteongelman kokonaan. Mikroaaltoenergia kulkee pilvien ja utuisuuden läpi ilman häiriöitä, mikä tekee SAR:sta ensisijaisen anturin trooppisten metsien seurantaan, kun jatkuva pilvipeite tekee optisista kuvista lähes käyttökelvottomia.

SAR-signaalit tunkeutuvat myös kasvillisuuden latvustoihin ja ovat vuorovaikutuksessa puumaisten varsien ja oksien kanssa pelkän lehtien ylimmän pinnan sijaan. Mitä pidempi tutkan aallonpituus on, sitä syvemmälle signaali tunkeutuu. L-kaistan SAR (aallonpituus noin 23 cm, jota ALOS-2 PALSAR-2 käyttää) tunkeutuu alempaan latvustoon ja on vuorovaikutuksessa suuren puumaisen biomassan kanssa, mikä tekee siitä erityisen sopivan trooppisten metsien AGB-arviointiin.

C-kaistan SAR (aallonpituus noin 5 cm, jota käyttää Sentinel-1) on herkempi maanpinnan latvuston rakenteelle ja sitä käytetään laajalti viljelykasvien biomassan seurantaan.

Tutkimus julkaistiin Metsätutkimuksen lehti (Springer Nature, 2021) havaitsi, että sekä L-kaistan ALOS-2- että C-kaistan Sentinel-1 SAR-tiedot mahdollistivat tyydyttävät hiilivarastojen arvioinnit, ja Välimeren metsätutkimusalueen kokonaishiilivarastot olivat noin 130 tonnia/ha maanpäällisissä, maanalaisissa, kuolleessa puussa, karikkeessa ja maaperälammikoissa yhteensä.

3. LiDAR: Rakenteellisen biomassan kartoituksen kultastandardi

LiDAR (Light Detection and Ranging) lähettää laserpulsseja ja mittaa tarkan ajan, joka kuluu niiden heijastumiseen kohdepinnasta. Tämä ajoitus muunnetaan suoraan kolmiulotteisiksi pistepilviksi (tiheiksi kartoiksi siitä, mistä kukin laserpulssi heijastui), jotka paljastavat latvuston korkeuden, rakenteen ja maanpinnan korkeuden senttimetrin tarkkuudella.

Puiden pituus on yksi vahvimmista maanpäällisen biomassan ennustajista – korkeammat puut kantavat eksponentiaalisesti enemmän biomassaa kuin lyhyemmät. LiDAR-menetelmällä johdetut korkeusmallit yhdistettynä kenttämittauksiin allometrisiin yhtälöihin (lajikohtaisiin matemaattisiin suhteisiin puun korkeuden, läpimitan ja massan välillä) tuottavat biomassa-arvioita, jotka ovat johdonmukaisesti parempia kuin optiset tai tutkamenetelmät metsämaisemissa.

NASAn Global Ecosystem Dynamics Investigation (GEDI) -luotain – kansainväliselle avaruusasemalle asennettu monikeilainen aaltomuotoinen LiDAR-instrumentti – edustaa ensimmäistä avaruuteen tarkoitettua LiDAR-järjestelmää, joka on tarkoitettu maailmanlaajuiseen biomassan arviointiin. GEDI kerää dataa leveysasteilta 51,6°N - 51,6°S, kattaen maailman tärkeimmät trooppiset ja lauhkeat metsävyöhykkeet.

4. Droonipohjainen kaukokartoitus: Tarkan resoluution kenttämittakaava

Miehittämättömät ilma-alukset (UAV), joita yleisesti kutsutaan droneiksi, yhdistävät satelliitti- ja kenttämittaukset. RGB-kameroilla varustettu drone tallentaa senttimetritarkkuuden kuvia, jotka erottelevat yksittäisiä kasveja.

Monispektristen droonien anturit laskevat tarkkoja kasvillisuusindeksejä havaintoalueen mittakaavassa. LiDAR-varustetut droonit tuottavat tiheitä pistepilviä, jotka mahdollistavat biomassan arvioinnin ilmassa leijuvan LiDARin rakenteellisella tarkkuudella murto-osalla kustannuksista.

Viljelijöille dronepohjainen biomassakartoitus on erityisen käytännöllinen. Yksi lento vehnä- tai maissipellon yli kasvuvaiheessa tuottaa biomassatiheyskartan, joka merkitsee satoa rajoittavat alueet – vähäbiomassaiset alueet, jotka saattavat tarvita lisälannoitetta tai kastelua ennen kuin vahingoista tulee peruuttamattomia.

Kasvillisuusindeksit, joita käytetään biomassan arvioimiseen

Kasvillisuusindeksit ovat matemaattinen silta raakaspektriheijastusarvojen ja kasvien tiheyttä ja terveyttä koskevien biologisten tietojen välillä. Jokainen indeksi hyödyntää tiettyä osaa sähkömagneettisesta spektristä, jossa kasvillisuus käyttäytyy ominaiselta tavalla.

NDVI (Normalized Difference Vegetation Index) on yleisimmin käytetty mittari. Se jakaa lähi-infrapunan (NIR) ja punaisen heijastavuuden välisen eron niiden summalla: NDVI = (NIR – Punainen) / (NIR + Punainen). Arvot vaihtelevat välillä -1 - +1, ja terveen tiheän kasvillisuuden pisteytys on tyypillisesti 0,6–0,9.

NDVI korreloi voimakkaasti lehtipinta-alaindeksin (LAI — kokonaislehtipinta-ala maanpinta-alayksikköä kohti) ja siten fotosynteesikyvyn ja biomassan kertymisen kanssa.

• EVI (parannettu kasvillisuusindeksi) korjaa ilmakehän vaikutukset ja maaperän taustahäiriöt, mikä tekee siitä NDVI:tä luotettavamman korkean biomassan trooppisissa metsissä ja alueilla, joilla on kirkasta tai alttiina olevaa maaperää.
• SAVI (maaperätasoitettu kasvillisuusindeksi) sisältää maaperän kirkkauskorjauskertoimen, joka on erityisen tärkeä kuivilla ja puolikuivilla maatalousalueilla, joissa viljelyrivien välinen paljas maa vaikuttaa voimakkaasti spektrisignaaliin.
• GNDVI (vihreä normalisoitu ero kasvillisuusindeksi) korvaa vihreän heijastavuuden punaisella NDVI-kaavassa, mikä tekee siitä herkemmän klorofyllipitoisuuden vaihteluille ja hyödyllisen myöhäisen sadon biomassan seurannassa, kun latvustot ovat jo täysin sulkeutuneet.

Lehtipinta-alaindeksi (LAI) ansaitsee erityismaininnan, koska se on sekä kaukokartoituksen tuotos että suora biomassan kertymisen ajuri. Kasvit, joilla on korkeampi LAI, sieppaavat enemmän auringonsäteilyä, sitovat enemmän hiiltä ja tuottavat enemmän biomassaa. Kaukokartoituksesta saatavat LAI-kartat, jotka on luotu MODIS- tai Sentinel-2-aikasarjoista, syötetään suoraan sadon kasvumalleihin, jotka simuloivat sadonmuodostusta ja lopullista korjattavaa biomassaa.

Keskeiset tietolähteet maan biomassan arvioimiseksi

Oikean tietolähteen valinta riippuu tutkimuksen laajuudesta, kasvillisuustyypistä, vaaditusta spatiaalisesta resoluutiosta ja käytettävissä olevasta budjetista. Alla on lueteltu ensisijaiset tietovirrat, joita tällä hetkellä käytetään operatiivisessa ja tutkimustason biomassakartoituksessa. Landsatin ja Sentinel-konstellaation ilmainen ja avoimesti saatavilla oleva satelliittidata on demokratisoinut biomassakartoituksen ja tehnyt siitä saatavilla tutkijoille ja virastoille, joilla ei ole budjetteja kaupallisiin kuviin.

i. Landsat (NASA/USGS): Yli 50 vuotta jatkuvaa dataa, 30 metrin resoluutio, vapaasti saatavilla. Landsat-aikasarjat mahdollistavat biomassan muutosten historiallisen analyysin 1970-luvulle asti, tarjoten vertaansa vailla olevaa kontekstia metsäkadon ja maaperän huonontumisen seurantaan.

ii. Sentinel-2 (ESA): 10 metrin resoluutio keskeisillä spektrialueilla, 5 päivän uusintakäynti, vapaa pääsy. Sentinel-2 on nykyinen standardi viljelykasvien biomassan seurannassa ja alueellisissa metsien arvioinneissa resoluutionsa ja taajuusyhdistelmänsä ansiosta.

iii. Sentinel-1 (ESA): C-kaistan SAR, säänkestävä, vapaasti käytettävissä. Sentinel-1 on ensisijainen tutkalähde pilvien vaikutuksen alaisena olevan trooppisen alueen ja viljelykasvien biomassan seurantaan alueilla, joilla optiset dataaukot ovat jatkuva ongelma.

iv. MODIS (NASA): 250 m–1 km resoluutio, päivittäinen maailmanlaajuinen kattavuus. MODIS-aikasarjat sopivat ihanteellisesti mannertason biomassan muutosten havaitsemiseen ja kausittaiseen seurantaan, vaikka karkea resoluutio rajoittaa hyödyllisyyttä pirstaloituneissa maisemissa.

v. PlanetScope: 3 metrin resoluutio, päivittäinen uudelleentarkastelu, kaupallinen tilaus. PlanetScope tarjoaa biomassan seurantaa yksittäisten peltojen tasolla ja tukee täsmäviljelysovelluksia, joissa peltojen osa-alueiden vaihtelulla on merkitystä.

vi. NASAn GEDI LiDAR: 25 metrin jalanjäljen halkaisija, maailmanlaajuinen trooppisen ja lauhkean vyöhykkeen kattavuus, ilmaisia datatuotteita. GEDI on ensisijainen avaruustietolähde latvustuksen korkeudelle ja AGB-tiheydelle maailmanlaajuisesti.

vii. ICESat-2 (NASA): Fotoneja laskeva LiDAR, jolla on maailmanlaajuinen kattavuus, erityisen tehokas latvuston korkeuden mittaamiseen korkeilla leveysasteilla olevissa metsissä ja hienojakoisten korkeusmuutosten havaitsemiseen.

Vaiheet maan biomassan laskemiseksi kaukokartoituksen avulla

Maaperän biomassan arviointi kaukokartoitusdatan avulla noudattaa jäsenneltyä työnkulkua. Jokainen vaihe riippuu edellisen vaiheen tarkkuudesta. Esikäsittelyn tai kenttävahvistuksen oikaisu johtaa virheisiin lopullisessa biomassakartassa.

i. Valitse sopiva kuvasto: Valitse anturi, spatiaalinen resoluutio ja ajanjakso kohdeekosysteemin ja tutkimustavoitteen perusteella. Metsäbiomassan seurantaan tarvitaan tyypillisesti Sentinel-1- tai GEDI-dataa; viljelykasvien biomassan seurantaan käytetään yleisesti Sentinel-2- tai drone-monispektrikuvia.

ii. Kuvan esikäsittely: Käytä ilmakehän korjausta muuntaaksesi raakat digitaaliset luvut pinnan heijastusarvoiksi. Suorita geometrinen korjaus varmistaaksesi, että kuva on tarkasti linjassa todellisten koordinaattien kanssa. Poista pilvien saastuttamat pikselit ja korvaa ne tarvittaessa ajallisella yhdistelmällä.

iii. Laske kasvillisuusindeksit: Laske NDVI, EVI, SAVI, GNDVI tai muut asiaankuuluvat indeksit korjatuista pinnan heijastuskaistoista. Johda LiDAR-dataa varten latvuskorkeuden mittarit (suurin korkeus, 95. persentiilin korkeus, keskimääräinen korkeus) pistepilvestä.

iv. Kerää kenttäbiomassanäytteitä: Mittaa maanpäällinen biomassa edustavilla koealoilla tutkimusalueella käyttämällä tuhoavaa hakkuuta tai allometrisiä yhtälöitä, joita sovelletaan puiden läpimitta- ja korkeusmittauksiin. Nämä kenttäarvot ovat mallin perustana oleva maastototuus.

v. Ennustemallien rakentaminen: Vertaa kenttäbiomassamittauksia regressiolla samassa paikassa sijaitseviin kaukokartoitusmuuttujiin (kasvillisuusindeksit, latvuston korkeusmittarit, SAR-takaisinsironnan arvot). Käytä regressioanalyysia, satunnaismetsää, tukivektorikoneita tai neuroverkkomenetelmiä riippuen suhteen monimutkaisuudesta ja käytettävissä olevan harjoitusdatan määrästä.

vi. Mallin tulosten validointi: Käytä odotusvalidointidataa (kenttäkaavioita ei käytetä mallin koulutuksessa) ennusteiden tarkkuuden arvioimiseksi. Raportoi RMSE (Root Mean Squared Error, neliöjuurikeskiarvo), R² (määrityskerroin) ja harha. Tarkenna mallia, jos tarkkuus ei ole riittävä.

vii. Biomassakarttojen luominen: Sovelta validoitua mallia koko kuva-alueelle, jolloin syntyy spatiaalisesti jatkuva biomassatiheyskartta, jossa jokainen pikseli sisältää ennustetun biomassan arvon yksiköissä Mg/ha tai t/ha.

Biomassan arvioinnissa käytetyt mallit ja menetelmät

Mallin valinta vaikuttaa merkittävästi sekä biomassan arviointijärjestelmän tarkkuuteen että yleistettävyyteen. Yksinkertaisemmat mallit ovat läpinäkyvämpiä ja siirtyvät luotettavammin uusiin paikkoihin. Monimutkaiset koneoppimismallit puristavat enemmän tarkkuutta suurista harjoitusaineistoista, mutta voivat sopia liikaa paikallisiin olosuhteisiin.

Empiiriset regressiomallit osoittavat suoran matemaattisen suhteen peltobiomassan ja kaukokartoitusmuuttujien välille – esimerkiksi lineaarisen regression NDVI:n ja sadon kuiva-ainesadon välillä. Näitä malleja on helppo tulkita ja nopeita laskea, mutta ne toimivat huonosti, kun spektrin ja biomassan välinen suhde on epälineaarinen tai kun biomassan arvot vaihtelevat hyvin laajalla alueella.

Koneoppimismenetelmät voittavat nämä rajoitukset oppimalla datasta monimutkaisia, epälineaarisia suhteita. Random Forest (päätöspuiden kokonaisuus, joka laskee keskiarvoja satojen yksittäisten puiden ennusteista) on tällä hetkellä laajimmin käytetty algoritmi biomassan arviointiin sekä metsätaloudessa että maataloudessa.

Tutkimus julkaistiin vuonna Kasvitieteen rajaseudut (Joulukuu 2024) osoitti, että Random Forest sovellettuna GEDI:in ja monilähteiseen kaukokartoitusdataan tuotti kuusi-pihtametsien biomassa-arvioita, joiden R²-arvo oli merkittävästi korkeampi kuin yhden anturin regressiomenetelmien.

• Tukivektorikone (SVM): Löytää optimaalisen erotusrajan biomassaluokkien välillä korkeaulotteisessa ominaisuusavaruudessa. SVM toimii hyvin pienten ja keskisuurten harjoitusaineistojen kanssa ja on kestävä ylisovitusta vastaan, kun se on oikein regularisoitu.
• Neuroverkot ja syväoppiminen: Konvoluutiohermoverkot (CNN) ja hybridi-CNN-LSTM-arkkitehtuurit käsittelevät kuvien spatiaalisia ja ajallisia kuvioita samanaikaisesti. Vuonna 2024 julkaistu tutkimus Kaukokartoitus (MDPI) Vertailemalla RF-, CNN- ja CNN-LSTM-malleja metsäbiomassan arvioimiseksi Hangzhoussa, Kiinassa, havaittiin, että syväoppimismallit tallensivat spatiaalisen kontekstin, jonka yhden pisteen regressiomenetelmät eivät onnistuneet lainkaan.
• Hybridimallit: Yhdistä fyysiset kasvillisuusmallit (jotka simuloivat kasvien kasvua säteilyn ja veden syöttötietojen perusteella) tilastollisiin tai koneoppimiseen perustuviin kalibrointikerroksiin. Näitä lähestymistapoja suositaan yhä enemmän, koska ne rakentavat fyysisesti realistisia biomassa-arvioita, jotka yleistyvät alueiden välillä ilman, että ne turvautuvat pelkästään paikallisiin harjoitustietoihin.

Biomassan arvioinnin tarkkuuteen vaikuttavat tekijät

Paraskin anturin ja mallin yhdistelmä tuottaa epäluotettavia biomassakarttoja, kun pohjana olevan datan laatu on heikko tai kun fyysinen ympäristö aiheuttaa kohinaa. Näiden tarkkuutta rajoittavien tekijöiden ymmärtäminen on olennaista kaikille, jotka suunnittelevat biomassakartoitusohjelmaa.

1. Tiheän metsän signaalin kylläisyys: Runsasbiomassaisissa trooppisissa metsissä optiset ja C-kaistan SAR-signaalit saturoituvat – ne lakkaavat kasvamasta, vaikka biomassa jatkaa kasvuaan. NDVI saturoituu AGB-arvoilla, jotka ovat yli noin 150–200 mg/ha, mikä tekee siitä epäluotettavan vanhoissa trooppisissa metsissä, joissa biomassa voi olla 400–600 Mg/ha. L-kaistan SAR ja LiDAR kyllästyvät paljon suuremmilla biomassatasoilla ja ovat suositeltavia näissä ympäristöissä.

2. Kausivaihtelu: Kasvillisuuden heijastavuus vaihtelee dramaattisesti vuodenaikojen välillä. Vehnäpellon NDVI-arvo huhtikuussa edustaa perustavanlaatuisesti erilaista biomassan tilaa kuin samalla pellolla elokuussa. Mallien on otettava huomioon kausivaihtelut tai ne on kalibroitava erikseen kullekin fenologiselle vaiheelle.

3. Pilvipeitteen aiheuttamat häiriöt: Optiset anturit menettävät dataa pilvien läsnä ollessa. Kosteilla trooppisilla alueilla pilvien saastuminen voi vaikuttaa useampaan kuin... 70% kuvanottoa tiettynä vuonna, mikä vaatii tutka- tai LiDAR-vaihtoehtoja tai monivuotisia komposiittistrategioita.

4. Sekalaiset pikselit: Kohtuullisilla spatiaalisilla resoluutioilla (30–250 m) yksi kuvapikseli sisältää usein sekoituksen viljelykasveja, paljasta maaperää ja vettä. Spektrisignaali heijastaa kaikkien näiden pintojen keskiarvoa, mikä laimentaa kasvillisuussignaalia ja tuo systemaattista virhettä biomassaennusteisiin.

5. Maaston vaikutukset: Kalteva maasto muuttaa sekä auringon valaistuksen että anturin katselukulman geometriaa, mikä muuttaa anturin tallentamia heijastusarvoja. Topografinen korjaus on pakollinen vuoristoalueilla, ennen kuin mitään biomassamallia voidaan soveltaa luotettavasti.

Maaperän biomassakartoituksen sovellukset eri sektoreilla

Kaukokartoitusdatasta luodut maabiomassakartat hyödyntävät käytännön päätöksentekoa huomattavan monilla eri aloilla, aina hallituksen ilmastoraportoinnista yksittäisten tilojen hallintaan.

Metsänhoitovirastot Käytä biomassakarttoja hakkuulohkojen priorisointiin, kestävän tuoton arviointiin ja sertifiointistandardien noudattamisen dokumentointiin. Kattavat biomassakartat korvaavat kalliit näytteeseen perustuvat metsäinventoinnit alueilla, joilla pellolle pääsy on logistisesti vaikeaa tai kohtuuttoman kallista.

Hiilivarastojen arviointi on yksi taloudellisesti merkittävimmistä sovelluksista. Jokainen Mg maanpäällistä biomassaa sisältää noin 0,47 mg hiiltä (IPCC:n vakiomuuntokerroin). Tarkat biomassakartat muuntuvat siis suoraan todennetuiksi hiiliinventaarioiksi, jotka ovat REDD+-maksujen ja vapaaehtoisten hiilimarkkinahyvitysten perusta. Todennettu biomassakartta, joka kattaa 500 000 hehtaarin trooppisen metsän konsessioalueen, voi edustaa satojen miljoonien dollarien arvosta hiilivaroja.

• Täsmäviljely: Drooni- tai Sentinel-2-kuvista johdetut satobiomassakartat tunnistavat kasvien kasvun vaihtelun osa-alueilla, mikä mahdollistaa vaihtelevan lannoitteiden ja kastelun levityksen, mikä vähentää panoskustannuksia ja suojaa samalla satoa.
• Metsäpalopolttoaineiden arviointi: Kuollut puu ja kuiva ruohobiomassa edustavat tulipalojen käytettävissä olevaa polttoainetta. Kaukokartoitukseen perustuvat polttoainekartat ohjaavat poltto-ohjelmia ja metsäpalojen rajaamissuunnittelua paloalttiissa maisemissa.
• Luonnon monimuotoisuuden suojelu: Runsasbiomassainen ja rakenteellisesti monimutkainen kasvillisuus tyypillisesti tukee suurempaa lajien monimuotoisuutta. Biomassakartat auttavat tunnistamaan prioriteettisuojelualueet ja seuraamaan ennallistettujen elinympäristöjen toipumista ajan kuluessa.
• Bioenergiasuunnittelu: Hallitukset ja energiayhtiöt käyttävät kaukokartoitusbiomassadataa arvioidakseen maatalousjätteiden ja puubiomassan kestävää tarjontaa bioenergian tuotantoon varmistaen, että hakkuumäärät eivät ylitä ekosysteemin uudistumiskykyä.

Kaukokartoituksen edut biomassan laskennassa

Kaukokartoitukseen perustuva biomassakartoitus tarjoaa yhdistelmän ominaisuuksia, joihin mikään maanpäällinen lähestymistapa ei pysty. Nämä edut selittävät, miksi teknologia on siirtynyt kokeellisesta toimintatilaan kymmenissä maissa viimeisen vuosikymmenen aikana.

Rikkomaton mittaus on kenties perustavanlaatuisin etu. Kaukokartoitus kerää tietoa kasvillisuudesta ilman sen korjaamista, leikkaamista tai häiritsemistä. Tämä mahdollistaa toistuvat mittaukset täsmälleen samassa paikassa, mikä on olennaista biomassan muutosten havaitsemiseksi ajan kuluessa – mittari, jolla on suurin merkitys hiililaskennassa ja ekosysteemien seurannassa.

• Laajamittainen kattavuus alhaisilla rajakustannuksilla: Kun anturi ja prosessointiprosessi on asennettu, miljoonan hehtaarin lisääminen biomassakartoitukseen ei maksa käytännössä mitään. Tämä kustannusrakenne on käänteinen kenttätutkimuksiin verrattuna, joissa kustannukset skaalautuvat lineaarisesti pinta-alan mukaan.
• Usein ajantasaiset päivitykset: Sentinel-2 käy missä tahansa paikassa maapallolla viiden päivän välein. Tämä tiheys mahdollistaa biomassan seurannan koko kasvukauden ajan ja tallentaa dynaamisia muutoksia, jotka yksittäiset vuosittaiset kenttätutkimukset eivät havaitse lainkaan.
• Historiallinen analyysikyky: Landsat-arkisto sisältää kuvia vuodesta 1972 eteenpäin. Tutkijat voivat rekonstruoida historiallisia biomassan kehityskulkuja määrittääkseen kumulatiivisen metsäkadon, arvioidakseen ekosysteemin elpymistä häiriöiden jälkeen tai määrittääkseen häiriöitä edeltävät lähtötilanteet korvausvaatimuksia varten.
• Maanomistajien päätöksenteon parantaminen: Paikallisesti tarkat biomassakartat paljastavat, missä maiseman osassa biomassa kertyy, vähenee tai on vakaata, mikä antaa maanomistajille paikkatietoisen tarkkuuden kohdistaa toimenpiteet sinne, missä niillä on suurin vaikutus.

Kaukokartoituksen biomassan arvioinnin rajoitukset ja haasteet

Kaukokartoitusbiomassan kartoitus on tehokasta, mutta siihen liittyy todellisia teknisiä rajoituksia, jotka ammattilaisten on ymmärrettävä ennen kuin he luottavat tuloksiin tehdessään tärkeitä päätöksiä.

Signaalin kyllästyminen tiheissä metsissä on edelleen ratkaisematon haaste optisille ja C-kaistan tutka-antureille. Kun puiden latvusto sulkeutuu ja biomassa kertyy anturikohtaisen kynnyksen yli, spektri- tai takaisinhajoava signaali ei enää kasva biomassan mukana.

LiDAR välttää tämän ongelman, koska se mittaa fyysistä rakennetta spektraalisen heijastavuuden sijaan, mutta ilmassa tapahtuva LiDAR-tiedonkeruu on edelleen kallista, ja avaruudessa sijaitseva LiDAR, kuten GEDI, tarjoaa harvat, erilliset jalanjäljet seinästä seinään -peiton sijaan.

• Kentän validointi on pakollinen: Mikään kaukokartoitusmalli ei tuota luotettavia biomassa-arvioita ilman kalibrointia ja validointia todellisia kenttämittauksia vasten. Kenttädatan laatu määrää suoraan lopullisen kartan laadun – ja edustavien kenttätietojen kerääminen heterogeenisissä maisemissa on sekä kallista että teknisesti vaativaa.
• Ilmakehän vaikutukset vaativat huolellista korjausta: Aerosolit, vesihöyry ja otsoni sirottavat ja absorboivat tulevaa ja heijastunutta auringonsäteilyä muuttaen spektrisignaalia ennen kuin se saavuttaa anturin. Virheellinen tai epätäydellinen ilmakehän korjaus aiheuttaa systemaattisia virheitä, jotka leviävät koko biomassan arviointiprosessiin.
• Tietojenkäsittely vaatii erikoisosaamista: Kaukokartoitusaikasarjojen kanssa työskentely laajassa mittakaavassa vaatii paikkatietojärjestelmien (GIS), ohjelmointikielten, kuten Pythonin tai R:n, ja pilvipohjaisten paikkatietoalustojen, kuten Google Earth Enginen, tuntemusta. Tämä tekninen este rajoittaa käyttöönottoa agronomien ja maanomistajien keskuudessa, joilla ei ole datatieteen taustaa.
• Mallin epävarmuus kasvaa etäisyyden kasvaessa harjoitusdatasta: Brasilian Amazonin metsässä kalibroitu biomassamalli voi toimia huonosti, kun se siirretään rakenteellisesti erilaiseen Länsi-Afrikan metsään, vaikka molemmat luokiteltaisiin trooppiseksi kosteaksi metsäksi. Alueelliset kalibrointiaineistot ovat välttämättömiä tarkkuuden ylläpitämiseksi maantieteellisesti monimuotoisilla tutkimusalueilla.

Kaukokartoituksen biomassan arvioinnin tulevaisuuden trendit

Maaperän biomassan kartoituksen teknologiaympäristö kehittyy nopeasti. Useat toisiaan yhtenevät trendit parantavat merkittävästi biomassan arvioinnin tarkkuutta, saatavuutta ja operatiivista skaalautuvuutta seuraavien viiden–kymmenen vuoden aikana.

Tekoälyyn perustuva biomassakartoitus edustaa mullistavinta meneillään olevaa kehitystä. Syväoppimiseen perustuvat arkkitehtuurit – erityisesti konvoluutio- ja muuntajapohjaiset mallit – käsittelevät satelliittien aikasarjojen koko spektri-, spatiaali- ja ajallisen tiedon samanaikaisesti ja poimivat biomassasignaaleja, joita yksinkertaisemmat mallit eivät pysty havaitsemaan.

Tekoälyn ja koneoppimisen integrointi kaukokartoituksessa kasvoi 35% vuosina 2021–2026, Business Research Insightsin mukaan se muuttaa perusteellisesti kasvillisuusdatan analysointia laajassa mittakaavassa.

Euroopan avaruusjärjestön vuonna 2024 laukaistu BIOMASS-tehtävä kuljettaa mukanaan ensimmäistä avaruudesta käsin tehtävää P-kaistan SAR-tutkaa, joka on erityisesti suunniteltu trooppisten metsien biomassan seurantaan. P-kaistan signaalit (aallonpituus noin 70 cm) tunkeutuvat syvälle metsien latvustoihin ja saavuttavat puumaiset rungot ja suuret oksat, joihin lyhyemmän aallonpituuden tutkat eivät pääse käsiksi.

Tutkimus julkaistu julkaisussa Tieteelliset raportit (Huhtikuu 2023) osoitti, että P-kaistan TomoSAR (tomografinen SAR – tekniikka, joka rekonstruoi kolmiulotteisen metsän rakenteen useiden tutkakuvien perusteella) tuotti lupaavia AGB-arvioita Ranskan Guayanan tiheissä trooppisissa metsissä, mikä antaa esimakua siitä, mitä BIOMASS-tehtävä tulee tuottamaan operatiivisesti.

• Monianturidatan fuusio skaalautuvasti: Algoritmit, jotka yhdistävät automaattisesti optisia, tutka- ja LiDAR-datavirtoja – painottaen kutakin anturia sen luotettavuuden mukaan tietyssä ekosysteemissä ja vuodenajassa – ovat siirtymässä kokeellisista prototyypeistä kohti pilvialustoille asennettuja operatiivisia työkaluja.
• Reaaliaikainen ja lähes reaaliaikainen biomassan seuranta: Pilvipohjaiset paikkatietoalustat, kuten Google Earth Engine ja Microsoft Planetary Computer, mahdollistavat nyt satelliittitietovirtojen jatkuvan ja automatisoidun käsittelyn. Useissa trooppisissa maissa on jo käytössä lähes reaaliaikaisia metsäkadon varoituksia, jotka aktivoituvat 24–48 tunnin kuluessa metsäkadosta.
• Digitaaliset kaksoset täsmäviljelyyn: Kaukokartoituksesta saatujen biomassatietojen integrointi maaperän antureihin, säämalleihin ja satosimulaatiomalleihin luo maatilatason digitaalisia kaksosia – virtuaalisia kopioita oikeista pelloista, joiden avulla viljelijät voivat testata hoitoskenaarioita ennen niiden toteuttamista tosielämässä.
• Täsmäviljelyn integrointi: Edullisten drone-sensoreiden, satelliittiaikasarjojen ja tekoälypohjaisen analytiikan lähentyminen tekee kenttätason biomassan seurannasta ensimmäistä kertaa taloudellisesti saatavilla yksittäisille viljelijöille, ei vain tutkimuslaitoksille ja valtion virastoille.

1. Mikä satelliitti sopii parhaiten biomassan arviointiin? Ei ole olemassa yhtä parasta satelliittia kaikkiin tilanteisiin. Sentinel-2 on eniten käytetty viljelykasvien ja keskitarkkuuden metsäbiomassan kartoitukseen. GEDI LiDAR tarjoaa tarkimmat tiedot latvuston korkeudesta metsien pinta-alasta. Sentinel-1 SAR on ensisijainen valinta pilvien vaivaamilla trooppisilla alueilla. Paras operatiivinen lähestymistapa yhdistää useita sensoreita.

2. Voivatko droonit arvioida biomassaa tarkasti? Kyllä. Monispektrikameroilla tai LiDAR-antureilla varustetut droonit voivat arvioida satojen ja pienten metsäalueiden biomassaa erittäin korkealla spatiaalisella resoluutiolla. Droonien avulla tehdyt satojen biomassa-arviot saavuttavat tyypillisesti R² = 0,80–0,95 korrelaation kenttämittausten kanssa, kun lennot ajoitetaan sopiviin kasvuvaiheisiin ja spektrianturit kalibroidaan oikein.

3. Kuinka tarkkaa kaukokartoitusbiomassan arviointi on? Tarkkuus vaihtelee huomattavasti anturityypin, ekosysteemin ja mallinnusmenetelmän mukaan. Lauhkeissa metsissä, joissa on hyvä LiDAR-kattavuus, biomassakartat voivat saavuttaa 20–40 Mg/ha RMSE-arvot. Tiheissä trooppisissa metsissä pelkästään optiset lähestymistavat voivat näyttää 60–100 Mg/ha RMSE-arvoja signaalin kyllästymisen vuoksi. Usean anturin fuusiomallit ovat jatkuvasti parempia kuin yhden anturin lähestymistavat.

4. Miksi biomassan arviointi on tärkeää ilmastonmuutoksen kannalta? Metsät ja maatalousmaisemat varastoivat valtavia määriä hiiltä biomassaansa. Metsäkato ja maaperän huonontuminen vapauttavat tämän varastoidun hiilen hiilidioksidina ilmakehään, mikä kiihdyttää ilmastonmuutosta. Tarkat biomassakartat tarjoavat perustan hiilivarastojen todentamiselle, metsäkadon seurannalle ja metsänistutus- ja suojeluohjelmien tehokkuuden kvantifioinnille kansainvälisten ilmastokehysten, kuten REDD+:n, puitteissa.

5. Voiko kaukokartoituksella arvioida maanalaista biomassaa? Kaukokartoitus ei pysty suoraan mittaamaan maanalaista biomassaa. Juuri-verso-suhde arvioidaan kuitenkin yleisesti maanalaisesta biomassasta käyttämällä kenttätutkimuksista johdettuja ja IPCC:n kaltaisten organisaatioiden julkaisemia juuri-verso-suhdekertoimia. Lajikohtaiset juuri-verso-suhteet vaihtelevat useimmissa metsäekosysteemeissä 0,15:stä 0,40:een, mikä mahdollistaa epäsuoran juuri-verso-arvioinnin kaikkialla, missä maanalaisen biomassan karttoja on olemassa.

Johtopäätös

Kaukokartoituksen avulla laskettu maan biomassa on siirtynyt ratkaisevasti erikoistuneesta tutkimustekniikasta operatiiviseksi ominaisuudeksi, jolla on suoria vaikutuksia ruoantuotantoon, metsähallintoon ja ilmastopolitiikkaan. Ilmaisten satelliittitietojen, helppokäyttöisten pilvipalvelualustojen ja yhä tehokkaampien koneoppimistyökalujen yhdistyminen on mahdollistanut maisemamittakaavan biomassakartoituksen yhä useammalle organisaatiolle maailmanlaajuisesti.

Kaukokartoituksen rooli ilmaston seurannassa vain kasvaa hiilimarkkinoiden laajentuessa, metsäkadon seurantasitoumusten tehostuessa ja todennetun hiilivarastodatan kysynnän kasvaessa maailmanlaajuisesti. BIOMASS-satelliittioperaation nyt toiminnassa ollessa, GEDIn jatkaessa globaalin tietojoukkonsa laajentamista ja tekoälymallien parantaessa merkittävästi useiden anturien datafuusion avulla saatujen arviointien tarkkuutta, kyky tietää tarkasti, missä biomassa kertyy, vähenee tai pysyy vakaana maapallon pinnalla, on nyt saavutettavissa.

Hiilimarkkinat ovat siirtyneet niche-kokeiluista valtavirran ilmastorahoitusinstrumentteihin. Vapaaehtoisten maatalouden hiilidioksidipäästöoikeusmarkkinoiden arvoksi arvioitiin 36,1 miljoonaa Yhdysvaltain dollaria vuonna 2024 ja sen odotetaan nousevan 648,3 miljoonaa Yhdysvaltain dollaria vuoteen 2034 mennessä klo a 31,9% vuosittainen kasvuprosentti, Global Market Insights Inc:n mukaan Maatalous on tämän laajentumisen keskiössä, koska maaperä, viljelykasvit ja maankäyttökäytännöt edustavat valtavia, mitattavia hiilinieluja.

Haasteena on aina ollut mittaaminen: miten luotettavasti mitata miljoonien hehtaarien viljelysmaan varastoitunutta hiiltä? Kaukokartoitus, tiede, jossa kerätään tietoa maapallon pinnasta lentokoneista, droneista ja satelliiteista ilman fyysistä kosketusta, on vastaus, jota hiilimarkkinat ovat odottaneet. Se tuo mittakaavaa, nopeutta ja tieteellistä tarkkuutta maatalouden hiilidioksidipäästöjen seurantaan.

Mitä ovat hiilidioksidipäästöoikeudet ja miksi ne ovat tärkeitä?

Hiilidioksidihyvitys on kaupattava sertifikaatti, joka edustaa yhden hiilidioksidiekvivalenttitonnin (CO2e) vähentämistä tai poistamista ilmakehästä. Hyvityksiä on kahdenlaisia: hiilidioksidin vähennyshyvityksiä, jotka edustavat vältettyjä päästöjä, ja hiilidioksidin poistumishyvityksiä, jotka edustavat ilmakehästä aktiivisesti otettua ja varastoitua hiilidioksidia.

Hiilimarkkinat toimivat taloudellisina mekanismeina, jotka asettavat hinnan kasvihuonekaasupäästöille. Kun yritys ei pysty vähentämään päästöjään sisäisesti, se voi ostaa hiilidioksidipäästöoikeuksia projekteista, jotka poistavat tai välttävät vastaavan määrän päästöjä.

Tämä luo taloudellisia kannustimia esimerkiksi maaperän hiilensidonnalle, metsittämiselle ja maankäytön parantamiselle. Järjestelmää ohjaavat hiilirekisterit, sertifiointistandardit ja kolmannen osapuolen todentajat, jotka varmistavat, että jokainen hyvitys edustaa todellista, mitattavissa olevaa ilmastohyötyä.

1. Miten hiilidioksidipäästöoikeuksia syntyy maataloudessa

Maatalouden hiilidioksidihyvitykset luodaan jäsennellyn prosessin kautta, joka alkaa projektisuunnittelusta ja päättyy todennettujen hyvitysten kirjaamiseen rekisteriin. Tyypillinen järjestys on seuraava:

1. Viljelijä tai hankkeen kehittäjä valitsee tukikelpoiset kestävän viljelyn käytännöt ja määrittelee hankkeen rajat.
2. Hyväksytty menetelmä valitaan hiilirekisteristä, kuten Verra (VM0042) tai Gold Standard.
3. Lähtötilanteen mittaamiseksi ennen käytäntöjen muuttamista määritetään hiilivaraston lähtötaso.
4. Käytäntöjä toteutetaan ja seurataan koko projektin ajan, tyypillisesti kolmesta viiteen vuotta.
5. Riippumattomat kolmannen osapuolen todentajat arvioivat, onko käytäntöjä pantu täytäntöön ja ovatko väitetyt hiilidioksidihyödyt todellisia ja täydentäviä.
6. Todennetut hiilidioksidihyvitykset myönnetään ja listataan myyntiin vapaaehtoisilla tai velvoitemarkkinoilla.

Maaperän hiilensidonta luonnonsuojelukäytäntöjen avulla on ensisijainen mekanismi viljelysmaahankkeissa. Käytännöt, kuten peiteviljely, maanmuokkauksen vähentäminen ja täsmäravinteiden hallinta, lisäävät maatalousmaahan varastoituneen orgaanisen hiilen määrää, joka muuten menettää hiiltä muokkauksen ja eroosion seurauksena.

Maatalousmaa sitoo noin kolme kertaa enemmän hiiltä kuin ilmakehä. Tämä tekee maatalousmaasta yhden planeetan helpoimmin saavutettavista ja skaalautuvista hiilinieluista. Viljelysmaat ja nurmikot reagoivat nopeasti hoidon muutoksiin: siirtyminen perinteisestä maanmuokkauksesta nollamaan maanmuokkaukseen voi alkaa lisätä maaperän orgaanista hiiltä yhden tai kahden kasvukauden kuluessa.

Viljelijät hyötyvät suoraan hiilidioksidipäästöoikeuksien tuotoista. Maaperän hiilidioksidipäästöjen hankkeet muodostavat nyt noin 8-10% vapaaehtoisista hiilimarkkinoista, arvoltaan 425–530 miljoonaa Yhdysvaltain dollaria, vuoden 2025 markkinatietojen mukaan.

Tämä tulonlähde täydentää maatilojen tuloja ja parantaa samalla maaperän terveyttä, vedenpidätyskykyä ja pitkän aikavälin tuottavuutta. Hiiliohjelmiin osallistuvat maatalousyritykset ja elintarvikeyritykset saavat myös uskottavuutta toimitusketjun kestävän kehityksen raportoinnissa.

Yhteys hiililuottojen ja täsmäviljelyn välillä

Täsmäviljely on maatilan hallintamenetelmä, jossa käytetään paikkatietoa ja edistynyttä teknologiaa päätöksentekoon osa-alueella sen sijaan, että koko maatilaa kohdeltaisiin yhtenäisenä yksikkönä. Se yhdistää GPS-vastaanottimet (Global Positioning System), IoT (Internet of Things) -maaperäanturit, drooneihin asennetut kamerat ja satelliittikuvat tarjotakseen yksityiskohtaista, paikkakohtaista tietoa sadon kunnosta, maaperän ominaisuuksista ja resurssien tarpeesta.

Tuloksena on datalähtöinen tilanhoito. Sen sijaan, että koko pellolle käytettäisiin tasaista lannoitemäärää, täsmäviljelyjärjestelmä tunnistaa alueet, joilla on erilaiset ravinnetarpeet, ja soveltaa vaihtelevia määriä vastaavasti.

Tämä vähentää tuotantopanosten hukkaa, alentaa käyttökustannuksia ja tuottaa mitattavia ympäristöhyötyjä, jotka voidaan mitata hiilidioksidipäästöjen vähentämisohjelmissa. Tarkkuustyökalut vaikuttavat hiilidioksidipäästöihin useiden eri reittien kautta.

• Lannoitteiden käytön optimointi vähentää typpioksiduulin (N2O) päästöjä, joka on noin 273 kertaa voimakkaampi kasvihuonekaasu kuin hiilidioksidi 100 vuoden aikana. Typpilannoitteiden säätö voi vähentää N2O-päästöjä jopa 20-30% verrattuna yhdenmukaiseen levitykseen, European Journal of Agronomy -lehdessä julkaistun tutkimuksen mukaan.
• Maaperän kosteusantureilla kastelun ajoituksen parantaminen vähentää energiankulutusta pumppaamoilla ja rajoittaa maaperän tiivistymistä, mikä molemmat pienentävät kastelun hiilijalanjälkeä.
• Maaperän terveyden ylläpitäminen vähentämällä maanmuokkausta säilyttää maaperän kiviainesrakenteen ja suojaa orgaanista ainesta, joka pitää hiiltä paikoillaan pitkällä aikavälillä.
• Polttoaineenkulutuksen vähentäminen GPS-ohjatun koneiden reittisuunnittelun avulla alentaa dieselinkulutusta ja vähentää siten suoraan peltotyön CO2-päästöjä.

1. Kestävät viljelykäytännöt, jotka tuottavat hiilidioksidipäästöoikeuksia

Kaikki maataloustoiminta ei oikeuta hiilidioksidipäästöjen hyvityksiin. Hyväksyttyjen käytäntöjen on osoitettavasti lisäävä maaperän hiiltä, vähennettävä päästöjä tai molempia. Seuraavilla käytännöillä on vakiintuneita menetelmiä tärkeimmissä hiilirekistereissä.

i. Peiteleikkaus Peitekasvit estävät kasvukauden ulkopuolisten viljelykasvien kylvämisen, jotta elävät juuret pysyisivät maaperässä. Juuret erittävät jatkuvasti sokereita, jotka ravitsevat maaperän mikrobeja, jotka puolestaan muuttavat orgaanisen aineksen vakaaksi humukseksi, pitkäikäiseksi maaperän hiilen muodoksi. Peitekasvit estävät myös eroosiota, joka fyysisesti poistaa pintamaan ja sen sisältämän hiilen.

ii. Nollakylvö ja kevennetty kyntö minimoivat maaperän häiriintymisen ja säilyttävät maaperän fyysisen rakenteen. Perinteinen maanmuokkaus hapettaa maaperän hiiltä nopeasti altistamalla orgaanisen aineksen ilmalle. Soil and Tillage Research -lehdessä julkaistu tutkimus on osoittanut, että pitkäaikainen suorakylvö lisää maaperän orgaanisen hiilen pitoisuutta maan ylimmässä 30 cm:ssä keskimäärin 10-30% verrattuna perinteiseen maanmuokkaukseen kymmenen vuoden aikana.

iii. Kasvijätteiden pidättyminen pitää sadonkorjuun jälkeisen biomassan pellon pinnalla sen sijaan, että se poltettaisiin tai poistettaisiin. Hajotessaan kasvijätteet lisäävät maaperään orgaanista ainesta ja ravitsevat hiilensidonnasta vastaavia mikrobiyhteisöjä. Satelliittikuvilla voidaan mitata kasvijätteiden peittoprosentteja sadonkorjuun jälkeen mitattavalla tarkkuudella.

Kaukokartoitus ei ainoastaan tarkkaile maataloutta ylhäältä päin. Se muuntaa hajanaista peltotason dataa yhtenäiseksi, tieteellisesti perusteltavaksi tiedoksi siitä, miten maata hoidetaan ja kuinka paljon hiiltä se sitoo.

iv. Tarkka ravinteiden hallinta käyttää muuttuvan annostelutekniikan avulla lannoitteita tarvittaessa, oikeissa määrissä ja oikeaan aikaan. Tämä vähentää maaperän bakteerien typpioksiduuliksi muuntaman ylimääräisen typen määrää ja pienentää suoraan viljelykasvien tuotannon kasvihuonekaasujalanjälkeä.

v. Peltometsätalous ja monivuotiset kasvit sitovat hiiltä sekä maanpäälliseen puubiomassaan että maan alle laajojen, pitkäikäisten juuristojen avulla. Puut voivat varastoida hiiltä vuosikymmeniä, mikä tekee niistä arvokkaita ehdokkaita pysyvyyttä vaativille hiilidioksidipäästöoikeushankkeille.

Kaukokartoituksen rooli hiilidioksidipäästöjen mittaamisessa

Hiilidioksidipäästöoikeusohjelmat vaativat näyttöä. Rekisterit eivät voi hyväksyä viljelijän itse ilmoittamaa väitettä siitä, että maanpeitekasveja on istutettu tai että maanmuokkausta on vähennetty. Todentaminen edellyttää objektiivista, toistettavaa ja tarkastettavissa olevaa tietoa, mieluiten lähteistä, joita ei voida manipuloida jälkikäteen. Kaukokartoitus tarjoaa juuri tätä.

Satelliitti- ja drone-pohjaiset havainnot kattavat laajoja alueita samanaikaisesti, tarjoten alueellisen kattavuuden, jota kenttätutkimukset eivät yksinkertaisesti pysty taloudellisesti tarjoamaan. Maatalouden hiilidioksidipäästöjä mittaavien satelliittien markkinoiden arvoksi arvioitiin 3,2 miljardia Yhdysvaltain dollaria vuonna 2025 ja sen ennustetaan saavuttavan 8,7 miljardia Yhdysvaltain dollaria vuoteen 2034 mennessä klo a 12,8% vuosittainen kasvuvauhti, mikä osoittaa, kuinka keskeiseksi satelliittipohjaisesta seurannasta on tullut ilmasto-ohjelmissa maailmanlaajuisesti.

Sustainability Atlas (2026) havaitsi, että satelliittipohjaiset varmennusjärjestelmät vähensivät maaperän hiilidioksidin mittauskustannuksia 40% verrattuna perinteiseen kenttänäytteenottoon, ja investoinnit digitaalisiin MRV-ratkaisuihin ovat 2,3 miljardia Yhdysvaltain dollaria vuonna 2025. Viljelijät ja hankkeiden kehittäjät voivat nyt hyödyntää uskottavaa hiilidioksidipäästöjen seurantaa ilman toistuvien maaperänäytteenottokampanjoiden kohtuuttomia hehtaarikohtaisia kustannuksia.

1. Hiiliohjelmissa käytetyt kaukokartoitustekniikat

Useita erityyppisiä anturityyppejä käytetään mittakaavasta, satotyypistä ja hiilidioksidin mittaustavoitteesta riippuen. Jokaisella on omat etunsa.

1. Monispektriset anturit sieppaavat heijastuneen valon erillisillä aallonpituusalueilla, mukaan lukien näkyvä punainen, lähi-infrapuna ja lyhytaaltoinen infrapuna. He laskevat kasvillisuusindeksejä, kuten NDVI:tä (Normalized Difference Vegetation Index), suhdetta, joka vertaa lähi-infrapunan heijastavuutta punaisen heijastavuuteen.

Terve ja tiheä kasvillisuus heijastaa enemmän lähi-infrapunaa ja absorboi enemmän punaista valoa, mikä tuottaa korkean NDVI-arvon. NDVI:tä käytetään laajalti biomassan tiheyden ja fotosynteettisen aktiivisuuden mittarina, jotka molemmat korreloivat hiilensidontaan.

2. Hyperspektrianturit tallentaa satoja kapeita, yhtenäisiä aallonpituuskaistoja muutaman leveän sijaan. Tämä hienompi spektrinen resoluutio mahdollistaa niiden havaita hienovaraisia eroja kasvien biokemiassa, mukaan lukien klorofyllipitoisuus, lehtien vesi ja ligniinipitoisuus.

Nämä ominaisuudet liittyvät läheisesti maanpäälliseen hiilipitoisuuteen, ja niitä voidaan käyttää viljelykasvien biomassan mallintamiseen tarkemmin kuin laajakaistaisia monispektritietoja.

3. LiDAR (valon havaitseminen ja etäisyysmittaus) laukaisee tuhansia laserpulsseja sekunnissa maanpinnalle ja mittaa kunkin pulssin paluuseen kuluvan ajan. Tuloksena on yksityiskohtainen kolmiulotteinen pistepilvi maisemasta, joka tallentaa kasvillisuuden korkeuden, latvuston tiheyden ja maaston topografian.

Biomassaa arvioidaan yhdistämällä nämä rakennemittaukset allometrisiin yhtälöihin, matemaattisiin suhteisiin, jotka muuntavat korkeuden ja tilavuuden kuivamassaksi ja hiilipitoisuudeksi. ScienceDirectissä vuonna 2025 julkaistussa tutkimuksessa havaittiin, että LiDAR-pohjaisella hiilensidontamittauksella saavutettiin huomattavasti alhaisemmat virheprosentit kuin perinteisillä kenttäinventointimenetelmillä metsäisillä viljelymailla ja agrometsätalousjärjestelmissä.

4. SAR (synteettisen apertuurin tutka) lähettää mikroaaltoenergiaa ja mittaa pinnalta heijastuvaa energiaa. Toisin kuin optiset anturit, SAR tunkeutuu pilvipeitteeseen ja toimii yöllä, mikä tekee siitä arvokkaan trooppisilla maatalousalueilla, joilla pysyvä pilvipeite estää optisten satelliittien toiminnan viikoiksi kerrallaan. SAR on erityisen tehokas maaperän kosteuden mittaamiseen, paljaiden ja kasvillisuuden peittämien pintojen havaitsemiseen ja latvuston biomassan arvioimiseen takaisinhajoamisen intensiteettianalyysin avulla.

5. Droonipohjainen kaukokartoitus tarjoaa senttimetritason spatiaalisen resoluution, johon satelliitit eivät pysty. Monispektri- tai RGB-kameroilla varustetut droonit lentävät matalalla ja tuottavat erittäin yksityiskohtaisia karttoja yksittäisistä pelloista.

Hiiliohjelmissa droneja käytetään satelliittihavaintojen paikalliseen validointiin ja arviointeihin pienillä tai hajanaisilla kentillä, joilla satelliittipikselikoko on liian karkea hallintarajojen erottamiseksi. Tärkeimpiä hiilidioksidin seurantaa tukevia satelliittialustoja ovat seuraavat:

• Landsat (NASA/USGS): 30 metrin resoluutio ja 16 päivän uudelleentarkastelutiheys. Sen historiallinen arkisto vuodesta 1972 lähtien tekee siitä pitkäaikaisen maankäytön muutosten analyysin ja lähtötilanteen kartoituksen selkärangan.
• Sentinel-1 ja Sentinel-2 (ESA): Sentinel-2 tarjoaa 10 metrin monispektrikuvia ja viiden päivän uusintakatselun, mikä tekee siitä ihanteellisen vaihtoehdon kausittaiseen sadonseurantaan. Sentinel-1 SAR täydentää optista dataa pilvisinä aikoina.
• MODIS (NASA): 250–500 metrin resoluutio ja päivittäinen maailmanlaajuinen kattavuus. Sitä käytetään kasvillisuuden tuottavuuden ja maankäytön muutosten laajamittaiseen aikasarja-analyysiin kokonaisilla alueilla.
• PlanetScope: Kaupallinen järjestelmä, joka tarjoaa päivittäisiä 3 metrin resoluution kuvia ja mahdollistaa peltoharjoitusten havaitsemisen yksittäisten maatilojen toiminnoissa.

Kuinka GeoPard tukee hiilidioksidipäästöjen vähentämisohjelmia

GeoPard Agriculture on täsmäviljelyalusta, joka yhdistää satelliittikuvia, tutkadataa ja topografia-analytiikkaa auttaakseen viljelijöitä toteuttamaan ja seuraamaan todennettuja hiilidioksidipäästöhyvityksiä tuottavia käytäntöjä. Se integroi hiilidioksidipäästövähennysviljelyn suoraan jokapäiväiseen tilanhoitoon sen sijaan, että sitä käsiteltäisiin erillisenä toimintana.

1. Satelliittidatan ohjaama käytännön toteutus

GeoPard käyttää satelliitti- ja tutkadataa tunnistaakseen heikosti menestyvät peltoalueet, jotka soveltuvat maanpeiteviljelyyn, peltometsäviljelyyn tai maanmuokkauksen vähentämiseen. Sen sadonseurantaratkaisu ohjaa viljelykiertopäätöksiä, jotka parantavat maaperän rakennetta ja lisäävät pitkän aikavälin hiilen varastointikapasiteettia.

Topografia-analytiikka osoittaa, mitkä peltoalueet hyötyvät eniten tietyistä peitekasvilajeista, mikä poistaa arvailun hiilensidontaa suoraan edistävistä käytännöistä.

2. Päästöjen vähentäminen ja MRV-jäljitettävyys

CO2-päästöjen vähentämisessä GeoPard tukee nollakylvömenetelmään siirtymistä ja kasvijätteiden käsittelyä auttamalla viljelijöitä siirtymään pois perinteisestä maaperän häirinnästä. N2O-päästöjen vähentämisessä se mahdollistaa 4R-ravinteiden hallinnan, jossa oikeaa lannoitetta käytetään oikeaan aikaan ja oikeassa paikassa, mikä vähentää maaperässä typpioksiduuliksi muuntuvan ylimääräisen typen määrää.

MRV-puolella GeoPardin satelliittidatakerrokset luovat jatkuvan, aikaleimatun tallenteen peltotoimista koko kasvukauden ajan. Tämä paikkatietoaineisto tukee mittaus- ja raportointivaatimuksia ja antaa kolmannen osapuolen todentajille objektiivista tietoa sen vahvistamiseksi, että väitetyt käytännöt todella tapahtuivat.

Yhdistämällä päivittäiset maatilan päätökset suoraan mitattavissa oleviin hiilidioksidipäästöihin GeoPard tekee kaikenkokoisille viljelijöille käytännölliseksi ja luottavaiseksi osallistua hiilidioksidipäästöjen vähentämiseen tähtääviin ohjelmiin.

Kuinka kaukokartoitus mahdollistaa hiilidioksidipäästöjen vähentämisen: Vaiheittainen opas

1. Lähtötilanteen kartoitus

Ennen kuin hiiliprojekti voi myöntää päästöoikeuksia, sen on määritettävä uskottava lähtötaso, kvantifioitu tilannekuva siitä, kuinka paljon hiiltä projektialueella jo on ja mitä maankäyttökäytäntöjä tällä hetkellä noudatetaan. Tätä lähtötasoa vasten kaikkia tulevia parannuksia mitataan.

Kaukokartoitus mahdollistaa lähtötilanteen kartoituksen useiden integroitujen analyysien avulla. Kasvillisuuskartoitus NDVI- ja lehtipinta-alaindeksitietojen avulla tunnistaa olemassa olevat viljelykasvityypit, biomassatiheyden ja kasvukauden mallit.

Landsatin monikymmenvuotisen arkiston avulla tehty historiallinen maankäytön analyysi paljastaa, onko pelto ollut tavanomaisen viljelyn, nurmen vai sekaviljelyn alla viimeiset 10–20 vuotta. Tällä historialla on merkitystä, koska maaperän hiilipitoisuudet heijastavat vuosikymmenten kumulatiivista hoitoa, eivätkä pelkästään kuluvaa vuodenaikaa.

Maaperän ominaisuuskartoituksessa hyperspektrisatelliittidataa yhdistetään maanpinnan todellisiin maanäytteisiin, jolloin saadaan aikaan alueellisesti jatkuvia karttoja maaperän orgaanisesta hiilestä, rakenteesta ja savipitoisuudesta. Projektin rajojen tunnistamisessa käytetään GPS-rekisteröityjä satelliittikuvia hiiliprojektin tarkkojen maantieteellisten rajojen määrittämiseen, mikä on vaatimus kaikille tärkeimmille hiilirekistereille, mukaan lukien Verra ja Gold Standard.

2. Harjoituksen varmentaminen

Hiilirekisterit vaativat jatkuvaa näyttöä siitä, että kestäviä käytäntöjä todella toteutetaan, eikä vain väitetä niiden olevan olemassa. Kaukokartoitus tarjoaa tätä näyttöä satelliittikuvien aikasarja-analyysin avulla koko kasvukauden ajalta.

i. Peitekasvien havaitseminen käyttää talvikauden kasvillisuusindeksejä tunnistaakseen aktiivisesti kasvavan maanpeitteen myyntikasvien välillä. Peitekasveilla varustetulla pellolla on merkittävästi korkeammat NDVI-arvot sesongin ulkopuolella verrattuna paljaaseen peltoon.

National Center for Biotechnology Informationissa (2024) julkaistussa tutkimuksessa, jossa käytettiin Sentinel-2-dataa Etelä-Dakotassa, saavutettiin luokittelutarkkuuksia, jotka ylittivät 80% maissi- ja soijapapupeltojen peitekasvien esiintymisen ja maanmuokkausintensiteetin havaitsemiseen.

ScienceDirectin tutkimuksessa (2024) otettiin käyttöön MRV-putkisto 553 743 hehtaaria ja mitatut päästövähennykset 398 408,5 tonnia CO2e kolmen peräkkäisen hiilidioksidipäästöjen yksikköjen osalta, ja vähennykset johtuivat pääasiassa viljelykasvien käyttöönotosta ja maanmuokkausintensiteetin vähenemisestä. Satelliittipohjaiset MRV-järjestelmät voivat nyt toimia kokonaisten viljelyalueiden, ei vain yksittäisten projektipaikkojen, mittakaavassa.

ii. Nollakylvömäärän varmennus perustuu maan pinnan seurantaan sadonkorjuun ja istutuksen välillä. Suorakylvöviljelyn jälkeen kasvijätteet jäävät pinnalle ja NDVI-arvot pysyvät kohtalaisen koholla kasvijätteiden heijastavuuden vuoksi. Muokatulla pellolla näkyy äkillisiä muutoksia pinnan rakenteessa ja spektraalisessa ominaisuudessa, jotka ovat havaittavissa 10–30 metrin satelliittikuvissa. SAR-tiedot täydentävät optista analyysia havaitsemalla mekaanisiin häiriöihin liittyviä maaperän kosteuden muutoksia.

iii. Kasvijätteiden kertymisen seuranta käyttää lyhytaaltoinfrapunakaistoja arvioidakseen sadonkorjuun jälkeen maaperää peittävän kasvijätteen prosenttiosuuden. Jäänteillä on selkeä spektrinen piirre verrattuna paljaaseen maaperään, minkä ansiosta satelliittipohjaiset kasvijätteiden peittoindeksit voivat arvioida, onko 30%, 50% vai 70% pinta-alasta peittynyt. Nämä kynnysarvot määrittävät suoraan tukikelpoisuuden ja hyvitysten määrän monissa menetelmissä.

iv. Viljelykiertojen seuranta seuraa viljelykasvityypin muutoksia useiden kausien aikana käyttämällä spektraalista aikasarjadataa. Eri viljelykasveilla on ainutlaatuiset fenologiset sormenjäljet, vihertymismalli, huippukasvu ja vanheneminen kasvukauden aikana. Sentinel-2:n viiden päivän uudelleentarkastelutaajuus tallentaa nämä dynamiikat riittävän tarkasti erottaakseen maissin soijapavuista ja vehnästä peräkkäisten vuosien aikana.

3. Biomassan ja hiilivarastojen arviointi

Hiilivarastojen mittaaminen edellyttää havaittavien kasvillisuuden ja maaperän ominaisuuksien muuntamista varastoituneen hiilen määrällisiksi arvioiksi. Kaukokartoitus tukee tätä prosessia useiden tietovirtojen kautta.

Maanpäällinen biomassa (AGB) Arvioinnissa käytetään LiDAR-datasta saatua kasvillisuuden korkeutta, optisista kuvista saatua latvuston tiheyttä ja lähi-infrapunaheijastuksesta johdettua lehtipinta-alaa (LAI). Nämä syötteet syöttävät allometrisiä yhtälöitä, jotka tuottavat biomassa-arviot tonneina hehtaaria kohden. Hiilipitoisuus lasketaan tyypillisesti suunnilleen 47-50% kuivan biomassan painosta, mikä on IPCC:n ja FAO:n sadoille lajeille validoima muuntokerroin.

Maaperän orgaaninen hiili (SOC) Arviointi on monimutkaisempaa, koska maanalaista hiiltä ei voida havaita suoraan ylhäältä päin. Kaukokartoitus auttaa hyperspektrikuvien avulla, jotka havaitsevat maaperän orgaanisen aineksen spektrimerkkejä paljailla tai kevyesti kasvillisilla pelloilla, ja SAR-laitteistolla saatujen maaperän kosteustietojen avulla, jotka vaikuttavat hiilen vaihtuvuuden nopeuteen.

Näitä kaukokartoitustietoja yhdistetään prosessipohjaisiin malleihin, kuten RothC tai CENTURY, jotka simuloivat orgaanisen aineksen hajoamista ja vakautumista erilaisissa ilmasto- ja hallinto-olosuhteissa.

Hiilidioksidipäästöjen luotettavuus riippuu täysin sen taustalla olevan mittauksen tarkkuudesta. Kaukokartoitus muuttaa hiilidioksidipäästöjen todentamisen kalliista kenttätyöstä jatkuvaksi, datapohjaiseksi auditointiketjuksi.

Koneoppimisalgoritmeja, kuten satunnaismetsiä, gradientinvahvistusta ja syväoppimismalleja, käytetään yhä enemmän kaukokartoitustietojen integroimiseen kenttämittauksiin.

PeerJ:ssä (2024) julkaistu tutkimus osoitti, että koneoppimismallit, jotka yhdistävät monispektrisiä satelliitti-indeksejä rajoitettuun maaperänäytteenottoon, pystyivät ennustamaan maaperän orgaanista hiiltä kilpailukykyisellä tarkkuudella, mikä vähensi projektien validointiin tarvittavien tuhoavien maaperänäytteiden määrää.

Mittaaminen, raportointi ja todentaminen (MRV): Hiilidioksidipäästöjen perusteet

MRV (Measurement, Reporting, and Verification) on hallintokehys, joka erottaa uskottavat hiilidioksidipäästöjen hyvitykset todentamattomista väitteistä. Jokainen merkittävä hiilirekisteri edellyttää, että hankkeet noudattavat hyväksyttyä MRV-protokollaa. Kaukokartoituksesta on tullut olennainen osa kaikkia kolmea vaihetta.

1. Mittaaminen: Tiedon kerääminen

Mittaukseen kuuluu raakadatan kerääminen, josta lasketaan hiilimäärät. Satelliittipohjaisissa ohjelmissa tämä alkaa monispektri- ja SAR-kuvien automaattisella syöttämisellä säännöllisin väliajoin koko kasvukauden ajan.

Droonikartoitukset tarjoavat korkean resoluution maastodataa keskeisissä fenologisissa vaiheissa. Kohdennetuilla maaperänäytteenottokampanjoilla kerätään kenttämittauksia satelliittipohjaisten SOC-arvioiden kalibroimiseksi ja validoimiseksi. Biomassan arviointialgoritmit käyttävät yhdistettyjä tietoja kenttämittakaavan hiilivarastoarvojen tuottamiseksi.

2. Raportointi: Mittausten muuntaminen opintopisteiksi

Raportointi muuntaa käsitellyt tiedot viralliseksi dokumentaatiopaketiksi, joka toimitetaan hiilirekisteriin. Tämä sisältää hiililaskentataulukoita, projektitoimintojen alueellisia karttoja, käytännön toteutuksen todisteita ja mallinnettuja hiilivarastojen muutoksia varmennusjakson aikana.

Kansainvälisten standardien, kuten ISO 14064-2 -standardin ja GHG Protocol -ohjeiden, noudattaminen on välttämätöntä. Satelliittien aikasarja-arkistot toimivat väärentämisen estettyinä tietueina, jotka tukevat kaikkia raportoituja lukuja.

3. Vahvistus: Riippumaton vahvistus

Kolmannen osapuolen todentajat tarkistavat toimitetut asiakirjat ja arvioivat itsenäisesti, ovatko raportoidut hiilidioksidipäästöt todellisia, täydentäviä (eli niitä ei olisi tapahtunut ilman hanketta) ja pysyviä.

Kaukokartoitusaineisto, mukaan lukien satelliittikuva-arkistot ja drone-tutkimukset, tarjoaa todentajille objektiivista dataa, jota voidaan verrata projektiväitteisiin. Aikasarja-analyysi havaitsee epäjohdonmukaisuuksia, kuten viljelijän väittämän nollakylvöstä pellolla, jolla näkyy spektraalisia mekaanisen häiriön merkkejä.

Petosten havaitseminen muutospistealgoritmien avulla on yhä enemmän osa digitaalisia MRV-alustoja, jotta poikkeamat voidaan merkitä ennen kuin ne pääsevät varmennusvaiheeseen.

Marq Statsin (2026) raportoimien tietojen mukaan korkean resoluution satelliittikuvien ja koneoppimisen yhdistyminen vähensi maatilakohtaisten MRV-kustannusten 70-90% vuosien 2018 ja 2025 välillä, minkä ansiosta Indigo Carbon pystyy hallitsemaan yli 8 miljoonaa rekisteröityä eekkeriä 28 Yhdysvaltain osavaltiossa, joissa on 85% hallinnollisen tiedonkeruun taakan vähentäminen.

Tämän mittakaavan kustannussäästöt tarkoittavat, että pienviljelijät ja keskisuuret yritykset voivat nyt osallistua hiilidioksidipäästöjen vähentämiseen tähtääviin ohjelmiin, jotka aiemmin olivat vain suurten hyödyketuottajien saatavilla.

4. Miten MRV määrittää hiilidioksidihyvityksen todellisen arvon

MRV ei ole vain vaatimustenmukaisuusvaatimus. Se määrittää, onko hiilidioksidipäästövähennyksellä todellista markkina-arvoa vai ei. Ostajat, sijoittajat ja sääntelyviranomaiset hinnoittelevat hiilidioksidipäästövähennykset sen perusteella, kuinka luotettavasti niiden taustalla oleva hiili voidaan todentaa. Heikon MRV:n omaava päästövähennys myydään alennuksella tai se hylätään kokonaan.

Ilman uskottavaa tarkkailu-, raportointi- ja raportointijärjestelmää (MRV) hiilidioksidipäästöjen vähentäminen on arvailua. Viljelijä voisi väittää, että peitekasveja on istutettu, vaikka niitä ei ole istutettu. Hankkeen kehittäjä voisi yliarvioida maaperän hiilidioksidipäästöjen kasvua. Ostajat voisivat tietämättään rahoittaa hankkeita, jotka eivät tuota todellista ilmastohyötyä. Tarkastelu-, raportointi- ja raportointijärjestelmä (MRV) paikaa kaikki nämä puutteet vaatimalla dokumentoitua, todennettavaa ja standardoitua näyttöä jokaisessa vaiheessa.

Viljelijöiden kannalta vahva tarkkailu-, raportointi- ja raportointijärjestelmä (MAR) toimii heidän edukseen. Se poistaa itseraportoinnin taakan ja korvaa sen satelliittituella todisteella, jota mikään rekisteri tai ostaja ei voi kiistää. Tämä siirtyminen luottamuspohjaisesta todentamisesta datapohjaiseen todentamiseen antaa pienviljelijöille mahdollisuuden kilpailla samoilla hiilimarkkinoilla suurten maatalousyritysten kanssa.

Koko hiilimarkkinoiden kannalta uskottava tarkkailu-, raportointi- ja todentamisjärjestelmä erottaa aidot ilmastotoimet viherpesusta. Jokainen kahdesti laskettu, löyhästi arvioitu tai ilman näyttöä ilmoitettu hiilidioksiditonni heikentää koko järjestelmää.

Kaukokartoitukseen perustuva MRV paikaa tätä kuilua tekemällä mittaustavoitteesta, raportoinnista standardoidun ja todentamisesta riippumattoman. Tästä syystä satelliittipohjaiseen MRV:hen perustuvilla hiilidioksidihyvityksillä on nyt 15–25%:n hintapreemio vapaaehtoisilla markkinoilla – ostajat maksavat enemmän, koska hyvityksen taustalla olevaa tieteellistä näyttöä on vaikeampi kiistää.

Kaukokartoituksen hyödyt hiililuotto-ohjelmille

Kaukokartoituksen edut puhtaasti kenttäpohjaiseen hiilidioksidipäästöjen seurantaan verrattuna ovat huomattavia ja moninkertaistuvat ohjelmien skaalautuessa kattamaan laajempaa maata.

1. Laajamittainen seuranta on mahdollista murto-osalla kustannuksista. Yksi Sentinel-2-luotain kattaa 100 x 100 kilometriä ja valvoo tuhansia maatiloja yhdellä kierroksella ilman maahenkilöstön osallistumista.
2. Todentaminen on nopeampaa ja vähemmän työlästä. Hiilidioksidipäästöjen hallintaohjelmat, jotka aiemmin vaativat kuukausien kenttäkäyntejä, voivat suorittaa käytännön todentamisen muutamassa päivässä automatisoitujen satelliittianalyysimenetelmien avulla.
3. Läpinäkyvyys lisääntyy ostajille, rekistereille ja sijoittajille. Satelliittiarkistot luovat objektiivisen ja toistettavan tallenteen siitä, mitä pellolla tapahtui projektijakson aikana, riippumatta sidosryhmien intresseistä.
4. Inhimilliset virheet vähenevät. Automaattinen kuvien luokittelu ja hiilidioksidin mallinnus käyttävät yhdenmukaisia algoritmeja kaikilla projektialueilla, mikä eliminoi eri kenttäarvioijien käyttämien otantamenetelmien aiheuttaman vaihtelun.
5. Sijoittajien luottamus kasvaa. Institutionaaliset ostajat vaativat yhä useammin kvantitatiivista, dataan perustuvaa luottokelpoisuuden validointia ennen pääoman sitomista hiilihankkeisiin. Kaukokartoitukseen perustuvat Core Carbon Principles (CCP) -merkinnät sisältävät nyt... 15-25%-hintapreemiot, vapaaehtoisten hiilimarkkinoiden integriteettineuvoston vuoden 2025 tietojen mukaan.

Parempi päätöksentekovirta kaikille sidosryhmille. Viljelijät saavat paikkatietoisesti eksplisiittistä palautetta siitä, mitkä pellot suoriutuvat hyvin tai heikosti hiilidioksidipäästöjen osalta. Hankkeiden kehittäjät voivat kohdistaa seurantaresursseja korkean riskin alueille. Rekisterit voivat priorisoida varmennustoimia automaattisen poikkeamien havaitsemisen perusteella.

Hiilimarkkinoiden haasteet ja rajoitukset

Kaukokartoitus on tehokasta, mutta ei rajatonta. Sen nykyisten rajoitusten ymmärtäminen on olennaista tieteellisesti puolustettavien hiiliohjelmien suunnittelussa.

1. Pilvisyys on edelleen jatkuva este optisille satelliittiantureille trooppisilla ja monsuunisateiden vaivaamilla maatalousalueilla. Kasvukauden keskeisinä ajanjaksoina peräkkäiset pilvettömät havainnot voivat olla mahdottomia, mikä aiheuttaa aukkoja seurantatietoihin. SAR kompensoi tätä osittain, mutta useiden anturien datajoukkojen integrointi lisää käsittelyn monimutkaisuutta.
2. Maan alla olevaa hiiltä ei voida havaita suoraan avaruudesta. Maaperän orgaanisen hiilen arviointi kaukokartoituksen avulla on aina malliriippuvaista ja perustuu pinnan spektriarvoihin ja prosessipohjaisiin simulaatioihin, joihin liittyy luonnostaan epävarmuutta.
3. Paikallinen resoluutio rajoittaa käytäntöjen havaitsemista pienillä peltotasoilla. Pienviljelijöiden hallitsemilla alueilla, joilla pellot ovat alle hehtaarin kokoisia, jopa 10 metrin Sentinel-2-pikselit voivat ulottua useiden hallintoalueiden rajojen yli, mikä vaikeuttaa käytäntöjen selkeää määrittämistä.
4. Maanpinnan perusteella tehtävä validointi on edelleen pakollista. Satelliittimallit vaativat kalibrointia kenttämaanäytteillä ja kenttähavainnoilla. Mikään nykyinen kaukokartoitusmenetelmä ei poista maastodatan tarvetta kokonaan.

Hiiliohjelmien standardointi on toinen haaste. Eri rekisterit hyväksyvät erilaisia kaukokartoitusmenetelmiä, erilaisia satelliittialustoja ja erilaisia mallinnusmenetelmiä. Yhdellä menetelmällä validoitua hyvitystä ei välttämättä tunnista eri standardin mukaisesti toimiva ostaja, mikä aiheuttaa markkinoiden pirstaloitumista ja rajoittaa luottojen likviditeettiä ja viljelijöiden osallistumista.

Kaukokartoituksen tulevaisuus hiilimarkkinoilla

Satelliittiteknologian, tekoälyn ja digitaalisen maatalouden infrastruktuurin innovaatioiden vauhti viittaa siihen, että nykyisten kaukokartoitusjärjestelmien rajoitukset ratkaistaan asteittain seuraavan vuosikymmenen aikana.

Tekoäly ja koneoppiminen mullistavat jo hiilidioksidipäästöjen arviointia. Miljoonien satelliittipikseleiden avulla koulutetut syväoppimismallit voivat tunnistaa maanmuokkauskuviot, viljelykasvityypit ja käytäntöjen muutokset tarkemmin ja pienemmillä lohkokohtaisilla kustannuksilla kuin mikään aiempi menetelmä.

Remote Sensing of Environment (2024) -lehdessä julkaistut rajaseudun mallit osoittivat, että hyperspektraaliset koneoppimismallit pystyivät ennustamaan maaperän orgaanista hiiltä eri mannertasoilla kilpailukykyisellä tarkkuudella, kun niitä koulutettiin spatiaalisesti monimuotoisilla maaperän spektrikirjastoilla.

Korkean resoluution kaupalliset satelliittikonstellaatiot, mukaan lukien PlanetScopen 3 metrin päivittäinen peitto ja tulevat erittäin korkean resoluution järjestelmät, tekevät peltoharjoitusten seurannan mahdolliseksi yksittäisten tilojen tasolla toimiville ohjelmille.

Droonien ja satelliittien datan yhdistäminen mahdollistaa monitasoisen seurantamenetelmän: satelliitit tarjoavat jatkuvaa kattavuutta, kun taas droonit tarjoavat validointitietoja silloin ja siellä, missä niitä eniten tarvitaan.

• IoT-integraatio mahdollistaa reaaliaikaisten maaperäanturitietojen syöttämisen kenttäkosteus- ja hiiliantureiden verkostoista suoraan kaukokartoituksen kalibrointiputkiin, mikä vähentää riippuvuutta säännöllisestä manuaalisesta maaperänäytteenotosta.
• Digitaaliset kaksoset maatalousmaisemille ovat nousemassa esiin tapana simuloida hiilidynamiikkaa koko maatilalla käyttämällä yhdistettyjä kaukokartoitus-, sää- ja maaperätietoja. Nämä simulointiympäristöt antavat projektikehittäjille mahdollisuuden mallintaa "mitä jos" -skenaarioita eri käytäntöyhdistelmille ennen sitoutumista menetelmään.
• Lohkoketjuteknologiaan perustuva hiilidioksidin seuranta linkittää satelliiteilla varmennetut hiilitapahtumat muuttumattomiin kirjanpitotietoihin, tarjoten ostajille täydellisen auditointiketjun kenttähavainnoista hyvitysten poistamiseen.
• Automatisoidut MRV-alustat korvaavat manuaaliset tiedonlähetystyönkulut. Yritykset, kuten tanskalainen Agreena, käyttävät maanhavainnointidataa seuratakseen maankäytön muutoksia tuhansilla EU:n tiloilla, ja hiilidioksidipäästöoikeuksia myönnetään jatkuvan satelliittianalyysin perusteella EU:n hiilidioksidipäästöjä koskevan maatalousasetuksen (EU 2024/3012) mukaisesti.

Lähes reaaliaikainen hiilidioksidipäästöjen seuranta, jossa satelliittien uudelleenkäyntitaajuudet lähestyvät päivittäisyyttä ja analyysiputket käsittelevät kuvia tuntien sisällä hankinnasta, mahdollistaa pian käytännön suunnanmuutosten, kuten viljelijän paluun maanmuokkaukseen kesken projektin, havaitsemisen ennen merkittävää hiilihäviötä. Maailmanlaajuiset satelliittikonstellaatiot ja laajeneva käsittelyinfrastruktuuri tuovat tämän ominaisuuden tärkeimpien hiilirekisterien ulottuville 2020-luvun lopulla.

Johtopäätös

Kaukokartoituksen mahdollistama hiilidioksidipäästöjen hyödyntäminen perustuu yhteen keskeiseen etuun: se muuttaa näkymättömän mitattavaksi. Maaperään ja kasvillisuuteen varastoitunutta hiiltä ei voida suoraan punnita tai laskea. Mutta viljelykäytännöt, jotka määräävät, kuinka paljon hiiltä maisema sisältää, mukaan lukien mitä istutetaan, miten maaperää hoidetaan ja miten biomassa jakautuu, jättävät kaikki havaittavia spektraalisia ja rakenteellisia jälkiä, joita satelliitit, LiDAR-järjestelmät ja SAR-alustat voivat havaita, tallentaa ja mitata.

Lähtötilanteen kartoituksesta käytännön todentamiseen, biomassan arvioinnista MRV-dokumentointiin, kaukokartoitus tarjoaa tieteellisen perustan, jota hiilimarkkinat tarvitsevat toimiakseen rehellisesti. Täsmäviljelyn ja hiilimarkkinoiden välinen yhteys ei ole koskaan ollut vahvempi. Viljelijät, jotka omaksuvat datalähtöisiä hallintakäytäntöjä, eivät ainoastaan paranna tuottavuuttaan. He tuottavat todennettavissa olevaa, alueellisesti eksplisiittistä hiilidioksiditodisteita, joita rekisterit, ostajat ja sääntelyviranomaiset yhä enemmän vaativat.

Kaukokartoituksen avulla tehty haihduntamittaus on yksi merkittävimmistä edistysaskeleista maatalouden vesitieteessä viimeisten kahden vuosikymmenen aikana. Yhdistämällä satelliittipohjaisia lämpötietoja, kasvillisuusindeksejä ja energiatasapainofysiikkaa tiedemiehet ja maanviljelijät voivat nyt arvioida, kuinka paljon vettä poistuu maan pinnalta miljoonien hehtaarien alueella – ilman yhtäkään maanpäällistä anturia.

Tämä ominaisuus mullistaa tapaa, jolla agronomit aikatauluttavat kastelua, miten hallitukset seuraavat kuivuutta ja miten tutkijat määrittävät kokonaisten jokien valuma-alueiden vesijalanjäljen. Maatalous kuluttaa noin 701 300 tonnia kaikesta maailman makean veden otosta, mutta suurinta osaa tästä vedestä ei koskaan mitata suoraan pellolla – tämä on kriittinen aukko, jota kaukokartoituksella tehtävä haihdunnan seuranta on nopeasti kuromassa umpeen.

Mikä on evapotranspiraatio?

Haihdunta (ET) on yhdistetty prosessi, jossa vesi siirtyy maan pinnalta ilmakehään. Siinä on kaksi samanaikaisesti toimivaa osaa: haihtuminen, nestemäisen veden suora muuntuminen maaperästä, vesistöistä ja kasvien pinnoilta vesihöyryksi; ja transpiraatio, kasvien juurien imemän veden biologinen liikkuminen, veden kuljettuminen ylöspäin varren läpi ja vapautuminen höyrynä lehtien pienten huokosten, joita kutsutaan ilmaraoiksi, kautta.

Yhdessä nämä kaksi prosessia vastaavat suurimmasta vesivirtauksesta, joka poistuu maaekosysteemistä. Useimmissa maatalousmaisemissa vesi palauttaa 60–80 prosenttia kaikista sateista takaisin ilmakehään. Tämä luku tekee vesivarannoista hallitsevan muuttujan maan vesitasapainossa – useimmissa viljelyympäristöissä vaikuttavamman kuin valunta tai syväsuodatus.

Maaperän kosteus (ET) on hydrologisen kierron keskipisteessä ja yhdistää maanpinnan, biosfäärin ja ilmakehän. Kun ET-pitoisuudet ovat korkeat, maaperän kosteus ehtyy nopeammin, jokien pohjavirtaamat pienenevät ja pohjavesikerroksen muodostumisnopeus hidastuu. Kun ET-pitoisuus hidastuu – kuivuusstressin, viljelykasvien vanhenemisen tai maankäytön muutoksen vuoksi – seuraukset heijastuvat veden saatavuuteen alajuoksulla.

Ilmastotieteessä ET on ensisijainen kytkentämekanismi hiilen ja veden kiertokulkujen välillä. Kasvit avaavat ilmaraot absorboidakseen hiilidioksidia fotosynteesiä varten ja samalla vapauttavat vesihöyryä. Kaikki muutokset maapallon kasvillisuuden peitteessä, lämpötilassa tai hiilidioksidipitoisuudessa siirtävät planeetan ET-tasapainoa ja heijastuvat takaisin alueellisiin sademääriin.

Miksi haihdunnan seuranta on vedenhallinnan prioriteetti?

Tarkat vedenkulutustiedot ohjaavat parempia päätöksiä useilla eri sektoreilla. Maataloudessa peltotason todellisen vedenkulutuksen tunteminen kertoo kastelujärjestelmän johtajalle tarkalleen, kuinka paljon vettä on levitettävä, milloin sitä on levitettävä ja missä vajeita syntyy ennen kuin satoon ilmenee näkyvää stressiä.

Tämä tarkkuus estää sekä liikakastelun, joka tuhlaa vettä ja huuhtoutuu ravinteita, että alikastelun, joka vähentää satoa.

1. Kastelun aikataulutus: ET-pohjainen kastelun ajoitus korvaa arvailun fysiikalla. Kun viljelijä tietää, että maissipelto menettää heinäkuussa 7 mm vettä päivässä ET:n vuoksi, hän voi korvata tarkalleen kyseisen vajeen sen sijaan, että kastelisi kiinteän kalenterivälin mukaisesti.

2. Kuivuuden seuranta: Todellisen haihtumisasteen (ET) pysyvä lasku suhteessa viite-ET:hen (joka haihtuisi rajoittamattoman vedensaannin vallitessa) viestii kehittyvästä kuivuusstressistä. Kaukokartoitus tallentaa tämän signaalin viikkoja ennen kuin sadonmenetys tulee silmin havaittavaksi.

3. Vesivarojen suunnittelu: Vesistöjen vedenkulutuksen seuranta valuma-alueen tasolla vaatii maantieteellistä tietoa (ET) valuma-alueen tasolla. Satelliittien ET-seuranta tarjoaa tämän alueellisen kattavuuden murto-osalla maa-asemaverkoston kustannuksista.

4. Ilmastonmuutoksen arviointi: Pitkän aikavälin vedenkäytön trendit paljastavat, kuinka lämpenevät lämpötilat ja muuttuvat sademäärät muuttavat ekosysteemien vedenkäyttöä – tiedot, jotka ohjaavat sopeutumissuunnittelua alueellisella ja kansallisella tasolla.

5. Ekosysteemin terveyden seuranta: Kosteikkojen haihtumisnopeudet, metsien haihtuminen ja niittyjen vedenkäyttö reagoivat kaikki herkästi ekologisiin häiriöihin. Kaukokartoitushaihdutus havaitsee nämä muutokset laajoilla, saavuttamattomilla maisemilla.

Mitkä tekijät vaikuttavat haihtumiseen?

Haihdunta (ET) muodostuu ilmasto-olosuhteiden, maiseman ominaisuuksien ja kasvibiologian yhdistelmän vaikutuksesta. Alla on erittely keskeisistä tekijöistä.

1. Maaperätyyppi. Maaperän koostumuksella on merkittävä rooli vedenpidätyskyvyssä ja haihtumisessa. Hiekkaiset tai soraiset maaperät pidättävät yleensä vähemmän vettä ja vapauttavat sitä enemmän haihtumalla, kun taas savipitoiset tai savipitoiset maaperät pidättävät kosteutta paremmin.

2. Ilman lämpötila. Lämpötila vaikuttaa suoraan ET-nopeuksiin. Lämpimämmällä ilmalla on suurempi kyky pidättää kosteutta, ja lisääntynyt lämpötila kiihdyttää veden muuttumista höyryksi, mikä lisää haihtumista.

3. Auringon säteily. Lämmön tuottamisen lisäksi auringonsäteilyyn liittyy energiatasojen, taajuuden ja albedon vaihteluita – jotka kaikki vaikuttavat ET:hen. Nämä tekijät vaihtelevat sijainnin ja vuodenajan mukaan, ja niiden tarkka mittaaminen vaatii usein edistynyttä teknologiaa.

4. Kosteus. Suhteellinen kosteus (RH) tarkoittaa ilmassa olevan vesihöyryn määrää suhteessa sen maksimikapasiteettiin. Kun kosteus on korkea, ilma imee itseensä vähemmän kosteutta, mikä hidastaa haihtumisnopeutta (ET). Toisaalta kuivempi ilma voi imeä itseensä enemmän höyryä, mikä johtaa korkeampaan haihtumisnopeuteen.

5. Kasvipeite. Eri kasvilajit ovat vuorovaikutuksessa veden kanssa eri tavoin. Jotkut varastoivat vettä tehokkaasti kuivina kausina, kun taas toiset menettävät sitä nopeammin. ET-nopeuksiin vaikuttavat myös kasvin ikä, terveys ja juurien syvyys – syvemmät juuret antavat kasveille mahdollisuuden selvitä pidempään ilman kastelua. Nämä fysiologiset erot tarkoittavat, että ET voi vaihdella suuresti eri viljelykasvien välillä, mikä vaatii räätälöityjä kastelustrategioita.

6. Tuulen nopeus. Tuuli on merkittävä sekä haihtumisen että transpiraation ajuri. Se levittää kasvillisuuden päälle kertyvää kosteaa ilmakerrosta, mikä lisää ET-arvoa. Se myös edistää höyryn diffuusiota kasvien huokosten läpi, mikä tehostaa haihtumista. Erittäin voimakkaat ja kuivat tuulet voivat kuitenkin joskus haitata höyryn diffuusiota, mikä vähentää ET-arvoa hieman tietyissä olosuhteissa.

Haihdunnan keskeiset käsitteet

ET(0) heijastaa ilmakehän kykyä ohjata veden haihtumista ja on puhtaasti ilmastoon perustuva. ET(c) mittaa veden haihtumista terveistä, hyvin kastelluista viljelykasveista, jotka kasvavat ihanteellisissa olosuhteissa täydellä satopotentiaalillaan. Kun viljelykasvien hoito on epäoptimaalista tai ne kohtaavat ympäristöhaasteita, ET(c)-arvoa on muutettava, jotta saadaan ET(c adj). Viljelmien haihdunta ymmärretään kolmen erillisen käsitteen kautta:

1. ET(0) — Viitearvohaihdunta
2. ET(c) — Haihdunta standardiolosuhteissa
3. ET(c adj) — Haihdunta epästandardeissa olosuhteissa

1. Vertailuhaihdunta — ET(0)

ET(0) edustaa nopeutta, jolla vesi haihtuu hyvin kastellulta vertailupinnalta – tyypillisesti mallinnetaan idealisoidusta ruohopeitteestä, joka täyttää tietyt kriteerit.

Tämä mittaus mittaa ilmakehän haihtumiskynnystä riippumatta viljelykasvin tyypistä, kasvuvaiheesta tai viljelykäytännöistä. Koska vertailupinnan oletetaan olevan täysin kostea, maaperän olosuhteet jätetään laskelman ulkopuolelle, mikä poistaa tarpeen määrittää erillisiä ET-kynnysarvoja jokaiselle viljelykasville jokaisessa kasvuvaiheessa.

ET(0) määräytyy kokonaan ilmastollisten muuttujien mukaan, ja tyypilliset arvot vaihtelevat agroklimaattisten vyöhykkeiden välillä, vaikka nämä luvut toimivat vain yleisinä vertailuarvoina.

2. Haihdunta standardiolosuhteissa — ET(c)

ET(c) ilmaisee terveen, hyvin ravinteisen ja suurilla, riittävästi kastelluilla pelloilla suotuisissa sääolosuhteissa ja huipputuottavuudella kasvatetun sadon vapauttaman veden määrän. Se johdetaan kertomalla vertailu-ET satokertoimella K(c):

ET(c) = ET(0) × K(c)

3. Haihdunta epästandardeissa olosuhteissa — ET(c adj)

ET(c adj) ottaa huomioon todelliset poikkeamat ihanteellisista kasvuolosuhteista. Tekijät, kuten tuholaisten ja tautien aiheuttama paine, veden alijäämä tai liikakäyttö, maaperän suolapitoisuus ja heikko maaperän hedelmällisyys, voivat aiheuttaa sen, että todellinen viljelykasvien vedenkäyttö poikkeaa merkittävästi ET(c):stä. Näiden vaikutusten kuvaamiseksi viljelykasvien kertoimen rinnalla otetaan käyttöön vesistressikerroin K(s):

ET(c adj) = ET(0) × K(c) × K(s)

Perinteiset menetelmät haihtumisen mittaamiseksi

Ennen kaukokartoitusta tutkijat mittasivat maanpäällistä avaruutta suorilla fysikaalisilla instrumenteilla. Jokainen menetelmä toimii hyvin tietyllä mittakaavalla, mutta siihen liittyy merkittäviä kompromisseja, jotka rajoittavat laajaa maatalouden soveltamista. Joitakin parhaita maanpäällisiä maanpäällisiä mittaustekniikoita ovat:

1. Lysimetri: Lysimetri (suuri, maanpinnan tasolle asennettu, mullalla ja kasvavalla sadolla täytetty säiliö) mittaa energiankulutusta (ET) punnitsemalla maa-ainespalaa ajan kuluessa. Kun sademäärää hallitaan ja valumavesi kerätään, aikavälien massaero vastaa todellista energiankulutusta (ET).

Lysimetrit tarjoavat tarkimmat saatavilla olevat ET-mittaukset, mutta ne maksavat satoja tuhansia dollareita yksikköä kohden, peittävät vain muutaman neliömetrin alueen eivätkä pysty edustamaan todellisen kentän spatiaalista vaihtelua.

2. Eddy-kovarianssijärjestelmä: Pyörremyrskykovarianssijärjestelmä mittaa ET:tä laskemalla pystysuoran tuulen nopeuden ja vesihöyrypitoisuuden välisen kovarianssin latvuston yläpuolella käyttämällä nopeita antureita. Se kattaa "jalanjäljen" useista sadoista metreistä muutamaan kilometriin, mikä tekee siitä paljon edustavamman kuin lysimetri.

Fluksitornien asennus ja ylläpito maksavat kuitenkin 50 000–300 000 Yhdysvaltain dollaria, ja maailmanlaajuisessa FLUXNET-verkostossa on vain noin 900 aktiivista tukikohtaa – aivan liian harvassa maatalouden etäsynteesin seurannassa kansallisella tasolla.

3. Bowenin suhdemenetelmä: Bowenin suhdemenetelmässä arvioidaan lämpövuon (ET) mittaamalla havaittavan lämpövuon (ilman lämmitys) ja latenttisen lämpövuon (ET) suhde käyttämällä latenttien latenttien lämpötila- ja kosteusgradientteja latenttien yläpuolella. Se on yksinkertaisempi kuin pyörrekovarianssi, mutta vaatii homogeeniset olosuhteet eikä sitä voida käyttää monimutkaisessa maastossa.

4. Sääasemaan perustuvat ET-laskelmat Laske FAO:n Penman-Monteithin yhtälöä käyttäen viite-ET0 ilman lämpötila-, kosteus-, tuulen nopeus- ja säteilytiedoista. Tätä menetelmää käytetään laajalti kastelun aikatauluttamiseen, mutta se tuottaa viite-ET:n, ei todellista ET:tä, koska se olettaa hyvin kastellun vertailukasvin eikä pellolla olevaa todellista satoa.

Kaikkien maanpäällisten menetelmien keskeinen ongelma on mittakaava. Yksi lysimetri edustaa muutamaa neliömetriä. Fluksitorni kattaa parhaimmillaankin muutaman sadan hehtaarin. Nykyaikainen maatalouden vesien hallinta vaatii kuitenkin peltotasolla tapahtuvaa ET-dataa koko jokien valuma-alueilta – spatiaalinen haaste, johon vain kaukokartoitus voi vastata.

Kaukokartoituksen perusteet ET-seurantaa varten

Kaukokartoitus on maanpäällisen säteilyn seurannan yhteydessä satelliitti- tai lentokoneista saatavan datan hankkimista ja analysointia, jolla arvioidaan maan pinnalta poistuvaa veden virtausta koskematta fyysisesti kyseiseen pintaan.

Lähestymistapa toimii, koska kasvit ja maaperä vaihtavat energiaa ilmakehän kanssa tavoilla, jotka ovat havaittavissa avaruudesta käsin – erityisesti lämpöinfrapunasäteilyn kautta. Kun kasvi höyrystyy tehokkaasti, se käyttää tulevaa auringonenergiaa veden haihduttamiseen lämmittämisen sijaan. Riittävästi kosteutta sisältävä kasvilatvusto pysyy suhteellisen viileänä.

Vesistressistä kärsivä latvusto sitä vastoin sulkee ilmaraot veden säästämiseksi, ja koska vähemmän latenttia lämpöä (ET) kuluttaa tulevaa energiaa, latvuston pintalämpötila nousee. Tämä on perustavanlaatuinen fysikaalinen signaali, jonka lämpökaukokartoitus tallentaa.

Satelliittien avaruusolennon arvioinnin taustalla olevat keskeiset fysikaaliset periaatteet

The energiatasapaino on hallitseva viitekehys. Millä tahansa maapinnalla auringosta ja ilmakehästä saapuvan nettosäteilyn (Rn) on oltava kolmen energianielun summa: maaperän lämpövirta (G), aistittava lämpövirta (H, joka lämmittää ilmaa) ja latentti lämpövirta (LE, joka ohjaa ET:tä). Yhtälönä kirjoitettuna: Rn = G + H + LE. Arvioimalla Rn:n, G:n ja H:n satelliittidatasta malli johtaa LE:n – ja siten ET:n – jäännöksenä.

1. Maanpinnan lämpötila Lämpöinfrapuna-alueella mitattu LST (LST) on ensisijainen havaittava arvo, jota käytetään havaittavan lämpövuon H arvioimiseen. Kuumempi pinta siirtää enemmän lämpöä ilmaan (korkea H), jolloin ET:lle jää vähemmän energiaa (alhainen LE). Viileämmällä, hyvin kastellulla pinnalla on alhaisempi H ja korkeampi LE.

2. Kasvillisuusindeksit kuten NDVI, ne mittaavat, kuinka paljon vihreää, fotosynteettisesti aktiivista kasvimateriaalia peittää pinnan, mikä säätelee haihtumisnopeutta. Tiheä, vihreä latvusto haihduttaa enemmän kuin paljas maa tai harva metsikkö.

3. Nettosäteily lasketaan lyhyt- ja pitkäaaltoisten säteilyvuotojen perusteella, jotka kaukokartoitus arvioi pinnan albedon, kasvillisuuden ja lämpöemissiotietojen perusteella.

Satelliittipohjainen haihduntaseuranta ei korvaa maanpinnan tasalla olevia tietoja – se on ainoa työkalu, joka voi tuottaa alueellisesti jatkuvaa vedenkäyttötietoa siinä mittakaavassa, jossa maatalouteen ja hydrologiaan liittyvät päätökset todellisuudessa tehdään.

Kaukokartoituksen etu maanpäällisiin menetelmiin verrattuna ei ole pelkästään alueellinen kattavuus. Satelliittidata tarjoaa synoptisia, toistettavia mittauksia erittäin heterogeenisissä maisemissa – jotain, mitä mikään maanpäällinen verkko ei voisi toistaa vastaavilla kustannuksilla.

Kaukokartoitustietolähteet ET-arviointia varten

Avaruudesta käsin tehtävä ET-arviointi vaatii useiden eri anturityyppien datan yhdistämistä. Mikään yksittäinen satelliitti ei tarjoa kaikkia täydellisen ET-mallin tarvitsemia syötteitä, joten operatiiviset ET-tuotteet yhdistävät tyypillisesti dataa useilta alustoilta.

1. Satelliittialustat maan ulkopuolisen avaruuden arvioimiseen

i. Landsat (USGS/NASA) on toiminut jatkuvasti vuodesta 1972 lähtien ja tarjoaa 30 metrin spatiaalisen resoluution monispektri- ja lämpökuvia 16 päivän tarkistussyklillä. Sen pitkä arkisto tekee siitä korvaamattoman historiallisen maan ulkopuolisen avaruuden analysoinnissa ja satojen seurannassa. Useimmat energiatase-maan ulkopuolisen avaruuden mallit – mukaan lukien SEBAL ja METRIC – suunniteltiin alun perin Landsat-datan ympärille.

ii. Sentinel-2 (ESA) tarjoaa 10 metrin monispektrikuvia ja 5 päivän tarkistusajan korkean resoluution kasvillisuusindeksin laskentaan. Vaikka siinä ei olekaan lämpötilavyöhykettä, se täydentää Landsatia tarjoamalla useammin saatavaa, korkeamman resoluution NDVI-, EVI- ja LAI-dataa kasvillisuuspohjaisille avaruusmalleille.

iii. MODIS (Moderate Resolution Imaging Spectroradiometer, NASA) tarjoaa päivittäisen maailmanlaajuisen kattavuuden 250 metristä 1 kilometriin tarkkuudella. Sen karkeampi spatiaalinen resoluutio rajoittaa kenttätason sovelluksia, mutta tekee siitä ihanteellisen mannertenväliseen ja maailmanlaajuiseen maan ulkopuolisen avaruuden seurantaan esimerkiksi MOD16:n kaltaisten tuotteiden avulla.

iv. EKOTRESS (NASA) on asennettu kansainväliselle avaruusasemalle ja se tuottaa 70 metrin tarkkuudella lämpöinfrapunadataa 1–5 päivän tarkkuudella. ECOSTRESS on suunniteltu erityisesti mittaamaan viljelykasvien vesistressiä ja etäisilmakehää lähikentällä – kykyvajetta, jota MODIS ja aiemmat satelliitit eivät kyenneet täyttämään.

vastaan VIIRS Suomi-ydinvoimalaitoksen ja JPSS-satelliittien Visible Infrared Imaging Radiometer Suite (NOAA/NASA) jatkaa MODISin maailmanlaajuista päivittäistä kattavuusperintöä parannetulla anturikalibroinnilla, joka tukee operatiivisia ET-tuotteita alueellisesta maailmanlaajuiseen mittakaavaan.

2. Miehittämättömien ilma-alusten ja dronejen avulla tehtävät maan ulkopuolisten avaruusolentojen havainnot

Lämpökameroilla ja monispektrisillä sensoreilla varustetut miehittämättömät ilma-alukset (UAV:t) voivat kartoittaa maan ulkopuolista avaruutta yksittäisten peltojen alueella alle metrin spatiaalisella resoluutiolla. Drooniin asennettu lämpökamera mittaa latvuston lämpötilan suoraan, ja yhdistettynä maanpäällisiin meteorologisiin tietoihin se tuottaa maan ulkopuolista avaruutta koskevia karttoja resoluutiolla, jota mikään satelliitti ei pysty tarjoamaan.

• Lämpökuvausdroonit havaita pellolla vesistressistä kärsivät kasvialueet ennen kuin näkyviä oireita ilmenee, mikä mahdollistaa vaihtelevan kastelumäärän pellon sisällä.
• Monispektriset anturit droneissa lasketaan NDVI ja EVI senttimetrin tarkkuudella, ja ne syötetään satokertoimeen perustuviin ET-malleihin tarkkaa kenttätyön aikataulutusta varten.
• Korkean resoluution ET-kartoitus Miehittämättömien ilma-alusten tuottama vesi on erityisen arvokasta erikoiskasveille – hedelmäpuille, viinitarhoille ja vihanneksille – joissa pellon sisäinen vaihtelu on suurta ja vesistressin kustannukset ovat suuret.

ET-seurannassa käytetyt keskeiset kaukokartoitusmuuttujat

Jokainen satelliittidatasta poimittu muuttuja tuo oman osansa ET-arvion palapelistä. Ymmärtämällä, mitä kukin muuttuja mittaa ja miksi se on tärkeä, ammattilaiset voivat valita oikean mallin ja tulkita tuloksia oikein.

1. Normalisoitu erotuskasvillisuusindeksi (NDVI) lasketaan muodossa (NIR – Punainen) / (NIR + Punainen) käyttäen lähi-infrapuna- ja punaisen kaistan heijastavuutta. Se vaihtelee välillä -1 - +1, ja tiheän vihreän kasvillisuuden tyypillisesti saa arvoksi 0,6–0,9. NDVI kuvaa latvuston tiheyttä ja vihreyttä, jotka korreloivat suoraan lehtipinta-alan ja haihduntakapasiteetin kanssa.

2, Parannettu kasvillisuusindeksi (EVI) lisää sinisen kaistan vähentämään ilmakehän häiriöitä ja maaperän taustavaikutuksia, jotka heikentävät NDVI:tä tiheästi kasvillisilla tai usein pilvisillä alueilla. EVI on herkempi kuin NDVI suuren biomassan alueilla ja sitä käytetään MOD16 ET -algoritmissa.

3. Lehtipinta-alaindeksi (LAI) mittaa yksipuolisen lehtipinta-alan maanpinta-alayksikköä kohti. Se ohjaa suoraan haihtumista määrittämällä, kuinka paljon lehtipinta-ala vaihtaa vesihöyryä ilmakehän kanssa. Satelliittipohjainen LAI on keskeinen syöte monissa fysikaalisissa maan ulkopuolisten avaruusmallien malleissa.

4. Pinnan albedo on pinnan heijastama osuus tulevasta auringonsäteilystä. Se säätelee, kuinka paljon aurinkoenergiaa pinta absorboi, mikä puolestaan määrää, kuinka paljon energiaa on käytettävissä ET:n käyttämiseen. Tummalla ja märällä maaperällä on alhainen albedo (absorboi enemmän energiaa); paljaalla hiekkapinnalla on korkea albedo (heijastaa enemmän).

5. Maaperän kosteus Mikroaaltoantureista saatavat tiedot rajoittavat haihtumisnopeusmalleja osoittamalla, onko juuristossa riittävästi vettä haihtumistarpeen tyydyttämiseksi. Kun maaperän kosteus laskee kriittisen kynnyksen alapuolelle, todellinen haihtumisnopeus laskee potentiaalisen nopeuden alapuolelle, vaikka energiaa olisi saatavilla.

Bastiaanssen ym. (katsattu teoksessa Frontiers in Remote Sensing, 2026) havaitsivat, että SEBAL, joka validoitiin yli 30 maassa, saavuttaa 85%-tarkkuus päivittäisille ET-arvioille ja 95%-tarkkuus kausittaisille ET-arvioille kenttämittakaavassa.

Kausittainen tarkkuus 95% tarkoittaa, että koko kastelualueen viljelykasvien vedenkulutuksen laskenta voidaan suorittaa luotettavasti käyttämällä vain satelliittitietoja, mikä eliminoi tiheiden maa-asemaverkostojen tarpeen.

Haihdunnan arviointimallit

1. Energiatasemallit

Energiatasemallit laskevat ET:n pintaenergiabudjetin residuaalina: ET = Rn – G – H. Jokainen malli eroaa siinä, miten se arvioi järkevän lämpövuon H, joka on laskennallisesti vaativin ja virheherkin komponentti.

i. Maanpinnan energiatasapainon algoritmi Bastiaanssen kehitti SEBAL-mallin vuonna 1998, ja se on edelleen yksi maailmanlaajuisesti laajimmin käytetyistä satelliittien ET-malleista. SEBAL käyttää kolmea keskeistä satelliiteista johdettua parametria: maanpinnan lämpötilaa (T0), pinnan pallonpuoliskon heijastavuutta (albedo r0) ja NDVI:tä.

Lämpövuon arvioimiseksi SEBAL tunnistaa kaksi ankkuripikseliä – “kuuman pikselin” (kuiva paljas maaperä, jossa ET on lähellä nollaa) ja “kylmän pikselin” (hyvin kasteltu viljelykasvi, jossa ET on maksimissaan) – ja interpoloi H-arvon kohtaukselle näiden ääriarvojen suhteen. Tämä itsekalibrointiominaisuus tekee SEBALista vähemmän herkän meteorologisten syötteiden absoluuttisille kalibrointivirheille.

ii. Haihdunnan kartoitus korkealla resoluutiolla sisäisen kalibroinnin avulla (METRIC)-malli perustuu SEBAL-malliin, mutta siihen on lisätty automaattinen kalibrointi sääaseman laskemaa ET-vertailuarvoa vasten. METRIC sopii paremmin alueille, joilla on täydelliset säätietoverkot, ja sitä on käytetty laajalti operatiiviseen kastelunhallintaan Yhdysvaltojen länsiosissa.

iii. Pintaenergian tasapainojärjestelmä (SEBS) käyttää turbulenttista vuoteoriaa arvioidakseen järkevää lämpövirtaa satelliittipohjaisista LST:stä, pinnan karheudesta ja tuulen nopeudesta. SEBS on fyysisesti tarkempi kuin SEBAL, mutta vaatii lisätietoja, minkä vuoksi se soveltuu paremmin tutkimukseen kuin operatiiviseen maatilan hallintaan.

ET-mallin valinta ei ole pelkästään tekninen päätös – se on päätös siitä, mihin kysymykseen yrität vastata. Vesistökohtainen laskenta ja kenttätason kastelun aikataulutustyökalu vaativat perustavanlaatuisesti erilaisia spatiaalisen resoluution ja ajallisen taajuuden tasoja.

iv. Kahden lähteen energiatasapaino (TSEB) -malli käsittelee maaperää ja latvustoa kahtena erillisenä energialähteenä, joilla kummallakin on oma lämpötila- ja energiataseensa. Tämä lähestymistapa on tarkempi harvan kasvillisuuden tai sekalaisten maapeitteiden tapauksessa, joissa yhden lähteen malli saattaa sekoittaa maaperän haihtumisen kasvien haihtumiseen.

2. Kasvillisuusindeksiin perustuvat ET-mallit

Kaikki ET-mallit eivät vaadi lämpökuvia. Kasvillisuusindeksiin perustuvat mallit arvioivat ET:n satokertoimen lähestymistapa (Kc x ET0), jossa satokerroin Kc on johdettu NDVI:stä tai EVI:stä ja vertailu-ET (ET0) on peräisin sääasemalta. FAO-56-menetelmä virallistaa tämän lähestymistavan, ja sitä käytetään laajalti kastelun aikataulutukseen, koska se ei vaadi lämpövyöhyketietoja.

Koneoppimismallit, mukaan lukien Satunnainen metsä, Keinotekoiset neuroverkot (ANN), ja syväoppimisen arkkitehtuureja sovelletaan yhä enemmän ET-estimointiin oppimalla monimutkaisia epälineaarisia suhteita satelliittien tuottamien syötteiden (LST, NDVI, albedo, LAI) ja flux-tornin ET-mittausten välillä.

Vuonna 2023 Remote Sensing of Environment -lehdessä julkaistussa tutkimuksessa havaittiin, että MODIS- ja meteorologisilla syötteillä koulutettu Random Forest -malli ennusti päivittäisen etenemisajan (ET) R2-arvolla 0,87 ja RMSE-arvolla 0,51 mm/vrk erilaisissa biomeissa – tämä oli kilpailukykyinen perinteisten energiatasemallien kanssa, mutta vaati huomattavasti vähemmän parametrisointityötä.

Taylor and Francis Open -lehdessä (2021) julkaistussa tutkimuksessa havaittiin, että SEBAL-algoritmia sovellettuna Landsat 8 -kuviin maissinviljelyalueella Adanassa, Turkissa, tuotti maanpäällisen ajan arvioita, joilla oli korrelaatiokerroin R = 0,91 FAO Penman-Monteith -menetelmää ja juuri RMSE:tä vasten 1,14 mm/päivä.

SEBALin tarkkuus kenttätasolla tarkoittaa, että satelliittipohjainen etäanalytiikka voi korvata kalliit lysimetriasennukset tai vähentää merkittävästi niiden tarvetta operatiivisissa kastelujärjestelmissä.

Satelliittipohjaiset ET-tuotteet ovat operatiivisessa käytössä

Useat globaalit ja alueelliset kaukokartoitustuotteet muuntavat nyt kaukokartoitussyötteet käyttövalmiiksi kaukokartoitustietokerroksiksi. Käytännön asiantuntijoiden ei enää tarvitse ajaa omia energiatasemallejaan – he voivat käyttää näitä esilaskettuja tietojoukkoja suoraan.

1. MOD16 ET -tuote (NASA) käyttää MODIS-dataa Penman-Monteith-algoritmilla, jota ohjaavat MODIS-maanpeite-, LAI-, EVI- ja globaalit meteorologiset uudelleenanalyysitiedot. Se tuottaa 8 päivän ja kuukausittain kerättyjä ET-yhdistelmiä 500 metrin tarkkuudella maailmanlaajuisesti. MOD16 sopii hyvin maisemamittakaavan tutkimuksiin, mutta on liian karkea yksittäisten kenttätutkimusten hallintaan.

2. SSEBop USGS:n kehittämä yksinkertaistettu pintaenergiatasapainon operatiivinen malli (Simplified Surface Energy Balance operational) yksinkertaistaa SEBAL:n kuuma-/kylmäpikselikalibrointihaastetta käyttämällä ennalta määriteltyjä lämpötilarajoja, jotka on johdettu pitkän aikavälin ilmastodatasta. SSEBop toimii operatiivisesti 30 metrin resoluutiolla käyttäen Landsat-dataa ja muodostaa yhden kuudesta OpenET-ensemblen mallista.

3. OpenET-alusta, joka käynnistettiin vuonna 2021 ja jota johtivat NASA, USGS, California State University Monterey Bay, Environmental Defense Fund ja Desert Research Institute, julkisen ja yksityisen sektorin yhteistyönä. Se tuottaa kenttämittakaavan maan ulkopuolista dataa 30 metrin tarkkuudella Yhdysvaltojen länsiosissa.

Nature Water -lehdessä tammikuussa 2024 julkaistu uraauurtava tutkimus, jossa verrattiin OpenET:n arvioita 152 maanpäällisestä vuomittauspaikasta saatuihin mittauksiin, vahvisti, että OpenET saavuttaa suuren tarkkuuden yksivuotisten viljelykasvien, kuten vehnän, maissin, soijan ja riisin, osalta – erityisesti kuivilla alueilla, joilla veden niukkuus tekee kastelun tarkkuudesta kriittisimmän.

4. WaPOR-portaali (FAO) tarjoaa maanpäällistä dataa Afrikasta ja Lähi-idästä 30 metrin, 100 metrin ja 250 metrin tarkkuudella, mikä on erityisesti suunniteltu tukemaan maatalouden veden tuottavuuden analysointia datapulasta kärsivillä kehitysalueilla.

5. HOHTAA (Global Land Evaporation Amsterdam Model) erottelee maan haihtumisen haihtumiseen, paljaan maan haihtumiseen, haihtumisen sieppaukseen ja avoveden haihtumiseen mikroaaltopohjaisten maaperän kosteustietojen ja satelliittien kasvillisuustuotteiden avulla. Se on erinomainen maan haihtumissignaalin jakamisessa biologisiin ja fysikaalisiin komponentteihin.

Kaukokartoituksen sovellukset

1. Tarkkuuskastelu ja viljelykasvien vedenhallinta

Satelliittipohjaisen ET-datan välittömin sovellus on kastelun aikataulutus. Kun viljelijä käyttää viikoittaisia peltotason ET-karttoja, hän voi laskea kasteluvajeen – todellisen ET-arvon ja tehokkaan sademäärän välisen eron – ja levittää täsmälleen kyseisen vesimäärän. Tämä poistaa kroonisen liikakastelun, joka tuhlaa vettä lisäämättä satoa.

Kalifornian Sacramenton ja San Joaquinin suistoalueella vesivarojen hoitajat käyttävät OpenETiä auttaakseen maanviljelijöitä noudattamaan osavaltion määräyksiä, jotka edellyttävät tarkkaa vedenkäyttöraportointia.

Satelliittien tuottaman ET-datan korkea tarkkuus yksivuotisissa viljelykasveissa tarjoaa laillisesti perustellun perustan vedenkäytön tilinpidolle, jota mikään maanpäällinen menetelmä ei voisi tarjota tällaisella alueellisella kattavuudella.

Vuonna 2024 Agricultural Water Management -lehdessä julkaistussa tutkimuksessa (Ott et al., 2024; Desert Research Institute) arvioitiin OpenETiä mitattuun kasteludataan verrattuna Nevadan pohjavesialueilla.

Diamond Valleyssa OpenETin arviot osoittivat vain 7% ero mitatusta vedenkäyttötiedosta, mikä osoittaa pohjaveden sääntelyyn liittyvän toiminnallisen luotettavuuden.

7%-virhemarginaali altaan mittakaavassa tarkoittaa, että satelliittien ET-tiedot voivat korvata kalliin mittausinfrastruktuurin alueilla, joilla pohjavesi on kriittisesti ehtynyt.

2. Kuivuuden arviointi ja varhaisvaroitusjärjestelmät

Kuivuuden seuranta on toinen vaikuttava sovellus. Haihtumisjännitysindeksi ECOSTRESS- ja MODIS-lämpödatasta johdettu ESI mittaa todellisen ET:n ja potentiaalisen ET:n suhdetta.

Kun ESI laskee merkittävästi alle 1,0:n, se viestii, että kasvit kärsivät vesistressistä – luotettava varhainen indikaattori maatalouden kuivuudesta, joka on usein havaittavissa 4–8 viikkoa ennen kuin sadon menetys on mitattavissa.

USDA:n kansallinen kuivuuden lieventämiskeskus integroi satelliittipohjaiset kuivuusindeksit osavaltioiden hallitusten, satovakuutusvirastojen ja hätätilanteiden hallintaviranomaisten käyttämiin operatiivisiin kuivuuden seurantakarttoihin. Tämä integrointi tekee kuivuustoimista nopeampia ja kohdennetumpia kuin kalenteripohjaiset tai pelkkään sademäärään perustuvat lähestymistavat.

3. Vesivarojen hallinta altaiden tasolla

Vesistöalueiden laskenta edellyttää tietoa siitä, kuinka paljon vettä poistuu maan pinnalta miljoonien hehtaarien vesivarastojen kautta. Juuri tätä satelliitti-vesivarantojen laskentapalvelut, kuten MOD16, GLEAM ja WaPOR, tarjoavat maailmanlaajuisesti.

• Säiliöhallintovirastot Käytä ET-tietoja valuma-alueen veden tuoton – sademäärän ja ET-arvon välisen erotuksen – arvioimiseen, mikä määrittää, kuinka paljon vettä todellisuudessa saavuttaa jokia ja tekoaltaita.
• Rajat ylittävien jokien valuma-alueiden viranomaiset käyttää satelliitti-ET:tä kansallisen vedenkäyttöraportoinnin itsenäiseen tarkistamiseen ilman, että tarvitaan pääsyä kansallisiin maanpäällisiin tietoverkkoihin.
• Kastelupiirien johtajat Käytä elektroniikkaa vedenkulutuksen seuraamiseen viljelykasvityypeittäin koko palvelualueella, mikä tukee veden tasapuolista jakelua ja säännösten noudattamista.

4. Ympäristölliset ja ekologiset sovellukset

Kosteikkojen vedenkulutuksen seuranta satelliittidatan avulla mittaa ekosysteemien vedenkulutusta vaikeasti saavutettavissa soilla, turvesoilla ja jokisuistoissa, joille ei voida ottaa käyttöön maanpäällisiä antureita. Metsien vedenkulutuksen seuranta paljastaa, miten metsäkato, metsän uudelleenistutus ja metsäpalot muuttavat kokonaisten valuma-alueiden vesitasapainoa – kriittistä tietoa metsien hiilijalanjäljen laskennassa ja vesihuollon suunnittelussa.

Haihdunta on näkymätön lanka, joka yhdistää jokaisen maapallon kasvin maailmanlaajuiseen veden kiertokulkuun. Kaukokartoitus on ainoa työkalu, jolla voimme nähdä sen vesienhallinnan kannalta merkityksellisessä mittakaavassa.

Satelliittien ET-tuotteiden tarkkuuden arviointi ja validointi

Mikään maan ulkopuolinen tuote ei ole hyödyllinen ilman perusteellista validointia. Standardimenetelmässä satelliittien maan ulkopuolisia arvioita verrataan pyörrekovarianssivuotornien mittauksiin – tarkimpaan saatavilla olevaan maan ulkopuolisten ilmiöiden maantieteelliseen totuuteen maisematasolla.

Maailmanlaajuinen FLUXNET Verkko tarjoaa avoimesti saatavilla olevaa flux-tornidataa sadoista eri biomeista. ET-tuotekehittäjät vertaavat mallien tuloksia FLUXNET-mittauksiin laskeakseen tilastollisia suorituskykymittareita, mukaan lukien

• R2 (korrelaatiokerroin),
• RMSE (root mean square error, neliöjuurivirhe) ja
• Bias (systemaattinen yli- tai aliarviointi).

Validointi suoritetaan erikseen eri maapeitetyypeille, ilmastovyöhykkeille ja vuodenajoille, koska ET-mallin tarkkuus vaihtelee huomattavasti näiden olosuhteiden välillä.

Energiatasemallit, kuten SEBAL ja METRIC, toimivat yleensä parhaiten puolikuivilla maatalousmaisemilla, joilla on kirkas taivas. Suorituskyky heikkenee kosteissa trooppisissa metsissä, monimutkaisessa vuoristoisessa maastossa ja usein pilvisillä alueilla.

Nature Water -lehdessä julkaistussa OpenET-tarkkuustutkimuksessa verrattiin kuutta ET-mallia mittauksiin, jotka tehtiin 152 flux-tornipaikkaa Yhdysvalloissa ja havaittiin, että OpenET-ensemble saavutti vahvimman suorituskyvyn erityisesti yksivuotisten viljelykasvien osalta kuivilla länsialueilla – alueilla, joilla kastelun hallinta on taloudellisesti ja ekologisesti kriittisintä.

Kuivien alueiden vesihallinnot voivat hyödyntää OpenET-dataa luotettavasti kasteluvaatimusten noudattamiseksi ja vesibudjetin seurannassa, korvaten kalliin mittausinfrastruktuurin.

Kaukokartoituksen ET-seurannan haasteet

Nopeasta edistyksestä huolimatta useat tekniset ja toiminnalliset haasteet rajoittavat satelliittipohjaisen maan ulkopuolisen seurannan tarkkuutta ja sovellettavuutta.

1. Pilvisyyden rajoitukset: Optinen ja terminen kaukokartoitus edellyttää pilvettömiä olosuhteita. Kosteilla trooppisilla alueilla tai monsuunikausien aikana jatkuva pilvipeite voi aiheuttaa viikoista kuukausiin ulottuvia datakatkoksia, mikä rikkoo kastelun hallinnan edellyttämän ajallisen jatkuvuuden.

2. Paikallisen resoluution rajoitukset: MODIS, ajallisesti yleisimmin havaittu satelliitti, tarjoaa maanpäällistä avaruutta koskevaa dataa 500 metrin tarkkuudella – liian karkeaa alle noin 25 hehtaarin kokoisille pelloille. Landsatin 30 metrin tarkkuus sopii useimmille maatalouspelloille, mutta siinä on 16 päivän tarkistussykli, joka ei huomioi vesistressin nopeita muutoksia.

3. Ajallisen resoluution kompromissit: Korkea spatiaalinen resoluutio (Landsat, Sentinel-2, ECOSTRESS) ja korkea ajallinen resoluutio (MODIS, VIIRS) ovat käänteisessä suhteessa. Tämän kuilun kaventaminen vaatii datan fuusiointitekniikoita.

4. Mallioletukset heterogeenisissä maisemissa: Yhden lähteen energiatasemallit olettavat yhtenäisen latvustuksen, joka hajoaa harvassa kasvillisuudessa, sekaviljelyjärjestelmissä tai kaupunkien ja maatalouden rajapinnoissa, joissa maaperän ja kasvien lämpötilat eroavat jyrkästi toisistaan.

5. Tiedon saatavuus kehitysmailla: Maanpäällisten sääasemien dataa, jota tarvitaan maan ulkopuolisten mallien rajoittamiseen, on niukasti suuressa osassa Saharan eteläpuolista Afrikkaa, Etelä-Aasiaa ja Keski-Aasiaa – juuri niillä alueilla, joilla vedenkäytön parantamista tarvitaan kiireellisemmin.

Uudet teknologiat ja tulevaisuus ET-seurannassa

Useat toisiaan yhentävät teknologiset kehitysaskeleet ovat valmiita laajentamaan dramaattisesti kaukokartoituksen ET-seurannan tarkkuutta, kattavuutta ja saatavuutta seuraavien viiden tai kymmenen vuoden aikana.

1. Tekoäly, koneoppiminen ja datan fuusio

Suurilla monianturisilla tietojoukoilla koulutetut syväoppimismallit alkavat suoriutua klassisia energiatasemalleja paremmin tietyissä maisemissa. Konvoluutiohermoverkot voivat integroida Landsat-, Sentinel-2-, MODIS- ja meteorologista uudelleenanalyysidataa samanaikaisesti, oppien spatiaalisia ja ajallisia ET-kuvioita, joita mikään yhden anturin malli ei pysty tallentamaan.

Samaan aikaan datan fuusioalgoritmit – näkyvimpänä STARFM (Spatial and Temporal Adaptive Reflectance Fusion Model) -lähestymistapa – yhdistävät korkean resoluution Landsat-kuvia päivittäisiin MODIS-tietoihin tuottaakseen synteettisiä päivittäisiä ET-karttoja 30 metrin tarkkuudella, mikä ratkaisee tehokkaasti spatiaalisen ja ajallisen kompromissin, joka tällä hetkellä rajoittaa tarkkuusviljelyn sovelluksia.

2. Korkean resoluution lämpösatelliitit ja CubeSat-tähdistöt

Seuraavan sukupolven erillisistä lämpömittauksiin tarkoitetuista Maan havainnointisatelliiteista tulevat alle 30 metrin lämpökuvat, joita tullaan tarkastelemaan päivittäin.

Suunnitellut hankkeet, mukaan lukien Landsat Nextin seuraaja ja kaupalliset CubeSat-lämpökonstellaatiot, poistavat historiallisen kompromissin paikkatietojen ja ajallisen taajuuden välillä, joka on rajoittanut kenttämittakaavan maan ulkopuolisten avaruuksien seurantaa.

Kuten Future Market Insights -raportissa (2025) todettiin, kaukokartoituspalvelumarkkinoiden – joiden arvo oli 22,87 miljardia Yhdysvaltain dollaria vuonna 2025 – ennustetaan nousevan 84,28 miljardiin Yhdysvaltain dollariin vuoteen 2035 mennessä, mikä johtuu merkittävästi LEO-satelliittikonstellaation laajenemisesta.

3. Digitaaliset kaksoset vesienhallinnassa

Digitaaliset kaksoset – dynaamiset virtuaalikopiot maatalousmaisemista, jotka päivittyvät lähes reaaliajassa satelliitti- ja IoT-anturien syötteistä – integroivat kaukokartoituksen keskeiseksi tietovirraksi. Nämä järjestelmät synkronoivat satelliittien kaukokartat, maaperän kosteusantureiden tiedot, sääennusteet ja viljelykasvien kasvumallit simuloidakseen tulevaa peltojen vesitilannetta ja säätääkseen kastelua automaattisesti.

Ohjelmistot ja työkalut ET-seurantaan

Laaja valikoima alustoja tekee kaukokartoituksen ET-analyysin nyt saatavilla myös ammattilaisille, joilla ei ole syvällistä ohjelmointiosaamista.

1. Google Earth -moottori (GEE) on pilvipohjainen paikkatietoalusta, joka isännöi täydellisiä Landsat-, MODIS-, Sentinel- ja ECOSTRESS-arkistoja sekä valmiiksi rakennettuja avaruusalgoritmeja. Analyytikot voivat suorittaa avaruuslaskelmia vuosien ajalta kokonaisten alueiden datalle lataamatta kuvia paikallisesti. GEE:stä on tullut hallitseva tutkimusalusta laaja-alaiseen avaruuskartoitukseen.

2. OpenET-alusta tarjoaa verkkokäyttöliittymän, jonka kautta kuka tahansa rekisteröitynyt käyttäjä voi käyttää peltokohtaisia ET-tietoja maatalousmaista Yhdysvaltojen länsiosissa. Käyttäjät voivat viedä päivittäisiä, kuukausittaisia tai kausittaisia ET-yhteenvetoja yksittäisille pelloille tai kokonaisille vesienhoitopiireille ilman ohjelmointiosaamista.

3. WaPOR-portaali (FAO) tarjoaa samankaltaisen osoita ja napsauta -käyttöliittymän ET-tiedostojen lataamiseen Afrikalle ja Lähi-idälle, ja siinä on suorat linkit maatalouden veden tuottavuuden indikaattoreihin.

4. Pythonin ja R:n työnkulut Kirjastojen, kuten Rasterion, Xarrayn, Geopandasin (Python) tai Terra Rasterin (R), käyttö antaa tutkijoille mahdollisuuden rakentaa räätälöityjä maan ulkopuolisten avaruusolentojen käsittelyputkia, jotka integroivat satelliittidataa paikallisiin meteorologisiin tietoihin, satomalleihin ja kastelutietokantoihin.

Kaukokartoituksen ET-seurannan tapaustutkimukset

1. Kastelun hallinta kuivilla alueilla

Yhdysvaltojen High Plainsin pohjavesialueella – yhdessä maapallon intensiivisimmin kastelluista maatalousalueista – Desert Research Instituten tutkijat osoittivat, että OpenET-data yhdistettynä ilmastotietojoukkoihin pystyi arvioimaan pohjaveden pumppausmääriä riittävällä tarkkuudella tukeakseen laskevien pohjavesitasojen sääntelyä.

Tutkimuksessa verrattiin satelliittien ET-arvioita mitattuihin pumpputietoihin ja havaittiin alle 17%:n poikkeama useimmissa tutkimusaltaissa – tarkkuustaso, joka on riittävä vesioikeuksien hallinnointiin.

2. Täsmäviljely eri viljelykasvien välillä

Kaukokartoituspohjaista ET-seurantaa on otettu käyttöön puuvillan kastelun aikataulutuksessa käyttämällä SEBAL- ja METRIC-malleja todellisen ET:n kartoittamiseksi yksittäisillä pelloilla kasvukauden aikana.

Astrophysics Data Systemissä (2020) julkaistut tutkimukset osoittivat, että molemmat mallit havaitsivat odotettua korkeamman todellisen haihtumisasteen sadon alkuvaiheissa johtuen korkeasta paljaan maan haihtumisesta – havainto, jonka vakiomuotoinen satokerroinmenetelmä epäonnistui systemaattisesti, mikä johti liikakasteluun kyseisenä kriittisenä aikana.

3. Valuma-alueen vesilaskenta

FAO:n WaPOR-alustaa on käytetty veden tuottavuusanalyysiin kastelujärjestelmissä Etiopiassa, Egyptissä ja Jordaniassa, ja siinä on mitattu veden tuottavuutta tuotettua biomassayksikköä kohden.

Näissä analyyseissä tunnistettiin peltoja, joiden veden tuottavuus oli altaan keskiarvoa alhaisempi, mikä tarjoaa paikkatietoa kohdennetuille laajennusohjelmille, joilla parannetaan kastelun tehokkuutta heikommin tuottavilla alueilla.

ET-seurantamenetelmän valinnan parhaat käytännöt

Oikean satelliittidatan, ET-mallin ja validointistrategian yhdistelmän valinta riippuu vastattavasta kysymyksestä, käytettävissä olevista resursseista ja hyväksyttävästä epävarmuustasosta.

1. Määrittele ensin spatiaalinen ja ajallinen mittakaava. Valuma-alueen mittakaavassa tehtävä kuukausittainen vedenkulutuksen laskenta vaatii erilaisen työkalun kuin peltotason päivittäinen kastelun aikataulutus. Sovita satelliittialustan resoluutio ja tarkistustaajuus hallintatarpeisiin ennen minkään mallin valitsemista.

2. Sovita malli maisematyyppiin. Energiatasemallit, kuten SEBAL ja METRIC, toimivat parhaiten puolikuivilla, viljelykasvien hallitsemilla maisemilla, joilla on selkeä taivas. Kasvillisuusindeksiin perustuvat mallit toimivat paremmin alueilla, joilla on rajoitetusti lämpötietoja. Koneoppimismallit toimivat parhaiten, kun saatavilla on suuria, paikallisesti validoituja harjoitusaineistoja.

3. Vahvista aina paikallisesti. Jopa tarkin globaali maan ulkopuolinen tuote tulisi validoida ainakin yhtä paikallista flux-torni- tai lysimetriaineistoa vasten ennen käyttöönottoa. Julkaistujen tutkimusten suorituskykymittarit siirtyvät harvoin täsmälleen uusiin paikkoihin ja viljelykasvilajeihin.

4. Suunnittele pilvipeitteen aukot. Kosteilla tai trooppisilla alueilla on tärkeää suunnitella datan yhdistämistä tai aukkojen täyttöstrategioita alusta alkaen. Yhden lämpösatelliitin ja 16 päivän välein tapahtuvan uudelleenkäynnistyksen varaan luottaminen aiheuttaa kohtuuttomia data-aukkoja kriittisten viljelykasvien kasvukausien aikana.

5. Käytä avoimia alustoja aina kun mahdollista. Google Earth Engine, OpenET ja WaPOR tarjoavat pääsyn validoituihin ja hyvin dokumentoituihin avaruusolentojen tuotteisiin ilmaiseksi. Mukautetun avaruusolentojen mallin rakentaminen tyhjästä on harvoin perusteltua, elleivät ainutlaatuiset paikalliset olosuhteet sitä vaadi.

6. Integroi ET-tiedot olemassa oleviin maatilan hallintajärjestelmiin. ET-data on arvokkainta silloin, kun se syötetään suoraan kastelun aikataulutusohjelmistoihin, päätöksentukityökaluihin tai vesilaskennan tietokantoihin sen sijaan, että se olisi erillinen satelliittituloste.

Johtopäätös

Kaukokartoitukseen perustuva haihduntamittaus on kehittynyt kokeellisesta tutkimusalasta kriittiseksi operatiiviseksi työkaluksi maatalouden vesienhallinnassa. Yhä tarkempien satelliittipohjaisten ET-tuotteiden, avoimen saatavuuden alustojen, kuten OpenETin ja WaPORin, sekä tekoälypohjaisen datan fuusioinnin yhdistelmä poistaa esteitä, jotka aiemmin rajoittivat satelliittipohjaisen ET-mittauksen hyvin rahoitettuihin tutkimuslaitoksiin.

Nykyiset ominaisuudet ovat huomattavat: energiatasemallit, jotka on validoitu vähintään 30 maassa, satelliittipohjaiset ET-tuotteet, jotka saavuttavat paremman kausittaisen tarkkuuden kuin 90% tärkeimmillä yksivuotisilla viljelykasveilla, ja pilvipohjaiset alustat, jotka toimittavat peltotason ET-dataa mille tahansa viljelijälle tai vesihallinnolle, jolla on internetyhteys. Näitä ominaisuuksia käytetään jo Coloradojoen kasteluvaatimusten noudattamisen hallintaan, High Plains Aquiferin pohjaveden ehtymisen seurantaan ja maatalouden veden tuottavuuden parantamiseen kaikkialla Afrikassa FAO WaPOR -järjestelmän kautta.

Riisi ruokkii maailmanlaajuisesti yli 3,5 miljardia ihmistä, mutta alle 601 000 000 riisinviljelyalueesta on saatavilla tarkat ja ajantasaiset viljelykartat Kansainvälisen riisitutkimuslaitoksen (IRRI) vuoden 2024 maailmanlaajuisen riisiatlas-päivityksen mukaan. Riisin viljelymallin ja viljelytyypin kartoittaminen kaukokartoituksen avulla kuroaa nopeasti umpeen tätä aukkoa tarjoamalla paikallisesti tarkkoja ja ajallisesti yhdenmukaisia tietoja mittakaavoissa, joihin mikään maastokartoitus ei pysty.

Vietnamin Mekongin suiston keinokasteltujen kaksoisviljelyalueiden tunnistamisesta Saharan eteläpuolisen Afrikan sadeveden kastelemien yksivuotisten peltojen tunnistamiseen satelliitti- ja tutkapohjaiset järjestelmät tarjoavat nyt tiedustelutietoa, jota maanviljelijät, hallitukset ja elintarviketurvallisuusvirastot tarvitsevat luottavaiseen suunnitteluun. Tekoälyn ja pilvipalveluiden kiihdyttäessä tiedonkäsittelyä lähes reaaliaikaisen riisin seurannan odotetaan tulevan maailmanlaajuiseksi standardiksi vuoteen 2027 mennessä.

Miksi riisi on tärkeää ja miksi sen seuranta on vaikeaa

1. Riisintuotanto ja maailmanlaajuinen ruokaturvayhtälö

Riisi on ensisijainen kalorien perusravinto yli puolelle maailman väestöstä, ja sen merkitys ulottuu paljon yksilöllisen ravinnon ulkopuolelle. Maailmanlaajuinen riisintuotanto oli noin 520 miljoonaa tonnia hiottua riisiä vuonna 2024, FAO:n tietojen mukaan, josta Aasian osuus on lähes 901 000 tonnia.

Mikä tahansa merkittävä riisin tarjonnan häiriö, olipa kyseessä sitten kuivuus, tulva, tuholaisepidemia tai poliittinen epäonnistuminen, laukaisee nopeita elintarvikkeiden hintashokkeja, jotka vaikuttavat suhteettomasti maailman köyhimpiin kotitalouksiin.

Ruokaturvan ylläpitäminen tässä mittakaavassa vaatii enemmän kuin vain riittävän riisin kasvattamista. Se edellyttää tarkan tietämyksen tuntemista siitä, missä riisiä viljellään, kuinka monta kertaa vuodessa kullakin pellolla viljellään ja mitä viljelykäytäntöjä käytetään. Hallitukset tarvitsevat näitä tietoja kasteluinfrastruktuurin kohdentamiseen, tuotantopanosten tukemiseen ja hätävarastojen rakentamiseen.

Haasteena on, että riisiä viljellään poikkeuksellisen pirstaloituneilla maisemilla, Filippiinien pengerretyistä rinteistä Kiinan laajoihin keinokasteltuihin tasangkoihin, mikä tekee perinteisistä peltokohtaisista kartoituksista logistisesti ja taloudellisesti epäkäytännöllisiä kansallisella tai alueellisella tasolla.

2. Riisin viljelykuvioiden systemaattisen seurannan tarve

Riisinviljelymallit eli riisinviljelykausien määrä vuodessa ja niiden jakautuminen maisemassa muuttuvat jatkuvasti. Ilmaston vaihtelu lyhentää kasvuaikaa joillakin alueilla ja pidentää sitä toisilla. Taloudelliset signaalit ohjaavat viljelijöitä yhdestä sadosta kahteen satoon, kun veden saatavuus ja markkinahinnat kohtaavat.

Ilman systemaattista seurantaa suunnittelijat työskentelevät väestötietojen perusteella, jotka voivat olla viisi tai enemmän vuotta vanhentuneita, mikä johtaa veden, lannoitetukien ja maaseudun luoton krooniseen väärinkäyttöön. Kaukokartoitus tarjoaa ratkaisun tähän seurantavajeeseen tarjoamalla yhdenmukaisia ja toistettavia havaintoja koko maassa muutamassa päivässä.

Sen sijaan, että satelliittipohjaiset järjestelmät luottaisivat viljelijöiden itse raportointiin tai väestönlaskijoiden kyselyihin, ne tarkkailevat maisemaa suoraan ja tallentavat, miten riisipellot muuttuvat tulvien, uudelleenistutuksen, kasvun ja sadonkorjuun myötä kaikkina vuodenaikoina.

3. Mitä kaukokartoitus tuo maatalouden kartoitukseen

Kaukokartoitus on tiedettä, jossa hankitaan tietoa esineistä tai alueista etäältä, tyypillisesti satelliittiin, lentokoneisiin tai miehittämättömiin ilma-aluksiin (UAV) asennettujen antureiden avulla. Maataloudessa anturit mittaavat viljelykasvien, maaperän ja veden heijastamaa tai lähettämää energiaa sähkömagneettisen spektrin eri aallonpituuksilla.

Koska eri maapeitetyypit heijastavat energiaa eri tavoin eri kasvuvaiheissa, satelliittikuvat pystyvät erottamaan riisipellon maissipellosta ja tulvineen siirretyn riisipellon kuivasta suorakylvöisestä pellosta tarkkuudella, joka kasvaa anturiteknologian kehittyessä. Riisin viljelymallin ja viljelytyypin kartoittaminen kaukokartoituksen avulla palvelee neljää toisiinsa liittyvää tavoitetta.

• Ensinnäkin se tuottaa alueellisesti eksplisiittisiä luetteloita riisin viljelyalueista kausiluonteisesti ja vuosittain.
• Toiseksi se luokittelee, kuinka monta viljelysykliä esiintyy vuodessa kullakin kartoitetulla alueella, erottamalla toisistaan yhden, kahden ja kolmen viljelyn järjestelmät.
• Kolmanneksi se tunnistaa käytetyt viljelykäytännöt, kuten onko pelto istutettu vai kylvetty suoraan, tai onko vedenhallintaa kontrolloitua vai sadeveden avulla katettua.
• Neljänneksi se tuottaa lähtötietoja, joita käytetään tuotantoennusteiden, vesibudjetoinnin, ilmastonmuutokseen sopeutumisen suunnittelun ja täsmäviljelyjärjestelmien suunnittelussa.

Riisinviljelyjärjestelmien ja kulttuurityyppien ymmärtäminen

1. Mitä riisinviljelymalli todellisuudessa tarkoittaa

Riisinviljelymalli kuvaa riisinviljelyn ajallista järjestystä kalenterivuoden aikana tietyssä paikassa. Se ei ainoastaan kerro, viljelläänkö riisiä, vaan myös kuinka monta kertaa, milloin kukin kausi alkaa ja päättyy, ja mikä sato, jos mitään, seuraa tai edeltää riisiä samalla pellolla. Näiden mallien kartoittaminen alueella antaa suunnittelijoille dynaamisen kuvan maankäytön intensiteetistä ja resurssien kysynnästä, jota yksittäinen tilannekuva ei koskaan voisi tarjota.

2. Yhden sadon riisijärjestelmät

Yhden viljelykasvin (monocrop) järjestelmissä viljelijät viljelevät yhden riisikauden vuodessa, tyypillisesti monsuunisadekauden tai yhden kontrolloidun kastelusyklin yhteyteen. Nämä järjestelmät ovat vallitsevia alueilla, joilla veden saatavuus, työvoima tai ilmasto rajoittavat toisen kauden mahdollisuutta.

Yhden viljelykasvin viljelyjärjestelmissä on yleensä pidemmät kasvukaudet vuodessa, usein perinteisillä tai parannetuilla pitkäkestoisilla lajikkeilla, ja ne saavat suhteettoman paljon sadetta, mikä tekee niistä erittäin herkkiä sateiden ajoitukselle ja jakautumiselle.

3. Kaksisatoiset riisijärjestelmät

Kaksoisviljelyjärjestelmät tuottavat kaksi riisisatoa vuodessa samalta pellolta. Ne ovat yleisimpiä Kaakkois- ja Etelä-Aasiassa, mukaan lukien Punaisen joen suisto Vietnamissa, Bangladeshin tulvatasangot ja Intian Punjabin keinokastelualueet.

Kahden vuodenajan välinen ajallinen ero on pieni, usein alle 30 päivää, joten kahden sadon alueiden tunnistaminen satelliittidatasta vaatii tiheitä aikasarjahavaintoja kahden täyden fenologisen syklin havaitsemiseksi yhden vuoden aikana.

4. Kolmoisviljelyjärjestelmät riisille

Kolmoisviljelyä, jossa riisi korjataan kolme kertaa vuodessa, harjoitetaan rajoitetuilla alueilla, joilla sekä veden saatavuus että lämpötila pysyvät suotuisina ympäri vuoden. Etelä-Vietnamin Mekongin suistoalue ja osat Guangdongin maakunnasta Etelä-Kiinassa tukevat kolmoisviljelyjärjestelmiä.

Vaikka kolmoisviljelyjärjestelmät maksimoivat maankäytön intensiivisyyden, ne tuovat mukanaan merkittäviä maaperän hedelmällisyyteen ja tuholaistorjuntaan liittyviä haasteita. Näiden peltojen etätunnistaminen on teknisesti vaativaa, koska lyhyet kesantokaudet viljelykasvien välillä tiivistävät fenologiset signaalit tiukoiksi ikkunoiksi.

5. Sadekasteltu riisin viljely

Kansainvälisen riisintutkimuslaitoksen (IRRI) mukaan sadevedellä kasteltu riisi, jota viljellään kokonaan sadeveden varassa ilman keinotekoista vedensyöttöä, kattaa noin 451 300 tonnia maailman riisin kokonaisviljelyalasta. Se on hallitseva järjestelmä Saharan eteläpuolisessa Afrikassa, Etelä- ja Kaakkois-Aasian ylängöillä sekä sateesta riippuvaisilla tulvatasangoilla.

Sadekastetut järjestelmät ovat erittäin alttiita sademäärän vaihtelulle, mikä tarkoittaa 30–50%:n satovaihteluita sateiden ja kuivien vuosien välillä joillakin alueilla. Kaukokartoituksen näkökulmasta sadekasteltua riisiä on vaikeampi kartoittaa, koska tulvasignaali on heikompi ja epäsäännöllisempi kuin hoidetuilla keinokastelupelloilla.

6. Kasteltu riisinviljely

Kasteltuihin riisinviljelyjärjestelmiin vesi tulee kanavien, pumppujen tai hallinnoitujen säiliöiden kautta, minkä ansiosta viljelijät voivat hallita istutus- ja sadonkorjuuaikaa huomattavan tarkasti. Kasteltu riisi peittää tällä hetkellä vain noin 551 000 tonnia maailman riisinviljelyalasta, mutta sen osuus riisin kokonaistuotannosta on 751 000 tonnia, mikä heijastaa vedensaannin turvaaman satoedun.

Kasteltujen peltojen tarkoituksellinen tulviminen luo voimakkaan ja yhdenmukaisen tutkaheijastusjäljen, jonka satelliittianturit havaitsevat luotettavasti, mikä tekee kastellusta riisistä yhden maailman tarkimmin kartoitetuista viljelykasvilajeista.

7. Ylämaan ja alankojen riisijärjestelmät

Ylämaan riisiä viljellään tulvimattomilla, hyvin vettä läpäisevillä mailla, usein rinteillä tai terasseilla Aasiassa ja Afrikassa. Koska näitä peltoja ei koskaan tulviteta tarkoituksella, niiltä puuttuu vesisignaali, jonka avulla alamaan riisi voidaan tunnistaa tutkalla, minkä vuoksi tutkijat joutuvat turvautumaan pelkästään spektrisiin kasvillisuuskuvioihin.

Alamaan riisiä sitä vastoin viljellään tasaisilla tai matalilla tulvivilla pelloilla, joille vesi kertyy luonnostaan tai kastelun kautta. Alamaan järjestelmät hallitsevat Aasian riisikulhoalueita ja ovat useimpien laajamittaisten kartoituspyrkimysten ensisijainen kohde.

Ylä- ja alamaiden peltojen välinen morfologinen kontrasti, mukaan lukien peltojen muoto, topografinen sijainti ja latvuston rakenne, tarjoaa täydentäviä spatiaalisia vihjeitä, joita objektipohjainen kuva-analyysi voi hyödyntää tehokkaasti.

8. Suorakylvöinen vs. istutettu riisi

Riisin istuttaminen tarkoittaa taimien kasvattamista taimitarhassa 25–30 päivän ajan, minkä jälkeen ne siirretään manuaalisesti tai koneellisesti pääpellolle. Suorakylvössä riisin siemenet sitä vastoin kylvetään suoraan valmisteltuun peltoon ilman taimitarhavaihetta.

Nämä kaksi menetelmää tuottavat mitattavasti erilaisia ajallisia tunnisteita satelliittidatassa: istutetuilla pelloilla näkyy terävä, synkronoitu vihertyminen noin kolme viikkoa tulvan jälkeen, kun taas suorakylvöisillä pelloilla latvuston kehitys on hitaampaa kylvöpäivästä lähtien. Tämä fenologinen ero, hienovarainen mutta todellinen, on havaittavissa kasvillisuusindeksien huolellisen aikasarja-analyysin avulla.

Kaukokartoitustyökalut ja -teknologiat riisin kartoitukseen

1. Kaukokartoituksen fysikaalinen periaate

Jokainen kasvi heijastaa, absorboi ja lähettää auringonsäteilyä lehtien biokemian, latvusrakenteen ja vesipitoisuuden säätelemillä malleilla. Vihreät lehdet absorboivat voimakkaasti punaista valoa yhteyttämistä varten ja heijastavat samalla suuren osan lähi-infrapunaenergiasta (NIR). Tulvineet maaperät sitä vastoin absorboivat lähes kaiken tulevan säteilyn.

Nämä vastakkaiset vasteet luovat ennustettavia spektrisignaaleja, joita satelliittien anturit voivat tallentaa yhdenmukaisella ajoituksella, jolloin analyytikot voivat seurata sadon kuntoa, kasvuvaihetta ja peltotason hoitopäätöksiä käymättä koskaan pellolla.

2. Optinen kaukokartoitus

Optiset anturit havaitsevat heijastuneen auringonsäteilyn ja tuottavat kuvia, jotka muistuttavat läheisesti sitä, mitä ihmissilmä näkisi infrapunasäteilylle laajennettuna. Kolme optista alustaa hallitsee riisikartoitustutkimusta.

Landsat (NASAn ja USGS:n vuodesta 1972 lähtien operoima satelliittisarja) tarjoaa kuvia 30 metrin spatiaalisella resoluutiolla ja 16 päivän tarkkuudella. Sen pitkä ajallinen arkisto tekee siitä välttämättömän riisinviljelyalueiden muutosten tutkimuksissa vuosikymmenten aikana. 16 päivän toistuminen tarkoittaa kuitenkin sitä, että jotkin lyhyen kasvukauden fenologiset tapahtumat saattavat jäädä huomaamatta havaintojen välillä.

Sentinel-2 (Euroopan avaruusjärjestön operoima, laukaistiin vuosina 2015 ja 2017 kaksoissatelliittikonstellaationa) parantaa Landsat-satelliittia 10–20 metrin resoluutiolla ja 5 päivän paluusyklillä päiväntasaajalla. Nämä kaksi parannusta yhdessä mahdollistavat tarkemman kenttärajojen määrittelyn ja paremman fenologisen näytteenoton, ja useimmat viimeisimmät erittäin tarkat riisikartoitustutkimukset, mukaan lukien ISPRS Journal of Photogrammetry and Remote Sensing -lehdessä vuonna 2024 julkaistut, käyttävät Sentinel-2:ta ensisijaisena optisena tietolähteenä.

MODIS NASAn Terra- ja Aqua-satelliiteissa oleva MODIS (Moderate Resolution Imaging Spectroradiometer) tarjoaa 250–500 metrin resoluution ja päivittäisen tarkistuskapasiteetin. Vaikka se on liian karkea yksittäisten peltojen kartoitukseen, se on edelleen arvokas kansallisissa ja mannertenvälisissä viljelyintensiteetin arvioinneissa, joissa korkea spatiaalinen resoluutio on vähemmän kriittinen kuin ajallinen tiheys.

3. Tutka-kaukokartoitus

Synteettisen apertuurin tutka (SAR) on tutkapohjainen teknologia, joka lähettää mikroaaltopulsseja kohti maanpintaa ja mittaa anturiin takaisin sironneen energian. Toisin kuin optiset anturit, SAR toimii pilvipeitteestä ja auringon valaistuksesta riippumatta, mikä tarkoittaa, että se hankkii tietoa yhtä hyvin pilvisenä monsuuniyönä kuin kirkkaana kuivana vuodenaikana.

Tämä ominaisuus on kriittisen tärkeä riisin kartoituksessa trooppisessa Aasiassa, jossa optiset anturit menettävät rutiininomaisesti viikkoja kasvukaudesta pilvien tukkeutumisen vuoksi.

Sentinel-1 (ESA) lähettää C-kaistan mikroaaltoenergiaa (aallonpituus noin 5,6 cm) ja toimittaa ilmaista, globaalia SAR-dataa 10 metrin tarkkuudella 6–12 päivän toistumisjaksolla. Riisipellot vuorovaikuttavat SAR-signaalien kanssa erityisellä tavalla:

• tulvineet pellot toimivat lähes täydellisenä peilinä, heijastaen suurimman osan tutkaenergiasta pois anturista (tuottaen alhaiset takaisinhajoamisarvot), samalla kun
• Kasvava riisin latvusto sirottaa yhä enemmän energiaa takaisin anturia kohti kasvien tiheyden ja lehtipinta-alan kasvaessa.

Tämä ajan myötä tapahtuva takaisinsironta, joka on alhainen tulvien ja uudelleenistutuksen aikana, nousee kasvullisten vaiheiden läpi ja laskee jälleen pään jälkeen, muodostaa riisille ainutlaatuisen tutkafenologisen ominaisuuden.

Nguyen ym. (Remote Sensing of Environment, 2023) havaitsivat, että Sentinel-1 SAR -aikasarjaluokittelu saavutti 92.3% kokonaistarkkuus riisinviljelykausien kartoittamisessa kolmessa Vietnamin Mekongin suiston maakunnassa, mukaan lukien kolmen viljelyn alueet, joilla optista dataa ei ollut saatavilla yli 60% kasvukaudelta pilvipeitteen vuoksi.

Trooppisilla riisinviljelyalueilla SAR-pohjaiset menetelmät eivät ole pelkästään vaihtoehto optiselle havainnoinnille, vaan ne ovat usein ainoa luotettava vaihtoehto vuodenaikojen mittaamiseen monsuunikuukausina.

4. Monianturidatan integrointi

Mikään yksittäinen anturi ei tarjoa ihanteellista yhdistelmää spatiaalisista yksityiskohdista, ajallisesta tiheydestä ja pilvien läpäisevyydestä. Tarkimmat riisikartoitusjärjestelmät integroivat siksi useita anturityyppejä yhteen analyyttiseen kehykseen.

Yleinen arkkitehtuuri yhdistää Sentinel-1:n SAR-datan pilvetöntä ajallista seurantaa varten Sentinel-2:n optiseen dataan spektririkkauden selvinä aikoina havaitsemiseksi ja käyttää MODISia karkean resoluution ankkurina fenologisten kuvioiden havaitsemiseksi alueellisella tasolla.

Kun nämä tietovirrat yhdistetään algoritmisesti, yhdistetty tietojoukko voi selvittää viljelykasvien rajat, havaita istutuspäivät ja määrittää viljelytyyppiluokituksia varmuudella, johon mikään yksittäinen anturi ei yksinään pysty.

Riisinviljelymallien tunnistaminen satelliittidatasta

1. Riisin kasvuvaiheiden ajalliset tunnusmerkit

Riisi käy läpi tarkoin määritellyn kasvuvaiheiden sarjan: maanmuokkaus ja tulviminen, uudelleenistutus tai kylvö, versominen (useiden varsien kehittyminen yhdestä kasvista), röyhyjen muodostuminen, kukkaan puhkeaminen (jyvää sisältävän kukinnon ilmestyminen) ja sadonkorjuu.

Jokainen vaihe tuottaa mitattavan muutoksen pellon optisissa ja tutkaominaisuuksissa. Analyytikot käyttävät näitä vaihekohtaisia signatuureja, jotka on tallennettu spektri-indeksien tai SAR-takaisinhajonnan aikasarjoina, rekonstruoidakseen, mitä kullakin pellolla tapahtui ja milloin, ilman viljelijän ennakkotietoa.

2. Fenologiaan perustuva riisikartoitus

Fenologiaan perustuva kartoitus (biologisten tapahtumien ajoituksen käyttäminen viljelykasvien luokitteluun) on vallitseva lähestymistapa laaja-alaisten riisin havaitsemiseen. Menetelmä toimii sovittamalla matemaattisia käyriä aikasarjatietoihin ja tunnistamalla sitten pellot, joilla ajallinen kuvio vastaa riisin ominaista kasvukäyrää. Tästä sovitusprosessista saatuja keskeisiä tapahtuma-aikoja ovat mm.

• kasvukauden alku (tyypillisesti tunnistettavissa kasvillisuusindeksin arvojen jyrkästä noususta tulvien jälkeen),
• kasvukauden huippu (suurin lehtipinta-alaindeksi) ja
• kauden loppu (nopea lasku sadonkorjuun aikaan).

Tällaisten syklien määrä kalenterivuoden aikana määrää suoraan, luokitellaanko pelto kerta-, kaksi- vai kolminkertaisesti sadotuksi.

3. Viljelyintensiteetin arviointi

Viljelyintensiteetti eli tietyllä maa-alueella vuosittain suoritettujen satokausien määrä on yksi politiikan kannalta merkityksellisimmistä riisin viljelykuvioiden kartoituksen tuotoksista. Yksinkertainen mutta tehokas lähestymistapa laskee, kuinka monta kertaa riisin kaltainen spektri- tai takaisinsirontahuippu esiintyy pikselin vuotuisessa aikasarjassa.

Yhdistettynä spatiaalisiin suodattimiin kosteikkojen, vesistöjen tai kausiluonteisten tulvien aiheuttamien virheellisten havaintojen poistamiseksi nämä syklilaskennat tuottavat karttoja yhden, kahden ja kolmen sadon riisistä, jotka voidaan validoida kenttätutkimusten ja alueellisten tilastojen avulla.

4. Riisin kausittainen ja vuosittainen levinneisyyskartoitus

Kausikartat (yksi kartta kasvukautta kohden vuodessa) kuvaavat paitsi riisin viljelypaikkoja myös sen kasvuaikoja kullakin alueella. Vuosittaiset kausikarttapinot paljastavat alueen koko viljelykalenterin, mukaan lukien varhaisen ja myöhäisen kauden riisin alueellisen jakautumisen, millä on suora vaikutus veden ajoitukseen, tuholaistorjuntaan ja sadonkorjuun logistiikkaan.

5. Riisin viljelykiertojen havaitseminen

Monissa aasialaisissa riisinviljelyjärjestelmissä viljelijät vuorottelevat riisin, vehnän, vihannesten, palkokasvien tai kesantojen kanssa samalla pellolla peräkkäisten kausien aikana. Kaukokartoitus havaitsee nämä kiertoliikkeet analysoimalla koko vuosittaisen aikasarjan yksittäisen kauden sijaan.

Sateisena kautena riisiksi, mutta kuivana kautena vehnäksi luokiteltu pelto esittää kasvillisuusindeksitiedoissa selkeän kahden piikin ajallisen kuvion, jossa kunkin piikin spektriominaisuudet tunnistavat vastaavan viljelykasvityypin. Näiden viljelykiertojen kartoittaminen on tärkeää maaperän terveyden arvioinnin, kastelun kysynnän mallintamisen ja tulojen monipuolistamisohjelmien kannalta.

Kuinka GeoPard mahdollistaa riisinviljelymallien kartoituksen

Riisin satomallien kartoittaminen vaatii jatkuvaa, useista lähteistä tulevaa havainnointia koko kasvukauden ajan, ja juuri tätä GeoPard tarjoaa. Yhdistämällä Landsat-8-, Sentinel-2- ja Planet-kuvat yhdelle alustalle GeoPard valvoo peltoja joka toinen päivä jopa 3 metrin tarkkuudella varmistaen, että kriittiset riisitapahtumat, kuten istutusta edeltävät tulvat, taimien vihertyminen ja sadonkorjuu, eivät koskaan jää huomaamatta pilvirakojen vuoksi.

Alustan monianturifuusio on osoittanut 4%:n tarkkuuden parannuksen yhden anturin lähestymistapoihin verrattuna, mikä terävöittää suoraan eroa yhden, kahden ja kolmen sadon riisijärjestelmien välillä.

Viljelystyypin tunnistamista varten GeoPardin kasvillisuusindeksipaketti, joka sisältää NDWI:n pintatulvien havaitsemiseen, EVI2:n latvusbiomassan ajoitukseen ja LAI:n latvustiheyteen, tallentaa spektraalisen elämäkerran, joka erottaa keinokastellun istutetun riisin sadekastelluista tai suorakylvöisistä järjestelmistä.

Pilvisinä monsuunipäivinä, kun optinen kuvantaminen epäonnistuu kokonaan, GeoPardin integroitu tutkatietokerros pitää kasvillisuuden seurannan keskeytyksettä lukemalla SAR-säteilyn takaisinhajonnan kourua, joka on tulvineen riisipellon lopullinen tunnus uudelleenistutuksen aikaan.

Vertaile tasoja -työkalun avulla agronomit voivat sijoittaa jopa neljä synkronoitua datatasoa vierekkäin, mikä helpottaa riisin viljelytyyppien erottelua vertaamalla NDWI-tulvasignaaleja monivuotisiin kasvillisuustrendeihin ja maaperän tuottavuuskarttoihin.

Yli 30 vuoden satelliittikuvien tuella alusta paljastaa pitkän aikavälin viljelyintensiteettimallit peltotasolla. Nämä tiedot syötetään sitten suoraan muuttuvan levitysmäärän karttoihin lannoitteiden, siementen ja kasvinsuojelun osalta, jolloin riisin viljelytyyppikartat muuttuvat konkreettisiksi peltotason hoitomääräyksiksi.

Riisin kulttuurityyppien kartoitus kaukokartoituksella

1. Eri kulttuurikäytäntöjen spektraaliset ominaisuudet

Viljelmätyyppi, eli riisipellolle sovellettavien hoitokäytäntöjen yhdistelmä, muokkaa kyseisen pellon spektraalisen ominaisuuden ajallista kehitystä. Esimerkiksi tulviva istutettu riisi aloittaa kauden vesipainotteisella optisella vasteella (alhainen heijastavuus kaikilla näkyvillä alueilla), jota seuraa äkillinen muutos taimien latvustuksen muodostuessa.

Suoraan kylvetty riisi, joka on istutettu tulvimattomaan kylvöalustaan, osoittaa kasvillisuussignaalin lisääntymistä asteittaisemmin itämisen alusta lähtien ilman alkuperäistä tulvimisjaksoa, jonka sekä optiset että SAR-anturit havaitsevat helposti.

2. Kastellun ja sadevedellä kastellun riisin erottaminen

Kastellut ja sadeveden kastelemat riisipellot eroavat toisistaan kahdella havaittavalla tavalla: tulvien ajoituksessa ja säännöllisyydessä sekä niiden kausittaisen fenologian yhdenmukaisuudessa. Kastellut pellot tulvivat yleensä aikataulun mukaisesti, niillä on vähemmän vaihtelua istutuspäivissä vuodesta toiseen ja ne ylläpitävät tasaista latvustotiheyttä kontrolloidun vedenhallinnan avulla.

Sadekasveilla pelloilla on suurempaa ajallista vaihtelua vuosien välillä, niillä voi esiintyä kesken kauden vesistressiä, joka on havaittavissa kasvillisuusindeksin arvojen poikkeavina laskuina, ja joskus ne eivät saavuta täyttä kasvukautta kuivuusvuosina.

Monivuotinen aikasarja-analyysi tallentaa tämän vaihtelurakenteen, jolloin luokittelualgoritmit voivat erottaa keinokastellut ja sadeveden kastelemat alueet tyypillisesti yli 85%:n tarkkuudella hyvin kalibroiduissa järjestelmissä.

3. Istutus- ja suorakylvöisen riisin kartoitus

Luotettavin indikaattori istutetun riisin erottamiseksi suoraan kylvetystä riisistä SAR-tiedoissa on alkuperäisen matalan takaisinsironnan tulvajakson ajoitus ja kesto.

Siirretyt riisipellot tulvitetaan vedellä 2–4 viikkoa ennen taimien siirtoa, mikä luo kauden alussa pidemmän pimeän ajan.

Suorakylvöisillä pelloilla tulvaikkunaa ei joko ole lainkaan (kuivakylvö) tai se on hyvin lyhyt (märkäkylvö), ja takaisinsironta on sekä aikaistunut kylvöpäivään nähden että rakenteellisesti erilainen kaltevuudessaan. Nämä ajalliset ominaisuudet voidaan määrittää automaattisesti käyttämällä tiheisiin SAR-aikasarjoihin sovellettuja algoritmeja.

4. Hallintakäytäntöjen havaitseminen kaukokartoituksen avulla

Istutusmenetelmän ja vedenkäytön lisäksi kaukokartoituksella voidaan havaita tiettyjä vedenhallintakäytäntöjä, kuten vuorotteleva kastelu ja kuivaus. Tätä tekniikkaa käytetään metaanipäästöjen ja vedenkulutuksen vähentämiseen kuivattamalla riisipeltoja ajoittain.

AWD-pelloilla havaitaan värähteleviä SAR-säteilyn takaisinsironnan kuvioita kasvukauden aikana, mikä heijastaa toistuvia tulva-valuntasyklejä, kun taas jatkuvasti tulvivilla pelloilla on tasaisempi takaisinsironnan liikerata. Tämä ominaisuus on erityisen arvokas seurattaessa ilmastoälykkäiden riisikäytäntöjen käyttöönottoa kansallisissa kasvihuonekaasuinventaarioissa.

5. Riisipeltojen vedenkäytön indikaattorit

SAR-laitteiston avulla tehtävä vedenpinnan havaitseminen on erittäin herkkä menetelmä, jolla voidaan tunnistaa jopa muutaman senttimetrin syvyydessä riisin latvuston alla oleva lammikoitunut vesi. Tämän herkkyyden ansiosta analyytikot voivat kartoittaa peltokohtaisesti tulvatilanteen kasvukauden keskeisinä vaiheina, mikä tukee kastelun aikataulutuspäätöksiä ja tulvavahinkojen varhaisia arviointeja.

Kun useilta päivämääriltä kerätyt vedenpintakartat pinotaan ajallisesti, ne tuottavat dynaamisen vedenhallinnan profiilin kullekin kentälle, mikä toimii arvokkaana syötteenä kulttuurityyppien luokittelumalleille.

Tekniikat ja menetelmät: Indekseistä syväoppimiseen

1. Kasvillisuusindeksit riisin seurantaa varten

Kasvillisuusindeksit ovat eri aallonpituuksilla laskettujen heijastusarvojen matemaattisia yhdistelmiä, joiden tarkoituksena on vahvistaa kasvien biomassan ja terveyden signaalia samalla kun vähennetään maaperän taustan, ilmakehän vaikutusten ja valaistusgeometrian aiheuttamaa kohinaa. Kolme indeksiä on keskeinen osa riisin kartoitustyötä.

i. NDVI (normalisoitu kasvillisuuseroindeksi) lasketaan muodossa (NIR – punainen) / (NIR + punainen), ja se on riisin seurannassa yleisimmin käytetty indeksi. Se seuraa latvuksen vihreyttä taimen juurtumisesta vanhenemiseen asti, ja arvot nousevat tyypillisesti läheltä nollaa istutuksen hetkellä 0,6–0,8:aan kasvullisen kasvun huipussa.

ii. EVI (parannettu kasvillisuusindeksi) korjaa ilmakehän aerosolien vaikutukset ja maaperän taustamelun tehokkaammin kuin NDVI, mikä tekee siitä paremman menetelmän ympäristöissä, joissa on paljon aerosolikuormaa, kuten trooppisessa Aasiassa yleisinä biomassan palamiskausina.

iii. LSWI (maanpinnan vesi-indeksi) sisältää lyhytaaltoisen infrapunaheijastuksen havaitakseen sekä kasvillisuuden että maaperän vesipitoisuuden, mikä tekee siitä erittäin herkän alankomaiden riisinviljelylle tyypillisille tulville ja tarjoaa luotettavan signaalin kasvukauden alun havaitsemiseen.

2. Aikasarja-analyysi

Yksi satelliittikuva tallentaa riisipellon tilan tiettynä hetkenä, mutta riisipellon tarina kirjoitetaan noiden hetkien sarjana. Aikasarja-analyysi ketjuttaa yhteen useita havaintoja, tyypillisesti yhden kuvan 5–16 päivän välein koko vuoden ajan, ja poimii ajallisia mittareita, kuten kauden alkamispäivämäärän, NDVI:n huippuarvon, vihertymisnopeuden ja sadonkorjuupäivämäärän.

Nämä mittarit kuvaavat yhdessä pellon koko fenologista käyttäytymistä ja ovat paljon diagnostisempia viljelykasvityypin tunnistamisessa kuin mikään yhden päivämäärän havainto. Tilastollisia menetelmiä, kuten harmonista regressiota ja dynaamista aikavääristymää (DTW), käytetään yleisesti aikasarjatietojen yhdenmukaistamiseen ja vertailuun eri vuosien ja alueiden välillä.

3. Koneoppiminen riisin luokitteluun

Koneoppiminen on mullistanut riisinviljelykuvioiden kartoituksen mittakaavan ja tarkkuuden automatisoimalla monimutkaisten, epälineaaristen suhteiden tunnistamisen spektri-ajallisen datan ja kenttäolosuhteiden välillä.

i. Satunnainen metsä (RF) on ensemble-menetelmä, joka rakentaa satoja itsenäisiä päätöspuita, joista jokainen on koulutettu satunnaisella ominaisuusjoukolla, ja yhdistää niiden äänet lopullista luokitusta varten. Se on kestävä kohinaiselle harjoitusdatalle, käsittelee tehokkaasti korkeaulotteisia ominaisuusavaruuksia ja tarjoaa muuttuvia tärkeyspisteitä, jotka auttavat analyytikoita ymmärtämään, mitkä ajalliset tai spektraaliset ominaisuudet ohjaavat luokittelupäätöksiä.

ii. Tukivektorikone (SVM) löytää optimaalisen rajan luokkien välille korkeaulotteisessa ominaisuusavaruudessa. SVM toimii hyvin, kun harjoitusdataa on rajoitetusti, mikä tekee siitä hyödyllisen datapulan alueilla, joilla totuudenmukaisen tiedon kerääminen on kallista.

iii. Syväoppiminen, erityisesti konvoluutiohermoverkot (CNN) ja rekurrenttihermoverkot (RNN), kuten pitkän lyhytkestoisen muistin (LSTM) arkkitehtuurit, voivat oppia samanaikaisesti sekä yksittäisten kuvien spatiaalisia kuvioita että ajallisia kuvioita kuvasarjojen välillä. Satelliittiaikasarjoihin sovelletut LSTM-pohjaiset luokittelijat ovat saavuttaneet huippuluokan tarkkuuden riisikartoitustehtävissä, ja useissa tutkimuksissa on raportoitu kokonaistarkkuuksia, jotka ovat yli 90% alueellisella tasolla.

Xiao ym. (International Journal of Applied Earth Observation and Geoinformation, 2025) osoittivat, että Sentinel-1:n ja Sentinel-2:n yhdistetyillä aikasarjatiedoilla koulutettu LSTM-syväoppimismalli kartoitti riisin kulttuurityyppejä kolmessa Etelä-Aasian maassa kokonaistarkkuus 91,7% ja kappa-kerroin 0,89, päihittäen Random Forestin 6,4 prosenttiyksiköllä samoissa harjoitusdataolosuhteissa.

Laaja-alaisessa riisin kulttuurityyppikartoituksessa, jossa harjoitusdatan kerääminen on mahdollista, LSTM-pohjaiset syväoppimisluokittelijat ovat nyt vertailumenetelmä, ja niiden tulisi olla oletusvalinta uusille kansallisille kartoitusohjelmille.

4. Objektipohjainen kuva-analyysi (OBIA)

Objektipohjainen kuva-analyysi (OBIA) toimii ryhmittelemällä samanlaisten spektraalisten ja spatiaalisten ominaisuuksien omaavat vierekkäiset pikselit objekteiksi (segmenteiksi) ennen niiden luokittelua sen sijaan, että luokiteltaisiin jokainen pikseli erikseen.

Riisikartoituksessa OBIA on arvokas, koska se voi sisällyttää luokitteluun muodon, rakenteen ja kontekstin, erottaen riisipellon samanvärisestä vesistöstä paddyn säännöllisen suorakulmaisen geometrian perusteella.

OBIA on erityisen tehokas erittäin korkealla spatiaalisella resoluutiolla, kuten kaupallisten satelliittien 1–5 metrin resoluutiolla keräämässä datassa tai miehittämättömien ilma-alusten kuvissa.

5. Muutosten havaitsemistekniikat

Muutosten havaitseminen tunnistaa alueet, joilla maankäyttö on muuttunut kahden tai useamman päivämäärän välillä. Riisijärjestelmän seurannassa muutosten havaitsemisella on kaksi tarkoitusta: seurata riisinviljelyalan laajenemista tai supistumista vuodesta toiseen ilmaston tai taloudellisten tekijöiden seurauksena ja tunnistaa kesken kauden tapahtuvia muutoksia, kuten sadon epäonnistumista, viljelystä luopumista tai odottamattomia tulvia.

Kahden ajankohdan suora vertailu on yksinkertainen menetelmä, mutta se on altis vuosien välisille fenologisille eroille. Usean ajankohdan muutosten havaitseminen kokonaisissa vuosikertomuksissa on luotettavampaa ja voi erottaa todelliset maankäytön muutokset kausittaisesta fenologisesta vaihtelusta.

Tarkkuuden arviointi ja validointi

1. Ground Truth -tiedonkeruu

Jokainen riisikartoitustuote vaatii validoinnin itsenäisesti kerättyjä kenttähavaintoja vasten. Maastokartoitustiedot sisältävät tyypillisesti GPS-pohjaisia kenttäkäyntejä, joissa koulutetut tilastoijat kirjaavat satotyypin, kasvuvaiheen, vedenhallinnan tilan ja vakiintumismenetelmän tilastollisesti edustavasta otoksesta paikkoja. Nämä havainnot kerätään ajallisesti samaan aikaan satelliittihavaintojen kanssa, eivätkä ne sisälly mallin koulutukseen ja niitä käytetään yksinomaan tarkkuuden arviointiin.

2. Luokittelun tarkkuusmittarit

Riisikohtaisissa sovelluksissa F1-pistemäärä, joka tasapainottaa tuottajan ja käyttäjän tarkkuuden kullekin luokalle, raportoidaan yhä useammin Kappan rinnalla informatiivisempana yhden numeron suorituskykyyhteenvetona. Karttatarkkuuden arvioinnin vakiomittareita ovat mm.

• kokonaistarkkuus (kaikkien oikein luokiteltujen validointipisteiden prosenttiosuus),
• tuottajan tarkkuus (todennäköisyys sille, että tietyn todellisen luokan kenttä on kartoitettu oikein, analogisesti palautuksen kanssa),
• käyttäjän tarkkuus (todennäköisyys sille, että tiettyyn luokkaan yhdistetty kenttä on itse asiassa kyseinen luokka, analogisesti tarkkuuden kanssa), ja
• Kappa-kerroin (sattumanvaraisella yhtäpitävyydellä korjattu yhtäpitävyyden mittari, jossa yli 0,80:n arvot osoittavat vahvaa yhtäpitävyyttä).

3. Viljelymallien ja kulttuurityyppien karttojen validointi

Viljelykuviokarttojen validointi edellyttää usean aikajanan maastotietoja, joihin kuuluu kenttäkäyntejä useissa pisteissä viljelykalenterin aikana sen varmistamiseksi, kuinka monena kaudella sato todellisuudessa korjattiin vuodessa kullakin validointipaikalla.

Viljelystyypin validointi, jossa erotetaan istutetut ja suorakylvetyt kasvit tai keinokastellut ja sadekastellut kasvit, on vaativampaa, koska nämä erot eivät aina ole visuaalisesti ilmeisiä pellolla ja vaativat viljelijöiden haastatteluja tai hoitotapahtumien suoraa havainnointia kasvukauden herkkien ikkunoiden aikana.

Kansalliset maataloustilastot, vaikka ne usein kootaankin maakunta- tai piirikuntatasolla, tarjoavat lisäkerroksen pinta-ala-arvioiden validointia, jonka avulla karttasummia voidaan verrata virallisiin raportoituihin lukuihin.

Sovellukset koko maatalousjärjestelmässä

1. Maataloussuunnittelu ja -politiikan kehittäminen

Kaukokartoituksesta saadut riisinviljelykartat antavat maatalousministeriöille tarvittavan alueellisen tarkkuuden kohdennettujen toimenpiteiden suunnitteluun. Yhden viljelykasvin sadevesiviljelyalueiksi tunnistetut alueet voidaan priorisoida pienimuotoisen kastelun kehittämisessä; kolmen viljelykasvin alueita, joilla sadot laskevat, voidaan tutkia maaperän huonontumisen tai pohjaveden ehtymisen varalta.

2. Riisin tuotannon arviointi

Yhdistämällä kaukokartoituksesta saatuja riisipinta-alakarttoja satoarviointimalleihin, kuten säädatoihin perustuviin kasvusimulaatioihin, voidaan tuottaa alueellisia ja kansallisia tuotantoennusteita viikkoja tai kuukausia ennen sadonkorjuuta.

Aasian kehityspankin elintarviketurvallisuuden hallintapaneeli ja FAO:n maailmanlaajuinen tieto- ja varhaisvaroitusjärjestelmä (GIEWS) hyödyntävät molemmat satelliittipohjaisia riisinviljelyalatietoja sadonkorjuuta edeltävien tuotantoarvioiden luomiseksi, ja niiden tarkkuus on osoitettu paremmaksi kuin kyselytutkimuksiin perustuvissa lähestymistavoissa.

3. Vesivarojen hallinta

Kasteltu riisi on Aasian suurin yksittäinen makean veden kuluttaja, ja se vastaa noin 401 300 000 tonnin maatalouden vedenkulutuksesta esimerkiksi Intiassa ja Bangladeshissa.

Satelliittipohjaisen riisikartoituksen arvokkain tuotos ei ole itse kartta, vaan sen mahdollistama päätös siitä, rakennetaanko kanava, suljetaanko kaivo vai ohjataanko tuki uudelleen.

Sen tarkka tunteminen, missä keinokasteltua riisiä viljellään, kuinka monta vuodenaikaa sitä kastellaan ja millä pelloilla käytetään tehokkaita vedenhallintamenetelmiä, kuten AWD:tä, tukee suoraan jokien valuma-alueiden suunnittelua, tekoaltaiden toiminnan aikataulutusta ja pohjaveden kestävyyden arviointeja.

4. Elintarviketurvallisuuden seuranta

Elintarviketurvattomuuden varhaisvaroitusjärjestelmät ovat riippuvaisia satovirheiden nopeasta havaitsemisesta. Kun riisialueet eivät saavuta täyttä kasvusykliä, satelliittipohjainen seuranta havaitsee poikkeavuuden puuttuvana tai lyhentyneenä fenologisena huippuna odotetun kausittaisen ikkunan sisällä. USAIDin tukema FEWS NET (Famine Early Warning Systems Network) käyttää satelliittien kasvillisuusdataa, mukaan lukien riisikohtaista seurantaa, tuottaakseen elintarviketurvahälytyksiä Aasiassa ja Afrikassa.

5. Ilmastonmuutoksen vaikutusten arviointi

Landsat-satelliitin pitkäaikaiset riisinviljelykartta-arkistot, jotka kattavat vähintään 20 vuoden ajalta, paljastavat, miten riisin viljelyalueet, vuodenajat ja sadot ovat muuttuneet muuttuvien lämpötila- ja sademääräolosuhteiden mukaan. Nämä historialliset trendikartat tarjoavat empiiristä näyttöä ilmastonmuutoksen vaikutuksista riisiviljelyjärjestelmiin ja toimivat lähtötietoina tulevaisuuden maatalouden riskien ennustamiseen erilaisissa lämpenemisskenaarioissa.

7. Tarkkuusviljelyn sovellukset

Maatilatasolla miehittämättömien ilma-alusten avulla tehtävä riisin viljelytyypin kartoitus yhdistettynä peltotason maaperä- ja vesitietoihin tukee tarkkoja hallintapäätöksiä, kuten vaihtelevan määrän lannoitetta, paikkakohtaista tuholaistorjuntaa ja optimoitua istutuspäivien ajoitusta. Nämä sovellukset kehittyvät tällä hetkellä nopeasti Japanissa, Etelä-Koreassa ja osissa Kiinaa, missä riisinviljely on pitkälle koneellistettua ja käytettävissä on datainfrastruktuuri kaukokartoitustulosten linkittämiseksi maatilan hallintajärjestelmiin.

Riisin kartoitusta rajoittavat haasteet ja rajoitukset

1. Pilvipeite ja datan saatavuus

Jatkuva pilvipeite monsuunikauden aikana, jolloin suuri osa Aasian riisistä viljellään, rajoittaa merkittävästi käyttökelpoisten optisten havaintojen määrää. Joillakin alueilla pilvikontaminaatio vähentää käytettävissä olevien Sentinel-2-havaintojen määrän kriittisen istutuskauden ja varhaisen kasvukauden aikana alle kahteen kuukaudessa. SAR-tiedot lieventävät, mutta eivät poista tätä ongelmaa, koska rankkasateet voivat tilapäisesti kyllästää tutkasignaalin.

2. Sekalaiset pikselit ja pienet kenttäkoot

Alueilla, joilla riisipellot ovat anturin spatiaalista resoluutiota pienempiä, yksi pikseli tallentaa sekoituksen riisiä ja muuta maapeitettä, mikä tekee luokittelusta epäselvän. Ylämaiden riisiviljelyjärjestelmät mäkisessä maastossa ja puutarhamittakaavan pellot osissa Indonesiaa ja Filippiinejä tuottavat rutiininomaisesti sekapikseleitä jopa Sentinel-2:n 10 metrin resoluutiolla, mikä rajoittaa pikselipohjaisten menetelmien käyttöä näissä ympäristöissä.

3. Kasvilajikkeiden spektraalinen ja ajallinen samankaltaisuus

Jotkin viljelykasvit, erityisesti sokeriruoko, juutti ja tietyt ruohoalueet, tuottavat NDVI- tai EVI-aikasarjoissa riisin kaltaisia fenologisia käyriä, mikä johtaa luokittelusekaannukseen. SAR-pohjainen tulvien havaitseminen vähentää tätä sekaannusta alankomaiden riisin kohdalla, mutta ylängöillä sijaitsevia riisijärjestelmiä, joissa ei ole tulvineita peltoja, on edelleen vaikea erottaa spektraalisesti samankaltaisista viljelykasveista ilman lisätietoja kenttädatasta tai muita maantieteellisiä tietoja.

4. Ajalliset resoluutiorajoitukset

Riisin viljelymallin ja viljelytyypin kartoitus kaukokartoituksella vaatii tiheää ajallista näytteenottoa, mieluiten vähintään yhden havainnon 8–10 päivän välein koko kasvukauden ajan. Kun pilvipeite tai satelliittien kiertoratojen aukot pienentävät tätä ajallista tiheyttä, lyhytkestoiset riisilajikkeet tai nopeasti vaihtuvat kolmen sadon kaudet voivat jäädä kokonaan huomaamatta automaattisilla tunnistusalgoritmeilla.

5. Maanpinnan tietojen rajoitukset

Korkealaatuisen, merkityn koulutusdatan eli tunnettuihin viljelykasvityyppeihin ja hoitokäytäntöihin sovitettujen kenttähavaintojen kerääminen on edelleen kallista ja logistisesti vaikeaa siinä mittakaavassa, jota tarvitaan kansallisten kartoitusjärjestelmien kouluttamiseen ja validointiin. Monissa pienituloisissa riisintuotantomaissa järjestelmällisen maastodatan keräämisen inhimilliset ja taloudelliset resurssit ovat suurin yksittäinen rajoite kartoitustarkkuuden parantamiselle.

Riisin seurannan uudet trendit ja tulevaisuus

1. Miehittämättömien ilma-alusten ja dronejen avulla tehtävä riisin seuranta

Miehittämättömät ilma-alukset (UAV), jotka on varustettu monispektri- ja lämpöantureilla, tuottavat nyt senttimetritason kuvia yksittäisten tilojen yltä, selvittäen peltojen rajat, viljelykasvien rivit ja jopa yksittäisten kasvien terveydentilan. Miehittämättömät ilma-alukset toimivat siltana satelliittimittakaavan kartoituksen ja yksittäisten kasvien havainnoinnin välillä, ja ne tarjoavat erittäin korkean resoluution maastotietoja, joita tarvitaan satelliittipohjaisten mallien kouluttamiseen ja validointiin pirstaloituneissa maisemaympäristöissä.

2. Tekoäly ja syväoppiminen riisin luokittelussa

Satelliittikuvien aikasarjoihin sovelletut konvoluutioneuroverkot yhdistettynä luonnollisen kielen prosessoinnista mukautettuihin muuntaja-arkkitehtuureihin saavuttavat tällä hetkellä kaikkien aikojen korkeimmat riisin luokittelutarkkuudet.

Wageningenin yliopiston tutkijoiden vuonna 2024 julkaisema PRISM-kehys (Phenology-based Rice crop Identification System using Multisource data) osoitti, että itseohjattu oppiminen merkitsemättömissä satelliittiarkistoissa voi esiopettaa riisin luokittelumalleja, jotka vaativat vain vähän merkittyjä maastotietoja hienosäätöä varten, mikä vähentää merkittävästi kenttätutkimuksen työmäärää.

3. Lähes reaaliaikaiset riisin seurantajärjestelmät

Toimivat lähes reaaliaikaiset riisin seurantajärjestelmät käsittelevät saapuvat satelliittitiedot automaattisesti, päivittävät riisikarttoja 10–16 päivän välein ja toimittavat hälytyksiä istutuspäivistä, vesistressistä ja sadonkorjuuajoituksesta suoraan hallituksen kojelaudoille tai viljelijöiden ja maatalousneuvojien käyttämiin mobiilisovelluksiin.

Thaimaan riisivirasto ja Vietnamin maatalousministeriö käyttävät molemmat tämänkaltaisia prototyyppijärjestelmiä, ja Kansainvälinen riisintutkimuslaitos tukee vastaavanlaisten valmiuksien kehittämistä Bangladeshissa ja Kambodžassa.

4. Satelliitti- ja IoT-datan integrointi

Riisipelloille asennetut esineiden internetin (IoT) anturit mittaavat maaperän kosteutta, vedenpintaa, lämpötilaa ja latvuston mikroilmastoa. Ne tuottavat jatkuvia maanpinnan tasolla olevia havaintoja, jotka täydentävät ja kalibroivat satelliittien kaukokartoitusdataa.

Kun IoT-anturiverkot ja satelliittihavainnot yhdistetään datafuusiokehyksissä, tuloksena oleva valvontajärjestelmä voi havaita vesistressin, tulvien alkamisen ja tautipaineen suuremmalla varmuudella ja aikaisemmin kuin kumpikaan lähde tarjoaa erikseen.

5. Digitaalinen maatalous ja älykäs maanviljely

Satelliittipohjaisen riisinviljelyn, IoT-mittausten ja tekoälypohjaisen päätöksenteon tuen lähentyminen luo perustan älykkäälle riisinviljelylle, jossa kastelun ajoituksesta lannoitteiden levitykseen tehtävät päätökset perustuvat paikkatietoihin, lähes reaaliaikaisiin tietovirtoihin eikä kalenteripohjaisiin nyrkkisääntöihin.

Japanin Niigatan prefektuurissa ja Kiinan Heilongjiangin maakunnassa toteutetut pilottihankkeet ovat osoittaneet, että kaukokartoitukseen perustuva riisin täsmäviljely voi vähentää tuotantokustannuksia 15-25% samalla kun sadot säilyvät ennallaan tai paranevat, vuoden 2024 alustavien kenttäkoeraporttien mukaan.

Johtopäätös

Riisin viljelymallin ja kulttuurityypin kartoittaminen kaukokartoituksen avulla on kypsynyt akateemisesta tutkimusalasta operatiiviseksi työkaluksi, jota hallitukset, kansainväliset järjestöt ja maatalousteknologia-alustat käyttävät kaikkialla Aasiassa ja muualla. Usean anturin aikasarjamenetelmät, jotka yhdistävät optista ja SAR-dataa, jota käsitellään koneoppimisen ja syväoppimisen luokittelijoiden avulla, tuottavat nyt rutiininomaisesti kansallisen mittakaavan riisialuekarttoja, joiden kokonaistarkkuus ylittää 85–90%. Nämä kartat eivät ainoastaan selvitä, missä riisi kasvaa, vaan myös kuinka monta kertaa vuodessa, millä vesijärjestelmällä ja millä istutusmenetelmällä.

Siirtyminen yksinkertaisesta riisialueiden kartoituksesta kulttuurityyppiluokitukseen muuttaa maapeitetuotteen maataloudelliseksi tiedusteluresurssiksi. Tieto siitä, että alue on siirtynyt istutetusta riisistä suoraan kylvettyyn riisiin yli vuosikymmenen aikana, viestii samanaikaisesti työmarkkinoiden muutoksista ja pohjaveden pinnan ehtymisestä. Sen tietäminen, mitkä sadevesialueet ovat alttiimpia alkukauden kuivuusjaksoille, ja niiden tunnistaminen ajallisten spektrikuvioiden perusteella mahdollistaa ennalta määritellyn kuivuusreagoinnin reaktiivisen katastrofiavun sijaan. Kaukokartoitus mahdollistaa tämän tason paikkatietoisuuden murto-osalla vastaavien maastokartoitusohjelmien kustannuksista.

Peruna on yksi maailman tärkeimmistä ravintokasveista ja se on miljoonien ihmisten peruselintarvike. Ensinnäkin perunakasvien kasvutavan tunteminen ja niiden sadon ennustaminen auttavat viljelijöitä hallitsemaan kastelua, lannoitusta ja tuholaistorjuntaa tehokkaammin.

Toiseksi, elintarvikkeiden jalostajat ja varastointilaitokset voivat suunnitella logistiikkaa ja työvoimaa paremmin, kun niillä on luotettavat satoarviot. Perinteiset menetelmät – kuten pelloilla käveleminen ja kasvien mittaaminen käsin – ovat kuitenkin aikaa vieviä ja alttiita inhimillisille virheille.

Siksi tiedemiehet ovat siirtyneet kaukokartoitukseen, jossa käytetään satelliittien, droonien tai kannettavien laitteiden kameroita ja antureita perunan kasvun seuraamiseen ja sadon ennustamiseen nopeammin ja tarkemmin.

Perunan satoennusteiden ymmärtäminen

Viimeisten kahden vuosikymmenen aikana kiinnostus kaukokartoituksen soveltamiseen perunatutkimuksessa on kasvanut huomattavasti. Itse asiassa systemaattinen katsaus tunnisti 482 alun perin seulotusta artikkelista 79 tutkimusta, jotka julkaistiin vuosina 2000–2022 tästä aiheesta.

Läpinäkyvyyden ja toistettavuuden varmistamiseksi kirjoittajat noudattivat vakiintuneita ohjeita (Kitchenham & Charters 2007; PRISMA-viitekehys) ja tekivät hakuja kahdeksasta merkittävästä tietokannasta – Google Scholar, ScienceDirect, Scopus, Web of Science, IEEE Xplore, MDPI, Taylor & Francis ja SpringerLink – käyttäen termejä, kuten “perunan sadon ennustaminen” JA “kaukokartoitus”.”

Näin ollen mukaan otettiin vain alkuperäisiä englanninkielisiä tutkimuksia, joissa käytettiin kaukokartoitusdataa kasvun seurantaan tai sadon arviointiin. Lisäksi kustakin valitusta artikkelista tiedot poimittiin neljän keskeisen kysymyksen perusteella:

• Mitä tunnistusalustaa käytettiin (satelliitti, miehittämätön ilma-alus vai maanpäällinen)?
• Mitä kasvillisuusindeksejä tai spektriominaisuuksia arvioitiin?
• Mitä viljelykasvien ominaisuuksia seurattiin (biomassa, lehtipinta-ala, klorofylli, typpi)?
• Kuinka tarkasti lopullinen mukulasato voitaisiin ennustaa (määrityskerroin, R²)?

Nämä kysymykset auttoivat arvioijia kartoittamaan nykytilanteen ja tunnistamaan aukkoja, joihin tuleva tutkimus voisi keskittyä.

Kaukokartoitusalustat ja kasvillisuusindeksit

Tutkijat ovat käyttäneet kolmenlaisia kaukokartoitusalustoja, joilla kullakin on omat etunsa ja rajoituksensa. Ensinnäkin optiset satelliitit, kuten Sentinel-2 (10 m spatiaalinen resoluutio, 5 päivän uudelleentarkastelu) ja Landsat 5–8 (30 m, 16 päivän uudelleentarkastelu), tarjoavat laajan kattavuuden ja usein ilmaisen datan saatavuuden.

Toiseksi satelliitit, kuten MODIS/TERRA/Aqua (250–1000 m, päivittäin tai kahden päivän uudelleenkäynnistys), ja kaupalliset järjestelmät, kuten PlanetScope (3 m, päivittäin, kustannukset noin $218 / 100 km²), mahdollistavat useammin tapahtuvan tai tarkemman seurannan, vaikka kustannukset voivatkin olla tekijä.

Kolmanneksi miehittämättömät ilma-alukset (UAV), joissa on monispektrisiä tai hyperspektrisiä kameroita, tarjoavat erittäin korkean resoluution (jopa muutama senttimetri pikseliä kohden) ja niitä voidaan lentää tarvittaessa, mutta ne kattavat pienempiä alueita ja vaativat enemmän logistiikkaa.

Lopuksi, maanpäälliset anturit – kuten kädessä pidettävät NDVI-mittarit ja SPAD-klorofyllimittarit – antavat erittäin tarkkoja pistemittauksia, vaikkakin ne ovat aikaa vieviä suurilla kentillä käytettäessä.

Kasvillisuusindeksit (VI) muuntavat raakat heijastuskykyarvot mielekkäiksi arvioiksi kasvin ominaisuuksista. Yleisimpiä indeksejä perunatutkimuksissa ovat:

• NDVI (normalisoitu kasvillisuusindeksi): (NIR – Punainen) / (NIR + Punainen)
• GNDVI (vihreä NDVI): (NIR – vihreä) / (NIR + vihreä)
• NDRE (Normalisoitu erotus punareunassa): (NIR – punainen reuna) / (NIR + punainen reuna)
• OSAVI (Optimoitu maaperään mukautettu kasvillisuusindeksi): 1,16 × (NIR – Punainen) / (NIR + Punainen + 0,16)
• EVI (Enhanced Vegetation Index), CIred-edge, CIgreen ja muita. .

Nämä indeksit valitaan niiden herkkyyden perusteella latvuston peittävyydelle, klorofyllipitoisuudelle ja maaperän taustalle. Näin ollen ne toimivat perustana kasvien terveyden arvioinnille ja sadon ennustamiselle.

Perunan kasvun seuranta ja sadon ennustaminen

Kaukokartoituksen avulla tutkijat seuraavat perunan keskeisiä ominaisuuksia – maanpäällistä biomassaa (AGB), lehtipinta-alaa (LAI), latvuskasvuston klorofyllipitoisuutta (CCC) ja lehtien typpipitoisuutta – ja yhdistävät nämä sitten lopulliseen mukulasatoon.

Ensinnäkin AGB:n arvioiminen pelkästään viskositeetin indeksiarvojen avulla voi olla haastavaa, kun latvusto on tiheä, koska monet indeksit saturoituvat; siksi viskositeetin indeksiarvojen yhdistäminen kasvien korkeuteen tai tekstuuriominaisuuksiin koneoppimismalleissa usein parantaa tarkkuutta.

Toiseksi, LAI:n – kokonaislehtipinta-alan yksipuolisen lehden pinta-alan suhteessa maan pinta-alaan – arvioinnissa on saavutettu jopa 0,84:n R²-arvoja käyttämällä sekä miehittämättömien ilma-alusten hyperspektraali- että satelliittien monispektraalisista antureista saatua aikasarjadataa.

Kolmanneksi, CCC-arviot, jotka on johdettu indekseistä, kuten CIred-edge, CIgreen, TCARI/OSAVI ja TCARI + OSAVI, saavuttivat R² ≈ 0,85:n kasvuvaiheessa, mikä viittaa vahvaan korrelaatioon laboratoriossa mitatun klorofyllin kanssa.

Lopuksi ennustettiin lehtien typpipitoisuutta, joka on elintärkeää terveelle kasvulle. R²-kerroin vaihteli välillä 0,52–0,95 käytettäessä maanpäällisiä antureita sekä regressio- tai satunnaismetsämalleja.

Mukuloiden sadon ennustamisessa erottuu kaksi pääasiallista mallinnusmenetelmää:

Empiiriset regressiomallit: Tässä yksi VI – useimmiten NDVI, GNDVI tai NDRE – sovitetaan perustuotettavuuteen. Raportoidut NDVI:n ja tuoton R²-arvot vaihtelevat välillä 0,23–0,84 (mediaani ≈ 0,67), kun taas NDRE:n ja tuoton väliset korrelaatiot vaihtelevat välillä 0,12–0,85 (mediaani ≈ 0,61).

Koneoppimismallit: Näitä ovat satunnaismetsämallit, tukivektorikoneet ja neuroverkot, jotka yhdistävät useita vis-indikaattoreita, spektrikaistoja ja ei-spektrisiä tekijöitä, kuten säätä, maaperää ja hallintaa. Tällaiset mallit ovat nostaneet R²:n jopa 0,93:een joissakin tutkimuksissa.

Lisäksi tiedonkeruun ajoitus vaikuttaa suuresti ennusteiden tarkkuuteen. Useissa tutkimuksissa istutuksen jälkeen 36–55 päivää tehdyt viskositeettimittaukset osoittivat korkeimmat korrelaatiot lopullisen mukulasadon kanssa.

Tämä vaihe on yhdenmukainen suurimman maanpeitteen ja mukuloiden kasvun alkamisen kanssa, mikä tekee kasvin rakenteesta parhaiten osoituksen lopullisesta sadosta. Joitakin keskeisiä löydettyjä tilastoja:

• Havaituista 482 tutkimuksesta 79 (2000–2022) täytti arviointikriteerit.
• Keskittymisalueet: satoennuste (37 %), lehtien typpistatus (21 %), AGB (15 %), LAI (15 %), CCC (12 %).
• Käytetyimmät satelliittialustat: Sentinel-2, Landsat, MODIS; kaupallinen: PlanetScope.
• R²-alueet: NDVI–saanto (0,23–0,84), NDRE–saanto (0,12–0,85), GNDVI–saanto (0,26–0,75).

Perunan sadon ennustamisen suositukset

Näiden havaintojen perusteella ammattilaisten tulisi ensin valita tavoitteilleen sopiva alusta. Alueellisia satoennusteita varten ilmainen Sentinel-2-data tarjoaa luotettavan kattavuuden 10 metrin tarkkuudella ja 5 päivän tarkistusaikataululla.

Paikallisten arvioiden tarkentamiseksi noin 36–55 päivää istutuksen jälkeen suunnitellut miehittämättömien ilma-alusten lennot tallentavat kriittisiä latvusdynamiikkoja ja parantavat satelliittimallien kalibrointia. Maanpäällisiä antureita käytetään parhaiten pistokokeisiin ja etähavaintojen kalibrointiin, erityisesti yhdistettäessä spektritietoja kenttämittauksiin.

Kasvillisuusindeksien osalta ammattilaisten tulisi priorisoida NDVI:tä, NDRE:tä ja CI:n _punareunaa lopullisen sadon ennustamisessa, koska ne osoittavat jatkuvasti vahvoja korrelaatioita.

Klorofylli- ja typpipitoisuutta arvioitaessa tarkimmat tulokset saadaan yhdistämällä punareunaindeksit maaperään kompensoituihin viskositeetin indeksilukuihin – kuten TCARI/OSAVI. Biomassan arvioinnissa viskositeetin indeksilukujen integrointi kasvien korkeuteen tai tekstuuriominaisuuksiin koneoppimiskehyksissä parantaa tarkkuutta entisestään.

Mallinnuksen osalta yksinkertaiset lineaariset tai epälineaariset regressiot, jotka käyttävät yhtä indeksiä, ovat tehokkaita, kun pohjadataa on rajoitetusti. Kun saatavilla on useita indeksejä ja apudataa (sää, maaperä, metsänhoito), koneoppimismenetelmät, kuten satunnaismetsäanalyysi tai neuroverkot, tarjoavat paremman suorituskyvyn. Tärkeää on, että ajoituskuvat noin 36–55 päivää istutuksen jälkeen ovat ratkaisevan tärkeitä, koska tämä aikaväli tuottaa jatkuvasti korkeimman ennustetarkkuuden.

Johtopäätös

Yhteenvetona voidaan todeta, että kaukokartoitus tarjoaa nopean, joustavan ja tarkan työkalupakin perunan kasvun seurantaan ja mukulasadon ennustamiseen. Valitsemalla sopivan alustan, valitsemalla informatiivisimmat kasvillisuusindeksit, ajoittamalla tiedonkeruun noin 36–55 päivän ikääntymispäivään ja soveltamalla sopivia mallinnustekniikoita tutkijat ja käytännön työntekijät voivat parantaa merkittävästi satoennusteita.

Tämä lähestymistapa ei ainoastaan säästä aikaa, vaan tukee myös älykkäämpiä johtopäätöksiä, mikä hyödyttää viime kädessä viljelijöitä, agronomeja ja koko perunan toimitusketjua.

Viite: Mukiibi, A., Machakaire, ATB, Franke, AC. ym. Perunan kasvun seurannan ja mukulasadon ennustamisen kasvillisuusindeksien systemaattinen katsaus kaukokartoitukseen. Peruna Res. 68, 409–448 (2025). https://doi.org/10.1007/s11540-024-09748-7