2. Kuivuuden seuranta:<\/strong> Todellisen haihtumisasteen (ET) pysyv\u00e4 lasku suhteessa viite-ET:hen (joka haihtuisi rajoittamattoman vedensaannin vallitessa) viestii kehittyv\u00e4st\u00e4 kuivuusstressist\u00e4. Kaukokartoitus tallentaa t\u00e4m\u00e4n signaalin viikkoja ennen kuin sadonmenetys tulee silmin havaittavaksi.<\/p>\n 3. Vesivarojen suunnittelu:<\/strong> Vesist\u00f6jen vedenkulutuksen seuranta valuma-alueen tasolla vaatii maantieteellist\u00e4 tietoa (ET) valuma-alueen tasolla. Satelliittien ET-seuranta tarjoaa t\u00e4m\u00e4n alueellisen kattavuuden murto-osalla maa-asemaverkoston kustannuksista.<\/p>\n 4. Ilmastonmuutoksen arviointi:<\/strong> Pitk\u00e4n aikav\u00e4lin vedenk\u00e4yt\u00f6n trendit paljastavat, kuinka l\u00e4mpenev\u00e4t l\u00e4mp\u00f6tilat ja muuttuvat sadem\u00e4\u00e4r\u00e4t muuttavat ekosysteemien vedenk\u00e4ytt\u00f6\u00e4 \u2013 tiedot, jotka ohjaavat sopeutumissuunnittelua alueellisella ja kansallisella tasolla.<\/p>\n 5. Ekosysteemin terveyden seuranta:<\/strong> Kosteikkojen haihtumisnopeudet, metsien haihtuminen ja niittyjen vedenk\u00e4ytt\u00f6 reagoivat kaikki herk\u00e4sti ekologisiin h\u00e4iri\u00f6ihin. Kaukokartoitushaihdutus havaitsee n\u00e4m\u00e4 muutokset laajoilla, saavuttamattomilla maisemilla.<\/p>\n Haihdunta (ET) muodostuu ilmasto-olosuhteiden, maiseman ominaisuuksien ja kasvibiologian yhdistelm\u00e4n vaikutuksesta. Alla on erittely keskeisist\u00e4 tekij\u00f6ist\u00e4.<\/p>\n 1. Maaper\u00e4tyyppi.<\/strong> Maaper\u00e4n koostumuksella on merkitt\u00e4v\u00e4 rooli vedenpid\u00e4tyskyvyss\u00e4 ja haihtumisessa. Hiekkaiset tai soraiset maaper\u00e4t pid\u00e4tt\u00e4v\u00e4t yleens\u00e4 v\u00e4hemm\u00e4n vett\u00e4 ja vapauttavat sit\u00e4 enemm\u00e4n haihtumalla, kun taas savipitoiset tai savipitoiset maaper\u00e4t pid\u00e4tt\u00e4v\u00e4t kosteutta paremmin.<\/p>\n 2. Ilman l\u00e4mp\u00f6tila.<\/strong> L\u00e4mp\u00f6tila vaikuttaa suoraan ET-nopeuksiin. L\u00e4mpim\u00e4mm\u00e4ll\u00e4 ilmalla on suurempi kyky pid\u00e4tt\u00e4\u00e4 kosteutta, ja lis\u00e4\u00e4ntynyt l\u00e4mp\u00f6tila kiihdytt\u00e4\u00e4 veden muuttumista h\u00f6yryksi, mik\u00e4 lis\u00e4\u00e4 haihtumista.<\/p>\n 3. Auringon s\u00e4teily.<\/strong> L\u00e4mm\u00f6n tuottamisen lis\u00e4ksi auringons\u00e4teilyyn liittyy energiatasojen, taajuuden ja albedon vaihteluita \u2013 jotka kaikki vaikuttavat ET:hen. N\u00e4m\u00e4 tekij\u00e4t vaihtelevat sijainnin ja vuodenajan mukaan, ja niiden tarkka mittaaminen vaatii usein edistynytt\u00e4 teknologiaa.<\/p>\n 4. Kosteus.<\/strong> Suhteellinen kosteus (RH) tarkoittaa ilmassa olevan vesih\u00f6yryn m\u00e4\u00e4r\u00e4\u00e4 suhteessa sen maksimikapasiteettiin. Kun kosteus on korkea, ilma imee itseens\u00e4 v\u00e4hemm\u00e4n kosteutta, mik\u00e4 hidastaa haihtumisnopeutta (ET). Toisaalta kuivempi ilma voi ime\u00e4 itseens\u00e4 enemm\u00e4n h\u00f6yry\u00e4, mik\u00e4 johtaa korkeampaan haihtumisnopeuteen.<\/p>\n 5. Kasvipeite.<\/strong> Eri kasvilajit ovat vuorovaikutuksessa veden kanssa eri tavoin. Jotkut varastoivat vett\u00e4 tehokkaasti kuivina kausina, kun taas toiset menett\u00e4v\u00e4t sit\u00e4 nopeammin. ET-nopeuksiin vaikuttavat my\u00f6s kasvin ik\u00e4, terveys ja juurien syvyys \u2013 syvemm\u00e4t juuret antavat kasveille mahdollisuuden selvit\u00e4 pidemp\u00e4\u00e4n ilman kastelua. N\u00e4m\u00e4 fysiologiset erot tarkoittavat, ett\u00e4 ET voi vaihdella suuresti eri viljelykasvien v\u00e4lill\u00e4, mik\u00e4 vaatii r\u00e4\u00e4t\u00e4l\u00f6ityj\u00e4 kastelustrategioita.<\/p>\n 6. Tuulen nopeus.<\/strong> Tuuli on merkitt\u00e4v\u00e4 sek\u00e4 haihtumisen ett\u00e4 transpiraation ajuri. Se levitt\u00e4\u00e4 kasvillisuuden p\u00e4\u00e4lle kertyv\u00e4\u00e4 kosteaa ilmakerrosta, mik\u00e4 lis\u00e4\u00e4 ET-arvoa. Se my\u00f6s edist\u00e4\u00e4 h\u00f6yryn diffuusiota kasvien huokosten l\u00e4pi, mik\u00e4 tehostaa haihtumista. Eritt\u00e4in voimakkaat ja kuivat tuulet voivat kuitenkin joskus haitata h\u00f6yryn diffuusiota, mik\u00e4 v\u00e4hent\u00e4\u00e4 ET-arvoa hieman tietyiss\u00e4 olosuhteissa.<\/p>\n ET(0) heijastaa ilmakeh\u00e4n kyky\u00e4 ohjata veden haihtumista ja on puhtaasti ilmastoon perustuva. ET(c) mittaa veden haihtumista terveist\u00e4, hyvin kastelluista viljelykasveista, jotka kasvavat ihanteellisissa olosuhteissa t\u00e4ydell\u00e4 satopotentiaalillaan. Kun viljelykasvien hoito on ep\u00e4optimaalista tai ne kohtaavat ymp\u00e4rist\u00f6haasteita, ET(c)-arvoa on muutettava, jotta saadaan ET(c adj). Viljelmien haihdunta ymm\u00e4rret\u00e4\u00e4n kolmen erillisen k\u00e4sitteen kautta:<\/p>\n ET(0) edustaa nopeutta, jolla vesi haihtuu hyvin kastellulta vertailupinnalta \u2013 tyypillisesti mallinnetaan idealisoidusta ruohopeitteest\u00e4, joka t\u00e4ytt\u00e4\u00e4 tietyt kriteerit.<\/p>\n T\u00e4m\u00e4 mittaus mittaa ilmakeh\u00e4n haihtumiskynnyst\u00e4 riippumatta viljelykasvin tyypist\u00e4, kasvuvaiheesta tai viljelyk\u00e4yt\u00e4nn\u00f6ist\u00e4. Koska vertailupinnan oletetaan olevan t\u00e4ysin kostea, maaper\u00e4n olosuhteet j\u00e4tet\u00e4\u00e4n laskelman ulkopuolelle, mik\u00e4 poistaa tarpeen m\u00e4\u00e4ritt\u00e4\u00e4 erillisi\u00e4 ET-kynnysarvoja jokaiselle viljelykasville jokaisessa kasvuvaiheessa.<\/p>\n ET(0) m\u00e4\u00e4r\u00e4ytyy kokonaan ilmastollisten muuttujien mukaan, ja tyypilliset arvot vaihtelevat agroklimaattisten vy\u00f6hykkeiden v\u00e4lill\u00e4, vaikka n\u00e4m\u00e4 luvut toimivat vain yleisin\u00e4 vertailuarvoina.<\/p>\n ET(c) ilmaisee terveen, hyvin ravinteisen ja suurilla, riitt\u00e4v\u00e4sti kastelluilla pelloilla suotuisissa s\u00e4\u00e4olosuhteissa ja huipputuottavuudella kasvatetun sadon vapauttaman veden m\u00e4\u00e4r\u00e4n. Se johdetaan kertomalla vertailu-ET satokertoimella K(c):<\/p>\n ET(c) = ET(0) \u00d7 K(c)<\/em><\/p>\n ET(c adj) ottaa huomioon todelliset poikkeamat ihanteellisista kasvuolosuhteista. Tekij\u00e4t, kuten tuholaisten ja tautien aiheuttama paine, veden alij\u00e4\u00e4m\u00e4 tai liikak\u00e4ytt\u00f6, maaper\u00e4n suolapitoisuus ja heikko maaper\u00e4n hedelm\u00e4llisyys, voivat aiheuttaa sen, ett\u00e4 todellinen viljelykasvien vedenk\u00e4ytt\u00f6 poikkeaa merkitt\u00e4v\u00e4sti ET(c):st\u00e4. N\u00e4iden vaikutusten kuvaamiseksi viljelykasvien kertoimen rinnalla otetaan k\u00e4ytt\u00f6\u00f6n vesistressikerroin K(s):<\/p>\n ET(c adj) = ET(0) \u00d7 K(c) \u00d7 K(s)<\/em><\/p>\n Ennen kaukokartoitusta tutkijat mittasivat maanp\u00e4\u00e4llist\u00e4 avaruutta suorilla fysikaalisilla instrumenteilla. Jokainen menetelm\u00e4 toimii hyvin tietyll\u00e4 mittakaavalla, mutta siihen liittyy merkitt\u00e4vi\u00e4 kompromisseja, jotka rajoittavat laajaa maatalouden soveltamista. Joitakin parhaita maanp\u00e4\u00e4llisi\u00e4 maanp\u00e4\u00e4llisi\u00e4 mittaustekniikoita ovat:<\/p>\n 1. Lysimetri: <\/strong>Lysimetri (suuri, maanpinnan tasolle asennettu, mullalla ja kasvavalla sadolla t\u00e4ytetty s\u00e4ili\u00f6) mittaa energiankulutusta (ET) punnitsemalla maa-ainespalaa ajan kuluessa. Kun sadem\u00e4\u00e4r\u00e4\u00e4 hallitaan ja valumavesi ker\u00e4t\u00e4\u00e4n, aikav\u00e4lien massaero vastaa todellista energiankulutusta (ET).<\/p>\n Lysimetrit tarjoavat tarkimmat saatavilla olevat ET-mittaukset, mutta ne maksavat satoja tuhansia dollareita yksikk\u00f6\u00e4 kohden, peitt\u00e4v\u00e4t vain muutaman neli\u00f6metrin alueen eiv\u00e4tk\u00e4 pysty edustamaan todellisen kent\u00e4n spatiaalista vaihtelua.<\/p>\n 2. Eddy-kovarianssij\u00e4rjestelm\u00e4: <\/strong>Py\u00f6rremyrskykovarianssij\u00e4rjestelm\u00e4 mittaa ET:t\u00e4 laskemalla pystysuoran tuulen nopeuden ja vesih\u00f6yrypitoisuuden v\u00e4lisen kovarianssin latvuston yl\u00e4puolella k\u00e4ytt\u00e4m\u00e4ll\u00e4 nopeita antureita. Se kattaa "jalanj\u00e4ljen" useista sadoista metreist\u00e4 muutamaan kilometriin, mik\u00e4 tekee siit\u00e4 paljon edustavamman kuin lysimetri.<\/p>\n Fluksitornien asennus ja yll\u00e4pito maksavat kuitenkin 50 000\u2013300 000 Yhdysvaltain dollaria, ja maailmanlaajuisessa FLUXNET-verkostossa on vain noin 900 aktiivista tukikohtaa \u2013 aivan liian harvassa maatalouden et\u00e4synteesin seurannassa kansallisella tasolla.<\/p>\n 3. Bowenin suhdemenetelm\u00e4: <\/strong>Bowenin suhdemenetelm\u00e4ss\u00e4 arvioidaan l\u00e4mp\u00f6vuon (ET) mittaamalla havaittavan l\u00e4mp\u00f6vuon (ilman l\u00e4mmitys) ja latenttisen l\u00e4mp\u00f6vuon (ET) suhde k\u00e4ytt\u00e4m\u00e4ll\u00e4 latenttien latenttien l\u00e4mp\u00f6tila- ja kosteusgradientteja latenttien yl\u00e4puolella. Se on yksinkertaisempi kuin py\u00f6rrekovarianssi, mutta vaatii homogeeniset olosuhteet eik\u00e4 sit\u00e4 voida k\u00e4ytt\u00e4\u00e4 monimutkaisessa maastossa.<\/p>\n 4. S\u00e4\u00e4asemaan perustuvat ET-laskelmat<\/strong> Laske FAO:n Penman-Monteithin yht\u00e4l\u00f6\u00e4 k\u00e4ytt\u00e4en viite-ET0 ilman l\u00e4mp\u00f6tila-, kosteus-, tuulen nopeus- ja s\u00e4teilytiedoista. T\u00e4t\u00e4 menetelm\u00e4\u00e4 k\u00e4ytet\u00e4\u00e4n laajalti kastelun aikatauluttamiseen, mutta se tuottaa viite-ET:n, ei todellista ET:t\u00e4, koska se olettaa hyvin kastellun vertailukasvin eik\u00e4 pellolla olevaa todellista satoa.<\/p>\n Kaikkien maanp\u00e4\u00e4llisten menetelmien keskeinen ongelma on mittakaava. Yksi lysimetri edustaa muutamaa neli\u00f6metri\u00e4. Fluksitorni kattaa parhaimmillaankin muutaman sadan hehtaarin. Nykyaikainen maatalouden vesien hallinta vaatii kuitenkin peltotasolla tapahtuvaa ET-dataa koko jokien valuma-alueilta \u2013 spatiaalinen haaste, johon vain kaukokartoitus voi vastata.<\/p>\n Kaukokartoitus on maanp\u00e4\u00e4llisen s\u00e4teilyn seurannan yhteydess\u00e4 satelliitti- tai lentokoneista saatavan datan hankkimista ja analysointia, jolla arvioidaan maan pinnalta poistuvaa veden virtausta koskematta fyysisesti kyseiseen pintaan.<\/p>\n L\u00e4hestymistapa toimii, koska kasvit ja maaper\u00e4 vaihtavat energiaa ilmakeh\u00e4n kanssa tavoilla, jotka ovat havaittavissa avaruudesta k\u00e4sin \u2013 erityisesti l\u00e4mp\u00f6infrapunas\u00e4teilyn kautta. Kun kasvi h\u00f6yrystyy tehokkaasti, se k\u00e4ytt\u00e4\u00e4 tulevaa auringonenergiaa veden haihduttamiseen l\u00e4mmitt\u00e4misen sijaan. Riitt\u00e4v\u00e4sti kosteutta sis\u00e4lt\u00e4v\u00e4 kasvilatvusto pysyy suhteellisen viile\u00e4n\u00e4.<\/p>\n Vesistressist\u00e4 k\u00e4rsiv\u00e4 latvusto sit\u00e4 vastoin sulkee ilmaraot veden s\u00e4\u00e4st\u00e4miseksi, ja koska v\u00e4hemm\u00e4n latenttia l\u00e4mp\u00f6\u00e4 (ET) kuluttaa tulevaa energiaa, latvuston pintal\u00e4mp\u00f6tila nousee. T\u00e4m\u00e4 on perustavanlaatuinen fysikaalinen signaali, jonka l\u00e4mp\u00f6kaukokartoitus tallentaa.<\/p>\n The energiatasapaino<\/strong> on hallitseva viitekehys. Mill\u00e4 tahansa maapinnalla auringosta ja ilmakeh\u00e4st\u00e4 saapuvan nettos\u00e4teilyn (Rn) on oltava kolmen energianielun summa: maaper\u00e4n l\u00e4mp\u00f6virta (G), aistittava l\u00e4mp\u00f6virta (H, joka l\u00e4mmitt\u00e4\u00e4 ilmaa) ja latentti l\u00e4mp\u00f6virta (LE, joka ohjaa ET:t\u00e4). Yht\u00e4l\u00f6n\u00e4 kirjoitettuna: Rn = G + H + LE. Arvioimalla Rn:n, G:n ja H:n satelliittidatasta malli johtaa LE:n \u2013 ja siten ET:n \u2013 j\u00e4\u00e4nn\u00f6ksen\u00e4.<\/p>\n 1. Maanpinnan l\u00e4mp\u00f6tila<\/strong> L\u00e4mp\u00f6infrapuna-alueella mitattu LST (LST) on ensisijainen havaittava arvo, jota k\u00e4ytet\u00e4\u00e4n havaittavan l\u00e4mp\u00f6vuon H arvioimiseen. Kuumempi pinta siirt\u00e4\u00e4 enemm\u00e4n l\u00e4mp\u00f6\u00e4 ilmaan (korkea H), jolloin ET:lle j\u00e4\u00e4 v\u00e4hemm\u00e4n energiaa (alhainen LE). Viile\u00e4mm\u00e4ll\u00e4, hyvin kastellulla pinnalla on alhaisempi H ja korkeampi LE.<\/p>\n 2. Kasvillisuusindeksit<\/strong> kuten NDVI, ne mittaavat, kuinka paljon vihre\u00e4\u00e4, fotosynteettisesti aktiivista kasvimateriaalia peitt\u00e4\u00e4 pinnan, mik\u00e4 s\u00e4\u00e4telee haihtumisnopeutta. Tihe\u00e4, vihre\u00e4 latvusto haihduttaa enemm\u00e4n kuin paljas maa tai harva metsikk\u00f6.<\/p>\n 3. Nettos\u00e4teily<\/strong> lasketaan lyhyt- ja pitk\u00e4aaltoisten s\u00e4teilyvuotojen perusteella, jotka kaukokartoitus arvioi pinnan albedon, kasvillisuuden ja l\u00e4mp\u00f6emissiotietojen perusteella.<\/p>\n Satelliittipohjainen haihduntaseuranta ei korvaa maanpinnan tasalla olevia tietoja \u2013 se on ainoa ty\u00f6kalu, joka voi tuottaa alueellisesti jatkuvaa vedenk\u00e4ytt\u00f6tietoa siin\u00e4 mittakaavassa, jossa maatalouteen ja hydrologiaan liittyv\u00e4t p\u00e4\u00e4t\u00f6kset todellisuudessa tehd\u00e4\u00e4n.<\/p><\/blockquote>\n Kaukokartoituksen etu maanp\u00e4\u00e4llisiin menetelmiin verrattuna ei ole pelk\u00e4st\u00e4\u00e4n alueellinen kattavuus. Satelliittidata tarjoaa synoptisia, toistettavia mittauksia eritt\u00e4in heterogeenisiss\u00e4 maisemissa \u2013 jotain, mit\u00e4 mik\u00e4\u00e4n maanp\u00e4\u00e4llinen verkko ei voisi toistaa vastaavilla kustannuksilla.<\/p>\n Avaruudesta k\u00e4sin teht\u00e4v\u00e4 ET-arviointi vaatii useiden eri anturityyppien datan yhdist\u00e4mist\u00e4. Mik\u00e4\u00e4n yksitt\u00e4inen satelliitti ei tarjoa kaikkia t\u00e4ydellisen ET-mallin tarvitsemia sy\u00f6tteit\u00e4, joten operatiiviset ET-tuotteet yhdist\u00e4v\u00e4t tyypillisesti dataa useilta alustoilta.<\/p>\n i. Landsat<\/strong> (USGS\/NASA) on toiminut jatkuvasti vuodesta 1972 l\u00e4htien ja tarjoaa 30 metrin spatiaalisen resoluution monispektri- ja l\u00e4mp\u00f6kuvia 16 p\u00e4iv\u00e4n tarkistussyklill\u00e4. Sen pitk\u00e4 arkisto tekee siit\u00e4 korvaamattoman historiallisen maan ulkopuolisen avaruuden analysoinnissa ja satojen seurannassa. Useimmat energiatase-maan ulkopuolisen avaruuden mallit \u2013 mukaan lukien SEBAL ja METRIC \u2013 suunniteltiin alun perin Landsat-datan ymp\u00e4rille.<\/p>\n ii. Sentinel-2<\/strong> (ESA) tarjoaa 10 metrin monispektrikuvia ja 5 p\u00e4iv\u00e4n tarkistusajan korkean resoluution kasvillisuusindeksin laskentaan. Vaikka siin\u00e4 ei olekaan l\u00e4mp\u00f6tilavy\u00f6hykett\u00e4, se t\u00e4ydent\u00e4\u00e4 Landsatia tarjoamalla useammin saatavaa, korkeamman resoluution NDVI-, EVI- ja LAI-dataa kasvillisuuspohjaisille avaruusmalleille.<\/p>\n iii. MODIS<\/strong> (Moderate Resolution Imaging Spectroradiometer, NASA) tarjoaa p\u00e4ivitt\u00e4isen maailmanlaajuisen kattavuuden 250 metrist\u00e4 1 kilometriin tarkkuudella. Sen karkeampi spatiaalinen resoluutio rajoittaa kentt\u00e4tason sovelluksia, mutta tekee siit\u00e4 ihanteellisen mannertenv\u00e4liseen ja maailmanlaajuiseen maan ulkopuolisen avaruuden seurantaan esimerkiksi MOD16:n kaltaisten tuotteiden avulla.<\/p>\n iv. EKOTRESS<\/strong> (NASA) on asennettu kansainv\u00e4liselle avaruusasemalle ja se tuottaa 70 metrin tarkkuudella l\u00e4mp\u00f6infrapunadataa 1\u20135 p\u00e4iv\u00e4n tarkkuudella. ECOSTRESS on suunniteltu erityisesti mittaamaan viljelykasvien vesistressi\u00e4 ja et\u00e4isilmakeh\u00e4\u00e4 l\u00e4hikent\u00e4ll\u00e4 \u2013 kykyvajetta, jota MODIS ja aiemmat satelliitit eiv\u00e4t kyenneet t\u00e4ytt\u00e4m\u00e4\u00e4n.<\/p>\n vastaan VIIRS<\/strong> Suomi-ydinvoimalaitoksen ja JPSS-satelliittien Visible Infrared Imaging Radiometer Suite (NOAA\/NASA) jatkaa MODISin maailmanlaajuista p\u00e4ivitt\u00e4ist\u00e4 kattavuusperint\u00f6\u00e4 parannetulla anturikalibroinnilla, joka tukee operatiivisia ET-tuotteita alueellisesta maailmanlaajuiseen mittakaavaan.<\/p>\n L\u00e4mp\u00f6kameroilla ja monispektrisill\u00e4 sensoreilla varustetut miehitt\u00e4m\u00e4tt\u00f6m\u00e4t ilma-alukset (UAV:t) voivat kartoittaa maan ulkopuolista avaruutta yksitt\u00e4isten peltojen alueella alle metrin spatiaalisella resoluutiolla. Drooniin asennettu l\u00e4mp\u00f6kamera mittaa latvuston l\u00e4mp\u00f6tilan suoraan, ja yhdistettyn\u00e4 maanp\u00e4\u00e4llisiin meteorologisiin tietoihin se tuottaa maan ulkopuolista avaruutta koskevia karttoja resoluutiolla, jota mik\u00e4\u00e4n satelliitti ei pysty tarjoamaan.<\/p>\n Jokainen satelliittidatasta poimittu muuttuja tuo oman osansa ET-arvion palapelist\u00e4. Ymm\u00e4rt\u00e4m\u00e4ll\u00e4, mit\u00e4 kukin muuttuja mittaa ja miksi se on t\u00e4rke\u00e4, ammattilaiset voivat valita oikean mallin ja tulkita tuloksia oikein.<\/p>\n 1. Normalisoitu erotuskasvillisuusindeksi<\/strong> (NDVI) lasketaan muodossa (NIR \u2013 Punainen) \/ (NIR + Punainen) k\u00e4ytt\u00e4en l\u00e4hi-infrapuna- ja punaisen kaistan heijastavuutta. Se vaihtelee v\u00e4lill\u00e4 -1 - +1, ja tihe\u00e4n vihre\u00e4n kasvillisuuden tyypillisesti saa arvoksi 0,6\u20130,9. NDVI kuvaa latvuston tiheytt\u00e4 ja vihreytt\u00e4, jotka korreloivat suoraan lehtipinta-alan ja haihduntakapasiteetin kanssa.<\/p>\n 2, Parannettu kasvillisuusindeksi<\/strong> (EVI) lis\u00e4\u00e4 sinisen kaistan v\u00e4hent\u00e4m\u00e4\u00e4n ilmakeh\u00e4n h\u00e4iri\u00f6it\u00e4 ja maaper\u00e4n taustavaikutuksia, jotka heikent\u00e4v\u00e4t NDVI:t\u00e4 tihe\u00e4sti kasvillisilla tai usein pilvisill\u00e4 alueilla. EVI on herkempi kuin NDVI suuren biomassan alueilla ja sit\u00e4 k\u00e4ytet\u00e4\u00e4n MOD16 ET -algoritmissa.<\/p>\n 3. Lehtipinta-alaindeksi<\/strong> (LAI) mittaa yksipuolisen lehtipinta-alan maanpinta-alayksikk\u00f6\u00e4 kohti. Se ohjaa suoraan haihtumista m\u00e4\u00e4ritt\u00e4m\u00e4ll\u00e4, kuinka paljon lehtipinta-ala vaihtaa vesih\u00f6yry\u00e4 ilmakeh\u00e4n kanssa. Satelliittipohjainen LAI on keskeinen sy\u00f6te monissa fysikaalisissa maan ulkopuolisten avaruusmallien malleissa.<\/p>\n 4. Pinnan albedo<\/strong> on pinnan heijastama osuus tulevasta auringons\u00e4teilyst\u00e4. Se s\u00e4\u00e4telee, kuinka paljon aurinkoenergiaa pinta absorboi, mik\u00e4 puolestaan m\u00e4\u00e4r\u00e4\u00e4, kuinka paljon energiaa on k\u00e4ytett\u00e4viss\u00e4 ET:n k\u00e4ytt\u00e4miseen. Tummalla ja m\u00e4r\u00e4ll\u00e4 maaper\u00e4ll\u00e4 on alhainen albedo (absorboi enemm\u00e4n energiaa); paljaalla hiekkapinnalla on korkea albedo (heijastaa enemm\u00e4n).<\/p>\n 5. Maaper\u00e4n kosteus<\/strong> Mikroaaltoantureista saatavat tiedot rajoittavat haihtumisnopeusmalleja osoittamalla, onko juuristossa riitt\u00e4v\u00e4sti vett\u00e4 haihtumistarpeen tyydytt\u00e4miseksi. Kun maaper\u00e4n kosteus laskee kriittisen kynnyksen alapuolelle, todellinen haihtumisnopeus laskee potentiaalisen nopeuden alapuolelle, vaikka energiaa olisi saatavilla.<\/p>\n Bastiaanssen ym. (katsattu teoksessa Frontiers in Remote Sensing, 2026) havaitsivat, ett\u00e4 SEBAL, joka validoitiin yli 30 maassa<\/strong>, saavuttaa 85%-tarkkuus p\u00e4ivitt\u00e4isille ET-arvioille ja 95%-tarkkuus kausittaisille ET-arvioille<\/strong> kentt\u00e4mittakaavassa.<\/p>\n Kausittainen tarkkuus 95% tarkoittaa, ett\u00e4 koko kastelualueen viljelykasvien vedenkulutuksen laskenta voidaan suorittaa luotettavasti k\u00e4ytt\u00e4m\u00e4ll\u00e4 vain satelliittitietoja, mik\u00e4 eliminoi tiheiden maa-asemaverkostojen tarpeen.<\/p>\n Energiatasemallit laskevat ET:n pintaenergiabudjetin residuaalina: ET = Rn \u2013 G \u2013 H. Jokainen malli eroaa siin\u00e4, miten se arvioi j\u00e4rkev\u00e4n l\u00e4mp\u00f6vuon H, joka on laskennallisesti vaativin ja virheherkin komponentti.<\/p>\n i. Maanpinnan energiatasapainon algoritmi<\/strong> Bastiaanssen kehitti SEBAL-mallin vuonna 1998, ja se on edelleen yksi maailmanlaajuisesti laajimmin k\u00e4ytetyist\u00e4 satelliittien ET-malleista. SEBAL k\u00e4ytt\u00e4\u00e4 kolmea keskeist\u00e4 satelliiteista johdettua parametria: maanpinnan l\u00e4mp\u00f6tilaa (T0), pinnan pallonpuoliskon heijastavuutta (albedo r0) ja NDVI:t\u00e4.<\/p>\n L\u00e4mp\u00f6vuon arvioimiseksi SEBAL tunnistaa kaksi ankkuripikseli\u00e4 \u2013 \u201ckuuman pikselin\u201d (kuiva paljas maaper\u00e4, jossa ET on l\u00e4hell\u00e4 nollaa) ja \u201ckylm\u00e4n pikselin\u201d (hyvin kasteltu viljelykasvi, jossa ET on maksimissaan) \u2013 ja interpoloi H-arvon kohtaukselle n\u00e4iden \u00e4\u00e4riarvojen suhteen. T\u00e4m\u00e4 itsekalibrointiominaisuus tekee SEBALista v\u00e4hemm\u00e4n herk\u00e4n meteorologisten sy\u00f6tteiden absoluuttisille kalibrointivirheille.<\/p>\n ii. Haihdunnan kartoitus korkealla resoluutiolla sis\u00e4isen kalibroinnin avulla<\/strong> (METRIC)-malli perustuu SEBAL-malliin, mutta siihen on lis\u00e4tty automaattinen kalibrointi s\u00e4\u00e4aseman laskemaa ET-vertailuarvoa vasten. METRIC sopii paremmin alueille, joilla on t\u00e4ydelliset s\u00e4\u00e4tietoverkot, ja sit\u00e4 on k\u00e4ytetty laajalti operatiiviseen kastelunhallintaan Yhdysvaltojen l\u00e4nsiosissa.<\/p>\n iii. Pintaenergian tasapainoj\u00e4rjestelm\u00e4<\/strong> (SEBS) k\u00e4ytt\u00e4\u00e4 turbulenttista vuoteoriaa arvioidakseen j\u00e4rkev\u00e4\u00e4 l\u00e4mp\u00f6virtaa satelliittipohjaisista LST:st\u00e4, pinnan karheudesta ja tuulen nopeudesta. SEBS on fyysisesti tarkempi kuin SEBAL, mutta vaatii lis\u00e4tietoja, mink\u00e4 vuoksi se soveltuu paremmin tutkimukseen kuin operatiiviseen maatilan hallintaan.<\/p>\n ET-mallin valinta ei ole pelk\u00e4st\u00e4\u00e4n tekninen p\u00e4\u00e4t\u00f6s \u2013 se on p\u00e4\u00e4t\u00f6s siit\u00e4, mihin kysymykseen yrit\u00e4t vastata. Vesist\u00f6kohtainen laskenta ja kentt\u00e4tason kastelun aikataulutusty\u00f6kalu vaativat perustavanlaatuisesti erilaisia spatiaalisen resoluution ja ajallisen taajuuden tasoja.<\/p><\/blockquote>\n iv. Kahden l\u00e4hteen energiatasapaino<\/strong> (TSEB) -malli k\u00e4sittelee maaper\u00e4\u00e4 ja latvustoa kahtena erillisen\u00e4 energial\u00e4hteen\u00e4, joilla kummallakin on oma l\u00e4mp\u00f6tila- ja energiataseensa. T\u00e4m\u00e4 l\u00e4hestymistapa on tarkempi harvan kasvillisuuden tai sekalaisten maapeitteiden tapauksessa, joissa yhden l\u00e4hteen malli saattaa sekoittaa maaper\u00e4n haihtumisen kasvien haihtumiseen.<\/p>\n Kaikki ET-mallit eiv\u00e4t vaadi l\u00e4mp\u00f6kuvia. Kasvillisuusindeksiin perustuvat mallit arvioivat ET:n satokertoimen l\u00e4hestymistapa<\/strong> (Kc x ET0), jossa satokerroin Kc on johdettu NDVI:st\u00e4 tai EVI:st\u00e4 ja vertailu-ET (ET0) on per\u00e4isin s\u00e4\u00e4asemalta. FAO-56-menetelm\u00e4 virallistaa t\u00e4m\u00e4n l\u00e4hestymistavan, ja sit\u00e4 k\u00e4ytet\u00e4\u00e4n laajalti kastelun aikataulutukseen, koska se ei vaadi l\u00e4mp\u00f6vy\u00f6hyketietoja.<\/p>\n Koneoppimismallit, mukaan lukien Satunnainen mets\u00e4<\/strong>, Keinotekoiset neuroverkot (ANN)<\/strong>, ja syv\u00e4oppimisen arkkitehtuureja sovelletaan yh\u00e4 enemm\u00e4n ET-estimointiin oppimalla monimutkaisia ep\u00e4lineaarisia suhteita satelliittien tuottamien sy\u00f6tteiden (LST, NDVI, albedo, LAI) ja flux-tornin ET-mittausten v\u00e4lill\u00e4.<\/p>\n Vuonna 2023 Remote Sensing of Environment -lehdess\u00e4 julkaistussa tutkimuksessa havaittiin, ett\u00e4 MODIS- ja meteorologisilla sy\u00f6tteill\u00e4 koulutettu Random Forest -malli ennusti p\u00e4ivitt\u00e4isen etenemisajan (ET) R2-arvolla 0,87 ja RMSE-arvolla 0,51 mm\/vrk erilaisissa biomeissa \u2013 t\u00e4m\u00e4 oli kilpailukykyinen perinteisten energiatasemallien kanssa, mutta vaati huomattavasti v\u00e4hemm\u00e4n parametrisointity\u00f6t\u00e4.<\/p>\n Taylor and Francis Open -lehdess\u00e4 (2021) julkaistussa tutkimuksessa havaittiin, ett\u00e4 SEBAL-algoritmia sovellettuna Landsat 8 -kuviin maissinviljelyalueella Adanassa, Turkissa, tuotti maanp\u00e4\u00e4llisen ajan arvioita, joilla oli korrelaatiokerroin R = 0,91<\/strong> FAO Penman-Monteith -menetelm\u00e4\u00e4 ja juuri RMSE:t\u00e4 vasten 1,14 mm\/p\u00e4iv\u00e4<\/strong>.<\/p>\n SEBALin tarkkuus kentt\u00e4tasolla tarkoittaa, ett\u00e4 satelliittipohjainen et\u00e4analytiikka voi korvata kalliit lysimetriasennukset tai v\u00e4hent\u00e4\u00e4 merkitt\u00e4v\u00e4sti niiden tarvetta operatiivisissa kasteluj\u00e4rjestelmiss\u00e4.<\/p>\n Useat globaalit ja alueelliset kaukokartoitustuotteet muuntavat nyt kaukokartoitussy\u00f6tteet k\u00e4ytt\u00f6valmiiksi kaukokartoitustietokerroksiksi. K\u00e4yt\u00e4nn\u00f6n asiantuntijoiden ei en\u00e4\u00e4 tarvitse ajaa omia energiatasemallejaan \u2013 he voivat k\u00e4ytt\u00e4\u00e4 n\u00e4it\u00e4 esilaskettuja tietojoukkoja suoraan.<\/p>\n 1. MOD16 ET -tuote<\/strong> (NASA) k\u00e4ytt\u00e4\u00e4 MODIS-dataa Penman-Monteith-algoritmilla, jota ohjaavat MODIS-maanpeite-, LAI-, EVI- ja globaalit meteorologiset uudelleenanalyysitiedot. Se tuottaa 8 p\u00e4iv\u00e4n ja kuukausittain ker\u00e4ttyj\u00e4 ET-yhdistelmi\u00e4 500 metrin tarkkuudella maailmanlaajuisesti. MOD16 sopii hyvin maisemamittakaavan tutkimuksiin, mutta on liian karkea yksitt\u00e4isten kentt\u00e4tutkimusten hallintaan.<\/p>\n 2. SSEBop<\/strong> USGS:n kehitt\u00e4m\u00e4 yksinkertaistettu pintaenergiatasapainon operatiivinen malli (Simplified Surface Energy Balance operational) yksinkertaistaa SEBAL:n kuuma-\/kylm\u00e4pikselikalibrointihaastetta k\u00e4ytt\u00e4m\u00e4ll\u00e4 ennalta m\u00e4\u00e4riteltyj\u00e4 l\u00e4mp\u00f6tilarajoja, jotka on johdettu pitk\u00e4n aikav\u00e4lin ilmastodatasta. SSEBop toimii operatiivisesti 30 metrin resoluutiolla k\u00e4ytt\u00e4en Landsat-dataa ja muodostaa yhden kuudesta OpenET-ensemblen mallista.<\/p>\n 3. OpenET-alusta<\/strong>, joka k\u00e4ynnistettiin vuonna 2021 ja jota johtivat NASA, USGS, California State University Monterey Bay, Environmental Defense Fund ja Desert Research Institute, julkisen ja yksityisen sektorin yhteisty\u00f6n\u00e4. Se tuottaa kentt\u00e4mittakaavan maan ulkopuolista dataa 30 metrin tarkkuudella Yhdysvaltojen l\u00e4nsiosissa.<\/p>\n Nature Water -lehdess\u00e4 tammikuussa 2024 julkaistu uraauurtava tutkimus, jossa verrattiin OpenET:n arvioita 152 maanp\u00e4\u00e4llisest\u00e4 vuomittauspaikasta saatuihin mittauksiin, vahvisti, ett\u00e4 OpenET saavuttaa suuren tarkkuuden yksivuotisten viljelykasvien, kuten vehn\u00e4n, maissin, soijan ja riisin, osalta \u2013 erityisesti kuivilla alueilla, joilla veden niukkuus tekee kastelun tarkkuudesta kriittisimm\u00e4n.<\/p>\n 4. WaPOR-portaali<\/strong> (FAO) tarjoaa maanp\u00e4\u00e4llist\u00e4 dataa Afrikasta ja L\u00e4hi-id\u00e4st\u00e4 30 metrin, 100 metrin ja 250 metrin tarkkuudella, mik\u00e4 on erityisesti suunniteltu tukemaan maatalouden veden tuottavuuden analysointia datapulasta k\u00e4rsivill\u00e4 kehitysalueilla.<\/p>\n 5. HOHTAA<\/strong> (Global Land Evaporation Amsterdam Model) erottelee maan haihtumisen haihtumiseen, paljaan maan haihtumiseen, haihtumisen sieppaukseen ja avoveden haihtumiseen mikroaaltopohjaisten maaper\u00e4n kosteustietojen ja satelliittien kasvillisuustuotteiden avulla. Se on erinomainen maan haihtumissignaalin jakamisessa biologisiin ja fysikaalisiin komponentteihin.<\/p>\n Satelliittipohjaisen ET-datan v\u00e4litt\u00f6min sovellus on kastelun aikataulutus. Kun viljelij\u00e4 k\u00e4ytt\u00e4\u00e4 viikoittaisia peltotason ET-karttoja, h\u00e4n voi laskea kasteluvajeen \u2013 todellisen ET-arvon ja tehokkaan sadem\u00e4\u00e4r\u00e4n v\u00e4lisen eron \u2013 ja levitt\u00e4\u00e4 t\u00e4sm\u00e4lleen kyseisen vesim\u00e4\u00e4r\u00e4n. T\u00e4m\u00e4 poistaa kroonisen liikakastelun, joka tuhlaa vett\u00e4 lis\u00e4\u00e4m\u00e4tt\u00e4 satoa.<\/p>\n Kalifornian Sacramenton ja San Joaquinin suistoalueella vesivarojen hoitajat k\u00e4ytt\u00e4v\u00e4t OpenETi\u00e4 auttaakseen maanviljelij\u00f6it\u00e4 noudattamaan osavaltion m\u00e4\u00e4r\u00e4yksi\u00e4, jotka edellytt\u00e4v\u00e4t tarkkaa vedenk\u00e4ytt\u00f6raportointia.<\/p>\n Satelliittien tuottaman ET-datan korkea tarkkuus yksivuotisissa viljelykasveissa tarjoaa laillisesti perustellun perustan vedenk\u00e4yt\u00f6n tilinpidolle, jota mik\u00e4\u00e4n maanp\u00e4\u00e4llinen menetelm\u00e4 ei voisi tarjota t\u00e4llaisella alueellisella kattavuudella.<\/p>\n Vuonna 2024 Agricultural Water Management -lehdess\u00e4 julkaistussa tutkimuksessa (Ott et al., 2024; Desert Research Institute) arvioitiin OpenETi\u00e4 mitattuun kasteludataan verrattuna Nevadan pohjavesialueilla.<\/p>\n Diamond Valleyssa OpenETin arviot osoittivat vain 7% ero mitatusta vedenk\u00e4ytt\u00f6tiedosta<\/strong>, mik\u00e4 osoittaa pohjaveden s\u00e4\u00e4ntelyyn liittyv\u00e4n toiminnallisen luotettavuuden.<\/p>\n 7%-virhemarginaali altaan mittakaavassa tarkoittaa, ett\u00e4 satelliittien ET-tiedot voivat korvata kalliin mittausinfrastruktuurin alueilla, joilla pohjavesi on kriittisesti ehtynyt.<\/p>\n Kuivuuden seuranta on toinen vaikuttava sovellus. Haihtumisj\u00e4nnitysindeksi<\/strong> ECOSTRESS- ja MODIS-l\u00e4mp\u00f6datasta johdettu ESI mittaa todellisen ET:n ja potentiaalisen ET:n suhdetta.<\/p>\n Kun ESI laskee merkitt\u00e4v\u00e4sti alle 1,0:n, se viestii, ett\u00e4 kasvit k\u00e4rsiv\u00e4t vesistressist\u00e4 \u2013 luotettava varhainen indikaattori maatalouden kuivuudesta, joka on usein havaittavissa 4\u20138 viikkoa ennen kuin sadon menetys on mitattavissa.<\/p>\n USDA:n kansallinen kuivuuden lievent\u00e4miskeskus integroi satelliittipohjaiset kuivuusindeksit osavaltioiden hallitusten, satovakuutusvirastojen ja h\u00e4t\u00e4tilanteiden hallintaviranomaisten k\u00e4ytt\u00e4miin operatiivisiin kuivuuden seurantakarttoihin. T\u00e4m\u00e4 integrointi tekee kuivuustoimista nopeampia ja kohdennetumpia kuin kalenteripohjaiset tai pelkk\u00e4\u00e4n sadem\u00e4\u00e4r\u00e4\u00e4n perustuvat l\u00e4hestymistavat.<\/p>\n Vesist\u00f6alueiden laskenta edellytt\u00e4\u00e4 tietoa siit\u00e4, kuinka paljon vett\u00e4 poistuu maan pinnalta miljoonien hehtaarien vesivarastojen kautta. Juuri t\u00e4t\u00e4 satelliitti-vesivarantojen laskentapalvelut, kuten MOD16, GLEAM ja WaPOR, tarjoavat maailmanlaajuisesti.<\/p>\n Kosteikkojen vedenkulutuksen seuranta satelliittidatan avulla mittaa ekosysteemien vedenkulutusta vaikeasti saavutettavissa soilla, turvesoilla ja jokisuistoissa, joille ei voida ottaa k\u00e4ytt\u00f6\u00f6n maanp\u00e4\u00e4llisi\u00e4 antureita. Metsien vedenkulutuksen seuranta paljastaa, miten mets\u00e4kato, mets\u00e4n uudelleenistutus ja mets\u00e4palot muuttavat kokonaisten valuma-alueiden vesitasapainoa \u2013 kriittist\u00e4 tietoa metsien hiilijalanj\u00e4ljen laskennassa ja vesihuollon suunnittelussa.<\/p>\n Haihdunta on n\u00e4kym\u00e4t\u00f6n lanka, joka yhdist\u00e4\u00e4 jokaisen maapallon kasvin maailmanlaajuiseen veden kiertokulkuun. Kaukokartoitus on ainoa ty\u00f6kalu, jolla voimme n\u00e4hd\u00e4 sen vesienhallinnan kannalta merkityksellisess\u00e4 mittakaavassa.<\/p><\/blockquote>\n Mik\u00e4\u00e4n maan ulkopuolinen tuote ei ole hy\u00f6dyllinen ilman perusteellista validointia. Standardimenetelm\u00e4ss\u00e4 satelliittien maan ulkopuolisia arvioita verrataan py\u00f6rrekovarianssivuotornien mittauksiin \u2013 tarkimpaan saatavilla olevaan maan ulkopuolisten ilmi\u00f6iden maantieteelliseen totuuteen maisematasolla.<\/p>\n Maailmanlaajuinen FLUXNET<\/strong> Verkko tarjoaa avoimesti saatavilla olevaa flux-tornidataa sadoista eri biomeista. ET-tuotekehitt\u00e4j\u00e4t vertaavat mallien tuloksia FLUXNET-mittauksiin laskeakseen tilastollisia suorituskykymittareita, mukaan lukien<\/p>\n Validointi suoritetaan erikseen eri maapeitetyypeille, ilmastovy\u00f6hykkeille ja vuodenajoille, koska ET-mallin tarkkuus vaihtelee huomattavasti n\u00e4iden olosuhteiden v\u00e4lill\u00e4.<\/p>\n Energiatasemallit, kuten SEBAL ja METRIC, toimivat yleens\u00e4 parhaiten puolikuivilla maatalousmaisemilla, joilla on kirkas taivas. Suorituskyky heikkenee kosteissa trooppisissa metsiss\u00e4, monimutkaisessa vuoristoisessa maastossa ja usein pilvisill\u00e4 alueilla.<\/p>\n Nature Water -lehdess\u00e4 julkaistussa OpenET-tarkkuustutkimuksessa verrattiin kuutta ET-mallia mittauksiin, jotka tehtiin 152 flux-tornipaikkaa<\/strong> Yhdysvalloissa ja havaittiin, ett\u00e4 OpenET-ensemble saavutti vahvimman suorituskyvyn erityisesti yksivuotisten viljelykasvien osalta kuivilla l\u00e4nsialueilla \u2013 alueilla, joilla kastelun hallinta on taloudellisesti ja ekologisesti kriittisint\u00e4.<\/p>\n Kuivien alueiden vesihallinnot voivat hy\u00f6dynt\u00e4\u00e4 OpenET-dataa luotettavasti kasteluvaatimusten noudattamiseksi ja vesibudjetin seurannassa, korvaten kalliin mittausinfrastruktuurin.<\/p>\n Nopeasta edistyksest\u00e4 huolimatta useat tekniset ja toiminnalliset haasteet rajoittavat satelliittipohjaisen maan ulkopuolisen seurannan tarkkuutta ja sovellettavuutta.<\/p>\n 1. Pilvisyyden rajoitukset:<\/strong> Optinen ja terminen kaukokartoitus edellytt\u00e4\u00e4 pilvett\u00f6mi\u00e4 olosuhteita. Kosteilla trooppisilla alueilla tai monsuunikausien aikana jatkuva pilvipeite voi aiheuttaa viikoista kuukausiin ulottuvia datakatkoksia, mik\u00e4 rikkoo kastelun hallinnan edellytt\u00e4m\u00e4n ajallisen jatkuvuuden.<\/p>\n 2. Paikallisen resoluution rajoitukset:<\/strong> MODIS, ajallisesti yleisimmin havaittu satelliitti, tarjoaa maanp\u00e4\u00e4llist\u00e4 avaruutta koskevaa dataa 500 metrin tarkkuudella \u2013 liian karkeaa alle noin 25 hehtaarin kokoisille pelloille. Landsatin 30 metrin tarkkuus sopii useimmille maatalouspelloille, mutta siin\u00e4 on 16 p\u00e4iv\u00e4n tarkistussykli, joka ei huomioi vesistressin nopeita muutoksia.<\/p>\n 3. Ajallisen resoluution kompromissit:<\/strong> Korkea spatiaalinen resoluutio (Landsat, Sentinel-2, ECOSTRESS) ja korkea ajallinen resoluutio (MODIS, VIIRS) ovat k\u00e4\u00e4nteisess\u00e4 suhteessa. T\u00e4m\u00e4n kuilun kaventaminen vaatii datan fuusiointitekniikoita.<\/p>\n 4. Mallioletukset heterogeenisiss\u00e4 maisemissa:<\/strong> Yhden l\u00e4hteen energiatasemallit olettavat yhten\u00e4isen latvustuksen, joka hajoaa harvassa kasvillisuudessa, sekaviljelyj\u00e4rjestelmiss\u00e4 tai kaupunkien ja maatalouden rajapinnoissa, joissa maaper\u00e4n ja kasvien l\u00e4mp\u00f6tilat eroavat jyrk\u00e4sti toisistaan.<\/p>\n 5. Tiedon saatavuus kehitysmailla:<\/strong> Maanp\u00e4\u00e4llisten s\u00e4\u00e4asemien dataa, jota tarvitaan maan ulkopuolisten mallien rajoittamiseen, on niukasti suuressa osassa Saharan etel\u00e4puolista Afrikkaa, Etel\u00e4-Aasiaa ja Keski-Aasiaa \u2013 juuri niill\u00e4 alueilla, joilla vedenk\u00e4yt\u00f6n parantamista tarvitaan kiireellisemmin.<\/p>\n Useat toisiaan yhent\u00e4v\u00e4t teknologiset kehitysaskeleet ovat valmiita laajentamaan dramaattisesti kaukokartoituksen ET-seurannan tarkkuutta, kattavuutta ja saatavuutta seuraavien viiden tai kymmenen vuoden aikana.<\/p>\n Suurilla monianturisilla tietojoukoilla koulutetut syv\u00e4oppimismallit alkavat suoriutua klassisia energiatasemalleja paremmin tietyiss\u00e4 maisemissa. Konvoluutiohermoverkot voivat integroida Landsat-, Sentinel-2-, MODIS- ja meteorologista uudelleenanalyysidataa samanaikaisesti, oppien spatiaalisia ja ajallisia ET-kuvioita, joita mik\u00e4\u00e4n yhden anturin malli ei pysty tallentamaan.<\/p>\n Samaan aikaan datan fuusioalgoritmit \u2013 n\u00e4kyvimp\u00e4n\u00e4 STARFM (Spatial and Temporal Adaptive Reflectance Fusion Model) -l\u00e4hestymistapa \u2013 yhdist\u00e4v\u00e4t korkean resoluution Landsat-kuvia p\u00e4ivitt\u00e4isiin MODIS-tietoihin tuottaakseen synteettisi\u00e4 p\u00e4ivitt\u00e4isi\u00e4 ET-karttoja 30 metrin tarkkuudella, mik\u00e4 ratkaisee tehokkaasti spatiaalisen ja ajallisen kompromissin, joka t\u00e4ll\u00e4 hetkell\u00e4 rajoittaa tarkkuusviljelyn sovelluksia.<\/p>\n Seuraavan sukupolven erillisist\u00e4 l\u00e4mp\u00f6mittauksiin tarkoitetuista Maan havainnointisatelliiteista tulevat alle 30 metrin l\u00e4mp\u00f6kuvat, joita tullaan tarkastelemaan p\u00e4ivitt\u00e4in.<\/p>\n Suunnitellut hankkeet, mukaan lukien Landsat Nextin seuraaja ja kaupalliset CubeSat-l\u00e4mp\u00f6konstellaatiot, poistavat historiallisen kompromissin paikkatietojen ja ajallisen taajuuden v\u00e4lill\u00e4, joka on rajoittanut kentt\u00e4mittakaavan maan ulkopuolisten avaruuksien seurantaa.<\/p>\n Kuten Future Market Insights -raportissa (2025) todettiin, kaukokartoituspalvelumarkkinoiden \u2013 joiden arvo oli 22,87 miljardia Yhdysvaltain dollaria vuonna 2025 \u2013 ennustetaan nousevan 84,28 miljardiin Yhdysvaltain dollariin vuoteen 2035 menness\u00e4, mik\u00e4 johtuu merkitt\u00e4v\u00e4sti LEO-satelliittikonstellaation laajenemisesta.<\/p>\n Digitaaliset kaksoset \u2013 dynaamiset virtuaalikopiot maatalousmaisemista, jotka p\u00e4ivittyv\u00e4t l\u00e4hes reaaliajassa satelliitti- ja IoT-anturien sy\u00f6tteist\u00e4 \u2013 integroivat kaukokartoituksen keskeiseksi tietovirraksi. N\u00e4m\u00e4 j\u00e4rjestelm\u00e4t synkronoivat satelliittien kaukokartat, maaper\u00e4n kosteusantureiden tiedot, s\u00e4\u00e4ennusteet ja viljelykasvien kasvumallit simuloidakseen tulevaa peltojen vesitilannetta ja s\u00e4\u00e4t\u00e4\u00e4kseen kastelua automaattisesti.<\/p>\n Laaja valikoima alustoja tekee kaukokartoituksen ET-analyysin nyt saatavilla my\u00f6s ammattilaisille, joilla ei ole syv\u00e4llist\u00e4 ohjelmointiosaamista.<\/p>\n 1. Google Earth -moottori (GEE)<\/strong> on pilvipohjainen paikkatietoalusta, joka is\u00e4nn\u00f6i t\u00e4ydellisi\u00e4 Landsat-, MODIS-, Sentinel- ja ECOSTRESS-arkistoja sek\u00e4 valmiiksi rakennettuja avaruusalgoritmeja. Analyytikot voivat suorittaa avaruuslaskelmia vuosien ajalta kokonaisten alueiden datalle lataamatta kuvia paikallisesti. GEE:st\u00e4 on tullut hallitseva tutkimusalusta laaja-alaiseen avaruuskartoitukseen.<\/p>\n 2. OpenET-alusta<\/strong> tarjoaa verkkok\u00e4ytt\u00f6liittym\u00e4n, jonka kautta kuka tahansa rekister\u00f6itynyt k\u00e4ytt\u00e4j\u00e4 voi k\u00e4ytt\u00e4\u00e4 peltokohtaisia ET-tietoja maatalousmaista Yhdysvaltojen l\u00e4nsiosissa. K\u00e4ytt\u00e4j\u00e4t voivat vied\u00e4 p\u00e4ivitt\u00e4isi\u00e4, kuukausittaisia tai kausittaisia ET-yhteenvetoja yksitt\u00e4isille pelloille tai kokonaisille vesienhoitopiireille ilman ohjelmointiosaamista.<\/p>\n 3. WaPOR-portaali<\/strong> (FAO) tarjoaa samankaltaisen osoita ja napsauta -k\u00e4ytt\u00f6liittym\u00e4n ET-tiedostojen lataamiseen Afrikalle ja L\u00e4hi-id\u00e4lle, ja siin\u00e4 on suorat linkit maatalouden veden tuottavuuden indikaattoreihin.<\/p>\n 4. Pythonin ja R:n ty\u00f6nkulut<\/strong> Kirjastojen, kuten Rasterion, Xarrayn, Geopandasin (Python) tai Terra Rasterin (R), k\u00e4ytt\u00f6 antaa tutkijoille mahdollisuuden rakentaa r\u00e4\u00e4t\u00e4l\u00f6ityj\u00e4 maan ulkopuolisten avaruusolentojen k\u00e4sittelyputkia, jotka integroivat satelliittidataa paikallisiin meteorologisiin tietoihin, satomalleihin ja kastelutietokantoihin.<\/p>\n Yhdysvaltojen High Plainsin pohjavesialueella \u2013 yhdess\u00e4 maapallon intensiivisimmin kastelluista maatalousalueista \u2013 Desert Research Instituten tutkijat osoittivat, ett\u00e4 OpenET-data yhdistettyn\u00e4 ilmastotietojoukkoihin pystyi arvioimaan pohjaveden pumppausm\u00e4\u00e4ri\u00e4 riitt\u00e4v\u00e4ll\u00e4 tarkkuudella tukeakseen laskevien pohjavesitasojen s\u00e4\u00e4ntely\u00e4.<\/p>\n Tutkimuksessa verrattiin satelliittien ET-arvioita mitattuihin pumpputietoihin ja havaittiin alle 17%:n poikkeama useimmissa tutkimusaltaissa \u2013 tarkkuustaso, joka on riitt\u00e4v\u00e4 vesioikeuksien hallinnointiin.<\/p>\n Kaukokartoituspohjaista ET-seurantaa on otettu k\u00e4ytt\u00f6\u00f6n puuvillan kastelun aikataulutuksessa k\u00e4ytt\u00e4m\u00e4ll\u00e4 SEBAL- ja METRIC-malleja todellisen ET:n kartoittamiseksi yksitt\u00e4isill\u00e4 pelloilla kasvukauden aikana.<\/p>\n Astrophysics Data Systemiss\u00e4 (2020) julkaistut tutkimukset osoittivat, ett\u00e4 molemmat mallit havaitsivat odotettua korkeamman todellisen haihtumisasteen sadon alkuvaiheissa johtuen korkeasta paljaan maan haihtumisesta \u2013 havainto, jonka vakiomuotoinen satokerroinmenetelm\u00e4 ep\u00e4onnistui systemaattisesti, mik\u00e4 johti liikakasteluun kyseisen\u00e4 kriittisen\u00e4 aikana.<\/p>\n FAO:n WaPOR-alustaa on k\u00e4ytetty veden tuottavuusanalyysiin kasteluj\u00e4rjestelmiss\u00e4 Etiopiassa, Egyptiss\u00e4 ja Jordaniassa, ja siin\u00e4 on mitattu veden tuottavuutta tuotettua biomassayksikk\u00f6\u00e4 kohden.<\/p>\n N\u00e4iss\u00e4 analyyseiss\u00e4 tunnistettiin peltoja, joiden veden tuottavuus oli altaan keskiarvoa alhaisempi, mik\u00e4 tarjoaa paikkatietoa kohdennetuille laajennusohjelmille, joilla parannetaan kastelun tehokkuutta heikommin tuottavilla alueilla.<\/p>\n Oikean satelliittidatan, ET-mallin ja validointistrategian yhdistelm\u00e4n valinta riippuu vastattavasta kysymyksest\u00e4, k\u00e4ytett\u00e4viss\u00e4 olevista resursseista ja hyv\u00e4ksytt\u00e4v\u00e4st\u00e4 ep\u00e4varmuustasosta.<\/p>\n 1. M\u00e4\u00e4rittele ensin spatiaalinen ja ajallinen mittakaava.<\/strong> Valuma-alueen mittakaavassa teht\u00e4v\u00e4 kuukausittainen vedenkulutuksen laskenta vaatii erilaisen ty\u00f6kalun kuin peltotason p\u00e4ivitt\u00e4inen kastelun aikataulutus. Sovita satelliittialustan resoluutio ja tarkistustaajuus hallintatarpeisiin ennen mink\u00e4\u00e4n mallin valitsemista.<\/p>\n 2. Sovita malli maisematyyppiin.<\/strong> Energiatasemallit, kuten SEBAL ja METRIC, toimivat parhaiten puolikuivilla, viljelykasvien hallitsemilla maisemilla, joilla on selke\u00e4 taivas. Kasvillisuusindeksiin perustuvat mallit toimivat paremmin alueilla, joilla on rajoitetusti l\u00e4mp\u00f6tietoja. Koneoppimismallit toimivat parhaiten, kun saatavilla on suuria, paikallisesti validoituja harjoitusaineistoja.<\/p>\n 3. Vahvista aina paikallisesti.<\/strong> Jopa tarkin globaali maan ulkopuolinen tuote tulisi validoida ainakin yht\u00e4 paikallista flux-torni- tai lysimetriaineistoa vasten ennen k\u00e4ytt\u00f6\u00f6nottoa. Julkaistujen tutkimusten suorituskykymittarit siirtyv\u00e4t harvoin t\u00e4sm\u00e4lleen uusiin paikkoihin ja viljelykasvilajeihin.<\/p>\n 4. Suunnittele pilvipeitteen aukot.<\/strong> Kosteilla tai trooppisilla alueilla on t\u00e4rke\u00e4\u00e4 suunnitella datan yhdist\u00e4mist\u00e4 tai aukkojen t\u00e4ytt\u00f6strategioita alusta alkaen. Yhden l\u00e4mp\u00f6satelliitin ja 16 p\u00e4iv\u00e4n v\u00e4lein tapahtuvan uudelleenk\u00e4ynnistyksen varaan luottaminen aiheuttaa kohtuuttomia data-aukkoja kriittisten viljelykasvien kasvukausien aikana.<\/p>\n 5. K\u00e4yt\u00e4 avoimia alustoja aina kun mahdollista.<\/strong> Google Earth Engine, OpenET ja WaPOR tarjoavat p\u00e4\u00e4syn validoituihin ja hyvin dokumentoituihin avaruusolentojen tuotteisiin ilmaiseksi. Mukautetun avaruusolentojen mallin rakentaminen tyhj\u00e4st\u00e4 on harvoin perusteltua, elleiv\u00e4t ainutlaatuiset paikalliset olosuhteet sit\u00e4 vaadi.<\/p>\n 6. Integroi ET-tiedot olemassa oleviin maatilan hallintaj\u00e4rjestelmiin.<\/strong> ET-data on arvokkainta silloin, kun se sy\u00f6tet\u00e4\u00e4n suoraan kastelun aikataulutusohjelmistoihin, p\u00e4\u00e4t\u00f6ksentukity\u00f6kaluihin tai vesilaskennan tietokantoihin sen sijaan, ett\u00e4 se olisi erillinen satelliittituloste.<\/p>\n Kaukokartoitukseen perustuva haihduntamittaus on kehittynyt kokeellisesta tutkimusalasta kriittiseksi operatiiviseksi ty\u00f6kaluksi maatalouden vesienhallinnassa. Yh\u00e4 tarkempien satelliittipohjaisten ET-tuotteiden, avoimen saatavuuden alustojen, kuten OpenETin ja WaPORin, sek\u00e4 teko\u00e4lypohjaisen datan fuusioinnin yhdistelm\u00e4 poistaa esteit\u00e4, jotka aiemmin rajoittivat satelliittipohjaisen ET-mittauksen hyvin rahoitettuihin tutkimuslaitoksiin.<\/p>\n Nykyiset ominaisuudet ovat huomattavat: energiatasemallit, jotka on validoitu v\u00e4hint\u00e4\u00e4n 30 maassa, satelliittipohjaiset ET-tuotteet, jotka saavuttavat paremman kausittaisen tarkkuuden kuin 90% t\u00e4rkeimmill\u00e4 yksivuotisilla viljelykasveilla, ja pilvipohjaiset alustat, jotka toimittavat peltotason ET-dataa mille tahansa viljelij\u00e4lle tai vesihallinnolle, jolla on internetyhteys. N\u00e4it\u00e4 ominaisuuksia k\u00e4ytet\u00e4\u00e4n jo Coloradojoen kasteluvaatimusten noudattamisen hallintaan, High Plains Aquiferin pohjaveden ehtymisen seurantaan ja maatalouden veden tuottavuuden parantamiseen kaikkialla Afrikassa FAO WaPOR -j\u00e4rjestelm\u00e4n kautta.<\/p>","protected":false},"excerpt":{"rendered":" Haihdunnan seuranta kaukokartoituksella on yksi merkitt\u00e4vimmist\u00e4 edistysaskeleista maatalouden vesitieteess\u00e4 viimeisten kahden vuosikymmenen aikana. Yhdist\u00e4m\u00e4ll\u00e4 satelliittipohjaisia l\u00e4mp\u00f6mittauksia\u2026<\/p>","protected":false},"author":210157960,"featured_media":13807,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_coblocks_attr":"","_coblocks_dimensions":"","_coblocks_responsive_height":"","_coblocks_accordion_ie_support":"","_eb_attr":"","content-type":"","_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_wpcom_ai_launchpad_first_post":false,"_jetpack_hide_featured_image":false,"_jetpack_featured_image_duplicate_dismissed":0,"_jetpack_feature_clip_id":0,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_publicize_message":"{title}\n\n{excerpt}\n\n{url}","jetpack_publicize_feature_enabled":true,"jetpack_social_post_already_shared":true,"jetpack_social_options":{"image_generator_settings":{"template":"highway","default_image_id":0,"font":"","enabled":false},"version":2},"_wpas_customize_per_network":false,"jetpack_post_was_ever_published":false},"categories":[1378],"tags":[],"class_list":["post-13804","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-remote-sensing"],"acf":[],"yoast_head":"\nMitk\u00e4 tekij\u00e4t vaikuttavat haihtumiseen?<\/h2>\n
![\"Mitk\u00e4](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/06\/What-Factors-Influence-Evapotranspirationn.png?resize=720%2C720&ssl=1\")
<\/p>\nHaihdunnan keskeiset k\u00e4sitteet<\/h2>\n
\n
1. Vertailuhaihdunta \u2014 ET(0)<\/h3>\n
2. Haihdunta standardiolosuhteissa \u2014 ET(c)<\/h3>\n
3. Haihdunta ep\u00e4standardeissa olosuhteissa \u2014 ET(c adj)<\/h3>\n
Perinteiset menetelm\u00e4t haihtumisen mittaamiseksi<\/h2>\n
![\"Perinteiset](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/06\/Traditional-Methods-of-Measuring-Evapotranspiration.png?resize=754%2C754&ssl=1\")
<\/p>\nKaukokartoituksen perusteet ET-seurantaa varten<\/h2>\n
Satelliittien avaruusolennon arvioinnin taustalla olevat keskeiset fysikaaliset periaatteet<\/h3>\n
Kaukokartoitustietol\u00e4hteet ET-arviointia varten<\/h2>\n
1. Satelliittialustat maan ulkopuolisen avaruuden arvioimiseen<\/h3>\n
2. Miehitt\u00e4m\u00e4tt\u00f6mien ilma-alusten ja dronejen avulla teht\u00e4v\u00e4t maan ulkopuolisten avaruusolentojen havainnot<\/h3>\n
\n
ET-seurannassa k\u00e4ytetyt keskeiset kaukokartoitusmuuttujat<\/h2>\n
![\"ET-seurannassa](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/06\/Key-Remote-Sensing-Variables-Used-in-ET-Monitoring.png?resize=676%2C676&ssl=1\")
<\/p>\nHaihdunnan arviointimallit<\/h2>\n
1. Energiatasemallit<\/h3>\n
2. Kasvillisuusindeksiin perustuvat ET-mallit<\/h3>\n
Satelliittipohjaiset ET-tuotteet ovat operatiivisessa k\u00e4yt\u00f6ss\u00e4<\/h2>\n
![\"Satelliittipohjaiset](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/06\/Satellite-Based-ET-Products-Available-for-Operational-Use.png?resize=751%2C751&ssl=1\")
<\/p>\nKaukokartoituksen sovellukset<\/h2>\n
1. Tarkkuuskastelu ja viljelykasvien vedenhallinta<\/h3>\n
2. Kuivuuden arviointi ja varhaisvaroitusj\u00e4rjestelm\u00e4t<\/h3>\n
3. Vesivarojen hallinta altaiden tasolla<\/h3>\n
\n
4. Ymp\u00e4rist\u00f6lliset ja ekologiset sovellukset<\/h3>\n
Satelliittien ET-tuotteiden tarkkuuden arviointi ja validointi<\/h2>\n
\n
Kaukokartoituksen ET-seurannan haasteet<\/h2>\n
Uudet teknologiat ja tulevaisuus ET-seurannassa<\/h2>\n
1. Teko\u00e4ly, koneoppiminen ja datan fuusio<\/h3>\n
2. Korkean resoluution l\u00e4mp\u00f6satelliitit ja CubeSat-t\u00e4hdist\u00f6t<\/h3>\n
3. Digitaaliset kaksoset vesienhallinnassa<\/h3>\n
Ohjelmistot ja ty\u00f6kalut ET-seurantaan<\/h2>\n
Kaukokartoituksen ET-seurannan tapaustutkimukset<\/h2>\n
1. Kastelun hallinta kuivilla alueilla<\/h3>\n
2. T\u00e4sm\u00e4viljely eri viljelykasvien v\u00e4lill\u00e4<\/h3>\n
3. Valuma-alueen vesilaskenta<\/h3>\n
ET-seurantamenetelm\u00e4n valinnan parhaat k\u00e4yt\u00e4nn\u00f6t<\/h2>\n
Johtop\u00e4\u00e4t\u00f6s<\/h2>\n