Kategorija: Daljinska istraživanja

Tehnologija daljinskog istraživanja temeljno je promijenila način na koji mjerimo, pratimo i upravljamo živom masom kopnene površine našeg planeta. Biomasa zemljišta izračunata pomoću daljinskog istraživanja više nije istraživačka zanimljivost ograničena na sveučilišne laboratorije - sada je ključni operativni alat koji koriste vlade, šumarske agencije, znanstvenici koji se bave usjevima i istraživači klime diljem svijeta.

Samo daljinsko istraživanje na poljoprivrednom tržištu procijenjeno je na $3,8 milijardi u 2025. i predviđa se da će narasti do $9,6 milijardi do 2034. na CAGR od 10,9%, prema izvješću industrije Dataintelo iz 2026. Značajan dio ovog rasta potaknut je potražnjom za pouzdanim podacima o biomasi koji podržavaju obračun ugljika, preciznu poljoprivredu i praćenje okoliša.

Što je biomasa zemljišta?

Biomasa zemljišta (ukupna suha masa svih organskih tvari na određenom području) mjeri se u metričkim jedinicama kao što su tona po hektaru (t/ha) ili megagrama po hektaru (Mg/ha), gdje je 1 Mg jednak 1 metričkoj toni. Predstavlja akumulirani produkt fotosinteze - ugljik koji su biljke, drveće i drugi organizmi uhvatili iz atmosfere i fiksirali u fizičku materiju.

To je jedan od najsnažnijih pokazatelja zdravlja ekosustava, skladištenja ugljika i produktivnosti usjeva, no tradicionalne metode mjerenja na tlu dugo su bile previše spore, skupe i prostorno ograničene da bi zadovoljile potrebe modernog upravljanja zemljištem.

Nadzemna biomasa (AGB) i podzemna biomasa (BGB)

Znanstvenici dijele biomasu u dvije glavne kategorije. Nadzemna biomasa (AGB) obuhvaća sve što raste iznad površine tla - stabljike, debla, grane, lišće i stojeće mrtvo drvo. Podzemna biomasa (BGB) obuhvaća korijenov sustav i ostali podzemni organski materijal. U većini šumskih ekosustava, BGB čini otprilike 20–30% ukupne biomase, a njegovo mjerenje ostaje daleko teže od procjene AGB-a.

Biomasa se također kategorizira kao živa biomasa (aktivno rastući, metabolički aktivni biljni materijal) i mrtva biomasa (stojeće ili otpalo mrtvo drvo, suhi otpad). Obje vrste pohranjuju ugljik i doprinose ukupnom ugljičnom bazenu krajolika, ali različito reagiraju na požar, bolesti i intervencije upravljanja.

Kao pokazatelj okoliša, biomasa ima jedinstveno moćnu poziciju. Visoke vrijednosti biomase signaliziraju produktivne, zdrave ekosustave sa snažnim potencijalom sekvestracije ugljika. Trendovi smanjenja biomase otkrivaju deforestaciju, stres uzrokovan sušom, degradaciju tla ili prekomjernu žetvu. Za poljoprivrednike, nadzemna biomasa izravno je povezana s potencijalom prinosa žitarica, što je čini jednom od najpraktičnijih metrika u preciznoj poljoprivredi.

Zašto izračunati biomasu zemljišta pomoću daljinskog istraživanja?

Tradicionalna procjena biomase oslanja se na terenska mjerenja: istraživači beru uzorke na parcelama, suše biljni materijal u pećnicama i važu ga kako bi odredili suhu masu po jedinici površine. Ovaj destruktivni, radno intenzivni proces funkcionira na razini parcele, ali postaje potpuno nepraktičan kada su vam potrebni podaci o biomasi za nacionalnu šumu, riječni sliv ili kontinentalnu poljoprivrednu zonu. Ključna ograničenja terenskih istraživanja na tlu

1. Prostorni obuhvat je ozbiljno ograničen. Terenska ekipa može realno mjeriti biomasu na nekoliko desetaka parcela po sezoni. Satelit pokriva milijune hektara u jednom nadvožnjaku, što praćenje na razini krajolika čini nemogućim bez daljinskog istraživanja.

2. Terenska istraživanja su skupa i spora. Raspoređivanje obučenog osoblja u udaljene šume ili preko prostranih poljoprivrednih krajolika zahtijeva značajne proračune, logističku koordinaciju i vrijeme - a sve se to slabo skalira kako se područja istraživanja šire.

3. Destruktivno uzorkovanje šteti ekosustavu. Žetva na parcelama za vaganje biomase uništava samu vegetaciju koja se proučava, što je nespojivo s dugoročnim programima praćenja koji zahtijevaju ponovljena mjerenja na istoj lokaciji.

4. Vremenska frekvencija je preniska. Terenski timovi obično pregledavaju lokaciju najbolje jednom godišnje. Sateliti mogu ponovno posjećivati istu lokaciju svakih nekoliko dana, što omogućuje kontinuirano praćenje sezonskih promjena biomase i brze reakcije na događaje poput požara ili suše.

Daljinsko istraživanje rješava sva ta ograničenja odjednom. Jedna satelitska slika Sentinel-2 pokriva 290 km² po sceni na Prostorna rezolucija od 10 metara, pružajući ponovljive, detaljne podatke o vegetaciji bez ikakvih marginalnih troškova po dodatnom hektaru. Primjene koje ovise o točnim podacima o biomasi zemljišta su opsežne:

• Izračun ugljika i REDD+: Međunarodni klimatski okviri zahtijevaju provjerene procjene zaliha ugljika u šumama. Karte biomase temeljene na daljinskom istraživanju pružaju prostornu pokrivenost i učestalost ažuriranja koju sami nacionalni šumski inventari ne mogu pružiti.
• Praćenje poljoprivrede: Biomasa usjeva u različitim fazama rasta predviđa konačni prinos, informira raspored navodnjavanja i upozorava na rani stres prije nego što on postane gubitak produktivnosti.
• Gospodarenje šumama: Volumen drva, količina goriva za rizik od šumskih požara i procjena bioraznolikosti ovise o pouzdanim procjenama biomase na velikim šumskim područjima.
• Upravljanje okolišem: Praćenje degradacije zemljišta, procjena močvara i otkrivanje invazivnih vrsta koriste promjenu biomase kao primarni signal.

Kako daljinsko istraživanje mjeri biomasu kopna: Fizički principi

Svaki sustav daljinskog istraživanja - bilo da se radi o optičkom satelitu, radaru ili laseru - prikuplja informacije o vegetaciji mjerenjem interakcije elektromagnetske energije s biljnim materijalom. Razumijevanje te interakcije ključno je za razumijevanje zašto daljinsko istraživanje uopće može procijeniti biomasu.

Biljke različito reflektiraju, apsorbiraju i prenose elektromagnetsko zračenje ovisno o svojoj unutarnjoj kemiji, sadržaju vode, strukturi lista i arhitekturi krošnje. Klorofil (zeleni pigment koji potiče fotosintezu) snažno apsorbira crvene i plave valne duljine, dok reflektira zelenu i blisko infracrvenu energiju.

Zdrava, gusta vegetacija stoga pokazuje karakterističan spektralni uzorak: nisku crvenu refleksiju, visoku refleksiju bliskog infracrvenog zračenja. Ovaj uzorak - nazvan spektralni potpis - mjerljiv je iz svemira, a njegov intenzitet korelira s količinom biljnog materijala po jedinici površine.

Od spektralnih signala do vrijednosti biomase

Senzori bilježe spektralni potpis i izračunavaju indekse vegetacije (matematičke omjere koji kvantificiraju koliko se snažno signal vegetacije pojavljuje na određenoj slici). Ti se indeksi zatim povezuju s biomasom putem statističkih ili strojno-učećih modela koji se kalibriraju pomoću mjerenja biomase prikupljenih na terenu. Rezultat je prostorno kontinuirana karta biomase - svaki piksel na slici dobiva predviđenu vrijednost biomase.

Tijek rada obrade podataka slijedi jasan slijed. Sirovi satelitski podaci stižu s geometrijskim izobličenjima i atmosferskim smetnjama. Predobrada ispravlja te pogreške. Indeksi vegetacije izračunavaju se iz ispravljenih snimaka. Uzorci biomase izmjereni na terenu služe kao osnova za kalibraciju modela. Validirani model se zatim primjenjuje na cijeli opseg slike kako bi se dobila konačna karta biomase.

Dodatni fizički signali osim spektralne refleksije nose informacije o biomasi. Visina krošnje - koliko je vegetacija visoka - snažan je prediktor AGB-a. Gustoća biljaka (koliko stabljika po hektaru) određuje koliko se svjetlosti presreće. Hrapavost površine (detektira se radarom) odražava strukturnu složenost krošnje. Senzori koji mjere ova strukturna svojstva, a ne samo refleksiju, često pružaju veću točnost procjene biomase.

Vrste daljinskog istraživanja koje se koriste za procjenu biomase

Nijedan senzor ne dominira procjenom biomase u svim ekosustavima i razmjerima. Znanstvenici i praktičari kombiniraju više vrsta senzora na temelju ciljane vegetacije, proračuna, potrebne točnosti i geografske pokrivenosti.

Najtočnije karte biomase danas nisu izgrađene od jednog senzora, već od inteligentne fuzije optičkih, radarskih i LiDAR podataka - pri čemu svaki popunjava slijepe točke ostalih.

1. Optičke satelitske snimke: multispektralne i hiperspektralne

Optički senzori hvataju reflektiranu sunčevu svjetlost u diskretnim spektralnim pojasevima, obično pokrivajući vidljive valne duljine (plava, zelena, crvena) i blisko infracrveno (NIR). Multispektralne snimke (podaci iz 4-10 spektralnih pojaseva) čine okosnicu većine operativnih programa mapiranja biomase diljem svijeta, uglavnom zbog besplatnih, kontinuiranih tokova podataka iz misija Sentinel-2 i Landsat.

Hiperspektralne slike (podaci iz stotina uskih, susjednih spektralnih pojaseva) pružaju mnogo finije spektralne detalje. Razlučuju biljne pigmente, sadržaj vode i kemiju lista na razini koju multispektralni senzori ne mogu.

Zbog toga je posebno koristan za otkrivanje suptilnih razlika u gustoći biomase na travnjacima i poljoprivrednim poljima. Glavno ograničenje hiperspektralnih snimaka je naoblaka: optički senzori ne mogu vidjeti kroz oblake, što uzrokuje značajne nedostatke podataka u vlažnim tropskim regijama gdje je procjena biomase najkritičnija.

Uobičajeni sateliti koji se koriste za optičko mapiranje biomase uključuju Landsat 8/9 (rezolucija od 30 metara, ponovni posjet od 16 dana), Sentinel-2 (rezolucija od 10 metara, ponovni posjet od 5 dana) i PlanetScope (rezolucija od 3 metra, dnevni ponovni posjet za komercijalne primjene).

2. Radar (SAR): Vid kroz oblake i u krošnje

Sintetički aperturni radar (SAR) - sustav koji emitira mikrovalne impulse i mjeri energiju odbijenu od površine zemlje - u potpunosti rješava problem oblačnosti. Mikrovalna energija prolazi kroz oblake i izmaglicu bez smetnji, što SAR čini senzorom izbora za praćenje tropskih šuma gdje uporna oblačnost čini optičke snimke gotovo neupotrebljivima.

SAR signali također prodiru u krošnje vegetacije, interagirajući s drvenastim stabljikama i granama, a ne samo s najgornjom površinom lista. Što je valna duljina radara dulja, to signal dublje prodire. L-pojasni SAR (valna duljina oko 23 cm, koristi ga ALOS-2 PALSAR-2) prodire u donje krošnje i interagira s velikom drvenastom biomasom, što ga čini posebno prikladnim za procjenu AGB-a tropskih šuma.

C-pojasni SAR (valna duljina oko 5 cm, koristi ga Sentinel-1) osjetljiviji je na strukturu površinskog krošnje i široko se koristi za praćenje biomase usjeva.

Istraživanje objavljeno u Časopis za istraživanje šumarstva (Springer Nature, 2021.) otkrili su da su podaci SAR-a i L-pojasa ALOS-2 i C-pojasa Sentinel-1 omogućili zadovoljavajuće procjene zaliha ugljika, pri čemu ukupne zalihe ugljika u području istraživanja mediteranske šume dosežu otprilike 130 t/ha preko nadzemne, podzemne površine, mrtvog drva, otpada i lokvi tla zajedno.

3. LiDAR: Zlatni standard za mapiranje strukturne biomase

LiDAR (detekcija i mjerenje udaljenosti svjetla) emitira laserske impulse i mjeri precizno vrijeme koje im je potrebno da se odbiju od ciljne površine. To se mjerenje vremena izravno prevodi u trodimenzionalne oblake točaka (guste karte točnog mjesta gdje se svaki laserski impuls reflektirao) koji otkrivaju visinu krošnje, strukturu krošnje i nadmorsku visinu tla s preciznošću na razini centimetra.

Visina stabla je među najjačim prediktorima nadzemne biomase - viša stabla nose eksponencijalno više biomase od nižih. LiDAR modeli visine, u kombinaciji s alometrijskim jednadžbama izmjerenim na terenu (matematički odnosi specifični za vrstu između visine stabla, promjera i mase), daju procjene biomase koje dosljedno nadmašuju optičke ili radarske pristupe u šumovitim krajolicima.

NASA-ina misija Global Ecosystem Dynamics Investigation (GEDI) - višesnopni LiDAR instrument s valnim oblicima postavljen na Međunarodnoj svemirskoj postaji - predstavlja prvi namjenski izgrađeni svemirski LiDAR sustav za procjenu globalne biomase. GEDI prikuplja podatke od 51,6° sjeverne do 51,6° južne geografske širine, pokrivajući glavne tropske i umjerene šumske zone svijeta.

4. Daljinsko istraživanje dronovima: terenska skala visoke rezolucije

Bespilotne letjelice (UAV), obično nazvane dronovima, premošćuju jaz između satelitskih i terenskih mjerenja. Dron s RGB kamerama snima snimke centimetarske rezolucije koje razlučuju pojedinačne biljke.

Multispektralni senzori dronova izračunavaju precizne indekse vegetacije na razini parcele. Dronovi opremljeni LiDAR-om generiraju guste oblake točaka koji omogućuju procjenu biomase sa strukturnom točnošću zračnog LiDAR-a uz znatno nižu cijenu.

Za poljoprivrednike, mapiranje biomase pomoću dronova posebno je praktično. Jedan let iznad polja pšenice ili kukuruza tijekom vegetativne faze rasta stvara kartu gustoće biomase koja označava područja s ograničenim prinosom - zone s niskom biomasom kojima je možda potrebno dodatno gnojivo ili navodnjavanje prije nego što šteta postane nepovratna.

Indeksi vegetacije korišteni za procjenu biomase

Vegetacijski indeksi su matematički most između sirovih vrijednosti spektralne refleksije i bioloških informacija o gustoći i zdravlju biljaka. Svaki indeks iskorištava određeni dio elektromagnetskog spektra gdje se vegetacija ponaša prepoznatljivo.

NDVI (Normalizirani indeks razlike vegetacije) je najčešće primjenjivani indeks. On dijeli razliku između reflektancije bliskog infracrvenog (NIR) i crvenog zračenja s njihovim zbrojem: NDVI = (NIR – Crveno) / (NIR + Crveno). Vrijednosti se kreću od -1 do +1, pri čemu zdrava gusta vegetacija obično ima vrijednost između 0,6 i 0,9.

NDVI snažno korelira s indeksom lisne površine (LAI - ukupna jednostrana površina lista po jedinici površine tla) i stoga s fotosintetskim kapacitetom i akumulacijom biomase.

• Indeks poboljšane vegetacije ispravlja atmosferske utjecaje i interferenciju pozadine tla, što ga čini pouzdanijim od NDVI-ja u tropskim šumama s visokom biomasom i područjima sa svijetlim ili izloženim tlom.
• SAVI (Indeks vegetacije prilagođen tlu) uključuje faktor korekcije svjetline tla, što je posebno važno u sušnim i polusušnim poljoprivrednim uvjetima gdje golo tlo između redova usjeva snažno utječe na spektralni signal.
• GNDVI (Indeks zelene normalizirane razlike vegetacije) zamjenjuje zelenu reflektanciju crvenom u NDVI formuli, čineći je osjetljivijom na promjene koncentracije klorofila i korisnom za praćenje biomase usjeva u kasnoj sezoni kada su krošnje već potpuno zatvorene.

Indeks lisne površine (LAI) zaslužuje poseban spomen jer je i rezultat daljinskog istraživanja i izravan pokretač akumulacije biomase. Biljke s višim LAI-om hvataju više sunčevog zračenja, fiksiraju više ugljika i proizvode više biomase. LAI karte dobivene daljinskim istraživanjem, generirane iz vremenskih serija MODIS ili Sentinel-2, izravno se unose u modele rasta usjeva koji simuliraju formiranje prinosa i konačnu biomasu za žetvu.

Ključni izvori podataka za procjenu biomase zemljišta

Odabir pravog izvora podataka ovisi o opsegu studije, vrsti vegetacije, potrebnoj prostornoj rezoluciji i dostupnom proračunu. U nastavku su navedeni primarni tokovi podataka koji se trenutno koriste u operativnom i istraživačkom mapiranju biomase. Besplatni satelitski podaci otvorenog pristupa s Landsata i konstelacije Sentinel demokratizirali su mapiranje biomase, čineći ga dostupnim istraživačima i agencijama kojima nedostaju proračuni za komercijalne snimke.

i. Landsat (NASA/USGS): Više od 50 godina kontinuiranih podataka, rezolucija od 30 metara, besplatan pristup. Landsat vremenski nizovi omogućuju povijesnu analizu promjena biomase koja seže do 1970-ih, pružajući neusporediv kontekst za praćenje deforestacije i degradacije zemljišta.

ii. Sentinel-2 (ESA): Rezolucija od 10 metara u ključnim spektralnim pojasevima, ponovni posjet svakih 5 dana, besplatan pristup. Sentinel-2 je trenutni standard za praćenje biomase usjeva i procjene regionalnih šuma zbog svoje kombinacije rezolucije i frekvencije.

iii. Sentinel-1 (ESA): C-pojasni SAR, mogućnosti rada u svim vremenskim uvjetima, besplatan pristup. Sentinel-1 je primarni radarski izvor za praćenje tropskog područja pod utjecajem oblaka i biomase usjeva u područjima gdje su nedostaci optičkih podataka stalni problem.

iv. MODIS (NASA): Rezolucija od 250 m–1 km, dnevna globalna pokrivenost. MODIS vremenske serije idealne su za otkrivanje promjena biomase na kontinentalnoj razini i sezonsko praćenje, iako gruba rezolucija ograničava korisnost u fragmentiranim krajolicima.

protiv PlanetScopea: Rezolucija od 3 metra, dnevni pregled, komercijalna pretplata. PlanetScope pruža praćenje biomase na razini pojedinačnog polja, podržavajući primjenu precizne poljoprivrede gdje je prostorna varijabilnost podoblasti važna.

vi. NASA GEDI LiDAR: Promjer otiska 25 metara, globalna pokrivenost tropskim i umjerenim područjem, besplatni podatkovni proizvodi. GEDI je primarni svemirski izvor za visinu krošnje i gustoću AGB-a na globalnoj razini.

vii. ICESat-2 (NASA): LiDAR s brojanjem fotona i globalnim pokrivanjem, posebno snažan za mjerenje visine krošnji u šumama visokih geografskih širina i otkrivanje promjena visine na finoj skali.

Koraci za izračun biomase zemljišta pomoću daljinskog istraživanja

Procjena kopnene biomase pomoću podataka daljinskog istraživanja slijedi strukturirani tijek rada. Svaki korak ovisi o točnosti prethodnog. Smanjenje troškova u predobradi ili terenskoj validaciji dovodi do pogrešaka u konačnoj karti biomase.

i. Odaberite odgovarajuće slike: Odaberite senzor, prostornu rezoluciju i vremensko razdoblje na temelju ciljanog ekosustava i cilja istraživanja. Praćenje šumske biomase obično zahtijeva podatke Sentinel-1 ili GEDI; praćenje biomase usjeva obično koristi Sentinel-2 ili multispektralne snimke dronova.

ii. Predobrada slike: Primijenite atmosfersku korekciju za pretvaranje sirovih digitalnih brojeva u vrijednosti površinske refleksije. Izvršite geometrijsku korekciju kako biste osigurali da se slika točno poravnava sa stvarnim koordinatama. Uklonite piksele kontaminirane oblacima i zamijenite ih vremenskim kompozitingom gdje je potrebno.

iii. Izračunajte vegetacijske indekse: Izračunajte NDVI, EVI, SAVI, GNDVI ili druge relevantne indekse iz korigiranih pojaseva refleksije površine. Za LiDAR podatke, iz oblaka točaka izvedite metrike visine krošnje (maksimalna visina, visina 95. percentila, srednja visina).

iv. Prikupljanje uzoraka biomase s polja: Izmjerite nadzemnu biomasu na reprezentativnim parcelama unutar područja istraživanja korištenjem destruktivne sječe ili alometrijske jednadžbe primijenjene na mjerenja promjera i visine stabla. Ove terenske vrijednosti su osnovna istina koja je temelj modela.

v. Izgradite modele predviđanja: Regresirajte mjerenja biomase na terenu u odnosu na kolokirane varijable daljinskog istraživanja (indeksi vegetacije, metrike visine krošnje, vrijednosti povratnog raspršenja SAR-a). Koristite regresijsku analizu, metodu slučajne šume, metodu potpornih vektora ili neuronske mreže ovisno o složenosti odnosa i količini dostupnih podataka za učenje.

vi. Validirajte rezultate modela: Koristite skup podataka za validaciju izuzeća (terenski dijagrami koji se ne koriste u obuci modela) za procjenu točnosti predviđanja. Prijavite RMSE (korijen srednje kvadratne pogreške), R² (koeficijent determinacije) i pristranost. Poboljšajte model ako točnost nije dovoljna.

vii. Generiranje karata biomase: Primijenite validirani model na puni opseg slike, stvarajući prostorno kontinuiranu kartu gustoće biomase gdje svaki piksel sadrži predviđenu vrijednost biomase u Mg/ha ili t/ha.

Modeli i metode korišteni za procjenu biomase

Izbor modela značajno utječe i na točnost i na generalizaciju sustava za procjenu biomase. Jednostavniji modeli su transparentniji i pouzdanije se prenose na nove lokacije. Složeni modeli strojnog učenja izvlače veću točnost iz velikih skupova podataka za učenje, ali se mogu previše prilagoditi lokalnim uvjetima.

Empirijski regresijski modeli uspostavljaju izravnu matematičku vezu između biomase polja i varijabli daljinskog istraživanja - na primjer, linearnu regresiju između NDVI-ja i prinosa suhe tvari usjeva. Ove modele je lako interpretirati i brzo izračunati, ali slabo funkcioniraju kada je odnos spektra i biomase nelinearan ili kada vrijednosti biomase obuhvaćaju vrlo širok raspon.

Metode strojnog učenja prevladavaju ta ograničenja učenjem složenih, nelinearnih odnosa iz podataka. Slučajna šuma (ansambl stabala odlučivanja koji usrednjava predviđanja na stotinama pojedinačnih stabala) trenutno je najčešće korišteni algoritam za procjenu biomase u šumarstvu i poljoprivredi.

Studija objavljena u Granice u biljnoj znanosti (prosinac 2024.) pokazalo je da je Random Forest primijenjen na GEDI i podatke daljinskog istraživanja iz više izvora dao procjene biomase šume smreke i jele s R² značajno višim od pristupa regresije s jednim senzorom.

• Stroj potpornih vektora (SVM): Pronalazi optimalnu granicu razdvajanja između klasa biomase u visokodimenzionalnom prostoru značajki. SVM dobro funkcionira s malim do srednjim skupovima podataka za obuku i robustan je protiv prekomjernog prilagođavanja kada je pravilno regulariziran.
• Neuronske mreže i duboko učenje: Konvolucijske neuronske mreže (CNN) i hibridne CNN-LSTM arhitekture istovremeno obrađuju prostorne i vremenske obrasce u slikama. Studija iz 2024. objavljena u Daljinsko istraživanje (MDPI) Uspoređujući RF, CNN i CNN-LSTM modele za procjenu šumske biomase u Hangzhouu u Kini, utvrđeno je da modeli dubokog učenja obuhvaćaju prostorni kontekst koji metode regresije s jednom točkom u potpunosti propuštaju.
• Hibridni modeli: Kombinirajte fizičke modele vegetacije (koji simuliraju rast biljaka na temelju zračenja i unosa vode) sa statističkim ili strojno-učenim kalibracijskim slojevima. Ovi pristupi su sve popularniji jer grade fizički realistične procjene biomase koje se generaliziraju u regijama bez oslanjanja isključivo na lokalne podatke o obuci.

Čimbenici koji utječu na točnost procjene biomase

Čak i najbolja kombinacija senzora i modela stvara nepouzdane karte biomase kada je kvaliteta temeljnih podataka loša ili kada fizičko okruženje uvodi izvore šuma. Razumijevanje ovih čimbenika koji ograničavaju točnost ključno je za svakoga tko dizajnira program mapiranja biomase.

1. Zasićenost signala guste šume: U tropskim šumama s visokom biomasom, optički i C-pojasni SAR signali se zasićuju - prestaju se povećavati čak i dok biomasa nastavlja rasti. NDVI se zasićuje pri AGB vrijednostima iznad približno 150–200 mg/ha, što ga čini nepouzdanim u starim tropskim šumama gdje biomasa može doseći 400–600 Mg/ha. L-pojasni SAR i LiDAR zasićuju se na mnogo višim razinama biomase i poželjniji su u tim okruženjima.

2. Sezonske varijacije: Refleksija vegetacije dramatično se mijenja tijekom sezona. Vrijednost NDVI-ja s polja pšenice u travnju predstavlja fundamentalno drugačije stanje biomase od istog polja u kolovozu. Modeli moraju uzeti u obzir sezonsku dinamiku ili se kalibrirati zasebno za svaku fenološko razdoblje.

3. Interferencija od naoblake: Optički senzori gube podatke gdje god su prisutni oblaci. U vlažnim tropskim regijama, onečišćenje oblacima može utjecati na više od 70% akvizicija slika u određenoj godini, što zahtijeva radarske ili LiDAR alternative ili višegodišnje strategije komponiranja.

4. Miješani pikseli: Pri umjerenim prostornim rezolucijama (30 m – 250 m), jedan piksel slike često sadrži mješavinu vrsta usjeva, golog tla i vode. Spektralni signal odražava prosjek svih tih površina, što razrjeđuje signal vegetacije i unosi sustavnu pogrešku u predviđanja biomase.

5. Utjecaji terena: Nagnuti teren mijenja geometriju i sunčevog osvjetljenja i kuta gledanja senzora, mijenjajući vrijednosti refleksije zabilježene na senzoru. Topografska korekcija je obavezna u planinskim područjima prije nego što se bilo koji model biomase može pouzdano primijeniti.

Primjena mapiranja biomase zemljišta u različitim sektorima

Karte biomase zemljišta generirane iz podataka daljinskog istraživanja doprinose praktičnom donošenju odluka u izuzetno širokom rasponu sektora, od vladinih izvješća o klimi do upravljanja pojedinačnim poljoprivrednim gospodarstvima.

Agencije za upravljanje šumama Koristite karte biomase za određivanje prioriteta blokova sječe, procjenu održivog prinosa i dokumentiranje usklađenosti sa standardima certifikacije. Karte biomase od zida do zida zamjenjuju skupe šumske inventare temeljene na uzorcima u regijama gdje je pristup terenu logistički težak ili preskup.

Procjena zaliha ugljika jedna je od ekonomski najznačajnijih primjena. Svaki Mg nadzemne biomase sadrži otprilike 0,47 mg ugljika (standardni IPCC faktor konverzije). Točne karte biomase stoga se izravno prevode u provjerene inventare ugljika, koji podupiru REDD+ plaćanja i dobrovoljne kredite na tržištu ugljika. Provjerena karta biomase koja pokriva koncesiju tropske šume od 500.000 hektara može predstavljati stotine milijuna dolara ugljične imovine.

• Precizna poljoprivreda: Karte biomase usjeva dobivene snimkama dronova ili Sentinel-2 misije identificiraju varijabilnost u rastu biljaka u podpoljima, omogućujući primjenu gnojiva i navodnjavanja s promjenjivom stopom, što smanjuje ulazne troškove uz zaštitu prinosa.
• Procjena goriva za šumske požare: Mrtvo drvo i suha zeljasta biomasa predstavljaju gorivo dostupno za požare. Karte goriva dobivene daljinskim istraživanjem vode propisane programe spaljivanja i planiranje suzbijanja šumskih požara u krajolicima sklonim požarima.
• Očuvanje bioraznolikosti: Vegetacija s visokom biomasom i strukturno složenom strukturom obično podržava veću raznolikost vrsta. Karte biomase pomažu u identificiranju prioritetnih područja očuvanja i praćenju oporavka obnovljenih staništa tijekom vremena.
• Planiranje bioenergije: Vlade i energetske tvrtke koriste podatke daljinskog istraživanja biomase za procjenu održive opskrbe poljoprivrednim ostacima i drvnom biomasom za proizvodnju bioenergije, osiguravajući da stope žetve ne premašuju kapacitet regeneracije ekosustava.

Prednosti daljinskog istraživanja za izračun biomase

Mapiranje biomase temeljeno na daljinskom istraživanju nudi kombinaciju mogućnosti s kojima se nijedan zemaljski pristup ne može mjeriti. Ove prednosti objašnjavaju zašto je tehnologija u posljednjem desetljeću prešla iz eksperimentalnog u operativni status u desecima zemalja.

Nerazorno mjerenje je možda najosnovnija prednost. Daljinsko istraživanje prikuplja informacije o vegetaciji bez žetve, rezanja ili uznemiravanja. To omogućuje ponovljena mjerenja na potpuno istoj lokaciji, što je ključno za otkrivanje promjene biomase tijekom vremena - metrike koja je najvažnija za obračun ugljika i praćenje ekosustava.

• Pokrivenost velikih razmjera uz niske marginalne troškove: Nakon što se senzor i cjevovod za obradu postave, trošak dodavanja još milijun hektara istraživanju biomase u biti je nula. Ova struktura troškova inverzna je terenskim istraživanjima, gdje se troškovi linearno povećavaju s površinom.
• Česta vremenska ažuriranja: Sentinel-2 ponovno posjećuje bilo koju lokaciju na Zemlji svakih 5 dana. Ova učestalost omogućuje praćenje biomase tijekom cijele vegetacijske sezone, bilježeći dinamične promjene koje pojedinačna godišnja terenska istraživanja u potpunosti propuštaju.
• Mogućnost povijesne analize: Landsatova arhiva sadrži snimke od 1972. nadalje. Istraživači mogu rekonstruirati povijesne putanje biomase kako bi kvantificirali kumulativno krčenje šuma, procijenili oporavak ekosustava nakon poremećaja ili utvrdili osnovne uvjete prije poremećaja za zahtjeve za odštetu.
• Poboljšano donošenje odluka za upravitelje zemljišta: Prostorno eksplicitne karte biomase otkrivaju gdje se unutar krajolika biomasa akumulira, smanjuje ili je stabilna - dajući upraviteljima zemljišta prostornu preciznost za ciljano usmjeravanje intervencija tamo gdje će imati najveći utjecaj.

Ograničenja i izazovi u procjeni biomase daljinskim istraživanjem

Daljinsko istraživanje mapiranja biomase je moćno, ali dolazi sa stvarnim tehničkim ograničenjima koja praktičari moraju razumjeti prije nego što se oslone na rezultate za donošenje važnih odluka.

Zasićenost signala u gustim šumama ostaje neriješeni izazov za optičke i C-pojasne radarske senzore. Kako se krošnja drveća zatvara i biomasa se akumulira iznad praga specifičnog za senzor, spektralni ili povratni raspršeni signal više se ne povećava s biomasom.

LiDAR izbjegava ovaj problem jer mjeri fizičku strukturu, a ne spektralnu refleksiju, ali prikupljanje podataka iz zraka LiDAR-om ostaje skupo, a svemirski LiDAR poput GEDI-ja pruža rijetke, nepovezane otiske, a ne pokrivenost od zida do zida.

• Validacija polja je obavezna: Nijedan model daljinskog istraživanja ne daje pouzdane procjene biomase bez kalibracije i validacije u odnosu na stvarna terenska mjerenja. Kvaliteta terenskih podataka izravno određuje kvalitetu konačne karte, a prikupljanje reprezentativnih terenskih podataka u heterogenim krajolicima je skupo i tehnički zahtjevno.
• Atmosferski učinci zahtijevaju pažljivu korekciju: Aerosoli, vodena para i ozon raspršuju i apsorbiraju dolazno i reflektirano sunčevo zračenje, mijenjajući spektralni signal prije nego što dođe do senzora. Netočna ili nepotpuna atmosferska korekcija uvodi sustavne pogreške koje se šire kroz cijeli tijek rada procjene biomase.
• Obrada podataka zahtijeva specijalizirano znanje: Rad s vremenskim serijama daljinskog istraživanja u velikim razmjerima zahtijeva poznavanje geografskih informacijskih sustava (GIS), programskih jezika poput Pythona ili R-a i geoprostornih platformi temeljenih na oblaku poput Google Earth Enginea. Ova tehnička prepreka ograničava primjenu među agronomima i upraviteljima zemljišta bez predznanja iz znanosti o podacima.
• Nesigurnost modela raste s udaljenošću od podataka za obuku: Model biomase kalibriran u brazilskoj amazonskoj šumi može loše funkcionirati kada se prenese u strukturno drugačiju zapadnoafričku šumu, čak i ako su obje klasificirane kao tropske vlažne šume. Regionalni kalibracijski skupovi podataka ključni su za održavanje točnosti u geografski različitim područjima istraživanja.

Budući trendovi u procjeni biomase daljinskim istraživanjem

Tehnološki krajobraz za mapiranje kopnene biomase brzo se razvija. Nekoliko konvergentnih trendova znatno će poboljšati točnost, dostupnost i operativnu skalabilnost procjene biomase u sljedećih pet do deset godina.

Mapiranje biomase pomoću umjetne inteligencije predstavlja najtransformativniji razvoj koji je u tijeku. Arhitekture dubokog učenja - posebno konvolucijski i modeli temeljeni na transformatorima - istovremeno obrađuju sve spektralne, prostorne i vremenske informacije u vremenskim serijama satelita, izdvajajući signale biomase koje jednostavniji modeli ne mogu detektirati.

Integracija umjetne inteligencije i strojnog učenja u daljinsko istraživanje porasla je za 35% između 2021. i 2026., prema Business Research Insights, temeljno mijenjajući način analize podataka o vegetaciji u velikim razmjerima.

Misija BIOMASS Europske svemirske agencije, lansirana 2024. godine, nosi prvi svemirski SAR u P-pojasu posebno dizajniran za praćenje biomase tropskih šuma. Signali u P-pojasu (valne duljine oko 70 cm) prodiru duboko u šumske krošnje, dosežući drvenaste stabljike i velike grane do kojih radari kraćih valnih duljina ne mogu doći.

Istraživanje objavljeno u Znanstvena izvješća (travanj 2023.) pokazalo je da je P-pojasni TomoSAR (tomografski SAR - tehnika koja rekonstruira trodimenzionalnu strukturu šume iz višestrukih radarskih prolaza) dao obećavajuće procjene AGB-a u gustim tropskim šumama u Francuskoj Gvajani, pružajući pregled onoga što će misija BIOMASS operativno pružiti.

• Fuzija podataka s više senzora u velikim razmjerima: Algoritmi koji automatski kombiniraju optičke, radarske i LiDAR tokove podataka – ponderirajući svaki senzor prema njegovoj pouzdanosti u danom ekosustavu i sezoni – prelaze iz eksperimentalnih prototipova prema operativnim alatima raspoređenim na cloud platformama.
• Praćenje biomase u stvarnom i gotovo stvarnom vremenu: Geoprostorne platforme temeljene na oblaku poput Google Earth Enginea i Microsoft Planetary Computer sada omogućuju kontinuiranu, automatiziranu obradu dolaznih satelitskih podataka. Upozorenja o deforestaciji u gotovo stvarnom vremenu koja se aktiviraju unutar 24-48 sati od događaja gubitka šuma već su operativna u nekoliko tropskih zemalja.
• Digitalni blizanci za preciznu poljoprivredu: Integriranjem podataka o biomasi dobivenih daljinskim istraživanjem sa senzorima tla, vremenskim modelima i modelima simulacije usjeva stvaraju se digitalni blizanci na razini farme - virtualne replike stvarnih polja koje poljoprivrednicima omogućuju testiranje scenarija upravljanja prije nego što ih implementiraju u stvarnom svijetu.
• Integracija precizne poljoprivrede: Konvergencija pristupačnih senzora dronova, satelitskih vremenskih serija i analitike temeljene na umjetnoj inteligenciji prvi put čini praćenje biomase na terenu financijski dostupnim pojedinačnim poljoprivrednicima, a ne samo istraživačkim institucijama i vladinim agencijama.

1. Koji je satelit najbolji za procjenu biomase? Ne postoji jedan najbolji satelit za sve situacije. Sentinel-2 se najčešće koristi za mapiranje usjeva i šumske biomase umjerene rezolucije. GEDI LiDAR pruža najtočnije podatke o visini krošnji za šumsku AGB. Sentinel-1 SAR je preferirani izbor u tropskim područjima pogođenim oblacima. Najbolji operativni pristup kombinira više senzora.

2. Mogu li dronovi točno procijeniti biomasu? Da. Dronovi opremljeni multispektralnim kamerama ili LiDAR senzorima mogu procijeniti biomasu usjeva i šuma malih površina s vrlo visokom prostornom rezolucijom. Procjene biomase usjeva temeljene na dronovima obično postižu korelacije od R² = 0,80–0,95 s terenskim mjerenjima kada su letovi tempirani prema odgovarajućim fazama rasta, a spektralni senzori pravilno kalibrirani.

3. Koliko je točna procjena biomase daljinskim istraživanjem? Točnost znatno varira ovisno o vrsti senzora, ekosustavu i pristupu modelu. U umjerenim šumama s dobrom LiDAR pokrivenošću, karte biomase mogu postići RMSE vrijednosti od 20–40 Mg/ha. U gustim tropskim šumama, isključivo optički pristupi mogu pokazati RMSE vrijednosti od 60–100 Mg/ha zbog zasićenja signala. Modeli fuzije više senzora dosljedno nadmašuju pristupe s jednim senzorom.

4. Zašto je procjena biomase važna za klimatske promjene? Šume i poljoprivredni krajolici pohranjuju ogromne količine ugljika u svojoj biomasi. Krčenje šuma i degradacija zemljišta oslobađaju taj pohranjeni ugljik kao CO₂ u atmosferu, ubrzavajući klimatske promjene. Točne karte biomase pružaju osnovu za provjeru zaliha ugljika, praćenje gubitka šuma i kvantificiranje učinkovitosti programa pošumljavanja i očuvanja u okviru međunarodnih klimatskih okvira poput REDD+.

5. Može li daljinsko istraživanje procijeniti biomasu ispod zemlje? Daljinsko istraživanje ne može izravno mjeriti biomasu ispod zemlje. Međutim, BGB se obično procjenjuje iz AGB-a pomoću koeficijenata omjera korijena i izdanka dobivenih iz terenskih studija i objavljenih od strane organizacija poput IPCC-a. Omjeri korijena i izdanka specifični za vrstu kreću se od 0,15 do 0,40 u većini šumskih ekosustava, što omogućuje neizravnu procjenu BGB-a gdje god postoje karte AGB-a.

Zaključak

Biomasa zemljišta izračunata pomoću daljinskog istraživanja odlučno je prešla iz specijalizirane istraživačke tehnike u operativnu sposobnost s izravnim implikacijama na proizvodnju hrane, upravljanje šumama i klimatsku politiku. Konvergencija besplatnih satelitskih podataka, dostupnih platformi za računalstvo u oblaku i sve snažnijih alata za strojno učenje omogućila je mapiranje biomase u krajobraznim razmjerima sve većem broju organizacija diljem svijeta.

Uloga daljinskog istraživanja u praćenju klime samo će rasti kako se tržišta ugljika šire, obveze praćenja deforestacije intenziviraju, a potražnja za provjerenim podacima o zalihama ugljika raste u globalnom gospodarstvu. S obzirom na to da je misija satelita BIOMASS sada operativna, GEDI nastavlja širiti svoj globalni skup podataka i da modeli umjetne inteligencije dramatično poboljšavaju točnost procjene iz fuzije podataka s više senzora, mogućnost preciznog saznanja gdje se biomasa akumulira, smanjuje ili ostaje stabilna na Zemljinoj kopnenoj površini je nadohvat ruke.

Tržišta ugljika prešla su put od eksperimenata nišne politike do glavnih instrumenata za financiranje klime. Dobrovoljno tržište poljoprivrednih ugljičnih kredita procijenjeno je na 36,1 milijuna USD u 2024. godini i očekuje se da će porasti na 648,3 milijuna USD do 2034. na 31,9% složene godišnje stope rasta, prema Global Market Insights Inc. Poljoprivreda je u središtu ove ekspanzije jer tla, usjevi i prakse upravljanja zemljištem predstavljaju ogromne, mjerljive ponore ugljika.

Izazov je oduvijek bio mjerenje: kako pouzdano kvantificirati ugljik pohranjen na milijunima hektara poljoprivrednog zemljišta? Daljinsko istraživanje, znanost prikupljanja podataka o Zemljinoj površini iz zrakoplova, dronova i satelita bez fizičkog kontakta, odgovor je na koji je tržište ugljika čekalo. Donosi razmjer, brzinu i znanstvenu rigoroznost praćenju ugljika u poljoprivredi.

Što su ugljični krediti i zašto su važni?

Ugljični kredit je trgovački certifikat koji predstavlja smanjenje ili uklanjanje jedne metričke tone ekvivalenta ugljičnog dioksida (CO2e) iz atmosfere. Krediti dolaze u dvije vrste: krediti za smanjenje ugljika, koji predstavljaju izbjegnute emisije, i krediti za uklanjanje ugljika, koji predstavljaju CO2 aktivno izvučen iz atmosfere i pohranjen.

Tržišta ugljika funkcioniraju kao ekonomski mehanizmi koji određuju cijenu emisija stakleničkih plinova. Kada tvrtka ne može interno smanjiti svoje emisije, može kupiti ugljične kredite od projekata koji uklanjaju ili izbjegavaju ekvivalentnu količinu.

To stvara financijske poticaje za aktivnosti poput sekvestracije ugljika u tlu, pošumljavanja i poboljšanog upravljanja zemljištem. Sustavom upravljaju registri ugljika, standardi certificiranja i neovisni verifikatori koji osiguravaju da svaki kredit predstavlja stvarnu, mjerljivu klimatsku korist.

1. Kako se ugljični krediti generiraju u poljoprivredi

Poljoprivredni ugljični krediti stvaraju se strukturiranim procesom koji počinje dizajnom projekta, a završava provjerenim kreditima navedenim u registru. Evo tipičnog slijeda:

1. Poljoprivrednik ili razvojni programer projekta odabire prihvatljive održive poljoprivredne prakse i definira granice projekta.
2. Odobrena metodologija odabire se iz registra ugljika kao što su Verra (VM0042) ili Gold Standard.
3. Osnovna zaliha ugljika utvrđuje se kako bi se izmjerila početna točka prije promjene praksi.
4. Prakse se provode i prate tijekom cijelog razdoblja projekta, obično tri do pet godina.
5. Neovisni verifikatori treće strane procjenjuju jesu li prakse provedene i jesu li navedene koristi od ugljika stvarne i dodatne.
6. Verificirani ugljični krediti izdaju se i kotiraju na prodaji na dobrovoljnim ili usklađenim tržištima.

Vezivanje ugljika u tlu kroz prakse očuvanja primarni je mehanizam u projektima obradivih površina. Prakse poput pokrovnih usjeva, smanjene obrade tla i preciznog upravljanja hranjivim tvarima povećavaju količinu organskog ugljika pohranjenog u poljoprivrednim tlima, koja inače imaju tendenciju gubitka ugljika kroz obradu tla i eroziju.

Poljoprivredna tla sadrže otprilike tri puta više ugljika od atmosfere. Zbog toga je poljoprivredno zemljište jednim od najpristupačnijih i najskalabilnijih ponora ugljika na planetu. Obradive površine i travnjaci brzo reagiraju na promjene u upravljanju: prelazak s konvencionalne obrade na nultu obradu može početi povećavati organski ugljik u tlu unutar jedne do dvije vegetacijske sezone.

Poljoprivrednici izravno imaju koristi od prihoda od ugljičnih kredita. Projekti ugljika iz tla sada čine otprilike 8-10% dobrovoljnog tržišta ugljika, u vrijednosti od 425-530 milijuna USD, prema tržišnim podacima iz 2025.

Taj tok prihoda nadopunjuje prihode poljoprivrednika, a istovremeno poboljšava zdravlje tla, zadržavanje vode i dugoročnu produktivnost. Agroindustrija i prehrambene tvrtke koje sudjeluju u programima ugljika također dobivaju kredibilitet u izvještavanju o održivosti lanca opskrbe.

Veza između ugljičnih kredita i precizne poljoprivrede

Precizna poljoprivreda je pristup upravljanju poljoprivrednim gospodarstvom koji koristi prostorne podatke i naprednu tehnologiju za donošenje odluka na razini podoblasti, umjesto da se cijelo poljoprivredno gospodarstvo tretira kao jedinstvena jedinica. Kombinira GPS (Globalni sustav pozicioniranja) prijemnike, IoT (Internet stvari) senzore tla, kamere postavljene dronovima i satelitske snimke kako bi pružio detaljne, lokacije-specifične informacije o stanju usjeva, svojstvima tla i potrebama za resursima.

Rezultat je upravljanje poljoprivrednim gospodarstvom temeljeno na podacima. Umjesto primjene univerzalne doze gnojiva na cijelom polju, sustav precizne poljoprivrede identificira zone s različitim potrebama za hranjivim tvarima i u skladu s tim primjenjuje varijabilne doze.

To smanjuje otpad ulaznih elemenata, snižava operativne troškove i proizvodi mjerljive ekološke koristi koje se mogu kvantificirati za programe ugljičnih kredita. Precizni alati doprinose ugljičnim rezultatima na više načina.

• Optimizacija primjene gnojiva smanjuje emisije dušikovog oksida (N2O), stakleničkog plina otprilike 273 puta jačeg od CO2 tijekom razdoblja od 100 godina. Primjena dušika varijabilnom dozom može smanjiti emisije N2O i do 20-30% u usporedbi s ujednačenom primjenom, prema istraživanju objavljenom u European Journal of Agronomy.
• Poboljšanje rasporeda navodnjavanja pomoću senzora vlažnosti tla smanjuje potrošnju energije na crpnim stanicama i ograničava zbijanje tla, što oboje smanjuje ugljični otisak navodnjavanja.
• Održavanje zdravlja tla smanjenom obradom tla čuva agregatnu strukturu tla, štiteći organsku tvar koja dugoročno zadržava ugljik.
• Smanjenje potrošnje goriva putem planiranja puta strojeva vođenog GPS-om smanjuje potrošnju dizela, izravno smanjujući emisije CO2 iz terenskih radova.

1. Održive poljoprivredne prakse koje generiraju ugljične kredite

Nisu sve poljoprivredne aktivnosti kvalificirane za ugljične kredite. Odobrene prakse moraju dokazivo povećati ugljik u tlu, smanjiti emisije ili oboje. Sljedeće prakse imaju utvrđene metodologije u okviru glavnih registara ugljika.

i. Obrezivanje korica uključuje sadnju nenovčanih usjeva tijekom izvan sezone kako bi se održalo živo korijenje u tlu. Korijenje kontinuirano luče šećere koji hrane mikrobe u tlu, koji pretvaraju organsku tvar u stabilan humus, dugovječni oblik ugljika u tlu. Pokrovni usjevi također sprječavaju eroziju, koja fizički uklanja površinski sloj tla i ugljik u njemu.

ii. Nulta obrada tla i smanjena obrada tla minimizirati poremećaje tla, čuvajući fizičku strukturu tla. Konvencionalna obrada tla brzo oksidira ugljik u tlu izlaganjem organske tvari zraku. Istraživanje objavljeno u časopisu Soil and Tillage Research pokazalo je da dugoročna primjena bezoranja povećava koncentraciju organskog ugljika u tlu u gornjih 30 cm u prosjeku 10-30% u usporedbi s konvencionalnom obradom tla tijekom desetogodišnjeg razdoblja.

iii. Zadržavanje ostataka usjeva zadržava biomasu nakon žetve na površini polja umjesto da je spaljuje ili uklanja. Kako se ostaci razgrađuju, oni doprinose organskoj tvari tlu i hrane mikrobne zajednice odgovorne za fiksaciju ugljika. Satelitske snimke mogu mjeriti postotke pokrivenosti ostacima nakon žetve s mjerljivom točnošću.

Daljinsko istraživanje ne promatra poljoprivredu samo odozgo. Ono pretvara raspršene podatke s terena u jedinstven, znanstveno obranjiv zapis o tome kako se zemljištem upravlja i koliko ugljika ono sadrži.

iv. Precizno upravljanje hranjivim tvarima koristi tehnologiju promjenjive doze za primjenu gnojiva gdje je potrebno, u pravim količinama, u pravo vrijeme. To smanjuje količinu viška dušika koji bakterije u tlu pretvaraju u dušikov oksid, izravno smanjujući staklenički otisak usjeva.

v. Agrošumarstvo i višegodišnji usjevi Vezuju ugljik i iznad zemlje u drvenastoj biomasi i ispod zemlje putem opsežnih, dugovječnih korijenskih sustava. Drveće može skladištiti ugljik desetljećima, što ga čini visokovrijednim kandidatima za projekte ugljičnih kredita koji zahtijevaju trajnost.

Uloga daljinskog istraživanja u mjerenju ugljičnih kredita

Programi ugljičnih kredita zahtijevaju dokaze. Registri ne mogu prihvatiti samoprijavljenu tvrdnju poljoprivrednika da su pokrovni usjevi zasađeni ili da je obrada tla smanjena. Provjera zahtijeva objektivne, reproducibilne i provjerljive podatke, po mogućnosti iz izvora koji se ne mogu manipulirati naknadno. Daljinsko istraživanje pruža upravo to.

Satelitska i dronovima snimljena promatranja pokrivaju ogromna područja istovremeno, nudeći razinu prostorne pokrivenosti koju terenska istraživanja jednostavno ne mogu ekonomski dostići. Tržište poljoprivrednih satelita za mjerenje ugljika u MRV-u procijenjeno je na 3,2 milijarde USD u 2025. godini i predviđa se da će dosegnuti 8,7 milijardi USD do 2034. na 12,8% složene godišnje stope rasta, što signalizira kako je satelitsko praćenje postalo središnje za klimatske programe diljem svijeta.

Atlas održivosti (2026.) otkrio je da su satelitski sustavi verifikacije smanjili troškove mjerenja ugljika u tlu za 40% u usporedbi s tradicionalnim uzorkovanjem na terenu, s ulaganjem u digitalna MRV rješenja koja dosežu 2,3 milijarde američkih dolara u 2025. Poljoprivrednici i razvojni inženjeri projekata sada mogu pristupiti vjerodostojnom praćenju ugljika bez previsokih troškova po hektaru ponovljenih kampanja uzorkovanja tla.

1. Tehnologije daljinskog istraživanja korištene u programima ugljika

Ovisno o razmjeru, vrsti usjeva i cilju mjerenja ugljika koristi se nekoliko vrsta senzora. Svaki donosi različite prednosti.

1. Multispektralni senzori hvataju reflektiranu svjetlost u diskretnim valnim duljinama, uključujući vidljivo crveno, blisko infracrveno i kratkovalno infracrveno zračenje. Izračunavaju indekse vegetacije kao što je NDVI (Normalizirani indeks razlike vegetacije), omjer koji uspoređuje reflektanciju bliskog infracrvenog zračenja s reflektancom crvene svjetlosti.

Zdrava, gusta vegetacija reflektira više bliskog infracrvenog zračenja i apsorbira više crvenog svjetla, što stvara visoku vrijednost NDVI-ja. NDVI se široko koristi kao zamjena za gustoću biomase i fotosintetsku aktivnost, a oboje je u korelaciji s unosom ugljika.

2. Hiperspektralni senzori uhvatiti stotine uskih, susjednih valnih duljina umjesto nekoliko širokih. Ova finija spektralna rezolucija omogućuje im otkrivanje suptilnih razlika u biokemiji biljaka, uključujući sadržaj klorofila, vodu u listu i koncentraciju lignina.

Ova svojstva su usko povezana s nadzemnim sadržajem ugljika i mogu se koristiti za modeliranje biomase usjeva s većom preciznošću od širokopojasnih multispektralnih podataka.

3. LiDAR (detekcija i određivanje udaljenosti svjetlosti) ispaljuje tisuće laserskih impulsa u sekundi na površinu tla i mjeri vrijeme potrebno da se svaki impuls vrati. Rezultat je detaljan trodimenzionalni oblak točaka krajolika, koji obuhvaća visinu vegetacije, gustoću krošnji i topografiju terena.

Biomasa se procjenjuje kombiniranjem ovih strukturnih mjerenja s alometrijskim jednadžbama, matematičkim odnosima koji pretvaraju visinu i volumen u suhu masu i sadržaj ugljika. Studija iz 2025. u ScienceDirectu otkrila je da mjerenje sekvestracije ugljika temeljeno na LiDAR-u postiže znatno niže stope pogrešaka od konvencionalnih metoda terenskog popisa za šumovita obradiva zemljišta i agrošumarske sustave.

4. SAR (Radar sa sintetičkim otvorom blende) prenosi mikrovalnu energiju i mjeri energiju reflektiranu od površine. Za razliku od optičkih senzora, SAR prodire kroz oblake i radi noću, što ga čini vrijednim u tropskim poljoprivrednim regijama gdje postojani oblaci blokiraju optičke satelite tjednima. SAR je posebno učinkovit za mjerenje vlažnosti tla, otkrivanje golih naspram obraslih površina i procjenu biomase krošnji putem analize intenziteta povratnog raspršenja.

5. Daljinsko istraživanje pomoću dronova pruža prostornu rezoluciju na centimetarskoj razini koju sateliti ne mogu dostići. Dronovi opremljeni multispektralnim ili RGB kamerama lete na maloj visini kako bi izradili izuzetno detaljne karte pojedinačnih polja.

U programima ugljika, dronovi se koriste za lokalnu validaciju satelitskih promatranja i za procjene na malim ili fragmentiranim poljima gdje je veličina piksela satelita pregruba da bi se razaznale granice upravljanja. Glavne satelitske platforme koje podržavaju praćenje ugljika uključuju sljedeće:

• Landsat (NASA/USGS): Rezolucija od 30 metara s učestalošću ponovnih posjeta od 16 dana. Njegova povijesna arhiva koja datira još od 1972. godine čini ga okosnicom dugoročne analize promjena korištenja zemljišta i osnovnog mapiranja.
• Sentinel-1 i Sentinel-2 (ESA): Sentinel-2 pruža 10-metarske multispektralne snimke s 5-dnevnim ponovnim pregledom, što ga čini idealnim za sezonsko praćenje usjeva. Sentinel-1 SAR nadopunjuje optičke podatke tijekom oblačnih razdoblja.
• MODIS (NASA): Rezolucija od 250-500 metara s dnevnim globalnim pokrivanjem. Koristi se za analizu velikih vremenskih serija produktivnosti vegetacije i promjena korištenja zemljišta u cijelim regijama.
• PlanetScope: Komercijalna konstelacija koja pruža dnevne snimke rezolucije od 3 metra, omogućujući detekciju na podoblasti na pojedinačnim poljoprivrednim operacijama.

Kako GeoPard podržava programe ugljičnih kredita

GeoPard Agriculture je platforma za preciznu poljoprivredu koja kombinira satelitske snimke, radarske podatke i topografsku analitiku kako bi pomogla poljoprivrednicima u provedbi i praćenju praksi koje generiraju verificirane ugljične kredite. Integrira ugljičnu poljoprivredu izravno u svakodnevno upravljanje poljoprivredom, umjesto da je tretira kao zasebnu aktivnost.

1. Implementacija prakse vođena satelitskim podacima

GeoPard koristi satelitske i radarske podatke za identifikaciju zona polja s niskim učinkom pogodnih za pokrovne usjeve, agrošumarstvo ili smanjenje obrade tla. Njegovo rješenje za praćenje usjeva vodi odluke o rotaciji koje poboljšavaju strukturu tla i povećavaju dugoročni kapacitet skladištenja ugljika.

Topografska analiza točno određuje koja područja polja imaju najviše koristi od određenih vrsta pokrovnih usjeva, uklanjajući nagađanja iz prakse koja izravno potiče sekvestraciju ugljika.

2. Smanjenje emisija i sljedivost MRV-a

Za smanjenje CO2, GeoPard podržava prihvaćanje nulte obrade tla i upravljanje ostacima pomažući poljoprivrednicima da se odmaknu od konvencionalnog poremećaja tla. Za smanjenje N2O, omogućuje 4R upravljanje hranjivim tvarima, primjenjujući pravo gnojivo, u pravoj količini, vremenu i mjestu, smanjujući višak dušika koji se u tlu pretvara u dušikov oksid.

Što se tiče MRV-a, GeoPardovi satelitski slojevi podataka stvaraju kontinuirani, vremenski označeni zapis terenskih aktivnosti tijekom vegetacijske sezone. Ovi prostorni dokazi podržavaju zahtjeve mjerenja i izvješćivanja, dajući trećim stranama verifikatore objektivne podatke za potvrdu da su se navedene prakse doista dogodile.

Izravnim povezivanjem dnevnih poljoprivrednih odluka s mjerljivim rezultatima ugljika, GeoPard omogućuje poljoprivrednicima svih veličina da s povjerenjem sudjeluju u programima ugljičnih kredita.

Kako daljinsko istraživanje omogućuje ugljične kredite: korak po korak

1. Mapiranje osnovnih podataka

Prije nego što projekt ugljika može izdati bilo kakve kredite, mora uspostaviti vjerodostojnu početnu vrijednost, kvantificirani pregled količine ugljika koju područje projekta već sadrži i koje su prakse upravljanja zemljištem trenutno na snazi. Ova početna vrijednost je referenca prema kojoj se mjere sva buduća poboljšanja.

Daljinsko istraživanje omogućuje mapiranje osnovnih podataka putem nekoliko integriranih analiza. Mapiranje vegetacije korištenjem NDVI podataka i podataka o indeksu lisne površine identificira postojeće vrste usjeva, gustoću biomase i obrasce vegetacijske sezone.

Analiza povijesnog korištenja zemljišta korištenjem Landsatove višedesetljetne arhive otkriva je li polje bilo pod konvencionalnom obradom, travnjacima ili mješovitim kulturama posljednjih deset do dvadeset godina. Ova povijest je važna jer razine ugljika u tlu odražavaju kumulativno upravljanje tijekom desetljeća, a ne samo tekuću sezonu.

Mapiranje svojstava tla kombinira hiperspektralne satelitske podatke s uzorcima tla s terena kako bi se stvorile prostorno kontinuirane karte organskog ugljika u tlu, teksture i sadržaja gline. Identifikacija granica projekta koristi GPS-registrirane satelitske snimke za definiranje točnih geografskih granica projekta ugljika, što je uvjet za sve glavne registre ugljika, uključujući Verru i Gold Standard.

2. Provjera prakse

Registri ugljika zahtijevaju kontinuirane dokaze da se održive prakse istinski provode, a ne samo da se o njima tvrdi. Daljinsko istraživanje pruža te dokaze putem analize vremenskih serija satelitskih snimaka tijekom cijelih vegetacijskih sezona.

i. Detekcija pokrovnih usjeva koristi zimske vegetacijske indekse za identifikaciju aktivno rastućeg pokrova tla između ciklusa komercijalne kulture. Polje s pokrovnim usjevima pokazuje značajno više vrijednosti NDVI-ja tijekom izvan sezone u usporedbi s golim poljem.

Istraživanje objavljeno u Nacionalnom centru za biotehnološke informacije (2024.) korištenjem podataka Sentinel-2 u Južnoj Dakoti postiglo je točnost klasifikacije veću od 80% za otkrivanje prisutnosti pokrovnih usjeva i intenziteta obrade tla na poljima kukuruza i soje.

Studija ScienceDirecta (2024.) implementirala je MRV cjevovod preko 553.743 hektara i izmjerena smanjenja emisija 398.408,5 tCO2e tijekom tri uzastopna izdavanja ugljičnih kredita, pripisujući smanjenja prvenstveno pokrivanju uvođenja usjeva i smanjenja intenziteta obrade tla. Satelitski MRV sustavi sada mogu raditi na razini cijelih poljoprivrednih regija, a ne samo na pojedinačnim projektnim lokacijama.

ii. Verifikacija nulte obrade tla oslanja se na praćenje površine tla između žetve i sadnje. Nakon žetve bez oranja, ostaci ostaju na površini, a vrijednosti NDVI-ja ostaju umjereno povišene zbog refleksije ostataka. Obrađeno polje pokazuje nagle promjene u teksturi površine i spektralnom potpisu koje se mogu uočiti na satelitskim snimkama od 10-30 metara. SAR podaci nadopunjuju optičku analizu otkrivanjem promjena vlažnosti tla povezanih s mehaničkim poremećajima.

iii. Praćenje zadržavanja ostataka usjeva koristi kratkovalne infracrvene pojaseve za procjenu postotka ostataka usjeva koji prekrivaju tlo nakon žetve. Ostaci imaju jasan spektralni potpis u usporedbi s golim tlom, što omogućuje indeksima pokrivenosti ostacima dobivenim iz satelita da procijene je li pokrivena površina 30%, 50% ili 70%, pragovi koji izravno određuju prihvatljivost i volumen kredita u mnogim metodologijama.

iv. Praćenje plodoreda prati promjene u vrsti usjeva tijekom više sezona koristeći spektralne podatke vremenskih serija. Različiti usjevi imaju jedinstvene fenološke otiske, obrazac ozelenjavanja, vrhunca rasta i starenja tijekom vegetacijske sezone. Sentinel-2-ova petodnevna učestalost ponovnih posjeta dovoljno precizno bilježi tu dinamiku da razlikuje kukuruz od soje od pšenice tijekom uzastopnih godina.

3. Procjena biomase i zaliha ugljika

Mjerenje zaliha ugljika zahtijeva pretvaranje vidljivih svojstava vegetacije i tla u kvantitativne procjene uskladištenog ugljika. Daljinsko istraživanje osigurava ovaj proces putem više tokova podataka.

Nadzemna biomasa (AGB) Procjena koristi visinu vegetacije iz LiDAR podataka, gustoću krošnje iz optičkih snimaka i indeks lisne površine (LAI) izveden iz reflektancije bliskog infracrvenog zračenja. Ovi unosi daju alometrijske jednadžbe koje daju procjene biomase u tonama po hektaru. Sadržaj ugljika obično se izračunava kao približno 47-50% težine suhe biomase, faktora konverzije koji su IPCC i FAO potvrdili za stotine vrsta.

Organski ugljik u tlu (SOC) Procjena je složenija jer se ugljik ispod zemlje ne može izravno promatrati odozgo. Daljinsko istraživanje doprinosi hiperspektralnim snimkama koje detektiraju spektralne potpise organske tvari u tlu na golim ili slabo obraslim poljima te podacima o vlažnosti tla dobivenim SAR-om koji utječu na brzinu izmjene ugljika.

Ovi podaci daljinskog istraživanja kombiniraju se s modelima temeljenim na procesima poput RothC-a ili CENTURY-ja, koji simuliraju kako se organska tvar razgrađuje i stabilizira u različitim klimatskim i upravljačkim uvjetima.

Vjerodostojnost ugljičnog kredita u potpunosti ovisi o preciznosti mjerenja koje stoji iza njega. Daljinsko istraživanje pretvara provjeru ugljika iz skupe terenske vježbe u kontinuirani, podaci utemeljeni na revizijskom tragu.

Algoritmi strojnog učenja, uključujući slučajne šume, pojačavanje gradijenta i modele dubokog učenja, sve se više koriste za integraciju ulaznih podataka daljinskog istraživanja s terenskim mjerenjima.

Istraživanje objavljeno u PeerJ-u (2024.) pokazalo je da modeli strojnog učenja koji kombiniraju multispektralne satelitske indekse s ograničenim uzorkovanjem tla mogu predvidjeti organski ugljik u tlu s konkurentnom točnošću, smanjujući broj destruktivnih uzoraka tla potrebnih za validaciju projekta.

Mjerenje, izvještavanje i verifikacija (MRV): Osnove ugljičnih kredita

MRV (Mjerenje, Izvještavanje i Verifikacija) je okvir upravljanja koji odvaja vjerodostojne ugljične kredite od neprovjerljivih tvrdnji. Svaki veći registar ugljika zahtijeva da projekti slijede odobreni MRV protokol. Daljinsko istraživanje postalo je sastavni dio sve tri faze.

1. Mjerenje: Prikupljanje podataka

Mjerenje uključuje prikupljanje sirovih podataka iz kojih se izračunavaju količine ugljika. U satelitskim programima to počinje automatiziranim unosom multispektralnih i SAR snimaka u redovitim intervalima tijekom vegetacijske sezone.

Istraživanja dronovima pružaju podatke visoke rezolucije s tla u ključnim fenološkim fazama. Ciljane kampanje uzorkovanja tla prikupljaju terenska mjerenja kako bi se kalibrirale i validirale procjene zaliha ugljika dobivene satelitskim putem. Algoritmi za procjenu biomase rade na kombiniranim podacima kako bi se dobile vrijednosti zaliha ugljika na terenu.

2. Izvještavanje: Pretvaranje mjerenja u kredite

Izvještavanje pretvara obrađene podatke u formalni dokumentacijski paket koji se podnosi registru ugljika. To uključuje proračunske tablice za obračun ugljika, prostorne karte projektnih aktivnosti, dokaze o provedbi prakse i modelirane promjene zaliha ugljika tijekom razdoblja provjere.

Potrebna je usklađenost s međunarodnim standardima, uključujući ISO 14064-2 i smjernice Protokola o stakleničkim plinovima. Arhiva satelitskih vremenskih serija služi kao zapisi zaštićeni od neovlaštenog mijenjanja koji potkrepljuju svaku prijavljenu brojku.

3. Provjera: Neovisna potvrda

Neovisni verifikatori pregledavaju dostavljenu dokumentaciju i neovisno procjenjuju jesu li prijavljeni ugljični ishodi stvarni, dodatni (što znači da se ne bi dogodili bez projekta) i trajni.

Dokazi daljinskog istraživanja, uključujući arhive satelitskih snimaka i istraživanja dronovima, pružaju verifikatorima objektivne podatke za usporedbu s tvrdnjama projekta. Analiza vremenskih serija otkriva nedosljednosti, poput poljoprivrednika koji tvrdi da je poljoprivreda obrađena bez obrađivanja tla za polje koje pokazuje spektralne potpise mehaničkih poremećaja.

Otkrivanje prijevara putem algoritama točaka promjene sve se više ugrađuje u digitalne MRV platforme kako bi se označile anomalije prije nego što dođu do faze provjere.

Prema podacima koje je izvijestio Marq Stats (2026.), konvergencija satelitskih snimaka visoke rezolucije i strojnog učenja smanjila je trošak MRV-a po farmi za 70-90% između 2018. i 2025. godine, što je omogućilo Indigo Carbonu upravljanje preko 8 milijuna upisanih hektara u 28 američkih saveznih država s 85% smanjenje administrativnog opterećenja prikupljanja podataka.

Smanjenje troškova u ovom opsegu znači da mali poljoprivrednici i srednja poduzeća sada mogu sudjelovati u programima ugljičnih kredita koji su prije bili dostupni samo velikim proizvođačima roba.

4. Kako MRV određuje stvarnu vrijednost ugljičnog kredita

MRV nije samo zahtjev za usklađenost. On određuje ima li ugljični kredit stvarnu tržišnu vrijednost ili ne. Kupci, investitori i regulatori određuju cijenu ugljičnih kredita na temelju toga koliko se pouzdano može provjeriti temeljni ugljik. Kredit sa slabim MRV-om trguje se s popustom ili se u potpunosti odbija.

Bez vjerodostojnog MRV-a, ugljični krediti postaju nagađanje. Poljoprivrednik bi mogao tvrditi da su pokrovni usjevi zasađeni, a nisu. Investitor u projekt mogao bi precijeniti dobitke ugljika iz tla. Kupci bi mogli nesvjesno financirati projekte koji ne donose stvarnu korist za klimu. MRV zatvara svaku od ovih praznina zahtijevajući dokumentirane, provjerljive i standardizirane dokaze u svakom koraku.

Za poljoprivrednike, snažan MRV ide u njihovu korist. Uklanja teret samostalnog izvještavanja i zamjenjuje ga dokazima potkrijepljenim satelitima koje nijedan registar ili kupac ne može osporiti. Taj prelazak s provjere temeljene na povjerenju na provjeru temeljenu na podacima omogućuje malim poljoprivrednicima da se natječu na istim tržištima ugljika kao i velika poljoprivredna poduzeća.

Za tržište ugljika u cjelini, vjerodostojno MRV (izvješće, izvještaji i ispitivanja) je ono što razlikuje istinsko djelovanje u vezi s klimom od greenwashinga. Svaka tona CO2 koja se broji dvaput, procjenjuje labavo ili tvrdi bez dokaza slabi cijeli sustav.

MRV s daljinskim istraživanjem zatvara taj jaz tako što mjerenje čini objektivnim, izvještavanje standardiziranim, a provjeru neovisnom. Zato ugljični krediti podržani satelitskim MRV-om sada imaju cjenovnu premiju od 15-25% na dobrovoljnim tržištima - kupci plaćaju više jer je teže osporiti znanost koja stoji iza kredita.

Prednosti daljinskog istraživanja za programe ugljičnih kredita

Prednosti daljinskog istraživanja u odnosu na isključivo terensko praćenje ugljika su značajne i složene kako se programi proširuju kako bi pokrili više zemljišta.

1. Praćenje velikih razmjera postaje izvedivo uz znatno niže troškove. Jedna scena Sentinela-2 pokriva 100 puta 100 kilometara, prateći tisuće farmi u jednom prolazu bez ikakvog sudjelovanja zemaljske posade.
2. Verifikacija je brža i manje radno intenzivna. Programi ugljika koji su prije zahtijevali mjesece terenskih posjeta mogu dovršiti praktičnu verifikaciju u roku od nekoliko dana korištenjem automatiziranih satelitskih analiza.
3. Transparentnost se povećava za kupce, registre i investitore. Satelitske arhive stvaraju objektivan, reproducibilan zapis o tome što se dogodilo na terenu tijekom razdoblja projekta, neovisno o interesu bilo koje zainteresirane strane.
4. Ljudska pogreška je smanjena. Automatizirana klasifikacija slika i modeliranje ugljika primjenjuju dosljedne algoritme na svim područjima projekta, eliminirajući varijacije koje uvode različiti terenski procjenitelji koristeći različite metode uzorkovanja.
5. Povjerenje investitora raste. Institucionalni kupci sve više zahtijevaju kvantitativnu, podacima potkrijepljenu kreditnu validaciju prije ulaganja kapitala u projekte ugljika. Krediti potkrijepljeni daljinskim istraživanjem s oznakama Temeljnih načela ugljika (CCP) sada su važeći. 15-25% premije cijene, prema podacima Vijeća za integritet dobrovoljnog tržišta ugljika za 2025. godinu.

Bolje donošenje odluka dolazi do svake zainteresirane strane. Poljoprivrednici dobivaju prostorno eksplicitne povratne informacije o tome koja polja dobro ili loše funkcioniraju u pogledu ugljičnih ishoda. Razvojni programeri mogu dodijeliti resurse za praćenje zonama visokog rizika. Registri mogu dati prioritet naporima provjere na temelju automatiziranog otkrivanja anomalija.

Izazovi i ograničenja na tržištima ugljika

Daljinsko istraživanje je moćno, ali ne i neograničeno. Razumijevanje njegovih trenutnih ograničenja ključno je za osmišljavanje programa ugljika koji ostaju znanstveno obranjivi.

1. Oblačnost ostaje stalna prepreka za optičke satelitske senzore u tropskim i monsunima pogođenim poljoprivrednim regijama. Tijekom ključnih razdoblja vegetacijske sezone, uzastopna promatranja bez oblaka mogu biti nemoguća, što stvara praznine u evidenciji praćenja. SAR djelomično kompenzira to, ali integracija skupova podataka s više senzora dodaje složenost obrade.
2. Ugljik ispod zemlje ne može se izravno promatrati iz svemira. Procjena organskog ugljika u tlu putem daljinskog istraživanja uvijek ovisi o modelu, oslanjajući se na površinske spektralne vrijednosti i simulacije temeljene na procesima koje nose inherentnu nesigurnost.
3. Prostorna rezolucija ograničava detekciju praksi na malim poljima. U regijama u kojima dominira mala poljoprivreda s poljima manjim od jednog hektara, čak i pikseli Sentinel-2 od 10 metara mogu prelaziti više granica upravljanja, što otežava jasnu atribuciju praksi.
4. Validacija podataka s tla ostaje obavezna. Satelitski modeli zahtijevaju kalibraciju s uzorcima tla na terenu i terenskim promatranjima. Nijedna trenutna metodologija daljinskog istraživanja ne eliminira u potpunosti potrebu za podacima s tla.

Standardizacija u programima ugljika još je jedan izazov. Različiti registri prihvaćaju različite metodologije daljinskog istraživanja, različite satelitske platforme i različite pristupe modeliranju. Kredit validiran korištenjem jedne metodologije možda neće priznati kupac koji posluje prema drugom standardu, što stvara fragmentaciju tržišta koja ograničava likvidnost kredita i sudjelovanje poljoprivrednika.

Budućnost daljinskog istraživanja na tržištima ugljika

Tempo inovacija u satelitskoj tehnologiji, umjetnoj inteligenciji i digitalnoj poljoprivrednoj infrastrukturi sugerira da će se ograničenja današnjih sustava daljinskog istraživanja postupno rješavati tijekom sljedećeg desetljeća.

Umjetna inteligencija i strojno učenje već transformiraju procjenu ugljika. Modeli dubokog učenja obučeni na milijunima satelitskih piksela mogu identificirati obrasce obrade tla, vrste usjeva i promjene u praksi s većom točnošću i uz niže troškove po polju od bilo koje prethodne metode.

Modeli Frontier objavljeni u časopisu Remote Sensing of Environment (2024.) pokazali su da hiperspektralni modeli strojnog učenja mogu predvidjeti organski ugljik u tlu na kontinentalnim skalama s konkurentnom točnošću kada se treniraju na prostorno raznolikim bibliotekama spektara tla.

Komercijalne satelitske konstelacije visoke rezolucije, uključujući PlanetScopeovu dnevnu pokrivenost od 3 metra i nadolazeće sustave vrlo visoke rezolucije, omogućuju praćenje terenske prakse programima koji djeluju na razini pojedinačnih farmi.

Fuzija podataka s dronova i satelita omogućuje slojevit pristup nadzoru: sateliti pružaju kontinuiranu pokrivenost, dok dronovi pružaju detalje validacije kada i gdje je to najpotrebnije.

• Integracija interneta stvari omogućuje da se podaci senzora tla u stvarnom vremenu iz mreža sondi za vlagu i ugljik na terenu izravno šalju u cjevovode za kalibraciju daljinskog istraživanja, smanjujući ovisnost o periodičnom ručnom uzorkovanju tla.
• Digitalni blizanci za poljoprivredne krajolike pojavljuju se kao način simuliranja dinamike ugljika na cijeloj farmi korištenjem kombiniranih ulaznih podataka daljinskog istraživanja, vremena i tla. Ova simulacijska okruženja omogućuju razvojnim inženjerima da modeliraju scenarije “što ako” za različite kombinacije praksi prije nego što se obvežu na metodologiju.
• Praćenje ugljika omogućeno blockchainom povezuje satelitski verificirane događaje ugljika s nepromjenjivim zapisima iz glavne knjige, pružajući kupcima potpuni revizijski trag od terenskog promatranja do otpisa kredita.
• Automatizirane MRV platforme zamjenjuju ručne tijekove rada za slanje podataka. Tvrtke poput Agrene u Danskoj koriste podatke promatranja Zemlje za praćenje promjena u upravljanju zemljištem na tisućama farmi u EU, s ugljičnim kreditima koji se izdaju na temelju kontinuirane satelitske analize u skladu s Uredbom EU o ugljičnoj poljoprivredi (EU 2024/3012).

Praćenje ugljika u gotovo stvarnom vremenu, s učestalošću ponovnih satelitskih posjeta koja se približava svakodnevnoj i analitičkim cjevovodima koji obrađuju slike unutar nekoliko sati od akvizicije, uskoro će omogućiti otkrivanje promjena u praksi, poput povratka poljoprivrednika na obradu tla usred projekta, prije nego što dođe do značajnog gubitka ugljika. Globalne satelitske konstelacije i širenje infrastrukture za obradu čine ovu mogućnost dostupnom za glavne registre ugljika do kraja 2020-ih.

Zaključak

Kako daljinsko istraživanje omogućuje ugljične kredite svodi se na jednu ključnu prednost: nevidljivo pretvara u mjerljivo. Ugljik pohranjen u tlu i vegetaciji ne može se izravno vagati ili brojati. Ali poljoprivredne prakse koje određuju koliko ugljika krajolik sadrži, uključujući što se sadi, kako se tlom upravlja i kako se biomasa distribuira, ostavljaju uočljive spektralne i strukturne potpise koje sateliti, LiDAR sustavi i SAR platforme mogu promatrati, bilježiti i kvantificirati.

Od početnog mapiranja do provjere prakse, od procjene biomase do dokumentacije o mjerenju, ispitivanju i ispitivanju (MRV), daljinsko istraživanje pruža znanstvenu osnovu koja je potrebna tržištima ugljika za integritetno funkcioniranje. Veza između precizne poljoprivrede i tržišta ugljika nikada nije bila jača. Poljoprivrednici koji usvajaju prakse upravljanja temeljene na podacima ne samo da poboljšavaju svoju produktivnost. Oni generiraju vrstu provjerljivih, prostorno eksplicitnih dokaza o ugljiku koje registri, kupci i regulatori sve više zahtijevaju.

Praćenje evapotranspiracije daljinskim istraživanjem predstavlja jedan od najznačajnijih napredaka u poljoprivrednoj znanosti o vodi u posljednja dva desetljeća. Kombiniranjem satelitskih toplinskih podataka, indeksa vegetacije i fizike energetske bilance, znanstvenici i poljoprivrednici sada mogu procijeniti koliko vode napušta površinu zemlje na milijunima hektara - bez ijednog zemaljskog senzora.

Ova sposobnost mijenja način na koji agronomi planiraju navodnjavanje, kako vlade prate sušu i kako istraživači kvantificiraju vodni otisak cijelih riječnih slivova. Poljoprivreda troši otprilike 70% svih globalnih crpljenja slatke vode, no većina te vode nikada se izravno ne mjeri na razini polja - kritična praznina koju praćenje evapotranspiracije daljinskim istraživanjem brzo zatvara.

Što je evapotranspiracija?

Evapotranspiracija (ET) je kombinirani proces kojim se voda kreće s površine zemlje u atmosferu. Ima dvije komponente koje djeluju istovremeno: isparavanje, izravnu pretvorbu tekuće vode iz tla, vodenih površina i biljnih površina u vodenu paru; i transpiraciju, biološko kretanje vode koju apsorbira korijenje biljaka, prenosi prema gore kroz stabljiku i oslobađa kao para kroz sitne pore u listovima zvane stomate.

Zajedno, ova dva procesa čine najveći protok vode koji napušta kopneni ekosustav. U većini poljoprivrednih krajolika, ET vraća između 60 i 80 posto svih oborina natrag u atmosferu. Ta brojka čini ET dominantnom varijablom u ravnoteži kopnenih voda - utjecajnijom od otjecanja ili dubokog procjeđivanja u većini poljoprivrednih okruženja.

ET se nalazi u središtu hidrološkog ciklusa, povezujući površinu kopna, biosferu i atmosferu. Kada su stope ET-a visoke, vlažnost tla se brže smanjuje, riječni protoci se smanjuju, a stope obnavljanja vodonosnika padaju. Kada se ET uspori - zbog stresa suše, starenja usjeva ili promjene korištenja zemljišta - posljedice se šire kroz dostupnost vode nizvodno.

U klimatskoj znanosti, ET je primarni mehanizam spajanja ciklusa ugljika i vode. Biljke otvaraju svoje puči kako bi apsorbirale CO2 za fotosintezu, a pritom istovremeno oslobađaju vodenu paru. Svaka promjena u globalnom vegetacijskom pokrovu, temperaturi ili koncentraciji CO2 pomiče planetarnu ravnotežu ET-a i utječe na regionalne obrasce oborina.

Zašto je praćenje evapotranspiracije prioritet upravljanja vodama?

Precizni podaci o navodnjavanju potiču donošenje boljih odluka u više sektora. U poljoprivredi, poznavanje stvarne potrošnje vode na poljoprivrednim površinama govori upravitelju navodnjavanja točno koliko vode treba primijeniti, kada je primijeniti i gdje se razvijaju deficiti prije nego što se pojavi vidljivi stres na usjevu.

Ova preciznost sprječava i prekomjerno navodnjavanje, koje rasipa vodu i ispire hranjive tvari, i nedovoljno navodnjavanje, koje smanjuje prinos.

1. Raspored navodnjavanja: Raspored navodnjavanja temeljen na ET-u zamjenjuje nagađanje fizikom. Kada poljoprivrednik zna da kukuruzno polje u srpnju gubi 7 mm vode dnevno zbog ET-a, može nadoknaditi taj točno taj deficit umjesto navodnjavanja u fiksnom kalendarskom intervalu.

2. Praćenje suše: Trajni pad stvarnog ET-a u odnosu na referentni ET (ono što bi isparilo pri neograničenoj opskrbi vodom) signalizira nadolazeći stres uzrokovan sušom. Daljinsko istraživanje bilježi ovaj signal tjednima prije nego što gubitak prinosa postane vidljiv golim okom.

3. Planiranje vodnih resursa: Obračun voda na razini sliva zahtijeva ET podatke na razini sliva. Satelitsko ET praćenje pruža ovu prostornu pokrivenost uz djelić cijene mreže zemaljskih postaja.

4. Procjena klimatskih promjena: Dugoročni trendovi vanjske temperature otkrivaju kako zagrijavanje temperatura i promjena obrazaca oborina mijenjaju korištenje vode u ekosustavu - podaci koji informiraju planiranje prilagodbe na regionalnoj i nacionalnoj razini.

5. Praćenje zdravlja ekosustava: Stope etatskog izmjenjivanja u močvarama, transpiracija šuma i korištenje vode u travnjacima osjetljivo reagiraju na ekološke poremećaje. Daljinsko istraživanje etatskog izmjenjivanja bilježi te promjene u velikim, nepristupačnim krajolicima.

Koji čimbenici utječu na evapotranspiraciju?

Evapotranspiracija (ET) oblikovana je kombinacijom klimatskih uvjeta, karakteristika krajolika i biljne biologije. U nastavku slijedi pregled ključnih čimbenika.

1. Vrsta tla. Sastav tla igra značajnu ulogu u zadržavanju vode i isparavanju. Pjeskovita ili šljunčana tla obično zadržavaju manje vode, a više je otpuštaju isparavanjem, dok ilovasta ili glinom bogata tla bolje zadržavaju vlagu.

2. Temperatura zraka. Temperatura izravno utječe na brzinu ET-a. Topliji zrak ima veći kapacitet zadržavanja vlage, a povećana toplina ubrzava pretvorbu vode u paru, čime se povećava evapotranspiracija.

3. Sunčevo zračenje. Osim samog stvaranja topline, sunčevo zračenje uključuje varijacije u razinama energije, frekvenciji i albedu - a sve to utječe na ET. Ti se čimbenici razlikuju ovisno o lokaciji i dobu godine, a njihovo točno mjerenje često zahtijeva naprednu tehnologiju.

4. Vlažnost. Relativna vlažnost (RH) odnosi se na količinu vodene pare prisutne u zraku u odnosu na njegov maksimalni kapacitet. Kada je vlažnost visoka, zrak apsorbira manje dodatne vlage, što usporava ET. Suprotno tome, suši zrak može apsorbirati više pare, što dovodi do veće stope evapotranspiracije.

5. Biljni pokrov. Različite biljne vrste na različite načine komuniciraju s vodom. Neke učinkovito pohranjuju vodu tijekom sušnih razdoblja, dok je druge brže gube. Na stope navodnjavanja iscrpljivanjem (ET) utječu i starost biljke, zdravlje i dubina korijena - dublje korijenje omogućuje usjevima da dulje traju bez navodnjavanja. Ove fiziološke razlike znače da ET može uvelike varirati među vrstama usjeva, što zahtijeva prilagođene strategije navodnjavanja.

6. Brzina vjetra. Vjetar je glavni pokretač i isparavanja i transpiracije. Raspršuje vlažni sloj zraka koji se nakuplja iznad vegetacije, povećavajući ET. Također pomaže difuziji pare kroz pore biljaka, potičući transpiraciju. Međutim, izuzetno jaki, suhi vjetrovi ponekad mogu ometati difuziju pare, lagano smanjujući ET u određenim uvjetima.

Ključni koncepti evapotranspiracije

ET(0) odražava sposobnost atmosfere da potiče gubitak vode i isključivo je klimatski uvjetovan. ET(c) mjeri gubitak vode iz zdravih, dobro navodnjavanih usjeva koji rastu u idealnim uvjetima s punim potencijalom prinosa. Kada se usjevi suočavaju s neoptimalnim upravljanjem ili ekološkim izazovima, ET(c) se mora modificirati kako bi se dobio ET(c adj). Evapotranspiracija usjeva shvaća se kroz tri različita koncepta:

1. ET(0) — Referentna evapotranspiracija
2. ET(c) — Evapotranspiracija u standardnim uvjetima
3. ET(c adj) — Evapotranspiracija u nestandardnim uvjetima

1. Referentna evapotranspiracija — ET(0)

ET(0) predstavlja brzinu kojom voda isparava s dobro navodnjene referentne površine - obično modelirane kao idealizirani travnati pokrov koji zadovoljava određene kriterije.

Ova mjera obuhvaća isparavajuće potrebe atmosfere neovisno o vrsti usjeva, fazi rasta ili poljoprivrednim praksama. Budući da se pretpostavlja da je referentna površina potpuno vlažna, uvjeti tla isključeni su iz izračuna - čime se eliminira potreba za definiranjem zasebnih ET pragova za svaki usjev u svakoj fazi rasta.

ET(0) je u potpunosti vođen klimatskim varijablama, a tipične vrijednosti variraju ovisno o agroklimatskim zonama, iako ove brojke služe samo kao opće referentne vrijednosti.

2. Evapotranspiracija u standardnim uvjetima — ET(c)

ET(c) kvantificira vodu koju oslobađa zdrav, dobro nahranjen usjev uzgojen na velikim, adekvatno navodnjavanim poljima pod povoljnim vremenskim uvjetima, koji radi na vrhuncu produktivnosti. Izvodi se množenjem referentnog ET s koeficijentom usjeva K(c):

ET(c) = ET(0) × K(c)

3. Evapotranspiracija u nestandardnim uvjetima — ET(c adj)

ET(c adj) uzima u obzir odstupanja od idealnih uvjeta uzgoja u stvarnim uvjetima. Čimbenici poput pritiska štetnika i bolesti, nedostatka ili viška vode, slanosti tla i slabe plodnosti tla mogu uzrokovati značajnu razliku u stvarnoj potrošnji vode usjeva od ET(c). Koeficijent vodnog stresa K(s) uvodi se uz koeficijent usjeva kako bi se uhvatili ovi učinci:

ET(c adj) = ET(0) × K(c) × K(s)

Tradicionalne metode mjerenja evapotranspiracije

Prije daljinskog istraživanja, znanstvenici su mjerili ET izravnom fizičkom instrumentacijom. Svaka metoda dobro funkcionira na određenoj skali, ali nosi značajne kompromise koji ograničavaju široku poljoprivrednu primjenu. Neke od najboljih tehnika mjerenja ET-a na tlu su:

1. Lizimetar: Lizimetar (velika posuda napunjena zemljom i usjevima koji rastu, postavljena u ravnini s tlom) mjeri ET vaganjem bloka tla tijekom vremena. Kada se kontroliraju oborine i prikuplja drenaža, razlika u masi između vremenskih koraka jednaka je stvarnom ET-u.

Lizimetri pružaju najtočnija dostupna ET mjerenja, ali koštaju stotine tisuća dolara po jedinici, pokrivaju samo nekoliko četvornih metara i ne mogu prikazati prostornu varijabilnost stvarnog polja.

2. Sustav vrtložne kovarijance: Sustav vrtložne kovarijance mjeri ET izračunavanjem kovarijance između vertikalne brzine vjetra i koncentracije vodene pare iznad krošnje pomoću senzora brzog odziva. Pokriva "otisak" od nekoliko stotina metara do nekoliko kilometara, što ga čini daleko reprezentativnijim od lizimetra.

Međutim, instalacija i održavanje tornjeva za mjerenje fluksa košta od 50.000 do 300.000 USD, a globalna FLUXNET mreža ima samo oko 900 aktivnih lokacija - previše rijetka za praćenje poljoprivrednog ET-a na nacionalnoj razini.

3. Metoda Bowenovog omjera: Bowenova metoda omjera procjenjuje ET mjerenjem omjera osjetnog toplinskog toka (zagrijavanje zraka) i latentnog toplinskog toka (ET) korištenjem gradijenta temperature i vlažnosti iznad krošnje. Jednostavnija je od vrtložne kovarijance, ali zahtijeva homogene uvjete dohvata i ne može se koristiti na složenom terenu.

4. Izračuni ET-a temeljeni na meteorološkim stanicama Pomoću FAO Penman-Monteithove jednadžbe izračunava se referentni ET (ET0) iz podataka o temperaturi zraka, vlažnosti, brzini vjetra i zračenju. Ova se metoda široko koristi za planiranje navodnjavanja, ali daje referentni ET, a ne stvarni ET, jer pretpostavlja dobro zalijevanu referentnu kulturu, a ne stvarnu kulturu na polju.

Središnji problem svih zemaljskih metoda je razmjer. Jedan lizimetar predstavlja nekoliko četvornih metara. Toranj za mjerenje fluksa pokriva u najboljem slučaju nekoliko stotina hektara. No, moderno upravljanje poljoprivrednim vodama zahtijeva ET podatke na razini polja diljem cijelih riječnih slivova - prostorni izazov koji samo daljinsko istraživanje može riješiti.

Osnove daljinskog istraživanja za izvanzemaljski nadzor

Daljinsko istraživanje, u kontekstu ET praćenja, jest prikupljanje i analiza podataka dobivenih sa satelita ili zrakoplova radi procjene protoka vode koja napušta površinu zemlje bez fizičkog dodirivanja te površine.

Pristup funkcionira jer biljke i tlo izmjenjuju energiju s atmosferom na načine koji se mogu otkriti iz svemira - posebno putem emisije toplinskog infracrvenog zračenja. Kada biljka učinkovito transpirira, koristi dolaznu sunčevu energiju za isparavanje vode umjesto za zagrijavanje. Krošnja s dovoljnom vlažnošću tla ostaje relativno hladna.

Nasuprot tome, krošnja pod pritiskom vode zatvara puči kako bi sačuvala vodu, a budući da manje latentne topline (ET) troši dolaznu energiju, temperatura površine krošnje raste. To je temeljni fizički signal koji bilježi toplinsko daljinsko istraživanje.

Ključni fizički principi koji podupiru procjenu satelitskog ET-a

The energetska bilanca je upravljački okvir. Na bilo kojoj kopnenoj površini, neto zračenje (Rn) koje dolazi od sunca i atmosfere mora biti jednako zbroju triju ponora energije: toplinskog toka tla (G), osjetnog toplinskog toka (H, koji zagrijava zrak) i latentnog toplinskog toka (LE, koji pokreće ET). Zapisano kao jednadžba: Rn = G + H + LE. Procjenom Rn, G i H iz satelitskih podataka, model izvodi LE - a time i ET - kao rezidual.

1. Temperatura površine kopna (LST) izmjeren u toplinskom infracrvenom pojasu primarna je opažačka veličina koja se koristi za procjenu osjetnog toplinskog toka H. Toplija površina prenosi više topline u zrak (visoki H), ostavljajući manje energije za ET (niski LE). Hladnija, dobro navodnjavana površina ima niži H i viši LE.

2. Vegetacijski indeksi poput NDVI-ja bilježe koliko zelenog, fotosintetski aktivnog biljnog materijala prekriva površinu, što kontrolira stopu transpiracije. Gusta, zelena krošnja transpirira više od golog tla ili rijetkog sastojine.

3. Neto zračenje izračunava se iz kratkovalnih i dugovalnih zračećih tokova, koje daljinsko istraživanje procjenjuje iz podataka o albedu površine, vegetacijskom pokrovu i toplinskoj emisiji.

Satelitsko praćenje evapotranspiracije nije zamjena za podatke s terena - to je jedini alat koji može pružiti prostorno kontinuirane podatke o korištenju vode na razini na kojoj se zapravo donose poljoprivredne i hidrološke odluke.

Prednost daljinskog istraživanja u odnosu na zemaljske metode nije samo prostorna pokrivenost. Satelitski podaci pružaju sinoptička, ponovljiva mjerenja u vrlo heterogenim krajolicima - nešto što nijedna zemaljska mreža ne bi mogla replicirati uz usporedivu cijenu.

Izvori podataka daljinskog istraživanja za procjenu ET-a

Procjena ET-a iz svemira zahtijeva kombiniranje podataka s više vrsta senzora. Nijedan satelit ne pruža sve ulazne podatke potrebne za potpuni ET model, pa operativni ET proizvodi obično spajaju podatke s nekoliko platformi.

1. Satelitske platforme za procjenu ET-a

i. Landsat (USGS/NASA) radi neprekidno od 1972. i pruža multispektralne i termalne snimke prostorne rezolucije od 30 metara s ciklusom ponovnog pregledavanja od 16 dana. Njegova duga arhiva čini ga nezamjenjivim za povijesnu ET analizu i praćenje usjeva. Većina ET modela energetske bilance - uključujući SEBAL i METRIC - izvorno je dizajnirana oko Landsat podataka.

ii. Sentinel-2 (ESA) nudi 10-metarske multispektralne snimke s vremenom ponovnog pregleda od 5 dana za izračun indeksa vegetacije visoke rezolucije. Iako ne sadrži termalni pojas, nadopunjuje Landsat pružajući češće NDVI, EVI i LAI podatke više rezolucije za ET modele temeljene na vegetaciji.

iii. MODIS (Moderate Resolution Imaging Spectroradiometer, NASA) pruža dnevnu globalnu pokrivenost u rezoluciji od 250 m do 1 km. Njegova grublja prostorna rezolucija ograničava primjenu na terenu, ali ga čini idealnim za kontinentalno i globalno praćenje izvanzemaljskog prostora putem proizvoda poput MOD16.

iv. EKOSTRES (NASA) je postavljen na Međunarodnoj svemirskoj postaji i dostavlja toplinske infracrvene podatke rezolucije 70 metara s ciklusom ponovnog pregleda od 1 do 5 dana. ECOSTRESS je posebno dizajniran za mjerenje vodnog stresa usjeva i ET-a u bliskoj mjeri polja - prazninu u mogućnostima koju MODIS i raniji sateliti nisu mogli popuniti.

protiv VIIRS-a (Visible Infrared Imaging Radiometer Suite, NOAA/NASA) na satelitima Suomi NPP i JPSS nastavlja globalnu tradiciju dnevnog pokrivanja MODIS-a s poboljšanom kalibracijom senzora, podržavajući operativne ET proizvode na regionalnoj do globalnoj razini.

2. Promatranja izvanzemaljaca bespilotnim letjelicama i dronovima

Bespilotne letjelice (UAV-ovi ili dronovi) opremljene termalnim kamerama i multispektralnim senzorima mogu mapirati ET u prostornoj rezoluciji ispod metra nad pojedinačnim poljima. Termalna kamera montirana na dron izravno mjeri temperaturu krošnji, a kada se kombinira s meteorološkim podacima s tla, stvara ET karte u rezoluciji koju nijedan satelit ne može dostići.

• Termovizijske dronove otkriti područja biljaka s nedostatkom vode unutar polja prije pojave bilo kakvog vidljivog simptoma, omogućujući navodnjavanje promjenjivom brzinom na razini unutar polja.
• Multispektralni senzori na dronovima izračunavaju NDVI i EVI u centimetarskoj rezoluciji, koristeći ET modele temeljene na koeficijentu usjeva za precizno raspoređivanje polja.
• ET mapiranje visoke rezolucije iz bespilotnih letjelica posebno je vrijedno za specijalizirane kulture - voće, vinograde, povrće - gdje je varijabilnost unutar polja velika, a troškovi vodnog stresa veliki.

Ključne varijable daljinskog istraživanja korištene u ET praćenju

Svaka varijabla izvučena iz satelitskih podataka doprinosi određenom dijelu slagalice procjene ET-a. Razumijevanje što svaka varijabla mjeri i zašto je važna pomaže praktičarima da odaberu pravi model i ispravno interpretiraju rezultate.

1. Normalizirani indeks razlike vegetacije (NDVI) se izračunava kao (NIR – crvena) / (NIR + crvena) korištenjem reflektancije bliskog infracrvenog i crvenog pojasa. Kreće se od -1 do +1, s gustom zelenom vegetacijom koja obično ima vrijednost između 0,6 i 0,9. NDVI obuhvaća gustoću i zelenilo krošnje, što je izravno povezano s površinom lišća i transpiracijskim kapacitetom.

2, Poboljšani indeks vegetacije (EVI) dodaje plavi pojas kako bi se smanjile atmosferske smetnje i učinci pozadine tla koji degradiraju NDVI u gusto obraslim ili često oblačnim područjima. EVI je osjetljiviji od NDVI u područjima s visokom biomasom i koristi se u MOD16 ET algoritmu.

3. Indeks lisne površine (LAI) kvantificira ukupnu površinu lista s jedne strane po jedinici površine tla. Izravno kontrolira transpiraciju određivanjem koliko površine lista izmjenjuje vodenu paru s atmosferom. LAI dobiven satelitskim putem ključni je ulaz u mnoge fizički utemeljene ET modele.

4. Albedo površine je udio dolaznog sunčevog zračenja koji se reflektira od površine. Kontrolira koliko sunčeve energije površina apsorbira, što zauzvrat određuje koliko je energije dostupno za pokretanje vanzemaljskog zračenja. Tamno, vlažno tlo ima nizak albedo (apsorbira više energije); gola pješčana površina ima visoki albedo (reflektira više).

5. Vlažnost tla Podaci iz mikrovalnih senzora ograničavaju ET modele pokazujući je li u korijenskoj zoni dostupno dovoljno vode za podršku transpiracijskim potrebama. Kada vlažnost tla padne ispod kritičnog praga, stvarni ET pada ispod potencijalne brzine čak i ako je energija dostupna.

Bastiaanssen i sur. (kako je pregledano u Frontiers in Remote Sensing, 2026.) otkrili su da je SEBAL, validiran u više od 30 zemalja, postiže Točnost 85% za dnevne procjene ET-a i točnost 95% za sezonske procjene ET-a na terenu.

Sezonska točnost od 95% znači da se obračun vode u cijelom navodnjavajućem području može pouzdano provoditi samo pomoću satelitskih podataka, čime se eliminira potreba za gustim mrežama zemaljskih stanica.

Modeli procjene evapotranspiracije

1. Modeli energetske bilance

Modeli energetske bilance izračunavaju ET kao rezidual površinskog energetskog proračuna: ET = Rn – G – H. Svaki model se razlikuje u načinu na koji procjenjuje osjetni toplinski tok H, koji je računalno najzahtjevnija i najosjetljivija komponenta.

i. Algoritam ravnoteže površinske energije za kopno (SEBAL) je razvio Bastiaanssen 1998. godine i ostaje jedan od najčešće korištenih satelitskih ET modela globalno. SEBAL koristi tri ključna parametra izvedena iz satelita: temperaturu površine kopna (T0), površinsku hemisferičnu refleksiju (albedo r0) i NDVI.

Za procjenu osjetnog toplinskog toka, SEBAL identificira dva sidrena piksela - "vrući piksel" (suho golo tlo, gdje je ET blizu nule) i "hladni piksel" (dobro zalijevani usjev, gdje je ET na svom maksimumu) - i interpolira H preko scene u odnosu na te ekstreme. Ova značajka samokalibracije čini SEBAL manje osjetljivim na apsolutne pogreške kalibracije u meteorološkim ulazima.

ii. Mapiranje evapotranspiracije u visokoj rezoluciji s internaliziranom kalibracijom (METRIC) model se temelji na SEBAL-u, ali dodaje automatsku kalibraciju u odnosu na referentni ET izračunat s meteorološke stanice. METRIC je prikladniji za regije s potpunim mrežama meteoroloških podataka i široko je prihvaćen za operativno upravljanje navodnjavanjem u zapadnom dijelu Sjedinjenih Država.

iii. Sustav ravnoteže površinske energije (SEBS) koristi teoriju turbulentnog toka za procjenu osjetnog toplinskog toka iz LST-a dobivenog satelitskim mjerenjem, hrapavosti površine i brzine vjetra. SEBS je fizički rigorozniji od SEBAL-a, ali zahtijeva dodatne ulazne podatke, što ga čini prikladnijim za istraživanje nego za operativno upravljanje poljoprivrednim gospodarstvima.

Izbor ET modela nije samo tehnička odluka - to je odluka o tome na koje pitanje pokušavate odgovoriti. Vježba obračuna vode na razini sliva i alat za planiranje navodnjavanja na razini polja zahtijevaju fundamentalno različite razine prostorne rezolucije i vremenske učestalosti.

iv. Energetska bilanca dvaju izvora (TSEB) model tretira tlo i krošnju kao dva odvojena ET izvora, svaki sa svojom temperaturnom i energetskom ravnotežom. Ovaj pristup je točniji za rijetku vegetaciju ili miješane pokrove zemljišta gdje model s jednim izvorom može poistovjetiti isparavanje tla s transpiracijom biljaka.

2. ET modeli temeljeni na indeksu vegetacije

Nisu svi ET modeli potrebni termalni snimci. Modeli temeljeni na vegetacijskom indeksu procjenjuju ET kroz pristup koeficijentu usjeva (Kc x ET0), gdje je koeficijent usjeva Kc izveden iz NDVI ili EVI, a referentni ET (ET0) dolazi s meteorološke stanice. Metodologija FAO-56 formalizira ovaj pristup i široko se koristi za planiranje navodnjavanja jer ne zahtijeva podatke o toplinskim pojasevima.

Modeli strojnog učenja, uključujući Slučajna šuma, Umjetne neuronske mreže (ANN), i arhitekture dubokog učenja, sve se više primjenjuju na procjenu ET-a učenjem složenih nelinearnih odnosa između ulaznih podataka dobivenih sa satelita (LST, NDVI, albedo, LAI) i ET mjerenja tornja fluksa.

Studija iz 2023. objavljena u časopisu Remote Sensing of Environment otkrila je da model Random Forest, obučen na MODIS-u i meteorološkim ulazima, predviđa dnevni ET s R2 od 0,87 i RMSE od 0,51 mm/dan u različitim biomima - što je konkurentno tradicionalnim modelima energetske bilance, ali zahtijeva daleko manje napora parametrizacije.

Studija objavljena u Taylor i Francis Open (2021.) otkrila je da je SEBAL algoritam, primijenjen na snimke Landsat 8 iznad regije uzgoja kukuruza u Adani u Turskoj, dao ET procjene s koeficijent korelacije R = 0,91 u odnosu na FAO Penman-Monteith metodu i RMSE od samo 1,14 mm/dan.

SEBAL-ova točnost na terenu znači da satelitski izvedeni ET može zamijeniti ili znatno smanjiti potrebu za skupim instalacijama lizimetara u operativnim sustavima upravljanja navodnjavanjem.

Satelitski ET proizvodi dostupni za operativnu upotrebu

Nekoliko globalnih i regionalnih ET proizvoda sada pretvara podatke daljinskog istraživanja u spremne ET podatkovne slojeve. Praktičari više ne moraju pokretati vlastite modele energetske bilance - mogu izravno pristupiti tim unaprijed izračunatim skupovima podataka.

1. MOD16 ET proizvod (NASA) koristi MODIS podatke s Penman-Monteithovim algoritmom vođenim MODIS podacima o pokrovu zemljišta, LAI, EVI i globalnim meteorološkim podacima reanalize. Pruža 8-dnevne i mjesečne ET kompozitne podatke s rezolucijom od 500 metara globalno. MOD16 je dobro prilagođen za studije na razini krajolika, ali je pregrub za pojedinačno upravljanje terenom.

2. SSEBop (Simplified Surface Energy Balance operativni model), koji je razvio USGS, pojednostavljuje izazov kalibracije vrućih/hladnih piksela SEBAL-a korištenjem unaprijed definiranih temperaturnih granica izvedenih iz dugoročnih klimatoloških podataka. SSEBop operativno radi na rezoluciji od 30 metara koristeći Landsat podatke i čini jedan od šest modela unutar OpenET ansambla.

3. OpenET platforma, pokrenut 2021. godine i funkcionirajući kao javno-privatna suradnja koju su predvodili NASA-a, USGS, Kalifornijsko državno sveučilište Monterey Bay, Fond za zaštitu okoliša i Institut za istraživanje pustinja, pruža izvanzemaljske podatke na terenu s rezolucijom od 30 metara diljem zapada Sjedinjenih Država.

Značajna studija objavljena u časopisu Nature Water u siječnju 2024., u kojoj se uspoređuju procjene OpenET-a s mjerenjima sa 152 prizemne lokacije za mjerenje protoka, potvrdila je da OpenET postiže visoku točnost za jednogodišnje usjeve poput pšenice, kukuruza, soje i riže - posebno u sušnim regijama gdje nedostatak vode čini preciznost navodnjavanja najkritičnijom.

4. WaPOR portal (FAO) pruža ET podatke za Afriku i Bliski istok u rezoluciji od 30 metara, 100 metara i 250 metara, posebno osmišljene za podršku analizi produktivnosti poljoprivrednih voda u regijama u razvoju s nedostatkom podataka.

5. SJAJ (Globalni model isparavanja s kopna Amsterdam) odvaja ET na transpiraciju, isparavanje golog tla, gubitak interceptije i komponente isparavanja otvorene vode, vođene podacima o vlažnosti tla iz mikrovalova i satelitskim vegetacijskim produktima. Izvanredan je u dijeljenju ET signala na biološke i fizičke komponente.

Primjene daljinskog istraživanja

1. Precizno navodnjavanje i upravljanje vodom usjeva

Najneposrednija primjena satelitskih ET podataka je planiranje navodnjavanja. Kada poljoprivrednik pristupi tjednim ET kartama na razini polja, može izračunati deficit navodnjavanja - razliku između stvarnog ET-a i efektivnih oborina - i primijeniti točno tu količinu vode. Time se eliminira kronična navika prekomjernog navodnjavanja koja rasipa vodu bez povećanja prinosa.

U kalifornijskoj delti Sacramento-San Joaquin, upravitelji vodnih resursa koriste OpenET kako bi pomogli poljoprivrednicima da se pridržavaju državnih propisa koji zahtijevaju točno izvještavanje o korištenju vode.

Visoka točnost satelitskih ET podataka za jednogodišnje usjeve pruža pravno obranjivu osnovu za obračun vode koju nijedna zemaljska metoda ne bi mogla pružiti pri takvom prostornom pokrivanju.

Studija iz 2024. objavljena u časopisu Agricultural Water Management (Ott i sur., 2024.; Desert Research Institute) procijenila je OpenET u odnosu na podatke o mjerenju navodnjavanja u slivovima podzemnih voda Nevade.

U Diamond Valleyju, procjene OpenET-a pokazale su samo Razlika 7% od podataka o izmjerenoj potrošnji vode, demonstrirajući operativnu pouzdanost za regulatorno upravljanje podzemnim vodama.

Margina pogreške od 7% na razini bazena znači da satelitski ET podaci mogu zamijeniti skupu mjernu infrastrukturu u regijama gdje su podzemne vode kritično iscrpljene.

2. Procjena suše i sustavi ranog upozoravanja

Praćenje suše je još jedna primjena s velikim utjecajem. Indeks evaporativnog stresa (ESI), izveden iz toplinskih podataka ECOSTRESS-a i MODIS-a, mjeri omjer stvarnog ET-a i potencijalnog ET-a.

Kada ESI padne značajno ispod 1,0, to signalizira da biljke doživljavaju vodni stres - pouzdan rani pokazatelj poljoprivredne suše, često uočljiv 4 do 8 tjedana prije nego što gubitak prinosa usjeva postane mjerljiv.

Nacionalni centar za ublažavanje suše pri Ministarstvu poljoprivrede SAD-a integrira satelitske indekse suše temeljene na ET-u u operativne karte za praćenje suše koje koriste državne vlade, agencije za osiguranje usjeva i tijela za upravljanje u hitnim situacijama. Ova integracija čini odgovor na sušu bržim i bolje ciljanim od pristupa temeljenih samo na kalendaru ili oborinama.

3. Upravljanje vodnim resursima na razini sliva

Obračun vode na razini bazena zahtijeva poznavanje količine vode koja napušta površinu zemlje kao ET na milijunima hektara. To je upravo ono što satelitski ET proizvodi poput MOD16, GLEAM i WaPOR pružaju na globalnoj razini.

• Agencije za upravljanje rezervoarima koristiti ET podatke za procjenu prinosa vode iz sliva - razlike između oborina i ET - što određuje koliko vode zapravo dospijeva u rijeke i akumulacije.
• Tijela prekograničnog riječnog sliva primijeniti satelitski ET za neovisnu provjeru nacionalnih izvješća o korištenju vode bez potrebe za pristupom nacionalnim mrežama podataka o tlu.
• Upravitelji navodnjavačkih okruga koristiti ET za praćenje potrošnje po vrsti usjeva na cijelim područjima usluga, podržavajući pravednu raspodjelu vode i usklađenost s propisima.

4. Primjene u zaštiti okoliša i ekologije

Praćenje ET-a u močvarama pomoću satelitskih podataka kvantificira potrošnju vode u ekosustavu u nepristupačnim močvarama, tresetištima i estuarijima gdje se ne mogu postaviti zemaljski senzori. Praćenje ET-a u šumama otkriva kako deforestacija, pošumljavanje i šumski požari mijenjaju vodnu ravnotežu cijelih slivova - ključni podaci za obračun ugljika u šumama i planiranje opskrbe vodom.

Evapotranspiracija je nevidljiva nit koja povezuje svaku biljku na Zemlji s globalnim ciklusom vode. Daljinsko istraživanje jedini je alat koji imamo da to vidimo u mjeri koja je važna za upravljanje vodama.

Procjena točnosti i validacija satelitskih ET proizvoda

Nijedan ET proizvod nije koristan bez rigorozne validacije. Standardni pristup uspoređuje satelitske ET procjene s mjerenjima iz tornjeva za kovarijansu toka vrtložnih valova - najtočnijom dostupnom istinom o ET-u na krajobraznoj razini.

Globalni FLUXNET mreža pruža otvoreni pristup podacima o fluksnim tornjevima sa stotina lokacija u različitim biomima. Razvojni programeri ET proizvoda uspoređuju rezultate svojih modela s FLUXNET mjerenjima kako bi izračunali statističke metrike performansi, uključujući

• R2 (koeficijent korelacije),
• RMSE (korjen srednje kvadratne pogreške) i
• Pristranost (sustavno precjenjivanje ili podcjenjivanje).

Validacija se provodi odvojeno za različite tipove pokrova zemljišta, klimatske zone i godišnja doba, jer se točnost ET modela znatno razlikuje u tim uvjetima.

Modeli energetske bilance poput SEBAL-a i METRIC-a općenito najbolje funkcioniraju u polusušnim poljoprivrednim krajolicima s vedrim nebom. Performanse se smanjuju u vlažnim tropskim šumama, složenom planinskom terenu i područjima s čestim oblacima.

Studija točnosti OpenET-a objavljena u časopisu Nature Water usporedila je šest ET modela s mjerenjima iz 152 lokacije tornjeva za fluks diljem Sjedinjenih Država, otkrivši da je OpenET ansambl postigao najjače rezultate posebno za jednogodišnje usjeve u sušnim zapadnim regijama - područjima gdje je upravljanje navodnjavanjem ekonomski i ekološki najvažnije.

Upravitelji voda u sušnim regijama mogu s visokom pouzdanošću primijeniti OpenET podatke za usklađenost s propisima o navodnjavanju i praćenje proračuna za vodu, zamjenjujući skupu mjernu infrastrukturu.

Izazovi u daljinskom istraživanju izvanzemaljskog praćenja

Unatoč brzom napretku, nekoliko tehničkih i operativnih izazova ograničava točnost i primjenjivost satelitskog praćenja izvanzemaljskih plinova.

1. Ograničenja naoblake: Optičko i termalno daljinsko istraživanje zahtijeva uvjete bez oblaka. U vlažnim tropskim regijama ili tijekom monsunskih sezona, dugotrajna naoblaka može stvoriti praznine u podacima od nekoliko tjedana do mjeseci, prekidajući vremenski kontinuitet koji upravljanje navodnjavanjem zahtijeva.

2. Ograničenja prostorne rezolucije: MODIS, vremenski najčešći satelit, pruža ET podatke u rezoluciji od 500 metara - pregrubo za polja manja od oko 25 hektara. Landsatova rezolucija od 30 metara odgovara većini poljoprivrednih polja, ali dolazi s ciklusom ponovnog pregleda od 16 dana, što propušta brze promjene u vodnom stresu.

3. Kompromisi vremenske rezolucije: Visoka prostorna rezolucija (Landsat, Sentinel-2, ECOSTRESS) i visoka vremenska rezolucija (MODIS, VIIRS) postoje u obrnutom odnosu. Premošćivanje ovog jaza zahtijeva tehnike fuzije podataka.

4. Pretpostavke modela u heterogenim krajolicima: Modeli energetske bilance s jednim izvorom pretpostavljaju ujednačenu krošnju, koja se raspada u rijetkoj vegetaciji, miješanim sustavima uzgoja ili urbano-poljoprivrednim sučeljima gdje se temperature tla i biljaka oštro razlikuju.

5. Dostupnost podataka u regijama u razvoju: Podaci s meteoroloških postaja potrebni za ograničavanje ET modela oskudni su u većem dijelu podsaharske Afrike, Južne Azije i Srednje Azije - upravo u regijama gdje je najhitnije potrebno poboljšano upravljanje vodama.

Nove tehnologije i budućnost u ET praćenju

Nekoliko konvergentnih tehnoloških dostignuća spremno je dramatično proširiti točnost, pokrivenost i dostupnost daljinskog istraživanja izvanzemaljskog prostora u sljedećih pet do deset godina.

1. Umjetna inteligencija, strojno učenje i fuzija podataka

Modeli dubokog učenja obučeni na velikim skupovima podataka s više senzora počinju nadmašivati klasične modele energetske bilance u određenim krajolicima. Konvolucijske neuronske mreže mogu istovremeno integrirati podatke Landsat, Sentinel-2, MODIS i meteorološke reanalize, učeći prostorno-vremenske ET obrasce koje nijedan model s jednim senzorom ne obuhvaća.

U međuvremenu, algoritmi za fuziju podataka - najistaknutiji pristup STARFM (Spatial and Temporal Adaptive Reflectance Fusion Model) - spajaju Landsat snimke visoke rezolucije s dnevnim MODIS podacima kako bi se proizvele sintetičke dnevne ET karte rezolucije od 30 metara, učinkovito rješavajući prostorno-vremenski kompromis koji trenutno ograničava primjenu precizne poljoprivrede.

2. Termalni sateliti visoke rezolucije i konstelacije CubeSat

Sljedeća generacija namjenskih termalnih satelita za promatranje Zemlje pružat će termalne snimke ispod 30 metara s učestalošću svakodnevnog posjećivanja.

Planirane misije, uključujući nasljednika Landsat Nexta i komercijalne termalne konstelacije CubeSata, eliminirat će povijesni kompromis između prostornih detalja i vremenske frekvencije koji je ograničavao praćenje izvanzemaljskih površina na razini polja.

Kao što je navedeno u izvješću Future Market Insights (2025.), predviđa se da će tržište usluga daljinskog istraživanja - procijenjeno na 22,87 milijardi USD u 2025. - dosegnuti 84,28 milijardi USD do 2035., što će biti značajno potaknuto širenjem konstelacije satelita LEO.

3. Digitalni blizanci za upravljanje vodama

Okviri digitalnih blizanaca - dinamičke virtualne replike poljoprivrednih krajolika koje se ažuriraju gotovo u stvarnom vremenu sa satelitskih i IoT senzorskih podataka - integriraju ET daljinsko istraživanje kao temeljni tok podataka. Ovi sustavi sinkroniziraju satelitske ET karte, podatke senzora vlažnosti tla, vremenske prognoze i modele rasta usjeva kako bi simulirali buduće stanje vode na poljima i automatski propisali navodnjavanje.

Softver i alati za praćenje ET-a

Bogat skup platformi sada omogućuje analizu izvanzemaljskih istraživanja putem daljinskog istraživanja praktičarima bez dubokog iskustva u programiranju.

1. Google Earth Engine (GEE) je geoprostorna računalna platforma u oblaku koja sadrži kompletne arhive Landsat, MODIS, Sentinel i ECOSTRESS uz unaprijed izgrađene ET algoritme. Analitičari mogu izvoditi ET izračune za godine podataka za cijele regije bez lokalnog preuzimanja slika. GEE je postao dominantna istraživačka platforma za ET mapiranje velikih područja.

2. OpenET platforma pruža web sučelje gdje svaki registrirani korisnik može pristupiti ET podacima na razini polja za poljoprivredno zemljište diljem zapadnog dijela Sjedinjenih Država. Korisnici mogu izvesti dnevne, mjesečne ili sezonske ET sažetke za pojedinačna polja ili cijele vodoprivredne okruge, bez potrebe za znanjem programiranja.

3. WaPOR portal (FAO) pruža slično sučelje za preuzimanje ET-a jednostavnim klikom miša za Afriku i Bliski istok, s izravnim vezama na pokazatelje produktivnosti poljoprivrednih voda.

4. Tijekovi rada u Pythonu i R-u Korištenjem biblioteka kao što su rasterio, xarray, geopandas (Python) ili terra, raster (R) omogućuje istraživačima izgradnju prilagođenih cjevovoda za obradu ET-a koji integriraju satelitske podatke s lokalnim meteorološkim zapisima, modelima usjeva i bazama podataka o navodnjavanju.

Studije slučaja za daljinsko istraživanje izvanzemaljskog sustava

1. Upravljanje navodnjavanjem u aridnim regijama

U području vodonosnika visokih ravnica u Sjedinjenim Državama - jednoj od najintenzivnije navodnjavanih poljoprivrednih zona na Zemlji - istraživači iz Instituta za istraživanje pustinja pokazali su da OpenET podaci integrirani s klimatskim skupovima podataka mogu procijeniti volumene crpljenja podzemnih voda s dovoljnom točnošću da podrže regulatorno upravljanje opadanjem razina vodonosnika.

Studija je usporedila procjene satelitskog ET-a s podacima izmjerenih pumpi, pronašavši odstupanje manje od 17% u većini proučavanih bazena - razina točnosti dovoljna za upravljanje vodnim pravima.

2. Precizna poljoprivreda za sve vrste usjeva

Daljinsko istraživanje ET praćenja implementirano je za planiranje navodnjavanja pamuka korištenjem SEBAL i METRIC modela za mapiranje stvarnog ET-a na pojedinačnim poljima tijekom vegetacijske sezone.

Studije objavljene u Astrophysics Data Systemu (2020.) pokazale su da su oba modela otkrila stvarni ET veći od očekivanog tijekom ranih faza usjeva zbog visokog isparavanja s golog tla - nalaz koji je standardni pristup koeficijenta usjeva sustavno propuštao, što je dovelo do prekomjernog navodnjavanja u tom kritičnom razdoblju.

3. Obračun vode na razini sliva

FAO-ova WaPOR platforma korištena je za provođenje analize produktivnosti vode u sustavima navodnjavanja u Etiopiji, Egiptu i Jordanu, kvantificirajući ET po jedinici proizvedene biomase usjeva.

Ove su analize identificirale polja s produktivnošću vode ispod prosjeka sliva, pružajući prostornu bazu dokaza za ciljane programe proširenja za poboljšanje učinkovitosti navodnjavanja u područjima s lošijim učinkom.

Najbolje prakse za odabir pristupa ET monitoringu

Odabir prave kombinacije satelitskih podataka, ET modela i strategije validacije ovisi o specifičnom pitanju na koje se odgovara, dostupnim resursima i prihvatljivoj razini nesigurnosti.

1. Prvo definirajte prostornu i vremensku skalu. Mjesečno obračunavanje vode na razini sliva zahtijeva drugačiji alat od dnevnog rasporeda navodnjavanja na razini polja. Uskladite rezoluciju i učestalost ponovnih posjeta satelitske platforme s potrebama upravljanja prije odabira bilo kojeg modela.

2. Uskladite model s tipom krajolika. Modeli energetske bilance poput SEBAL-a i METRIC-a najbolje funkcioniraju u polusušnim krajolicima u kojima dominiraju usjevi i s vedrim nebom. Modeli temeljeni na vegetacijskom indeksu bolje funkcioniraju u regijama s ograničenom dostupnošću toplinskih podataka. Modeli strojnog učenja najbolje funkcioniraju kada su dostupni veliki, lokalno validirani skupovi podataka za obuku.

3. Uvijek provjerite lokalno. Čak i najtočniji globalni ET proizvod treba validirati u odnosu na barem jedan lokalni tornjevi za mjerenje protoka ili skup podataka lizimetra prije operativne primjene. Mjerni podaci o učinku iz objavljenih studija rijetko se točno prenose na nove lokacije i vrste usjeva.

4. Planirajte za praznine u oblacima. U vlažnim ili tropskim regijama, od samog početka planirajte fuziju podataka ili strategije popunjavanja praznina. Oslanjanje na jedan termalni satelit sa 16-dnevnim ciklusom ponovnog posjeta stvorit će neprihvatljive praznine u podacima tijekom kritičnih razdoblja rasta usjeva.

5. Koristite otvorene platforme gdje god je to moguće. Google Earth Engine, OpenET i WaPOR pružaju pristup validiranim, dobro dokumentiranim ET proizvodima bez ikakvih troškova. Izrada prilagođenog ET modela od nule rijetko je opravdana osim ako to ne zahtijevaju jedinstveni lokalni uvjeti.

6. Integrirajte ET podatke s postojećim sustavima upravljanja poljoprivrednim gospodarstvima. ET podaci su najvrjedniji kada se izravno unose u softver za planiranje navodnjavanja, alate za podršku odlučivanju ili baze podataka za obračun vode, a ne kada postoje kao samostalni satelitski izlaz.

Zaključak

Praćenje evapotranspiracije daljinskim istraživanjem evoluiralo je od eksperimentalne istraživačke discipline do ključnog operativnog alata za upravljanje poljoprivrednim vodama. Kombinacija sve točnijih satelitskih ET proizvoda, platformi otvorenog pristupa poput OpenET-a i WaPOR-a te fuzije podataka pokretane umjetnom inteligencijom uklanja prepreke koje su nekoć ograničavale satelitsko ET praćenje na dobro financirane istraživačke institucije.

Trenutne mogućnosti su značajne: modeli energetske bilance validirani u 30 ili više zemalja, satelitski ET proizvodi koji postižu sezonsku točnost bolju od 90% za glavne jednogodišnje usjeve i platforme temeljene na oblaku koje dostavljaju ET podatke na terenu svakom poljoprivredniku ili upravitelju voda s internetskom vezom. Ove se mogućnosti već koriste za upravljanje usklađenošću s navodnjavanjem na rijeci Colorado, za praćenje iscrpljivanja podzemnih voda u vodonosniku Visokih ravnica i za poboljšanje produktivnosti poljoprivredne vode diljem Afrike putem FAO WaPOR sustava.

Riža hrani više od 3,5 milijardi ljudi diljem svijeta, no manje od 60% područja uzgoja riže ima točne, ažurirane karte uzgoja, prema ažuriranju globalnog atlasa riže Međunarodnog instituta za istraživanje riže (IRRI) za 2024. godinu. Mapiranje obrazaca uzgoja riže i kulturnog tipa pomoću daljinskog istraživanja brzo smanjuje tu prazninu pružajući prostorno precizne, vremenski konzistentne podatke u mjerilima kojima se nijedno terensko istraživanje ne može usporediti.

Od razlikovanja navodnjavanih nizinskih područja s dvostrukom poljoprivredom u vijetnamskoj delti Mekonga do identificiranja polja napajanih kišom u jednoj sezoni u subsaharskoj Africi, satelitski i radarski sustavi sada pružaju obavještajne podatke koji su poljoprivrednicima, vladama i agencijama za sigurnost hrane potrebni za pouzdano planiranje. Kako umjetna inteligencija i računarstvo u oblaku ubrzavaju obradu podataka, očekuje se da će praćenje riže u gotovo stvarnom vremenu postati globalni standard do 2027. godine.

Zašto je riža važna i zašto je njezino praćenje teško

1. Proizvodnja riže i jednadžba globalne sigurnosti hrane

Riža je glavna kalorijska namirnica za više od polovice svjetske populacije, a njezina važnost daleko nadilazi individualnu prehranu. Globalna proizvodnja riže dosegla je otprilike 520 milijuna metričkih tona mljevene riže u 2024. godini, prema podacima FAO-a, pri čemu Azija čini gotovo 90% te proizvodnje.

Svaki značajan poremećaj u opskrbi rižom, bilo zbog suše, poplave, pojave štetočina ili neuspjeha politike, izaziva brze šokove cijena hrane koji nesrazmjerno pogađaju najsiromašnija kućanstva u svijetu.

Održavanje sigurnosti hrane u ovim razmjerima zahtijeva više od pukog uzgoja dovoljne količine riže. Potrebno je točno znati gdje se riža uzgaja, koliko puta godišnje se svako polje obrađuje i koje se poljoprivredne prakse koriste. Vladama su potrebni ovi podaci za dodjelu infrastrukture za navodnjavanje, subvencioniranje ulaganja i izgradnju rezervi za hitne slučajeve.

Izazov je što se riža uzgaja u izvanredno fragmentiranim krajolicima, od terasastih padina na Filipinima do prostranih navodnjavanih ravnica u Kini, što konvencionalna istraživanja polja po polja čini logistički i financijski nepraktičnima na nacionalnoj ili regionalnoj razini.

2. Potreba za sustavnim praćenjem obrazaca uzgoja riže

Obrasci uzgoja riže, što znači broj sezona uzgoja riže godišnje i način na koji su raspoređeni po krajoliku, stalno se mijenjaju. Klimatska varijabilnost skraćuje razdoblje uzgoja u nekim regijama, dok ga u drugima proširuje. Ekonomski signali potiču poljoprivrednike s jedne na dvostruku uzgojnu poljoprivredu kada se dostupnost vode i tržišne cijene usklade.

Bez sustavnog praćenja, planeri rade s podacima popisa stanovništva koji mogu biti zastarjeli pet ili više godina, što dovodi do kronične pogrešne raspodjele vode, subvencija za gnojivo i ruralnih kredita. Daljinsko istraživanje nudi rješenje za ovaj nedostatak u praćenju pružanjem dosljednih, ponovljivih opažanja u cijelim zemljama u roku od nekoliko dana.

Umjesto oslanjanja na samoprocjenu poljoprivrednika ili ankete popisivača, satelitski sustavi izravno promatraju krajolik, bilježeći kako se rižina polja mijenjaju poplavama, presađivanjem, vegetativnim rastom i žetvom tijekom svakog godišnjeg doba.

3. Što daljinsko istraživanje donosi poljoprivrednom mapiranju

Daljinsko istraživanje je znanost prikupljanja informacija o objektima ili područjima s udaljenosti, obično korištenjem senzora postavljenih na satelitima, zrakoplovima ili bespilotnim letjelicama (UAV). U poljoprivrednim kontekstima, senzori mjere energiju koju reflektiraju ili emitiraju usjevi, tlo i voda na različitim valnim duljinama elektromagnetskog spektra.

Budući da različiti tipovi pokrova zemljišta različito reflektiraju energiju u različitim fazama rasta, satelitske snimke mogu razlikovati rižino polje od kukuruznog polja i poplavljenu presađenu parcelu riže od suhe parcele s izravnim sjetvom, s preciznošću koja se povećava s poboljšanjem tehnologije senzora. Mapiranje obrasca uzgoja riže i kulturnog tipa pomoću daljinskog istraživanja služi četirima međusobno povezanim ciljevima.

• Prvo, stvara prostorno eksplicitne popise mjesta uzgoja riže u sezonskim i godišnjim vremenskim skalama.
• Drugo, klasificira koliko se ciklusa usjeva događa godišnje na svakom kartiranom području, razlikujući sustave s jednim, dvostrukim i trostrukim usjevima.
• Treće, identificira korištene kulturne prakse, poput toga je li polje presađeno ili se sije izravno, je li upravljanje vodom kontrolirano ili se napaja kišnicom.
• Četvrto, generira osnovne podatke koji se koriste za predviđanje proizvodnje, proračun vode, planiranje prilagodbe klimatskim promjenama i sustave precizne poljoprivrede.

Razumijevanje sustava uzgoja riže i kulturnih tipova

1. Što zapravo znači obrazac uzgoja riže

Uzorak uzgoja riže opisuje vremenski raspored uzgoja riže unutar kalendarske godine na određenoj lokaciji. On ne bilježi samo uzgaja li se riža, već i koliko puta, kada svaka sezona počinje i završava te koja kultura, ako uopće postoji, slijedi ili prethodi riži na istom polju. Mapiranje ovih obrazaca diljem regije daje planerima dinamičnu sliku intenziteta korištenja zemljišta i potražnje za resursima koju jedan snimak nikada ne bi mogao pružiti.

2. Sustavi uzgoja riže s jednom kulturom

U sustavima s jednim usjevom (monokultura), poljoprivrednici uzgajaju jednu sezonu riže godišnje, obično usklađenu s monsunskom kišnom sezonom ili jednim kontroliranim ciklusom navodnjavanja. Ovi sustavi dominiraju u regijama gdje dostupnost vode, radna snaga ili klima ograničavaju mogućnost druge sezone.

Sustavi s jednom kulturom obično imaju dulja razdoblja rasta po sezoni, često s tradicionalnim ili poboljšanim sortama dugog vijeka trajanja, te su nesrazmjerno napajani kišom, što ih čini vrlo osjetljivima na vrijeme i raspodjelu oborina.

3. Sustavi dvostrukog uzgoja riže

Sustavi dvostrukog uzgoja daju dvije žetve riže godišnje s istog polja. Najčešći su u jugoistočnoj i južnoj Aziji, uključujući deltu Crvene rijeke u Vijetnamu, poplavna područja Bangladeša i navodnjavana područja indijskog Punjaba.

Vremenski razmak između dvije sezone je uzak, često manji od 30 dana, pa identifikacija područja s dvostrukim usjevima iz satelitskih podataka zahtijeva gusta vremenska niza promatranja kako bi se otkrila dva puna fenološka ciklusa unutar jedne godine.

4. Sustavi riže s tri usjeva

Trostruka žetva riže, s tri žetve riže godišnje, prakticira se u ograničenim područjima gdje su i dostupnost vode i temperatura povoljni tijekom cijele godine. Delta Mekonga u južnom Vijetnamu i dijelovi pokrajine Guangdong u južnoj Kini podržavaju sustave trostruke žetve.

Iako maksimiziraju intenzitet korištenja zemljišta, sustavi s tri kulture nose značajne izazove u pogledu plodnosti tla i suzbijanja štetnika. Daljinska identifikacija ovih polja tehnički je zahtjevna jer kratka razdoblja ugara između usjeva sažimaju fenološke signale u uske vremenske okvire.

5. Uzgoj riže na kišnici

Prema Međunarodnom institutu za istraživanje riže (IRRI), riža uzgojena kišom, koja se uzgaja isključivo na oborinama bez umjetne opskrbe vodom, čini otprilike 451 TP3T ukupne površine riže u svijetu. To je dominantan sustav u podsaharskoj Africi, brdovitim područjima južne i jugoistočne Azije te poplavnim područjima ovisnim o kiši.

Sustavi napajani kišom vrlo su osjetljivi na varijabilnost oborina, što se u nekim regijama prevodi u fluktuacije prinosa od 30-50% između vlažnih i suhih godina. Iz perspektive daljinskog istraživanja, rižu napajanu kišom teže je mapirati jer je signal poplave slabiji i nepravilniji nego na upravljanim navodnjavanim poljima.

6. Uzgoj riže navodnjavanjem

Navodnjavani sustavi riže primaju vodu putem kanala, pumpi ili upravljanih rezervoara, što poljoprivrednicima omogućuje znatnu preciznost u kontroli vremena sadnje i žetve. Navodnjavana riža trenutno zauzima samo oko 551 TP3T globalne površine riže, ali doprinosi sa 751 TP3T ukupnoj proizvodnji riže, što odražava prednost prinosa zbog sigurnosti vode.

Namjerno poplavljivanje navodnjavanih polja stvara snažan i konzistentan radarski povratni signal koji satelitski senzori pouzdano detektiraju, što navodnjavanu rižu čini jednom od najtočnije mapiranih vrsta usjeva na svijetu.

7. Visočki i nizinski rižini sustavi

Riža u nizinama uzgaja se na nepoplavljenim, dobro dreniranim tlima, često na obroncima ili terasama u Aziji i Africi. Budući da ta polja nikada nisu namjerno poplavljena, nedostaje im vodeni signal koji omogućuje identifikaciju riže u nizinama pomoću radara, što prisiljava istraživače da se oslanjaju samo na spektralne obrasce vegetacije.

Nizinska riža, nasuprot tome, uzgaja se na ravnim ili plitko poplavljenim poljima gdje se voda nakuplja prirodno ili navodnjavanjem. Nizinski sustavi dominiraju regijama rižinih kotlina u Aziji i primarni su cilj većine velikih kartografskih napora.

Morfološki kontrast između planinskih i nizinskih polja, uključujući oblik polja, topografski položaj i strukturu krošnje, pruža dodatne prostorne znakove koje analiza slike temeljena na objektima može učinkovito iskoristiti.

8. Riža posijana izravno u odnosu na presađenu rižu

Presađena riža uključuje uzgoj sadnica u rasadniku 25 do 30 dana, a zatim ručno ili mehanički premještanje na glavno polje. Izravna sjetva riže, nasuprot tome, uključuje raspršivanje ili sijanje sjemena izravno u pripremljeno polje bez faze rasadnika.

Ove dvije metode daju mjerljivo različite vremenske potpise u satelitskim podacima: presađena polja pokazuju oštro, sinkronizirano ozelenjavanje otprilike tri tjedna nakon poplave, dok polja izravno zasijana pokazuju postupniji razvoj krošnje od dana sjetve. Ova fenološka razlika, suptilna, ali stvarna, uočljiva je pažljivom analizom vremenskih serija vegetacijskih indeksa.

Alati i tehnologije daljinskog istraživanja za mapiranje riže

1. Fizički princip daljinskog istraživanja

Svaka biljka reflektira, apsorbira i prenosi sunčevo zračenje u obrascima određenim biokemijom lišća, strukturom krošnje i sadržajem vode. Zeleno lišće snažno apsorbira crveno svjetlo za fotosintezu, a istovremeno reflektira veliki dio energije bliskog infracrvenog (NIR) zračenja. Poplavljena tla, nasuprot tome, apsorbiraju gotovo svo dolazno zračenje.

Ovi kontrastni odgovori stvaraju predvidljive spektralne potpise koje senzori na satelitima mogu snimiti s dosljednim vremenom, omogućujući analitičarima praćenje stanja usjeva, faze rasta i odluka o upravljanju na razini polja bez ikakvog posjeta polju.

2. Optičko daljinsko istraživanje

Optički senzori detektiraju reflektirano sunčevo zračenje, stvarajući slike koje vrlo nalikuju onome što bi ljudsko oko vidjelo kada bi se proširilo na infracrvene valne duljine. Tri optičke platforme dominiraju istraživanjem mapiranja riže.

Landsat (niz satelita kojima upravljaju NASA i USGS od 1972.) pruža snimke prostorne rezolucije od 30 metara s ciklusom ponovnog pregleda od 16 dana. Njegova duga vremenska arhiva čini ga nezamjenjivim za proučavanje promjena površina riže tijekom desetljeća. Međutim, ponavljanje od 16 dana znači da se neki fenološki događaji unutar kratke vegetacijske sezone mogu propustiti između promatranja.

Sentinel-2 (kojim upravlja Europska svemirska agencija, lansiran 2015. i 2017. kao konstelacija dvaju satelita) poboljšava Landsat s rezolucijom od 10-20 metara i 5-dnevnim ciklusom ponovnog posjeta ekvatoru. Ova dva poboljšanja zajedno omogućuju finije razgraničenje polja i bolje fenološko uzorkovanje, a najnovije studije mapiranja riže visoke točnosti, uključujući one objavljene u ISPRS Journal of Photogrammetry and Remote Sensing 2024. godine, koriste Sentinel-2 kao primarni optički izvor podataka.

MODIS (Moderate Resolution Imaging Spectroradiometer), smješten na NASA-inim satelitima Terra i Aqua, pruža rezoluciju od 250-500 metara s mogućnošću dnevnog ponovnog pregleda. Iako je pregrub za mapiranje pojedinačnih polja, MODIS ostaje vrijedan za procjene intenziteta usjeva na nacionalnoj i kontinentalnoj razini gdje je visoka prostorna rezolucija manje kritična od vremenske gustoće.

3. Radarsko daljinsko istraživanje

Radar sa sintetičkom aperturom (SAR) je tehnologija temeljena na radaru koja odašilje mikrovalne impulse prema Zemljinoj površini i mjeri energiju raspršenu natrag do senzora. Za razliku od optičkih senzora, SAR radi neovisno o naoblaci i sunčevoj svjetlosti, što znači da jednako dobro prikuplja podatke u oblačnoj monsunskoj noći kao i u vedrom sušnom danu.

Ovo svojstvo je kritično važno za mapiranje riže u tropskoj Aziji, gdje optički senzori rutinski gube tjedne vegetacijske sezone zbog začepljenja oblacima.

Sentinel-1 (ESA) odašilje mikrovalnu energiju C-pojasa (valne duljine približno 5,6 cm) i isporučuje besplatne, globalne SAR podatke rezolucije od 10 metara s ciklusom ponavljanja od 6-12 dana. Rižina polja na prepoznatljiv način komuniciraju sa SAR signalima:

• Poplavljena polja djeluju kao gotovo savršeno zrcalo, reflektirajući većinu radarske energije dalje od senzora (što stvara niske vrijednosti povratnog raspršenja), dok
• Rastuća krošnja riže sve više raspršuje energiju natrag prema senzoru kako se povećava gustoća biljaka i površina lišća.

Ova putanja povratnog raspršenja tijekom vremena, niska tijekom poplava i presađivanja, rastuća kroz vegetativne faze i ponovno opadajuća nakon klasanja, tvori radarski fenološki potpis jedinstven za rižu.

Nguyen i suradnici (Daljinsko istraživanje okoliša, 2023.) otkrili su da je klasifikacija vremenskih serija Sentinel-1 SAR-a postignuta Ukupna točnost 92.3% u mapiranju sezona uzgoja riže u tri provincije u vijetnamskoj delti Mekonga, uključujući područja s tri usjeva gdje optički podaci nisu bili dostupni više od 60% vegetacijskog razdoblja zbog naoblake.

U tropskim regijama uzgoja riže, metode temeljene na SAR-u nisu samo alternativa optičkom istraživanju, već su često jedina pouzdana opcija za mapiranje sezona po sezona tijekom monsunskih mjeseci.

4. Integracija podataka s više senzora

Nijedan pojedinačni senzor ne nudi idealnu kombinaciju prostornih detalja, vremenske gustoće i prodiranja oblaka. Stoga najtočniji sustavi za mapiranje riže integriraju više vrsta senzora unutar jednog analitičkog okvira.

Zajednička arhitektura spaja Sentinel-1 SAR za vremensko praćenje bez oblaka s optičkim podacima Sentinel-2 za spektralno bogatstvo tijekom vedrih razdoblja i koristi MODIS kao sidro grube rezolucije za detekciju fenoloških obrazaca na regionalnoj razini.

Kada se ovi tokovi podataka algoritamski spoje, kombinirani skup podataka može razlučiti granice usjeva, otkriti datume presađivanja i dodijeliti klasifikacije kulturnih tipova s razinom sigurnosti koju nijedan pojedinačni senzor ne postiže samostalno.

Identificiranje obrazaca uzgoja riže iz satelitskih podataka

1. Vremenski potpisi faza rasta riže

Riža prolazi kroz dobro definiran slijed faza rasta: priprema tla i poplavljivanje, presađivanje ili sjetba, bokorenje (razvoj više stabljika iz jedne biljke), stvaranje metlice, pojava cvjetne glavice koja nosi zrno) i žetva.

Svaka faza proizvodi mjerljivu promjenu u optičkim i radarskim karakteristikama polja. Analitičari koriste ove specifične potpise faze, snimljene kao vremenske serije spektralnih indeksa ili SAR povratnog raspršenja, kako bi rekonstruirali što se dogodilo na svakom polju i kada, bez ikakvog prethodnog znanja poljoprivrednika.

2. Fenološko mapiranje riže

Kartiranje temeljeno na fenologiji (korištenje vremena bioloških događaja za klasifikaciju usjeva) je dominantan pristup za detekciju riže na velikim površinama. Metoda funkcionira prilagođavanjem matematičkih krivulja podacima vremenskih serija, a zatim identificiranjem polja gdje vremenski uzorak odgovara karakterističnoj krivulji rasta riže. Ključni datumi događaja izvučeni iz ovog procesa prilagođavanja uključuju

• početak vegetacijske sezone (obično se prepoznaje po naglom porastu vrijednosti vegetacijskog indeksa nakon poplave),
• vrhunac vegetacijske sezone (indeks maksimalne površine lišća) i
• kraj sezone (brzi pad pri žetvi).

Broj takvih ciklusa otkrivenih unutar kalendarske godine izravno određuje je li polje klasificirano kao jednostruko, dvostruko ili trostruko obrađeno.

3. Procjena intenziteta uzgoja

Intenzitet uzgoja, broj sezona uzgoja koje se godišnje završe na jedinici zemlje, jedan je od najvažnijih rezultata mapiranja uzoraka uzgoja riže za politiku. Jednostavan, ali moćan pristup izračunava koliko se puta pojavljuje spektralni ili povratni raspršeni vrh sličan riži u godišnjem vremenskom nizu piksela.

U kombinaciji s prostornim filterima za uklanjanje lažnih detekcija uzrokovanih močvarama, vodenim površinama ili sezonskim poplavama, ovi ciklički prebrojavanja daju karte riže s jednim, dva i tri usjeva koje se mogu validirati u odnosu na terenska istraživanja i regionalne statistike.

4. Kartiranje sezonske i godišnje distribucije riže

Sezonske karte (jedna karta po vegetacijskoj sezoni godišnje) ne prikazuju samo gdje se riža uzgaja, već i kada raste na svakoj lokaciji. Godišnje skupine sezonskih karata zatim otkrivaju cijeli kalendar uzgoja u regiji, uključujući prostornu raspodjelu riže rane sezone u odnosu na kasnu sezonu, što ima izravne implikacije na raspored vode, upravljanje pritiskom štetnika i logistiku žetve.

5. Otkrivanje plodoreda koji uključuju rižu

U mnogim azijskim sustavima uzgoja riže, poljoprivrednici izmjenjuju rižu s pšenicom, povrćem, mahunarkama ili ugarima unutar istog polja tijekom uzastopnih sezona. Daljinsko istraživanje detektira te rotacije analizom cijelog godišnjeg vremenskog niza, a ne bilo koje pojedinačne sezone zasebno.

Polje klasificirano kao riža u vlažnoj sezoni, ali kao pšenica u sušnoj sezoni, pokazuje izrazit vremenski obrazac s dva vrha u podacima indeksa vegetacije, pri čemu spektralne karakteristike svakog vrha identificiraju odgovarajuću vrstu usjeva. Mapiranje ovih rotacija važno je za procjenu zdravlja tla, modeliranje potražnje za navodnjavanjem i programe diverzifikacije prihoda.

Kako GeoPard omogućuje mapiranje obrazaca uzgoja riže

Mapiranje obrazaca uzgoja riže zahtijeva kontinuirano promatranje iz više izvora tijekom cijele vegetacijske sezone, a to je upravo ono što GeoPard pruža. Kombiniranjem snimaka Landsat-8, Sentinel-2 i Planet u jednu platformu, GeoPard prati polja svaki drugi dan s rezolucijom do 3 metra, osiguravajući da se kritični događaji vezani uz rižu poput poplava prije presađivanja, ozelenjavanja sadnica i žetve nikada ne propuste zbog praznina u oblacima.

Fuzija više senzora platforme pokazala je poboljšanje točnosti 4% u odnosu na pristupe s jednim senzorom, što izravno izoštrava razliku između sustava riže s jednim usjevom, dvostrukim usjevom i trostrukim usjevima.

Za identifikaciju kulturnog tipa, GeoPardov paket indeksa vegetacije, uključujući NDWI za detekciju površinskih poplava, EVI2 za vrijeme biomase krošnje i LAI za gustoću krošnje, obuhvaća spektralnu biografiju koja razlikuje navodnjavanu presađenu rižu od sustava napajanih kišom ili izravno sjetvenih sustava.

Za oblačnih monsunskih dana kada optičko snimanje u potpunosti zakaže, GeoPardov integrirani sloj radarskih podataka omogućuje neprekidno praćenje vegetacije, očitavajući SAR povratno raspršeno korito koje je definitivan potpis poplavljenog rižinog polja u vrijeme presađivanja.

Alat za usporedbu slojeva omogućuje agronomima postavljanje do četiri sinkronizirana sloja podataka jedan pored drugog, što olakšava odvajanje vrsta kultura riže usporedbom signala poplava NDWI s višegodišnjim trendovima vegetacije i kartama produktivnosti tla.

Potkrijepljena više od 30 godina satelitskih snimaka, platforma otkriva dugoročne obrasce intenziteta usjeva na razini polja. Ti uvidi zatim se izravno prenose u karte primjene varijabilnih stopa za gnojivo, sjeme i zaštitu usjeva, pretvarajući karte kulturnih tipova riže u konkretne upute za upravljanje na razini polja.

Mapiranje tipova kultura riže daljinskim istraživanjem

1. Spektralne karakteristike različitih kulturnih praksi

Kulturni tip, specifična kombinacija upravljačkih praksi primijenjenih na rižino polje, oblikuje vremensku evoluciju spektralnog potpisa tog polja. Poplavljena presađena riža, na primjer, započinje sezonu s optičkim odzivom kojim dominira voda (niska refleksija u svim vidljivim pojasevima), nakon čega slijedi nagla promjena kako se uspostavlja krošnja sadnica.

Riža posijana izravno u nepoplavljenu gredicu pokazuje postupniji porast vegetacijskog signala od početka klijanja, bez početnog razdoblja poplave koje optički i SAR senzori lako detektiraju.

2. Razlikovanje navodnjavane i kišom uzgojene riže

Navodnjavana i kišom napajana rižina polja razlikuju se na dva uočljiva načina: vrijeme i redovitost poplava te dosljednost njihove sezonske fenologije. Navodnjavana polja obično poplavljuju prema rasporedu, pokazuju manju međugodišnju varijabilnost u datumima presađivanja i održavaju dosljednu gustoću krošnje kontroliranim upravljanjem vodom.

Polja napajana kišom pokazuju veću vremensku varijabilnost između godina, mogu doživjeti stres vode usred sezone koji se može uočiti kao anomalni padovi vrijednosti vegetacijskog indeksa, a ponekad ne uspijevaju završiti punu vegetacijsku sezonu tijekom sušnih godina.

Višegodišnja analiza vremenskih serija obuhvaća ovu strukturu varijabilnosti, omogućujući algoritmima klasifikacije da odvoje navodnjavana od područja napajanih kišom s točnošću koja obično prelazi 85% u dobro kalibriranim sustavima.

3. Mapiranje presađene i direktno sjetvene riže

Najpouzdaniji pokazatelj za razlikovanje presađene od direktno posijane riže u SAR podacima je vrijeme i trajanje početnog razdoblja poplave s niskim povratnim raspršenjem.

Presađena rižina polja poplavljuju se 2-4 tjedna prije presađivanja sadnica, stvarajući produženi radar-mračni prozor na početku sezone.

Polja s izravnom sjetvom ili ne pokazuju prozor poplave (suha sjetva) ili ga vrlo kratko pokazuju (vlažna sjetva), a porast povratnog raspršenja je i raniji u odnosu na datum sjetve i strukturno se razlikuje po nagibu. Ove vremenske karakteristike mogu se automatski izdvojiti pomoću algoritama primijenjenih na guste SAR vremenske serije.

4. Otkrivanje upravljačkih praksi pomoću daljinskog istraživanja

Osim metode presađivanja i vodnog režima, daljinsko istraživanje može otkriti određene prakse upravljanja vodama, kao što je naizmjenično vlaženje i sušenje (AWD), tehnika koja se koristi za smanjenje emisija metana i potrošnje vode povremenim isušivanjem rižinih polja.

Polja AWD-a pokazuju oscilirajuće obrasce povratnog raspršenja SAR-a tijekom vegetacijskog razdoblja, što odražava ponovljene cikluse poplava i odvodnje, dok kontinuirano poplavljena polja pokazuju stabilniju putanju povratnog raspršenja. Ova je sposobnost posebno vrijedna za praćenje primjene klimatski pametnih praksi riže u nacionalnim inventarima stakleničkih plinova.

5. Pokazatelji upravljanja vodama na rižinim poljima

Detekcija površine vode putem SAR-a je vrlo osjetljiva i sposobna identificirati nakupljenu vodu na dubini od samo nekoliko centimetara ispod krošnje riže. Ova osjetljivost omogućuje analitičarima mapiranje stanja poplave polja po polja u ključnim točkama vegetacijske sezone, što podržava odluke o rasporedu navodnjavanja i rane procjene štete od poplava.

Kada se karte vodene površine iz više datuma vremenski slažu, one daju dinamički potpis upravljanja vodama za svako polje koji služi kao vrijedan ulaz za modele klasifikacije kulturnih tipova.

Tehnike i metode: od indeksa do dubokog učenja

1. Vegetacijski indeksi za praćenje riže

Vegetacijski indeksi su matematičke kombinacije vrijednosti refleksije na različitim valnim duljinama, osmišljene za pojačavanje signala biljne biomase i zdravlja, a istovremeno smanjuju šum od pozadine tla, atmosferskih učinaka i geometrije osvjetljenja. Tri indeksa su ključna za rad na mapiranju riže.

i. NDVI (Normalizirani indeks razlike vegetacije) izračunava se kao (NIR – crvena) / (NIR + crvena) i najčešće je korišten indeks u praćenju riže. Prati zelenilo krošnje od uspostave sadnica do starenja, s vrijednostima koje obično rastu od gotovo nule pri presađivanju do 0,6-0,8 pri vrhuncu vegetativnog rasta.

ii. EVI (Poboljšani indeks vegetacije) učinkovitije ispravlja učinke atmosferskih aerosola i pozadinsku buku tla od NDVI-ja, što ga čini poželjnijim u okruženjima s visokim opterećenjem aerosolima, kao što je tijekom sezona izgaranja biomase uobičajenih u tropskoj Aziji.

iii. LSWI (Indeks površinskih voda kopna) uključuje kratkovalnu infracrvenu refleksiju za detekciju sadržaja vode i u krošnji biljke i na površini tla, što ga čini vrlo osjetljivim na poplave koje karakteriziraju uzgoj riže u nizinama i pruža robustan signal za detekciju početka vegetacijske sezone.

2. Analiza vremenskih serija

Jedna satelitska snimka bilježi stanje rižinog polja u jednom trenutku, ali priča rižinog polja ispisana je slijedom tih trenutaka. Analiza vremenskih serija povezuje mnoga opažanja, obično jednu sliku svakih 5-16 dana tijekom cijele godine, i izdvaja vremenske metrike poput datuma početka sezone, vršnog NDVI-ja, stope ozelenjavanja i datuma žetve.

Ovi pokazatelji zajedno opisuju cjelokupno fenološko ponašanje polja i daleko su dijagnostičkiji za identifikaciju vrste usjeva od bilo kojeg pojedinačnog promatranja. Statističke metode, uključujući harmonijsku regresiju i dinamičko vremensko iskrivljavanje (DTW), obično se koriste za usklađivanje i usporedbu podataka vremenskih serija u različitim godinama i regijama.

3. Strojno učenje za klasifikaciju riže

Strojno učenje transformiralo je opseg i točnost mapiranja uzoraka uzgoja riže automatizacijom identifikacije složenih, nelinearnih odnosa između spektralno-vremenskih podataka i uvjeta na terenu.

i. Slučajna šuma (RF) je metoda ansambla koja gradi stotine neovisnih stabala odlučivanja, svako obučeno na slučajnom podskupu značajki, i agregira njihove glasove za konačnu klasifikaciju. Robusna je na podatke o obuci s puno šuma, učinkovito obrađuje visokodimenzionalne prostore značajki i pruža varijabilne ocjene važnosti koje pomažu analitičarima da shvate koja vremenska ili spektralna obilježja utječu na odluke o klasifikaciji.

ii. Stroj potpornih vektora (SVM) pronalazi optimalnu granicu razdvajanja između klasa u visokodimenzionalnom prostoru značajki. SVM dobro funkcionira kada su podaci za obuku ograničeni, što ga čini korisnim u područjima s malo podataka gdje je prikupljanje osnovnih podataka skupo.

iii. Duboko učenje, posebno konvolucijske neuronske mreže (CNN) i rekurentne neuronske mreže (RNN) poput arhitektura dugog kratkoročnog pamćenja (LSTM), mogu istovremeno učiti i prostorne uzorke unutar pojedinačnih slika i vremenske uzorke u nizovima slika. Klasifikatori temeljeni na LSTM-u primijenjeni na satelitske vremenske serije postigli su vrhunsku točnost u zadacima mapiranja riže, a nekoliko studija izvješćuje o ukupnoj točnosti iznad 90% na regionalnim skalama.

Xiao i suradnici (International Journal of Applied Earth Observation and Geoinformation, 2025.) pokazali su da je LSTM model dubokog učenja obučen na Sentinel-1 i Sentinel-2 spojenim vremenskim serijama podataka mapirao tipove kultura riže u tri južnoazijske zemlje s... ukupna točnost od 91,7% i kappa koeficijent od 0,89, što je nadmašilo Random Forest za 6,4 postotna boda pod istim uvjetima podataka za obuku.

Za mapiranje tipova kultura riže na velikim površinama gdje je moguće prikupljanje podataka za obuku, klasifikatori dubokog učenja temeljeni na LSTM-u sada su referentna metoda i trebali bi biti zadani izbor za nove nacionalne programe mapiranja.

4. Analiza slike temeljena na objektima (OBIA)

Analiza slike temeljena na objektima (OBIA) Radi tako da grupira susjedne piksele sa sličnim spektralnim i prostornim karakteristikama u objekte (segmente) prije nego što ih klasificira, umjesto da klasificira svaki piksel zasebno.

U mapiranju riže, OBIA je vrijedna jer u klasifikaciju može uključiti oblik, teksturu i kontekst, razlikujući rižino polje od slično obojene vodene površine na temelju pravilne pravokutne geometrije rižinog polja.

OBIA je posebno učinkovita pri vrlo visokoj prostornoj rezoluciji, kao što su podaci s komercijalnih satelita rezolucije 1-5 metara ili snimke bespilotnih letjelica.

5. Tehnike otkrivanja promjena

Otkrivanje promjena identificira područja gdje se korištenje zemljišta promijenilo između dva ili više datuma. U praćenju sustava riže, otkrivanje promjena služi dvjema svrhama: praćenju međugodišnjeg širenja ili smanjenja površine riže kao odgovor na klimatske ili ekonomske pokretače i identificiranju promjena usred sezone poput propadanja usjeva, napuštanja ili neočekivanih poplava.

Detekcija dvovremenskih promjena (izravna usporedba dva datuma) je jednostavna, ali osjetljiva na fenološke razlike između godina. Detekcija viševremenskih promjena u cijelom godišnjem nizu podataka je robusnija i može odvojiti stvarnu promjenu korištenja zemljišta od sezonskih fenoloških varijacija.

Procjena točnosti i validacija

1. Prikupljanje temeljnih podataka

Svaki proizvod za mapiranje riže zahtijeva validaciju u odnosu na neovisno prikupljena terenska opažanja. Podaci o stvarnim podacima obično uključuju GPS-referencirane terenske posjete gdje obučeni popisivači bilježe vrstu usjeva, fazu rasta, status upravljanja vodama i metodu uspostavljanja na statistički reprezentativnom uzorku lokacija. Ova opažanja prikupljaju se tako da se vremenski podudaraju sa satelitskim snimanjem te se isključuju iz obuke modela i koriste isključivo za procjenu točnosti.

2. Metrike točnosti klasifikacije

Za primjene specifične za rižu, F1-rezultat, koji uravnotežuje točnost proizvođača i korisnika za svaku klasu, sve se više prikazuje uz Kappa kao informativniji sažetak performansi s jednim brojem. Standardne metrike za procjenu točnosti karte uključuju

• ukupna točnost (postotak svih ispravno klasificiranih točaka validacije),
• točnost proizvođača (vjerojatnost da je polje dane istinite klase ispravno mapirano, analogno prisjećanju),
• točnost korisnika (vjerojatnost da je polje mapirano na danu klasu zapravo ta klasa, analogno preciznosti) i
• Kappa koeficijent (mjera slaganja korigirana za slučajno slaganje, gdje vrijednosti iznad 0,80 ukazuju na snažno slaganje).

3. Validacija uzoraka obrezivanja i mapa kulturnih tipova

Validacija karata uzoraka usjeva zahtijeva viševremenske podatke o stvarnosti na terenu, s terenskim posjetima na više mjesta tijekom kalendara usjeva kako bi se potvrdilo koliko je sezona zapravo požnjeveno godišnje na svakom mjestu validacije.

Validacija kulturnog tipa, razlikovanje presađenih od direktno sjetvenih ili navodnjavanih od onih koje se napajaju kišnicom, zahtjevnija je jer te razlike nisu uvijek vizualno očite na terenu i zahtijevaju intervjue s poljoprivrednicima ili izravno promatranje upravljačkih događaja tijekom osjetljivih razdoblja vegetacije.

Nacionalna poljoprivredna statistika, iako se često agregira na razini pokrajine ili okruga, pruža dodatni sloj validacije za procjene površine, omogućujući unakrsnu provjeru ukupnih podataka na karti sa službenim prijavljenim podacima.

Primjene u cijelom poljoprivrednom sustavu

1. Planiranje i razvoj poljoprivredne politike

Karte uzoraka uzgoja riže izvedene daljinskim istraživanjem daju ministarstvima poljoprivrede prostornu rezoluciju koja im je potrebna za osmišljavanje ciljanih intervencija. Regije identificirane kao regije s jednom kulturom napajane kišom mogu se prioritetno koristiti za razvoj navodnjavanja u malim razmjerima; područja s tri kulture i opadajućim prinosima mogu se istražiti zbog degradacije tla ili iscrpljivanja podzemnih voda.

2. Procjena proizvodnje riže

Kombiniranjem karata područja riže iz daljinskog istraživanja s modelima procjene prinosa, kao što su simulacije rasta usjeva temeljene na vremenskim podacima, dobivaju se subnacionalne i nacionalne prognoze proizvodnje tjednima ili mjesecima prije žetve.

Nadzorna ploča za sigurnost hrane Azijske razvojne banke i FAO-ov Globalni sustav za informiranje i rano upozoravanje (GIEWS) uključuju podatke o površini riže dobivene sa satelita kako bi generirali procjene proizvodnje prije žetve s dokazanim povećanjem točnosti u odnosu na pristupe temeljene na anketama.

3. Upravljanje vodnim resursima

Navodnjavana riža je najveći pojedinačni potrošač slatke vode u Aziji, što čini otprilike 40% ukupne potrošnje poljoprivredne vode u zemljama poput Indije i Bangladeša.

Najvrjedniji rezultat satelitskog mapiranja riže nije sama karta, već odluka koju ona omogućuje, hoće li se izgraditi kanal, zatvoriti bunar ili preusmjeriti subvencija.

Točno poznavanje mjesta uzgoja riže s navodnjavanjem, koliko se sezona navodnjava i koja polja koriste učinkovite prakse upravljanja vodama poput AWD-a izravno podržava planiranje riječnih slivova, planiranje rada akumulacija i procjene održivosti podzemnih voda.

4. Praćenje sigurnosti hrane

Sustavi ranog upozoravanja na nesigurnost u pogledu hrane ovise o brzom otkrivanju propadanja usjeva. Kada područja s rižom ne uspiju završiti puni ciklus rasta, satelitsko praćenje otkriva anomaliju kao odsutni ili skraćeni fenološki vrhunac unutar očekivanog sezonskog prozora. FEWS NET (Mreža sustava za rano upozoravanje na glad), koju podržava USAID, koristi satelitske podatke o vegetaciji, uključujući praćenje specifično za rižu, za generiranje upozorenja o sigurnosti hrane diljem Azije i Afrike.

5. Procjena utjecaja klimatskih promjena

Dugoročne arhive karata uzgoja riže koje obuhvaćaju 20 ili više godina Landsat podataka otkrivaju kako su se područja uzgoja riže, godišnja doba i prinosi mijenjali kao odgovor na promjene temperature i režima oborina. Ove povijesne karte trendova pružaju empirijske dokaze o utjecajima klimatskih promjena na rižine sustave i služe kao ulazni podaci za predviđanje budućeg poljoprivrednog rizika u različitim scenarijima zagrijavanja.

7. Primjena u preciznoj poljoprivredi

Na razini farme, mapiranje tipova kulture riže dobiveno bespilotnim letjelicama u kombinaciji s podacima o tlu i vodi na razini polja podržava precizne upravljačke odluke kao što su primjena gnojiva s promjenjivom stopom, izviđanje štetnika na specifičnim lokacijama i optimizirano planiranje datuma sadnje. Ove primjene trenutno brzo sazrijevaju u Japanu, Južnoj Koreji i dijelovima Kine, gdje je uzgoj riže visoko mehaniziran, a dostupna je podatkovna infrastruktura za povezivanje rezultata daljinskog istraživanja sa sustavima upravljanja farmom.

Izazovi i ograničenja koja ograničavaju mapiranje riže

1. Oblačnost i dostupnost podataka

Uporna naoblaka tijekom sezone monsuna, kada se uzgaja velik dio riže u Aziji, ozbiljno ograničava broj upotrebljivih optičkih opažanja. Na nekim lokacijama, kontaminacija oblacima smanjuje dostupna opažanja Sentinel-2 tijekom kritičnog razdoblja presađivanja i ranog vegetacijskog razdoblja na manje od dva mjesečno. SAR podaci ublažavaju, ali ne uklanjaju ovaj problem, budući da obilne kiše mogu privremeno zasititi radarski signal.

2. Mješoviti pikseli i male veličine polja

U regijama gdje su rižina polja manja od prostorne rezolucije senzora, jedan piksel bilježi mješavinu rižinog i nerižinog pokrova zemljišta, što klasifikaciju čini dvosmislenom. Visočki rižini sustavi na brdovitom terenu i polja vrtnih razmjera u dijelovima Indonezije i Filipina rutinski proizvode miješane piksele čak i pri rezoluciji Sentinela-2 od 10 metara, što ograničava upotrebu metoda temeljenih na pikselima u tim okruženjima.

3. Spektralna i vremenska sličnost među vrstama usjeva

Neke kulture, posebno šećerna trska, juta i određeni travnjaci, proizvode fenološke krivulje slične riži u NDVI ili EVI vremenskim serijama, što dovodi do zbrke u klasifikaciji. Detekcija poplava temeljena na SAR-u smanjuje ovu zbrku za nizinsku rižu, ali brdske rižine sustave bez poplavljenih polja i dalje je teško odvojiti od spektralno sličnih kultura bez dodatnih terenskih podataka ili pomoćnih geografskih ulaza.

4. Ograničenja vremenske rezolucije

Mapiranje obrasca uzgoja riže i kulturnog tipa pomoću daljinskog istraživanja zahtijeva gusto vremensko uzorkovanje, idealno barem jedno promatranje svakih 8-10 dana tijekom cijele vegetacijske sezone. Kada naoblaka ili praznine u satelitskoj orbiti smanje ovu vremensku gustoću, automatizirani algoritmi za detekciju mogu u potpunosti propustiti kratkotrajne sorte riže ili brze sezone trostrukih usjeva.

5. Ograničenja podataka s tla

Visokokvalitetni označeni podaci za obuku, terenska opažanja usklađena s poznatim vrstama usjeva i praksama upravljanja, i dalje su skupi i logistički teški za prikupljanje u mjeri potrebnoj za obuku i validaciju nacionalnih sustava kartiranja. U mnogim zemljama s nižim prihodima koje proizvode rižu, ljudski i financijski kapaciteti za sustavno prikupljanje podataka s tla najveće su ograničenje poboljšanja točnosti kartiranja.

Novi trendovi i budućnost praćenja riže

1. Praćenje riže pomoću bespilotnih letjelica i dronova

Bespilotne letjelice (UAV) opremljene multispektralnim i toplinskim senzorima sada pružaju snimke pojedinačnih farmi na centimetarskoj razini, razlučujući granice polja, redove usjeva, pa čak i zdravstveno stanje pojedinačnih biljaka. Bespilotne letjelice funkcioniraju kao most između mapiranja u satelitskoj mjeri i promatranja pojedinačnih biljaka, pružajući podatke ultra visoke rezolucije s tla potrebne za obuku i validaciju satelitskih modela u fragmentiranim krajobraznim okruženjima.

2. Umjetna inteligencija i duboko učenje za klasifikaciju riže

Konvolucijske neuronske mreže primijenjene na vremenske serije satelitskih snimaka, u kombinaciji s transformatorskim arhitekturama prilagođenim obradi prirodnog jezika, trenutno postižu najveću točnost klasifikacije riže ikad zabilježenu.

Okvir PRISM (Sustav za identifikaciju usjeva riže temeljen na fenologiji korištenjem višeizvornih podataka) koji su 2024. godine objavili istraživači sa Sveučilišta Wageningen pokazao je da samostalno nadzirano učenje na neoznačenim satelitskim arhivama može unaprijed obučiti modele klasifikacije riže koji zahtijevaju samo minimalne označene podatke s tla za fino podešavanje, dramatično smanjujući opterećenje terenskim istraživanjem.

3. Sustavi za praćenje riže u gotovo stvarnom vremenu

Operativni sustavi za praćenje riže u gotovo stvarnom vremenu automatski obrađuju dolazne satelitske podatke, ažuriraju karte riže u intervalima od 10-16 dana te šalju upozorenja o datumima sadnje, događajima s nedostatkom vode i vremenu žetve izravno na vladine nadzorne ploče ili mobilne aplikacije koje koriste poljoprivrednici i savjetnici.

Tajlandski Odjel za rižu i Vijetnamsko Ministarstvo poljoprivrede obje upravljaju prototipovima sustava ove vrste, a Međunarodni institut za istraživanje riže podržava sličan razvoj kapaciteta u Bangladešu i Kambodži.

4. Integracija satelitskih i IoT podataka

Senzori Interneta stvari (IoT) postavljeni na rižinim poljima, mjereći vlažnost tla, razinu vode, temperaturu i mikroklimu krošnji, generiraju kontinuirana promatranja na razini tla koja nadopunjuju i kalibriraju podatke daljinskog istraživanja satelita.

Kada se mreže IoT senzora i satelitska promatranja kombiniraju u okvirima za fuziju podataka, rezultirajući sustav praćenja može s većom pouzdanošću i ranijim vremenom detektirati vodni stres, pojavu poplava i pritisak bolesti nego što to bilo koji izvor pruža zasebno.

5. Digitalna poljoprivreda i pametna poljoprivreda

Konvergencija satelitskog mapiranja riže, IoT senzora i podrške odlučivanju temeljene na umjetnoj inteligenciji stvara temelje pametnog uzgoja riže, gdje se upravljačke odluke, od vremena navodnjavanja do primjene gnojiva, donose na temelju prostorno eksplicitnih, gotovo stvarnovremenskih tokova podataka, a ne na temelju pravila temeljenih na kalendaru.

Pilotni programi u japanskoj prefekturi Niigata i kineskoj provinciji Heilongjiang pokazali su da precizno upravljanje rižom temeljeno na daljinskom istraživanju može smanjiti troškove ulaganja za... 15-25% uz održavanje ili poboljšanje prinosa, prema preliminarnim izvješćima s terenskih pokusa iz 2024.

Zaključak

Mapiranje obrazaca uzgoja riže i kulturnog tipa pomoću daljinskog istraživanja sazrelo je od akademske istraživačke discipline do operativnog alata koji koriste vlade, međunarodne agencije i agrotehnološke platforme diljem Azije i šire. Višesenzorski vremenski nizovi koji kombiniraju optičke i SAR podatke, obrađene pomoću strojnog učenja i klasifikatora dubokog učenja, sada rutinski daju karte područja riže na nacionalnoj razini s ukupnom točnošću koja prelazi 85-90%. Ove karte ne samo da određuju gdje riža raste, već i koliko puta godišnje, pod kojim vodnim režimom i kojom metodom uspostavljanja.

Prelazak s jednostavnog mapiranja područja riže na klasifikaciju kulturnih tipova ono je što transformira proizvod pokrova zemljišta u imovinu poljoprivredne inteligencije. Saznanje da je regija tijekom desetljeća prešla s presađene na rižu izravno sjetve signalizira promjene na tržištu rada i istovremeno iscrpljivanje podzemnih voda. Poznavanje područja napajanih kišom najosjetljivijih na sušna razdoblja u ranoj sezoni, identificiranih prema njihovim vremenskim spektralnim obrascima, omogućuje unaprijed pozicioniran odgovor na sušu, a ne reaktivno ublažavanje katastrofa. Daljinsko istraživanje omogućuje ovu razinu prostorne inteligencije uz djelić cijene ekvivalentnih programa istraživanja tla.

Krumpir je jedna od najvažnijih svjetskih prehrambenih kultura, služeći kao osnovna namirnica za milijune ljudi. Prvo, poznavanje načina na koji krumpir raste i mogućnost predviđanja njegovog prinosa pomaže poljoprivrednicima učinkovitije upravljati navodnjavanjem, gnojidbom i suzbijanjem štetnika.

Drugo, prerađivači hrane i skladišta mogu bolje planirati logistiku i radnu snagu kada imaju pouzdane procjene prinosa. Međutim, tradicionalne metode – poput fizičkog obilaska polja i ručnog mjerenja biljaka – dugotrajne su i sklone ljudskim pogreškama.

Stoga su se znanstvenici okrenuli daljinskom istraživanju (remote sensing), koje koristi kamere i senzore na satelitima, bespilotnim letjelicama ili ručnim uređajima, kako bi brže i točnije pratili rast krumpira i predviđali prinose.

Predviđanje prinosa krumpira

Tijekom protekla dva desetljeća značajno je porastao interes za primjenu daljinskih istraživanja u istraživanju krumpira. Zapravo, sustavni pregled identificirao je 79 studija objavljenih između 2000. i 2022. na ovu temu, od 482 izvorno pregledana članka.

Kako bi se osigurala transparentnost i ponovljivost, autori su se pridržavali uspostavljenih smjernica (Kitchenham & Charters 2007; PRISMA okvir), pretražujući osam glavnih baza podataka—Google Scholar, ScienceDirect, Scopus, Web of Science, IEEE Xplore, MDPI, Taylor & Francis i SpringerLink—koristeći pojmove poput “potato yield prediction” I “remote sensing”.”

Posljedično, uključena su samo izvorna istraživanja na engleskom jeziku koja su koristila podatke daljinskih istraživanja za praćenje rasta ili procjenu prinosa. Nadalje, podaci iz svakog odabranog rada prikupljeni su prema četiri ključna pitanja:

• Koja je korištena platforma senzora (satelit, bespilotna letjelica ili zemaljska)?
• Koji su vegetacijski indeksi ili spektralne značajke evaluirani?
• Koje su se biljne osobine pratile (biomasa, lisna površina, klorofil, dušik)?
• Koliko točno predviđeni konačni prinos krumpira (koeficijent determinacije, R²)?

Ova pitanja pomogla su recenzentima da mapiraju trenutno stanje i identificiraju praznine gdje bi se buduća istraživanja mogla fokusirati.

Platforme za daljinska istraživanja i Indeksi vegetacije

Istraživači su koristili tri glavne vrste platformi za daljinsko istraživanje, od kojih svaka ima svoje prednosti i nedostatke. Prvo, optički sateliti kao što su Sentinel-2 (prostorna rezolucija 10 m, ponovni posjet svakih 5 dana) i Landsat 5–8 (30 m, ponovni posjet svakih 16 dana) nude široku pokrivenost i često besplatan pristup podacima.

Drugo, sateliti poput MODIS/TERRA/Aqua (250–1000 m, s ponovnim posjetom od dnevnog do 2 dana) i komercijalni sustavi poput PlanetScope (3 m, dnevni, stoji oko $218 po 100 km²) omogućuju češće praćenje ili praćenje više rezolucije, iako troškovi mogu biti faktor.

Treće, bespilotne letjelice (UAV) opremljene multispektralnim ili hiperspektralnim kamerama pružaju vrlo visoku rezoluciju (do nekoliko centimetara po pikselu) i mogu se letjeti na zahtjev, ali pokrivaju manje površine i zahtijevaju više logistike.

Naposljetku, senzori temeljeni na zemlji – poput ručnih NDVI metara i SPAD metara za klorofil – daju precizna mjerenja na licu mjesta, iako su dugotrajni kada se koriste na velikim poljima.

Vegetacijski indeksi (VI-evi) pretvaraju sirove vrijednosti refleksije u smislene procjene biljnih svojstava. Najčešći indeksi u istraživanjima krumpira uključuju:

• NDVI (Indeks normalizirane razlike vegetacije): (BLN – Crvena) / (BLN + Crvena)
• GNDVI (Zeleni NDVI): (NIR – Zeleni) / (NIR + Zeleni)
• NDRE (Normalizirani razmak crvenog ruba): (bliske infracrvene - crveni rub) / (bliske infracrvene + crveni rub)
• OSAVI (Optimizirani indeks vegetacije prilagođen tlu): 1.16 × (NIR – Crveno) / (NIR + Crveno + 0.16)
• EVI (Poboljšani vegetacijski indeks), CIred‑edge, CIgreen i više. .

Ovi indeksi odabrani su na temelju njihove osjetljivosti na pokrovnost krošnjama, sadržaj klorofila i pozadinu tla. Posljedično, oni služe kao temelj za procjenu zdravlja biljaka i predviđanje prinosa.

Praćenje rasta krumpira i predviđanje prinosa

Kroz daljinska istraživanja, istraživači prate ključne osobine usjeva krumpira – nadzemnu biomasu (AGB), indeks lisne površine (LAI), sadržaj klorofila u krošnji (CCC) i status dušika u lišću – te ih zatim povezuju s konačnim prinosom gomolja.

Prvo, procjena ukupne suhe biomase (AGB) samo pomoću vizualnih indeksa (VIs) može biti izazovna kada je pokrovnost krošanja gusta jer se mnogi indeksi zasićuju; stoga kombiniranje VI-ova s visinom biljke ili teksturalnim značajkama u modelima strojnog učenja često poboljšava točnost.

Drugo, procjena LAI-a — ukupne jednostrane površine lista po površini tla — postigla je R² vrijednosti do 0,84 korištenjem podataka vremenskih serija iz hiperspektralnih senzora besposadnih zrakoplova i multispektralnih satelitskih senzora.

Treće, CCC procjene, izvedene iz indeksa kao što su CIred‑edge, CIgreen, TCARI/OSAVI i TCARI + OSAVI, dosegle su R² ≈ 0,85 tijekom vegetativne faze, što ukazuje na jaku korelaciju s klorofilom izmjerenim u laboratoriju.

Naposljetku, status dušika u lišću, ključan za zdrav rast, predviđen je s R² u rasponu od 0,52 do 0,95 kada su korišteni senzori temeljeni na tlu uz regresijske ili modele slučajnih šuma.

Kada je riječ o predviđanju prinosa gomolja, izdvajaju se dva glavna modelarska pristupa:

Empirijski regresijski modeli: Ovdje se pojedinačni VI — najčešće NDVI, GNDVI ili NDRE — povezuje s podacima o prinosu dobivenim na terenu. Prijavljene R² vrijednosti za NDVI u odnosu na prinos kreću se od 0,23 do 0,84 (medijan ≈ 0,67), dok se korelacije NDRE–prinos kreću od 0,12 do 0,85 (medijan ≈ 0,61).

Modeli strojnog učenja: To uključuje slučajne šume, potporne vektorske strojeve i neuronske mreže koje kombiniraju više VI-ova, spektralne pojaseve i nespektralne čimbenike poput vremena, tla i upravljanja. Takvi su modeli u nekim studijama povećali R² do 0,93.

Nadalje, vremenski razmak prikupljanja podataka značajno utječe na točnost predviđanja. Prema višestrukim studijama, mjerenja VI provedena 36–55 dana nakon sadnje (DAP) dala su najveće korelacije s konačnim prinosom gomolja.

Ova faza odgovara maksimalnom pokrivanju tla i početku formiranja gomolja, čime struktura biljke najviše ukazuje na konačni prinos. Neke od ključnih pronađenih statistika:

• 79 studija (2000. – 2022.) ispunilo je kriterije pregleda, od identificiranih 482.
• Područja fokusa: predviđanje prinosa (37%), status N lišća (21%), AGB (15%), LAI (15%), CCC (12%).
• Najviše korištene satelitske platforme: Sentinel-2, Landsat, MODIS; komercijalne: PlanetScope.
• R² rasponi: NDVI–prinos (0,23–0,84), NDRE–prinos (0,12–0,85), GNDVI–prinos (0,26–0,75).

Preporuke za predviđanje prinosa krumpira

Na temelju ovih nalaza, praktičari bi prvo trebali odabrati odgovarajuću platformu za svoje ciljeve. Za prognoze regionalnih prinosa, besplatni Sentinel-2 podaci pružaju pouzdanu pokrivenost s rezolucijom od 10 m i učestalošću ponovnog snimanja od 5 dana.

Za preciznije lokalne procene, letovi bespilotnih letelica zakazani oko 36–55 dana nakon sadnje hvataju ključne dinamike krošnje i poboljšavaju kalibraciju satelitskih modela. Zemaljski senzori se najbolje koriste za povremene provere i kalibraciju daljinskih posmatranja, posebno prilikom kombinovanja spektralnih podataka sa merenjima na terenu.

Što se tiče vegetacijskih indeksa, praktičari bi trebali dati prednost NDVI, NDRE i CI_red-edge za predviđanje konačnog prinosa, jer oni dosljedno pokazuju snažne korelacije.

Pri procjeni sadržaja klorofila i dušika, kombiniranje indeksa crvenog ruba s VIs prilagođenim tlu – poput TCARI/OSAVI – daje najtočnije rezultate. Za procjenu biomase, integracija VIs-a s visinom biljke ili teksturnim značajkama unutar okvira strojnog učenja dodatno povećava točnost.

Kad je riječ o modeliranju, jednostavne linearne ili nelinearne regresije koje koriste jedan indeks učinkovite su kada su podaci o stvarnom stanju ograničeni. Međutim, kada su dostupni višestruki indeksi i dodatni podaci (vrijeme, tlo, upravljanje), metode strojnog učenja kao što su nasumična šuma ili neuronske mreže nude superiorne performanse. Važno je napomenuti da je snimanje slika oko 36–55 dana nakon sadnje ključno, jer taj vremenski period dosljedno pruža najvišu točnost predviđanja.

Zaključak

Zaključno, daljinska istraživanja nude brzi, fleksibilni i točni skup alata za praćenje rasta krumpira i predviđanje prinosa gomolja. Odabirom odgovarajuće platforme, odabirom najinformativnijih indeksa vegetacije, tempiranjem prikupljanja podataka oko 36–55 DAP (dana nakon nicanja) i primjenom prikladnih tehnika modeliranja, istraživači i praktičari mogu značajno poboljšati prognoze prinosa.

Ovaj pristup ne samo da štedi vrijeme, već podržava i donošenje pametnijih upravljačkih odluka, što u konačnici koristi poljoprivrednicima, agronomima i cijelom lancu opskrbe krumpirom.

ReferencaMukiibi, A., Machakaire, A.T.B., Franke, A.C. i sur. Sustavni pregled vegetacijskih indeksa za praćenje rasta krumpira i predviđanje prinosa gomolja iz daljinskog istraživanja. Krumpir. 68, 409–448 (2025). https://doi.org/10.1007/s11540-024-09748-7