Рубрика: Қашықтықтан зондтау

Қашықтықтан зондтау технологиясы планетамыздың құрлық бетінің тірі массасын өлшеу, бақылау және басқару тәсілімізді түбегейлі өзгертті. Қашықтықтан зондтау арқылы есептелген құрлық биомассасы енді университет зертханаларымен шектелетін зерттеу тақырыбы емес — ол қазір бүкіл әлем бойынша үкіметтер, орман шаруашылығы агенттіктері, дақыл ғалымдары және климат зерттеушілері пайдаланатын маңызды операциялық құралға айналды.

Тек ауыл шаруашылығы нарығындағы қашықтықтан зондтау бағаланды 2025 жылы $3,8 млрд. және дейін өседі деп болжануда 2034 жылға қарай $9,6 млрд. кезінде Жылдық орташа жылдық тұтыну мөлшері 10.9%, 2026 жылғы Dataintelo салалық есебіне сәйкес. Бұл өсімнің айтарлықтай бөлігі көміртекті есепке алуды, дәл егіншілікті және қоршаған ортаны бақылауды қолдау үшін сенімді биомасса деректеріне деген сұраныспен байланысты.

Құрлық биомассасы дегеніміз не?

Құрлық биомассасы (белгілі бір аумақтағы барлық органикалық материалдардың жалпы құрғақ массасы) метрикалық бірліктермен өлшенеді, мысалы гектарына тонна (т/га) немесе гектарына мегаграмм (мг/га), мұндағы 1 Мг 1 метрикалық тоннаға тең. Ол фотосинтездің жинақталған өнімін — өсімдіктер, ағаштар және басқа организмдер атмосферадан ұстап, физикалық затқа бекіткен көміртекті білдіреді.

Бұл экожүйе денсаулығының, көміртегі қорының және дақыл өнімділігінің ең қуатты көрсеткіштерінің бірі, дегенмен дәстүрлі жердегі өлшеу әдістері заманауи жерді басқару қажеттіліктерін қанағаттандыру үшін ұзақ уақыт бойы тым баяу, қымбат және кеңістіктік тұрғыдан шектеулі болды.

Жер үсті биомассасы (ЖББ) және жер асты биомассасы (ЖББ)

Ғалымдар биомассаны екі негізгі санатқа бөледі. Жер үсті биомассасы (ЖББ) топырақ бетінен жоғары өсетін барлық нәрсені - сабақтарды, діңдерді, бұтақтарды, жапырақтарды және қураған ағашты қамтиды. Жер асты биомассасы (ЖББ) тамыр жүйелерін және басқа да жер асты органикалық материалдарын қамтиды. Орманды экожүйелердің көпшілігінде ЖББ шамамен құрайды. Жалпы биомассаның 20–30%, және оны өлшеу AGB бағалауынан әлдеқайда қиын болып қала береді.

Биомасса тірі биомасса (белсенді өсетін, метаболикалық белсенді өсімдік материалы) және өлі биомасса (тұрып тұрған немесе құлаған қураған ағаш, құрғақ қоқыс) болып та жіктеледі. Екі түрі де көміртекті сақтайды және ландшафттың жалпы көміртегі қорына үлес қосады, бірақ олар өртке, ауруға және басқару араласуларына әртүрлі жауап береді.

Қоршаған орта индикаторы ретінде биомасса ерекше маңызды орын алады. Биомассаның жоғары мәндері көміртекті сіңіру әлеуеті жоғары өнімді, сау экожүйелерді көрсетеді. Биомасса үрдістерінің төмендеуі ормандардың жойылуын, құрғақшылық стрессін, топырақтың деградациясын немесе артық жинауды көрсетеді. Егін өсірушілер үшін жер үсті биомассасы дәнді дақылдардың өнімділігімен тікелей байланысты, бұл оны дәл ауыл шаруашылығындағы ең практикалық көрсеткіштердің біріне айналдырады.

Неліктен жер биомассасын қашықтықтан зондтау арқылы есептеу керек?

Дәстүрлі биомассаны бағалау далалық өлшеулерге негізделген: зерттеушілер үлгі учаскелерін жинайды, өсімдік материалын пештерде кептіреді және бірлік ауданға шаққандағы құрғақ массаны анықтау үшін оны өлшейді. Бұл зиянды, еңбекті көп қажет ететін процесс учаске масштабында жұмыс істейді, бірақ ұлттық орман, өзен бассейні немесе континенттік ауылшаруашылық аймағы үшін биомасса деректері қажет болған кезде мүлдем практикалық емес болып қалады. Жердегі далалық зерттеулердің негізгі шектеулері

1. Кеңістіктік қамту қатаң шектелген. Далалық бригада бір маусымда бірнеше ондаған учаскедегі биомассаны шынайы түрде өлшей алады. Спутник бір ғана жол өткелінде миллиондаған гектарды қамтиды, бұл қашықтықтан зондтаусыз ландшафттық масштабтағы мониторингті мүмкін емес етеді.

2. Далалық зерттеулер қымбат және баяу. Дайындалған персоналды шалғай ормандарға немесе кең ауылшаруашылық ландшафттарына орналастыру айтарлықтай бюджетті, логистикалық үйлестіруді және уақытты қажет етеді — мұның бәрі зерттеу аумақтары өскен сайын нашар масштабталады.

3. Деструктивті сынама алу экожүйеге зиян келтіреді. Биомассаны өлшеу үшін жинау учаскелері зерттеліп жатқан өсімдіктердің өзін жояды, бұл бір жерде қайталанатын өлшеулерді қажет ететін ұзақ мерзімді мониторинг бағдарламаларымен үйлеспейді.

4. Уақытша жиілік тым төмен. Далалық топтар әдетте учаскені жылына бір рет зерттейді. Жер серіктері бірнеше күн сайын сол жерге қайта орала алады, бұл маусымдық биомасса өзгерістерін үздіксіз бақылауға және өрт немесе құрғақшылық сияқты оқиғаларға жедел жауап беруге мүмкіндік береді.

Қашықтықтан зондтау осы шектеулердің барлығын бірден шешеді. Sentinel-2 спутнигінің бір ғана суреті бар Әр көрініс үшін 290 км² кезінде 10 метрлік кеңістіктік ажыратымдылық, қайталанатын, қабырғадан қабырғаға дейінгі өсімдіктер туралы деректерді қосымша гектарға шекті шығынсыз жеткізу. Жер биомассасының дәл деректеріне тәуелді қолданыстар кең:

• Көміртекті есепке алу және REDD+: Халықаралық климаттық құрылымдар орман көміртегі қорларының тексерілген бағалауларын талап етеді. Қашықтықтан зондтауға негізделген биомасса карталары ұлттық орман инвентаризацияларының өзі қамтамасыз ете алмайтын кеңістіктік қамтуды және жаңарту жиілігін қамтамасыз етеді.
• Ауыл шаруашылығы мониторингі: Әртүрлі өсу кезеңдеріндегі дақыл биомассасы соңғы өнімді болжайды, суару кестесін анықтайды және өнімділіктің төмендеуіне әкелетін ерте стрессті белгілейді.
• Орман шаруашылығы: Ағаш көлемі, орман өрті қаупіне арналған отын мөлшері және биоәртүрлілікті бағалау үлкен орман алқаптарындағы сенімді биомасса бағалауларына байланысты.
• Қоршаған ортаны басқару: Жердің деградациясын бақылау, батпақты жерлерді бағалау және инвазивті түрлерді анықтау биомассаның өзгеруін негізгі сигнал ретінде пайдаланады.

Қашықтықтан зондтау құрлық биомассасын қалай өлшейді: физикалық принциптер

Әрбір қашықтықтан зондтау жүйесі – оптикалық спутник, радар немесе лазер – электромагниттік энергияның өсімдік материалымен қалай әрекеттесетінін өлшеу арқылы өсімдіктер туралы ақпарат жинайды. Бұл өзара әрекеттесуді түсіну қашықтықтан зондтау биомассаны неліктен бағалай алатынын түсінудің кілті болып табылады.

Өсімдіктер электромагниттік сәулеленуді ішкі химиясына, су құрамына, жапырақ құрылымына және шатыр құрылымына байланысты әртүрлі шағылыстырады, сіңіреді және өткізеді. Хлорофилл (фотосинтезді қамтамасыз ететін жасыл пигмент) жасыл және жақын инфрақызыл энергияны шағылыстыра отырып, қызыл және көк толқын ұзындықтарын күшті сіңіреді.

Сондықтан сау, тығыз өсімдіктер өзіне тән спектрлік үлгіні көрсетеді: қызыл шағылысу төмен, инфрақызылға жақын шағылысу жоғары. Бұл үлгі — спектрлік сигнатура деп аталады — ғарыштан өлшенеді және оның қарқындылығы бірлік аумаққа шаққандағы өсімдік материалының мөлшерімен корреляцияланады.

Спектрлік сигналдардан биомасса мәндеріне дейін

Сенсорлар спектрлік қолтаңбаны түсіріп, өсімдік индекстерін (өсімдік сигналының берілген суретте қаншалықты күшті көрінетінін сандық түрде көрсететін математикалық қатынастар) есептейді. Содан кейін бұл индекстер далалық жиналған биомасса өлшемдерін пайдаланып калибрленген статистикалық немесе машиналық оқыту модельдері арқылы биомассамен байланыстырылады. Нәтижесінде кеңістіктік үздіксіз биомасса картасы пайда болады — суреттегі әрбір пиксель болжамды биомасса мәнін алады.

Деректерді өңдеу жұмыс процесі айқын тізбек бойынша жүреді. Шикі спутниктік деректер геометриялық бұрмаланулармен және атмосфералық кедергілермен келеді. Алдын ала өңдеу бұл қателерді түзетеді. Өсімдік индекстері түзетілген кескіндерден есептеледі. Далалық өлшенген биомасса үлгілері модельді калибрлеу үшін негізгі шындық ретінде қызмет етеді. Содан кейін тексерілген модель биомассаның соңғы картасын жасау үшін кескіннің толық көлеміне қолданылады.

Спектрлік шағылысудан тыс қосымша физикалық сигналдар биомасса туралы ақпаратты тасымалдайды. Өсімдіктің биіктігі - өсімдіктің қаншалықты биік екендігі - AGB-нің күшті болжаушысы болып табылады. Өсімдік тығыздығы (гектарға қанша сабақ) жарықтың қаншалықты ілінетінін анықтайды. Беткі кедір-бұдырлық (радармен анықталған) шатырдың құрылымдық күрделілігін көрсетеді. Тек шағылысуды ғана емес, осы құрылымдық қасиеттерді өлшейтін сенсорлар көбінесе биомассаны бағалаудың жоғары дәлдігін қамтамасыз етеді.

Биомассаны бағалау үшін қолданылатын қашықтықтан зондтау түрлері

Барлық экожүйелер мен масштабтар бойынша биомассаны бағалауда ешбір сенсор басымдық бермейді. Ғалымдар мен мамандар мақсатты өсімдіктерге, бюджетке, қажетті дәлдікке және географиялық қамтуға негізделген бірнеше сенсор түрлерін біріктіреді.

Бүгінгі таңдағы ең дәл биомасса карталары бір сенсордан емес, оптикалық, радарлық және LiDAR деректерінің интеллектуалды бірігуінен жасалған — әрқайсысы бір-бірінің «соқыр аймақтарын» толтырады.

1. Оптикалық спутниктік бейнелер: көпспектрлі және гиперспектрлі

Оптикалық сенсорлар шағылысқан күн сәулесін дискретті спектрлік жолақтар арқылы түсіреді, әдетте көрінетін толқын ұзындықтарын (көк, жасыл, қызыл) және жақын инфрақызыл (NIR) қамтиды. Көпспектрлі кескіндер (4-10 спектрлік жолақтардан алынған деректер) бүкіл әлемдегі көптеген операциялық биомасса картаға түсіру бағдарламаларының негізін құрайды, бұл негізінен Sentinel-2 және Landsat миссияларынан келетін еркін, үздіксіз деректер ағындарының арқасында.

Гиперспектрлік кескіндер (жүздеген тар, үздіксіз спектрлік жолақтардан алынған деректер) әлдеқайда нәзік спектрлік бөлшектерді береді. Ол өсімдік пигменттерін, су құрамын және жапырақ химиясын мультиспектрлік сенсорлар анықтай алмайтын деңгейде анықтайды.

Бұл оны шабындықтар мен ауылшаруашылық алқаптарындағы биомасса тығыздығының нәзік айырмашылықтарын анықтау үшін ерекше пайдалы етеді. Гиперспектрлік кескіннің негізгі шектеуі - бұлттылық: оптикалық сенсорлар бұлттарды көре алмайды, бұл биомассаны бағалау ең маңызды болып табылатын ылғалды тропикалық аймақтарда деректердегі айтарлықтай алшақтықтарды тудырады.

Оптикалық биомасса картасын жасау үшін қолданылатын кең таралған жерсеріктерге Landsat 8/9 (30 метрлік ажыратымдылық, 16 күндік қайта қарау), Sentinel-2 (10 метрлік ажыратымдылық, 5 күндік қайта қарау) және PlanetScope (3 метрлік ажыратымдылық, коммерциялық қолданбалар үшін күнделікті қайта қарау) жатады.

2. Радар (SAR): Бұлттар арқылы және шатырлардың ішінен көру

Синтетикалық диафрагмалық радар (SAR) — микротолқынды импульстарды шығаратын және құрлық бетінен кері шағылысқан энергияны өлшейтін жүйе — бұлт жамылғысы мәселесін толығымен шешеді. Микротолқынды энергия бұлттар мен тұман арқылы кедергісіз өтеді, бұл SAR-ды тропикалық ормандарды бақылау үшін таңдаулы сенсорға айналдырады, мұнда тұрақты бұлт жамылғысы оптикалық кескіндерді пайдалануға жарамсыз етеді.

SAR сигналдары өсімдік жамылғыларына да еніп, тек жоғарғы жапырақ бетімен ғана емес, ағаш сабақтарымен және бұтақтарымен әрекеттеседі. Радар толқын ұзындығы неғұрлым ұзақ болса, сигнал соғұрлым терең енеді. L-диапазонды SAR (толқын ұзындығы шамамен 23 см, ALOS-2 PALSAR-2 пайдаланады) төменгі жамылғыға еніп, үлкен ағаш биомассасымен әрекеттеседі, бұл оны тропикалық орман AGB бағалау үшін өте қолайлы етеді.

C-диапазонды SAR (толқын ұзындығы шамамен 5 см, Sentinel-1 пайдаланады) беткі қабат құрылымына сезімтал және дақылдардың биомассасын бақылау үшін кеңінен қолданылады.

жарияланған зерттеулер Орман шаруашылығын зерттеу журналы (Springer Nature, 2021) L-диапазонды ALOS-2 және C-диапазонды Sentinel-1 SAR деректері көміртегі қорын қанағаттанарлық бағалауға мүмкіндік беретінін, Жерорта теңізі ормандарын зерттеу аймағындағы көміртегі қорының жалпы көлемі шамамен алғанда шамамен екенін анықтады. 130 т/га жер үсті, жер асты, қураған ағаштар, қоқыс және топырақ бассейндері біріктірілген.

3. LiDAR: Құрылымдық биомасса картасын жасаудың алтын стандарты

LiDAR (Жарықты анықтау және қашықтықты анықтау) лазерлік импульстарды шығарады және олардың нысана бетінен кері қайтуына кететін дәл уақытты өлшейді. Бұл уақыт тікелей үш өлшемді нүктелік бұлттарға (әрбір лазерлік импульстің шағылысқан жерінің тығыз карталары) айналады, олар шатырдың биіктігін, шатырдың құрылымын және жердің биіктігін сантиметрлік дәлдікпен көрсетеді.

Ағаш биіктігі жер бетіндегі биомассаның ең күшті болжаушыларының бірі болып табылады — биік ағаштар қысқа ағаштарға қарағанда экспоненциалды түрде көбірек биомасса тасымалдайды. LiDAR-дан алынған биіктік модельдері далалық өлшенген аллометриялық теңдеулермен (ағаш биіктігі, диаметрі және массасы арасындағы түрге тән математикалық қатынастар) біріктіріліп, орманды ландшафттарда оптикалық немесе радарлық тәсілдерден үнемі асып түсетін биомасса бағалауларын береді.

NASA-ның ғаламдық экожүйе динамикасын зерттеу (GEDI) миссиясы — Халықаралық ғарыш станциясына орнатылған көп сәулелі толқын пішінді LiDAR құралы — жаһандық биомассаны бағалауға арналған алғашқы мақсатты түрде жасалған ғарыштық LiDAR жүйесін білдіреді. GEDI әлемдегі негізгі тропикалық және қоңыржай орман аймақтарын қамтитын 51,6°N ендіктен 51,6°S ендікке дейінгі деректерді жинайды.

4. Дронға негізделген қашықтықтан зондтау: жоғары ажыратымдылықтағы өріс масштабы

Пилотсыз ұшу аппараттары (ПҰА), әдетте дрондар деп аталады, спутниктік және далалық өлшеулер арасындағы алшақтықты жояды. RGB камералары бар дрон жеке өсімдіктерді анықтайтын сантиметрлік ажыратымдылықтағы кескіндерді түсіреді.

Мультиспектральды дрон сенсорлары учаске масштабында өсімдіктердің дәл индекстерін есептейді. LiDAR жабдықталған дрондар тығыз нүктелік бұлттарды жасайды, бұл биомассаны әуедегі LiDAR құрылымдық дәлдігімен аз шығынмен бағалауға мүмкіндік береді.

Дәнді дақылдарды өсірушілер үшін дронға негізделген биомасса картасын жасау әсіресе практикалық. Вегетациялық өсу кезеңінде бидай немесе жүгері егістігінің үстінен бір рет ұшу өнімділікті шектейтін учаскелерді - зиян қайтымсыз болғанға дейін қосымша тыңайтқыш немесе суаруды қажет етуі мүмкін биомассасы төмен аймақтарды белгілейтін биомасса тығыздығы картасын жасайды.

Биомассаны бағалау үшін қолданылатын өсімдік индекстері

Өсімдік индекстері - бұл шикі спектрлік шағылысу мәндері мен өсімдіктердің тығыздығы мен денсаулығы туралы биологиялық ақпарат арасындағы математикалық көпір. Әрбір индекс өсімдіктердің ерекше әрекет ететін электромагниттік спектрдің белгілі бір бөлігін пайдаланады.

NDVI (Нормалданған айырмашылықты өсімдік индексі) ең кең таралған әдіс. Ол жақын инфрақызыл (NIR) және қызыл шағылысу арасындағы айырмашылықты олардың қосындысына бөледі: NDVI = (NIR – Қызыл) / (NIR + Қызыл). Мәндер -1-ден +1-ге дейін, ал сау тығыз өсімдіктер әдетте 0,6 мен 0,9 аралығында болады.

NDVI жапырақ ауданының индексімен (LAI — жер ауданының бірлігіне шаққандағы жалпы бір жақты жапырақ ауданы) және сондықтан фотосинтетикалық қабілеттілік пен биомассаның жиналуымен тығыз байланысты.

• EVI (өсімдік жамылғысының жақсартылған индексі) атмосфералық әсерлер мен топырақ фонының кедергілерін түзетеді, бұл оны биомассасы жоғары тропикалық ормандарда және ашық немесе ашық топырақты жерлерде NDVI-ге қарағанда сенімдірек етеді.
• SAVI (Топыраққа бейімделген өсімдік жамылғысының индексі) топырақ жарықтығын түзету коэффициентін қамтиды, бұл әсіресе құрғақ және жартылай құрғақ ауылшаруашылық жағдайларында маңызды, мұнда дақыл қатарлары арасындағы жалаңаш топырақ спектрлік сигналға қатты әсер етеді.
• GNDVI (Жасыл қалыпқа келтірілген айырмашылық өсімдік индексі) NDVI формуласындағы қызыл түстің орнына жасыл шағылысуды қолданады, бұл оны хлорофилл концентрациясының өзгеруіне сезімтал етеді және шатырлар толығымен жабылған кезде маусымның соңында дақылдардың биомассасын бақылау үшін пайдалы етеді.

Жапырақ ауданының индексі (ЖАИ) ерекше атап өтуге тұрарлық, себебі ол қашықтықтан зондтауды алудың нәтижесі және биомасса жинақталуының тікелей қозғаушы күші болып табылады. ЖАИ жоғары өсімдіктер күн радиациясын көбірек ұстап алады, көбірек көміртекті бекітеді және көбірек биомасса өндіреді. MODIS немесе Sentinel-2 уақыт қатарынан жасалған қашықтықтан зондтау арқылы алынған ЖАИ карталары өнімділіктің қалыптасуын және соңғы жиналатын биомассаны модельдейтін дақылдардың өсу модельдеріне тікелей енгізіледі.

Құрлық биомассасын бағалаудың негізгі деректер көздері

Дұрыс деректер көзін таңдау зерттеудің ауқымына, өсімдік түріне, қажетті кеңістіктік ажыратымдылыққа және қолжетімді бюджетке байланысты. Төменде қазіргі уақытта операциялық және зерттеу деңгейіндегі биомасса картаға түсіруде қолданылатын негізгі деректер ағындары келтірілген. Landsat және Sentinel шоқжұлдызынан алынған тегін, ашық қолжетімді спутниктік деректер биомасса картаға түсіруді демократияландырды, бұл оны коммерциялық кескіндерге бюджеті жоқ зерттеушілер мен агенттіктер үшін қолжетімді етті.

i. Landsat (NASA/USGS): 50 жылдан астам үздіксіз деректер, 30 метрлік ажыратымдылық, тегін қолжетімділік. Landsat уақыттық қатарлары 1970 жылдардан бастап биомассаның өзгеруін тарихи талдауға мүмкіндік береді, бұл ормандардың жойылуы мен жердің деградациясын бақылау үшін теңдессіз контекст ұсынады.

ii. Sentinel-2 (ESA): Негізгі спектрлік жолақтарда 10 метрлік ажыратымдылық, 5 күндік қайта қарау, тегін кіру мүмкіндігі. Sentinel-2 ажыратымдылығы мен жиілік үйлесіміне байланысты дақылдардың биомассасын бақылау және аймақтық ормандарды бағалау үшін қазіргі стандарт болып табылады.

iii. Sentinel-1 (ESA): C-диапазонды SAR, барлық ауа райында жұмыс істеу мүмкіндігі, еркін қолжетімділік. Sentinel-1 - оптикалық деректердегі олқылықтар тұрақты мәселе болып табылатын аймақтарда бұлттан зардап шеккен тропикалық мониторинг және дақылдардың биомассасы үшін негізгі радар көзі.

iv. MODIS (NASA): 250 м–1 км ажыратымдылық, күнделікті жаһандық қамту. MODIS уақыт қатарлары континенттік масштабтағы биомасса өзгерістерін анықтау және маусымдық мониторинг үшін өте қолайлы, дегенмен ірі ажыратымдылық фрагменттелген ландшафттарда пайдалылықты шектейді.

PlanetScope-қа қарсы: 3 метрлік ажыратымдылық, күнделікті қайта қарау, коммерциялық жазылым. PlanetScope биомасса мониторингін жеке егістік масштабында қамтамасыз етеді, кіші егістік кеңістіктік өзгергіштігі маңызды болатын дәл ауыл шаруашылығы қолданбаларын қолдайды.

vi. NASA GEDI LiDAR: 25 метрлік із диаметрі, жаһандық тропикалық және қоңыржай климаттық аймақтарды қамту, тегін деректер өнімдері. GEDI - жаһандық масштабтағы шатыр биіктігі мен AGB тығыздығының негізгі ғарыштық көзі.

vii. ICESat-2 (NASA): Әлемдік қамтуы бар фотонды санайтын LiDAR, әсіресе биік ендік ормандардағы шатыр биіктігін өлшеу және ұсақ масштабтағы биіктік өзгерісін анықтау үшін күшті.

Қашықтықтан зондтауды пайдаланып құрлық биомассасын есептеу қадамдары

Қашықтықтан зондтау деректерін пайдалана отырып, жер биомассасын бағалау құрылымдалған жұмыс процесіне сәйкес жүзеге асырылады. Әрбір қадам алдыңғы қадамның дәлдігіне байланысты. Алдын ала өңдеудегі немесе далалық тексерудегі бұрылыстарды жою биомассаның соңғы картасындағы қателіктерге әкеледі.

i. Тиісті суреттерді таңдаңыз: Мақсатты экожүйеңіз бен зерттеу мақсатына негізделген сенсорды, кеңістіктік ажыратымдылықты және уақыт кезеңін таңдаңыз. Орман биомассасын бақылау әдетте Sentinel-1 немесе GEDI деректерін қажет етеді; дақыл биомассасын бақылау әдетте Sentinel-2 немесе дронмен мультиспектрлік кескіндерді пайдаланады.

ii. Кескінді алдын ала өңдеу: Шикі сандық сандарды беттік шағылысу мәндеріне түрлендіру үшін атмосфералық түзетуді қолданыңыз. Кескіннің нақты әлемдегі координаттармен дәл туралануын қамтамасыз ету үшін геометриялық түзетуді орындаңыз. Бұлтпен ластанған пикселдерді алып тастаңыз және қажет болған жағдайда уақытша композицияны қолданып оларды ауыстырыңыз.

iii. Өсімдік индекстерін есептеңіз: Түзетілген беттік шағылысу жолақтарынан NDVI, EVI, SAVI, GNDVI немесе басқа тиісті индекстерді есептеңіз. LiDAR деректері үшін нүктелік бұлттан шатыр биіктігінің метрикасын (максималды биіктік, 95-ші процентиль биіктігі, орташа биіктік) алыңыз.

iv. Далалық биомасса үлгілерін жинау: Зерттелетін аумақтағы репрезентативті учаскелерде жер үсті биомассасын ағаш диаметрі мен биіктігін өлшеуге қолданылатын жойқын жинау немесе аллометриялық теңдеулерді пайдаланып өлшеңіз. Бұл өріс мәндері модельді бекітетін негізгі шындық болып табылады.

v. Болжау модельдерін құру: Бірлескен қашықтықтан зондтау айнымалыларына (өсімдік индекстері, шатыр биіктігінің көрсеткіштері, SAR кері шашырауы мәндері) қатысты регрессиялық өріс биомассасын өлшеу. Байланыстың күрделілігіне және қолжетімді оқыту деректерінің көлеміне байланысты регрессиялық талдауды, кездейсоқ орманды, тірек векторлық машинаны немесе нейрондық желі тәсілдерін қолданыңыз.

vi. Модель нәтижелерін тексеру: Болжау дәлдігін бағалау үшін күту режиміндегі валидация деректер жиынтығын (модельді оқытуда пайдаланылмайтын өріс графиктері) пайдаланыңыз. RMSE (түбірлік орташа квадраттық қате), R² (анықтау коэффициенті) және ауытқу туралы есеп беріңіз. Дәлдік жеткіліксіз болса, модельді нақтылаңыз.

vii. Биомасса карталарын жасаңыз: Расталған модельді кескіннің толық көлеміне қолданыңыз, кеңістіктік үздіксіз биомасса тығыздығы картасын жасаңыз, мұнда әрбір пиксельде Mg/га немесе t/га-да болжамды биомасса мәні бар.

Биомассаны бағалау үшін қолданылатын модельдер мен әдістер

Модельді таңдау биомассаны бағалау жүйесінің дәлдігіне де, жалпылануына да айтарлықтай әсер етеді. Қарапайым модельдер мөлдіррек және жаңа орындарға сенімдірек тасымалданады. Күрделі машиналық оқыту модельдері үлкен оқу деректер жиынтығынан дәлдікті жоғарылатады, бірақ жергілікті жағдайларға бейімделуі мүмкін.

Эмпирикалық регрессиялық модельдер далалық биомасса мен қашықтықтан зондтау айнымалылары арасында тікелей математикалық байланысты орнатады — мысалы, NDVI мен дақылдың құрғақ затының өнімділігі арасындағы сызықтық регрессия. Бұл модельдерді түсіндіру оңай және есептеу жылдам, бірақ спектрлік-биомасса қатынасы сызықтық емес болғанда немесе биомасса мәндері өте кең диапазонды қамтыған кезде олар нашар жұмыс істейді.

Машиналық оқыту әдістері деректерден күрделі, сызықтық емес қатынастарды үйрену арқылы бұл шектеулерді жеңеді. Кездейсоқ орман (жүздеген жеке ағаштар бойынша болжамдарды орташалайтын шешім ағаштарының ансамблі) қазіргі уақытта орман шаруашылығында да, ауыл шаруашылығында да биомассаны бағалау үшін ең кең таралған алгоритм болып табылады.

жарияланған зерттеу Өсімдіктанудағы шекаралар (2024 жылдың желтоқсаны) Random Forest GEDI-ге қолданғанын және көп көзді қашықтықтан зондтау деректері бір сенсорлы регрессия әдістеріне қарағанда R² айтарлықтай жоғары шырша-шырша ормандарының биомассасын бағалауды қамтамасыз еткенін көрсетті.

• Қолдау векторлық машинасы (SVM): Жоғары өлшемді мүмкіндіктер кеңістігіндегі биомасса кластары арасындағы оңтайлы бөлу шекарасын табады. SVM шағын және орташа оқыту деректер жиынтықтарымен жақсы жұмыс істейді және дұрыс реттелген кезде шамадан тыс сәйкестендіруге қарсы сенімді.
• Нейрондық желілер және терең оқыту: Конволюциялық нейрондық желілер (CNN) және гибридті CNN-LSTM архитектуралары кескіндердегі кеңістіктік және уақыттық үлгілерді бір уақытта өңдейді. 2024 жылы жарияланған зерттеу Қашықтықтан зондтау (MDPI) Қытайдың Ханчжоу қаласында орман биомассасын бағалау үшін RF, CNN және CNN-LSTM модельдерін салыстыру терең оқыту модельдері бір нүктелі регрессия әдістері мүлдем жіберіп алған кеңістіктік контекстті қамтитынын анықтады.
• Гибридті модельдер: Физикалық өсімдік модельдерін (өсімдіктердің өсуін радиация мен судың түсуіне негізделген модельдейтін) статистикалық немесе машиналық оқытуды калибрлеу қабаттарымен біріктіріңіз. Бұл тәсілдер тек жергілікті оқыту деректеріне сүйенбестен, аймақтар бойынша жалпыланатын физикалық шынайы биомасса бағалауларын құратындықтан, барған сайын танымал болып келеді.

Биомассаны бағалау дәлдігіне әсер ететін факторлар

Тіпті ең жақсы сенсор мен модельдің үйлесімі де негізгі деректердің сапасы нашар болған кезде немесе физикалық орта шу көздерін енгізген кезде сенімсіз биомасса карталарын жасайды. Дәлдікті шектейтін осы факторларды түсіну биомасса карталарын жасау бағдарламасын жобалайтын кез келген адам үшін өте маңызды.

1. Тығыз орман сигналының қанығуы: Биомассасы жоғары тропикалық ормандарда оптикалық және C-диапазонды SAR сигналдары қанығады — биомасса өсе бергеннің өзінде олардың көбеюі тоқтайды. NDVI шамамен жоғары AGB мәндерінде қанығады. 150–200 Мг/га, бұл биомассасы 400–600 Мг/га жетуі мүмкін ескі тропикалық ормандарда оны сенімсіз етеді. L-диапазонындағы SAR және LiDAR биомассаның әлдеқайда жоғары деңгейінде қанығады және осы орталарда артықшылыққа ие.

2. Маусымдық ауытқу: Өсімдіктердің шағылысу қабілеті маусымдар бойынша күрт өзгереді. Сәуірдегі бидай алқабынан алынған NDVI мәні тамыздағы сол алқаптан түбегейлі өзгеше биомасса жағдайын білдіреді. Модельдер маусымдық динамиканы ескеруі немесе әрбір фенологиялық кезең үшін бөлек калибрленуі керек.

3. Бұлт жамылғысының кедергісі: Оптикалық сенсорлар бұлттар бар жерде деректерді жоғалтады. Ылғалды тропикалық аймақтарда бұлттың ластануы ...-тан көп нәрсеге әсер етуі мүмкін. 70% кескіндерді алу белгілі бір жылда радар немесе LiDAR баламаларын немесе көпжылдық композициялау стратегияларын қажет етеді.

4. Аралас пиксельдер: Орташа кеңістіктік ажыратымдылықта (30 м–250 м) бір кескін пикселінде көбінесе дақыл түрлерінің, жалаңаш топырақтың және судың қоспасы болады. Спектрлік сигнал осы беттердің барлығының орташа мәнін көрсетеді, бұл өсімдік сигналын сұйылтады және биомасса болжамдарына жүйелі қателік енгізеді.

5. Жер бедерінің әсерлері: Көлбеу жер бедері күн сәулесінің де, сенсордың көру бұрышының да геометриясын өзгертеді, сенсорда жазылған шағылысу мәндерін өзгертеді. Таулы аймақтарда кез келген биомасса моделін сенімді түрде қолданар алдында топографиялық түзету міндетті түрде қажет.

Құрлық биомассасын картаға түсірудің салалар бойынша қолданылуы

Қашықтықтан зондтау деректерінен алынған жер биомассасының карталары үкіметтің климаттық есеп беруінен бастап жеке шаруашылықтарды басқаруға дейінгі өте кең ауқымды салаларда практикалық шешім қабылдауға ықпал етеді.

Орман шаруашылығын басқару агенттіктері биомасса карталарын пайдаланып, егін жинау блоктарына басымдық беріңіз, тұрақты өнімділікті бағалаңыз және сертификаттау стандарттарына сәйкестігін құжаттаңыз. Қабырғадан қабырғаға биомасса карталары егістікке қол жеткізу логистикалық тұрғыдан қиын немесе өте қымбат аймақтарда қымбат үлгіге негізделген орман инвентаризациясын ауыстырады.

Көміртегі қорын бағалау экономикалық тұрғыдан маңызды қолданыстардың бірі болып табылады. Жер бетіндегі биомассаның әрбір Mg құрамында шамамен 0,47 Мг көміртегі (стандартты IPCC конверсия коэффициенті). Сондықтан дәл биомасса карталары REDD+ төлемдері мен ерікті көміртегі нарығындағы несиелердің негізінде жатқан тексерілген көміртегі қорларына тікелей аударылады. 500 000 гектар тропикалық орман концессиясын қамтитын тексерілген биомасса картасы жүздеген миллион долларлық көміртегі активтерін көрсете алады.

• Дәл егіншілік: Дрон немесе Sentinel-2 суреттерінен алынған дақыл биомассасының карталары өсімдік өсіміндегі ішкі егістіктердің өзгергіштігін анықтайды, бұл кіріс шығындарын азайта отырып, өнімділікті сақтай отырып, тыңайтқыштар мен суаруды айнымалы мөлшерде қолдануға мүмкіндік береді.
• Орман өрті кезіндегі отынды бағалау: Өлі ағаш және құрғақ шөп биомассасы өртке қолжетімді отын жүктемесін білдіреді. Қашықтықтан зондтау арқылы алынған отын карталары өрт қаупі жоғары ландшафттарда белгіленген өртеу бағдарламаларын және орман өртін оқшаулауды жоспарлауды басшылыққа алады.
• Биоәртүрлілікті сақтау: Биомассасы жоғары, құрылымы күрделі өсімдіктер әдетте түрлердің әртүрлілігін арттырады. Биомасса карталары басымдықты қорғау аймақтарын анықтауға және уақыт өте келе қалпына келтірілген тіршілік ету орталарының қалпына келуін бақылауға көмектеседі.
• Биоэнергетиканы жоспарлау: Үкіметтер мен энергетикалық компаниялар биоэнергия өндірісі үшін ауылшаруашылық қалдықтары мен ағаш биомассасының тұрақты жеткізілімін бағалау үшін қашықтықтан зондтау биомассасының деректерін пайдаланады, бұл жинау қарқынының экожүйені қалпына келтіру мүмкіндігінен аспауын қамтамасыз етеді.

Биомассаны есептеу үшін қашықтықтан зондтаудың артықшылықтары

Қашықтықтан зондтауға негізделген биомасса картасын жасау жердегі ешқандай тәсілмен салыстыруға келмейтін мүмкіндіктердің үйлесімін ұсынады. Бұл артықшылықтар технологияның соңғы онжылдықта ондаған елде тәжірибелік мәртебеден пайдалану мәртебесіне ауысуының себебін түсіндіреді.

Бұзбайтын өлшеу, бәлкім, ең негізгі артықшылығы. Қашықтықтан зондтау өсімдіктер туралы ақпаратты жинамай, кеспей немесе бұзбай жинайды. Бұл дәл сол жерде қайталанатын өлшеулерді жүргізуге мүмкіндік береді, бұл уақыт өте келе биомассаның өзгеруін анықтау үшін өте маңызды - көміртекті есепке алу және экожүйе мониторингі үшін ең маңызды көрсеткіш.

• Шекті шығындары аз ірі көлемді қамту: Сенсор мен өңдеу құбыры орнатылғаннан кейін, биомасса зерттеуіне тағы бір миллион гектар қосу құны іс жүзінде нөлге тең. Бұл шығын құрылымы далалық зерттеулерге кері болып табылады, мұнда шығындар ауданға байланысты сызықтық түрде өзгереді.
• Уақытша жиі жаңартулар: Sentinel-2 Жердің кез келген жеріне әр 5 күн сайын қайта оралады. Бұл жиілік бүкіл өсу маусымы бойы биомассаны бақылауға мүмкіндік береді, жыл сайынғы далалық зерттеулер мүлдем байқамайтын динамикалық өзгерістерді тіркейді.
• Тарихи талдау мүмкіндігі: Landsat мұрағатында 1972 жылдан бастап түсірілген суреттер бар. Зерттеушілер орманның жиынтық кесілуін сандық бағалау, бұзылудан кейін экожүйенің қалпына келуін бағалау немесе өтемақы талаптары үшін бұзылуға дейінгі бастапқы жағдайларды белгілеу үшін тарихи биомасса траекторияларын қалпына келтіре алады.
• Жер ресурстарын басқарушылар үшін шешім қабылдауды жақсарту: Кеңістіктік айқын биомасса карталары ландшафт ішінде биомассаның қай жерде жиналып, азайып немесе тұрақты екенін көрсетеді, бұл жерді басқарушыларға ең үлкен әсер ететін араласуларды мақсатты түрде анықтау үшін кеңістіктік дәлдікті береді.

Қашықтықтан зондтау биомассасын бағалаудағы шектеулер мен қиындықтар

Қашықтықтан зондтау биомассасын картаға түсіру тиімді, бірақ ол нақты техникалық шектеулермен бірге келеді, оларды мамандар маңызды шешімдер қабылдау үшін нәтижелерге сүйенбес бұрын түсінуі керек.

Тығыз ормандардағы сигналдың қанығуы оптикалық және C-диапазонды радар сенсорлары үшін шешілмеген мәселе болып қала береді. Ағаш көлеңкесі жабылып, биомасса сенсорға тән шектен асып кеткенде, спектрлік немесе кері шашыраңқы сигнал биомассамен бірге артпайды.

LiDAR бұл мәселені болдырмайды, себебі ол спектрлік шағылысу емес, физикалық құрылымды өлшейді, бірақ әуедегі LiDAR деректерін жинау қымбат болып қала береді, ал GEDI сияқты ғарыштық LiDAR қабырғадан қабырғаға дейінгі жабынның орнына сирек, үздіксіз із қалдырады.

• Өрісті валидациялау міндетті: Қашықтықтан зондтау моделінің ешқайсысы нақты далалық өлшеулерге сәйкес калибрлеусіз және валидациясыз сенімді биомасса бағалауларын жасай алмайды. Далалық деректердің сапасы соңғы картаның сапасын тікелей анықтайды — және гетерогенді ландшафттарда репрезентативті далалық деректерді жинау қымбат та, техникалық тұрғыдан да күрделі.
• Атмосфералық әсерлер мұқият түзетуді қажет етеді: Аэрозольдер, су буы және озон кіретін және шағылысқан күн радиациясын шашыратады және сіңіреді, спектрлік сигнал сенсорға жеткенге дейін оны өзгертеді. Дұрыс емес немесе толық емес атмосфералық түзету биомассаны бағалау жұмыс процесінде таралатын жүйелі қателіктерді тудырады.
• Деректерді өңдеу арнайы білімді қажет етеді: Қашықтықтан зондтау уақыттық қатарларымен масштабты жұмыс істеу географиялық ақпараттық жүйелерді (ГАЖ), Python немесе R сияқты бағдарламалау тілдерін және Google Earth Engine сияқты бұлтқа негізделген геокеңістіктік платформаларды білуді талап етеді. Бұл техникалық кедергі деректер ғылымы саласында тәжірибесі жоқ агрономдар мен жер ресурстарын басқарушылар арасында қолдануды шектейді.
• Модельдің белгісіздігі оқыту деректерінен алшақтаған сайын артады: Бразилиялық Амазонка орманында калибрленген биомасса моделі құрылымдық жағынан басқа Батыс Африка орманына ауыстырылған кезде нашар жұмыс істеуі мүмкін, тіпті екеуі де тропикалық ылғалды орман ретінде жіктелген болса да. Аймақтық калибрлеу деректер жиынтығы географиялық тұрғыдан әртүрлі зерттеу аймақтарында дәлдікті сақтау үшін өте маңызды.

Қашықтықтан зондтау биомассасын бағалаудағы болашақ үрдістер

Жер биомассасын картаға түсірудің технологиялық ландшафты тез дамып келеді. Алдағы бес-он жыл ішінде биомассаны бағалаудың дәлдігін, қолжетімділігін және операциялық масштабталуын айтарлықтай жақсартуға бағытталған бірнеше конвергенциялық үрдістер белгіленді.

Жасанды интеллектпен жұмыс істейтін биомасса картасын жасау ең трансформациялық дамуды білдіреді. Терең оқыту архитектуралары, әсіресе конволюциялық және трансформаторға негізделген модельдер, спутниктік уақыт қатарларындағы толық спектрлік, кеңістіктік және уақыттық ақпаратты бір уақытта өңдейді, қарапайым модельдер анықтай алмайтын биомасса сигналдарын шығарады.

Қашықтықтан зондтаудағы жасанды интеллект пен машиналық оқытудың интеграциясы өсті 2021 және 2026 жылдар аралығындағы 35%, Business Research Insights мәліметтері бойынша, өсімдік деректерінің ауқымды түрде қалай талданатынын түбегейлі өзгерту.

Еуропалық ғарыш агенттігінің BIOMASS миссиясы 2024 жылы іске қосылды, онда тропикалық орман биомассасын бақылау үшін арнайы жасалған алғашқы ғарыштық P-диапазонды SAR бар. P-диапазонды сигналдар (толқын ұзындығы шамамен 70 см) орман шатырларына терең еніп, қысқа толқынды радарлар қол жеткізе алмайтын ағаш сабақтары мен үлкен бұтақтарға жетеді.

Жарияланған зерттеулер Ғылыми есептер (2023 жылғы сәуір) P-диапазонды TomoSAR (томографиялық SAR — бірнеше радарлық өтулерден үш өлшемді орман құрылымын қалпына келтіретін әдіс) Француз Гвианасындағы тығыз тропикалық ормандарда AGB-ның перспективалы бағалауларын жасағанын, BIOMASS миссиясының операциялық тұрғыдан не беретінін алдын ала қарауды қамтамасыз еткенін көрсетті.

• Масштабтағы көп сенсорлы деректерді біріктіру: Оптикалық, радарлық және LiDAR деректер ағындарын автоматты түрде біріктіретін алгоритмдер — әрбір сенсорды берілген экожүйе мен маусымдағы сенімділігіне қарай өлшейді — эксперименттік прототиптерден бұлттық платформаларда орналастырылған операциялық құралдарға ауысуда.
• Нақты уақыт режимінде және нақты уақытқа жақын биомасса мониторингі: Google Earth Engine және Microsoft Planetary Computer сияқты бұлтқа негізделген геокеңістіктік платформалар енді кіріс спутниктік деректер ағындарын үздіксіз, автоматтандырылған өңдеуге мүмкіндік береді. Ормандардың жойылуы туралы 24-48 сағат ішінде іске қосылатын нақты уақыт режиміндегі ормандардың жойылуы туралы ескертулер бірнеше тропикалық елдерде қазірдің өзінде жұмыс істейді.
• Дәл ауыл шаруашылығына арналған сандық егіздер: Қашықтықтан зондтау арқылы алынған биомасса деректерін топырақ сенсорларымен, ауа райы модельдерімен және дақылдарды модельдеу модельдерімен біріктіру фермерлерге басқару сценарийлерін нақты әлемде қолданар алдында сынақтан өткізуге мүмкіндік беретін нақты егістіктердің виртуалды көшірмелерін - ферма масштабындағы сандық егіздерді жасайды.
• Дәл ауыл шаруашылығы интеграциясы: Қолжетімді дрон сенсорларының, спутниктік уақыт серияларының және жасанды интеллект негізіндегі аналитиканың конвергенциясы далалық масштабтағы биомасса мониторингін тек ғылыми-зерттеу мекемелері мен мемлекеттік мекемелер үшін ғана емес, жеке фермерлер үшін де алғаш рет қаржылық тұрғыдан қолжетімді етуде.

1. Биомассаны бағалау үшін қай жер серігі ең жақсы? Барлық жағдайларға арналған ең жақсы жерсерік жоқ. Sentinel-2 дақылдарды және орташа ажыратымдылықтағы орман биомассасын картаға түсіру үшін ең кеңінен қолданылады. GEDI LiDAR орман AGB үшін ең дәл шатыр биіктігі туралы деректерді ұсынады. Sentinel-1 SAR бұлттан зардап шеккен тропикалық аймақтарда артықшылықты таңдау болып табылады. Ең жақсы операциялық тәсіл бірнеше сенсорларды біріктіреді.

2. Дрондар биомассаны дәл бағалай ала ма? Иә. Мультиспектральды камералармен немесе LiDAR сенсорларымен жабдықталған дрондар дақылдар мен шағын аумақты орман биомассасын өте жоғары кеңістіктік ажыратымдылықпен бағалай алады. Дронға негізделген дақылдар биомассасын бағалау әдетте ұшулар тиісті өсу кезеңдеріне уақыт берілгенде және спектрлік сенсорлар дұрыс калибрленгенде далалық өлшеулермен R² = 0,80–0,95 корреляциясына қол жеткізеді.

3. Қашықтықтан зондтау биомассасын бағалау қаншалықты дәл? Дәлдік сенсор түріне, экожүйеге және модельдік тәсілге байланысты айтарлықтай өзгереді. LiDAR жақсы қамтылатын қоңыржай ормандарда биомасса карталары 20-40 Мг/га RMSE мәндеріне қол жеткізе алады. Тығыз тропикалық ормандарда тек оптикалық тәсілдер сигналдың қанығуына байланысты 60-100 Мг/га RMSE мәндерін көрсетуі мүмкін. Көп сенсорлы біріктіру модельдері бір сенсорлы тәсілдерден үнемі асып түседі.

4. Неліктен биомассаны бағалау климаттың өзгеруі үшін маңызды? Ормандар мен ауылшаруашылық ландшафттары биомассасында көміртегінің көп мөлшерін сақтайды. Ормандардың жойылуы және жердің деградациясы бұл жинақталған көміртекті атмосфераға CO₂ түрінде шығарады, бұл климаттың өзгеруін жеделдетеді. Дәл биомасса карталары көміртегі қорын тексеруге, ормандардың жоғалуын бақылауға және REDD+ сияқты халықаралық климаттық шеңберлердегі ормандарды қалпына келтіру және қорғау бағдарламаларының тиімділігін сандық бағалауға негіз болады.

5. Қашықтықтан зондтау жер асты биомассасын бағалай ала ма? Қашықтықтан зондтау жер асты биомассасын тікелей өлшей алмайды. Дегенмен, BGB әдетте далалық зерттеулерден алынған және IPCC сияқты ұйымдар жариялаған тамыр мен өркеннің арақатынас коэффициенттерін пайдаланып AGB-ден бағаланады. Түрге тән тамыр мен өркеннің арақатынасы көптеген орман экожүйелерінде 0,15-тен 0,40-қа дейін болады, бұл AGB карталары бар барлық жерде жанама BGB бағалауға мүмкіндік береді.

Қорытынды

Қашықтықтан зондтау арқылы есептелген жер биомассасы мамандандырылған зерттеу әдісінен азық-түлік өндірісіне, орман шаруашылығын басқаруға және климаттық саясатқа тікелей әсер ететін операциялық мүмкіндікке күрт ауысты. Тегін спутниктік деректердің, қолжетімді бұлттық есептеу платформаларының және машиналық оқыту құралдарының конвергенциясы ландшафттық масштабтағы биомасса картасын жасауды бүкіл әлемдегі ұйымдардың санының артуы үшін қолжетімді етті.

Климаттық мониторингтегі қашықтықтан зондтаудың рөлі көміртегі нарықтары кеңейген сайын, ормандардың жойылуын бақылау бойынша міндеттемелер күшейген сайын және әлемдік экономикада тексерілген көміртегі қоры туралы деректерге сұраныс артқан сайын арта түседі. BIOMASS спутниктік миссиясы қазір жұмыс істеп тұрған кезде, GEDI өзінің жаһандық деректер жиынтығын кеңейтуді жалғастыруда және жасанды интеллект модельдері көп сенсорлы деректерді біріктіру арқылы бағалау дәлдігін айтарлықтай жақсартады, биомассаның Жер бетінде қай жерде жиналып, азайып немесе тұрақты болып қалатынын дәл білу мүмкіндігі қолжетімді болады.

Көміртек нарықтары тармақшалы саясат эксперименттерінен негізгі климаттық қаржыландыру құралдарына көшті. Ерікті ауыл шаруашылығы көміртегі несиесі нарығы бағаланды 2024 жылы 36,1 миллион АҚШ доллары және дейін көтеріледі деп күтілуде 2034 жылға қарай 648,3 миллион АҚШ доллары кезінде 31.9% CAGR, Global Market Insights Inc. мәліметтері бойынша. Ауыл шаруашылығы бұл кеңеюдің орталығында тұр, себебі топырақ, дақылдар және жерді басқару тәжірибелері көміртегінің үлкен, өлшенетін сіңіргіштерін білдіреді.

Қиындық әрқашан өлшеу болды: миллиондаған гектар ауылшаруашылық жерлерінде сақталған көміртекті қалай сенімді түрде сандық бағалауға болады? Қашықтықтан зондтау, яғни Жер беті туралы деректерді ұшақтардан, дрондардан және спутниктерден физикалық байланыссыз жинау ғылымы, көміртегі нарығы күтіп отырған жауап болып табылады. Ол ауылшаруашылық көміртегі мониторингіне масштаб, жылдамдық және ғылыми дәлдік әкеледі.

Көміртекті несиелер дегеніміз не және олар неліктен маңызды?

Көміртегі несиесі - атмосферадан бір метрикалық тонна көмірқышқыл газы эквивалентінің (CO2e) азаюын немесе жойылуын білдіретін сауда сертификаты. Несиелер екі түрде болады: көміртегіні азайту несиелері, олар шығарындылардың алдын алуды білдіреді және көміртегіні жою несиелері, олар атмосферадан белсенді түрде алынып, сақталған CO2-ні білдіреді.

Көміртек нарықтары парниктік газдар шығарындыларына баға белгілейтін экономикалық механизмдер ретінде жұмыс істейді. Компания шығарындыларын іштей азайта алмаған кезде, ол баламалы мөлшерді алып тастайтын немесе одан аулақ болатын жобалардан көміртек несиелерін сатып ала алады.

Бұл топырақтағы көміртекті сіңіру, ормандарды қалпына келтіру және жерді басқаруды жақсарту сияқты іс-шараларға қаржылық ынталандыру жасайды. Жүйе көміртегі тізілімдерімен, сертификаттау стандарттарымен және әрбір несиенің нақты, өлшенетін климаттық пайданы білдіретініне көз жеткізетін үшінші тарап тексерушілерімен реттеледі.

1. Ауыл шаруашылығында көміртегі несиелері қалай жасалады

Ауыл шаруашылығы көміртегі несиелері жобаны жобалаудан басталып, тізілімде көрсетілген тексерілген несиелермен аяқталатын құрылымдық процесс арқылы жасалады. Міне, типтік реттілік:

1. Фермер немесе жоба әзірлеушісі тұрақты ауыл шаруашылығы тәжірибелерін таңдайды және жоба шекарасын анықтайды.
2. Бекітілген әдіснама Verra (VM0042) немесе Gold Standard сияқты көміртегі тізілімінен таңдалады.
3. Тәжірибе өзгермес бұрын бастапқы нүктені өлшеу үшін көміртегінің базалық қоры белгіленеді.
4. Тәжірибелер жоба кезеңінде, әдетте үш жылдан бес жылға дейін енгізіледі және бақыланады.
5. Тәуелсіз үшінші тарап тексерушілері тәжірибелердің енгізілгенін және мәлімделген көміртегі пайдасының нақты және қосымша екенін бағалайды.
6. Расталған көміртегі кредиттері ерікті немесе сәйкестік нарықтарында сатылымға шығарылады және тізімге енгізіледі.

Топырақ көміртегін сіңуі егістік алқаптары жобаларындағы негізгі механизм болып табылады. Жабынды егіс, топырақты өңдеуді азайту және қоректік заттарды дәл басқару сияқты тәжірибелер ауылшаруашылық топырақтарында сақталатын органикалық көміртектің мөлшерін арттырады, әйтпесе топырақты өңдеу және эрозия арқылы көміртегін жоғалтуға бейім.

Ауыл шаруашылығы топырақтарында атмосфераға қарағанда шамамен үш есе көп көміртегі бар. Бұл ауыл шаруашылығы жерлерін планетадағы ең қолжетімді және масштабталатын көміртегі сіңіргіштерінің біріне айналдырады. Егістік алқаптар мен шабындықтар басқарудағы өзгерістерге тез жауап береді: дәстүрлі егістіктен нөлдік егістікке ауысу бір-екі өсу маусымы ішінде топырақтағы органикалық көміртекті көбейте бастауы мүмкін.

Фермерлер көміртегі несиесінен тікелей пайда көреді. Топырақ көміртегі жобалары қазір шамамен Ерікті көміртегі нарығының 8-10%, бағаланған 425-530 миллион АҚШ доллары, 2025 жылғы нарықтық деректерге сәйкес.

Бұл кіріс көзі фермалардың кірісін толықтыра отырып, сонымен бірге топырақтың денсаулығын, суды сақтауды және ұзақ мерзімді өнімділікті жақсартады. Көміртекті бағдарламаларға қатысатын агробизнестер мен азық-түлік компаниялары жеткізу тізбегінің тұрақтылығы туралы есеп беруде де сенімділікке ие болады.

Көміртекті несиелер мен дәл ауыл шаруашылығы арасындағы байланыс

Дәлме-дәл ауыл шаруашылығы - бұл бүкіл ферманы біртұтас бірлік ретінде қарастырудың орнына, ішкі егістік деңгейінде шешім қабылдау үшін кеңістіктік деректер мен озық технологияларды пайдаланатын ферманы басқару тәсілі. Ол GPS (Ғаламдық позициялау жүйесі) қабылдағыштарын, IoT (Заттар интернеті) топырақ сенсорларын, дронға орнатылған камераларды және спутниктік суреттерді біріктіріп, дақылдардың жағдайы, топырақ қасиеттері және ресурстарға деген қажеттіліктер туралы егжей-тегжейлі, орналасқан жеріне байланысты ақпарат береді.

Нәтижесінде деректерге негізделген шаруашылықты басқару пайда болады. Тыңайтқыштың жалпы мөлшерін бүкіл егістікке қолданудың орнына, дәл ауыл шаруашылығы жүйесі әртүрлі қоректік заттарға қажеттілігі бар аймақтарды анықтайды және соған сәйкес айнымалы мөлшерлемелерді қолданады.

Бұл кіріс қалдықтарын азайтады, пайдалану шығындарын төмендетеді және көміртекті несие бағдарламалары үшін сандық түрде анықталуы мүмкін өлшенетін экологиялық пайда әкеледі. Дәлдік құралдары көміртекті нәтижелерге бірнеше жолмен ықпал етеді.

• Тыңайтқыштарды қолдануды оңтайландыру 100 жылдық кезеңде CO2-ден шамамен 273 есе күшті парниктік газ болып табылатын азот оксидінің (N2O) шығарындыларын азайтады. Айнымалы жылдамдықпен азотты қолдану N2O шығарындыларын ... дейін қысқарта алады. 20-30% European Journal of Agronomy журналында жарияланған зерттеуге сәйкес, біркелкі қолданумен салыстырғанда.
• Топырақ ылғалдылығы сенсорларымен суару кестесін жақсарту сорғы станцияларында энергия шығынын азайтады және топырақтың тығыздалуын шектейді, бұл екеуі де суарудың көміртегі ізін азайтады.
• Топырақтың денсаулығын сақтау үшін топырақты аз өңдеу қажет, бұл топырақтың агрегаттық құрылымын сақтайды, көміртекті ұзақ уақыт бойы орнында ұстап тұратын органикалық заттарды қорғайды.
• GPS арқылы басқарылатын техниканың жолын жоспарлау арқылы отын шығынын азайту дизель отынын тұтынуды азайтады, бұл кен орындарындағы операциялардан туындайтын CO2 шығарындыларын тікелей азайтады.

1. Көміртек несиелерін тудыратын тұрақты ауыл шаруашылығы тәжірибелері

Барлық ауыл шаруашылығы жұмыстары көміртегі несиелеріне сәйкес келе бермейді. Бекітілген тәжірибелер топырақтағы көміртегіні айқын түрде арттыруы, шығарындыларды азайтуы немесе екеуін де азайтуы керек. Келесі тәжірибелер негізгі көміртегі тізілімдерінде белгіленген әдіснамаларға ие.

i. Жабын кесу топырақта тірі тамырларды сақтау үшін маусымаралық кезеңде ақшалай емес дақылдар отырғызуды қамтиды. Тамырлар топырақ микробтарын қоректендіретін қанттарды үздіксіз бөліп шығарады, бұл органикалық заттарды топырақ көміртегінің ұзақ өмір сүретін түрі болып табылатын тұрақты гумусқа айналдырады. Жабық дақылдар сонымен қатар эрозияның алдын алады, бұл топырақтың үстіңгі қабатын және оның ішіндегі көміртекті физикалық түрде жояды.

ii. Нөлдік өңдеу және азайтылған өңдеу топырақтың физикалық құрылымын сақтай отырып, топырақтың бұзылуын азайтады. Дәстүрлі өңдеу органикалық заттарды ауаға шығару арқылы топырақ көміртегін тез тотықтырады. Soil and Tillage Research журналында жарияланған зерттеулер ұзақ мерзімді өңдеусіз топырақты қолдану топырақтың жоғарғы 30 см-дегі органикалық көміртегі концентрациясын орта есеппен арттыратынын көрсетті. 10-30% он жылдық кезеңдегі дәстүрлі топырақ өңдеумен салыстырғанда.

iii. Дақыл қалдықтарын ұстап тұру егін жинаудан кейінгі биомассаны өртеудің немесе алып тастаудың орнына егістік бетінде сақтайды. Қалдық ыдыраған кезде ол топыраққа органикалық заттарды қосады және көміртекті бекітуге жауапты микробтық қауымдастықтарды қоректендіреді. Спутниктік суреттер егін жинаудан кейінгі қалдық жамылғысының пайызын өлшенетін дәлдікпен өлшей алады.

Қашықтықтан зондтау тек ауыл шаруашылығын жоғарыдан бақылап қана қоймайды. Ол шашыраңқы далалық деңгейдегі деректерді жердің қалай басқарылатыны және оның қанша көміртегі бар екендігі туралы бірыңғай, ғылыми тұрғыдан қорғалатын жазбаға айналдырады.

iv. Қоректік заттарды дәл басқару тыңайтқыштарды қажет жерде, қажетті мөлшерде, қажетті уақытта қолдану үшін айнымалы жылдамдықты технологияны қолданады. Бұл топырақ бактерияларының азот оксидіне айналдыратын артық азот мөлшерін азайтады, бұл дақыл өндірісіндегі парниктік газдардың ізін тікелей азайтады.

v. Агроорман шаруашылығы және көпжылдық дақылдар ағаш биомассасында жер үстінде де, жер астында да кең, ұзақ өмір сүретін тамыр жүйелері арқылы көміртекті бөліп алады. Ағаш дақылдары көміртекті ондаған жылдар бойы сақтай алады, бұл оларды тұрақтылықты қажет ететін көміртекті несие жобалары үшін жоғары құнды кандидаттарға айналдырады.

Көміртек несиесін өлшеудегі қашықтықтан зондтаудың рөлі

Көміртекті несие бағдарламалары дәлелдемелерді талап етеді. Тіркеу органдары фермердің жабық дақылдар отырғызылғаны немесе топырақ өңдеу көлемінің азайғаны туралы өзі хабарлаған мәлімдемесін қабылдай алмайды. Тексеру объективті, қайталанатын және аудиттелетін деректерді, жақсырақ кейіннен өңдеуге болмайтын көздерден алынған деректерді талап етеді. Қашықтықтан зондтау дәл осыны қамтамасыз етеді.

Спутниктік және дрондық бақылаулар бір мезгілде кең аумақтарды қамтиды, бұл далалық зерттеулер экономикалық тұрғыдан салыстыруға келмейтін кеңістіктік қамту деңгейін ұсынады. Ауыл шаруашылығы көміртегі MRV спутниктік нарығы бағаланды 2025 жылы 3,2 миллиард АҚШ доллары және оған жетеді деп болжануда 2034 жылға қарай 8,7 миллиард АҚШ доллары кезінде 12.8% CAGR, орталық спутниктік мониторингтің жаһандық климаттық бағдарламалар үшін қаншалықты маңызды екенін көрсетеді.

Тұрақтылық атласы (2026) спутниктік тексеру жүйелерінің топырақ көміртегін өлшеу шығындарын төмендеткенін анықтады 40% дәстүрлі далалық іріктеумен салыстырғанда, сандық MRV шешімдеріне инвестициялар жетіп жатыр 2,3 миллиард АҚШ доллары 2025 жылы. Фермерлер мен жоба әзірлеушілері енді топырақ сынамаларын қайталау науқандарының гектарына шаққандағы қымбат құнынсыз сенімді көміртегі мониторингіне қол жеткізе алады.

1. Көміртекті бағдарламаларда қолданылатын қашықтықтан зондтау технологиялары

Масштабқа, дақыл түріне және көміртекті өлшеу мақсатына байланысты бірнеше сенсор түрлері қолданылады. Әрқайсысы өзіндік артықшылықтарға ие.

1. Көпспектрлі сенсорлар көрінетін қызыл, жақын инфрақызыл және қысқа толқынды инфрақызылды қоса алғанда, дискретті толқын ұзындығы диапазондарында шағылысқан жарықты түсіреді. Олар NDVI (Нормалданған айырмашылықты өсімдік индексі) сияқты өсімдік индекстерін есептейді, бұл қатынас жақын инфрақызыл шағылысуды қызыл шағылысумен салыстырады.

Сау, тығыз өсімдіктер жақын инфрақызыл сәулелерді көбірек шағылыстырады және қызыл жарықты көбірек сіңіреді, бұл жоғары NDVI мәнін тудырады. NDVI биомасса тығыздығы мен фотосинтетикалық белсенділіктің көрсеткіші ретінде кеңінен қолданылады, екеуі де көміртекті сіңірумен өзара байланысты.

2. Гиперспектрлік сенсорлар бірнеше кең толқын ұзындығының орнына жүздеген тар, үздіксіз толқын ұзындығы жолақтарын түсіреді. Бұл нәзік спектрлік ажыратымдылық оларға өсімдік биохимиясындағы, соның ішінде хлорофилл мөлшері, жапырақ суы және лигнин концентрациясындағы нәзік айырмашылықтарды анықтауға мүмкіндік береді.

Бұл қасиеттер жер бетіндегі көміртек құрамымен тығыз байланысты және кеңжолақты мультиспектральды деректерге қарағанда дақыл биомассасын дәлірек модельдеу үшін пайдаланылуы мүмкін.

3. LiDAR (Жарықты анықтау және қашықтықты өлшеу) жер бетіне секундына мыңдаған лазерлік импульстарды жібереді және әрбір импульстің қайтып оралу уақытын өлшейді. Нәтижесінде өсімдіктердің биіктігін, шатырдың тығыздығын және жер бедерінің рельефін көрсететін ландшафттың егжей-тегжейлі үш өлшемді нүктелік бұлты пайда болады.

Биомасса осы құрылымдық өлшемдерді аллометриялық теңдеулермен, яғни биіктік пен көлемді құрғақ массаға және көміртегі мөлшеріне айналдыратын математикалық қатынастармен біріктіру арқылы есептеледі. ScienceDirect журналында 2025 жылы жүргізілген зерттеу LiDAR негізіндегі көміртегі секвестрлеу өлшемдері орманды егістік алқаптар мен агроорман шаруашылығы жүйелері үшін дәстүрлі далалық инвентаризация әдістеріне қарағанда қателіктердің айтарлықтай төмен деңгейіне қол жеткізгенін көрсетті.

4. SAR (Синтетикалық диафрагмалық радар) микротолқынды энергияны жібереді және бетінен шағылысқан энергияны өлшейді. Оптикалық сенсорлардан айырмашылығы, SAR бұлт жамылғысына еніп, түнде жұмыс істейді, бұл оны тұрақты бұлт жамылғысы оптикалық спутниктерді апталап жауып тұратын тропикалық ауылшаруашылық аймақтарында құнды етеді. SAR әсіресе топырақтың ылғалдылығын өлшеу, жалаңаш және өсімдік жамылғысы бар беттерді анықтау және кері шашыраудың қарқындылығын талдау арқылы шатыр биомассасын бағалау үшін тиімді.

5. Дронға негізделген қашықтықтан зондтау спутниктер салыстыра алмайтын сантиметрлік кеңістіктік ажыратымдылықты қамтамасыз етеді. Мультиспектральды немесе RGB камераларымен жабдықталған дрондар жеке өрістердің өте егжей-тегжейлі карталарын жасау үшін төмен биіктікте ұшады.

Көміртекті бағдарламаларда дрондар спутниктік бақылауларды жергілікті масштабта валидациялау және спутниктік пиксель өлшемі басқару шекараларын ажырату үшін тым үлкен болатын шағын немесе фрагменттелген өрістерде бағалау үшін қолданылады. Көміртекті мониторингті қолдайтын негізгі спутниктік платформаларға мыналар кіреді:

• Ландсат (NASA/USGS): 30 метрлік ажыратымдылық және 16 күндік қайта қарау жиілігі. Оның 1972 жылдан бергі тарихи мұрағаты оны жерді пайдаланудың ұзақ мерзімді өзгерістерін талдау және бастапқы картаға түсірудің негізіне айналдырады.
• Sentinel-1 және Sentinel-2 (ESA): Sentinel-2 10 метрлік мультиспектральды кескіндерді 5 күндік қайта қараумен қамтамасыз етеді, бұл оны маусымдық дақылдарды бақылау үшін өте қолайлы етеді. Sentinel-1 SAR бұлтты кезеңдерде оптикалық деректерді толықтырады.
• MODIS (NASA): Күнделікті жаһандық қамтумен 250-500 метрлік ажыратымдылық. Ол бүкіл аймақтар бойынша өсімдіктердің өнімділігі мен жерді пайдалану өзгерістерін ауқымды, уақыттық қатарлар бойынша талдау үшін қолданылады.
• PlanetScope: Жеке ферма операциялары бойынша кіші далалық тәжірибені анықтауға мүмкіндік беретін, 3 метрлік ажыратымдылықтағы күнделікті кескіндерді ұсынатын коммерциялық топ.

GeoPard көміртегі несие бағдарламаларын қалай қолдайды

GeoPard Agriculture – фермерлерге расталған көміртек несиелерін жасайтын тәжірибелерді енгізуге және бақылауға көмектесу үшін спутниктік суреттерді, радарлық деректерді және топографиялық аналитиканы біріктіретін дәл ауыл шаруашылығы платформасы. Ол көміртек егіншілігін бөлек қызмет ретінде қарастырмай, оны күнделікті шаруашылықты басқаруға тікелей біріктіреді.

1. Спутниктік деректерге негізделген тәжірибені енгізу

GeoPard спутниктік және радарлық деректерді пайдаланып, жабынды дақылдарды өсіруге, агроорман шаруашылығына немесе топырақ өңдеуді азайтуға жарамды өнімділігі төмен егістік аймақтарын анықтайды. Оның дақылдарды бақылау шешімі топырақ құрылымын жақсартатын және көміртегінің ұзақ мерзімді сақтау сыйымдылығын арттыратын ауыспалы егіс шешімдерін басшылыққа алады.

Топографиялық талдау көміртектің жиналуын тікелей басқаратын тәжірибеден болжамдарды алып тастай отырып, қандай егістік алқаптары белгілі бір жабын дақылдарының түрлерінен ең көп пайда көретінін анықтайды.

2. Шығарындыларды азайту және MRV бақылау мүмкіндігі

СО2 азайту үшін GeoPard фермерлерге топырақтың дәстүрлі бұзылуынан бас тартуға көмектесу арқылы нөлдік өңдеуді енгізуді және қалдықтарды басқаруды қолдайды. N2O азайту үшін ол 4R қоректік заттарды басқаруға мүмкіндік береді, дұрыс тыңайтқышты дұрыс мөлшерде, уақытта және орында қолданады, топырақтағы азот оксидіне айналатын артық азотты азайтады.

MRV жағынан, GeoPard спутниктік деректер қабаттары өсу маусымы бойы далалық жұмыстардың үздіксіз, уақытпен белгіленген жазбасын жасайды. Бұл кеңістіктік дәлелдер өлшеу және есеп беру талаптарын қолдайды, үшінші тарап тексерушілеріне мәлімделген тәжірибелердің шынымен орын алғанын растау үшін объективті деректер береді.

Күнделікті фермерлік шешімдерді өлшенетін көміртегі нәтижелерімен тікелей байланыстыру арқылы GeoPard барлық деңгейдегі фермерлерге көміртегі несие бағдарламаларына сенімді түрде қатысуды практикалық етеді.

Қашықтықтан зондтау көміртегі несиелерін қалай қамтамасыз етеді: қадамдық нұсқаулық

1. Бастапқы картаға түсіру

Көміртегі жобасы кез келген несие бере алмас бұрын, ол сенімді бастапқы деңгейді, жоба аумағында қанша көміртегі бар екенін және қазіргі уақытта жерді басқарудың қандай тәжірибелері қолданылып жатқанын көрсететін сандық көріністі белгілеуі керек. Бұл бастапқы деңгей болашақтағы барлық жақсартулар өлшенетін сілтеме болып табылады.

Қашықтықтан зондтау бірнеше интеграцияланған талдаулар арқылы бастапқы картаға түсіруге мүмкіндік береді. NDVI және жапырақ ауданының индексі деректерін пайдалана отырып, өсімдік картаға түсіру қолданыстағы дақыл түрлерін, биомасса тығыздығын және өсу маусымының үлгілерін анықтайды.

Landsat-тың көпжылдық мұрағатын пайдалана отырып, тарихи жерді пайдалануды талдау егістіктің соңғы он-жиырма жыл ішінде дәстүрлі егістік, шабындық немесе аралас егістік астында болғанын көрсетеді. Бұл тарих маңызды, себебі топырақтағы көміртегі деңгейі тек ағымдағы маусымда ғана емес, ондаған жылдар бойы жинақталған басқаруды көрсетеді.

Топырақ қасиеттерін картаға түсіру топырақтың органикалық көміртегі, құрылым және саз құрамының кеңістіктік үздіксіз карталарын жасау үшін гиперспектрлік спутниктік деректерді жердегі шындыққа негізделген топырақ үлгілерімен біріктіреді. Жоба шекарасын анықтау көміртегі жобасының нақты географиялық шекараларын анықтау үшін GPS тіркелген спутниктік кескіндерді пайдаланады, бұл Verra және Gold Standard сияқты барлық негізгі көміртегі тізілімдері үшін талап.

2. Тәжірибелік тексеру

Көміртек тізілімдері тұрақты тәжірибелердің тек мәлімделген емес, шынымен де жүзеге асырылатынын көрсететін үздіксіз дәлелдерді талап етеді. Қашықтықтан зондтау бұл дәлелдерді бүкіл өсу маусымдары бойынша спутниктік суреттерді уақыттық қатарлар арқылы талдау арқылы қамтамасыз етеді.

i. Жабық өсімді анықтау Қысқы маусымдағы өсімдік жамылғысының индекстерін пайдаланып, ақшалай дақылдар циклдері арасында белсенді өсіп келе жатқан жер жамылғысын анықтайды. Жабық дақылдары бар егістік маусымаралық кезеңде бос егістікпен салыстырғанда NDVI мәндерін айтарлықтай жоғары көрсетеді.

Оңтүстік Дакотадағы Sentinel-2 деректерін пайдалана отырып, Ұлттық биотехнологиялық ақпарат орталығында (2024) жарияланған зерттеулер жіктеу дәлдігінен асып түсті 80% жүгері және соя егістіктерінде жабын дақылдарының болуын және өңдеу қарқындылығын анықтау үшін.

ScienceDirect зерттеуі (2024) MRV құбырын барлық жерде орналастырды 553 743 гектар және өлшенген шығарындылардың азаюы 398 408,5 тСО2э көміртегі несиелерін қатарынан үш рет беру арқылы, бұл төмендетулерді негізінен дақылдарды енгізуді және топырақ өңдеу қарқындылығын төмендетуді қамтиды. Спутниктік MRV жүйелері енді тек жеке жоба алаңдарында ғана емес, бүкіл ауыл шаруашылығы аймақтарының ауқымында жұмыс істей алады.

ii. Нөлдік өңдеуді тексеру Топырақ бетін жинау мен отырғызу арасындағы бақылауға негізделген. Егін жинаусыз аяқталғаннан кейін, қалдық бетінде қалады және қалдық шағылысуына байланысты NDVI мәндері орташа жоғары болып қалады. Егістік алқапта 10-30 метрлік спутниктік суреттерде анықталатын беткі құрылым мен спектрлік сипаттың күрт өзгеруі байқалады. SAR деректері механикалық бұзылулармен байланысты топырақ ылғалдылығының өзгерістерін анықтау арқылы оптикалық талдауды толықтырады.

iii. Дақыл қалдықтарының сақталуын бақылау егін жинаудан кейін топырақты жабатын дақыл қалдықтарының пайызын бағалау үшін қысқа толқынды инфрақызыл жолақтарды пайдаланады. Қалдықтың жалаңаш топырақпен салыстырғанда айқын спектрлік сипатқа ие, бұл спутниктен алынған қалдық жамылғысының индекстеріне бетінің 30%, 50% немесе 70% жабылғанын бағалауға мүмкіндік береді, бұл көптеген әдіснамаларда жарамдылық пен несие көлемін тікелей анықтайтын шекті мәндер.

iv. Егіс айналымын бақылау спектрлік уақыт қатарларының деректерін пайдаланып, бірнеше маусымдағы дақыл түрінің өзгерістерін бақылайды. Әртүрлі дақылдардың ерекше фенологиялық іздері, өсу кезеңіндегі жасылдану, шың өсу және қартаю үлгісі бар. Sentinel-2-нің 5 күндік қайта қарау жиілігі жүгеріні соядан бидайға дейінгі қатарынан жылдар бойы ажырату үшін осы динамиканы жеткілікті дәл көрсетеді.

3. Биомасса және көміртегі қорын бағалау

Көміртек қорын өлшеу бақыланатын өсімдіктер мен топырақ қасиеттерін сақталған көміртектің сандық бағалауларына түрлендіруді талап етеді. Қашықтықтан зондтау бұл процесті бірнеше деректер ағындары арқылы қамтамасыз етеді.

Жер үсті биомассасы (ЖББ) Бағалау LiDAR деректерінен алынған өсімдік биіктігін, оптикалық кескіндерден алынған шатыр тығыздығын және жақын инфрақызыл шағылысудан алынған жапырақ ауданының индексін (LAI) пайдаланады. Бұл деректер гектарына тоннамен биомасса бағалауларын беретін аллометриялық теңдеулерді негіздейді. Көміртек мөлшері әдетте шамамен есептеледі 47-50% құрғақ биомасса салмағының, IPCC және FAO жүздеген түрлер бойынша расталған конверсия коэффициенті.

Топырақ органикалық көміртегі (ТОК) Жер астындағы көміртекті жоғарыдан тікелей бақылау мүмкін емес болғандықтан, бағалау күрделірек. Қашықтықтан зондтау топырақтың органикалық заттарының спектрлік белгілерін жалаңаш немесе аздап өсімдік жамылғысы бар алқаптарда анықтайтын гиперспектрлік кескіндер және көміртектің айналым жылдамдығына әсер ететін SAR-дан алынған топырақ ылғалдылығы деректері арқылы ықпал етеді.

Бұл қашықтықтан зондтау кірістері RothC немесе CENTURY сияқты процестерге негізделген модельдермен біріктірілген, олар органикалық заттардың әртүрлі климаттық және басқару жағдайларында қалай ыдырайтынын және тұрақтанатынын модельдейді.

Көміртекті несиенің сенімділігі толығымен оның артындағы өлшеу дәлдігіне байланысты. Қашықтықтан зондтау көміртекті тексеруді қымбат далалық жаттығудан үздіксіз, деректерге негізделген аудит жолына ауыстырады.

Кездейсоқ ормандар, градиентті күшейту және терең оқыту модельдерін қоса алғанда, машиналық оқыту алгоритмдері қашықтықтан зондтау кірістерін далалық өлшеулермен біріктіру үшін барған сайын қолданылуда.

PeerJ (2024) журналында жарияланған зерттеулер көп спектрлі спутниктік индекстерді шектеулі топырақ үлгілерімен біріктіретін машиналық оқыту модельдері топырақтың органикалық көміртегін бәсекеге қабілетті дәлдікпен болжай алатынын, жобаны валидациялау үшін қажетті деструктивті топырақ үлгілерінің санын азайта алатынын көрсетті.

Өлшеу, есеп беру және тексеру (MRV): Көміртек несиелерінің негізі

MRV (Өлшеу, есеп беру және тексеру) - сенімді көміртегі несиелерін расталмайтын мәлімдемелерден бөлетін басқару құрылымы. Әрбір ірі көміртегі тізілімі жобалардың бекітілген MRV хаттамасын орындауын талап етеді. Қашықтықтан зондтау барлық үш кезеңнің ажырамас бөлігіне айналды.

1. Өлшеу: Деректерді жинау

Өлшеу көміртегі мөлшері есептелетін шикі деректерді жинауды қамтиды. Спутниктік бағдарламаларда бұл өсу маусымы бойы тұрақты аралықпен көп спектрлі және SAR кескіндерін автоматты түрде қабылдаудан басталады.

Дрондармен түсірілген зерттеулер негізгі фенологиялық кезеңдерде жоғары ажыратымдылықтағы жер үсті деректерін береді. Мақсатты топырақ сынамаларын алу науқандары спутниктен алынған SOC бағалауларын калибрлеу және растау үшін далалық өлшемдерді жинайды. Биомассаны бағалау алгоритмдері далалық көлемдегі көміртегі қорының мәндерін алу үшін біріктірілген деректер негізінде жұмыс істейді.

2. Есеп беру: Өлшеулерді кредиттерге түрлендіру

Есеп беру өңделген деректерді көміртегі тізіліміне жіберілген ресми құжаттама пакетіне айналдырады. Бұған көміртегі есебінің электрондық кестелері, жобалық іс-шаралардың кеңістіктік карталары, тәжірибені енгізудің дәлелдері және тексеру кезеңіндегі көміртегі қорының өзгерістерінің модельденген нұсқалары кіреді.

ISO 14064-2 және GHG хаттамасының нұсқауларын қоса алғанда, халықаралық стандарттарға сәйкестік қажет. Спутниктік уақыт қатарларының мұрағаттары әрбір есеп берілген көрсеткіштің негізін қалаушы бұрмалауға қарсы жазбалар ретінде қызмет етеді.

3. Тексеру: Тәуелсіз растау

Үшінші тарап тексерушілері ұсынылған құжаттаманы қарап шығады және хабарланған көміртегі нәтижелерінің нақты, қосымша (яғни, жобасыз олар болмас еді) және тұрақты екенін тәуелсіз бағалайды.

Спутниктік кескін мұрағаттары мен дрондық зерттеулерді қоса алғанда, қашықтықтан зондтау дәлелдері тексерушілерге жоба талаптарымен салыстыру үшін объективті деректер береді. Уақыт қатарларын талдау сәйкессіздіктерді анықтайды, мысалы, фермер механикалық бұзылулардың спектрлік белгілерін көрсететін егістік үшін нөлдік өңдеуді талап етеді.

Ауытқуларды тексеру кезеңіне жеткенге дейін белгілеу үшін сандық MRV платформаларына өзгерістер нүктесі алгоритмдері арқылы алаяқтықты анықтау көбірек енгізілуде.

Marq Stats (2026) хабарлаған деректерге сәйкес, жоғары ажыратымдылықтағы спутниктік кескіндер мен машиналық оқытудың конвергенциясы ферма бойынша MRV құнын ... дейін төмендетті. 70-90% 2018 және 2025 жылдар аралығында Indigo Carbon компаниясына басқаруға мүмкіндік береді 8 миллион тіркелген акр жер АҚШ-тың 28 штатында 85% әкімшілік деректерді жинау ауыртпалығын азайту.

Осы ауқымда шығындарды азайту ұсақ фермерлер мен орта бизнес өкілдерінің бұрын тек ірі тауар өндірушілер үшін қолжетімді болған көміртекті несие бағдарламаларына қатыса алатынын білдіреді.

4. MRV көміртегі несиесінің нақты құнын қалай анықтайды

MRV тек сәйкестік талабы ғана емес. Бұл көміртегі несиесінің нақты нарықтық құны бар-жоғын анықтайды. Сатып алушылар, инвесторлар және реттеуші органдар көміртегі несиелерін негізгі көміртегінің қаншалықты сенімді түрде тексерілетініне негіздеп бағалайды. MRV әлсіз несие жеңілдікпен сатылады немесе толығымен қабылданбайды.

Сенімді MRV болмаса, көміртегі несиелері болжамға айналады. Фермер жабық дақылдар отырғызылмаған кезде отырғызылған деп мәлімдей алады. Жоба әзірлеушісі топырақтың көміртегі кірісін асыра бағалай алады. Сатып алушылар білмей, нақты климаттық пайда әкелмейтін жобаларды қаржыландыруы мүмкін. MRV әрбір қадамда құжатталған, тексерілетін және стандартталған дәлелдерді талап ету арқылы осы олқылықтардың әрқайсысын жояды.

Фермерлер үшін күшті MRV олардың пайдасына жұмыс істейді. Ол өзін-өзі есеп беру ауыртпалығын алып тастайды және оны ешбір тізілім немесе сатып алушы дауласа алмайтын спутниктік дәлелдермен алмастырады. Сенімге негізделген тексеруден деректерге негізделген тексеруге ауысу шағын фермерлерге ірі агробизнестермен бірдей көміртегі нарықтарында бәсекелесуге мүмкіндік береді.

Тұтастай алғанда, көміртегі нарығы үшін сенімді MRV - шынайы климаттық әрекеттерді жасыл жуудан ажырататын нәрсе. Екі рет есептелген, дұрыс бағаланбаған немесе дәлелсіз мәлімделген әрбір тонна CO2 бүкіл жүйені әлсіретеді.

Қашықтықтан зондтау арқылы жұмыс істейтін MRV өлшеу мақсатын, есеп беруді стандарттауды және тексеруді тәуелсіз ету арқылы бұл олқылықты жояды. Міне, сондықтан спутниктік MRV қолдайтын көміртекті несиелер қазір ерікті нарықтарда 15-25% бағасына жоғары баға береді - сатып алушылар көбірек төлейді, себебі несиенің артындағы ғылыми негізді жоққа шығару қиынырақ.

Көміртекті несие бағдарламалары үшін қашықтықтан зондтаудың артықшылықтары

Қашықтықтан зондтаудың таза далалық көміртегі мониторингімен салыстырғанда артықшылықтары бағдарламалардың көбірек жерді қамтуы үшін масштабталуына байланысты айтарлықтай және күрделі болып келеді.

1. Кең көлемді мониторингті шығынның аз ғана бөлігіне жүргізуге болады. Sentinel-2-нің бір ғана көрінісі 100-ден 100 шақырымға дейін аумақты қамтиды, жердегі экипаждың қатысуынсыз бір өткелмен мыңдаған фермаларды бақылайды.
2. Тексеру жылдамырақ және аз еңбекті қажет етеді. Бұрын бірнеше айлық далалық сапарларды қажет ететін көміртекті бағдарламалар автоматтандырылған спутниктік талдау құбырларын пайдаланып, тәжірибені тексеруді бірнеше күн ішінде аяқтай алады.
3. Сатып алушылар, тізілімдер және инвесторлар үшін ашықтық артады. Спутниктік мұрағаттар жоба кезеңінде кен орнында болған оқиғалардың объективті, қайталанатын жазбасын жасайды, бұл кез келген мүдделі тараптың мүддесіне тәуелсіз.
4. Адами қателіктер азаяды. Автоматтандырылған кескіндерді жіктеу және көміртекті модельдеу жобаның барлық аумақтарында біркелкі алгоритмдерді қолданады, әртүрлі іріктеу әдістерін қолдана отырып, әртүрлі далалық бағалаушылар енгізген вариацияларды болдырмайды.
5. Инвесторлардың сенімі артып келеді. Институционалдық сатып алушылар көміртегі жобаларына капитал салмас бұрын сандық, деректермен қамтамасыз етілген несиелік растауды талап етеді. Негізгі көміртегі принциптері (CCP) белгілері бар қашықтықтан зондтаумен қамтамасыз етілген несиелер енді басымдыққа ие. 15-25% баға үстемеақылары, Ерікті көміртегі нарығының тұтастық кеңесінің 2025 жылғы деректеріне сәйкес.

Әрбір мүдделі тарапқа шешім қабылдауды жақсарту. Фермерлер көміртегі нәтижелері бойынша қай егістіктердің жақсы немесе нашар жұмыс істеп жатқаны туралы кеңістіктік тұрғыдан нақты кері байланыс алады. Жоба әзірлеушілері мониторинг ресурстарын жоғары тәуекел аймақтарына бөле алады. Тіркеулер автоматтандырылған аномалияларды анықтау негізінде тексеру жұмыстарына басымдық бере алады.

Көміртек нарықтарындағы қиындықтар мен шектеулер

Қашықтықтан зондтау қуатты, бірақ шексіз емес. Оның қазіргі шектеулерін түсіну ғылыми тұрғыдан қорғалатын көміртекті бағдарламаларды жобалау үшін өте маңызды.

1. Бұлттылық тропикалық және муссондық жаңбырлар әсер еткен ауылшаруашылық аймақтарында оптикалық спутниктік сенсорлар үшін тұрақты кедергі болып қала береді. Өсу маусымының негізгі кезеңдерінде бұлтсыз бақылауларды қатарынан жүргізу мүмкін емес болуы мүмкін, бұл бақылау жазбаларында олқылықтар тудырады. SAR мұны ішінара өтейді, бірақ көп сенсорлы деректер жиынтығын біріктіру өңдеудің күрделілігін арттырады.
2. Жер астындағы көміртекті ғарыштан тікелей бақылау мүмкін емес. Қашықтықтан зондтау арқылы топырақтың органикалық көміртегін бағалау әрқашан модельге тәуелді, беткі спектрлік проксилерге және ішкі белгісіздікке ие процестерге негізделген модельдеуге негізделген.
3. Кеңістіктік ажыратымдылық шағын егістік масштабтарында тәжірибені анықтауды шектейді. Бір гектардан аз егістіктері бар шағын фермерлік шаруашылықтар басым аймақтарда тіпті 10 метрлік Sentinel-2 пиксельдері бірнеше басқару шекараларын басып өтуі мүмкін, бұл таза тәжірибені анықтауды қиындатады.
4. Жердің шындығын тексеру міндетті болып қала береді. Спутниктік модельдер далалық топырақ үлгілерімен және далалық бақылаулармен калибрлеуді қажет етеді. Қазіргі уақыттағы ешбір қашықтықтан зондтау әдістемесі жер деректеріне деген қажеттілікті толығымен жоя алмайды.

Көміртекті бағдарламалар бойынша стандарттау тағы бір қиындық тудырады. Әртүрлі тізілімдер әртүрлі қашықтықтан зондтау әдіснамаларын, әртүрлі спутниктік платформаларды және әртүрлі модельдеу тәсілдерін қабылдайды. Бір әдіснаманы пайдаланып расталған несиені басқа стандарт бойынша жұмыс істейтін сатып алушы танымауы мүмкін, бұл несиелік өтімділікті және фермерлердің қатысуын шектейтін нарықтың фрагментациясын тудырады.

Көміртек нарықтарындағы қашықтықтан зондтаудың болашағы

Спутниктік технологиядағы, жасанды интеллекттегі және цифрлық ауыл шаруашылығы инфрақұрылымындағы инновациялардың қарқыны бүгінгі қашықтықтан зондтау жүйелерінің шектеулері алдағы онжылдықта біртіндеп шешілетінін көрсетеді.

Жасанды интеллект және машиналық оқыту көміртекті бағалауды қазірдің өзінде өзгертіп жатыр. Миллиондаған спутниктік пиксельдерде үйретілген терең оқыту модельдері топырақ өңдеу үлгілерін, дақыл түрлерін және тәжірибелік өзгерістерді бұрынғы кез келген әдіске қарағанда дәлірек және егістікке төмен шығындармен анықтай алады.

Қоршаған ортаны қашықтықтан зондтау (2024) журналында жарияланған шекаралық модельдер гиперспектрлік машиналық оқыту модельдері кеңістіктік әртүрлі топырақ спектрлік кітапханаларында оқытылған кезде континенттік масштабтағы топырақтың органикалық көміртегін бәсекеге қабілетті дәлдікпен болжай алатынын көрсетті.

PlanetScope-тың 3 метрлік күнделікті қамту аймағы және алдағы уақытта іске қосылатын өте жоғары ажыратымдылықтағы жүйелерді қоса алғанда, жоғары ажыратымдылықтағы коммерциялық спутниктік шоқжұлдыздар жеке ферма деңгейінде жұмыс істейтін бағдарламалар үшін кіші далалық тәжірибелерді бақылауды қолжетімді етуде.

Дрондар мен спутниктік деректерді біріктіру көп деңгейлі мониторинг тәсілін қолдануға мүмкіндік береді: спутниктер үздіксіз қамтуды қамтамасыз етеді, ал дрондар ең қажет болған кезде және қай жерде тексеру туралы егжей-тегжейлі ақпарат береді.

• IoT интеграциясы далалық ылғал мен көміртегі зондтарының желілерінен нақты уақыт режиміндегі топырақ сенсорының деректерін қашықтықтан зондтау калибрлеу құбырларына тікелей жіберуге мүмкіндік береді, бұл мерзімді қолмен топырақ сынамаларын алуға тәуелділікті азайтады.
• Ауыл шаруашылығы ландшафттары үшін сандық егіздер қашықтықтан зондтау, ауа райы және топырақ деректерін біріктіріп енгізу арқылы бүкіл ферма бойынша көміртегі динамикасын модельдеу тәсілі ретінде пайда болуда. Бұл модельдеу орталары жоба әзірлеушілеріне әдіснаманы қолданар алдында әртүрлі тәжірибелік комбинациялар үшін “егер не болса” сценарийлерін модельдеуге мүмкіндік береді.
• Блокчейн арқылы көміртекті бақылау спутник арқылы тексерілген көміртегі оқиғаларын өзгермейтін бухгалтерлік есеп жазбаларымен байланыстырады, бұл сатып алушыларға далалық бақылаудан бастап несиелік зейнетақыға дейінгі толық аудит ізін қамтамасыз етеді.
• Автоматтандырылған MRV платформалары деректерді қолмен жіберу жұмыс процестерін алмастыруда. Даниядағы Agrena сияқты компаниялар ЕО-дағы мыңдаған фермалардағы жерді басқарудағы өзгерістерді бақылау үшін жерді бақылау деректерін пайдаланады, ал көміртегі несиелері ЕО-ның Көміртекті егіншілік туралы ережесіне (ЕО 2024/3012) сәйкес үздіксіз спутниктік талдау негізінде беріледі.

Күн сайын спутниктік қайта қарау жиіліктеріне жақындау және алынғаннан кейін бірнеше сағат ішінде кескіндерді өңдейтін талдау құбырлары бар нақты уақыт режиміндегі көміртекті бақылау, көміртегінің айтарлықтай жоғалуы орын алмас бұрын, фермердің жобаның ортасында егістікке оралуы сияқты тәжірибедегі кері әсерлерді анықтауға мүмкіндік береді. Әлемдік спутниктік топтамалар және кеңейтілетін өңдеу инфрақұрылымы бұл мүмкіндікті 2020 жылдардың соңына қарай негізгі көміртегі тізілімдері үшін қолжетімді етуде.

Қорытынды

Қашықтықтан зондтау көміртегі несиелерін қалай қамтамасыз ететіні бір негізгі артықшылыққа байланысты: ол көрінбейтінді өлшенетінге айналдырады. Топырақ пен өсімдіктерде сақталған көміртекті тікелей өлшеу немесе санау мүмкін емес. Бірақ ландшафттың қанша көміртегі бар екенін анықтайтын ауыл шаруашылығы тәжірибелері, соның ішінде не отырғызылатыны, топырақтың қалай басқарылатыны және биомассаның қалай таратылатыны, барлығы спутниктер, LiDAR жүйелері және SAR платформалары бақылай, жаза және сандық түрде анықтай алатын анықталатын спектрлік және құрылымдық белгілерді қалдырады.

Бастапқы картаға түсіруден бастап тәжірибені тексеруге, биомассаны бағалаудан бастап MRV құжаттамасына дейін қашықтықтан зондтау көміртегі нарықтарының тұтастықпен жұмыс істеуі үшін қажетті ғылыми негізді қамтамасыз етеді. Дәл ауыл шаруашылығы мен көміртегі нарықтары арасындағы байланыс бұрын-соңды болмағандай күшті. Деректерге негізделген басқару тәжірибелерін қолданатын фермерлер тек өнімділігін арттырып қана қоймай, сонымен қатар тізілімдер, сатып алушылар және реттеушілер барған сайын талап ететін тексерілетін, кеңістіктік айқын көміртегі дәлелдерін жасауда.

Қашықтықтан зондтау арқылы булану мониторингі соңғы екі онжылдықтағы ауыл шаруашылығы су ғылымындағы ең маңызды жетістіктердің бірі болып табылады. Спутниктен алынған жылу деректерін, өсімдік индекстерін және энергия балансы физикасын біріктіру арқылы ғалымдар мен фермерлер енді жердегі бірде-бір сенсорсыз миллиондаған гектар жердегі судың қанша мөлшерде кететінін бағалай алады.

Бұл мүмкіндік агрономдардың суаруды қалай жоспарлайтынын, үкіметтердің құрғақшылықты қалай бақылайтынын және зерттеушілердің бүкіл өзен бассейндерінің су ізін қалай сандық түрде анықтайтынын өзгертуде. Ауыл шаруашылығы жаһандық тұщы суды пайдаланудың шамамен 70% тұтынады, бірақ бұл судың көп бөлігі ешқашан далалық деңгейде тікелей өлшенбейді — бұл қашықтықтан зондтау арқылы булану мониторингі тез арада жойылып бара жатқан маңызды алшақтық.

Эвапотранспирация дегеніміз не?

Булану (ЭТ) – судың құрлық бетінен атмосфераға ауысатын біріктірілген процесс. Оның бір мезгілде жұмыс істейтін екі компоненті бар: булану, яғни топырақтан, су айдындарынан және өсімдік беттерінен сұйық судың тікелей су буына айналуы; және транспирация, яғни өсімдік тамырлары сіңіретін, сабақ арқылы жоғары қарай тасымалданатын және жапырақтардағы устьица деп аталатын ұсақ тесіктер арқылы бу түрінде бөлінетін судың биологиялық қозғалысы.

Бұл екі процесс бірге құрлықтық экожүйеден шығатын судың ең үлкен ағынын құрайды. Көптеген ауылшаруашылық ландшафттарында ET барлық жауын-шашынның 60-тан 80 пайызына дейін атмосфераға қайтарады. Бұл көрсеткіш ET-ді құрлық су балансындағы басым айнымалы етеді — көптеген егістік орталарда ағынды суларға немесе терең сіңулерге қарағанда әсерлі.

ЭТ гидрологиялық циклдің орталығында орналасқан, құрлық бетін, биосфераны және атмосфераны байланыстырады. ЭТ жылдамдығы жоғары болған кезде топырақ ылғалдылығы тезірек азаяды, өзен түбінің ағыны азаяды, ал сулы қабаттың қайта толуы төмендейді. ЭТ баяулаған кезде — құрғақшылық стрессіне, дақылдардың қартаюына немесе жерді пайдаланудың өзгеруіне байланысты — салдары төменгі ағыстағы судың қолжетімділігіне әсер етеді.

Климат ғылымында ET көміртегі мен су циклдері арасындағы негізгі байланыс механизмі болып табылады. Өсімдіктер фотосинтез үшін CO2 сіңіру үшін өз устьицаларын ашады және осылайша олар бір уақытта су буын шығарады. Әлемдік өсімдік жамылғысының, температураның немесе CO2 концентрациясының кез келген өзгерісі планеталық ET тепе-теңдігін өзгертеді және аймақтық жауын-шашын үлгілеріне кері әсер етеді.

Неліктен булануды бақылау суды басқарудың басымдығы болып табылады?

Дәл ET деректері бірнеше салада жақсы шешім қабылдауға мүмкіндік береді. Ауыл шаруашылығында дақылдардың нақты суды пайдалануын егістік деңгейінде білу суару менеджеріне қанша су қолдану керектігін, қашан қолдану керектігін және дақылда көрінетін стресс пайда болғанға дейін тапшылықтың қай жерде дамып жатқанын нақты көрсетеді.

Бұл дәлдік суды ысырап ететін және қоректік заттарды шайып кететін шамадан тыс суарудың да, өнімділікті төмендететін жеткіліксіз суарудың да алдын алады.

1. Суару кестесі: Шығыс уақытына негізделген суару кестесі болжамды физикамен алмастырады. Фермер шілдедегі жүгері алқабының шығыс уақытына күніне 7 мм су жоғалтып жатқанын білгенде, олар белгіленген күнтізбелік аралықта суарудың орнына дәл сол тапшылықты толтыра алады.

2. Құрғақшылықты бақылау: Анықтамалық ЭТ-мен (шектеусіз сумен қамтамасыз ету кезінде буланатын нәрсе) салыстырғанда нақты ЭТ-ның тұрақты төмендеуі құрғақшылық стрессінің пайда болуын білдіреді. Қашықтықтан зондтау бұл сигналды өнімнің жоғалуы көзге көрінетінге дейін бірнеше апта бұрын түсіреді.

3. Су ресурстарын жоспарлау: Бассейн деңгейіндегі суды есепке алу үшін суайрық шкаласы бойынша ЭТ деректері қажет. Спутниктік ЭТ мониторингі бұл кеңістіктік қамтуды жердегі станция желісінің құнының аз бөлігіне қамтамасыз етеді.

4. Климаттың өзгеруін бағалау: Ұзақ мерзімді табиғи ғаламшар үрдістері температураның жылынуының және жауын-шашынның өзгермелі үлгілерінің экожүйенің суды пайдалануын қалай өзгертетінін көрсетеді — бұл деректер аймақтық және ұлттық деңгейде бейімделуді жоспарлауға негіз болады.

5. Экожүйенің денсаулығын бақылау: Батпақты жерлердің ЭТ көрсеткіштері, орман транспирациясы және жайылымдық суды пайдалану экологиялық бұзылуларға сезімтал әсер етеді. Қашықтықтан зондтау ЭТ бұл өзгерістерді үлкен, қол жетпейтін ландшафттардағы іздерге түсіреді.

Эвапотранспирацияға қандай факторлар әсер етеді?

Эвапотранспирация (ЭТ) климаттық жағдайлар, ландшафт сипаттамалары және өсімдіктер биологиясының үйлесімімен қалыптасады. Төменде негізгі факторлардың бөлінуі келтірілген.

1. Топырақ түрі. Топырақ құрамы суды ұстап тұру мен булануда маңызды рөл атқарады. Құмды немесе қиыршық тасты топырақтар аз суды ұстап, булану арқылы көбірек бөледі, ал сазды немесе сазды топырақтар ылғалды жақсы ұстайды.

2. Ауа температурасы. Температура ET жылдамдығына тікелей әсер етеді. Жылы ауа ылғалды ұстап тұру қабілетін арттырады, ал жылудың жоғарылауы судың буға айналуын жеделдетеді, осылайша булануды арттырады.

3. Күн радиациясы. Күн радиациясы тек жылу өндіруден басқа, энергия деңгейлерінің, жиілігінің және альбедосының өзгеруін қамтиды — мұның бәрі ET-ге әсер етеді. Бұл факторлар орналасқан жері мен жыл мезгіліне байланысты өзгереді, сондықтан оларды дәл өлшеу көбінесе озық технологияларды қажет етеді.

4. Ылғалдылық. Салыстырмалы ылғалдылық (СЫ) ауадағы су буының максималды сыйымдылығына қатысты мөлшерін білдіреді. Ылғалдылық жоғары болған кезде, ауа аз қосымша ылғалды сіңіреді, бұл ЕТ баяулайды. Керісінше, құрғақ ауа көбірек буды сіңіруі мүмкін, бұл булану жылдамдығының жоғарылауына әкеледі.

5. Өсімдік жамылғысы. Әртүрлі өсімдік түрлері сумен әртүрлі жолдармен әрекеттеседі. Кейбіреулері құрғақ кезеңдерде суды тиімді сақтайды, ал басқалары оны тезірек жоғалтады. ET жылдамдығына өсімдіктің жасы, денсаулығы және тамыр тереңдігі де әсер етеді — терең тамырлар дақылдардың суарусыз ұзағырақ өмір сүруіне мүмкіндік береді. Бұл физиологиялық айырмашылықтар ET дақыл түрлерінде кеңінен өзгеруі мүмкін екенін білдіреді, бұл арнайы суару стратегияларын қажет етеді.

6. Желдің жылдамдығы. Жел булану мен транспирацияның негізгі қозғаушы күші болып табылады. Ол өсімдіктердің үстінде жиналатын ылғалды ауа қабатын таратады, ауаның табиғи ағынын арттырады. Сондай-ақ, ол өсімдік тесіктері арқылы будың диффузиясына көмектеседі, транспирацияны күшейтеді. Дегенмен, өте күшті, құрғақ желдер кейде будың диффузиясына кедергі келтіріп, белгілі бір жағдайларда ауаның табиғи ағынын аздап төмендетуі мүмкін.

Эвапотранспирацияның негізгі ұғымдары

ET(0) атмосфераның су шығынын арттыру мүмкіндігін көрсетеді және тек климатқа негізделген. ET(c) толық өнімділік әлеуетінде идеалды жағдайларда өсетін сау, жақсы суарылатын дақылдардан жоғалған суды өлшейді. Дақылдар басқарудың оңтайлы емес деңгейіне немесе қоршаған ортаға қатысты қиындықтарға тап болған кезде, ET(c) ET(c adj) мәнін беру үшін өзгертілуі керек. Дақылдардың булануы үш түрлі ұғым арқылы түсініледі:

1. ET(0) — Анықтамалық булану
2. ET(c) — Стандартты жағдайларда булану
3. ET(c adj) — Стандартты емес жағдайларда булану

1. Анықтамалық булану — ET(0)

ET(0) судың жақсы суарылатын бетінен булану жылдамдығын білдіреді — әдетте белгілі бір критерийлерге сәйкес келетін идеалдандырылған шөп жамылғысы ретінде модельденеді.

Бұл өлшем атмосфераның булану қажеттілігін дақыл түріне, өсу кезеңіне немесе егіншілік тәжірибесіне қарамастан көрсетеді. Анықтамалық беті толығымен ылғалданған деп есептелетіндіктен, топырақ жағдайлары есептеуден алынып тасталады, бұл әрбір өсу кезеңіндегі әрбір дақыл үшін бөлек ET шектерін анықтау қажеттілігін жояды.

ET(0) толығымен климаттық айнымалыларға байланысты және типтік мәндер агроклиматтық аймақтар бойынша әртүрлі болады, дегенмен бұл сандар тек жалпы көрсеткіштер ретінде қызмет етеді.

2. Стандартты жағдайларда булану — ET(c)

ET(c) қолайлы ауа райы жағдайында үлкен, жеткілікті суарылатын егістіктерде өсірілген, ең жоғары өнімділікте жұмыс істейтін сау, жақсы қоректік дақылдың бөлінетін суын сандық түрде анықтайды. Ол анықтамалық ET-ны дақыл коэффициенті K(c)-ге көбейту арқылы алынады:

ET(c) = ET(0) × K(c)

3. Стандартты емес жағдайларда булану — ET(c adj)

ET(c adj) идеалды өсу жағдайларынан нақты әлемдегі ауытқуларды ескереді. Зиянкестер мен аурулардың қысымы, судың тапшылығы немесе артық болуы, топырақтың тұздылығы және топырақтың нашар құнарлылығы сияқты факторлар дақылдардың нақты суды пайдалануының ET(c)-дан айтарлықтай ерекшеленуіне әкелуі мүмкін. Бұл әсерлерді анықтау үшін дақыл коэффициентімен қатар су стрессінің коэффициенті K(s) енгізіледі:

ET(c adj) = ET(0) × K(c) × K(s)

Эвапотранспирацияны өлшеудің дәстүрлі әдістері

Қашықтықтан зондтаудан бұрын ғалымдар тікелей физикалық құралдар арқылы ЭТ өлшеген. Әрбір әдіс белгілі бір масштабта жақсы жұмыс істейді, бірақ ауылшаруашылықта кеңінен қолдануды шектейтін айтарлықтай ымыраға келеді. Жердегі ЭТ өлшеудің ең жақсы әдістерінің кейбірі:

1. Лизиметр: Лизиметр (топырақ пен өсіп келе жатқан дақылмен толтырылған, жерге тегіс орнатылған үлкен ыдыс) топырақ блогын уақыт өте келе өлшеу арқылы күн сәулесінің әсерін өлшейді. Жауын-шашын бақыланып, дренаж жиналған кезде, уақыт аралығы арасындағы масса айырмашылығы нақты күн сәулесінің әсеріне тең.

Лизиметрлер ең дәл ET өлшемдерін қамтамасыз етеді, бірақ олар бір бірлігі үшін жүздеген мың доллар тұрады, тек бірнеше шаршы метрді қамтиды және нақты өрістің кеңістіктік өзгергіштігін көрсете алмайды.

2. Құйынды ковариация жүйесі: Құйынды ковариация жүйесі ET-ны жылдам жауап беретін сенсорларды пайдаланып, тік жел жылдамдығы мен шатыр үстіндегі су буының концентрациясы арасындағы ковариацияны есептеу арқылы өлшейді. Ол бірнеше жүз метрден бірнеше километрге дейінгі “ізді” қамтиды, бұл оны лизиметрге қарағанда әлдеқайда репрезентативті етеді.

Дегенмен, ағынды мұнараларды орнату және күтіп ұстау 50 000 АҚШ долларынан 300 000 АҚШ долларына дейін тұрады, ал жаһандық FLUXNET желісінде тек 900-ге жуық белсенді орын бар - бұл ауылшаруашылық ET-ны ұлттық деңгейде бақылау үшін тым сирек.

3. Боуэн қатынасы әдісі: Боуэн коэффициенті әдісі шатырдың үстіндегі температура мен ылғалдылық градиенттерін пайдаланып, сезілетін жылу ағынының (ауаны қыздыру) жасырын жылу ағынына (ЖЖ) қатынасын өлшеу арқылы ЖЖ-ны бағалайды. Бұл құйынды ковариацияға қарағанда қарапайым, бірақ біртекті алу жағдайларын қажет етеді және күрделі жерде қолданыла алмайды.

4. Метеостанцияға негізделген ET есептеулері ФАО Пенман-Монтейт теңдеуін пайдаланып, ауа температурасынан, ылғалдылығынан, жел жылдамдығынан және радиациялық деректерден анықтамалық ET (ET0) есептеңіз. Бұл әдіс суаруды жоспарлау үшін кеңінен қолданылады, бірақ нақты ET емес, анықтамалық ET шығарады, себебі ол егістіктегі нақты дақылдың орнына жақсы суарылатын анықтамалық дақылды болжайды.

Жердегі барлық әдістердің негізгі мәселесі - масштаб. Бір лизиметр бірнеше шаршы метрді білдіреді. Флюс мұнарасы ең жақсы жағдайда бірнеше жүз гектарды алып жатыр. Бірақ қазіргі заманғы ауылшаруашылық су ресурстарын басқару бүкіл өзен бассейндері бойынша далалық деңгейде ЭТ деректерін талап етеді - бұл тек қашықтықтан зондтау ғана шеше алатын кеңістіктік қиындық.

ЭТ мониторингі үшін қашықтықтан зондтаудың негіздері

Қашықтықтан зондтау, ET мониторингі контексінде, жер бетінен физикалық түрде тимей-ақ су ағынын бағалау үшін спутниктен немесе ұшақтан алынған деректерді жинау және талдау болып табылады.

Бұл тәсіл жұмыс істейді, себебі өсімдіктер мен топырақ атмосферамен ғарыштан анықталатын жолдармен, әсіресе жылулық инфрақызыл сәулелену арқылы энергия алмасады. Өсімдік тиімді түрде трансплантацияланған кезде, ол суды қыздырудың орнына буландыру үшін кіретін күн энергиясын пайдаланады. Топырақ ылғалдылығы жеткілікті шатыр салыстырмалы түрде салқын болып қалады.

Керісінше, су қысымы бар шатыр суды үнемдеу үшін устьицаларын жабады, ал кіретін энергияны аз мөлшерде тұтынатындықтан, шатыр бетінің температурасы көтеріледі. Бұл жылулық қашықтықтан зондтау жүйесі түсіретін негізгі физикалық сигнал.

Жер серігінің электронды байланысын бағалаудың негізгі физикалық принциптері

Оның энергия балансы басқарушы құрылым болып табылады. Кез келген құрлық бетінде күннен және атмосферадан келетін таза сәулелену (Rn) үш энергия жұтылуларының қосындысына тең болуы керек: топырақ жылу ағыны (G), сезімтал жылу ағыны (H, ауаны қыздырады) және жасырын жылу ағыны (LE, ET қозғалысын тудырады). Теңдеу түрінде жазылады: Rn = G + H + LE. Спутниктік деректерден Rn, G және H бағалау арқылы модель LE-ді, демек, ET-ді қалдық ретінде алады.

1. Жер бетінің температурасы Термиялық инфрақызыл диапазонда өлшенген (LST) сезімтал жылу ағыны H бағалау үшін қолданылатын негізгі бақылау мәні болып табылады. Ыстық бет ауаға көбірек жылу береді (жоғары H), бұл ET (төмен LE) үшін аз энергия қалдырады. Салқын, жақсы суарылатын бетте H төмен және LE жоғары болады.

2. Өсімдік индекстері NDVI сияқты, бетін қанша жасыл, фотосинтетикалық белсенді өсімдік материалы жабатынын анықтайды, бұл транспирация жылдамдығын басқарады. Тығыз, жасыл шатыр жалаңаш топыраққа немесе сирек кездесетін алқапқа қарағанда көбірек транспирацияланады.

3. Таза радиация қысқа толқынды және ұзын толқынды радиация ағындарынан есептеледі, оларды қашықтықтан зондтау жер бетінің альбедосынан, өсімдік жамылғысынан және жылу шығарындылары деректерінен бағалайды.

Спутниктік булану мониторингі жердегі шындықты алмастыра алмайды — бұл ауылшаруашылық және гидрологиялық шешімдер қабылданатын ауқымда кеңістіктік үздіксіз суды пайдалану деректерін жеткізе алатын жалғыз құрал.

Жер үсті әдістерімен салыстырғанда қашықтықтан зондтаудың артықшылығы тек кеңістікті қамтуда ғана емес. Спутниктік деректер өте гетерогенді ландшафттар бойынша синоптикалық, қайталанатын өлшеулерді қамтамасыз етеді — мұны ешбір жер үсті желісі салыстырмалы бағамен қайталай алмайды.

ET бағалауы үшін қашықтықтан зондтау деректер көздері

Ғарыштан ЭТ бағалау бірнеше сенсор түрлерінен алынған деректерді біріктіруді қажет етеді. Ешбір спутник толық ЭТ моделіне қажетті барлық кірістерді қамтамасыз етпейді, сондықтан жұмыс істейтін ЭТ өнімдері әдетте бірнеше платформалардан алынған деректерді біріктіреді.

1. Энергияны бағалауға арналған спутниктік платформалар

i. Ландсат (USGS/NASA) 1972 жылдан бері үздіксіз жұмыс істеп келеді және 16 күндік қайта оралу циклімен 30 метрлік кеңістіктік ажыратымдылықтағы мультиспектральды және жылулық бейнелерді ұсынады. Оның ұзақ мұрағаты оны тарихи ET талдауы және дақылдарды бақылау үшін өте маңызды етеді. SEBAL және METRIC қоса алғанда, энергия балансының ET модельдерінің көпшілігі бастапқыда Landsat деректері негізінде жасалған.

ii. Сентинел-2 (ESA) жоғары ажыратымдылықтағы өсімдіктер индексін есептеу үшін 5 күндік қайта оралу уақыты бар 10 метрлік мультиспектральды кескіндерді ұсынады. Оның жылулық диапазоны болмаса да, ол өсімдіктерге негізделген ET модельдері үшін жиірек, жоғары ажыратымдылықтағы NDVI, EVI және LAI деректерін ұсыну арқылы Landsat-ты толықтырады.

iii. MODIS (Орташа ажыратымдылықтағы бейнелеу спектрорадиометрі, NASA) күнделікті жаһандық қамтуды 250 м-ден 1 км-ге дейінгі ажыратымдылықта қамтамасыз етеді. Оның кең ауқымды кеңістіктік ажыратымдылығы далалық ауқымда қолдануды шектейді, бірақ MOD16 сияқты өнімдер арқылы континенттік және жаһандық ET мониторингі үшін өте қолайлы етеді.

iv. ЭКОСТРЕСС (NASA) Халықаралық ғарыш станциясына орнатылған және 1-ден 5 күнге дейінгі қайта қарау циклімен 70 метрлік ажыратымдылықтағы жылулық инфрақызыл деректерді жеткізеді. ECOSTRESS арнайы дақылдардың суға түсу кернеуін және ET-ны жақын егістік масштабында өлшеу үшін жасалған — MODIS және бұрынғы спутниктер толтыра алмайтын мүмкіндіктердегі олқылықты.

VIIRS-ке қарсы Suomi NPP және JPSS спутниктеріндегі (Көрінетін инфрақызыл бейнелеу радиометрі жиынтығы, NOAA/NASA) сенсорды калибрлеуді жақсарта отырып, MODIS-тің жаһандық күнделікті қамту мұрасын жалғастырады, аймақтық және жаһандық ауқымда жұмыс істейтін ET өнімдерін қолдайды.

2. Ұшқышсыз ұшу аппараттары мен дрондарға негізделген электрондық бақылаулар

Жылулық камералармен және мультиспектральды сенсорлармен жабдықталған пилотсыз ұшу аппараттары (ҰҰА немесе дрондар) жеке өрістер бойынша метрлік кеңістіктік ажыратымдылықпен ЭТ карталарын түсіре алады. Дронға орнатылған жылулық камера шатыр температурасын тікелей өлшейді және жердегі метеорологиялық деректермен біріктірілген кезде, ол ешбір спутник тең келе алмайтын ажыратымдылықта ЭТ карталарын жасайды.

• Жылулық бейнелеу дрондары көрінетін белгілер пайда болғанға дейін егістіктегі су тапшылығы бар өсімдік алқаптарын анықтап, егістік ішіндегі ауқымда әртүрлі мөлшерде суаруды қамтамасыз етеді.
• Көпспектрлі сенсорлар Дрондарда NDVI және EVI сантиметрлік ажыратымдылықта есептеледі, дәл далалық жоспарлау үшін дақыл коэффициентіне негізделген ET модельдерін береді.
• Жоғары ажыратымдылықтағы ET картасын жасау Ұшқышсыз ұшу аппараттарынан алынатын суару, әсіресе, егістік ішіндегі өзгергіштік жоғары және су тапшылығының құны жоғары арнайы дақылдар — жеміс ағаштары, жүзімдіктер, көкөністер үшін өте құнды.

ET мониторингінде қолданылатын негізгі қашықтықтан зондтау айнымалылары

Спутниктік деректерден алынған әрбір айнымалы ET бағалау жұмбағының белгілі бір бөлігіне үлес қосады. Әр айнымалының нені өлшейтінін және оның неліктен маңызды екенін түсіну мамандарға дұрыс модельді таңдауға және нәтижелерді дұрыс түсіндіруге көмектеседі.

1. Қалыптастырылған айырмашылықты өсімдік индексі (NDVI) жақын инфрақызыл және қызыл жолақты шағылыстыруды қолдана отырып, (NIR – Қызыл) / (NIR + Қызыл) ретінде есептеледі. Ол -1-ден +1-ге дейін, тығыз жасыл өсімдіктер әдетте 0,6 мен 0,9 аралығында балл алады. NDVI жапырақ ауданымен және транспирация сыйымдылығымен тікелей байланысты болатын шатырдың тығыздығы мен жасылдығын көрсетеді.

2, Өсімдік жамылғысының жақсартылған индексі (EVI) тығыз өсімдіктермен жабылған немесе жиі бұлтты аймақтарда NDVI-ді ыдырататын атмосфералық кедергілерді және топырақ фонының әсерлерін азайту үшін көк жолақ қосады. EVI биомассасы жоғары аймақтарда NDVI-ге қарағанда сезімталырақ және MOD16 ET алгоритмінде қолданылады.

3. Жапырақ ауданының индексі (LAI) жер бетінің бірлігіне шаққандағы бір жақты жапырақ ауданын сандық түрде анықтайды. Ол жапырақ бетінің атмосферамен су буымен қаншалықты алмасатынын анықтау арқылы транспирацияны тікелей басқарады. Спутниктен алынған LAI көптеген физикалық негізделген ET модельдеріндегі негізгі кіріс болып табылады.

4. Беттік альбедо бетіне шағылысатын кіретін күн радиациясының үлесі. Ол бетінің қанша күн энергиясын сіңіретінін басқарады, бұл өз кезегінде ЭТ-ны басқару үшін қанша энергия бар екенін анықтайды. Қараңғы, ылғалды топырақтың альбедосы төмен (көбірек энергияны сіңіреді); жалаңаш құмды топырақтың альбедосы жоғары (көбірек шағылыстырады).

5. Топырақтың ылғалдылығы микротолқынды сенсорлардан алынған ET модельдерін транспирацияға деген сұранысты қолдау үшін тамыр аймағында жеткілікті су бар-жоғын көрсету арқылы шектейді. Топырақ ылғалдылығы сыни шекті деңгейден төмен түскенде, энергия қолжетімді болса да, нақты ET әлеуетті жылдамдықтан төмен түседі.

Бастианссен және т.б. (Frontiers in Remote Zonding, 2026 журналында қарастырылғандай) SEBAL, ... жылы тексерілгенін анықтады. 30-дан астам ел, қол жеткізеді Күнделікті ET бағалаулары үшін 85% дәлдігі және маусымдық ET бағалаулары үшін 95% дәлдігі далалық масштабта.

95% маусымдық дәлдігі бүкіл суару ауданындағы дақылдардың суын есепке алуды тек спутниктік деректерді пайдаланып сенімді түрде жүргізуге болатынын білдіреді, бұл тығыз жердегі станция желілерінің қажеттілігін жояды.

Булануды бағалау модельдері

1. Энергия балансының модельдері

Энергия балансы модельдері ET-ді беттік энергия бюджетінің қалдығы ретінде есептейді: ET = Rn – G – H. Әрбір модель есептеу үшін ең көп талап етілетін және қатеге сезімтал компонент болып табылатын сезімтал жылу ағыны H-ны қалай бағалайтыны бойынша ерекшеленеді.

i. Жер бетінің энергия балансы алгоритмі (SEBAL) 1998 жылы Bastiaanssen компаниясымен жасалған және әлемдегі ең кең таралған спутниктік ET модельдерінің бірі болып қала береді. SEBAL үш негізгі спутниктік параметрді пайдаланады: жер бетінің температурасы (T0), жердің жарты шар тәрізді шағылысу коэффициенті (альбедоr0) және NDVI.

Сезімтал жылу ағынын бағалау үшін SEBAL екі тірек пиксельді анықтайды — “ыстық пиксель” (құрғақ жалаңаш топырақ, мұнда ET нөлге жақын) және “суық пиксель” (жақсы суарылатын дақыл, мұнда ET ең жоғары мәнде) — және H-ны осы экстремалды мәндерге қатысты көрініс бойынша интерполяциялайды. Бұл өзін-өзі калибрлеу мүмкіндігі SEBAL-ды метеорологиялық кірістердегі абсолютті калибрлеу қателеріне аз сезімтал етеді.

ii. Ішкі калибрлеу арқылы жоғары ажыратымдылықтағы булануды картаға түсіру (METRIC) моделі SEBAL негізінде жасалған, бірақ метеостанциядан есептелген анықтамалық ET-ге қарсы автоматтандырылған калибрлеуді қосады. METRIC толық ауа райы деректері желілері бар аймақтар үшін жақсырақ қолайлы және Америка Құрама Штаттарының батысында суаруды жедел басқару үшін кеңінен қолданылған.

iii. Беттік энергия балансы жүйесі (SEBS) спутниктен алынған LST, бетінің кедір-бұдырлығы және жел жылдамдығынан сезімтал жылу ағынын бағалау үшін турбулентті ағын теориясын пайдаланады. SEBS SEBAL-ға қарағанда физикалық тұрғыдан қатаңырақ, бірақ қосымша кіріс деректерін қажет етеді, бұл оны операциялық ферманы басқаруға қарағанда зерттеуге жақсырақ сәйкестендіреді.

ET моделін таңдау тек техникалық шешім емес — бұл сіз қандай сұраққа жауап беруге тырысып жатқаныңыз туралы шешім. Бассейн деңгейіндегі суды есепке алу жаттығуы және дала деңгейіндегі суаруды жоспарлау құралы кеңістіктік ажыратымдылық пен уақыттық жиіліктің түбегейлі әртүрлі деңгейлерін талап етеді.

iv. Екі көзді энергия балансы (TSEB) моделі топырақ пен шатырды әрқайсысының өзіндік температурасы мен энергия балансы бар екі бөлек ET көзі ретінде қарастырады. Бұл тәсіл сирек өсімдіктер немесе аралас жер жамылғылары үшін дәлірек, мұнда бір көзді модель топырақтың булануын өсімдіктердің транспирациясымен біріктіруі мүмкін.

2. Өсімдік индексіне негізделген ET модельдері

Барлық ET модельдері жылулық бейнелеуді қажет етпейді. Өсімдік индексіне негізделген модельдер ET-ны ... арқылы бағалайды. дақыл коэффициенті тәсілі (Kc x ET0), мұндағы дақыл коэффициенті Kc NDVI немесе EVI-ден алынған, ал анықтамалық ET (ET0) метеостанциядан алынған. FAO-56 әдіснамасы бұл тәсілді ресми түрде бекітеді және ол суаруды жоспарлау үшін кеңінен қолданылады, себебі ол жылу жолағының деректерін қажет етпейді.

Машиналық оқыту модельдері, соның ішінде Кездейсоқ орман, Жасанды нейрондық желілер (ЖНЖ), және терең оқыту архитектуралары спутниктен алынған кірістер (LST, NDVI, альбедо, LAI) мен ағын мұнарасы ET өлшемдері арасындағы күрделі сызықтық емес қатынастарды үйрену арқылы ET бағалауына барған сайын қолданылуда.

2023 жылы «Қоршаған ортаны қашықтықтан зондтау» журналында жарияланған зерттеу MODIS және метеорологиялық деректер бойынша оқытылған кездейсоқ орман моделі әртүрлі биомдарда күнделікті ET мәнін 0,87 R2 және 0,51 мм/тәулік RMSE деп болжағанын анықтады, бұл дәстүрлі энергия балансы модельдерімен бәсекелесе алады, бірақ параметрлеу күш-жігерін әлдеқайда аз қажет етеді.

Taylor and Francis Open (2021) журналында жарияланған зерттеу Түркияның Адана қаласындағы жүгері өсіретін аймақтағы Landsat 8 кескіндеріне қолданылған SEBAL алгоритмі ET бағалауларын жасағанын анықтады. R = 0,91 корреляция коэффициенті ФАО Пенман-Монтейт әдісіне және әділеттіліктің RMSE-іне қарсы 1,14 мм/тәулік.

SEBAL-дың далалық ауқымда дәлдігі спутниктен алынған ET жұмыс істейтін суаруды басқару жүйелерінде қымбат лизиметрлік қондырғыларға деген қажеттілікті алмастыра алады немесе айтарлықтай азайта алады дегенді білдіреді.

Операциялық пайдалануға арналған спутниктік негізделген электрондық байланыс өнімдері

Бірнеше жаһандық және аймақтық ЭТ өнімдері қазір қашықтықтан зондтау кірістерін пайдалануға дайын ЭТ деректер қабаттарына түрлендіреді. Мамандар енді өздерінің энергия балансы модельдерін іске қосудың қажеті жоқ — олар бұл алдын ала есептелген деректер жиынтықтарына тікелей қол жеткізе алады.

1. MOD16 ET өнімі (NASA) MODIS деректерін MODIS жер жамылғысы, LAI, EVI және жаһандық қайта талдау метеорологиялық деректерімен басқарылатын Пенман-Монтейт алгоритмімен пайдаланады. Ол бүкіл әлем бойынша 500 метрлік ажыратымдылықта 8 күндік және айлық ET композиттерін жеткізеді. MOD16 ландшафттық масштабтағы зерттеулерге өте қолайлы, бірақ жеке далалық басқару үшін тым дөрекі.

2. SSEBop USGS әзірлеген (Жеңілдетілген беттік энергия балансының операциялық) моделі ұзақ мерзімді климатологиялық деректерден алынған алдын ала анықталған температура шекараларын пайдалану арқылы SEBAL ыстық пиксель/суық пиксель калибрлеу міндетін жеңілдетеді. SSEBop Landsat деректерін пайдаланып 30 метрлік ажыратымдылықта жұмыс істейді және OpenET ансамбліндегі алты модельдің бірін құрайды.

3. OpenET платформасы, 2021 жылы іске қосылған және NASA, USGS, Калифорния мемлекеттік университетінің Монтерей шығанағы, қоршаған ортаны қорғау қоры және Шөлді зерттеу институты басқаратын мемлекеттік-жекеменшік ынтымақтастық ретінде жұмыс істейтін бұл зонд Америка Құрама Штаттарының батысында 30 метрлік ажыратымдылықтағы далалық масштабтағы қоршаған орта деректерін жеткізеді.

2024 жылдың қаңтарында Nature Water журналында жарияланған, OpenET бағалауларын 152 жердегі ағынды орындардан алынған өлшеулермен салыстырған маңызды зерттеу OpenET бидай, жүгері, соя және күріш сияқты жылдық дақылдар үшін, әсіресе су тапшылығы суару дәлдігін ең маңызды ететін құрғақ аймақтарда жоғары дәлдікке қол жеткізетінін растады.

4. WaPOR порталы (FAO) Африка мен Таяу Шығыс үшін 30 метрлік, 100 метрлік және 250 метрлік ажыратымдылықтағы табиғи орта деректерін ұсынады, бұл деректер тапшы дамушы аймақтардағы ауыл шаруашылығы су өнімділігін талдауды қолдау үшін арнайы жасалған.

5. ЖАРҚЫРАУ (Жаһандық жер булануының Амстердам моделі) микротолқынды топырақ ылғалдылығы деректері мен спутниктік өсімдік өнімдерімен басқарылатын ЭТ-ны транспирацияға, жалаңаш топырақ булануына, ұстап қалу шығынына және ашық судағы булану компоненттеріне бөледі. Ол ЭТ сигналын биологиялық және физикалық компоненттерге бөлуде өте жақсы.

Қашықтықтан зондтаудың қолданылуы

1. Дәл суару және дақылдарды сумен басқару

Спутниктік ET деректерін ең тікелей қолдану - суаруды жоспарлау. Фермер апта сайынғы егістік масштабтағы ET карталарына қол жеткізген кезде, олар суару тапшылығын - нақты ET мен тиімді жауын-шашын арасындағы айырмашылықты - есептеп, дәл сол су көлемін қолдана алады. Бұл өнімді қоспай суды ысырап ететін созылмалы шамадан тыс суару әдетін жояды.

Калифорнияның Сакраменто-Сан-Хоакин атырауында су ресурстарын басқарушылар фермерлерге суды пайдалану туралы дәл есеп беруді талап ететін мемлекеттік ережелерді сақтауға көмектесу үшін OpenET қызметін пайдаланып жатыр.

Жылдық дақылдарға арналған спутниктік ET деректерінің жоғары дәлдігі суды есепке алу үшін заңды түрде қорғалатын негізді қамтамасыз етеді, оны ешқандай жердегі әдіс мұндай кеңістіктік қамту жағдайында қамтамасыз ете алмайды.

2024 жылы Agricultural Water Management журналында жарияланған зерттеуде (Ott et al., 2024; Desert Research Institute) OpenET Невада жер асты су бассейндеріндегі өлшенген суару деректерімен салыстырылды.

Даймонд алқабында OpenET бағалаулары тек Өлшенген суды пайдалану деректерінен 7% айырмашылығы, жер асты суларын реттеуші басқарудың пайдалану сенімділігін көрсетеді.

Бассейн масштабындағы 7% қателік шегі жер асты суларының қатты таусылған аймақтардағы спутниктік ET деректері қымбат өлшеу инфрақұрылымын алмастыра алады дегенді білдіреді.

2. Құрғақшылықты бағалау және ерте ескерту жүйелері

Құрғақшылықты бақылау тағы бір жоғары әсер ететін қолданба болып табылады. Булану кернеуінің индексі (ESI), ECOSTRESS және MODIS термиялық деректерінен алынған, нақты ЭТ-ның әлеуетті ЭТ-ға қатынасын өлшейді.

ESI 1,0-ден айтарлықтай төмендегенде, бұл өсімдіктердің су тапшылығын бастан кешіріп жатқанын білдіреді — бұл ауылшаруашылық құрғақшылығының сенімді ерте көрсеткіші, оны көбінесе дақылдардың өнімділігінің төмендеуі өлшенетінге дейін 4-8 апта бұрын анықтауға болады.

АҚШ Ауыл шаруашылығы министрлігінің Ұлттық құрғақшылықты азайту орталығы спутниктік ET негізіндегі құрғақшылық индекстерін штат үкіметтері, дақылдарды сақтандыру агенттіктері және төтенше жағдайларды басқару органдары пайдаланатын жедел құрғақшылықты бақылау карталарына біріктіреді. Бұл интеграция құрғақшылыққа қарсы әрекетті күнтізбеге негізделген немесе тек жауын-шашынға негізделген тәсілдерге қарағанда жылдамырақ және жақсырақ нысанаға алуға мүмкіндік береді.

3. Бассейндік масштабтағы су ресурстарын басқару

Бассейндік суды есепке алу миллиондаған гектар жердегі судың ET ретінде қанша су кететінін білуді талап етеді. MOD16, GLEAM және WaPOR сияқты спутниктік ET өнімдері жаһандық деңгейде дәл осыны қамтамасыз етеді.

• Су қоймаларын басқару агенттіктері жауын-шашын мен ET арасындағы айырмашылықты бағалау үшін ET деректерін пайдаланыңыз, бұл өзендер мен су қоймаларына нақты қанша су жететінін анықтайды.
• Трансшекаралық өзен бассейнінің басқармалары ұлттық жер үсті деректер желілеріне қол жеткізуді талап етпей, ұлттық суды пайдалану туралы есепті тәуелсіз тексеру үшін спутниктік ET қолдану.
• Суару аудандарының басшылары қызмет көрсету аумақтарының барлығында дақыл түрі бойынша тұтынушылық пайдалануды бақылау үшін ET пайдалану, суды әділ бөлуді және нормативтік талаптарға сәйкестікті қолдау.

4. Қоршаған орта және экологиялық қолданыстар

Спутниктік деректермен жүргізілген батпақты жерлердің экологиялық мониторингі жер үсті сенсорларын орналастыру мүмкін емес қол жетпейтін батпақтарда, шымтезек алқаптарында және сағаларда экожүйелік суды пайдалануды сандық түрде анықтайды. Ормандардың экологиялық мониторингі ормандардың жойылуы, ормандарды қалпына келтіру және орман өрттерінің бүкіл су айдындарының су балансын қалай өзгертетінін көрсетеді — бұл орман көміртегін есепке алу және сумен жабдықтауды жоспарлау үшін маңызды деректер.

Эвапотранспирация - Жердегі әрбір өсімдікті жаһандық су айналымымен байланыстыратын көрінбейтін жіп. Қашықтықтан зондтау - суды басқару үшін маңызды ауқымда оны көруге мүмкіндік беретін жалғыз құрал.

Спутниктік ET өнімдерінің дәлдігін бағалау және валидациялау

Қатаң валидациясыз ешқандай ET өнімі пайдалы емес. Стандартты тәсіл спутниктік ET бағалауларын құйынды ковариация ағыны мұнараларының өлшемдерімен салыстырады — бұл ландшафттық масштабтағы ET үшін ең дәл жердегі шындық.

Әлемдік FLUXNET желі әртүрлі биомдардағы жүздеген орындардан ашық қолжетімді ағынды мұнара деректерін ұсынады. ET өнімін әзірлеушілер өздерінің модель нәтижелерін FLUXNET өлшемдерімен салыстырады, соның ішінде статистикалық өнімділік көрсеткіштерін есептейді.

• R2 (корреляция коэффициенті),
• RMSE (орташа квадраттық қате), және
• Қателік (жүйелі түрде шамадан тыс немесе кем бағалау).

Валидация әртүрлі жер жамылғысы түрлері, климаттық аймақтар және жыл мезгілдері үшін бөлек жүргізіледі, себебі ET моделінің дәлдігі осы жағдайларда айтарлықтай өзгереді.

SEBAL және METRIC сияқты энергия балансының модельдері, әдетте, ашық аспанмен жартылай құрғақ ауылшаруашылық ландшафттарында жақсы нәтиже береді. Өнімділік ылғалды тропикалық ормандарда, күрделі таулы жерлерде және бұлттылығы жиі болатын жерлерде төмендейді.

Nature Water журналында жарияланған OpenET дәлдігін зерттеу алты ET моделін өлшеулермен салыстырды. 152 флюкс мұнара алаңы Америка Құрама Штаттары бойынша OpenET ансамблі құрғақ батыс аймақтардағы жылдық дақылдар үшін ең жоғары көрсеткіштерге қол жеткізгенін анықтады - суаруды басқару экономикалық және экологиялық тұрғыдан ең маңызды болып табылатын аудандар.

Құрғақ аймақтардағы су менеджерлері қымбат өлшеу инфрақұрылымын алмастыра отырып, суару талаптарына сәйкестік және су бюджетін бақылау үшін OpenET деректерін жоғары сенімділікпен орналастыра алады.

Қашықтықтан зондтау арқылы электронды мониторинг жүргізудегі қиындықтар

Жылдам ілгерілеуге қарамастан, бірқатар техникалық және пайдалану қиындықтары спутниктік электрондық мониторингтің дәлдігі мен қолданылуын шектейді.

1. Бұлтты жабу шектеулері: Оптикалық және термиялық қашықтықтан зондтау бұлтсыз жағдайларды қажет етеді. Ылғалды тропикалық аймақтарда немесе муссон маусымдарында тұрақты бұлт жамылғысы апталардан айларға дейінгі деректер алшақтықтарын тудыруы мүмкін, бұл суаруды басқаруды талап ететін уақытша үздіксіздікті бұзады.

2. Кеңістіктік ажыратымдылық шектеулері: Уақыт бойынша ең жиі кездесетін спутник MODIS 500 метрлік ажыратымдылықта ET деректерін береді — бұл шамамен 25 гектардан аз егістіктер үшін тым үлкен. Landsat-тың 30 метрлік ажыратымдылығы көптеген ауылшаруашылық егістіктеріне сәйкес келеді, бірақ су кернеуінің тез өзгеруін байқамайтын 16 күндік қайта қарау циклімен келеді.

3. Уақытша шешім бойынша ымыраға келу: Жоғары кеңістіктік ажыратымдылық (Landsat, Sentinel-2, ECOSTRESS) және жоғары уақыттық ажыратымдылық (MODIS, VIIRS) кері байланыста болады. Бұл алшақтықты жою үшін деректерді біріктіру әдістері қажет.

4. Гетерогенді ландшафттардағы модельдік болжамдар: Бір көзді энергия балансының модельдері біркелкі шатырды болжайды, ол сирек өсімдіктерде, аралас егістік жүйелерінде немесе топырақ пен өсімдік температурасы күрт өзгеретін қалалық-ауылшаруашылық шекараларында бұзылады.

5. Дамушы аймақтардағы деректердің қолжетімділігі: Жер үсті метеостанцияларының деректері Сахарадан оңтүстікке қарай орналасқан Африканың, Оңтүстік Азияның және Орталық Азияның көп бөлігінде – су ресурстарын басқаруды жақсарту ең қажет аймақтарда сирек кездеседі.

Жаңа технологиялар және электрондық тасымалдау мониторингінің болашағы

Бірнеше конвергенциялық технологиялық әзірлемелер алдағы бес-он жыл ішінде қашықтықтан зондтау электронды мониторингінің дәлдігін, қамтуын және қолжетімділігін айтарлықтай кеңейтуге дайын.

1. Жасанды интеллект, машиналық оқыту және деректерді біріктіру

Үлкен көп сенсорлы деректер жиынтықтарында оқытылған терең оқыту модельдері белгілі бір ландшафттарда классикалық энергия балансы модельдерінен асып түсе бастады. Конволюциялық нейрондық желілер Landsat, Sentinel-2, MODIS және метеорологиялық қайта талдау деректерін бір уақытта біріктіре алады, ешбір бір сенсорлы модель түсіре алмайтын кеңістіктік-уақыттық ET үлгілерін үйренеді.

Сонымен қатар, деректерді біріктіру алгоритмдері — ең көрнектісі STARFM (Кеңістіктік және уақытша бейімделгіш шағылысу біріктіру моделі) тәсілі — жоғары ажыратымдылықтағы Landsat кескіндерін күнделікті MODIS деректерімен біріктіріп, 30 метрлік ажыратымдылықтағы синтетикалық күнделікті ET карталарын жасайды, бұл қазіргі уақытта дәл ауыл шаруашылығы қолданбаларын шектейтін кеңістіктік-уақыттық ымыраны тиімді шешеді.

2. Жоғары ажыратымдылықтағы жылулық спутниктер және CubeSat шоқжұлдыздары

Келесі буын арнайы жылулық Жерді бақылау спутниктері күнделікті қайта қарау жиілігімен 30 метрден төмен жылулық бейнелерді жеткізеді.

Landsat Next мұрагері мен коммерциялық CubeSat жылу шоқжұлдыздарын қоса алғанда, жоспарланған миссиялар кеңістіктік егжей-тегжейлілік пен уақытша жиілік арасындағы тарихи ымыраны жояды, бұл далалық масштабтағы ET мониторингін шектеді.

Future Market Insights есебінде (2025) атап өтілгендей, 2025 жылы 22,87 миллиард АҚШ долларын құрайтын қашықтықтан зондтау қызметтері нарығы LEO спутниктік шоқжұлдызының кеңеюіне байланысты 2035 жылға қарай 84,28 миллиард АҚШ долларына жетеді деп болжануда.

3. Суды басқаруға арналған сандық егіздер

Сандық егіз құрылымдар — спутниктік және IoT сенсорлық берілімдерінен нақты уақыт режимінде жаңартылатын ауылшаруашылық ландшафттарының динамикалық виртуалды көшірмелері — ET қашықтан зондтауды негізгі деректер ағыны ретінде біріктіреді. Бұл жүйелер болашақ егістік суының күйін модельдеу және суаруды автоматты түрде тағайындау үшін спутниктік ET карталарын, топырақ ылғалдылығы сенсорының деректерін, ауа райы болжамдарын және дақылдардың өсу модельдерін синхрондайды.

ET мониторингіне арналған бағдарламалық жасақтама және құралдар

Қазіргі уақытта платформалардың кең ауқымы терең бағдарламалау тәжірибесі жоқ мамандарға қашықтықтан зондтау электрондық жүйелерін талдауды қолжетімді етеді.

1. Google Earth Engine (GEE) бұлтқа негізделген геокеңістіктік есептеу платформасы, онда Landsat, MODIS, Sentinel және ECOSTRESS мұрағаттары алдын ала орнатылған ET алгоритмдерімен қатар орналастырылады. Аналитиктер жергілікті жерде ешқандай кескіндерді жүктемей-ақ, бүкіл аймақтар бойынша жылдар бойы жинақталған деректер бойынша ET есептеулерін жүргізе алады. GEE ірі аумақты ET картаға түсіруге арналған басым зерттеу платформасына айналды.

2. OpenET платформасы кез келген тіркелген пайдаланушы Америка Құрама Штаттарының батысындағы ауылшаруашылық жерлері бойынша далалық масштабтағы ЭТ деректеріне қол жеткізе алатын веб-интерфейсті ұсынады. Пайдаланушылар бағдарламалау білімін қажет етпей, жеке егістіктер немесе бүкіл су шаруашылығы аудандары үшін күнделікті, айлық немесе маусымдық ЭТ қорытындыларын экспорттай алады.

3. WaPOR порталы (FAO) Африка мен Таяу Шығыс үшін ауыл шаруашылығының су өнімділігі көрсеткіштеріне тікелей сілтемелермен ұқсас «көрсетіп, шертіп» ET жүктеу интерфейсін ұсынады.

4. Python және R жұмыс процестері rasterio, xarray, geopandas (Python) немесе terra сияқты кітапханаларды пайдалану арқылы raster (R) зерттеушілерге спутниктік деректерді жергілікті метеорологиялық жазбалармен, дақыл модельдерімен және суару дерекқорларымен біріктіретін арнайы ET өңдеу құбырларын құруға мүмкіндік береді.

Қашықтықтан зондтау арқылы электронды мониторинг жүргізу бойынша кейс-стадилер

1. Құрғақ аймақтардағы суаруды басқару

Америка Құрама Штаттарының Хай-Плейнс сулы аймағында — Жер бетіндегі ең қарқынды суарылатын ауылшаруашылық аймақтарының бірі — Шөлді зерттеу институтының зерттеушілері OpenET деректерінің климаттық деректер жиынтығымен біріктірілгені жер асты суларының сору көлемдерін сулы горизонт деңгейінің төмендеуін реттеуші басқаруды қолдау үшін жеткілікті дәлдікпен бағалай алатынын көрсетті.

Зерттеу спутниктік ET бағалауларын өлшенген сорғы жазбаларымен салыстырды, нәтижесінде зерттеу бассейндерінің көпшілігінде 17%-ден аз ауытқу анықталды — бұл су құқықтарын басқару үшін жеткілікті дәлдік деңгейі.

2. Дақыл түрлері бойынша дәл егіншілік

Өсу кезеңінде жеке егістіктердегі нақты экологиялық тазалықты картаға түсіру үшін SEBAL және METRIC модельдерін қолдана отырып, мақта суаруды жоспарлау үшін қашықтықтан зондтау арқылы электромагниттік бақылау жүйесі енгізілді.

Астрофизика деректер жүйесінде (2020) жарияланған зерттеулер екі модель де ерте дақыл кезеңдерінде топырақтың булануына байланысты күтілгеннен жоғары нақты ЭТ анықтағанын көрсетті - бұл стандартты дақыл коэффициенті тәсілінің жүйелі түрде сәтсіздікке ұшырағанын, бұл сол маңызды кезеңде шамадан тыс суаруға әкеліп соқтырғанын көрсетті.

3. Суайрық масштабындағы суды есепке алу

ФАО-ның WaPOR платформасы Эфиопия, Египет және Иорданиядағы суару схемалары бойынша су өнімділігін талдау үшін пайдаланылды, өндірілген дақыл биомассасының бірлігіне шаққандағы ЭТ-ны сандық түрде анықтады.

Бұл талдаулар су өнімділігі бассейннің орташа деңгейінен төмен алқаптарды анықтады, бұл нашар өнімді аудандарда суару тиімділігін арттыруға бағытталған мақсатты кеңейту бағдарламалары үшін кеңістіктік дәлелді негіз болды.

ET мониторингі тәсілін таңдаудың ең жақсы тәжірибелері

Спутниктік деректердің, ET моделінің және валидация стратегиясының дұрыс үйлесімін таңдау жауап берілетін нақты сұраққа, қолжетімді ресурстарға және белгісіздіктің қолайлы деңгейіне байланысты.

1. Алдымен кеңістіктік және уақыттық масштабты анықтаңыз. Бассейндік ауқымда ай сайынғы суды есептеу үшін далалық ауқымда күнделікті суару кестесінен басқа құрал қажет. Кез келген модельді таңдамас бұрын, спутниктік платформаның ажыратымдылығын және жиілігін басқару қажеттілігіне сәйкестендіріңіз.

2. Модельді ландшафт түріне сәйкестендіріңіз. SEBAL және METRIC сияқты энергия балансының модельдері жартылай құрғақ, дақылдар басым, ашық аспан астындағы ландшафттарда жақсы жұмыс істейді. Өсімдік индексіне негізделген модельдер жылу деректерінің қолжетімділігі шектеулі аймақтарда жақсы жұмыс істейді. Машиналық оқыту модельдері жергілікті деңгейде тексерілген үлкен оқу деректер жиынтығы болған кезде жақсы жұмыс істейді.

3. Әрқашан жергілікті түрде тексеріңіз. Тіпті ең дәл жаһандық ET өнімі операциялық орналастыру алдында кем дегенде бір жергілікті ағын мұнарасы немесе лизиметр деректер жиынтығымен салыстырылуы керек. Жарияланған зерттеулерден алынған өнімділік көрсеткіштері сирек жағдайда жаңа орындар мен дақыл түрлеріне дәл ауысады.

4. Бұлттылық аралықтарын жоспарлаңыз. Ылғалды немесе тропикалық аймақтарда деректерді біріктіру немесе олқылықтарды толтыру стратегияларын басынан бастап жоспарлаңыз. 16 күндік қайта қарау циклі бар бір жылулық спутникке сүйену маңызды дақылдардың өсу кезеңдерінде деректердегі қолайсыз олқылықтарды тудырады.

5. Мүмкіндігінше ашық платформаларды пайдаланыңыз. Google Earth Engine, OpenET және WaPOR тексерілген, жақсы құжатталған ET өнімдеріне тегін қол жеткізуді қамтамасыз етеді. Жергілікті ерекше жағдайлар талап етпесе, нөлден бастап арнайы ET моделін құру сирек ақталады.

6. ЭТ деректерін қолданыстағы ферманы басқару жүйелерімен біріктіру. ЭТ деректері жеке спутниктік шығыс ретінде емес, суаруды жоспарлау бағдарламалық жасақтамасына, шешім қабылдауды қолдау құралдарына немесе суды есепке алу дерекқорларына тікелей енгізілген кезде ең құнды болып табылады.

Қорытынды

Қашықтықтан зондтау арқылы булануды бақылау эксперименттік зерттеу саласынан ауылшаруашылық суды басқарудың маңызды операциялық құралына айналды. Дәлдігі артып келе жатқан спутниктік электромагниттік өнімдердің, OpenET және WaPOR сияқты ашық қолжетімді платформалардың және жасанды интеллектпен жұмыс істейтін деректерді біріктірудің үйлесімі бұрын спутниктік электромагниттік мониторингті жақсы қаржыландырылған зерттеу мекемелерімен шектеген кедергілерді жоюда.

Қазіргі мүмкіндіктер айтарлықтай: 30 немесе одан да көп елде тексерілген энергия балансы модельдері, негізгі жылдық дақылдар үшін 90%-ден жоғары маусымдық дәлдікке қол жеткізген спутниктік ET өнімдері және интернетке қосылған кез келген фермерге немесе су менеджеріне далалық көлемдегі ET деректерін жеткізетін бұлтқа негізделген платформалар. Бұл мүмкіндіктер қазірдің өзінде Колорадо өзеніндегі суару талаптарына сәйкестікті басқару, биік жазық сулы қабатындағы жер асты суларының сарқылуын бақылау және FAO WaPOR жүйесі арқылы Африка бойынша ауылшаруашылық су өнімділігін арттыру үшін пайдаланылуда.

Күріш бүкіл әлемде 3,5 миллиардтан астам адамды тамақтандырады, дегенмен Халықаралық күріш зерттеу институтының (IRRI) 2024 жылғы жаһандық күріш атласының жаңартуына сәйкес, күріш өсірілетін аумақтардың 60%-ден азында дәл және жаңартылған өсіру карталары бар. Қашықтықтан зондтауды қолдана отырып, күріш егістігінің үлгісі мен мәдени түрін картаға түсіру ешбір жердегі зерттеумен салыстыруға келмейтін масштабта кеңістіктік дәл, уақытша сәйкес деректерді беру арқылы бұл алшақтықты тез арада жоюда.

Вьетнамның Меконг атырауындағы суармалы қос егістік алқаптарды ажыратудан бастап, Сахараның оңтүстігіндегі Африкадағы жаңбырмен суарылатын бір маусымдық егістіктерді анықтауға дейін, спутниктік және радарлық жүйелер қазір фермерлерге, үкіметтерге және азық-түлік қауіпсіздігі агенттіктеріне сенімділікпен жоспарлау үшін қажетті ақпаратты береді. Жасанды интеллект және бұлтты есептеулер деректерді өңдеуді жеделдеткен сайын, күрішті нақты уақыт режимінде бақылау 2027 жылға қарай жаһандық стандартқа айналады деп күтілуде.

Неліктен күріш маңызды және оны бақылау қиын

1. Күріш өндірісі және жаһандық азық-түлік қауіпсіздігі теңдеуі

Күріш әлем халқының жартысынан көбі үшін негізгі калориялы тағам болып табылады және оның маңыздылығы жеке тамақтанудан әлдеқайда асып түседі. Әлемдік күріш өндірісі шамамен ... жетті. 2024 жылы 520 миллион метрикалық тонна ұнтақталған күріш, ФАО мәліметтері бойынша, бұл өнімнің шамамен 901 ТП3 Т Азияға тиесілі.

Құрғақшылық, су тасқыны, зиянкестердің өршуі немесе саясаттың сәтсіздігі сияқты күріш жеткізіліміндегі кез келген елеулі үзіліс азық-түлік бағасының күрт төмендеуіне әкеледі, бұл әлемдегі ең кедей отбасыларға пропорционалды түрде әсер етпейді.

Азық-түлік қауіпсіздігін осы ауқымда сақтау үшін күрішті жеткілікті мөлшерде өсіру жеткіліксіз. Бұл күріштің қай жерде өсірілетінін, әр егістік алқапта жылына қанша рет егілетінін және қандай ауыл шаруашылығы тәжірибелері қолданылатынын нақты білуді талап етеді. Үкіметтерге бұл деректер суару инфрақұрылымын бөлу, ресурстарды субсидиялау және төтенше жағдайлар резервтерін құру үшін қажет.

Қиындық күріштің Филиппиндегі террассалы тау бөктерлерінен Қытайдағы кең суармалы жазықтарға дейінгі ерекше фрагменттелген ландшафттарда өсірілуінде, бұл дәстүрлі далалық зерттеулерді ұлттық немесе аймақтық ауқымда логистикалық және қаржылық тұрғыдан тиімсіз етеді.

2. Күріш егістігінің үлгісін жүйелі түрде бақылау қажеттілігі

Күріш егу үлгілері, яғни жылына өсірілетін күріш маусымдарының саны және олардың ландшафт бойынша қалай таралғаны үнемі өзгеріп отырады. Климаттың өзгеруі кейбір аймақтарда өсу мерзімін қысқартса, басқаларында оны кеңейтеді. Экономикалық сигналдар судың қолжетімділігі мен нарықтық бағалар сәйкес келгенде фермерлерді бір реттік егін жинаудан екі есеге дейін итермелейді.

Жүйелі бақылаусыз жоспарлаушылар бес немесе одан да көп жыл бұрын ескірген халық санағы деректеріне сүйене отырып жұмыс істейді, бұл судың, тыңайтқыштарға субсидиялардың және ауылдық несиелердің созылмалы дұрыс бөлінбеуіне әкеледі. Қашықтықтан зондтау бірнеше күн ішінде бүкіл елдер бойынша тұрақты, қайталанатын бақылауларды жүргізу арқылы осы мониторинг алшақтығына шешім ұсынады.

Фермерлердің өзіндік есебіне немесе санақшылардың сауалнамасына сүйенудің орнына, спутниктік жүйелер ландшафтты тікелей бақылайды, күріш алқаптарының су тасқыны, трансплантация, вегетативті өсу және жылдың әр мезгілінде егін жинау арқылы қалай өзгеретінін түсіреді.

3. Қашықтықтан зондтаудың ауыл шаруашылығын картаға түсіруге қандай пайдасы бар?

Қашықтықтан зондтау - бұл әдетте жер серіктеріне, ұшақтарға немесе пилотсыз ұшу аппараттарына (ПҰА) орнатылған сенсорларды пайдаланып, қашықтықтан нысандар немесе аумақтар туралы ақпарат алу ғылымы. Ауыл шаруашылығында сенсорлар электромагниттік спектрдің әртүрлі толқын ұзындықтарында дақылдардан, топырақтан және судан шағылысқан немесе шығарылатын энергияны өлшейді.

Әртүрлі жер жамылғысы түрлері әртүрлі өсу кезеңдерінде энергияны әртүрлі көрсететіндіктен, спутниктік суреттер күріш алқабын жүгері алқабынан, ал су басқан трансплантацияланған күріш алқабын құрғақ тікелей тұқым себілген алқаптан ажырата алады, бұл сенсорлық технология жақсарған сайын дәлдік артады. Қашықтықтан зондтауды қолдана отырып, күріш егу үлгісі мен мәдени түрін картаға түсіру өзара байланысты төрт мақсатқа қызмет етеді.

• Біріншіден, ол маусымдық және жылдық уақыт шкалаларында күріштің қай жерде өсірілетіні туралы кеңістіктік тұрғыдан нақты тізімдерді жасайды.
• Екіншіден, ол картаға түсірілген әрбір аумақта жылына қанша егін жинау циклі болатынын жіктейді, бір, екі және үш рет егілген жүйелерді ажыратады.
• Үшіншіден, ол қолданылатын мәдени тәжірибелерді анықтайды, мысалы, егістік трансплантацияланған ба немесе тікелей тұқым себілген бе, немесе суды басқару бақылана ма немесе жаңбырмен суарылады ма.
• Төртіншіден, ол өндірісті болжауға, суды бюджеттеуге, климатқа бейімделуді жоспарлауға және дәл ауыл шаруашылығы жүйелеріне негізделген бастапқы деректерді жасайды.

Күріш егістік жүйелері мен мәдени түрлерін түсіну

1. Күріш егу үлгісінің шын мәніндегі мәні неде?

Күріш егу үлгісі белгілі бір жерде күнтізбелік жыл ішінде күріш өсірудің уақытша орналасуын сипаттайды. Ол тек күріштің өсірілетінін ғана емес, сонымен қатар әр маусымның басталуы мен аяқталуының қанша рет екенін және сол егістікте қандай дақылдың, егер бар болса, күріштен кейін немесе одан бұрын келетінін көрсетеді. Бұл үлгілерді аймақ бойынша картаға түсіру жоспарлаушыларға жерді пайдалану қарқындылығы мен ресурстарға деген сұраныстың динамикалық көрінісін береді, оны бір ғана сурет ешқашан бере алмайды.

2. Бір дақылдық күріш жүйелері

Бір дақылдық (монокроптық) жүйелерде фермерлер жылына бір күріш маусымын өсіреді, бұл әдетте муссон жаңбырлы маусымымен немесе бір рет бақыланатын суару циклімен сәйкес келеді. Бұл жүйелер судың қолжетімділігі, жұмыс күші немесе климат екінші маусымның мүмкіндігін шектейтін аймақтарда басым.

Бір дақылдық жүйелер маусым сайын ұзағырақ өсу кезеңдерін ұсынады, көбінесе дәстүрлі немесе жақсартылған ұзақ мерзімді сорттар қолданылады, және олар пропорционалды емес түрде жаңбырмен қоректенеді, бұл оларды жауын-шашын уақыты мен таралуына өте сезімтал етеді.

3. Қос дақылданған күріш жүйелері

Қос дақыл жүйелері бір егістіктен жылына екі рет күріш өнімін береді. Олар көбінесе Оңтүстік-Шығыс және Оңтүстік Азияда, соның ішінде Вьетнамдағы Қызыл өзен атырауында, Бангладештің су тасқыны алқаптарында және Үндістанның Пенджаб провинциясының суармалы аудандарында кең таралған.

Екі маусым арасындағы уақытша алшақтық аз, көбінесе 30 күннен аз, сондықтан спутниктік деректерден қос дақыл алқаптарын анықтау бір жыл ішінде екі толық фенологиялық циклді анықтау үшін тығыз уақыттық қатарларды бақылауды қажет етеді.

4. Үш еселенген күріш жүйелері

Жылына үш рет күріш жинау арқылы үш рет егін жинау судың қолжетімділігі мен температураның жыл бойы қолайлы болып қалатын шектеулі аудандарда жүзеге асырылады. Оңтүстік Вьетнамның Меконг атырауы және Қытайдың оңтүстігіндегі Гуандун провинциясының кейбір бөліктері үш рет егін жинау жүйелерін қолдайды.

Жерді пайдалану қарқындылығын барынша арттырғанымен, үш есе дақыл жүйелері топырақ құнарлылығы мен зиянкестермен күресте айтарлықтай қиындықтарға тап болады. Бұл егістіктерді қашықтықтан анықтау техникалық тұрғыдан қиын, себебі егістіктер арасындағы қысқа тыңайту кезеңдерінде фенологиялық сигналдар тығыз орналасқан.

5. Жаңбырлы күріш өсіру

Халықаралық күріш зерттеу институтының (IRRI) мәліметтері бойынша, жаңбырмен толығымен жауын-шашынмен өсірілетін, жасанды сумен қамтамасыз етілмеген жаңбырмен суарылатын күріш бүкіл әлемдегі күріштің жалпы ауданының шамамен 45% құрайды. Бұл Сахарадан оңтүстік Африкада, Оңтүстік және Оңтүстік-Шығыс Азияның таулы аймақтарында және жаңбырға тәуелді су тасқынына ұшыраған жазықтарда басым жүйе.

Жаңбыр суармалы жүйелер жауын-шашынның өзгергіштігіне өте осал, бұл кейбір аймақтарда ылғалды және құрғақ жылдар арасында 30-50% өнімділік ауытқуына әкеледі. Қашықтықтан зондтау тұрғысынан алғанда, жаңбыр суармалы күрішті картаға түсіру қиынырақ, себебі су тасқыны сигналы басқарылатын суармалы егістіктерге қарағанда әлсіз және тұрақсыз.

6. Суармалы күріш өсіру

Суармалы күріш жүйелері суды каналдар, сорғылар немесе басқарылатын су қоймалары арқылы алады, бұл фермерлерге егу және жинау уақытын айтарлықтай дәлдікпен басқаруға мүмкіндік береді. Суармалы күріш қазіргі уақытта әлемдік күріш алқабының тек 55% жерін алып жатыр, бірақ күріштің жалпы өндірісінің 75% үлесін құрайды, бұл су қауіпсіздігінің өнімділік артықшылығын көрсетеді.

Суармалы күрішті әдейі су басу спутниктік сенсорлар сенімді түрде анықтайтын күшті және тұрақты радарлық кері шашырауды жасайды, бұл суармалы күрішті әлемдегі ең дәл картаға түсірілген дақыл түрлерінің біріне айналдырады.

7. Таулы және ойпатты күріш жүйелері

Таулы күріш су басқан емес, жақсы құрғатылған топырақтарда, көбінесе Азия мен Африкадағы тау беткейлерінде немесе террасаларда өсіріледі. Бұл егістіктер ешқашан әдейі су басқан емес, сондықтан оларда ойпатты күрішті радар арқылы анықтауға мүмкіндік беретін су сигналы жоқ, бұл зерттеушілерді тек спектрлік өсімдіктердің үлгілеріне сүйенуге мәжбүр етеді.

Ал ойпатты күріш, керісінше, су табиғи түрде немесе суару арқылы жиналатын жазық немесе таяз су басқан алқаптарда өсіріледі. Ойпатты жүйелер Азияның күріш тостағандары аймақтарында басым және көптеген ауқымды картаға түсіру жұмыстарының негізгі нысанасы болып табылады.

Таулы және ойпатты алқаптар арасындағы морфологиялық қарама-қайшылық, соның ішінде алқап пішіні, топографиялық орналасуы және шатыр құрылымы, объектіге негізделген кескін талдауы тиімді пайдалана алатын қосымша кеңістіктік белгілерді береді.

8. Тікелей тұқым себілген күріш және трансплантацияланған күріш

Трансплантацияланған күріш көшеттерді питомникте 25-30 күн бойы өсіруді, содан кейін оларды қолмен немесе механикалық түрде негізгі егістікке көшіруді қамтиды. Керісінше, тікелей тұқым себілген күріш тұқымдарды питомник сатысынсыз дайындалған егістікке тікелей себуді немесе бұрғылауды қамтиды.

Бұл екі әдіс спутниктік деректерде өлшенетіндей әртүрлі уақытша белгілерді береді: трансплантацияланған егістіктер су тасқынынан кейін шамамен үш аптадан кейін күрт, синхрондалған жасылдануды көрсетеді, ал тікелей егілген егістіктер егу күнінен бастап біртіндеп шатырдың дамуын көрсетеді. Бұл фенологиялық айырмашылық, нәзік, бірақ нақты, өсімдік индекстерін мұқият уақыттық қатарлар арқылы анықтауға болады.

Күріш картасын жасауға арналған қашықтықтан зондтау құралдары мен технологиялары

1. Қашықтықтан зондтаудың физикалық принципі

Әрбір өсімдік күн радиациясын жапырақ биохимиясы, шатыр құрылымы және су құрамымен реттелетін үлгілерде шағылыстырады, сіңіреді және таратады. Жасыл жапырақтар фотосинтез үшін қызыл жарықты күшті сіңіреді, сонымен қатар жақын инфрақызыл (NIR) энергиясының үлкен бөлігін шағылыстырады. Керісінше, су басқан топырақтар кіретін радиацияның барлығын дерлік сіңіреді.

Бұл қарама-қарсы жауаптар спутниктердегі сенсорлар біркелкі уақытпен жаза алатын болжамды спектрлік қолтаңбаларды жасайды, бұл аналитиктерге егістікке бармай-ақ дақылдың жағдайын, өсу кезеңін және егістік деңгейіндегі басқару шешімдерін бақылауға мүмкіндік береді.

2. Оптикалық қашықтықтан зондтау

Оптикалық сенсорлар шағылысқан күн радиациясын анықтап, инфрақызыл толқын ұзындығына дейін кеңейтілгенде адам көзінің көретініне өте ұқсас кескіндерді жасайды. Күріш картасын жасау бойынша зерттеулерде үш оптикалық платформа басым.

Ландсат (1972 жылдан бері NASA және USGS басқаратын бірқатар спутниктер) 16 күндік қайта қарау циклімен 30 метрлік кеңістіктік ажыратымдылықтағы кескіндерді ұсынады. Оның ұзақ уақыттық мұрағаты оны күріш алқабының өзгеруін ондаған жылдар бойы зерттеу үшін өте маңызды етеді. Дегенмен, 16 күндік қайталану қысқа өсу маусымындағы кейбір фенологиялық оқиғалардың бақылаулар арасында байқалмауы мүмкін екенін білдіреді.

Сентинел-2 (Еуропалық ғарыш агенттігі басқаратын, 2015 және 2017 жылдары қос спутниктік шоқжұлдыз ретінде ұшырылған) Landsat-та 10-20 метрлік ажыратымдылықпен және экваторда 5 күндік қайта қарау циклімен жақсарады. Бұл екі жақсарту бірге өрісті дәлірек анықтауға және фенологиялық сынамаларды жақсырақ алуға мүмкіндік береді, ал 2024 жылы ISPRS Journal of Photogrammetry and Remote Zonding журналында жарияланғандарды қоса алғанда, күрішті картаға түсірудің соңғы жоғары дәлдіктегі зерттеулері Sentinel-2-ні негізгі оптикалық деректер көзі ретінде пайдаланады.

MODIS NASA-ның Terra және Aqua спутниктеріндегі (орташа ажыратымдылықтағы бейнелеу спектрорадиометрі) күнделікті қайта қарау мүмкіндігімен 250-500 метрлік ажыратымдылықты қамтамасыз етеді. Жеке далалық картаға түсіру үшін тым күрделі болғанымен, MODIS ұлттық және континенттік масштабтағы егістік қарқындылығын бағалау үшін құнды болып қала береді, мұнда жоғары кеңістіктік ажыратымдылық уақытша тығыздыққа қарағанда онша маңызды емес.

3. Радарлық қашықтықтан зондтау

Синтетикалық диафрагмалық радар (SAR) - микротолқынды импульстарды Жер бетіне жіберетін және сенсорға шашыраған энергияны өлшейтін радарға негізделген технология. Оптикалық сенсорлардан айырмашылығы, SAR бұлт жамылғысы мен күн сәулесінен тәуелсіз жұмыс істейді, яғни ол деректерді бұлтты муссон түнінде де, құрғақ мезгілдің ашық күнінде де бірдей жақсы жинайды.

Бұл қасиет тропикалық Азиядағы күріш карталарын жасау үшін өте маңызды, мұнда оптикалық сенсорлар бұлттардың бітелуіне байланысты өсу маусымының апталарын үнемі жоғалтады.

Сентинел-1 (ESA) C-диапазонындағы микротолқынды энергияны (толқын ұзындығы шамамен 5,6 см) жібереді және 6-12 күндік қайталау циклімен 10 метрлік ажыратымдылықта тегін, жаһандық SAR деректерін жеткізеді. Күріш алқаптары SAR сигналдарымен ерекше түрде әрекеттеседі:

• су басқан өрістер радар энергиясының көп бөлігін сенсордан алыстатып көрсететін (төмен кері шашыраудың мәндерін тудыратын) мінсіз айна ретінде әрекет етеді, ал
• Өсімдік тығыздығы мен жапырақ ауданы артқан сайын күріштің өсіп келе жатқан қабаты энергияны сенсорға қарай шашыратады.

Уақыт өте келе, су тасқыны және трансплантация кезінде төмен түсетін, вегетациялық кезеңдерден өтіп, бағыт алғаннан кейін қайтадан төмендейтін бұл кері шашыраудың траекториясы күрішке ғана тән радарлық фенологиялық белгіні құрайды.

Нгуен және т.б. (Қоршаған ортаны қашықтықтан зондтау, 2023) Sentinel-1 SAR уақыттық қатары бойынша жіктеуге қол жеткізілгенін анықтады 92.3% жалпы дәлдігі Вьетнамның Меконг атырауындағы үш провинцияда күріш егу маусымдарын картаға түсіруде, соның ішінде бұлттылыққа байланысты өсу кезеңінің 60%-ден астамы үшін оптикалық деректер қолжетімді болмаған үш еселенген егістік алқаптарында.

Тропикалық күріш өсіретін аймақтарда SAR негізіндегі әдістер оптикалық зондтауға балама ғана емес, сонымен қатар муссон айларында маусымдық картаға түсірудің жалғыз сенімді нұсқасы болып табылады.

4. Көп сенсорлы деректерді интеграциялау

Ешбір сенсор кеңістіктік егжей-тегжейліліктің, уақыт тығыздығының және бұлттың енуінің тамаша үйлесімін ұсынбайды. Сондықтан ең дәл күріш картаға түсіру жүйелері бірнеше сенсор түрлерін бір аналитикалық құрылымға біріктіреді.

Жалпы архитектура бұлтсыз уақыттық бақылау үшін Sentinel-1 SAR-ды ашық кезеңдерде спектрлік байлық үшін Sentinel-2 оптикалық деректерімен жұптастырады және аймақтық масштабта фенологиялық үлгіні анықтау үшін ірі ажыратымдылықтағы тірек ретінде MODIS пайдаланады.

Бұл деректер ағындары алгоритмдік түрде біріктірілген кезде, біріктірілген деректер жиынтығы дақыл шекараларын анықтай алады, трансплантация күндерін анықтай алады және ешбір сенсор жалғыз өзі қол жеткізе алмайтын сенімділік деңгейімен мәдени типтердің жіктелуін тағайындай алады.

Спутниктік деректерден күріш егістігінің үлгілерін анықтау

1. Күріштің өсу кезеңдерінің уақытша белгілері

Күріш өсу кезеңдерінің айқын анықталған тізбегінен өтеді: жерді дайындау және суару, көшет отырғызу немесе тұқым себу, топырақты өңдеу (бір өсімдіктен бірнеше сабақтың дамуы), шашырау басталғанға дейін, сабақтардың пайда болуы (дәнді гүл масағының пайда болуы) және жинау.

Әрбір кезең егістіктің оптикалық және радарлық сипаттамаларында өлшенетін өзгерісті тудырады. Аналитиктер спектрлік индекстердің уақыттық қатары немесе SAR кері шашырауы ретінде түсірілген осы кезеңге тән қолтаңбаларды фермердің алдын ала хабардарлығынсыз әр егістікте не болғанын және қашан болғанын қалпына келтіру үшін пайдаланады.

2. Фенологияға негізделген күріш картасын жасау

Фенологияға негізделген картаға түсіру (дақылдарды жіктеу үшін биологиялық оқиғалардың уақытын пайдалану) ірі аумақты күрішті анықтаудың басым тәсілі болып табылады. Әдіс математикалық қисықтарды уақыт қатарларының деректеріне сәйкестендіру, содан кейін уақытша үлгі күріштің өсу қисығына тән болатын егістіктерді анықтау арқылы жұмыс істейді. Бұл сәйкестендіру процесінен алынған негізгі оқиғалардың күндеріне мыналар жатады

• өсу маусымының басталуы (әдетте су тасқынынан кейін өсімдік жамылғысы индексінің күрт өсуімен анықталады),
• өсу маусымының шыңы (жапырақ ауданының максималды индексі) және
• маусымның соңы (егін жинау кезіндегі күрт төмендеу).

Күнтізбелік жыл ішінде анықталған осындай циклдар саны егістіктің бір, екі немесе үш рет кесілген деп жіктелетінін тікелей анықтайды.

3. Егін егу қарқындылығын бағалау

Егін егу қарқындылығы, яғни жер бірлігінде жылына аяқталатын егіс маусымдарының саны, күріш егу үлгілерін картаға түсірудің саясатқа ең қатысты нәтижелерінің бірі болып табылады. Қарапайым, бірақ тиімді тәсіл пиксельдің жылдық уақыт қатарында күріш тәрізді спектрлік немесе кері шашыраңқы шыңның қанша рет пайда болатынын есептейді.

Батпақты жерлер, су айдындары немесе маусымдық су тасқынынан туындаған жалған анықтауларды жою үшін кеңістіктік сүзгілермен біріктірілген кезде, бұл циклдік санаулар далалық зерттеулер мен аймақтық статистикаға сәйкес расталуы мүмкін бір, екі және үш дақылдан тұратын күріш карталарын жасайды.

4. Күріштің маусымдық және жылдық таралу картасын жасау

Маусымдық карталар (жылына бір өсу маусымына бір карта) күріштің қай жерде өсірілетінін ғана емес, сонымен қатар оның әр жерде қашан өсетінін де көрсетеді. Содан кейін маусымдық карталардың жылдық жинақтары аймақтың толық егін күнтізбесін, соның ішінде ерте маусымдық және кеш маусымдық күріштің кеңістіктік таралуын көрсетеді, бұл су кестесіне, зиянкестердің қысымын басқаруға және егін жинау логистикасына тікелей әсер етеді.

5. Күрішпен байланысты ауыспалы егісті анықтау

Азияның көптеген күріш жүйелерінде фермерлер күрішті бидаймен, көкөністермен, бұршақ дақылдарымен немесе тыңайған кезеңдермен бір егістік алқапта кезекті маусымдарда кезектесіп егеді. Қашықтықтан зондтау бұл айналымдарды кез келген жеке маусымды оқшаулаудың орнына толық жылдық уақыт қатарын талдау арқылы анықтайды.

Жаңбырлы маусымда күріш ретінде, ал құрғақ маусымда бидай ретінде жіктелген егістік өсімдік индексі деректерінде екі шыңның уақыттық үлгісін көрсетеді, әр шыңның спектрлік сипаттамалары тиісті дақыл түрін анықтайды. Бұл ауыспалы егісті картаға түсіру топырақтың денсаулығын бағалау, суаруға деген сұранысты модельдеу және табысты әртараптандыру бағдарламалары үшін маңызды.

GeoPard күріш егістік үлгілерін картаға түсіруді қалай қамтамасыз етеді

Күріш егу үлгілерін картаға түсіру бүкіл өсу маусымы бойы үздіксіз, көп көзді бақылауды қажет етеді, және GeoPard дәл осыны қамтамасыз етеді. Landsat-8, Sentinel-2 және Planet суреттерін бір платформаға біріктіру арқылы GeoPard егістіктерді күн сайын 3 метрге дейінгі ажыратымдылықта бақылайды, бұл бұлттылыққа байланысты күрішті көшіру алдындағы су тасқыны, көшеттерді көгалдандыру және жинау сияқты маңызды күріш оқиғаларының ешқашан жіберіп алынбауын қамтамасыз етеді.

Платформаның көп сенсорлы біріктіруі бір сенсорлы тәсілдермен салыстырғанда 4% дәлдігінің жақсарғанын көрсетті, бұл бір дақылдық, қос дақылдық және үш дақылдық күріш жүйелері арасындағы айырмашылықты тікелей күшейтеді.

Мәдени типті анықтау үшін GeoPard өсімдік жамылғысының индекс жинағы, оның ішінде жер бетіндегі су тасқынын анықтауға арналған NDWI, шатыр биомассасының уақытын анықтауға арналған EVI2 және шатыр тығыздығын анықтауға арналған LAI, суармалы трансплантацияланған күрішті жаңбыр суарылатын немесе тікелей тұқым себілген жүйелерден бөлетін спектрлік өмірбаянды көрсетеді.

Бұлтты муссон күндері оптикалық кескіндер толығымен істен шыққан кезде, GeoPard-тың интеграцияланған радарлық деректер қабаты өсімдіктерді үздіксіз бақылауды қамтамасыз етеді, көшіру кезіндегі су басқан күріштің негізгі белгісі болып табылатын SAR кері шашырау науасын оқиды.

«Қабаттарды салыстыру» құралы агрономдарға төрт синхрондалған деректер қабатын қатар орналастыруға мүмкіндік береді, бұл күріштің мәдени түрлерін NDWI су тасқыны сигналдарын көпжылдық өсімдіктердің үрдістерімен және топырақ өнімділігі карталарымен салыстыру арқылы бөлуді жеңілдетеді.

30 жылдан астам спутниктік суреттерге сүйене отырып, платформа егістік деңгейіндегі ұзақ мерзімді егіншілік қарқындылығының үлгілерін көрсетеді. Содан кейін бұл түсініктер тыңайтқыш, тұқым және дақылдарды қорғау үшін айнымалы мөлшерлеме қолдану карталарына тікелей енеді, бұл күріштің мәдени типтік карталарын нақты, егістік деңгейіндегі басқару нұсқауларына айналдырады.

Қашықтықтан зондтау арқылы күріштің мәдени түрлерін картаға түсіру

1. Әртүрлі мәдени тәжірибелердің спектрлік сипаттамалары

Күріш алқабына қолданылатын басқару тәжірибелерінің нақты үйлесімі болып табылатын мәдени тип сол алқаптың спектрлік сипатының уақытша эволюциясын қалыптастырады. Мысалы, су басқан трансплантацияланған күріш маусымды су басым оптикалық жауаппен (барлық көрінетін жолақтарда төмен шағылысу) бастайды, содан кейін көшет жамылғысы қалыптасқан кезде күрт өзгереді.

Су басқан емес тұқым алқабына тікелей себілген күріш өну басталған кезден бастап өсімдік сигналының біртіндеп артуын көрсетеді, бұл оптикалық және SAR сенсорларының екеуі де оңай анықтайтын бастапқы су басу кезеңінсіз болады.

2. Суарылатын және жаңбырмен суарылатын күрішті ажырату

Суармалы және жаңбырмен суарылатын күріш алқаптары екі байқалатын жолмен ерекшеленеді: су тасқыны оқиғаларының уақыты мен тұрақтылығы, және олардың маусымдық фенологиясының тұрақтылығы. Суармалы алқаптар кесте бойынша су басады, трансплантация мерзімдерінде жыл сайынғы өзгергіштік аз болады және суды бақылау арқылы тұрақты шатыр тығыздығын сақтайды.

Жаңбыр суарылатын алқаптар жылдар арасында уақыт бойынша үлкен өзгергіштік көрсетеді, маусым ортасында су тапшылығын бастан кешіруі мүмкін, бұл өсімдік индексі мәндерінің аномальды төмендеуі ретінде анықталады және кейде құрғақшылық жылдары толық өсу маусымын аяқтай алмайды.

Көпжылдық уақыттық қатарларды талдау осы өзгергіштік құрылымын көрсетеді, бұл жіктеу алгоритмдеріне жақсы калибрленген жүйелерде әдетте 85%-ден асатын дәлдікпен суармалы алқаптарды жаңбыр суармалы алқаптардан бөлуге мүмкіндік береді.

3. Трансплантацияланған және тікелей тұқым себілген күрішті картаға түсіру

SAR деректерінде трансплантацияланған күрішті тікелей тұқым себілген күріштен ажыратудың ең сенімді көрсеткіші - бастапқы төмен шашыраңқы су тасқыны кезеңінің уақыты мен ұзақтығы.

Көшеттер отырғызылғанға дейін 2-4 апта бойы трансплантацияланған күріш алқаптары сумен толтырылады, бұл маусымның басында радардан тыс қараңғы терезе жасайды.

Тікелей егілген егістіктерде су басудың болмауы (құрғақ егілген) немесе өте қысқа (дымқыл егілген) байқалады, ал кері шашыраудың көтерілуі себу күніне қатысты ертерек және құрылымдық жағынан көлбеуі бойынша ерекшеленеді. Бұл уақытша сипаттамаларды тығыз SAR уақыттық қатарына қолданылатын алгоритмдерді пайдаланып автоматты түрде алуға болады.

4. Қашықтықтан зондтауды қолдана отырып, басқару тәжірибелерін анықтау

Трансплантациялау әдісі мен су режимінен басқа, қашықтықтан зондтау суды басқарудың белгілі бір тәжірибелерін, мысалы, күріш алқаптарын үзік-үзік құрғату арқылы метан шығарындылары мен су шығынын азайту үшін қолданылатын балама ылғалдандыру және кептіру (AWD) әдісін анықтай алады.

АЖД егістіктері вегетациялық кезеңде қайталанатын су тасқыны-дренаждық циклдарды көрсететін тербелмелі SAR кері шашырау үлгілерін көрсетеді, ал үздіксіз су басқан егістіктер кері шашырау траекториясын тұрақты көрсетеді. Бұл мүмкіндік, әсіресе, парниктік газдардың ұлттық қорларында климатқа негізделген күріш тәжірибелерін енгізуді бақылау үшін өте құнды.

5. Күріш алқаптарындағы суды басқару көрсеткіштері

SAR арқылы су бетін анықтау өте сезімтал, күріштің астындағы бірнеше сантиметр тереңдіктегі тоған суын анықтауға мүмкіндік береді. Бұл сезімталдық талдаушыларға өсу маусымының негізгі кезеңдеріндегі егістік су тасқынының жағдайын картаға түсіруге мүмкіндік береді, бұл суару кестесі туралы шешімдер қабылдауға және су тасқынынан келтірілген залалды ерте бағалауға көмектеседі.

Бірнеше датадан алынған су бетінің карталары уақытша жинақталған кезде, олар әрбір өріс үшін мәдени типті жіктеу модельдеріне жоғары құнды кіріс ретінде қызмет ететін динамикалық суды басқару қолтаңбасын береді.

Техникалар мен әдістер: индекстерден терең оқытуға дейін

1. Күрішті бақылауға арналған өсімдік жамылғысының индекстері

Өсімдік индекстері – топырақ фонынан, атмосфералық әсерлерден және жарықтандыру геометриясынан туындайтын шуды азайта отырып, өсімдік биомассасы мен денсаулығының сигналын күшейтуге арналған әртүрлі толқын ұзындықтарындағы шағылысу мәндерінің математикалық тіркесімдері. Күрішті картаға түсіру жұмыстарында үш индекс негізгі болып табылады.

i. NDVI (Нормалданған айырмашылықты өсімдік индексі) (NIR – Қызыл) / (NIR + Қызыл) ретінде есептеледі және күрішті бақылауда ең көп қолданылатын индекс болып табылады. Ол көшеттердің пайда болуынан бастап қартаюына дейін шатырдың жасылдануын бақылайды, әдетте мәндер трансплантация кезінде нөлге жақыннан вегетативтік өсудің шыңында 0,6-0,8-ге дейін көтеріледі.

ii. EVI (өсімдік жамылғысының жақсартылған индексі) атмосфералық аэрозоль әсерлерін және топырақ фонының шуын NDVI-ге қарағанда тиімдірек түзетеді, бұл оны тропикалық Азияда кең таралған биомасса жағу маусымдары сияқты аэрозоль жүктемесі жоғары ортада қолайлы етеді.

iii. LSWI (Құрлық беті суларының индексі) өсімдік жамылғысындағы және топырақ бетіндегі су мөлшерін анықтау үшін қысқа толқынды инфрақызыл шағылыстыруды қамтиды, бұл оны ойпатты күріш өсіруді сипаттайтын су тасқыны оқиғаларына өте сезімтал етеді және өсу маусымының басталуын анықтау үшін сенімді сигнал береді.

2. Уақыт қатарларын талдау

Бір ғана спутниктік сурет күріш алқабының белгілі бір сәттегі жағдайын көрсетеді, бірақ күріш алқабының тарихы сол сәттердің тізбегінде жазылған. Уақыт қатарларын талдау көптеген бақылауларды біріктіреді, әдетте бір жыл бойы әр 5-16 күн сайын бір суреттен тұрады және маусымның басталу күні, ең жоғары NDVI, жасылдандыру жылдамдығы және жинау күні сияқты уақыттық көрсеткіштерді алады.

Бұл көрсеткіштер егістіктің толық фенологиялық мінез-құлқын сипаттайды және кез келген бір күндік бақылауға қарағанда дақыл түрін анықтау үшін әлдеқайда диагностикалық болып табылады. Гармоникалық регрессия және динамикалық уақыттық бұрмалау (DTW) сияқты статистикалық әдістер әртүрлі жылдар мен аймақтар бойынша уақыттық қатарлар деректерін туралау және салыстыру үшін жиі қолданылады.

3. Күрішті жіктеуге арналған машиналық оқыту

Машиналық оқыту спектрлік-уақыттық деректер мен далалық жағдайлар арасындағы күрделі, сызықтық емес байланыстарды анықтауды автоматтандыру арқылы күріш егістігінің үлгісін картаға түсірудің ауқымы мен дәлдігін өзгертті.

i. Кездейсоқ орман (RF) - жүздеген тәуелсіз шешім ағаштарын құратын ансамбльдік әдіс, олардың әрқайсысы кездейсоқ белгілер жиынтығы бойынша оқытылады және олардың дауыстарын соңғы жіктеу үшін біріктіреді. Ол шулы оқыту деректеріне берік, жоғары өлшемді белгілер кеңістіктерін тиімді өңдейді және аналитиктерге жіктеу шешімдерін қандай уақытша немесе спектрлік белгілер басқаратынын түсінуге көмектесетін айнымалы маңыздылық ұпайларын береді.

ii. Қолдау векторлық машинасы (SVM) жоғары өлшемді мүмкіндіктер кеңістігінде кластар арасындағы оңтайлы бөлу шекарасын табады. SVM оқыту деректері шектеулі болған кезде жақсы жұмыс істейді, бұл оны негізгі шындықты жинау қымбат болатын деректер тапшы аймақтарда пайдалы етеді.

iii. Терең оқыту, әсіресе конволюциялық нейрондық желілер (CNN) және қайталанатын нейрондық желілер (RNN), мысалы, ұзақ мерзімді жад (LSTM) архитектуралары, жеке кескіндердегі кеңістіктік үлгілерді де, кескін тізбектері бойынша уақыттық үлгілерді де бір уақытта үйрене алады. Спутниктік уақыттық қатарларға қолданылатын LSTM негізіндегі классификаторлар күрішті картаға түсіру тапсырмаларында заманауи дәлдікке қол жеткізді, бірнеше зерттеулер аймақтық масштабта 90%-ден жоғары жалпы дәлдік туралы хабарлады.

Сяо және т.б. (Халықаралық қолданбалы жерді бақылау және геоақпарат журналы, 2025) Sentinel-1 және Sentinel-2 бойынша оқытылған LSTM терең оқыту моделі Оңтүстік Азияның үш еліндегі күріш мәдени түрлерін уақыт қатарларының деректерімен біріктіргенін көрсетті. жалпы дәлдігі 91.7% және каппа коэффициенті 0.89, дәл осындай оқыту деректері жағдайында Random Forest-тен 6,4 пайыздық тармаққа асып түсті.

Оқыту деректерін жинау мүмкін болатын ірі аумақты күріш мәдени типтерін картаға түсіру үшін LSTM негізіндегі терең оқыту классификаторлары енді эталондық әдіс болып табылады және жаңа ұлттық картаға түсіру бағдарламалары үшін әдепкі таңдау болуы керек.

4. Объектіге негізделген кескін талдауы (OBIA)

Объектіге негізделген кескін талдауы (OBIA) әрбір пиксельді бөлек жіктеудің орнына, оларды жіктемес бұрын ұқсас спектрлік және кеңістіктік сипаттамалары бар көршілес пиксельдерді объектілерге (сегменттерге) топтастыру арқылы жұмыс істейді.

Күріш картасын жасауда OBIA құнды, себебі ол жіктеуге пішінді, құрылымды және контекстті енгізе алады, күріш алқабын күріштің тұрақты тікбұрышты геометриясына негізделген ұқсас түсті су айдынынан ажырата алады.

OBIA әсіресе өте жоғары кеңістіктік ажыратымдылықта, мысалы, коммерциялық спутниктерден алынған 1-5 метрлік ажыратымдылықтағы деректер немесе Ұшқышсыз ұшу аппараттарының суреттерінде тиімді.

5. Өзгерістерді анықтау әдістері

Өзгерістерді анықтау жерді пайдалану екі немесе одан да көп мерзім аралығында өзгерген аймақтарды анықтайды. Күріш жүйесін бақылауда өзгерістерді анықтау екі мақсатқа қызмет етеді: климаттық немесе экономикалық факторларға жауап ретінде күріш алқабының жыл сайынғы кеңеюін немесе қысқаруын бақылау және егіннің шықпауы, тасталуы немесе күтпеген су тасқыны сияқты маусымаралық өзгерістерді анықтау.

Екі уақыттық өзгерісті анықтау (екі күнді тікелей салыстыру) қарапайым, бірақ жылдар арасындағы фенологиялық айырмашылықтарға осал. Толық жылдық стектер бойынша көп уақыттық өзгерістерді анықтау сенімдірек және жерді пайдаланудың нақты өзгерісін маусымдық фенологиялық өзгергіштіктен ажырата алады.

Дәлдікті бағалау және тексеру

1. Жердегі шындық туралы деректерді жинау

Күріш картасын жасаудың әрбір өнімі тәуелсіз жиналған далалық бақылаулармен салыстыруды талап етеді. Жердің шындығы туралы деректер әдетте GPS-ке сілтеме жасайтын далалық сапарларды қамтиды, онда оқытылған санақшылар дақыл түрін, өсу кезеңін, суды басқару мәртебесін және отырғызу әдісін статистикалық тұрғыдан репрезентативті үлгідегі орындарда жазады. Бұл бақылаулар спутниктік алулармен уақытша сәйкес келу үшін жиналады және олар модельді оқытудан алынып тасталады және тек дәлдікті бағалау үшін пайдаланылады.

2. Жіктеу дәлдігінің көрсеткіштері

Күрішке тән қолданбалар үшін әрбір класс үшін өндіруші мен пайдаланушының дәлдігін теңестіретін F1-ұпайы Kappa-мен бірге ақпараттық бір таңбалы өнімділік қорытындысы ретінде жиірек хабарланады. Карта дәлдігін бағалаудың стандартты көрсеткіштеріне мыналар жатады

• жалпы дәлдік (дұрыс жіктелген барлық валидация ұпайларының пайызы),
• өндірушінің дәлдігі (берілген шынайы кластың өрісінің дұрыс бейнеленген болу ықтималдығы, еске түсіруге ұқсас),
• пайдаланушының дәлдігі (берілген сыныпқа бейнеленген өрістің дәлдікке ұқсас, шын мәнінде сол сынып болу ықтималдығы) және
• Каппа коэффициенті (кездейсоқтық келісіміне түзетілген келісім өлшемі, мұндағы 0,80-нен жоғары мәндер күшті келісімді білдіреді).

3. Қию үлгісін және мәдени тип карталарын тексеру

Егін егу үлгілерінің карталарын тексеру үшін жердің көп уақыттық шындығы туралы деректер қажет, әрбір тексеру орнында жылына қанша маусым жиналғанын растау үшін егіс күнтізбесі бойынша бірнеше нүктеге далалық сапарлар жасалады.

Тікелей тұқым себілген немесе суарылатын және жаңбырлы суарылатын өсімдіктерді ажырататын мәдени типті тексеру күрделірек, себебі бұл айырмашылықтар далада әрдайым көзбен көрінбейді және фермерлермен сұхбаттасуды немесе өсу маусымындағы сезімтал кезеңде басқару оқиғаларын тікелей бақылауды қажет етеді.

Ұлттық ауыл шаруашылығы статистикасы, көбінесе облыс немесе аудан деңгейінде жинақталғанымен, аумақты бағалау үшін қосымша валидация деңгейін қамтамасыз етеді, бұл карта бойынша жалпы көрсеткіштерді ресми есептелген көрсеткіштермен салыстыруға мүмкіндік береді.

Ауыл шаруашылығы жүйесіндегі қолданылуы

1. Ауыл шаруашылығын жоспарлау және саясатты әзірлеу

Қашықтықтан зондтау арқылы алынған күріш егістігінің үлгі карталары ауыл шаруашылығы министрліктеріне мақсатты араласуларды жобалау үшін қажетті кеңістіктік шешім береді. Бір дақыл жаңбыр суарылатын аймақтарды шағын көлемді суаруды дамыту үшін басымдыққа алуға болады; өнімділігі төмендейтін үш дақыл алқаптарын топырақтың деградациясы немесе жер асты суларының деңгейінің төмендеуі бойынша зерттеуге болады.

2. Күріш өндірісін бағалау

Қашықтықтан зондтау арқылы алынған күріш алқаптарының карталарын ауа райы деректеріне негізделген дақылдардың өсуін модельдеу сияқты өнімділікті бағалау модельдерімен біріктіру егін жинаудан бірнеше апта немесе ай бұрын ішкі және ұлттық өндіріс болжамдарын жасайды.

Азия даму банкінің азық-түлік қауіпсіздігін бақылау тақтасы және ФАО-ның жаһандық ақпарат және ерте ескерту жүйесі (GIEWS) спутниктен алынған күріш алқаптарының деректерін пайдаланып, егін жинау алдындағы өндірістік бағалауларды жасайды, бұл сауалнамаға негізделген тәсілдермен салыстырғанда дәлдіктің артуын көрсетеді.

3. Су ресурстарын басқару

Суармалы күріш Азиядағы тұщы судың ең ірі тұтынушысы болып табылады, Үндістан мен Бангладеш сияқты елдерде ауылшаруашылық суды тұтынудың шамамен 40% құрайды.

Спутниктік күріш картасын жасаудың ең құнды нәтижесі - картаның өзі емес, ол канал салу, құдықты жабу немесе субсидияны қайта бағыттау туралы шешім қабылдау.

Суармалы күріштің қай жерде өсірілетінін, қанша маусымда суарылатынын және қай егістіктерде AWD сияқты тиімді суды басқару тәжірибелерін қолданатынын нақты білу өзен бассейнін жоспарлауға, су қоймаларын пайдалану кестесін жасауға және жер асты суларының тұрақтылығын бағалауға тікелей көмектеседі.

4. Азық-түлік қауіпсіздігін бақылау

Азық-түлік қауіпсіздігінің болмауы туралы ерте ескерту жүйелері дақылдардың бұзылуын тез анықтауға байланысты. Күріш алқаптары толық өсу циклін аяқтай алмаған кезде, спутниктік мониторинг аномалияны күтілетін маусымдық кезеңде фенологиялық шыңның болмауы немесе қысқаруы ретінде анықтайды. USAID қолдауымен FEWS NET (Ашаршылық туралы ерте ескерту жүйелері желісі) Азия мен Африка бойынша азық-түлік қауіпсіздігі туралы ескертулер жасау үшін күрішке қатысты мониторингті қоса алғанда, спутниктік өсімдік деректерін пайдаланады.

5. Климаттың өзгеруіне әсерді бағалау

Landsat деректерінің 20 немесе одан да көп жылдық күріш егістік үлгілері карталарының ұзақ мерзімді мұрағаттары күріш өсіру алаңдарының, маусымдарының және өнімділігінің температура мен жауын-шашын режимдерінің өзгеруіне жауап ретінде қалай өзгергенін көрсетеді. Бұл тарихи тренд карталары климаттың өзгеруінің күріш жүйелеріне әсерін эмпирикалық дәлелдермен қамтамасыз етеді және әртүрлі жылыну сценарийлері кезінде болашақ ауылшаруашылық тәуекелдерін болжау үшін кіріс ретінде қызмет етеді.

7. Дәл ауыл шаруашылығын қолдану

Ферма масштабында күріштің мәдени түрін дрондардан алынған картаға түсіру егістік деңгейдегі топырақ пен су деректерімен біріктіріліп, тыңайтқыштарды айнымалы мөлшерде қолдану, зиянкестерді анықтау және отырғызу күндерін оңтайландыру сияқты дәл басқару шешімдерін қолдайды. Бұл қолданбалар қазіргі уақытта Жапонияда, Оңтүстік Кореяда және Қытайдың кейбір бөліктерінде тез дамып келеді, онда күріш өсіру жоғары деңгейде механикаландырылған және қашықтықтан зондтау нәтижелерін ферманы басқару жүйелерімен байланыстыратын деректер инфрақұрылымы бар.

Күріш картасын жасауға кедергі келтіретін қиындықтар мен шектеулер

1. Бұлттық мұқаба және деректердің қолжетімділігі

Азия күрішінің көп бөлігі өсірілетін муссон маусымы кезіндегі тұрақты бұлттылық пайдалануға болатын оптикалық бақылаулар санын айтарлықтай шектейді. Кейбір жерлерде бұлттың ластануы маңызды трансплантация және ерте вегетациялық кезеңде қолжетімді Sentinel-2 бақылауларын айына екі реттен азға дейін азайтады. SAR деректері бұл мәселені азайтады, бірақ жоймайды, себебі қатты жаңбыр радар сигналын уақытша қанықтыруы мүмкін.

2. Аралас пиксельдер және шағын өріс өлшемдері

Күріш алқаптары сенсордың кеңістіктік ажыратымдылығынан кіші аймақтарда бір пиксель күріш пен күріш емес жер жамылғысының қоспасын түсіреді, бұл жіктеуді екіұшты етеді. Индонезия мен Филиппиннің кейбір бөліктеріндегі төбелі жерлердегі және бақша көлеміндегі күріш жүйелері Sentinel-2 10 метрлік ажыратымдылығында да аралас пиксельдерді үнемі шығарады, бұл осы орталарда пиксельге негізделген әдістерді пайдалануды шектейді.

3. Дақыл түрлері арасындағы спектрлік және уақыттық ұқсастық

Кейбір дақылдар, әсіресе қант қамысы, джут және кейбір шабындықтар NDVI немесе EVI уақыт қатарларында күрішке ұқсас фенологиялық қисықтар жасайды, бұл жіктеу шатасуларына әкеледі. SAR негізіндегі су тасқынын анықтау ойпатты күріш үшін бұл шатасуды азайтады, бірақ су басқан алқаптары жоқ таулы күріш жүйелерін қосымша далалық деректерсіз немесе қосымша географиялық деректерсіз спектрлік жағынан ұқсас дақылдардан бөлу қиын болып қала береді.

4. Уақытша шешім шектеулері

Қашықтықтан зондтауды қолдана отырып, күріш егістігінің үлгісі мен мәдени түрін картаға түсіру үшін тығыз уақыттық сынама алу қажет, ең дұрысы, бүкіл өсу маусымы бойы әр 8-10 күн сайын кем дегенде бір бақылау жүргізу керек. Бұлттылық немесе спутниктік орбитадағы саңылаулар бұл уақыттық тығыздықты азайтқан кезде, қысқа мерзімді күріш сорттары немесе жылдам циклді үш есе дақыл маусымдары автоматтандырылған анықтау алгоритмдерімен толығымен байқалмауы мүмкін.

5. Жер деректерінің шектеулері

Белгілі дақыл түрлері мен басқару тәжірибелеріне сәйкес келетін далалық бақылаулар, жоғары сапалы белгіленген оқыту деректері қымбат және ұлттық картаға түсіру жүйелерін оқыту және тексеру үшін қажетті көлемде жинау логистикалық тұрғыдан қиын болып қала береді. Көптеген төмен табысты күріш өндіретін елдерде жер үсті деректерін жүйелі түрде жинаудың адами және қаржылық мүмкіндіктері картаға түсіру дәлдігін жақсартудағы ең үлкен шектеу болып табылады.

Күріш мониторингінің дамып келе жатқан үрдістері және болашағы

1. Ұшқышсыз ұшу аппараттары мен дрондарға негізделген күріш мониторингі

Мультиспектральды және жылу сенсорларымен жабдықталған пилотсыз ұшу аппараттары (ПҰА) қазір жеке фермалар бойынша сантиметрлік деңгейдегі суреттерді жеткізеді, егістік шекараларын, егістік қатарларын және тіпті жеке өсімдіктердің денсаулық жағдайын анықтайды. ПҰА спутниктік масштабтағы картаға түсіру мен жеке өсімдіктерді бақылау арасындағы көпір қызметін атқарады, фрагменттелген ландшафттық жағдайларда спутниктік модельдерді оқыту және тексеру үшін қажетті аса жоғары ажыратымдылықтағы жер бетіндегі шындық деректерін береді.

2. Күрішті жіктеуге арналған жасанды интеллект және терең оқыту

Спутниктік кескіндердің уақыттық қатарына қолданылатын конволюциялық нейрондық желілер табиғи тілді өңдеуден бейімделген трансформаторлық архитектуралармен бірге қазіргі уақытта күріш жіктеуінің ең жоғары дәлдігіне қол жеткізуде.

2024 жылы Вагенинген университетінің зерттеушілері жариялаған PRISM (Көп дереккөзді деректерді пайдаланатын фенологияға негізделген күріш дақылдарын анықтау жүйесі) құрылымы таңбаланбаған спутниктік мұрағаттардағы өзін-өзі бақылау арқылы оқыту күріш жіктеу модельдерін алдын ала дайындай алатынын, тек минималды таңбаланған жер деректерін қажет ететінін және далалық зерттеу ауыртпалығын айтарлықтай азайтатынын көрсетті.

3. Күрішті нақты уақыт режимінде бақылау жүйелері

Күрішті нақты уақыт режимінде бақылау жүйелері келіп түсетін спутниктік деректерді автоматты түрде өңдейді, күріш карталарын 10-16 күндік аралықпен жаңартады және егіс күндері, су тапшылығы оқиғалары және егін жинау уақыты туралы ескертулерді тікелей үкіметтің басқару тақталарына немесе фермерлер мен кеңейту агенттері пайдаланатын мобильді қосымшаларға жібереді.

Тайландтың Күріш департаменті мен Вьетнамның Ауыл шаруашылығы министрлігі осыған ұқсас жүйелердің прототипін басқарады, ал Халықаралық күріш зерттеу институты Бангладеш пен Камбоджада осындай мүмкіндіктерді дамытуды қолдайды.

4. Спутниктік және IoT деректерін интеграциялау

Күріш алқаптарына орналастырылған, топырақтың ылғалдылығын, су деңгейін, температурасын және шатыр микроклиматын өлшейтін Заттар интернеті (IoT) сенсорлары жер деңгейіндегі үздіксіз бақылауларды жасайды, бұл спутниктік қашықтықтан зондтау деректерін толықтырады және калибрлейді.

IoT сенсорлық желілері мен спутниктік бақылаулар деректерді біріктіру құрылымдарына біріктірілген кезде, нәтижесінде пайда болған мониторинг жүйесі судың кернеуін, су тасқынының басталуын және аурудың қысымын екі көздің де тәуелсіз ұсынатын уақытына қарағанда сенімдірек және ертерек анықтай алады.

5. Цифрлық ауыл шаруашылығы және ақылды ауыл шаруашылығы

Спутниктік күріш картасын жасау, IoT сенсорлары және жасанды интеллект негізіндегі шешім қабылдауды қолдаудың конвергенциясы ақылды күріш шаруашылығының негізін қалауда, мұнда суару уақытынан бастап тыңайтқыштарды қолдануға дейінгі басқару шешімдері күнтізбеге негізделген ережелерге емес, кеңістіктік тұрғыдан айқын, нақты уақытқа жақын деректер ағындарына негізделген.

Жапонияның Ниигата префектурасындағы және Қытайдың Хэйлунцзян провинциясындағы пилоттық бағдарламалар қашықтықтан зондтау арқылы негізделген дәл күрішті басқару кіріс шығындарын төмендетуге мүмкіндік беретінін көрсетті 15-25% 2024 жылғы алдын ала далалық сынақ есептеріне сәйкес, өнімділікті сақтай отырып немесе жақсарта отырып.

Қорытынды

Қашықтықтан зондтауды қолдана отырып, күріш егістігінің үлгісі мен мәдени түрін картаға түсіру академиялық зерттеу пәнінен Азия мен одан тыс жерлердегі үкіметтер, халықаралық агенттіктер және агротехнологиялық платформалар пайдаланатын операциялық құралға айналды. Машиналық оқыту және терең оқыту жіктеуіштері арқылы өңделген оптикалық және SAR деректерін біріктіретін көп сенсорлы уақыттық қатар тәсілдері қазір күріш алқаптарының карталарын жалпы дәлдігі 85-90%-ден асатын ұлттық масштабта үнемі ұсынады. Бұл карталар күріштің қай жерде өсетінін ғана емес, сонымен қатар жылына қанша рет, қандай су режимінде және қандай әдіспен өсетінін де анықтайды.

Қарапайым күріш алқаптарын картаға түсіруден мәдени типтік жіктеуге көшу жер жамылғысы өнімін ауылшаруашылық барлау активіне айналдырады. Аймақтың он жыл ішінде трансплантацияланған күріштен тікелей тұқым себілген күрішке ауысқанын білу еңбек нарығының өзгеруін және жер асты суларының деңгейінің бір мезгілде азаюын білдіреді. Уақытша спектрлік үлгілерімен анықталған жаңбыр суарылатын аудандардың ерте маусымдық құрғақшылыққа ең осал екенін білу апаттарға реактивті түрде көмек көрсетудің орнына алдын ала орналастырылған құрғақшылыққа жауап беруге мүмкіндік береді. Қашықтықтан зондтау кеңістіктік барлаудың бұл деңгейін баламалы жерді зерттеу бағдарламаларының құнының аз бөлігіне мүмкін етеді.

Картоп әлемдегі ең маңызды азық-түлік дақылдарының бірі болып табылады және миллиондаған адамдар үшін негізгі өнім болып табылады. Біріншіден, картоп өсімдіктерінің қалай өсетінін білу және олардың өнімділігін болжай білу фермерлерге суаруды, тыңайтқыштарды және зиянкестермен күресуді тиімдірек басқаруға көмектеседі.

Екіншіден, азық-түлік өңдеушілері мен қойма мекемелері сенімді өнімділік бағалары болған кезде логистика мен еңбекті жақсы жоспарлай алады. Дегенмен, егістіктер арқылы физикалық түрде жүру және өсімдіктерді қолмен өлшеу сияқты дәстүрлі әдістер көп уақытты алады және адами қателіктерге бейім.

Сондықтан ғалымдар картоптың өсуін бақылау және өнімділікті жылдамырақ және дәл болжау үшін жерсеріктердегі, дрондардағы немесе қол құрылғыларындағы камералар мен сенсорларды пайдаланатын қашықтықтан зондтауға жүгінді.

Картоп өнімділігінің болжамдарын түсіну

Соңғы екі онжылдықта картопты зерттеуге қашықтықтан зондтауды қолдануға қызығушылық айтарлықтай өсті. Шын мәнінде, жүйелі шолу 2000 және 2022 жылдар аралығында осы тақырып бойынша жарияланған 79 зерттеуді анықтады, бұл бастапқыда тексерілген 482 мақаланың ішінде.

Ашықтық пен қайталанымдылықты қамтамасыз ету үшін авторлар белгіленген нұсқауларды (Kitchenham & Charters 2007; PRISMA құрылымы) орындап, сегіз ірі дерекқорды - Google Scholar, ScienceDirect, Scopus, Web of Science, IEEE Xplore, MDPI, Taylor & Francis және SpringerLink - “картоп өнімділігін болжау” ЖӘНЕ “қашықтықтан зондтау” сияқты терминдерді қолданып іздеді.”

Демек, өсімді бақылау немесе өнімділікті бағалау үшін қашықтықтан зондтау деректерін пайдаланған ағылшын тіліндегі түпнұсқа зерттеулер ғана енгізілді. Сонымен қатар, әрбір таңдалған мақаладан деректер төрт негізгі сұраққа сәйкес алынды:

• Қай сенсорлық платформа пайдаланылды (спутниктік, ұшқышсыз ұшу аппараты немесе жердегі)?
• Қандай өсімдік индекстері немесе спектрлік ерекшеліктер бағаланды?
• Қандай дақылдардың қасиеттері бақыланды (биомасса, жапырақ ауданы, хлорофилл, азот)?
• Түйнектің соңғы өнімділігін қаншалықты дәл болжауға болады (анықтау коэффициенті, R²)?

Бұл сұрақтар шолушыларға технологияның жай-күйін анықтауға және болашақ зерттеулерге бағытталуы мүмкін олқылықтарды анықтауға көмектесті.

Қашықтықтан зондтау платформалары және өсімдік жамылғысының индекстері

Зерттеушілер қашықтан зондтау платформаларының үш негізгі түрін қолданды, олардың әрқайсысының өзіндік артықшылықтары мен шектеулері бар. Біріншіден, Sentinel-2 (10 м кеңістіктік ажыратымдылық, 5 күндік қайта қарау) және Landsat 5–8 (30 м, 16 күндік қайта қарау) сияқты оптикалық жерсеріктер кең қамтуды және көбінесе деректерге тегін қол жеткізуді ұсынады.

Екіншіден, MODIS/TERRA/Aqua (250–1000 м, күн сайын 2 күнге дейін қайта оралу) және PlanetScope (күн сайын 3 м, 100 км² үшін шамамен $218 шығын) сияқты спутниктер жиірек немесе жоғары ажыратымдылықтағы мониторинг жүргізуге мүмкіндік береді, дегенмен шығындар фактор болуы мүмкін.

Үшіншіден, мультиспектральды немесе гиперспектральды камералары бар пилотсыз ұшу аппараттары (ПҰА) өте жоғары ажыратымдылықты қамтамасыз етеді (пиксельге бірнеше сантиметрге дейін) және сұраныс бойынша ұшуға болады, бірақ олар кішігірім аумақтарды қамтиды және көбірек логистиканы қажет етеді.

Соңында, жердегі сенсорлар — мысалы, қолмен ұсталатын NDVI өлшегіштері және SPAD хлорофилл өлшегіштері — үлкен өрістерде қолданылған кезде уақытты көп қажет ететініне қарамастан, өте дәл нүктелік өлшеулерді береді.

Өсімдік индекстері (ӨИ) шикі шағылысу мәндерін өсімдік белгілерінің маңызды бағалауларына айналдырады. Картопты зерттеудегі ең көп таралған индекстерге мыналар жатады:

• NDVI (Қалыптанған айырмашылықты өсімдік индексі): (NIR – Қызыл) / (NIR + Қызыл)
• GNDVI (Жасыл NDVI): (NIR – Жасыл) / (NIR + Жасыл)
• NDRE (Қалыптанған айырмашылық қызыл жиек): (NIR – Қызыл жиек) / (NIR + Қызыл жиек)
• OSAVI (Топыраққа бейімделген оңтайландырылған өсімдік жамылғысының индексі): 1,16 × (NIR – Қызыл) / (NIR + Қызыл + 0,16)
• EVI (өсімдік жамылғысының жақсартылған индексі), CIred-edge, CIgreen және тағы басқалары. .

Бұл индекстер олардың шатыр жамылғысына, хлорофилл мөлшеріне және топырақ фонына сезімталдығына негізделіп таңдалады. Демек, олар өсімдіктердің денсаулығын бағалау және өнімділікті болжау үшін негіз болып табылады.

Картоптың өсуін бақылау және өнімділікті болжау

Қашықтықтан зондтау арқылы зерттеушілер картоп дақылдарының негізгі белгілерін — жер үсті биомассасын (ЖББ), жапырақ ауданының индексін (ЖАА), жамылғыдағы хлорофилл мөлшерін (ХХК) және жапырақ азотының күйін — бақылайды, содан кейін оларды түйнектің соңғы өнімділігімен байланыстырады.

Біріншіден, шатыр жамылғысы тығыз болған кезде тек VI мәндерін пайдаланып AGB бағалау қиын болуы мүмкін, себебі көптеген индекстер қаныққан; сондықтан VI мәндерін машиналық оқыту модельдерінде өсімдік биіктігімен немесе құрылым ерекшеліктерімен біріктіру көбінесе дәлдікті жақсартады.

Екіншіден, жер бетіндегі жалпы бір жақты жапырақ ауданын бағалау кезінде пилотсыз ұшу аппараттарының гиперспектрлік және спутниктік мультиспектрлік сенсорларынан алынған уақыттық қатарлардың деректерін пайдалану арқылы 0,84-ке дейінгі R² мәндеріне қол жеткізілді.

Үшіншіден, CIred-edge, CIgreen, TCARI/OSAVI және TCARI + OSAVI сияқты индекстерден алынған CCC бағалаулары вегетативтік кезеңде R² ≈ 0,85-ке жетті, бұл зертханалық өлшенген хлорофиллмен күшті корреляцияны көрсетеді.

Соңында, жердегі сенсорларды және регрессияны немесе кездейсоқ орман модельдерін пайдаланған кезде R² 0,52-ден 0,95-ке дейін болатын сау өсу үшін өте маңызды жапырақ азотының мәртебесі болжанған.

Түйнек өнімділігін болжауға келгенде, модельдеудің екі негізгі тәсілі ерекшеленеді:

Эмпирикалық регрессия модельдері: Мұнда бір VI — көбінесе NDVI, GNDVI немесе NDRE — жердің шындығының кірістілік деректеріне сәйкестендіріледі. NDVI мен кірістілік үшін есептелген R² мәндері 0,23-тен 0,84-ке дейін (медиана ≈ 0,67), ал NDRE мен кірістілік корреляциялары 0,12-ден 0,85-ке дейін (медиана ≈ 0,61) болады.

Машиналық оқыту модельдері: Оларға кездейсоқ орман, тірек векторлық машиналар және бірнеше VI-ді, спектрлік жолақтарды және ауа райы, топырақ және басқару сияқты спектрлік емес факторларды біріктіретін нейрондық желілер кіреді. Мұндай модельдер кейбір зерттеулерде R²-ді 0,93-ке дейін көтерді.

Сонымен қатар, деректерді жинау уақыты болжам дәлдігіне айтарлықтай әсер етеді. Бірнеше зерттеулерде отырғызудан кейін 36-55 күн өткен соң (DAP) жүргізілген VI өлшемдері түйнектің соңғы өнімділігімен ең жоғары корреляцияны көрсетті.

Бұл кезең топырақ жамылғысының максималды мөлшерімен және түйнектердің пайда болуының басталуымен сәйкес келеді, бұл өсімдік құрылымын соңғы өнімділіктің ең жоғары көрсеткіші етеді. Анықталған негізгі статистиканың кейбірі:

• Анықталған 482 зерттеудің ішінен 79 зерттеу (2000–2022) шолу критерийлеріне сәйкес келді.
• Назар аударатын салалар: өнімділікті болжау (37 %), жапырақтың N күйі (21 %), AGB (15 %), LAI (15 %), CCC (12 %).
• Ең көп қолданылатын спутниктік платформалар: Sentinel-2, Landsat, MODIS; коммерциялық: PlanetScope.
• R² диапазондары: NDVI–шығымдылығы (0,23–0,84), NDRE–шығымдылығы (0,12–0,85), GNDVI–шығымдылығы (0,26–0,75).

Картоп өнімділігін болжау бойынша ұсыныстар

Осы тұжырымдарға сүйене отырып, мамандар алдымен өз мақсаттарына сәйкес платформаны таңдауы керек. Аймақтық өнімділік болжамдары үшін тегін Sentinel‑2 деректері 10 м ажыратымдылықпен және 5 күндік қайта қарау кестесімен сенімді қамтуды қамтамасыз етеді.

Жергілікті бағалауларды нақтылау үшін, отырғызудан кейін шамамен 36-55 күн ішінде жоспарланған ұшқышсыз ұшу аппараттарының ұшулары маңызды шатыр динамикасын анықтайды және спутниктік модельдерді калибрлеуді жақсартады. Жердегі сенсорларды, әсіресе спектрлік деректерді далалық өлшеулермен біріктірген кезде, нүктелік тексерулер және қашықтан бақылауларды калибрлеу үшін ең жақсы пайдаланады.

Өсімдік индекстеріне келетін болсақ, мамандар соңғы өнімді болжау үшін NDVI, NDRE және CI _{қызыл жиегіне} басымдық беруі керек, себебі бұл көрсеткіштер үнемі күшті корреляцияларды көрсетеді.

Хлорофилл мен азот мөлшерін бағалау кезінде қызыл жиек индекстерін топыраққа бейімделген VI-лармен, мысалы, TCARI/OSAVI-мен біріктіру ең дәл нәтижелерді береді. Биомассаны бағалау үшін VI-лерді машиналық оқыту шеңберінде өсімдік биіктігімен немесе құрылым ерекшеліктерімен біріктіру дәлдікті одан әрі арттырады.

Модельдеуге келетін болсақ, бір индексті пайдаланатын қарапайым сызықтық немесе сызықтық емес регрессиялар жердің шындығы туралы деректер шектеулі болған кезде тиімді болады. Дегенмен, бірнеше индекстер мен қосымша деректер (ауа райы, топырақ, басқару) қолжетімді болған кезде, кездейсоқ орман немесе нейрондық желілер сияқты машиналық оқыту әдістері жоғары өнімділікті ұсынады. Маңыздысы, отырғызудан кейін шамамен 36-55 күн ішінде кескіндерді уақыт бойынша бөлу өте маңызды, себебі бұл терезе үнемі ең жоғары болжам дәлдігін қамтамасыз етеді.

Қорытынды

Қорытындылай келе, қашықтықтан зондтау картоптың өсуін бақылау және түйнек өнімділігін болжау үшін жылдам, икемді және дәл құралдар жинағын ұсынады. Тиісті платформаны таңдау, ең ақпараттық өсімдік индекстерін таңдау, деректерді жинау уақытын 36-55 DAP шамасында белгілеу және тиісті модельдеу әдістерін қолдану арқылы зерттеушілер мен мамандар өнімділік болжамдарын айтарлықтай жақсарта алады.

Бұл тәсіл уақытты үнемдеп қана қоймай, сонымен қатар ақылды басқару шешімдерін қолдайды, сайып келгенде фермерлерге, агрономдарға және бүкіл картоп жеткізу тізбегіне пайда әкеледі.

Дереккөз: Mukiibi, A., Machakaire, ATB, Franke, AC. және т.б. Картоптың өсуін бақылау және қашықтан зондтау арқылы түйнек өнімділігін болжау үшін өсімдік индекстерінің жүйелі шолуы. Картоп резесі. 68, 409–448 (2025). https://doi.org/10.1007/s11540-024-09748-7