Kategorija: Nuotoliniai tyrimai

Nuotolinio stebėjimo technologijos iš esmės pakeitė tai, kaip mes matuojame, stebime ir valdome gyvąją mūsų planetos sausumos paviršiaus masę. Naudojant nuotolinį stebėjimą apskaičiuota sausumos biomasė nebėra tik universitetų laboratorijų tyrimų retenybė – dabar tai yra labai svarbi veiklos priemonė, kurią naudoja vyriausybės, miškininkystės agentūros, augalų mokslininkai ir klimato tyrėjai visame pasaulyje.

Vien nuotolinio stebėjimo žemės ūkio rinkoje vertė buvo $3,8 milijardo 2025 m. ir prognozuojama, kad išaugs iki $9,6 milijardo iki 2034 m. ties a Metinis augimo tempas (CAGR) – 10,91 TP3T, teigiama 2026 m. „Dataintelo“ pramonės ataskaitoje. Didelę šio augimo dalį lemia patikimų biomasės duomenų, skirtų anglies dioksido apskaitai, tiksliajam ūkininkavimui ir aplinkos stebėsenai, poreikis.

Kas yra žemės biomasė?

Žemės biomasė (bendra visų organinių medžiagų sausoji masė apibrėžtoje teritorijoje) matuojama metriniais vienetais, tokiais kaip tonų hektarui (t/ha) arba megagramai hektarui (Mg/ha), kur 1 Mg lygus 1 metrinei tonai. Tai sukauptas fotosintezės produktas – anglis, kurią augalai, medžiai ir kiti organizmai surinko iš atmosferos ir pavertė fizine medžiaga.

Tai vienas iš galingiausių ekosistemos sveikatos, anglies kaupimo ir pasėlių produktyvumo rodiklių, tačiau tradiciniai antžeminiai matavimo metodai jau seniai yra per lėti, brangūs ir erdviškai riboti, kad atitiktų šiuolaikinio žemės valdymo poreikius.

Antžeminė biomasė (AGB) ir požeminė biomasė (BGB)

Mokslininkai biomasę skirsto į dvi pagrindines kategorijas. Antžeminė biomasė (AGB) apima viską, kas auga virš dirvožemio paviršiaus – stiebus, kamienus, šakas, lapus ir stovinčią negyvą medieną. Požeminė biomasė (PGB) apima šaknų sistemas ir kitą požeminę organinę medžiagą. Daugumoje miškingų ekosistemų PGB sudaro maždaug 20–301 TP3 T bendros biomasės, ir jo matavimas išlieka daug sudėtingesnis nei AGB įvertinimas.

Biomasė taip pat skirstoma į gyvąją biomasę (aktyviai augančią, metaboliškai aktyvią augalinę medžiagą) ir negyvąją biomasę (stovinčią arba nukritusią negyvą medieną, sausas nuokritas). Abi rūšys kaupia anglį ir prisideda prie bendro kraštovaizdžio anglies telkinio, tačiau jos skirtingai reaguoja į gaisrus, ligas ir valdymo intervencijas.

Kaip aplinkos rodiklis, biomasė užima išskirtinai svarbią poziciją. Didelės biomasės vertės rodo produktyvias, sveikas ekosistemas, turinčias didelį anglies dioksido kaupimo potencialą. Mažėjančios biomasės tendencijos rodo miškų kirtimą, sausros stresą, dirvožemio degradaciją arba pernelyg didelį derliaus nuėmimą. Augalininkystės ūkininkams antžeminė biomasė tiesiogiai koreliuoja su grūdų derliaus potencialu, todėl tai yra vienas praktiškiausių tiksliosios žemdirbystės rodiklių.

Kodėl žemės biomasę reikia skaičiuoti naudojant nuotolinius tyrimus?

Tradicinis biomasės įvertinimas remiasi lauko matavimais: tyrėjai nuima derlių iš mėginių sklypų, išdžiovina augalinę medžiagą krosnyse ir sveria ją, kad nustatytų sausąją masę ploto vienete. Šis destruktyvus, daug darbo reikalaujantis procesas veikia sklypo mastu, tačiau tampa visiškai nepraktiškas, kai reikia biomasės duomenų iš nacionalinio miško, upės baseino ar žemyninės žemės ūkio zonos. Pagrindiniai antžeminių lauko tyrimų apribojimai.

1. Erdvinė aprėptis yra labai ribota. Lauko komanda gali realiai išmatuoti biomasę keliose dešimtyse sklypų per sezoną. Palydovas vienu viaduku apima milijonus hektarų, todėl kraštovaizdžio masto stebėjimas neįmanomas be nuotolinio stebėjimo.

2. Lauko tyrimai yra brangūs ir lėti. Apmokyto personalo dislokavimas atokiuose miškuose ar plačiuose žemės ūkio kraštovaizdžiuose reikalauja didelių biudžetų, logistinio koordinavimo ir laiko – visa tai prastai veikia, nes tyrimų plotai didėja.

3. Destruktyvus mėginių ėmimas kenkia ekosistemai. Nuimant derlių biomasei sverti, sunaikinama pati tiriama augmenija, o tai nesuderinama su ilgalaikėmis stebėsenos programomis, kurioms reikalingi pakartotiniai matavimai toje pačioje vietoje.

4. Laikinasis dažnis yra per mažas. Lauko komandos paprastai apžiūri vietą geriausiu atveju kartą per metus. Palydovai gali aplankyti tą pačią vietą kas kelias dienas, todėl galima nuolat stebėti sezoninius biomasės pokyčius ir greitai reaguoti į tokius įvykius kaip gaisrai ar sausros.

Nuotolinis stebėjimas vienu metu pašalina visus šiuos apribojimus. Vienas „Sentinel-2“ palydovo vaizdas apima 290 km² vienam vaizdui ties 10 metrų erdvinė skiriamoji geba, teikiant pakartojamus, išsamius augmenijos duomenis be jokių ribinių išlaidų už kiekvieną papildomą hektarą. Tikslūs žemės biomasės duomenys yra labai įvairūs:

• Anglies dioksido apskaita ir REDD+: Tarptautinėms klimato kaitos programoms reikalingi patikrinti miškų anglies atsargų įvertinimai. Nuotolinio stebėjimo pagrindu sukurti biomasės žemėlapiai suteikia tokią erdvinę aprėptį ir atnaujinimo dažnumą, kokių vien nacionaliniai miškų inventoriai negali užtikrinti.
• Žemės ūkio stebėsena: Skirtingais augimo etapais pasėlių biomasė prognozuoja galutinį derlių, informuoja apie drėkinimo planavimą ir anksti atkreipia dėmesį į stresą, kol jis netampa produktyvumo nuostoliu.
• Miškų tvarkymas: Medienos tūris, kuro kiekis miškų gaisrų rizikai ir biologinės įvairovės vertinimas priklauso nuo patikimų biomasės įverčių dideliuose miškų plotuose.
• Aplinkosaugos valdymas: Žemės degradacijos stebėsena, šlapžemių vertinimas ir invazinių rūšių aptikimas – visa tai biomasės pokyčiais naudojasi kaip pagrindiniu signalu.

Kaip nuotolinis stebėjimas matuoja žemės biomasę: fizikiniai principai

Kiekviena nuotolinio stebėjimo sistema – optinis palydovas, radaras ar lazeris – renka informaciją apie augmeniją matuodama, kaip elektromagnetinė energija sąveikauja su augaline medžiaga. Šios sąveikos supratimas yra raktas į tai, kodėl nuotolinis stebėjimas apskritai gali įvertinti biomasę.

Augalai skirtingai atspindi, sugeria ir praleidžia elektromagnetinę spinduliuotę, priklausomai nuo jų vidinės cheminės sudėties, vandens kiekio, lapų struktūros ir lajos architektūros. Chlorofilas (žalias pigmentas, kuris skatina fotosintezę) stipriai sugeria raudonus ir mėlynus bangų ilgius, tuo pačiu atspindėdamas žalią ir artimojo infraraudonojo spektro energiją.

Todėl sveika, tanki augmenija pasižymi būdingu spektriniu modeliu: mažu raudonos šviesos atspindžiu, dideliu artimojo infraraudonojo spinduliavimo atspindžiu. Šis modelis, vadinamas spektriniu parašu, yra matuojamas iš kosmoso, o jo intensyvumas koreliuoja su augalinės medžiagos kiekiu ploto vienete.

Nuo spektrinių signalų iki biomasės verčių

Jutikliai fiksuoja spektrinį parašą ir apskaičiuoja augmenijos indeksus (matematinius rodiklius, kurie kiekybiškai įvertina augmenijos signalo stiprumą tam tikrame vaizde). Šie indeksai tada susiejami su biomase naudojant statistinius arba mašininio mokymosi modelius, kurie kalibruojami naudojant lauke surinktus biomasės matavimus. Rezultatas yra erdviškai ištisinis biomasės žemėlapis – kiekvienas vaizdo pikselis gauna numatomą biomasės vertę.

Duomenų apdorojimo darbo eiga vyksta aiškia seka. Neapdoroti palydovų duomenys gaunami su geometriniais iškraipymais ir atmosferos trukdžiais. Išankstinio apdorojimo metu šios klaidos ištaisomos. Augalijos indeksai apskaičiuojami pagal pataisytus vaizdus. Lauke išmatuoti biomasės mėginiai naudojami kaip pamatinė informacija modelio kalibravimui. Patvirtintas modelis taikomas visam vaizdo aprėpčiai, kad būtų sukurtas galutinis biomasės žemėlapis.

Be spektrinio atspindžio, informaciją apie biomasę teikia ir kiti fiziniai signalai. Lajos aukštis – augmenijos aukštis – yra svarbus AGB prognozavimo veiksnys. Augalų tankumas (kiek stiebų viename hektare) lemia, kiek šviesos sulaikoma. Paviršiaus šiurkštumas (nustatomas radaru) atspindi lajos struktūros sudėtingumą. Jutikliai, kurie matuoja šias struktūrines savybes, o ne tik atspindį, dažnai užtikrina didesnį biomasės įvertinimo tikslumą.

Nuotolinio stebėjimo tipai, naudojami biomasės kiekiui įvertinti

Nė vienas jutiklis nedominuoja biomasės vertinime visose ekosistemose ir masteliuose. Mokslininkai ir praktikai derina kelių tipų jutiklius, atsižvelgdami į tikslinę augmeniją, biudžetą, reikiamą tikslumą ir geografinę aprėptį.

Tiksliausi šiandieniniai biomasės žemėlapiai sudaromi ne iš vieno jutiklio, o iš intelektualaus optinių, radarinių ir LiDAR duomenų sujungimo – kiekvienas iš jų užpildo kitų akląsias zonas.

1. Optiniai palydoviniai vaizdai: daugiaspektriniai ir hiperspektriniai

Optiniai jutikliai fiksuoja atspindėtą saulės šviesą atskirose spektro juostose, paprastai apimančiose matomus bangos ilgius (mėlyną, žalią, raudoną) ir artimąjį infraraudonąjį spektrą (NIR). Daugiaspektriniai vaizdai (duomenys iš 4–10 spektro juostų) sudaro daugumos veikiančių biomasės kartografavimo programų pagrindą visame pasaulyje, daugiausia dėl nemokamų, nuolatinių duomenų srautų iš „Sentinel-2“ ir „Landsat“ misijų.

Hiperspektriniai vaizdai (duomenys iš šimtų siaurų, gretimų spektrinių juostų) suteikia daug smulkesnes spektrines detales. Jie išskiria augalų pigmentus, vandens kiekį ir lapų cheminę sudėtį tokiu lygiu, kokio negali atlikti daugiaspektriniai jutikliai.

Dėl to jis ypač naudingas aptikti nedidelius biomasės tankio skirtumus pievose ir žemės ūkio laukuose. Pagrindinis hiperspektrinių vaizdų apribojimas yra debesuotumas: optiniai jutikliai negali matyti kiaurai debesų, todėl drėgnuose tropiniuose regionuose, kur biomasės įvertinimas yra svarbiausias, atsiranda didelių duomenų spragų.

Įprasti optinio biomasės kartografavimo palydovai yra „Landsat 8/9“ (30 metrų skiriamoji geba, pakartotinis apsilankymas kas 16 dienų), „Sentinel-2“ (10 metrų skiriamoji geba, pakartotinis apsilankymas kas 5 dienas) ir „PlanetScope“ (3 metrų skiriamoji geba, pakartotinis apsilankymas kasdien komerciniais tikslais).

2. Radaras (SAR): matymas pro debesis ir į debesų skliauto vidų

Sintetinės apertūros radaras (SAR) – sistema, skleidžianti mikrobangų impulsus ir matuojanti nuo žemės paviršiaus atsispindinčią energiją – visiškai išsprendžia debesuotumo problemą. Mikrobangų energija prasiskverbia pro debesis ir miglą be trukdžių, todėl SAR yra pasirinktas jutiklis atogrąžų miškų stebėjimui, kai nuolatinis debesuotumas optinius vaizdus daro beveik nenaudojamus.

SAR signalai taip pat prasiskverbia į augmenijos lajas, sąveikaudami su sumedėjusiais stiebais ir šakomis, o ne tik su viršutiniu lapo paviršiumi. Kuo ilgesnis radaro bangos ilgis, tuo giliau signalas prasiskverbia. L diapazono SAR (bangos ilgis apie 23 cm, naudojamas ALOS-2 PALSAR-2) prasiskverbia į apatinę lają ir sąveikauja su didele sumedėjusia biomase, todėl ypač gerai tinka atogrąžų miškų AGB įvertinimui.

C diapazono SAR (bangos ilgis apie 5 cm, naudojamas „Sentinel-1“) yra jautresnis paviršiaus lajos struktūrai ir plačiai naudojamas pasėlių biomasės stebėsenai.

Tyrimas, paskelbtas žurnale Miškininkystės tyrimų žurnalas (Springer Nature, 2021) nustatė, kad tiek L diapazono ALOS-2, tiek C diapazono Sentinel-1 SAR duomenys leido tinkamai įvertinti anglies atsargas, o bendros anglies atsargos Viduržemio jūros miškų tyrimo zonoje siekė maždaug 130 t/ha antžeminiuose, požeminiuose sluoksniuose, negyvos medienos, paklotės ir dirvožemio telkiniuose kartu.

3. LiDAR: auksinis struktūrinės biomasės kartografavimo standartas

LiDAR (šviesos aptikimo ir diapazono nustatymo) skleidžia lazerio impulsus ir tiksliai matuoja jų atspindžio nuo taikinio paviršiaus laiką. Šis laikas tiesiogiai paverčiamas trimačiais taškų debesimis (tankiais žemėlapiais, kuriuose tiksliai nurodoma, kur atsispindėjo kiekvienas lazerio impulsas), kurie centimetro tikslumu parodo lajos aukštį, lajos struktūrą ir žemės paviršiaus aukštį.

Medžių aukštis yra vienas iš stipriausių antžeminės biomasės prognozavimo veiksnių – aukštesni medžiai turi eksponentiškai daugiau biomasės nei žemesni. LiDAR metodu gauti aukščio modeliai, kartu su lauke išmatuotomis alometrinėmis lygtimis (rūšiai būdingais matematiniais ryšiais tarp medžių aukščio, skersmens ir masės), leidžia gauti biomasės įverčius, kurie miškinguose kraštovaizdžiuose nuosekliai pranoksta optinius ar radarinius metodus.

NASA Pasaulinės ekosistemos dinamikos tyrimų (GEDI) misija – daugiaspindulių bangos formos LiDAR prietaisas, sumontuotas Tarptautinėje kosminėje stotyje, – yra pirmoji specialiai kosmose sukurta LiDAR sistema, skirta pasaulinei biomasės vertinimo sistemai. GEDI renka duomenis nuo 51,6° šiaurės platumos iki 51,6° pietų platumos, apimdama pagrindines pasaulio atogrąžų ir vidutinio klimato miškų zonas.

4. Dronais pagrįstas nuotolinis stebėjimas: didelės skiriamosios gebos lauko mastelis

Bepiločiai orlaiviai (UAV), paprastai vadinami dronais, sujungia palydovinius ir lauko matavimus. Dronas su RGB kameromis fiksuoja centimetro raiškos vaizdus, kuriuose atskiri augalai.

Daugiaspektriniai dronų jutikliai apskaičiuoja tikslius augmenijos indeksus sklypo masteliu. Dronai su LiDAR generuoja tankius taškų debesis, kurie leidžia įvertinti biomasę tokiu pat struktūriniu tikslumu, kaip ir ore esantys LiDAR, už daug mažesnę kainą.

Augalininkystės ūkininkams dronais pagrįstas biomasės kartografavimas yra ypač praktiškas. Vieno skrydžio virš kviečių ar kukurūzų lauko vegetatyvinio augimo etape metu sukuriamas biomasės tankio žemėlapis, kuriame pažymimos derlių ribojančios sritys – mažos biomasės zonos, kurioms gali prireikti papildomų trąšų arba laistymo, kol žala taps negrįžtama.

Augalijos indeksai, naudojami biomasei įvertinti

Augalijos indeksai yra matematinis tiltas tarp neapdorotų spektrinio atspindžio verčių ir biologinės informacijos apie augalų tankumą ir sveikatą. Kiekvienas indeksas naudoja konkrečią elektromagnetinio spektro dalį, kurioje augmenija elgiasi savitai.

NDVI (normalizuotas augmenijos skirtumo indeksas) yra plačiausiai taikomas. Jis padalija artimojo infraraudonojo spektro (NIR) ir raudonojo spektro atspindžio skirtumą iš jų sumos: NDVI = (NIR – raudona) / (NIR + raudona). Reikšmės svyruoja nuo -1 iki +1, o sveika, tanki augmenija paprastai vertinama nuo 0,6 iki 0,9.

NDVI stipriai koreliuoja su lapų ploto indeksu (LAI – bendras vienpusių lapų plotas žemės ploto vienete), taigi ir su fotosintezės pajėgumu bei biomasės kaupimu.

• EVI (pagerintas augmenijos indeksas) koreguoja atmosferos poveikį ir dirvožemio fono trukdžius, todėl yra patikimesnis nei NDVI didelės biomasės atogrąžų miškuose ir vietovėse su šviesiu arba atviru dirvožemiu.
• SAVI (dirvožemio pakoreguotas augmenijos indeksas) apima dirvožemio ryškumo korekcijos koeficientą, kuris yra ypač svarbus sausringose ir pusiau sausringose žemės ūkio aplinkose, kur plika dirva tarp pasėlių eilių stipriai veikia spektrinį signalą.
• GNDVI (žaliosios normalizuotos diferencinės augmenijos indeksas) NDVI formulėje raudoną spalvą pakeičia žalia atspindžio spalva, todėl yra jautresnis chlorofilo koncentracijos svyravimams ir naudingas vėlyvojo sezono pasėlių biomasės stebėjimui, kai lajos jau visiškai užsidariusios.

Lapų ploto indeksas (LAI) nusipelno ypatingo paminėjimo, nes jis yra ir nuotolinio stebėjimo rezultatų rezultatas, ir tiesioginis biomasės kaupimo veiksnys. Augalai, turintys didesnį LAI, sulaiko daugiau saulės spinduliuotės, fiksuoja daugiau anglies ir pagamina daugiau biomasės. Nuotolinio stebėjimo būdu gauti LAI žemėlapiai, generuojami iš MODIS arba Sentinel-2 laiko eilučių, tiesiogiai įtraukiami į pasėlių augimo modelius, kurie imituoja derliaus formavimąsi ir galutinę nuimamą biomasę.

Pagrindiniai žemės biomasės įvertinimo duomenų šaltiniai

Tinkamo duomenų šaltinio pasirinkimas priklauso nuo tyrimo masto, augmenijos tipo, reikalingos erdvinės skiriamosios gebos ir turimo biudžeto. Žemiau pateikiami pagrindiniai duomenų srautai, šiuo metu naudojami operatyviniame ir moksliniame biomasės kartografavime. Nemokami, atviros prieigos palydoviniai duomenys iš „Landsat“ ir „Sentinel“ žvaigždynų demokratizavo biomasės kartografavimą, todėl jis tapo prieinamas tyrėjams ir agentūroms, neturinčioms biudžeto komerciniams vaizdams.

i. „Landsat“ (NASA/USGS): Daugiau nei 50 metų nepertraukiamų duomenų, 30 metrų skiriamoji geba, nemokama prieiga. „Landsat“ laiko eilutės leidžia atlikti istorinę biomasės pokyčių analizę nuo XX a. 8-ojo dešimtmečio, suteikdamos neprilygstamą kontekstą miškų naikinimo ir žemės degradacijos stebėsenai.

ii. „Sentinel-2“ (ESA): 10 metrų skiriamoji geba pagrindinėse spektro juostose, 5 dienų pakartotinis apsilankymas, nemokama prieiga. „Sentinel-2“ yra dabartinis pasėlių biomasės stebėsenos ir regioninių miškų vertinimo standartas dėl savo skiriamosios gebos ir dažnių derinio.

iii. „Sentinel-1“ (ESA): C diapazono SAR, tinkamas naudoti bet kokiu oru, prieiga nemokama. „Sentinel-1“ yra pagrindinis radaro šaltinis debesų veikiamiems tropikams ir pasėlių biomasei stebėti tose vietovėse, kur optinių duomenų spragos yra nuolatinė problema.

iv. MODIS (NASA): 250 m–1 km skiriamoji geba, kasdienė pasaulinė aprėptis. MODIS laiko eilutės idealiai tinka žemyno masto biomasės pokyčių aptikimui ir sezoniniam stebėjimui, nors dėl grubaus skiriamosios gebos jų pritaikomumas fragmentuotuose kraštovaizdžiuose yra ribotas.

prieš „PlanetScope“: 3 metrų raiška, kasdienis peržiūrėjimas, komercinė prenumerata. „PlanetScope“ teikia biomasės stebėseną individualiu lauko mastu, palaikydama tiksliosios žemdirbystės taikymus, kai svarbus lauko dalių erdvinis kintamumas.

vi. NASA GEDI LiDAR: 25 metrų skersmens pėdsakas, pasaulinė tropinių ir vidutinio klimato juostų aprėptis, nemokami duomenų produktai. GEDI yra pagrindinis kosminis šaltinis, rodantis medžių lajų aukštį ir AGB tankį pasauliniu mastu.

vii. ICESat-2 (NASA): Fotonus skaičiuojantis LiDAR su pasauline aprėptimi, ypač stiprus matuojant medžių lajų aukštį aukštų platumų miškuose ir aptinkant smulkius aukščio pokyčius.

Žemės biomasės apskaičiavimo naudojant nuotolinį stebėjimą žingsniai

Žemės biomasės vertinimas naudojant nuotolinio stebėjimo duomenis atliekamas pagal struktūrizuotą darbo eigą. Kiekvienas žingsnis priklauso nuo ankstesnio žingsnio tikslumo. Paprastų išankstinio apdorojimo ar lauko patvirtinimo žingsnių sumažinimas lemia klaidas galutiniame biomasės žemėlapyje.

i. Pasirinkite tinkamus vaizdus: Pasirinkite jutiklį, erdvinę skiriamąją gebą ir laikotarpį pagal tikslinę ekosistemą ir tyrimo tikslą. Miško biomasės stebėsenai paprastai reikalingi „Sentinel-1“ arba „GEDI“ duomenys; pasėlių biomasės stebėsenai dažniausiai naudojami „Sentinel-2“ arba dronų daugiaspektriniai vaizdai.

ii. Vaizdo išankstinis apdorojimas: Taikykite atmosferos korekciją, kad neapdorotus skaitmeninius skaičius konvertuotumėte į paviršiaus atspindžio vertes. Atlikite geometrinę korekciją, kad vaizdas tiksliai atitiktų realaus pasaulio koordinates. Pašalinkite debesimis užterštus pikselius ir, jei reikia, pakeiskite juos naudodami laikinį kompoziciją.

iii. Apskaičiuokite augmenijos indeksus: Apskaičiuokite NDVI, EVI, SAVI, GNDVI ar kitus atitinkamus indeksus iš pakoreguotų paviršiaus atspindžio juostų. LiDAR duomenims iš taškų debesies išveskite lajos aukščio metrikas (didžiausią aukštį, 95 procentilio aukštį, vidutinį aukštį).

iv. Surinkite lauko biomasės mėginius: Tiriamojoje teritorijoje esančiuose reprezentatyviuose sklypuose išmatuokite antžeminę biomasę, naudodami destruktyvų kirtimą arba alometrines lygtis, taikomas medžių skersmens ir aukščio matavimams. Šios lauko vertės yra faktinis rodiklis, kuriuo grindžiamas modelis.

v. Sukurkite prognozavimo modelius: Atlikite lauko biomasės matavimų regresiją pagal kartu esančius nuotolinio stebėjimo kintamuosius (vegetacijos indeksus, lajos aukščio metriką, SAR atgalinės sklaidos vertes). Naudokite regresinę analizę, atsitiktinių miškų, atraminių vektorių mašinos arba neuroninių tinklų metodus, priklausomai nuo ryšio sudėtingumo ir turimų mokymo duomenų kiekio.

vi. Patvirtinkite modelio rezultatus: Naudokite išankstinio patvirtinimo duomenų rinkinį (lauko grafikai nenaudojami modeliuojant), kad įvertintumėte prognozės tikslumą. Pateikite RMSE (vidutinę kvadratinę paklaidą), R² (determinacijos koeficientą) ir paklaidą. Patikslinkite modelį, jei tikslumas nepakankamas.

vii. Sukurti biomasės žemėlapius: Taikykite patvirtintą modelį visam vaizdo aprėpčiai, sukurdami erdviškai ištisinį biomasės tankio žemėlapį, kuriame kiekviename pikselyje yra numatoma biomasės vertė Mg/ha arba t/ha.

Biomasės įvertinimo modeliai ir metodai

Modelio pasirinkimas daro didelę įtaką tiek biomasės įvertinimo sistemos tikslumui, tiek apibendrinamumui. Paprastesni modeliai yra skaidresni ir patikimiau perkeliami į naujas vietas. Sudėtingi mašininio mokymosi modeliai išspaudžia didesnį tikslumą iš didelių mokymo duomenų rinkinių, tačiau gali per daug prisitaikyti prie vietinių sąlygų.

Empiriniai regresijos modeliai nustato tiesioginį matematinį ryšį tarp lauko biomasės ir nuotolinio stebėjimo kintamųjų, pavyzdžiui, tiesinę regresiją tarp NDVI ir pasėlių sausųjų medžiagų derliaus. Šiuos modelius lengva interpretuoti ir greitai apskaičiuoti, tačiau jie veikia prastai, kai spektrinio ir biomasės ryšys yra netiesinis arba kai biomasės vertės apima labai platų diapazoną.

Mašininio mokymosi metodai įveikia šiuos apribojimus, mokydamiesi iš duomenų sudėtingų, netiesinių ryšių. „Random Forest“ (sprendimų medžių ansamblis, kuris apskaičiuoja šimtų atskirų medžių prognozių vidurkį) šiuo metu yra plačiausiai naudojamas biomasės įvertinimo algoritmas tiek miškininkystėje, tiek žemės ūkyje.

Tyrimas, paskelbtas m. Augalų mokslo ribos (2024 m. gruodžio mėn.) atliktas tyrimas parodė, kad „Random Forest“, pritaikytas GEDI ir kelių šaltinių nuotolinio stebėjimo duomenims, pateikė eglės ir kėnių miškų biomasės įverčius, kurių R² reikšmingai didesnis nei taikant vieno jutiklio regresinius metodus.

• Atramos vektoriaus mašina (SVM): Randa optimalią atskyrimo ribą tarp biomasės klasių daugiamatėje objektų erdvėje. SVM gerai veikia su mažais ir vidutinio dydžio mokymo duomenų rinkiniais ir yra atsparus pertekliniam pritaikymui, kai tinkamai sureguliuotas.
• Neuroniniai tinklai ir gilusis mokymasis: Konvoliuciniai neuroniniai tinklai (CNN) ir hibridinės CNN-LSTM architektūros vienu metu apdoroja erdvinius ir laiko modelius vaizduose. 2024 m. žurnale paskelbtame tyrime Nuotolinis stebėjimas (MDPI) Lyginant RF, CNN ir CNN-LSTM modelius miško biomasės įvertinimui Hangdžou mieste, Kinijoje, nustatyta, kad gilaus mokymosi modeliai užfiksavo erdvinį kontekstą, kurio vieno taško regresijos metodai visiškai nepastebėjo.
• Hibridiniai modeliai: Derinti fizinius augmenijos modelius (kurie imituoja augalų augimą pagal radiaciją ir vandens sąnaudas) su statistiniais arba mašininio mokymosi kalibravimo sluoksniais. Šie metodai yra vis labiau pageidaujami, nes jie sukuria fiziškai realius biomasės įverčius, kurie apibendrinami tarp regionų, nesiremiant vien vietiniais mokymo duomenimis.

Biomasės įvertinimo tikslumą įtakojantys veiksniai

Net ir geriausias jutiklio bei modelio derinys sukuria nepatikimus biomasės žemėlapius, kai prasta pagrindinių duomenų kokybė arba kai fizinė aplinka sukelia triukšmo šaltinius. Šių tikslumą ribojančių veiksnių supratimas yra būtinas kiekvienam, kuriančiam biomasės kartografavimo programą.

1. Tankaus miško signalo sodrumas: Didelės biomasės atogrąžų miškuose optiniai ir C diapazono SAR signalai prisotina – jie nustoja stiprėti net ir toliau didėjant biomasei. NDVI prisotina, kai AGB vertės yra didesnės nei maždaug 150–200 mg/ha, todėl jis nepatikimas senuose atogrąžų miškuose, kur biomasė gali siekti 400–600 Mg/ha. L diapazono SAR ir LiDAR įsotina esant daug didesniam biomasės lygiui ir yra tinkamesni tokiose aplinkose.

2. Sezoniniai pokyčiai: Augalijos atspindumas smarkiai kinta skirtingais metų laikais. Balandžio mėnesį kviečių lauke gauta NDVI vertė rodo iš esmės kitokią biomasės būklę nei tame pačiame lauke rugpjūtį. Modeliai turi atsižvelgti į sezoninę dinamiką arba būti kalibruojami atskirai kiekvienam fenologiniam etapui.

3. Debesų dangos trukdžiai: Optiniai jutikliai praranda duomenis visur, kur yra debesų. Drėgnuose tropiniuose regionuose debesų užterštumas gali paveikti daugiau nei 70% vaizdų gavimo tam tikrais metais, kuriems reikalingos radaro arba LiDAR alternatyvos arba daugiametės kompozicijos strategijos.

4. Mišrūs pikseliai: Esant vidutinei erdvinei skiriamajai gebai (30 m–250 m), viename vaizdo pikselyje dažnai būna įvairių rūšių pasėlių, plikos dirvos ir vandens. Spektrinis signalas atspindi visų šių paviršių vidurkį, o tai susilpnina augmenijos signalą ir į biomasės prognozes įveda sisteminę paklaidą.

5. Reljefo poveikis: Nuožulnus reljefas keičia tiek saulės šviesos geometriją, tiek jutiklio matymo kampą, pakeisdamas jutiklyje užfiksuotas atspindžio vertes. Kalnuotose vietovėse prieš patikimai taikant bet kokį biomasės modelį, būtina atlikti topografinę korekciją.

Žemės biomasės žemėlapių taikymas įvairiuose sektoriuose

Iš nuotolinio stebėjimo duomenų sugeneruoti žemės biomasės žemėlapiai naudojami praktiniam sprendimų priėmimui labai įvairiuose sektoriuose – nuo vyriausybės teikiamų klimato ataskaitų iki individualaus ūkio valdymo.

Miškų tvarkymo agentūros Naudokite biomasės žemėlapius, kad nustatytumėte prioritetus kirtimo blokams, įvertintumėte tvarų derlių ir dokumentuotumėte atitiktį sertifikavimo standartams. Išsamūs biomasės žemėlapiai pakeičia brangius imčių pagrindu sudarytus miškų inventorizavimus regionuose, kur prieiga prie laukų yra logistiškai sudėtinga arba pernelyg brangi.

Anglies atsargų įvertinimas yra vienas ekonomiškai reikšmingiausių panaudojimo būdų. Kiekviename Mg antžeminės biomasės yra maždaug 0,47 Mg anglies (standartinis IPCC konversijos koeficientas). Todėl tikslūs biomasės žemėlapiai tiesiogiai konvertuojami į patikrintus anglies dioksido inventorius, kurie yra REDD+ mokėjimų ir savanoriškų anglies dioksido rinkos kreditų pagrindas. Patikrintas biomasės žemėlapis, apimantis 500 000 hektarų atogrąžų miškų koncesiją, gali atspindėti šimtus milijonų dolerių vertės anglies dioksido išteklių.

• Tikslusis žemės ūkis: Iš dronų arba „Sentinel-2“ vaizdų gauti pasėlių biomasės žemėlapiai nustato augalų augimo kintamumą lauko dalyse, leidžiantį naudoti kintamas trąšų ir drėkinimo normas, kurios sumažina sąnaudas ir apsaugo derlių.
• Miško gaisrų kuro įvertinimas: Negyva mediena ir sausa žolinė biomasė yra gaisrams prieinamas kuro kiekis. Nuotolinių tyrimų pagrindu sukurti kuro žemėlapiai padeda parengti nustatytas deginimo programas ir planuoti gaisrų lokalizavimą gaisrams jautriuose kraštovaizdžiuose.
• Biologinės įvairovės išsaugojimas: Didelės biomasės, struktūriškai sudėtingos augmenijos paprastai palaiko didesnę rūšių įvairovę. Biomasės žemėlapiai padeda nustatyti prioritetines saugomas teritorijas ir stebėti atkurtų buveinių atsigavimą laikui bėgant.
• Bioenergijos planavimas: Vyriausybės ir energetikos įmonės naudoja nuotolinio stebėjimo biomasės duomenis, kad įvertintų tvarų žemės ūkio atliekų ir medienos biomasės tiekimą bioenergijos gamybai, užtikrindamos, kad derliaus nuėmimo tempai neviršytų ekosistemų regeneracijos pajėgumų.

Nuotolinio stebėjimo privalumai biomasės skaičiavimams

Nuotoliniais tyrimais pagrįstas biomasės kartografavimas siūlo galimybių derinį, kuriam negali prilygti joks antžeminis metodas. Šie privalumai paaiškina, kodėl per pastarąjį dešimtmetį ši technologija dešimtyse šalių iš eksperimentinės į veikiančią būseną tapo prieinama.

Neardomasis matavimas yra bene svarbiausias privalumas. Nuotolinis stebėjimas renka informaciją apie augmeniją jos nenuimant, nepjaunant ir netrikdant. Tai leidžia atlikti pakartotinius matavimus tiksliai toje pačioje vietoje, o tai labai svarbu norint nustatyti biomasės pokyčius laikui bėgant – tai rodiklis, kuris yra svarbiausias anglies dioksido apskaitai ir ekosistemų stebėsenai.

• Didelio masto aprėptis už mažas ribines išlaidas: Įdiegus jutiklį ir apdorojimo procesą, papildomo milijono hektarų ploto pridėjimo prie biomasės tyrimo kaina iš esmės lygi nuliui. Ši sąnaudų struktūra yra atvirkštinė lauko tyrimams, kur sąnaudos tiesiškai proporcingos plotui.
• Dažni laikini atnaujinimai: „Sentinel-2“ kas 5 dienas aplanko bet kurią Žemės vietą. Toks dažnis leidžia stebėti biomasę visą vegetacijos sezoną, užfiksuojant dinaminius pokyčius, kurių visiškai nepastebi pavieniai metiniai lauko tyrimai.
• Istorinės analizės galimybės: „Landsat“ archyve yra vaizdų nuo 1972 m. Tyrėjai gali atkurti istorines biomasės trajektorijas, kad kiekybiškai įvertintų bendrą miškų naikinimą, įvertintų ekosistemų atsigavimą po trikdžių arba nustatytų iki trikdžių buvusias pradines sąlygas kompensacijos reikalavimui.
• Patobulintas žemės valdytojų sprendimų priėmimas: Erdviniai biomasės žemėlapiai atskleidžia, kur kraštovaizdyje biomasė kaupiasi, mažėja arba yra stabili, taip suteikdami žemės valdytojams erdvinį tikslumą, kad jie galėtų nukreipti intervencijas ten, kur jos turės didžiausią poveikį.

Nuotolinio stebėjimo biomasės įvertinimo apribojimai ir iššūkiai

Nuotolinio stebėjimo biomasės kartografavimas yra galingas, tačiau jis turi realių techninių apribojimų, kuriuos specialistai turi suprasti prieš pasikliaudami rezultatais priimdami svarbius sprendimus.

Signalo prisotinimas tankiuose miškuose išlieka neišspręstu optinių ir C diapazono radarų jutiklių iššūkiu. Medžių lajoms susiaurėjus ir biomasei kaupiantis viršijus jutikliui nustatytą ribą, spektrinis arba atgalinės sklaidos signalas nebedidėja kartu su biomase.

LiDAR šios problemos išvengia, nes matuoja fizinę struktūrą, o ne spektrinį atspindį, tačiau ore esančių LiDAR duomenų rinkimas išlieka brangus, o kosmose esantys LiDAR, tokie kaip GEDI, teikia retus, nesikertančius pėdsakus, o ne aprėpia visą sieną.

• Lauko patvirtinimas yra privalomas: Joks nuotolinio stebėjimo modelis negali pateikti patikimų biomasės įverčių be kalibravimo ir patvirtinimo pagal faktinius lauko matavimus. Lauko duomenų kokybė tiesiogiai lemia galutinio žemėlapio kokybę, o reprezentatyvių lauko duomenų rinkimas nevienalyčiuose kraštovaizdžiuose yra brangus ir techniškai sudėtingas.
• Atmosferos poveikis reikalauja kruopštaus koregavimo: Aerozoliai, vandens garai ir ozonas išsklaido ir sugeria įeinančią ir atspindėtą saulės spinduliuotę, pakeisdami spektrinį signalą dar prieš jam pasiekiant jutiklį. Neteisinga arba nepilna atmosferos korekcija sukelia sistemines paklaidas, kurios plinta per visą biomasės įvertinimo darbo eigą.
• Duomenų apdorojimui reikalingos specializuotos žinios: Norint dirbti su nuotolinio stebėjimo laiko eilutėmis dideliu mastu, reikia žinoti geografines informacines sistemas (GIS), programavimo kalbas, tokias kaip „Python“ ar „R“, ir debesijos pagrindu veikiančias geoprinių duomenų platformas, tokias kaip „Google Earth Engine“. Ši techninė kliūtis riboja agronomų ir žemės valdytojų, neturinčių duomenų mokslo išsilavinimo, pritaikymą.
• Modelio neapibrėžtumas didėja didėjant atstumui nuo mokymo duomenų: Biomasės modelis, kalibruotas Brazilijos Amazonės miške, gali prastai veikti, jei bus perkeltas į struktūriškai kitokį Vakarų Afrikos mišką, net jei abu miškai klasifikuojami kaip drėgnieji atogrąžų miškai. Regioniniai kalibravimo duomenų rinkiniai yra būtini siekiant išlaikyti tikslumą geografiškai įvairiose tyrimų srityse.

Būsimos nuotolinio stebėjimo biomasės įvertinimo tendencijos

Sausumos biomasės kartografavimo technologijų aplinka sparčiai vystosi. Numatoma, kad kelios suartėjančios tendencijos per ateinančius penkerius–dešimt metų gerokai pagerins biomasės įvertinimo tikslumą, prieinamumą ir praktinį pritaikomumą.

Dirbtiniu intelektu paremtas biomasės kartografavimas yra labiausiai transformuojantis vykstantis vystymasis. Giliojo mokymosi architektūros, ypač konvoliuciniai ir transformatoriais pagrįsti modeliai, vienu metu apdoroja visą spektrinę, erdvinę ir laikinę informaciją palydovų laiko eilutėse, išskirdamos biomasės signalus, kurių paprastesni modeliai negali aptikti.

Dirbtinio intelekto ir mašininio mokymosi integracija nuotoliniame stebėjime išaugo 35% nuo 2021 iki 2026 m., remiantis „Business Research Insights“, iš esmės pakeisdamas augalijos duomenų analizės būdą dideliu mastu.

Europos kosmoso agentūros BIOMASS misija, pradėta 2024 m., gabena pirmąjį iš kosmoso pakrautą P diapazono SAR, specialiai sukurtą atogrąžų miškų biomasės stebėsenai. P diapazono signalai (bangos ilgis apie 70 cm) prasiskverbia giliai į miškų lajas, pasiekdami sumedėjusius stiebus ir dideles šakas, kurių negali pasiekti trumpesnių bangų radarai.

Tyrimas paskelbtas Mokslinės ataskaitos (2023 m. balandžio mėn.) atliktas tyrimas parodė, kad P diapazono TomoSAR (tomografinis SAR – technika, kuri rekonstruoja trimatę miško struktūrą iš daugelio radaro praėjimų) pateikė daug žadančius AGB įverčius tankiuose atogrąžų miškuose Prancūzijos Gvianoje, pateikdamas BIOMASS misijos praktinių rezultatų apžvalgą.

• Daugiajutiklių duomenų sintezė dideliu mastu: Algoritmai, kurie automatiškai sujungia optinius, radarinius ir LiDAR duomenų srautus – kiekvienam jutikliui suteikiant svorio pagal jo patikimumą tam tikroje ekosistemoje ir sezono metu – pereina nuo eksperimentinių prototipų prie operacinių įrankių, diegiamų debesijos platformose.
• Biomasės stebėsena realiuoju ir beveik realiuoju laiku: Debesijos pagrindu sukurtos geoprinės platformos, tokios kaip „Google Earth Engine“ ir „Microsoft Planetary Computer“, dabar leidžia nuolat ir automatiškai apdoroti gaunamus palydovų duomenų srautus. Keliose atogrąžų šalyse jau veikia beveik realiuoju laiku veikiantys miškų naikinimo įspėjimai, kurie suveikia per 24–48 valandas nuo miškų nykimo įvykių.
• Skaitmeniniai dvyniai tiksliajam ūkininkavimui: Integruojant nuotolinio stebėjimo būdu gautus biomasės duomenis su dirvožemio jutikliais, orų modeliais ir pasėlių modeliavimu, sukuriami ūkio masto skaitmeniniai dvyniai – virtualios realių laukų kopijos, leidžiančios ūkininkams išbandyti valdymo scenarijus prieš juos įgyvendinant realiame pasaulyje.
• Tiksliosios žemdirbystės integracija: Įperkamų dronų jutiklių, palydovinių laiko eilučių ir dirbtiniu intelektu pagrįstos analizės konvergencija pirmą kartą daro lauko masto biomasės stebėseną finansiškai prieinamą individualiems ūkininkams, o ne tik mokslinių tyrimų įstaigoms ir vyriausybinėms agentūroms.

1. Kuris palydovas geriausiai tinka biomasės įvertinimui? Nėra vieno geriausio palydovo visoms situacijoms. „Sentinel-2“ yra plačiausiai naudojamas pasėlių ir vidutinės skiriamosios gebos miškų biomasės kartografavimui. GEDI LiDAR teikia tiksliausius miškų medžių lajų aukščio duomenis apie AGB. „Sentinel-1“ SAR yra pageidaujamas pasirinkimas debesų veikiamose atogrąžų vietovėse. Geriausias veikimo metodas apjungia kelis jutiklius.

2. Ar dronai gali tiksliai įvertinti biomasę? Taip. Dronai su daugiaspektrinėmis kameromis arba LiDAR jutikliais gali įvertinti pasėlių ir nedidelių plotų miškų biomasę labai didele erdvine skiriamąja geba. Dronais pagrįsti pasėlių biomasės įvertinimai paprastai pasiekia R² = 0,80–0,95 koreliaciją su lauko matavimais, kai skrydžiai atliekami pagal atitinkamus augimo etapus ir spektriniai jutikliai yra tinkamai sukalibruoti.

3. Koks tikslus yra nuotolinio stebėjimo biomasės įvertinimas? Tikslumas labai skiriasi priklausomai nuo jutiklio tipo, ekosistemos ir modelio sudarymo metodo. Vidutinio klimato miškuose, kuriuose gera LiDAR aprėptis, biomasės žemėlapiai gali pasiekti 20–40 Mg/ha RMSE vertes. Tankiuose atogrąžų miškuose vien optiniai metodai dėl signalo sodrumo gali parodyti 60–100 Mg/ha RMSE vertes. Kelių jutiklių sintezės modeliai nuolat pranoksta vieno jutiklio metodus.

4. Kodėl biomasės įvertinimas yra svarbus klimato kaitai? Miškai ir žemės ūkio kraštovaizdžiai savo biomasėje kaupia didžiulius anglies kiekius. Miškų naikinimas ir žemės degradacija išskiria šią sukauptą anglį CO₂ pavidalu į atmosferą, spartindami klimato kaitą. Tikslūs biomasės žemėlapiai suteikia pagrindą anglies atsargoms tikrinti, miškų nykimui stebėti ir miškų atkūrimo bei išsaugojimo programų veiksmingumui kiekybiškai įvertinti pagal tarptautines klimato kaitos programas, tokias kaip REDD+.

5. Ar nuotolinio stebėjimo pagalba galima įvertinti požeminę biomasę? Nuotoliniai tyrimai negali tiesiogiai išmatuoti požeminės biomasės. Tačiau BGB dažniausiai apskaičiuojamas pagal AGB, naudojant šaknų ir ūglių santykio koeficientus, gautus iš lauko tyrimų ir paskelbtus tokių organizacijų kaip IPCC. Rūšims būdingas šaknų ir ūglių santykis daugumoje miško ekosistemų svyruoja nuo 0,15 iki 0,40, todėl galima netiesiogiai įvertinti BGB visur, kur yra AGB žemėlapiai.

Išvada

Žemės biomasės apskaičiavimas naudojant nuotolinį stebėjimą iš specializuoto tyrimo metodo tapo operaciniu pajėgumu, turinčiu tiesioginės įtakos maisto gamybai, miškų valdymui ir klimato politikai. Nemokamų palydovinių duomenų, prieinamų debesų kompiuterijos platformų ir vis galingesnių mašininio mokymosi įrankių konvergencija leido vis daugiau organizacijų visame pasaulyje sudaryti kraštovaizdžio masto biomasės žemėlapius.

Nuotolinio stebėjimo vaidmuo klimato stebėsenoje tik augs, nes plečiasi anglies dioksido rinkos, stiprėja miškų naikinimo stebėsenos įsipareigojimai ir didėja patikrintų anglies atsargų duomenų poreikis visoje pasaulio ekonomikoje. BIOMASS palydovo misijai jau pradėjus veikti, GEDI toliau plečiant savo pasaulinį duomenų rinkinį, o dirbtinio intelekto modeliams smarkiai pagerinant įvertinimų tikslumą, gaunamą naudojant kelių jutiklių duomenų sintezę, galimybė tiksliai žinoti, kur biomasė kaupiasi, mažėja ar išlieka stabili Žemės sausumos paviršiuje, tapo ranka pasiekiama.

Anglies dioksido rinkos iš nišinių politikos eksperimentų virto pagrindinėmis klimato kaitos finansavimo priemonėmis. Savanoriška žemės ūkio anglies dioksido kreditų rinka buvo vertinama 36,1 mln. JAV dolerių 2024 m. ir tikimasi, kad jis išaugs iki 648,3 mln. JAV dolerių iki 2034 m. ties a 31,9% metinis augimo tempas, teigia „Global Market Insights Inc.“. Žemės ūkis yra šios plėtros centre, nes dirvožemis, pasėliai ir žemės tvarkymo praktika yra milžiniški, išmatuojami anglies dioksido absorbentai.

Iššūkis visada buvo matavimas: kaip patikimai kiekybiškai įvertinti milijonuose hektarų dirbamos žemės sukauptą anglies dioksidą? Nuotolinis stebėjimas – mokslas, kurio metu duomenys apie Žemės paviršių renkami iš orlaivių, dronų ir palydovų be fizinio kontakto – yra atsakymas, kurio laukė anglies dioksido rinka. Jis suteikia žemės ūkio anglies dioksido stebėsenai mastą, greitį ir mokslinį tikslumą.

Kas yra anglies dioksido kreditai ir kodėl jie svarbūs?

Anglies dioksido kreditas yra parduodamas sertifikatas, rodantis vienos metrinės tonos anglies dioksido ekvivalento (CO2e) sumažinimą arba pašalinimą iš atmosferos. Kreditai būna dviejų tipų: anglies dioksido mažinimo kreditai, kurie atspindi išvengtas emisijas, ir anglies dioksido šalinimo kreditai, kurie atspindi aktyviai iš atmosferos ištrauktą ir saugomą CO2.

Anglies dioksido rinkos veikia kaip ekonominiai mechanizmai, nustatantys šiltnamio efektą sukeliančių dujų išmetimo kainą. Kai įmonė negali sumažinti savo išmetamųjų teršalų kiekio viduje, ji gali įsigyti anglies dioksido kreditų iš projektų, kurie pašalina arba išvengia tokio paties kiekio išmetimo.

Tai sukuria finansines paskatas tokiai veiklai kaip dirvožemio anglies dioksido sekvestracija, miškų atsodinimas ir geresnis žemės valdymas. Sistemą valdo anglies dioksido registrai, sertifikavimo standartai ir trečiųjų šalių vertintojai, kurie užtikrina, kad kiekvienas kreditas atspindėtų realią, išmatuojamą naudą klimatui.

1. Kaip žemės ūkyje generuojami anglies dioksido kreditai

Žemės ūkio anglies dioksido kreditai kuriami taikant struktūrizuotą procesą, kuris prasideda nuo projekto parengimo ir baigiasi patikrintų kreditų įtraukimu į registrą. Štai tipinė seka:

1. Ūkininkas arba projekto vystytojas pasirenka tinkamas tvaraus ūkininkavimo praktikas ir apibrėžia projekto ribas.
2. Patvirtinta metodologija parenkama iš anglies registro, pvz., „Verra“ (VM0042) arba „Gold Standard“.
3. Nustatomos bazinės anglies atsargos, kad būtų galima išmatuoti pradinį tašką prieš keičiant praktiką.
4. Praktika įgyvendinama ir stebima viso projekto laikotarpiu, paprastai nuo trejų iki penkerių metų.
5. Nepriklausomi trečiųjų šalių vertintojai vertina, ar praktika buvo įgyvendinta ir ar teigiama anglies dioksido nauda yra reali ir papildoma.
6. Patvirtinti anglies dioksido kreditai išduodami ir parduodami savanoriškose arba atitikties rinkose.

Dirvožemio anglies dioksido sekvestracija taikant gamtosaugos praktikas yra pagrindinis mechanizmas pasėlių žemės projektuose. Tokia praktika kaip dengiamieji augalai, sumažintas žemės dirbimas ir tikslus maistinių medžiagų valdymas padidina organinės anglies kiekį, sukauptą žemės ūkio paskirties dirvožemiuose, kurie kitaip linkę prarasti anglį dėl žemės dirbimo ir erozijos.

Žemės ūkio paskirties dirvožemis sulaiko maždaug tris kartus daugiau anglies nei atmosfera. Dėl to dirbama žemė yra viena iš labiausiai prieinamų ir pritaikomų anglies kaupimo priemonių planetoje. Pasėlių žemė ir pievos greitai reaguoja į valdymo pokyčius: perėjimas nuo įprasto žemės dirbimo prie nulinio žemės dirbimo gali pradėti didinti dirvožemio organinės anglies kiekį per vieną ar du vegetacijos sezonus.

Ūkininkai tiesiogiai gauna naudos iš anglies dioksido kreditų pajamų Dirvožemio anglies dioksido projektai dabar sudaro maždaug Savanoriškos anglies dioksido rinkos 8-10%, vertinamas 425–530 mln. JAV dolerių, remiantis 2025 m. rinkos duomenimis.

Šis pajamų srautas papildo ūkių pajamas ir tuo pačiu metu gerina dirvožemio sveikatą, vandens sulaikymą ir ilgalaikį produktyvumą. Žemės ūkio ir maisto įmonės, dalyvaujančios anglies dioksido programose, taip pat įgyja patikimumo tiekimo grandinės tvarumo ataskaitose.

Ryšys tarp anglies dioksido kreditų ir tiksliosios žemdirbystės

Tikslioji žemdirbystė – tai ūkio valdymo metodas, kai erdviniai duomenys ir pažangios technologijos naudojami sprendimams priimti lauko daliniame lygmenyje, o ne visas ūkis traktuojamas kaip vientisas vienetas. Jis apjungia GPS (pasaulinės padėties nustatymo sistemos) imtuvus, daiktų interneto (IoT) dirvožemio jutiklius, ant dronų sumontuotas kameras ir palydovinius vaizdus, kad būtų gauta išsami, konkrečiai vietai skirta informacija apie pasėlių būklę, dirvožemio savybes ir išteklių poreikius.

Rezultatas – duomenimis pagrįstas ūkio valdymas. Užuot taikius vienodą trąšų normą visam laukui, tiksliosios žemdirbystės sistema nustato zonas, kurioms reikia skirtingų maistinių medžiagų, ir atitinkamai taiko kintamas normas.

Tai sumažina sąnaudų atliekas, eksploatavimo sąnaudas ir duoda išmatuojamą naudą aplinkai, kurią galima kiekybiškai įvertinti anglies dioksido kreditų programose. Tikslūs įrankiai prisideda prie anglies dioksido išmetimo rezultatų įvairiais būdais.

• Optimizuotas trąšų naudojimas sumažina azoto oksido (N2O) išmetimą – šiltnamio efektą sukeliančių dujų, kurios per 100 metų laikotarpį yra maždaug 273 kartus stipresnės už CO2. Kintamo kiekio azoto naudojimas gali sumažinti N2O išmetimą iki 20-30% palyginti su vienodu taikymu, teigiama Europos agronomijos žurnale paskelbtame tyrime.
• Pagerinus drėkinimo planavimą naudojant dirvožemio drėgmės jutiklius, sumažėja energijos suvartojimas siurblinėse ir ribojamas dirvožemio tankinimas, o tai sumažina drėkinimo anglies pėdsaką.
• Dirvožemio gerovės palaikymas mažinant žemės dirbimą išsaugo dirvožemio agregatinę struktūrą ir apsaugo organines medžiagas, kurios ilgainiui sulaiko anglį.
• Degalų sąnaudų mažinimas planuojant technikos maršrutus pagal GPS sistemą mažina dyzelino sąnaudas, o tai tiesiogiai sumažina CO2 išmetimą lauko darbų metu.

1. Tvarios ūkininkavimo praktikos, kurios generuoja anglies dioksido kreditus

Ne visa ūkininkavimo veikla atitinka anglies dioksido kreditų reikalavimus. Patvirtinta praktika turi akivaizdžiai padidinti dirvožemio anglies kiekį, sumažinti išmetamųjų teršalų kiekį arba atlikti abu veiksmus. Toliau nurodyta praktika turi nusistovėjusias metodikas pagal pagrindinius anglies dioksido registrus.

i. Dengiamasis apkarpymas apima ne sezono metu sodinamus nenaudingus augalus, kad dirvoje išliktų gyvos šaknys. Šaknys nuolat išskiria cukrų, kuris maitina dirvožemio mikrobus, o šie organines medžiagas paverčia stabiliu humusu – ilgaamže dirvožemio anglies forma. Dengiamieji augalai taip pat apsaugo nuo erozijos, kuri fiziškai pašalina viršutinį dirvožemio sluoksnį ir jame esančią anglį.

ii. Nulinis žemės dirbimas ir sumažintas žemės dirbimas sumažinti dirvožemio trikdymą, išsaugant fizinę dirvožemio struktūrą. Įprastas žemės dirbimas greitai oksiduoja dirvožemio anglį, organines medžiagas paveikdamas oru. Žurnale „Soil and Tillage Research“ paskelbti tyrimai parodė, kad ilgalaikis bearmės sėjos taikymas padidina dirvožemio organinės anglies koncentraciją viršutiniuose 30 cm vidutiniškai 10-30% palyginti su įprastiniu žemės dirbimu per dešimties metų laikotarpį.

iii. Derliaus likučių sulaikymas derliaus nuėmimo biomasė lieka lauko paviršiuje, o ne deginama ar pašalinama. Irstant atliekoms, jos papildo dirvožemį organinėmis medžiagomis ir maitina už anglies fiksaciją atsakingas mikrobų bendruomenes. Palydoviniai vaizdai gali tiksliai išmatuoti atliekų padengimo procentą po derliaus nuėmimo.

Nuotolinis stebėjimas ne tik stebi žemės ūkį iš viršaus. Jis transformuoja išsklaidytus lauko lygmens duomenis į vieningą, moksliškai pagrįstą įrašą apie tai, kaip žemė tvarkoma ir kiek joje yra anglies.

iv. Tikslus maistinių medžiagų valdymas naudoja kintamo kiekio technologiją, kad trąšos būtų naudojamos ten, kur reikia, tinkamais kiekiais ir tinkamu laiku. Tai sumažina azoto pertekliaus, kurį dirvožemio bakterijos paverčia azoto suboksidu, sankaupas ir tiesiogiai sumažina augalininkystės šiltnamio efektą sukeliančių dujų pėdsaką.

v. Agrarinė miškininkystė ir daugiamečiai augalai kaupia anglį tiek antžeminėje medienos biomasėje, tiek po žeme per plačias, ilgaamžes šaknų sistemas. Medžiai gali kaupti anglį dešimtmečius, todėl jie yra labai vertingi kandidatai anglies dioksido kreditų projektams, kuriems reikalingas pastovumas.

Nuotolinio stebėjimo vaidmuo matuojant anglies dioksido kreditus

Anglies dioksido kreditų programoms reikalingi įrodymai. Registrai negali priimti ūkininko pačių pateikto teiginio, kad buvo pasėti dengiamieji augalai arba kad buvo sumažintas žemės dirbimas. Patvirtinimui reikalingi objektyvūs, atkuriami ir audituojami duomenys, pageidautina, iš šaltinių, kuriais negalima manipuliuoti po fakto. Nuotolinis stebėjimas suteikia būtent tai.

Palydoviniai ir dronais paremti stebėjimai vienu metu apima didžiulius plotus, siūlydami tokį erdvinės aprėpties lygį, kurio lauko tyrimai ekonomiškai tiesiog negali pasiūlyti. Žemės ūkio anglies dioksido stebėjimo, ataskaitų teikimo ir tikrinimo palydovų rinka buvo įvertinta 3,2 mlrd. JAV dolerių 2025 m. ir prognozuojama, kad pasieks 8,7 mlrd. JAV dolerių iki 2034 m. ties a 12,8% metinis augimo tempas, rodantys, kaip palydovinis stebėjimas tapo pagrindine klimato programų dalimi visame pasaulyje.

„Sustainability Atlas“ (2026 m.) nustatė, kad palydovinės patikros sistemos sumažino dirvožemio anglies dioksido matavimo išlaidas, nes 40% palyginti su tradiciniu mėginių ėmimu lauke, investicijoms į skaitmeninius MRV sprendimus siekiant 2,3 mlrd. JAV dolerių 2025 m. Ūkininkai ir projektų vystytojai dabar gali gauti patikimą anglies dioksido kiekio stebėseną be pernelyg didelių pakartotinių dirvožemio mėginių ėmimo kampanijų išlaidų vienam hektarui.

1. Nuotolinio stebėjimo technologijos, naudojamos anglies programose

Priklausomai nuo mastelio, pasėlių rūšies ir anglies dioksido matavimo tikslo, naudojami keli jutiklių tipai. Kiekvienas iš jų turi savų privalumų.

1. Daugiaspektriniai jutikliai fiksuoja atspindėtą šviesą atskirose bangos ilgio juostose, įskaitant matomą raudoną, artimąją infraraudonąją ir trumpųjų bangų infraraudonąją spinduliuotę. Jie apskaičiuoja augmenijos indeksus, tokius kaip NDVI (normalizuotas skirtuminis augmenijos indeksas) – santykį, kuris lygina artimosios infraraudonosios spinduliuotės atspindį su raudonosios spinduliuotės atspindžiu.

Sveika, tanki augmenija labiau atspindi artimąją infraraudonąją spinduliuotę ir sugeria daugiau raudonos šviesos, todėl jos NDVI vertė yra didelė. NDVI yra plačiai naudojamas kaip biomasės tankio ir fotosintezės aktyvumo rodiklis, kurie abu koreliuoja su anglies įsisavinimu.

2. Hiperspektriniai jutikliai užfiksuoti šimtus siaurų, gretimų bangos ilgio juostų, o ne saujelę plačių. Dėl šios geresnės spektrinės skiriamosios gebos jie gali aptikti subtilius augalų biochemijos skirtumus, įskaitant chlorofilo kiekį, lapų vandenį ir lignino koncentraciją.

Šios savybės yra glaudžiai susijusios su antžeminiu anglies kiekiu ir gali būti naudojamos pasėlių biomasei modeliuoti didesniu tikslumu nei plačiajuosčio ryšio multispektriniai duomenys.

3. LiDAR (šviesos aptikimas ir diapazono nustatymas) į žemės paviršių siunčia tūkstančius lazerio impulsų per sekundę ir matuoja kiekvieno impulso grįžimo laiką. Rezultatas – detalus trimatis kraštovaizdžio taškų debesis, kuriame užfiksuotas augmenijos aukštis, lajos tankis ir reljefo topografija.

Biomasė apskaičiuojama derinant šiuos struktūrinius matavimus su alometrinėmis lygtimis – matematiniais santykiais, kurie aukštį ir tūrį paverčia sausosios masės ir anglies kiekio duomenimis. 2025 m. žurnale „ScienceDirect“ atliktame tyrime nustatyta, kad LiDAR pagrįsti anglies sekvestracijos matavimai miškingose žemės ūkio paskirties žemėse ir agrarinės miškininkystės sistemose pasiekė žymiai mažesnį klaidų lygį nei įprasti lauko inventorizacijos metodai.

4. SAR (sintetinės apertūros radaras) perduoda mikrobangų energiją ir matuoja nuo paviršiaus atsispindinčią energiją. Skirtingai nuo optinių jutiklių, SAR prasiskverbia pro debesų dangą ir veikia naktį, todėl yra vertingas atogrąžų žemės ūkio regionuose, kur nuolatinė debesų danga kelias savaites blokuoja optinius palydovus. SAR yra ypač efektyvus matuojant dirvožemio drėgmę, aptinkant plikus ir augalijos padengtus paviršius ir vertinant medžių lajos biomasę naudojant atgalinės sklaidos intensyvumo analizę.

5. Dronais pagrįstas nuotolinis stebėjimas užtikrina centimetro lygio erdvinę skiriamąją gebą, kurios negali pasiūlyti palydovai. Dronai su multispektrinėmis arba RGB kameromis skraido nedideliame aukštyje, kad sukurtų itin detalius atskirų laukų žemėlapius.

Anglies dioksido programose dronai naudojami vietinio masto palydovinių stebėjimų patvirtinimui ir vertinimams mažuose arba fragmentuotuose laukuose, kur palydovų pikselių dydis yra per didelis, kad būtų galima nustatyti valdymo ribas. Pagrindinės palydovinės platformos, palaikančios anglies dioksido stebėseną, yra šios:

• „Landsat“ (NASA/USGS): 30 metrų skiriamoji geba su 16 dienų peržiūrų dažnumu. Jo istorinis archyvas, siekiantis 1972 m., tampa ilgalaikės žemės naudojimo pokyčių analizės ir pradinio lygio kartografavimo pagrindu.
• „Sentinel-1“ ir „Sentinel-2“ (ESA): „Sentinel-2“ teikia 10 metrų daugiaspektrinius vaizdus su 5 dienų pakartotiniu stebėjimu, todėl idealiai tinka sezoniniam pasėlių stebėjimui. „Sentinel-1“ SAR papildo optinius duomenis debesuotu laikotarpiu.
• MODIS (NASA): 250–500 metrų skiriamoji geba su kasdiene pasauline aprėptimi. Naudojama didelio masto, laiko eilučių analizei, skirtai augalijos produktyvumui ir žemės naudojimo pokyčiams visuose regionuose tirti.
• „PlanetScope“: Komercinė sistema, teikianti 3 metrų raiškos kasdienius vaizdus, leidžiančius aptikti lauko poskyrių veiklą atskiruose ūkiuose.

Kaip „GeoPard“ remia anglies dioksido kreditų programas

„GeoPard Agriculture“ yra tiksliosios žemdirbystės platforma, kurioje derinami palydoviniai vaizdai, radarų duomenys ir topografinė analizė, siekiant padėti ūkininkams įgyvendinti ir stebėti praktiką, kuri generuoja patikrintus anglies dioksido kreditus. Ji tiesiogiai integruoja anglies dioksido išmetimo ūkininkavimą į kasdienį ūkio valdymą, o ne traktuoja jį kaip atskirą veiklą.

1. Praktikos įgyvendinimas, vadovaujantis palydoviniais duomenimis

„GeoPard“ naudoja palydovų ir radarų duomenis, kad nustatytų mažai produktyvias lauko zonas, tinkamas dengiamiesiems augalams, agrarinei miškininkystei arba žemės dirbimo mažinimui. Jos pasėlių stebėjimo sprendimas padeda priimti sprendimus dėl sėjomainos, kuri pagerina dirvožemio struktūrą ir padidina ilgalaikį anglies kaupimo pajėgumą.

Topografijos analizė nustato, kurie lauko plotai labiausiai naudingi iš konkrečių dengiančių augalų rūšių, pašalindama spėliones dėl praktikos, kuri tiesiogiai skatina anglies dioksido sekvestraciją.

2. Išmetamųjų teršalų mažinimas ir stebėsenos, ataskaitų teikimo ir tikrinimo (SRT) atsekamumas

Siekiant sumažinti CO2 kiekį, „GeoPard“ padeda ūkininkams pereiti prie nulinio žemės dirbimo ir atliekų tvarkymo, padėdama jiems pereiti prie įprastinio dirvožemio ardymo. N2O kiekiui mažinti ji leidžia taikyti 4R maistinių medžiagų valdymą, naudojant tinkamas trąšas tinkamu kiekiu, tinkamu laiku ir tinkamoje vietoje, taip sumažinant azoto perteklių, kuris dirvožemyje virsta azoto suboksidu.

Kalbant apie stebėseną, ataskaitų teikimą ir patikrinimą (SAV), „GeoPard“ palydovinių duomenų sluoksniai sukuria nuolatinį, laiko žyma pažymėtą lauko veiklos įrašą per visą vegetacijos sezoną. Šie erdviniai duomenys pagrindžia matavimo ir ataskaitų teikimo reikalavimus, suteikdami trečiųjų šalių tikrintojams objektyvius duomenis, patvirtinančius, kad deklaruota praktika iš tikrųjų buvo vykdoma.

Susiedama kasdienius ūkio sprendimus tiesiogiai su išmatuojamais anglies dioksido išmetimo rezultatais, „GeoPard“ suteikia galimybę įvairaus masto ūkininkams užtikrintai dalyvauti anglies dioksido kreditų programose.

Kaip nuotolinis stebėjimas leidžia gauti anglies dioksido kreditus: žingsnis po žingsnio

1. Pradinio lygio žemėlapis

Prieš anglies dioksido projektui suteikiant kreditus, jis turi nustatyti patikimą bazinį lygį – kiekybiškai įvertintą informaciją apie tai, kiek anglies jau yra sukaupta projekto teritorijoje ir kokios žemės valdymo praktikos šiuo metu taikomos. Šis bazinis lygis yra atskaitos taškas, pagal kurį vertinami visi būsimi patobulinimai.

Nuotolinis stebėjimas leidžia atlikti pradinio lygio žemėlapių sudarymą atliekant kelias integruotas analizes. Augalijos žemėlapių sudarymas naudojant NDVI ir lapų ploto indekso duomenis nustato esamus pasėlių tipus, biomasės tankį ir vegetacijos sezono modelius.

Istorinė žemės naudojimo analizė, naudojant „Landsat“ kelių dešimtmečių archyvą, atskleidžia, ar laukas per pastaruosius dešimt–dvidešimt metų buvo įprastu būdu dirbamas, pievose ar mišriuose pasėliuose. Ši istorija yra svarbi, nes dirvožemio anglies kiekis atspindi kaupiamąjį valdymą per dešimtmečius, o ne tik dabartinį sezoną.

Dirvožemio savybių kartografavimas sujungia hiperspektrinius palydovų duomenis su antžeminiais dirvožemio mėginiais, kad būtų sukurti erdviškai ištisiniai dirvožemio organinės anglies, tekstūros ir molio kiekio žemėlapiai. Projekto ribų identifikavimui naudojami GPS registruoti palydoviniai vaizdai, siekiant apibrėžti tikslias anglies projekto geografines ribas – tai reikalavimas visiems pagrindiniams anglies registrams, įskaitant „Verra“ ir „Gold Standard“.

2. Praktikos patikrinimas

Anglies registrams reikalingi nuolatiniai įrodymai, kad tvari praktika yra iš tikrųjų įgyvendinama, o ne tik teigiama. Nuotolinis stebėjimas pateikia šiuos įrodymus analizuojant palydovinius vaizdus per visą vegetacijos sezoną.

i. Dengiamųjų pasėlių aptikimas naudoja žiemos sezono vegetacijos indeksus aktyviai augančiai žemės dangai tarp kultūrinių augalų ciklų nustatyti. Laukas su dengiančiaisiais augalais ne sezono metu rodo žymiai didesnes NDVI vertes, palyginti su pliku lauku.

Nacionaliniame biotechnologijų informacijos centre (2024 m.) paskelbtame tyrime, kuriame naudojami Pietų Dakotos „Sentinel-2“ duomenys, klasifikavimo tikslumas viršijo 80% dengiamųjų augalų buvimui ir žemės dirbimo intensyvumui kukurūzų ir sojų pupelių laukuose nustatyti.

„ScienceDirect“ tyrime (2024 m.) buvo įrengtas MRV (matančiai, tikrinant, tikrinant ir tikrinant) kanalas. 553 743 hektarai ir išmatuotus išmetamųjų teršalų kiekio sumažėjimus 398 408,5 t CO2e per tris iš eilės išduotus anglies dioksido kreditus, sumažinimus daugiausia siejant su pasėlių įvedimu ir žemės dirbimo intensyvumo mažinimu. Palydovinės MRV sistemos dabar gali veikti ištisų ūkininkavimo regionų, o ne tik atskirų projekto vietų mastu.

ii. Nulinio arimo patikrinimas remiasi dirvožemio paviršiaus stebėjimu tarp derliaus nuėmimo ir sėjos. Po bearmės sėjos liekanos paviršiuje, o NDVI vertės išlieka šiek tiek padidėjusios dėl liekanų atspindžio. Dirbame lauke matomi staigūs paviršiaus tekstūros ir spektrinio parašo pokyčiai, kuriuos galima aptikti 10–30 metrų palydoviniuose vaizduose. SAR duomenys papildo optinę analizę, nustatydami dirvožemio drėgmės pokyčius, susijusius su mechaniniais trikdžiais.

iii. Derliaus likučių sulaikymo stebėsena naudoja trumpųjų bangų infraraudonųjų spindulių juostas, kad įvertintų derliaus nuėmimo metu dirvožemį dengiančių augalų liekanų procentinę dalį. Likučiai turi skirtingą spektrinį parašą, palyginti su pliku dirvožemiu, todėl naudojant palydovinius liekanų padengimo indeksus galima įvertinti, ar 30%, 50% ar 70% paviršiaus yra padengta – tai ribos, kurios tiesiogiai lemia tinkamumą ir kreditų apimtį daugelyje metodikų.

iv. Sėjomainos stebėsena Naudodamas spektrinius laiko eilučių duomenis, jis seka pasėlių rūšies pokyčius per kelis sezonus. Skirtingi pasėliai turi unikalius fenologinius pirštų atspaudus – žalumo, didžiausio augimo ir senėjimo modelį vegetacijos metu. ’Sentinel-2“ 5 dienų pakartotinių apsilankymų dažnis pakankamai tiksliai fiksuoja šią dinamiką, kad būtų galima atskirti kukurūzus nuo sojų pupelių nuo kviečių iš eilės einančiais metais.

3. Biomasės ir anglies atsargų įvertinimas

Anglies atsargų matavimui reikia konvertuoti stebimas augmenijos ir dirvožemio savybes į kiekybinius sukauptos anglies įverčius. Nuotolinis stebėjimas šį procesą papildo keliais duomenų srautais.

Antžeminė biomasė (AGB) Įvertinimui naudojamas augmenijos aukštis iš LiDAR duomenų, lajos tankis iš optinių vaizdų ir lapų ploto indeksas (LAI), gautas iš artimojo infraraudonojo spinduliavimo atspindžio. Šie duomenys naudojami alometrinėms lygtims, kurios pateikia biomasės įverčius tonomis hektarui. Anglies kiekis paprastai apskaičiuojamas apytiksliai 47-50% sausos biomasės svorio – perskaičiavimo koeficientas, kurį IPCC ir FAO patvirtino šimtams rūšių.

Dirvožemio organinė anglis (SOC) Įvertinimas yra sudėtingesnis, nes požeminės anglies negalima tiesiogiai stebėti iš viršaus. Nuotolinis stebėjimas prisideda per hiperspektrinius vaizdus, kurie aptinka dirvožemio organinės medžiagos spektrinius parašus plikuose arba mažai augalijos apaugusiuose laukuose, ir per SAR gautus dirvožemio drėgmės duomenis, kurie turi įtakos anglies apyvartos greičiui.

Šie nuotolinio stebėjimo duomenys derinami su procesais pagrįstais modeliais, tokiais kaip RothC arba CENTURY, kurie imituoja, kaip organinės medžiagos skaidosi ir stabilizuojasi esant skirtingoms klimato ir valdymo sąlygoms.

Anglies dioksido kredito patikimumas visiškai priklauso nuo jį pagrindžiančio matavimo tikslumo. Nuotolinis stebėjimas anglies dioksido kiekio patikrinimą paverčia iš brangaus lauko tyrimo nuolatiniu, duomenimis pagrįstu audito taku.

Mašininio mokymosi algoritmai, įskaitant atsitiktinius miškus, gradiento stiprinimą ir gilaus mokymosi modelius, vis dažniau naudojami nuotolinio stebėjimo įvestims integruoti su lauko matavimais.

„PeerJ“ (2024 m.) paskelbtame tyrime nustatyta, kad mašininio mokymosi modeliai, derinantys daugiaspektrinius palydovinius indeksus su ribotu dirvožemio mėginių ėmimu, gali konkurencingu tikslumu numatyti dirvožemio organinės anglies kiekį, sumažindami projekto patvirtinimui reikalingų destruktyvių dirvožemio mėginių skaičių.

Matavimas, ataskaitų teikimas ir tikrinimas (MRV): anglies dioksido kreditų pagrindas

MRV (matavimas, ataskaitų teikimas ir tikrinimas) yra valdymo sistema, kuri atskiria patikimus anglies dioksido kreditus nuo nepatikrinamų teiginių. Kiekvienas didelis anglies dioksido registras reikalauja, kad projektai atitiktų patvirtintą MRV protokolą. Nuotolinis stebėjimas tapo neatsiejama visų trijų etapų dalimi.

1. Matavimas: duomenų rinkimas

Matavimas apima neapdorotų duomenų, iš kurių apskaičiuojami anglies kiekiai, rinkimą. Palydovinėse programose tai prasideda nuo automatinio daugiaspektrinių ir SAR vaizdų įkėlimo reguliariais intervalais per visą vegetacijos sezoną.

Dronais atliekami tyrimai teikia didelės skiriamosios gebos antžeminius duomenis apie pagrindinius fenologinius etapus. Tikslinių dirvožemio mėginių ėmimo kampanijų metu renkami matavimai lauke, siekiant sukalibruoti ir patvirtinti iš palydovų gautus organinių medžiagų kiekio įverčius. Biomasės įvertinimo algoritmai veikia su sujungtais duomenimis, kad būtų gautos lauko masto anglies atsargų vertės.

2. Ataskaitų teikimas: matavimų konvertavimas į kreditus

Ataskaitų teikimo metu apdoroti duomenys paverčiami oficialiu dokumentų paketu, pateikiamu anglies dioksido registrui. Tai apima anglies dioksido apskaitos skaičiuokles, projekto veiklos erdvinius žemėlapius, praktikos įgyvendinimo įrodymus ir modeliuojamus anglies atsargų pokyčius per patikros laikotarpį.

Būtina laikytis tarptautinių standartų, įskaitant ISO 14064-2 ir GHG protokolo gaires. Palydovinių laiko eilučių archyvai yra apsaugoti nuo klastojimo įrašai, kuriais grindžiamas kiekvienas pateiktas skaičius.

3. Patvirtinimas: Nepriklausomas patvirtinimas

Trečiųjų šalių vertintojai peržiūri pateiktus dokumentus ir nepriklausomai įvertina, ar pranešti anglies dioksido kiekio rezultatai yra realūs, papildomi (t. y. jie nebūtų buvę pasiekti be projekto) ir ilgalaikiai.

Nuotolinių tyrimų duomenys, įskaitant palydovinių vaizdų archyvus ir dronų tyrimus, suteikia vertintojams objektyvius duomenis, kuriuos galima palyginti su projektų teiginiais. Laiko eilučių analizė aptinka neatitikimus, pavyzdžiui, ūkininkas teigia, kad lauke žemė nebuvo ariama, tačiau matomi spektriniai mechaninių trikdžių požymiai.

Sukčiavimo aptikimas naudojant pokyčių taškų algoritmus vis dažniau integruojamas į skaitmenines MRV platformas, kad būtų galima pažymėti anomalijas dar prieš joms pasiekiant patikros etapą.

Remiantis „Marq Stats“ (2026 m.) pateiktais duomenimis, didelės skiriamosios gebos palydovinių vaizdų ir mašininio mokymosi konvergencija sumažino MRV išlaidas vienam ūkiui 70-90% nuo 2018 iki 2025 m., todėl „Indigo Carbon“ galės valdyti daugiau nei 2025 m. 8 milijonai užregistruotų akrų 28 JAV valstijose su 85% administracinės duomenų rinkimo naštos sumažinimas.

Tokiu mastu sumažintos išlaidos reiškia, kad smulkieji ūkininkai ir vidutinio dydžio įmonės dabar gali dalyvauti anglies dioksido kreditų programose, kurios anksčiau buvo prieinamos tik dideliems žaliavų gamintojams.

4. Kaip MRV nustato tikrąją anglies dioksido kredito vertę

MRV yra ne tik atitikties reikalavimas. Tai lemia, ar anglies dioksido kreditas turi realią rinkos vertę, ar ne. Pirkėjai, investuotojai ir reguliavimo institucijos anglies dioksido kreditų kainą nustato pagal tai, kaip patikimai galima patikrinti pagrindinį anglies dioksidą. Kreditas su silpna MRV parduodamas su nuolaida arba yra visiškai atmetamas.

Be patikimos MRV (matas, ataskaita, ataskaita) anglies dioksido kreditai tampa spėlionėmis. Ūkininkas galėtų teigti, kad buvo pasėti dengiamieji augalai, kai taip nebuvo. Projekto vystytojas galėtų pervertinti dirvožemio anglies dioksido kiekio padidėjimą. Pirkėjai galėtų nežinodami finansuoti projektus, kurie neduoda jokios realios naudos klimatui. MRV panaikina kiekvieną iš šių spragų, kiekviename žingsnyje reikalaudama dokumentuotų, patikrinamų ir standartizuotų įrodymų.

Ūkininkams griežta MRV sistema yra naudinga. Ji panaikina savarankiško ataskaitų teikimo naštą ir pakeičia ją palydoviniais duomenimis pagrįstais įrodymais, kurių negali ginčyti nei registras, nei pirkėjas. Šis perėjimas nuo pasitikėjimu grįsto prie duomenimis pagrįsto patvirtinimo leidžia smulkiesiems ūkininkams konkuruoti tose pačiose anglies dioksido rinkose kaip ir dideliems žemės ūkio verslams.

Visai anglies dioksido rinkai patikimas MRV yra tai, kas skiria tikrus klimato kaitos veiksmus nuo ekosistemų manipuliavimo. Kiekviena du kartus suskaičiuota, netiksliai įvertinta arba be įrodymų deklaruota CO2 tona silpnina visą sistemą.

Nuotolinių stebėjimų pagrindu veikianti MRV sistema panaikina šią spragą, nes matavimo tikslas, ataskaitų teikimas tampa standartizuoti, o tikrinimas – nepriklausomas. Štai kodėl palydovinės MRV sistemos užtikrinami anglies dioksido kreditai savanoriškose rinkose dabar turi 15–25% kainos priedą – pirkėjai moka daugiau, nes sunkiau ginčyti mokslinį kreditų pagrindą.

Nuotolinio stebėjimo nauda anglies dioksido kreditų programoms

Nuotolinio stebėjimo pranašumai, palyginti su vien tik lauko anglies dioksido stebėsena, yra dideli ir sudėtingi, nes programos plečiasi ir apima didesnę žemės plotą.

1. Didelio masto stebėsena tampa įmanoma už daug mažesnę kainą. Viena „Sentinel-2“ scena apima 100 x 100 kilometrų, vienu praėjimu stebint tūkstančius ūkių be jokio antžeminio įgulos įsikišimo.
2. Patikrinimas yra greitesnis ir reikalauja mažiau darbo. Anglies dioksido programos, kurioms anksčiau reikėdavo mėnesių trukmės apsilankymų vietoje, gali atlikti praktinį patikrinimą per kelias dienas, naudodamos automatizuotas palydovinės analizės sistemas.
3. Padidėja skaidrumas pirkėjams, registrų tvarkytojams ir investuotojams. Palydoviniai archyvai sukuria objektyvų, atkartojamą įrašą apie tai, kas vyko lauke projekto laikotarpiu, nepriklausomai nuo jokių suinteresuotųjų šalių interesų.
4. Sumažinta žmogiškųjų klaidų skaičius. Automatizuotas vaizdų klasifikavimas ir anglies dioksido modeliavimas taiko nuoseklius algoritmus visose projekto srityse, pašalindami skirtingų lauko vertintojų, naudojančių skirtingus atrankos metodus, sukeltus skirtumus.
5. Investuotojų pasitikėjimas auga. Instituciniai pirkėjai vis dažniau reikalauja kiekybinio, duomenimis pagrįsto kredito patvirtinimo prieš skirdami kapitalą anglies dioksido projektams. Nuotolinio stebėjimo kreditai, pagrįsti pagrindiniais anglies dioksido principais (CCP), dabar yra svarbiausi. 15-25% kainų priemokos, remiantis Savanoriškos anglies dioksido rinkos sąžiningumo tarybos 2025 m. duomenimis.

Geresnis sprendimų priėmimas visoms suinteresuotosioms šalims. Ūkininkai gauna erdviškai aiškų grįžtamąjį ryšį apie tai, kurie laukai gerai arba nepakankamai gerai veikia anglies dioksido išmetimo požiūriu. Projektų kūrėjai gali skirti stebėsenos išteklius didelės rizikos zonoms. Registrai gali teikti pirmenybę tikrinimo pastangoms, remdamiesi automatizuotu anomalijų aptikimu.

Iššūkiai ir apribojimai anglies dioksido rinkose

Nuotolinis stebėjimas yra galingas, bet ne beribis. Norint sukurti moksliškai pagrįstas anglies dioksido programas, būtina suprasti dabartinius jo apribojimus.

1. Debesuotumas išlieka nuolatine kliūtimi optiniams palydoviniams jutikliams tropiniuose ir musoninių liūčių paveiktuose žemės ūkio regionuose. Svarbiausiais vegetacijos laikotarpiais nuoseklūs stebėjimai be debesų gali būti neįmanomi, todėl stebėjimo įrašuose gali atsirasti spragų. SAR iš dalies tai kompensuoja, tačiau kelių jutiklių duomenų rinkinių integravimas padidina apdorojimo sudėtingumą.
2. Požeminio anglies kiekio tiesiogiai iš kosmoso stebėti neįmanoma. Dirvožemio organinės anglies kiekio įvertinimas nuotoliniu būdu visada priklauso nuo modelio, remiantis paviršiaus spektriniais rodikliais ir procesais pagrįstomis simuliacijomis, kurioms būdingas neapibrėžtumas.
3. Erdvinė skiriamoji geba riboja praktikos aptikimą mažuose laukuose. Regionuose, kuriuose vyrauja smulkieji ūkininkai, o laukai mažesni nei vienas hektaras, net 10 metrų „Sentinel-2“ pikseliai gali peržengti kelias valdymo ribas, todėl sunku aiškiai priskirti praktiką.
4. Grunto duomenų patvirtinimas išlieka privalomas. Palydovinius modelius reikia kalibruoti naudojant dirvožemio mėginius lauke ir lauko stebėjimus. Jokia dabartinė nuotolinio stebėjimo metodika visiškai nepanaikina antžeminių duomenų poreikio.

Standartizavimas įvairiose anglies dioksido programose yra dar vienas iššūkis. Skirtingi registrai priima skirtingas nuotolinio stebėjimo metodikas, skirtingas palydovų platformas ir skirtingus modeliavimo metodus. Pirkėjas, veikiantis pagal kitą standartą, gali nepripažinti pagal vieną metodiką patvirtinto kredito, todėl rinka susiskaidžiusi ir riboja kredito likvidumą bei ūkininkų dalyvavimą.

Nuotolinio stebėjimo ateitis anglies dioksido rinkose

Palydovinių technologijų, dirbtinio intelekto ir skaitmeninės žemės ūkio infrastruktūros inovacijų tempas rodo, kad per ateinantį dešimtmetį šiandieninių nuotolinio stebėjimo sistemų apribojimai bus palaipsniui pašalinti.

Dirbtinis intelektas ir mašininis mokymasis jau keičia anglies dioksido išmetimo apskaičiavimą. Giliojo mokymosi modeliai, apmokyti naudojant milijonus palydovinių pikselių, gali tiksliau ir mažesnėmis sąnaudomis vienam laukui nustatyti žemės dirbimo modelius, pasėlių tipus ir praktikos pakeitimus nei bet kuris ankstesnis metodas.

Žurnale „Remote Sensing of Environment“ (2024 m.) paskelbti siauros žvalgybos modeliai parodė, kad hiperspektriniai mašininio mokymosi modeliai, apmokyti naudojant erdvėje įvairias dirvožemio spektrines bibliotekas, gali konkurencingu tikslumu numatyti dirvožemio organinę anglį skirtinguose žemynų masteliuose.

Didelės skiriamosios gebos komercinių palydovų žvaigždynai, įskaitant „PlanetScope“ 3 metrų dienos aprėptį ir būsimas labai didelės skiriamosios gebos sistemas, leidžia stebėti lauko darbus programoms, veikiančioms individualių ūkių lygmeniu.

Dronų ir palydovų duomenų sintezė leidžia taikyti daugiasluoksnį stebėjimo metodą: palydovai užtikrina nuolatinę aprėptį, o dronai teikia patvirtinimo duomenis tada ir ten, kur jų labiausiai reikia.

• Daiktų interneto integracija leidžia realiuoju laiku gauti dirvožemio jutiklių duomenis iš lauke esančių drėgmės ir anglies zondų tinklų tiesiogiai tiekti į nuotolinio stebėjimo kalibravimo sistemas, taip sumažinant priklausomybę nuo periodinio rankinio dirvožemio mėginių ėmimo.
• Skaitmeniniai dvyniai žemės ūkio kraštovaizdžiams atsiranda kaip būdas imituoti anglies dinamiką visame ūkyje, naudojant kombinuotus nuotolinio stebėjimo, orų ir dirvožemio duomenis. Šios modeliavimo aplinkos leidžia projektų kūrėjams modeliuoti “kas būtų, jeigu” scenarijus skirtingiems praktikos deriniams, prieš pasirenkant metodiką.
• Anglies dioksido sekimas blokų grandinės technologija susieja palydovų patikrintus anglies dioksido įvykius su nekintamais apskaitos įrašais, suteikdamas pirkėjams išsamų audito taką nuo stebėjimo lauke iki kreditų išrašymo iš apyvartos.
• Automatizuotos MRV platformos keičia rankinio duomenų teikimo darbo eigas. Tokios įmonės kaip „Agreena“ Danijoje naudoja Žemės stebėjimo duomenis, kad stebėtų žemės valdymo pokyčius tūkstančiuose ES ūkių, o anglies dioksido kreditai išduodami remiantis nuolatine palydovine analize pagal ES anglies dioksido išmetimo ūkininkavimo reglamentą (ES 2024/3012).

Beveik realiuoju laiku vykdomas anglies dioksido kiekio stebėjimas, kai palydovų peržiūros dažnis artėja prie kasdienio, o analizės srautai apdoroja vaizdus per kelias valandas nuo jų gavimo, netrukus leis aptikti praktikos pasikeitimus, pavyzdžiui, ūkininko grįžimą prie žemės dirbimo projekto viduryje, dar prieš įvykstant dideliems anglies dioksido kiekio nuostoliams. Pasaulinės palydovų žvaigždynai ir besiplečianti apdorojimo infrastruktūra iki 2020-ųjų pabaigos atveria kelią į šią galimybę pagrindiniams anglies dioksido registrams.

Išvada

Nuotolinio stebėjimo galimybė gauti anglies dioksido kreditus priklauso nuo vieno pagrindinio privalumo: jis nematomą paverčia išmatuojamu. Dirvožemyje ir augmenijoje sukauptos anglies negalima tiesiogiai pasverti ar suskaičiuoti. Tačiau ūkininkavimo praktika, lemianti, kiek anglies sukaupia kraštovaizdis, įskaitant tai, kas sodinama, kaip tvarkomas dirvožemis ir kaip paskirstoma biomasė, palieka aptinkamus spektrinius ir struktūrinius parašus, kuriuos palydovai, LiDAR sistemos ir SAR platformos gali stebėti, registruoti ir kiekybiškai įvertinti.

Nuo pradinio kartografavimo iki praktikos patikrinimo, nuo biomasės įvertinimo iki MRV dokumentavimo – nuotolinis stebėjimas suteikia mokslinį pagrindą, kurio reikia anglies dioksido rinkoms, kad jos veiktų sąžiningai. Ryšys tarp tiksliosios žemdirbystės ir anglies dioksido rinkų dar niekada nebuvo toks stiprus. Ūkininkai, kurie taiko duomenimis pagrįstą valdymo praktiką, ne tik gerina savo produktyvumą. Jie generuoja patikrinamus, erdviškai aiškius anglies dioksido įrodymus, kurių vis labiau reikalauja registrai, pirkėjai ir reguliavimo institucijos.

Evapotranspiracijos stebėjimas naudojant nuotolinius tyrimus yra vienas reikšmingiausių pastarųjų dviejų dešimtmečių žemės ūkio vandens mokslo pasiekimų. Derindami iš palydovų gautus šiluminius duomenis, augmenijos indeksus ir energijos balanso fiziką, mokslininkai ir ūkininkai dabar gali įvertinti, kiek vandens išeina iš žemės paviršiaus milijonuose hektarų – be jokio antžeminio jutiklio.

Ši galimybė keičia tai, kaip agronomai planuoja drėkinimą, kaip vyriausybės stebi sausras ir kaip tyrėjai kiekybiškai įvertina ištisų upių baseinų vandens pėdsaką. Žemės ūkis sunaudoja maždaug 701 TP3 t viso pasaulyje išgaunamo gėlo vandens, tačiau didžioji šio vandens dalis niekada nėra tiesiogiai matuojama lauko lygmeniu – tai kritinė spraga, kurią sparčiai mažina garavimo stebėjimas nuotoliniu būdu.

Kas yra evapotranspiracija?

Evapotranspiracija (ET) – tai kombinuotas procesas, kurio metu vanduo juda iš sausumos paviršiaus į atmosferą. Jį sudaro du komponentai, veikiantys vienu metu: garavimas – tiesioginis skysto vandens iš dirvožemio, vandens telkinių ir augalų paviršiaus pavertimas vandens garais; ir transpiracija – biologinis vandens, kurį sugeria augalų šaknys, judėjimas, kai vanduo pernešamas aukštyn per stiebą ir išskiriamas garų pavidalu per mažas lapų poras, vadinamas žiotelėmis.

Šie du procesai kartu lemia didžiausią vandens srautą, paliekantį sausumos ekosistemą. Daugumoje žemės ūkio kraštovaizdžių ET grąžina į atmosferą nuo 60 iki 80 procentų visų kritulių. Šis skaičius daro ET dominuojančiu kintamuoju sausumos vandens balanse – daugumoje dirbamos aplinkos įtakingesniu nei nuotėkis ar gilus susiliejimas.

ET yra hidrologinio ciklo centre, jungiančiame žemės paviršių, biosferą ir atmosferą. Kai ET lygis yra didelis, dirvožemio drėgmė mažėja greičiau, upių dugno nuotėkis mažėja, o vandeningojo sluoksnio papildymo greitis sumažėja. Kai ET lygis sulėtėja – dėl sausros streso, pasėlių senėjimo ar žemės naudojimo pokyčių – pasekmės pasireiškia vandens prieinamumu pasroviui.

Klimato moksle ET yra pagrindinis anglies ir vandens ciklų jungimosi mechanizmas. Augalai atveria savo žioteles, kad sugertų CO2 fotosintezei, ir tai darydami tuo pačiu metu išskiria vandens garus. Bet koks pasaulinės augmenijos dangos, temperatūros ar CO2 koncentracijos pokytis keičia planetos ET pusiausvyrą ir atsiliepia regioniniams kritulių modeliams.

Kodėl evapotranspiracijos stebėjimas yra vandens valdymo prioritetas?

Tikslūs vandens suvartojimo duomenys padeda priimti geresnius sprendimus įvairiuose sektoriuose. Žemės ūkyje, žinant faktinį pasėlių vandens sunaudojimą lauko lygmeniu, drėkinimo vadovas gali tiksliai nustatyti, kiek vandens reikia naudoti, kada jį naudoti ir kur atsiranda trūkumas, kol pasėliuose neatsiranda matomas stresas.

Toks tikslumas padeda išvengti tiek per didelio laistymo, kuris eikvoja vandenį ir išplauna maistines medžiagas, tiek nepakankamo laistymo, kuris mažina derlių.

1. Drėkinimo planavimas: Drėkinimo planavimas, pagrįstas drėkinimo technologijomis (ET), pakeičia spėliones fizika. Kai ūkininkas žino, kad liepą kukurūzų laukas dėl ET praranda 7 mm vandens per dieną, jis gali papildyti tikslų trūkumą, užuot laistęs fiksuotu kalendoriniu intervalu.

2. Sausros stebėsena: Nuolatinis faktinio ET sumažėjimas, palyginti su etaloniniu ET (kuris išgaruotų esant neribotam vandens tiekimui), signalizuoja apie artėjantį sausros stresą. Nuotolinis stebėjimas užfiksuoja šį signalą likus kelioms savaitėms iki to, kai derliaus nuostoliai tampa matomi akimis.

3. Vandens išteklių planavimas: Baseino lygio vandens apskaitai reikalingi ET duomenys baseino mastu. Palydovinis ET stebėjimas užtikrina šią erdvinę aprėptį už nedidelę antžeminių stočių tinklo kainos dalį.

4. Klimato kaitos vertinimas: Ilgalaikės aplinkosaugos tendencijos atskleidžia, kaip kylanti temperatūra ir besikeičiantys kritulių modeliai keičia ekosistemų vandens naudojimą – tai duomenys, kurie padeda planuoti prisitaikymą regioniniu ir nacionaliniu lygmenimis.

5. Ekosistemos būklės stebėsena: Šlapžemių ET rodikliai, miškų transpiracija ir pievų vandens naudojimas jautriai reaguoja į ekologinius trikdžius. Nuotolinio stebėjimo ET fiksuoja šiuos pokyčius dideliuose, sunkiai pasiekiamuose kraštovaizdžiuose.

Kokie veiksniai įtakoja evapotranspiraciją?

Evapotranspiraciją (ET) lemia klimato sąlygų, kraštovaizdžio ypatybių ir augalų biologijos derinys. Žemiau pateikiamas pagrindinių veiksnių suskirstymas.

1. Dirvožemio tipas. Dirvožemio sudėtis vaidina svarbų vaidmenį vandens sulaikyme ir garavime. Smėlingi arba žvyringi dirvožemiai paprastai sulaiko mažiau vandens ir išskiria daugiau jo garuodami, o priemolio arba molingi dirvožemiai geriau išlaiko drėgmę.

2. Oro temperatūra. Temperatūra tiesiogiai veikia ET greitį. Šiltesnis oras turi didesnę drėgmės sulaikymo talpą, o padidėjusi šiluma pagreitina vandens virsmą garais, taip padidindama evapotranspiraciją.

3. Saulės spinduliuotė. Be šilumos generavimo, saulės spinduliuotė apima energijos lygių, dažnio ir albedo pokyčius – visa tai daro įtaką ET. Šie veiksniai skiriasi priklausomai nuo vietos ir metų laiko, o norint juos tiksliai išmatuoti, dažnai reikia pažangių technologijų.

4. Drėgmė. Santykinė drėgmė (RH) reiškia ore esančių vandens garų kiekį, palyginti su jo maksimalia talpa. Kai drėgmė didelė, oras sugeria mažiau papildomos drėgmės, todėl sulėtėja ET. Ir atvirkščiai, sausesnis oras gali sugerti daugiau garų, todėl padidėja evapotranspiracijos greitis.

5. Augalų danga. Skirtingos augalų rūšys skirtingai sąveikauja su vandeniu. Vienos efektyviai kaupia vandenį sausros metu, o kitos jį praranda greičiau. ET rodikliams taip pat įtakos turi augalo amžius, sveikata ir šaknų gylis – gilesnės šaknys leidžia augalams ilgiau išsilaikyti be laistymo. Šie fiziologiniai skirtumai reiškia, kad ET gali labai skirtis priklausomai nuo augalų rūšies, todėl reikia individualiai pritaikytų drėkinimo strategijų.

6. Vėjo greitis. Vėjas yra pagrindinis garavimo ir transpiracijos variklis. Jis išsklaido drėgną oro sluoksnį, kuris kaupiasi ant augmenijos, padidindamas ET. Jis taip pat padeda garų difuzijai per augalų poras, skatindamas transpiraciją. Tačiau itin stiprūs, sausi vėjai kartais gali trukdyti garų difuzijai, tam tikromis sąlygomis šiek tiek sumažindami ET.

Pagrindinės evapotranspiracijos sąvokos

ET(0) atspindi atmosferos gebėjimą skatinti vandens netekimą ir yra grynai pagrįstas klimatu. ET(c) matuoja vandens netekimą iš sveikų, gerai drėkinamų augalų, augančių idealiomis sąlygomis ir pasiekiančių visą derliaus potencialą. Kai augalai susiduria su neoptimaliais priežiūros ar aplinkosaugos iššūkiais, ET(c) turi būti modifikuotas, kad būtų gautas ET(c adj). Augalų garavimas suprantamas trimis skirtingomis sąvokomis:

1. ET(0) — etaloninė garavimo transpiracija
2. ET(c) — Evapotranspiracija standartinėmis sąlygomis
3. ET(c adj) — Evapotranspiracija nestandartinėmis sąlygomis

1. Standartinė garavimo transpiracija – ET(0)

ET(0) rodo greitį, kuriuo vanduo išgaruoja iš gerai laistyto etaloninio paviršiaus, paprastai modeliuojamo kaip idealizuota žolės danga, atitinkanti konkrečius kriterijus.

Šis matas fiksuoja atmosferos garavimo poreikį nepriklausomai nuo pasėlių rūšies, augimo stadijos ar ūkininkavimo praktikos. Kadangi laikoma, kad etaloninis paviršius yra visiškai sudrėkintas, dirvožemio sąlygos į skaičiavimą neįtraukiamos, todėl nereikia nustatyti atskirų ET slenksčių kiekvienam pasėliui kiekviename augimo etape.

ET(0) visiškai priklauso nuo klimato kintamųjų, o tipinės vertės skiriasi skirtingose agroklimatinėse zonose, nors šie skaičiai naudojami tik kaip bendri atskaitos taškai.

2. Evapotranspiracija standartinėmis sąlygomis – ET(c)

ET(c) kiekybiškai įvertina vandens kiekį, kurį išskiria sveikas, gerai maitinamas pasėlis, auginamas dideliuose, tinkamai drėkinamuose laukuose palankiomis oro sąlygomis ir pasiekiantis didžiausią produktyvumą. Jis apskaičiuojamas padauginus etaloninį ET iš pasėlių koeficiento K(c):

ET(c) = ET(0) × K(c)

3. Evapotranspiracija nestandartinėmis sąlygomis – ET(c adj)

ET(c adj) atsižvelgia į realius nukrypimus nuo idealių augimo sąlygų. Tokie veiksniai kaip kenkėjų ir ligų poveikis, vandens trūkumas arba perteklius, dirvožemio druskingumas ir prastas dirvožemio derlingumas gali lemti reikšmingus faktinio pasėlių vandens naudojimo skirtumus nuo ET(c). Kartu su pasėlių koeficientu įvedamas vandens streso koeficientas K(s), siekiant atsižvelgti į šiuos efektus:

ET(c adj) = ET(0) × K(c) × K(s)

Tradiciniai evapotranspiracijos matavimo metodai

Prieš nuotolinio stebėjimo atsiradimą mokslininkai ET matavo tiesioginiais fiziniais prietaisais. Kiekvienas metodas gerai veikia tam tikru mastu, tačiau turi didelių kompromisų, kurie riboja platų pritaikymą žemės ūkyje. Kai kurie geriausi antžeminiai ET matavimo metodai yra šie:

1. Lizimetras: Lizimetras (didelis indas, pripildytas dirvožemio ir augančių augalų, įrengtas lygiai su žeme) matuoja ET, sveriant dirvožemio bloką laikui bėgant. Kai kontroliuojamas kritulių kiekis ir surenkamas drenažas, masės skirtumas tarp laiko žingsnių yra lygus faktiniam ET.

Lizimetrai pateikia tiksliausius įmanomus ET matavimus, tačiau jie kainuoja šimtus tūkstančių dolerių už vienetą, apima tik kelis kvadratinius metrus ir negali atvaizduoti realaus lauko erdvinio kintamumo.

2. Sūkurinių kovariacijų sistema: Sūkurinių kovariacijų sistema matuoja ET apskaičiuodama kovariaciją tarp vertikalaus vėjo greičio ir vandens garų koncentracijos virš augalo lajos, naudodama greito reagavimo jutiklius. Ji apima “pėdsaką” nuo kelių šimtų metrų iki kelių kilometrų, todėl yra daug reprezentatyvesnė nei lizimetras.

Tačiau srauto bokštų įrengimas ir priežiūra kainuoja 50 000–300 000 JAV dolerių, o pasauliniame FLUXNET tinkle yra tik apie 900 aktyvių stočių – per mažai, kad būtų galima stebėti žemės ūkio ET nacionaliniu mastu.

3. Boweno santykio metodas: Boweno santykio metodas ET įvertina matuodamas jautriojo šilumos srauto (šildančio orą) ir latentinio šilumos srauto (ET) santykį, naudojant temperatūros ir drėgmės gradientus virš augalo lajos. Jis yra paprastesnis nei sūkurinės kovariacijos metodas, tačiau jam reikalingos homogeninės aprėpties sąlygos ir jis negali būti naudojamas sudėtingame reljefe.

4. Meteorologinių stočių pagrindu atlikti ET skaičiavimai Naudojant FAO Penmano-Monteitho lygtį, apskaičiuojamas etaloninis ET (ET0) iš oro temperatūros, drėgmės, vėjo greičio ir spinduliuotės duomenų. Šis metodas plačiai naudojamas drėkinimo planavimui, tačiau gaunamas etaloninis ET, o ne tikrasis ET, nes daroma prielaida, kad etaloninis pasėlis yra gerai laistomas, o ne tikrasis lauke augantis pasėlis.

Pagrindinė visų antžeminių metodų problema yra mastelis. Vienas lizimetras atitinka kelis kvadratinius metrus. Srautinio srauto bokštas geriausiu atveju apima kelis šimtus hektarų. Tačiau šiuolaikiniam žemės ūkio vandens valdymui reikalingi ET duomenys lauko lygmeniu, apimantys visus upių baseinus – tai erdvinis iššūkis, kurį gali išspręsti tik nuotolinis stebėjimas.

Nuotolinio stebėjimo pagrindai ET stebėjimui

Nuotolinis stebėjimas, kalbant apie Žemės paviršiaus stebėseną, yra palydovų arba orlaivių duomenų gavimas ir analizė, siekiant įvertinti vandens srautą, paliekantį sausumos paviršių, fiziškai jo neliečiant.

Šis metodas veikia todėl, kad augalai ir dirvožemis keičiasi energija su atmosfera būdais, kuriuos galima aptikti iš kosmoso, ypač skleidžiant šiluminę infraraudonąją spinduliuotę. Kai augalas efektyviai transpiruoja, jis naudoja įeinančią saulės energiją vandeniui išgarinti, o ne šildyti. Augalų laja, kurioje dirvožemis pakankamai drėgnas, išlieka santykinai vėsi.

Tuo tarpu vandens patiriantis augalo vainikas uždaro žioteles, kad taupytų vandenį, ir kadangi mažiau latentinės šilumos (ET) sunaudoja gaunamą energiją, vainiko paviršiaus temperatūra pakyla. Tai yra pagrindinis fizikinis signalas, kurį užfiksuoja šiluminis nuotolinis stebėjimas.

Pagrindiniai fizikiniai principai, kuriais grindžiamas palydovinis ET įvertinimas

Svetainė energijos balansas yra valdančioji sistema. Bet kuriame žemės paviršiuje grynoji saulės ir atmosferos spinduliuotė (Rn) turi būti lygi trijų energijos absorbentų sumai: dirvožemio šilumos srautui (G), jautriajam šilumos srautui (H, kuris šildo orą) ir latentiniam šilumos srautui (LE, kuris skatina ET). Užrašyta kaip lygtis: Rn = G + H + LE. Įvertindamas Rn, G ir H iš palydovų duomenų, modelis išveda LE, taigi ir ET, kaip likutį.

1. Žemės paviršiaus temperatūra (LST), išmatuotas šiluminės infraraudonosios spinduliuotės juostoje, yra pagrindinis stebimas dydis, naudojamas juntamajam šilumos srautui H įvertinti. Karštesnis paviršius perduoda daugiau šilumos į orą (didelis H), todėl mažiau energijos lieka ET (mažas LE). Vėsesnis, gerai drėkinamas paviršius turi mažesnį H ir didesnį LE.

2. Augalijos indeksai kaip ir NDVI, fiksuoja, kiek žalios, fotosintezės aktyvios augalinės medžiagos dengia paviršių, o tai kontroliuoja transpiracijos greitį. Tankus, žalias vainikas transpiruoja daugiau nei plika dirva ar retas medynas.

3. Grynoji spinduliuotė apskaičiuojamas iš trumpųjų ir ilgųjų bangų spinduliuotės srautų, kurie nuotoliniu būdu įvertinami pagal paviršiaus albedą, augmenijos dangą ir šiluminės emisijos duomenis.

Palydovinis evapotranspiracijos stebėjimas nepakeičia realių duomenų iš antžeminės erdvės – tai vienintelė priemonė, galinti pateikti erdviškai ištisinius vandens naudojimo duomenis tokiu mastu, kuriuo faktiškai priimami žemės ūkio ir hidrologiniai sprendimai.

Nuotolinio stebėjimo pranašumas, palyginti su antžeminiais metodais, yra ne tik erdvinė aprėptis. Palydoviniai duomenys teikia sinoptinius, pakartojamus matavimus labai nevienalyčiuose kraštovaizdžiuose – tai, ko už panašią kainą negalėtų pakartoti joks antžeminis tinklas.

Nuotolinio stebėjimo duomenų šaltiniai ET įvertinimui

Norint įvertinti ET iš kosmoso, reikia sujungti duomenis iš kelių jutiklių tipų. Nė vienas palydovas nesuteikia visų įvesties duomenų, reikalingų pilnam ET modeliui, todėl veikiantys ET produktai paprastai sujungia duomenis iš kelių platformų.

1. Palydovinės platformos ET apskaičiavimui

i. Landsat (USGS/NASA) nuolat veikia nuo 1972 m. ir teikia 30 metrų erdvinės skiriamosios gebos multispektrinius ir terminius vaizdus su 16 dienų peržiūrų ciklu. Dėl ilgo archyvo jis yra būtinas istorinei ET analizei ir pasėlių stebėsenai. Dauguma energijos balanso ET modelių, įskaitant SEBAL ir METRIC, iš pradžių buvo sukurti remiantis „Landsat“ duomenimis.

ii. Sentinel-2 (ESA) siūlo 10 metrų daugiaspektrinius vaizdus su 5 dienų pakartotinio apsilankymo laiku didelės skiriamosios gebos augmenijos indekso skaičiavimui. Nors jis neturi terminio diapazono, jis papildo „Landsat“, teikdamas dažnesnius, didesnės skiriamosios gebos NDVI, EVI ir LAI duomenis augmenija pagrįstiems Žemės palydovų modeliams.

iii. MODIS (Vidutinės skiriamosios gebos vaizdavimo spektroradiometras, NASA) teikia kasdienę pasaulinę aprėptį, kurios skiriamoji geba yra nuo 250 m iki 1 km. Dėl grubesnės erdvinės skiriamosios gebos jis riboja pritaikymą lauko mastu, tačiau idealiai tinka žemynų ir pasaulio nežemiškų objektų stebėjimui naudojant tokius produktus kaip MOD16.

iv. EKOTRESAS (NASA) yra sumontuotas Tarptautinėje kosminėje stotyje ir teikia 70 metrų skiriamosios gebos terminius infraraudonuosius spindulius su 1–5 dienų pakartotinio apsilankymo ciklu. ECOSTRESS buvo specialiai sukurtas pasėlių vandens stresui ir ET matuoti artimo lauko mastu – tai pajėgumų spraga, kurios MODIS ir ankstesni palydovai negalėjo užpildyti.

prieš VIIRS Suomijos AE ir JPSS palydovuose esantis matomosios infraraudonosios šviesos vaizdavimo radiometrų rinkinys (NOAA/NASA) tęsia MODIS pasaulinę kasdienės aprėpties tradiciją, patobulintas jutiklių kalibravimas ir palaiko veikiančius ET produktus regioniniu ir pasauliniu mastu.

2. Bepiločių orlaivių ir dronų pagrindu atliekami nežemiškų objektų stebėjimai

Bepiločiai orlaiviai (UAV arba dronai), aprūpinti terminėmis kameromis ir daugiaspektriniais jutikliais, gali kartoti ET atskiruose laukuose submetro erdvine raiška. Ant drono sumontuota terminė kamera tiesiogiai matuoja augalų lajos temperatūrą ir, derindama su antžeminiais meteorologiniais duomenimis, sukuria ET žemėlapius tokia raiška, kokios negali pasiūlyti joks palydovas.

• Terminio vaizdo dronai aptikti vandens trūkumo kamuojamus augalų plotus lauke prieš atsirandant bet kokiems matomiems simptomams, taip sudarant sąlygas taikyti kintamo greičio drėkinimą lauko viduje.
• Daugiaspektriniai jutikliai Dronuose NDVI ir EVI apskaičiuojami centimetro raiška, naudojant pasėlių koeficientais pagrįstus ET modelius, kad būtų galima tiksliai planuoti darbus lauke.
• Didelės skiriamosios gebos ET žemėlapiai Iš bepiločių orlaivių gaunamas vanduo yra ypač vertingas specializuotiems augalams – vaismedžiams, vynuogynams, daržovėms – kur lauko viduje didelis kintamumas ir vandens streso kaina yra didelė.

Pagrindiniai nuotolinio stebėjimo kintamieji, naudojami ET stebėsenoje

Kiekvienas iš palydovinių duomenų išgautas kintamasis prisideda prie konkrečios ET įvertinimo dėlionės dalies. Supratimas, ką kiekvienas kintamasis matuoja ir kodėl jis svarbus, padeda specialistams pasirinkti tinkamą modelį ir teisingai interpretuoti rezultatus.

1. Normalizuotas diferencinis vegetacijos indeksas (NDVI) apskaičiuojamas kaip (NIR – raudona) / (NIR + raudona), naudojant artimojo infraraudonojo spektro ir raudonos juostos atspindį. Jis svyruoja nuo -1 iki +1, o tankios žalios augmenijos atspindys paprastai būna nuo 0,6 iki 0,9. NDVI atspindi lajos tankį ir žalumą, kurie tiesiogiai koreliuoja su lapų plotu ir transpiracijos pajėgumu.

2. Pagerintas augmenijos indeksas (EVI) prideda mėlyną juostą, kad sumažintų atmosferos trukdžius ir dirvožemio fono efektus, kurie mažina NDVI tankiai apaugusiuose arba dažnai debesuotuose regionuose. EVI yra jautresnis nei NDVI didelės biomasės vietovėse ir naudojamas MOD16 ET algoritme.

3. Lapų ploto indeksas (LAI) kiekybiškai įvertina bendrą vienpusio lapo plotą žemės ploto vienete. Jis tiesiogiai kontroliuoja transpiraciją, nustatydamas, kiek lapo paviršiaus keičia vandens garus su atmosfera. Palydovų išvestinis LAI yra pagrindinis daugelio fiziškai pagrįstų nežemiškų objektų modelių įvesties duomenys.

4. Paviršiaus albedas yra įeinančios saulės spinduliuotės dalis, kurią atspindi paviršius. Ji kontroliuoja, kiek saulės energijos sugeria paviršius, o tai savo ruožtu lemia, kiek energijos yra prieinama ET. Tamsus, drėgnas dirvožemis turi mažą albedą (sugeria daugiau energijos); plikas smėlio paviršius turi didelį albedą (atspindi daugiau).

5. Dirvožemio drėgmė Iš mikrobangų jutiklių gaunami duomenys riboja ET modelius, nurodydami, ar šaknų zonoje yra pakankamai vandens transpiracijos poreikiui patenkinti. Kai dirvožemio drėgmė nukrenta žemiau kritinės ribos, faktinis ET greitis nukrenta žemiau potencialaus, net jei energijos yra.

Bastiaanssen ir kt. (apžvelgta leidinyje „Frontiers in Remote Sensing“, 2026 m.) nustatė, kad SEBAL, patvirtintas daugiau nei 30 šalių, pasiekia 85% tikslumas kasdieniams ET įvertinimams ir 95% tikslumas sezoniniams ET įvertinimams lauko mastu.

95% sezoninis tikslumas reiškia, kad pasėlių vandens apskaita visame drėkinimo rajone gali būti patikimai atliekama naudojant tik palydovinius duomenis, todėl nereikia tankių antžeminių stočių tinklų.

Evapotranspiracijos įvertinimo modeliai

1. Energijos balanso modeliai

Energijos balanso modeliai apskaičiuoja ET kaip paviršiaus energijos biudžeto likutį: ET = Rn – G – H. Kiekvienas modelis skiriasi tuo, kaip įvertina jautrųjį šilumos srautą H, kuris yra daugiausiai skaičiavimo pastangų reikalaujantis ir jautriausias paklaidoms komponentas.

i. Paviršiaus energijos balanso algoritmas žemei (SEBAL) buvo sukurtas Bastiaanssen 1998 m. ir išlieka vienu iš plačiausiai pasaulyje taikomų palydovinių ET modelių. SEBAL naudoja tris pagrindinius iš palydovų gautus parametrus: žemės paviršiaus temperatūrą (T0), paviršiaus pusrutulio atspindį (albedą r0) ir NDVI.

Norėdamas įvertinti juntamą šilumos srautą, SEBAL identifikuoja du inkarinius pikselius – “karštąjį pikselį” (sausą pliką dirvožemį, kur ET yra artimas nuliui) ir “šaltąjį pikselį” (gerai laistytus pasėlius, kur ET yra didžiausias) – ir interpoliuoja H visoje scenoje pagal šiuos kraštutinumus. Ši savaiminio kalibravimo funkcija sumažina SEBAL jautrumą absoliučioms kalibravimo paklaidoms meteorologiniuose duomenyse.

ii. Didelės skiriamosios gebos evapotranspiracijos kartografavimas naudojant vidinį kalibravimą (METRIC) modelis pagrįstas SEBAL, tačiau prideda automatinį kalibravimą pagal etaloninį ET, apskaičiuotą iš meteorologijos stoties. METRIC geriau tinka regionams, turintiems išsamius orų duomenų tinklus, ir yra plačiai taikomas operatyviniam drėkinimo valdymui vakarų Jungtinėse Valstijose.

iii. Paviršiaus energijos balanso sistema (SEBS) naudoja turbulentinio srauto teoriją, kad įvertintų juntamą šilumos srautą iš palydovų gauto LST, paviršiaus šiurkštumo ir vėjo greičio. SEBS yra fiziškai tikslesnė nei SEBAL, tačiau reikalauja papildomų įvesties duomenų, todėl ji labiau tinka tyrimams nei operatyviniam ūkio valdymui.

ET modelio pasirinkimas yra ne tik techninis sprendimas – tai sprendimas dėl to, į kokį klausimą bandote atsakyti. Baseino lygmens vandens apskaitai ir lauko lygmens drėkinimo planavimo įrankiui reikalingi iš esmės skirtingi erdvinės skiriamosios gebos ir laiko dažnio lygiai.

iv. Dviejų šaltinių energijos balansas (TSEB) modelis dirvožemį ir lają traktuoja kaip du atskirus ET šaltinius, kurių kiekvienas turi savo temperatūros ir energijos balansą. Šis metodas yra tikslesnis esant retai augmenijai arba mišriai žemės dangai, kur vieno šaltinio modelis gali sujungti dirvožemio garavimą su augalų transpiracija.

2. Augalijos indeksu pagrįsti ET modeliai

Ne visiems ET modeliams reikalingi terminiai vaizdai. Augalijos indeksu pagrįsti modeliai ET įvertina per pasėlių koeficiento metodas (Kc x ET0), kur pasėlių koeficientas Kc gaunamas iš NDVI arba EVI, o etaloninis ET (ET0) gaunamas iš meteorologijos stoties. FAO-56 metodologija įformina šį metodą ir yra plačiai naudojama drėkinimo planavimui, nes jai nereikia terminio diapazono duomenų.

Mašininio mokymosi modeliai, įskaitant Atsitiktinis miškas, Dirbtiniai neuroniniai tinklai (DNT), ir gilaus mokymosi architektūros vis dažniau taikomos ET vertinimui, mokantis sudėtingų netiesinių ryšių tarp iš palydovų gautų įvesties duomenų (LST, NDVI, albedo, LAI) ir srauto bokšto ET matavimų.

2023 m. žurnale „Remote Sensing of Environment“ paskelbtame tyrime nustatyta, kad atsitiktinių miškų modelis, apmokytas naudojant MODIS ir meteorologinius duomenis, prognozavo paros ET su R2 0,87 ir RMSE 0,51 mm/parą įvairiose biomose – tai konkurencinga kaina tradiciniams energijos balanso modeliams, tačiau reikalauja daug mažiau parametravimo pastangų.

„Taylor and Francis Open“ (2021 m.) paskelbtame tyrime nustatyta, kad SEBAL algoritmas, pritaikytas „Landsat 8“ vaizdams virš kukurūzų auginimo regiono Adanos mieste, Turkijoje, pateikė ET įverčius su koreliacijos koeficientas R = 0,91 pagal FAO Penman-Monteith metodą ir RMSE, lygų vos 1,14 mm/dieną.

SEBAL tikslumas lauko mastu reiškia, kad palydovinė ET gali pakeisti arba gerokai sumažinti brangių lizimetrų poreikį veikiančiose drėkinimo valdymo sistemose.

Palydoviniai ET produktai, skirti operacijoms

Keletas pasaulinių ir regioninių ET produktų dabar konvertuoja nuotolinio stebėjimo duomenis į paruoštus naudoti ET duomenų sluoksnius. Praktikams nebereikia kurti savo energijos balanso modelių – jie gali tiesiogiai pasiekti šiuos iš anksto apskaičiuotus duomenų rinkinius.

1. MOD16 ET produktas (NASA) naudoja MODIS duomenis su Penmano-Monteitho algoritmu, pagrįstu MODIS žemės dangos, LAI, EVI ir pasaulinės pakartotinės analizės meteorologiniais duomenimis. Jis teikia 8 dienų ir mėnesinius ET kompozicinius duomenis su 500 metrų skiriamąja geba visame pasaulyje. MOD16 puikiai tinka kraštovaizdžio masto tyrimams, tačiau yra per daug neapdorotas individualiam lauko valdymui.

2. SSEBop JAV geologijos tarnybos sukurtas supaprastintas paviršiaus energijos balanso (Simplified Surface Energy Balance operational) modelis supaprastina SEBAL karštųjų ir šaltųjų pikselių kalibravimo uždavinį, naudodamas iš anksto apibrėžtas temperatūros ribas, gautas iš ilgalaikių klimatologinių duomenų. SSEBop veikia 30 metrų skiriamąja geba, naudodamas „Landsat“ duomenis, ir sudaro vieną iš šešių „OpenET“ ansamblio modelių.

3. OpenET platforma, paleistas 2021 m. ir veikiantis kaip viešojo ir privačiojo sektorių bendradarbiavimo projektas, kuriam vadovauja NASA, USGS, Kalifornijos valstijos universitetas Monterėjaus įlankoje, Aplinkos apsaugos fondas ir Dykumų tyrimų institutas, teikia lauko masto nežemiškų atgimimų duomenis 30 metrų raiška vakarų JAV teritorijose.

2024 m. sausio mėn. žurnale „Nature Water“ paskelbtame svarbiame tyrime, kuriame „OpenET“ įverčiai lyginami su matavimais iš 152 antžeminių srauto matavimo vietų, patvirtinta, kad „OpenET“ pasiekia didelį tikslumą vertinant vienmečius augalus, tokius kaip kviečiai, kukurūzai, soja ir ryžiai, ypač sausringuose regionuose, kur dėl vandens trūkumo drėkinimo tikslumas yra itin svarbus.

4. WaPOR portalas (FAO) teikia ET duomenis apie Afriką ir Artimuosius Rytus 30 metrų, 100 metrų ir 250 metrų skiriamąja geba, specialiai sukurtus žemės ūkio vandens produktyvumo analizei duomenų stokojančiuose besivystančiuose regionuose paremti.

5. ŽVILGĖJIMAS (Visuotinis žemės garavimo Amsterdamo modelis) atskiria žemės garavimą iš transpiracijos, dirvožemio garavimo, perėmimo nuostolių ir atviro vandens garavimo komponentus, remdamasis mikrobangų dirvožemio drėgmės duomenimis ir palydoviniais augmenijos produktais. Jis puikiai skaido žemės garavimo signalą į biologinius ir fizinius komponentus.

Nuotolinio stebėjimo taikymas

1. Tikslus drėkinimas ir pasėlių vandens valdymas

Artimiausias palydovinių ET duomenų pritaikymas yra drėkinimo planavimas. Kai ūkininkas gauna savaitinius lauko mastelio ET žemėlapius, jis gali apskaičiuoti drėkinimo deficitą – skirtumą tarp faktinio ET ir efektyvaus kritulių kiekio – ir panaudoti tiksliai tokį vandens kiekį. Tai pašalina lėtinį per didelio drėkinimo įprotį, kai vanduo švaistomas nepadidinant derliaus.

Kalifornijos Sakramento-San Choakino deltoje vandens išteklių valdytojai naudoja „OpenET“, kad padėtų ūkininkams laikytis valstijos taisyklių, reikalaujančių tikslių vandens naudojimo ataskaitų.

Didelis palydovinių ET duomenų apie vienmečius augalus tikslumas suteikia teisiškai pagrįstą vandens apskaitai pagrindą, kurio negalėtų užtikrinti joks antžeminis metodas tokioje erdvinėje aprėptyje.

2024 m. žurnale „Agricultural Water Management“ (Ott ir kt., 2024; „Desert Research Institute“) paskelbtame tyrime „OpenET“ buvo vertinamas pagal Nevados požeminio vandens baseinų drėkinimo duomenis.

Deimantų slėnyje „OpenET“ skaičiavimai parodė tik 7% skirtumas nuo matuojamo vandens naudojimo duomenų, įrodant eksploatacinį patikimumą reglamentuojamo požeminio vandens valdymo srityje.

7% paklaidos riba baseino mastu reiškia, kad palydoviniai ET duomenys gali pakeisti brangią matavimo infrastruktūrą regionuose, kuriuose gruntinis vanduo yra kritiškai išeikvotas.

2. Sausros vertinimo ir ankstyvojo perspėjimo sistemos

Sausros stebėsena yra dar viena didelį poveikį turinti taikymo sritis. Garavimo įtempio indeksas (ESI), gautas iš ECOSTRESS ir MODIS šiluminių duomenų, matuoja faktinio ET ir potencialaus ET santykį.

Kai ESI gerokai nukrenta žemiau 1,0, tai rodo, kad augalai patiria vandens stresą – tai patikimas ankstyvas žemės ūkio sausros rodiklis, dažnai aptinkamas 4–8 savaites prieš tai, kai pasėlių derliaus nuostoliai tampa išmatuojami.

USDA Nacionalinis sausros mažinimo centras integruoja palydovinius ET pagrįstus sausros indeksus į operacinius sausros stebėjimo žemėlapius, kuriuos naudoja valstijų vyriausybės, pasėlių draudimo agentūros ir ekstremalių situacijų valdymo institucijos. Dėl šios integracijos reagavimas į sausrą tampa greitesnis ir tikslingesnis nei taikant kalendoriumi ar krituliais pagrįstus metodus.

3. Vandens išteklių valdymas baseino mastu

Baseino masto vandens apskaitai reikia žinoti, kiek vandens išeina iš sausumos paviršiaus kaip eterinis vanduo milijonuose hektarų. Būtent tai pasauliniu mastu teikia palydoviniai eterinio vandens produktai, tokie kaip MOD16, GLEAM ir WaPOR.

• Rezervuarų valdymo agentūros Naudokite ET duomenis, kad įvertintumėte baseino vandens išeigą – skirtumą tarp kritulių ir ET – kuris lemia, kiek vandens iš tikrųjų pasiekia upes ir rezervuarus.
• Tarpvalstybinės upių baseinų institucijos taikyti palydovinį ET, kad būtų galima nepriklausomai patikrinti nacionalines vandens naudojimo ataskaitas, nereikalaujant prieigos prie nacionalinių antžeminių duomenų tinklų.
• Drėkinimo rajonų vadovai Naudokite elektroninę vandens technologiją (ET), kad galėtumėte stebėti vandens suvartojimą pagal pasėlių tipą visose aptarnavimo zonose, palaikydami teisingą vandens paskirstymą ir atitiktį teisės aktams.

4. Aplinkosaugos ir ekologinis pritaikymas

Pelkių eterinio vandens stebėjimas naudojant palydovinius duomenis kiekybiškai įvertina ekosistemų vandens naudojimą sunkiai pasiekiamose pelkėse, durpynuose ir upių žiotyse, kur negalima dislokuoti antžeminių jutiklių. Miškų eterinio vandens stebėjimas atskleidžia, kaip miškų kirtimas, miškų atkūrimas ir gaisrai keičia vandens balansą ištisuose vandens baseinuose – tai itin svarbūs duomenys miškų anglies dioksido apskaitai ir vandens tiekimo planavimui.

Evapotranspiracija yra nematomas siūlas, jungiantis kiekvieną Žemės augalą su pasauliniu vandens ciklu. Nuotolinis stebėjimas yra vienintelė priemonė, kurią turime matyti tokiu mastu, kuris yra svarbus vandens valdymui.

Palydovinių ET produktų tikslumo vertinimas ir patvirtinimas

Joks ET produktas nėra naudingas be griežto patvirtinimo. Standartinis metodas lygina palydovų ET įverčius su matavimais, gautais iš sūkurinių kovariacijos srauto bokštų – tiksliausiu įmanomu ET įvertinimu kraštovaizdžio mastu.

Pasaulinis FLUXNET tinklas teikia atviros prieigos srauto bokštų duomenis iš šimtų vietų įvairiose biomose. ET produktų kūrėjai lygina savo modelių rezultatus su FLUXNET matavimais, kad apskaičiuotų statistinius našumo rodiklius, įskaitant

• R2 (koreliacijos koeficientas),
• RMSE (vidutinė kvadratinė paklaida) ir
• Šališkumas (sistemingas pervertinimas arba nepakankamas vertinimas).

Skirtingų žemės dangos tipų, klimato zonų ir metų laikų patvirtinimas atliekamas atskirai, nes ET modelio tikslumas šiomis sąlygomis labai skiriasi.

Tokie energijos balanso modeliai kaip SEBAL ir METRIC paprastai geriausiai veikia pusiau sausringuose žemės ūkio kraštovaizdžiuose su giedru dangumi. Veikimas blogėja drėgnuose atogrąžų miškuose, sudėtingame kalnuotame reljefe ir dažnai debesuotose vietose.

„Nature Water“ paskelbtame „OpenET“ tikslumo tyrime buvo palyginti šeši ET modeliai su matavimais iš 152 srauto bokštų vietos visoje Jungtinėse Valstijose nustatyta, kad „OpenET“ ansamblis pasiekė geriausių rezultatų būtent vienmečių augalų auginimo srityje sausringuose vakariniuose regionuose – vietovėse, kuriose drėkinimo valdymas yra ekonomiškai ir ekologiškai svarbiausias.

Vandens valdytojai sausringuose regionuose gali labai užtikrintai naudoti „OpenET“ duomenis drėkinimo atitikčiai ir vandens biudžeto stebėjimui, taip pakeisdami brangią matavimo infrastruktūrą.

Nuotolinio stebėjimo ET stebėjimo iššūkiai

Nepaisant sparčios pažangos, keli techniniai ir operaciniai iššūkiai riboja palydovinio ET stebėjimo tikslumą ir pritaikomumą.

1. Debesuotumo apribojimai: Optiniam ir šiluminiam nuotoliniam stebėjimui reikalingos debesų neturinčios sąlygos. Drėgnuose tropiniuose regionuose arba musonų sezonų metu dėl nuolatinės debesuotumo gali atsirasti savaičių ar mėnesių trukmės duomenų spragos, nutraukiant laikiną tęstinumą, kurio reikalauja drėkinimo valdymas.

2. Erdvinės skiriamosios gebos apribojimai: MODIS, dažniausiai laikmačiu aptinkamas palydovas, teikia 500 metrų raiškos ET duomenis – per netikslūs duomenys mažesniems nei maždaug 25 hektarų laukams. „Landsat“ 30 metrų raiška tinka daugumai žemės ūkio laukų, tačiau turi 16 dienų pakartotinio stebėjimo ciklą, todėl neatsižvelgiama į staigius vandens streso pokyčius.

3. Laikinosios skiriamosios gebos kompromisai: Didelė erdvinė skiriamoji geba („Landsat“, „Sentinel-2“, ECOSTRESS) ir didelė laikinė skiriamoji geba („MODIS“, VIIRS“) egzistuoja atvirkštiniu ryšiu. Norint panaikinti šį atotrūkį, reikalingi duomenų suliejimo metodai.

4. Modelio prielaidos nevienalyčiuose kraštovaizdžiuose: Vieno šaltinio energijos balanso modeliuose daroma prielaida, kad medžių laja yra vienoda, o ji suyra esant retai augmenijai, mišrioms pasėlių sistemoms arba miesto ir žemės ūkio sąsajoms, kur dirvožemio ir augalų temperatūros smarkiai skiriasi.

5. Duomenų prieinamumas besivystančiuose regionuose: Antžeminių meteorologinių stočių duomenų, reikalingų ET modeliams apriboti, trūksta daugelyje Užsachario Afrikos, Pietų Azijos ir Centrinės Azijos regionų – būtent tuose regionuose, kuriuose labiausiai reikia geresnio vandens išteklių valdymo.

Naujos technologijos ir ateitis ET stebėsenoje

Keletas suartėjančių technologinių pokyčių yra pasirengę smarkiai išplėsti nuotolinio stebėjimo ET stebėsenos tikslumą, aprėptį ir prieinamumą per ateinančius penkerius–dešimt metų.

1. Dirbtinis intelektas, mašininis mokymasis ir duomenų sintezė

Gilaus mokymosi modeliai, apmokyti naudojant didelius daugiajutiklių duomenų rinkinius, tam tikruose kraštovaizdžiuose pradeda pranokti klasikinius energijos balanso modelius. Konvoliuciniai neuroniniai tinklai gali vienu metu integruoti „Landsat“, „Sentinel-2“, MODIS ir meteorologinės pakartotinės analizės duomenis, mokydamiesi erdvinių-laikinių Žemės atmosferos modelių, kurių neužfiksuoja joks vieno jutiklio modelis.

Tuo tarpu duomenų suliejimo algoritmai, iš kurių ryškiausias yra STARFM (erdvinės ir laikinės adaptyviosios atspindžio sintezės modelis) metodas, sujungia didelės skiriamosios gebos „Landsat“ vaizdus su kasdieniais MODIS duomenimis, kad būtų sukurti sintetiniai kasdieniai ET žemėlapiai su 30 metrų skiriamąja geba, efektyviai išspręsdami erdvės ir laiko kompromisą, kuris šiuo metu riboja tiksliosios žemdirbystės taikymus.

2. Didelės skiriamosios gebos šiluminiai palydovai ir „CubeSat“ žvaigždynai

Naujos kartos specializuoti terminio Žemės stebėjimo palydovai teiks mažesnius nei 30 metrų terminius vaizdus, kuriuos bus galima peržiūrėti kasdien.

Planuojamos misijos, įskaitant „Landsat Next“ įpėdinį ir komercinius „CubeSat“ šiluminius palydovus, panaikins istorinį kompromisą tarp erdvinio detalumo ir laiko dažnio, kuris ribojo lauko masto nežemiškų ateičių stebėjimą.

Kaip pažymėta „Future Market Insights“ ataskaitoje (2025 m.), prognozuojama, kad nuotolinio stebėjimo paslaugų rinka, kurios vertė 2025 m. siekė 22,87 mlrd. JAV dolerių, iki 2035 m. pasieks 84,28 mlrd. JAV dolerių, o tam didelę įtaką darys ŽPO palydovų žvaigždyno plėtra.

3. Skaitmeniniai dvyniai vandens valdymui

Skaitmeninių dvynių sistemos – dinaminės virtualios žemės ūkio kraštovaizdžio kopijos, kurios atnaujinamos beveik realiuoju laiku iš palydovų ir daiktų interneto jutiklių duomenų – integruoja nuotolinius stebėjimus iš ET kaip pagrindinį duomenų srautą. Šios sistemos sinchronizuoja palydovinius ET žemėlapius, dirvožemio drėgmės jutiklių duomenis, orų prognozes ir pasėlių augimo modelius, kad imituotų būsimą lauko vandens būklę ir automatiškai paskirtų drėkinimą.

ET stebėjimo programinė įranga ir įrankiai

Dėl gausaus platformų rinkinio nuotolinio stebėjimo ET analizė dabar prieinama specialistams, neturintiems gilių programavimo žinių.

1. „Google Earth“ variklis (GEE) yra debesijos pagrindu sukurta geoprinių skaičiavimų platforma, kurioje saugomi visi „Landsat“, „MODIS“, „Sentinel“ ir „ECOSTRESS“ archyvai kartu su iš anksto sukurtais Žemės atmosferos algoritmais. Analitikai gali atlikti Žemės atmosferos skaičiavimus, apimančius daugelio metų duomenis ištisiems regionams, neatsisiųsdami jokių vaizdų vietoje. GEE tapo dominuojančia tyrimų platforma didelių plotų Žemės atmosferos žemėlapių sudarymui.

2. OpenET platforma teikia žiniatinklio sąsają, kurioje bet kuris registruotas vartotojas gali pasiekti lauko masto ET duomenis apie žemės ūkio paskirties žemę visoje vakarų JAV. Vartotojai gali eksportuoti dienos, mėnesio ar sezonines ET santraukas atskiriems laukams arba visiems vandens valdymo rajonams, nereikalaujant jokių programavimo žinių.

3. WaPOR portalas (FAO) teikia panašią „rodyk ir spustelėk“ tipo ET atsisiuntimo sąsają Afrikai ir Artimiesiems Rytams su tiesioginėmis nuorodomis į žemės ūkio vandens produktyvumo rodiklius.

4. Python ir R darbo eigos Naudodami tokias bibliotekas kaip „Rasterio“, „Xarray“, „Geopandas“ („Python“) arba „Terra, Raster“ (R), tyrėjai gali kurti individualius nežemiškų objektų apdorojimo srautus, kurie integruoja palydovinius duomenis su vietiniais meteorologiniais įrašais, pasėlių modeliais ir drėkinimo duomenų bazėmis.

Nuotolinio stebėjimo ET stebėjimo atvejų analizės

1. Drėkinimo valdymas sausringuose regionuose

Jungtinių Valstijų Aukštųjų lygumų vandeningojo sluoksnio regione – vienoje iš intensyviausiai drėkinamų žemės ūkio zonų Žemėje – Dykumų tyrimų instituto tyrėjai įrodė, kad „OpenET“ duomenys, integruoti su klimato duomenų rinkiniais, gali pakankamai tiksliai įvertinti požeminio vandens pumpavimo tūrius, kad būtų galima pagrįstai valdyti mažėjančio vandeningojo sluoksnio lygį.

Tyrime palydovų ET įverčiai buvo palyginti su matuojamų siurblių įrašais, ir daugumoje tyrimo baseinų nustatytas mažesnis nei 17% nuokrypis – tokio tikslumo lygio pakanka vandens teisių administravimui.

2. Tikslusis ūkininkavimas įvairių rūšių pasėliuose

Nuotolinio stebėjimo ET stebėsena buvo įdiegta medvilnės drėkinimo planavimui naudojant SEBAL ir METRIC modelius, kad būtų galima nustatyti faktinį ET atskiruose laukuose auginimo sezono metu.

Astrofizikos duomenų sistemoje (2020 m.) paskelbti tyrimai parodė, kad abu modeliai aptiko didesnį nei tikėtasi faktinį išgaravimą ankstyvosiose pasėlių stadijose dėl didelio garavimo iš plikos dirvos – tai atradimas, kad standartinis pasėlių koeficiento metodas sistemingai nepasiteisino, todėl tuo kritiniu laikotarpiu buvo perlaistoma.

3. Vandens apskaita baseino mastu

FAO WaPOR platforma buvo naudojama vandens produktyvumo analizei atlikti drėkinimo sistemose Etiopijoje, Egipte ir Jordanijoje, kiekybiškai įvertinant ET vienam pagamintai pasėlių biomasės vienetui.

Šios analizės nustatė laukus, kurių vandens produktyvumas buvo mažesnis už baseino vidurkį, ir tai suteikė erdvinę įrodymų bazę tikslinėms plėtros programoms, skirtoms drėkinimo efektyvumui gerinti nepakankamai našiuose regionuose.

Geriausia ET stebėsenos metodo pasirinkimo praktika

Tinkamo palydovinių duomenų, ET modelio ir patvirtinimo strategijos derinio pasirinkimas priklauso nuo konkretaus atsakomo klausimo, turimų išteklių ir priimtino neapibrėžtumo lygio.

1. Pirmiausia apibrėžkite erdvinį ir laiko mastelį. Mėnesinė vandens apskaita baseino mastu reikalauja kitokios priemonės nei kasdienis drėkinimo planavimas lauko mastu. Prieš pasirinkdami bet kokį modelį, priderinkite palydovinės platformos skiriamąją gebą ir pakartotinių patikrinimų dažnį prie valdymo poreikių.

2. Priderinkite modelį prie kraštovaizdžio tipo. Energijos balanso modeliai, tokie kaip SEBAL ir METRIC, geriausiai veikia pusiau sausringuose, pasėlių dominuojamuose kraštovaizdžiuose su giedru dangumi. Augalijos indeksu pagrįsti modeliai geriau veikia regionuose, kuriuose yra riboti šiluminių duomenų prieinamumas. Mašininio mokymosi modeliai geriausiai veikia, kai yra prieinami dideli, vietoje patvirtinti mokymo duomenų rinkiniai.

3. Visada patikrinkite vietoje. Net ir tiksliausias pasaulinis nežemiškų duomenų produktas prieš diegimą turėtų būti patvirtintas bent su vienu vietiniu srauto bokšto arba lizimetro duomenų rinkiniu. Paskelbtų tyrimų našumo rodikliai retai tiksliai pritaikomi naujoms vietovėms ir pasėlių rūšims.

4. Planuokite debesuotumo tarpus. Drėgnose arba tropinėse vietovėse duomenų suliejimo arba spragų užpildymo strategijas planuokite nuo pat pradžių. Pasikliaujant vienu šiluminiu palydovu su 16 dienų pakartotinių apsilankymų ciklu, kritiniais augalų augimo laikotarpiais atsiras nepriimtinų duomenų spragų.

5. Kur įmanoma, naudokite atviras platformas. „Google Earth Engine“, „OpenET“ ir „WaPOR“ suteikia prieigą prie patvirtintų, gerai dokumentuotų ET produktų nemokamai. Pasirinktinio ET modelio kūrimas nuo nulio retai pateisinamas, nebent to reikalauja unikalios vietos sąlygos.

6. Integruoti ET duomenis su esamomis ūkio valdymo sistemomis. ET duomenys yra vertingiausi, kai jie tiesiogiai tiekiami į drėkinimo planavimo programinę įrangą, sprendimų priėmimo įrankius arba vandens apskaitos duomenų bazes, o ne egzistuoja kaip atskiras palydovinis išvestis.

Išvada

Garavimo išgaravimo stebėjimas nuotoliniu būdu išsivystė iš eksperimentinės tyrimų disciplinos į itin svarbią žemės ūkio vandens valdymo operacinę priemonę. Vis tikslesnių palydovinių ET produktų, atviros prieigos platformų, tokių kaip „OpenET“ ir „WaPOR“, ir dirbtinio intelekto valdomos duomenų sintezės derinys šalina kliūtis, kurios anksčiau ribojo palydovinį ET stebėjimą gerai finansuojamoms mokslinių tyrimų įstaigoms.

Dabartinės galimybės yra didelės: energijos balanso modeliai, patvirtinti 30 ar daugiau šalių, palydoviniai ET produktai, kurių sezoninis tikslumas pagrindiniams vienmečiams augalams yra didesnis nei 90%, ir debesijos platformos, teikiančios lauko masto ET duomenis bet kuriam ūkininkui ar vandens valdytojui, turinčiam interneto ryšį. Šios galimybės jau naudojamos drėkinimo atitikčiai Kolorado upėje valdyti, gruntinio vandens išeikvojimui Aukštųjų lygumų vandeningajame sluoksnyje stebėti ir žemės ūkio vandens produktyvumui visoje Afrikoje gerinti naudojant FAO WaPOR sistemą.

Ryžiais visame pasaulyje maitina daugiau nei 3,5 milijardo žmonių, tačiau, remiantis Tarptautinio ryžių tyrimų instituto (IRRI) 2024 m. pasaulinio ryžių atlaso atnaujinimu, mažiau nei 601 TP3 T ryžių auginimo plotų turi tikslius ir atnaujintus auginimo žemėlapius. Ryžių auginimo modelio ir kultūrinio tipo žemėlapių sudarymas naudojant nuotolinį stebėjimą sparčiai mažina šią spragą, pateikiant erdviškai tikslius, laike suderintus duomenis tokiu mastu, kurio negali atitikti jokie antžeminiai tyrimai.

Nuo drėkinamų dvigubo pasėlių žemumų atpažinimo Vietnamo Mekongo deltoje iki lietaus laistomų vieno sezono laukų nustatymo Užsachario Afrikoje – palydovinės ir radarinės sistemos dabar teikia žvalgybos duomenis, kurių reikia ūkininkams, vyriausybėms ir maisto saugos agentūroms, kad jos galėtų užtikrintai planuoti. Dirbtiniam intelektui ir debesų kompiuterijai spartėjant duomenų apdorojimui, tikimasi, kad iki 2027 m. beveik realiuoju laiku vykdomas ryžių stebėjimas taps pasauliniu standartu.

Kodėl ryžiai svarbūs ir kodėl juos sunku stebėti

1. Ryžių gamyba ir pasaulinė aprūpinimo maistu lygtis

Ryžiai yra pagrindinis kalorijų šaltinis daugiau nei pusei pasaulio gyventojų, ir jų svarba gerokai peržengia individualios mitybos ribas. Pasaulinė ryžių gamyba siekė maždaug 520 milijonų metrinių tonų nulukštentų ryžių 2024 m., remiantis FAO duomenimis, Azijai tenka beveik 901 TP3 t šios produkcijos.

Bet koks reikšmingas ryžių tiekimo sutrikimas, nesvarbu, ar tai būtų sausra, potvynis, kenkėjų protrūkis, ar politikos nesėkmė, sukelia staigius maisto kainų šuolius, kurie neproporcingai paveikia skurdžiausias pasaulio šeimas.

Norint išlaikyti aprūpinimą maistu tokiu mastu, reikia daugiau nei tiesiog užauginti pakankamai ryžių. Reikia tiksliai žinoti, kur auginami ryžiai, kiek kartų per metus kiekvienas laukas apdirbamas ir kokie ūkininkavimo metodai taikomi. Vyriausybėms reikia šių duomenų, kad galėtų paskirstyti drėkinimo infrastruktūrą, subsidijuoti sąnaudas ir sukaupti rezervus nenumatytiems atvejams.

Iššūkis yra tas, kad ryžiai auginami nepaprastai suskaidytuose kraštovaizdžiuose – nuo terasuotų kalvų Filipinuose iki plačių drėkinamų lygumų Kinijoje, todėl įprastiniai kiekvieno lauko tyrimai nacionaliniu ar regioniniu mastu yra logistiškai ir finansiškai nepraktiški.

2. Sistemingo ryžių auginimo modelio stebėjimo poreikis

Ryžių auginimo modeliai, t. y. ryžių auginimo sezonų skaičius per metus ir jų pasiskirstymas kraštovaizdyje, nuolat kinta. Klimato kintamumas kai kuriuose regionuose sutrumpina auginimo laikotarpius, o kituose – juos pailgina. Ekonominiai signalai skatina ūkininkus pereiti nuo vieno prie dviejų derliaus nuėmimo, kai vandens prieinamumas ir rinkos kainos sutampa.

Be sistemingo stebėjimo planuotojai dirba su surašymo duomenimis, kurie gali būti pasenę penkeriais ar daugiau metų, todėl vanduo, trąšų subsidijos ir kaimo kreditai nuolat paskirstomi neteisingai. Nuotolinis stebėjimas siūlo sprendimą šiam stebėjimo trūkumui, per kelias dienas pateikiant nuoseklius, pakartojamus stebėjimus visose šalyse.

Užuot pasikliavusios ūkininkų savarankiškai pateiktais duomenimis ar surašytojų apklausomis, palydovinės sistemos tiesiogiai stebi kraštovaizdį, fiksuodamos, kaip ryžių laukai keičiasi dėl potvynių, persodinimo, vegetatyvinio augimo ir derliaus nuėmimo kiekvienu metų laiku.

3. Ką nuotolinis stebėjimas suteikia žemės ūkio kartografavimui

Nuotolinis stebėjimas – tai mokslas, kurio metu per atstumą gaunama informacija apie objektus ar vietoves, paprastai naudojant jutiklius, sumontuotus palydovuose, orlaiviuose ar bepiločiuose orlaiviuose (UAV). Žemės ūkio kontekste jutikliai matuoja pasėlių, dirvožemio ir vandens atspindėtą ar skleidžiamą energiją įvairiais elektromagnetinio spektro bangos ilgiais.

Kadangi skirtingi žemės dangos tipai skirtingais augimo etapais atspindi energiją, palydoviniai vaizdai gali atskirti ryžių lauką nuo kukurūzų lauko, o užtvindytą persodintą ryžių plotą nuo sauso tiesiogiai sėjamo ryžių ploto, o šis tikslumas didėja tobulėjant jutiklių technologijoms. Ryžių auginimo modelio ir kultūrinio tipo kartografavimas naudojant nuotolinį stebėjimą padeda pasiekti keturis tarpusavyje susijusius tikslus.

• Pirma, ji pateikia erdviškai aiškius ryžių auginimo vietų sezoninius ir metinius inventorius.
• Antra, jame klasifikuojama, kiek auginimo ciklų per metus pasitaiko kiekvienoje žemėlapyje pažymėtoje vietovėje, išskiriant vieno, dvigubo ir trigubo pasėlių sistemas.
• Trečia, jame nurodomi naudojami kultūriniai metodai, pavyzdžiui, ar laukas persodinamas, ar sėjamas tiesiogiai, ar kontroliuojamas vandens valdymas, ar laistomas lietaus vandeniu.
• Ketvirta, ji generuoja pradinius duomenis, kurie naudojami gamybos prognozėms, vandens biudžeto sudarymui, prisitaikymo prie klimato kaitos planavimui ir tiksliosios žemdirbystės sistemoms.

Ryžių auginimo sistemų ir kultūrinių tipų supratimas

1. Ką iš tikrųjų reiškia ryžių auginimo modelis

Ryžių auginimo modelis apibūdina ryžių auginimo laiko išdėstymą per kalendorinius metus tam tikroje vietoje. Jis parodo ne tik tai, ar ryžiai auginami, bet ir kiek kartų, kada prasideda ir baigiasi kiekvienas sezonas, ir kokie pasėliai, jei tokių yra, seka arba yra prieš ryžius tame pačiame lauke. Šių modelių kartografavimas visame regione suteikia planuotojams dinamišką žemės naudojimo intensyvumo ir išteklių poreikio vaizdą, kurio niekada negalėtų pateikti viena momentinė nuotrauka.

2. Vieno derliaus ryžių sistemos

Vieno pasėlio (monokropolio) sistemose ūkininkai augina vieną ryžių sezoną per metus, paprastai derindami jį su musoniniu lietinguoju sezonu arba vienu kontroliuojamu drėkinimo ciklu. Šios sistemos vyrauja regionuose, kur vandens prieinamumas, darbo jėga ar klimatas riboja antrojo sezono galimybę.

Vieno pasėlio sistemos paprastai turi ilgesnius vegetacijos laikotarpius per sezoną, dažnai naudojant tradicines arba patobulintas ilgai auginimo veisles, ir jos yra neproporcingai gerai drėkinamos lietaus, todėl jos labai jautrios kritulių laikui ir pasiskirstymui.

3. Dvigubo derliaus ryžių sistemos

Dvigubo pasėlių auginimo sistemos leidžia iš to paties lauko nuimti du ryžių derlius per metus. Jos labiausiai paplitusios Pietryčių ir Pietų Azijoje, įskaitant Raudonosios upės deltą Vietname, Bangladešo užliejamas lygumas ir drėkinamus Indijos Pandžabo rajonus.

Laiko skirtumas tarp dviejų sezonų yra mažas, dažnai mažesnis nei 30 dienų, todėl norint nustatyti dvigubo pasėlių plotus pagal palydovinius duomenis, reikia atlikti tankius laiko eilučių stebėjimus, kad būtų galima aptikti du pilnus fenologinius ciklus per vienerius metus.

4. Trigubo derliaus ryžių sistemos

Trigubas ryžių derlius, nuimant tris ryžius per metus, taikomas ribotose vietovėse, kuriose ištisus metus išlieka palankios vandens sąlygos ir temperatūra. Pietų Vietnamo Mekongo delta ir kai kurios Guangdongo provincijos dalys pietų Kinijoje palaiko trigubo derliaus sistemas.

Nors trigubo pasėlių derlingumo sistemos maksimaliai padidina žemės naudojimo intensyvumą, jos kelia didelių iššūkių dirvožemio derlingumui ir kenkėjų kontrolei. Nuotolinis šių laukų identifikavimas yra techniškai sudėtingas, nes trumpi pūdymo laikotarpiai tarp pasėlių suspaudžia fenologinius signalus į siaurus intervalus.

5. Lietaus drėkinamų ryžių auginimas

Tarptautinio ryžių tyrimų instituto (IRRI) duomenimis, lietaus drėkinami ryžiai, auginami vien tik krituliais, be dirbtinio vandens tiekimo, sudaro maždaug 451 TP3 t viso ryžių ploto pasaulyje. Tai dominuojanti sistema Užsachario Afrikoje, Pietų ir Pietryčių Azijos kalnuotose vietovėse ir nuo lietaus priklausomose užliejamose lygumose.

Lietaus laistomos sistemos yra labai jautrios kritulių kiekio kintamumui, todėl kai kuriuose regionuose derlius svyruoja 30–50% tarp drėgnų ir sausų metų. Nuotolinio stebėjimo požiūriu, lietaus laistomus ryžius sunkiau kartografuoti, nes potvynio signalas yra silpnesnis ir netolygesnis nei drėkinamuose laukuose.

6. Laistomų ryžių auginimas

Laistomų ryžių sistemos vandenį gauna kanalais, siurbliais arba valdomais rezervuarais, todėl ūkininkai gali labai tiksliai kontroliuoti sodinimo ir derliaus nuėmimo laiką. Laistomi ryžiai šiuo metu užima tik apie 551 TP3 T pasaulinio ryžių ploto, tačiau sudaro 751 TP3 T visos ryžių produkcijos, o tai rodo vandens tiekimo saugumo teikiamą derliaus pranašumą.

Tyčinis drėkinamų laukų užtvindymas sukuria stiprų ir nuoseklų radaro atspindžio signalą, kurį patikimai aptinka palydoviniai jutikliai, todėl drėkinami ryžiai yra vieni tiksliausiai pasaulyje užfiksuotų pasėlių rūšių.

7. Aukštumų ir žemumų ryžių sistemos

Kalnų ryžiai auginami neužliejamuose, gerai drenuotuose dirvožemiuose, dažnai kalvų šlaituose ar terasose Azijoje ir Afrikoje. Kadangi šie laukai niekada nėra tyčia užliejami, juose trūksta vandens signalo, kuris leistų atpažinti žemumų ryžius radaru, todėl tyrėjai turi pasikliauti vien spektriniais augmenijos modeliais.

Tuo tarpu žemumų ryžiai auginami lygiuose arba sekliai užliejamuose laukuose, kur vanduo kaupiasi natūraliai arba drėkinant. Žemumų sistemos dominuoja Azijos ryžių dubenų regionuose ir yra pagrindinis daugelio didelio masto kartografavimo pastangų taikinys.

Morfologinis kontrastas tarp aukštumų ir žemumų laukų, įskaitant lauko formą, topografinę padėtį ir medžių lajos struktūrą, suteikia papildomų erdvinių užuominų, kurias galima efektyviai panaudoti atliekant objektinę vaizdų analizę.

8. Tiesiogiai sėti ir persodinti ryžiai

Persodinami ryžiai – tai daigų auginimas medelyne 25–30 dienų, o tada rankiniu arba mechaniniu būdu perkeliami į pagrindinį lauką. Tuo tarpu tiesiogiai sėjant ryžius, sėklos sėjamos tiesiai į paruoštą lauką be daigyno.

Šie du metodai palydoviniuose duomenyse sukuria išmatuojamus skirtingus laiko parašus: persodintuose laukuose maždaug po trijų savaičių po užliejimo pastebimas ryškus, sinchronizuotas žalumas, o tiesiogiai sėtuose laukuose lajos vystymasis nuo sėjos dienos yra laipsniškesnis. Šis fenologinis skirtumas, subtilus, bet realus, aptinkamas atliekant kruopščią vegetacijos indeksų laiko eilučių analizę.

Nuotolinio stebėjimo įrankiai ir technologijos ryžių kartografavimui

1. Nuotolinio stebėjimo fizikinis principas

Kiekvienas augalas atspindi, sugeria ir praleidžia saulės spinduliuotę pagal jo lapų biochemiją, lajos struktūrą ir vandens kiekį. Žali lapai stipriai sugeria raudoną šviesą fotosintezei, tuo pačiu atspindėdami didelę dalį artimojo infraraudonojo spektro (NIR) energijos. Tuo tarpu užlieti dirvožemiai sugeria beveik visą gaunamą spinduliuotę.

Šie kontrastingi atsakai sukuria nuspėjamus spektrinius parašus, kuriuos palydovų jutikliai gali įrašyti nuosekliai, leisdami analitikams stebėti pasėlių būklę, augimo stadiją ir lauko lygmens valdymo sprendimus net nesilankant lauke.

2. Optinis nuotolinis stebėjimas

Optiniai jutikliai aptinka atspindėtą saulės spinduliuotę ir sukuria vaizdus, kurie labai panašūs į tai, ką žmogaus akis matytų, jei būtų išplėsta iki infraraudonųjų spindulių. Ryžių kartografavimo tyrimuose dominuoja trys optinės platformos.

Landsat (NASA ir USGS nuo 1972 m. valdoma palydovų serija) teikia 30 metrų erdvinės skiriamosios gebos vaizdus su 16 dienų peržiūrų ciklu. Dėl ilgo laiko archyvo jis yra būtinas ryžių plotų pokyčių per dešimtmečius tyrimams. Tačiau 16 dienų pasikartojimas reiškia, kad kai kurie fenologiniai įvykiai per trumpą vegetacijos sezoną tarp stebėjimų gali būti nepastebėti.

Sentinel-2 (valdomas Europos kosmoso agentūros, paleistas 2015 ir 2017 m. kaip dviejų palydovų žvaigždynas) patobulina „Landsat“ su 10–20 metrų skiriamąja geba ir 5 dienų sugrįžimo ciklu ties pusiauju. Šie du patobulinimai kartu leidžia tiksliau nustatyti lauko ribas ir geriau imti fenologinius mėginius, o naujausiuose didelio tikslumo ryžių kartografavimo tyrimuose, įskaitant tuos, kurie buvo paskelbti ISPRS žurnale „Photogrammetry and Remote Sensing“ 2024 m., „Sentinel-2“ naudojamas kaip pagrindinis optinis duomenų šaltinis.

MODIS MODIS (vidutinės skiriamosios gebos vaizdavimo spektroradiometras), esantis NASA „Terra“ ir „Aqua“ palydovuose, užtikrina 250–500 metrų skiriamąją gebą ir galimybę peržiūrėti duomenis kasdien. Nors MODIS duomenys yra per smulkūs atskirų laukų žemėlapiams sudaryti, jie išlieka vertingi vertinant nacionalinio ir žemyno masto pasėlių intensyvumą, kai didelė erdvinė skiriamoji geba yra mažiau svarbi nei laiko tankis.

3. Radarinis nuotolinis stebėjimas

Sintetinės apertūros radaras (SAR) yra radaro pagrindu sukurta technologija, kuri siunčia mikrobangų impulsus į Žemės paviršių ir matuoja į jutiklį išsklaidytą energiją. Skirtingai nuo optinių jutiklių, SAR veikia nepriklausomai nuo debesuotumo ir saulės šviesos, o tai reiškia, kad duomenis jis gauna vienodai gerai tiek debesuotą musoninę naktį, tiek giedrą sausringo sezono dieną.

Ši savybė yra nepaprastai svarbi ryžių kartografavimui tropinėje Azijoje, kur optiniai jutikliai dėl debesų užtvaros paprastai praranda vegetacijos sezono savaites.

Sentinel-1 (ESA) perduoda C diapazono mikrobangų energiją (bangos ilgis maždaug 5,6 cm) ir teikia nemokamus, pasaulinius SAR duomenis 10 metrų skiriamąja geba su 6–12 dienų pasikartojimo ciklu. Ryžių laukai sąveikauja su SAR signalais savitu būdu:

• užlieti laukai veikia kaip beveik idealus veidrodis, atspindintis didžiąją dalį radaro energijos nuo jutiklio (sukuriant mažas atgalinės sklaidos vertes), o
• Augantis ryžių vainikas vis labiau išsklaido energiją atgal į jutiklį, didėjant augalų tankumui ir lapų plotui.

Ši atgalinės sklaidos trajektorija laikui bėgant, maža potvynio ir persodinimo metu, kylanti vegetacinėse stadijose ir vėl mažėjanti po žydėjimo, sudaro ryžiams būdingą radaro fenologinį parašą.

Nguyen ir kt. (Nuotolinis aplinkos stebėjimas, 2023 m.) nustatė, kad „Sentinel-1“ SAR laiko eilučių klasifikacija buvo pasiekta 92.3% bendras tikslumas kartografuojant ryžių auginimo sezonus trijose Vietnamo Mekongo deltos provincijose, įskaitant trijų pasėlių zonas, kuriose optiniai duomenys nebuvo prieinami daugiau nei 60% auginimo laikotarpio dėl debesuotumo.

Atogrąžų ryžių auginimo regionuose SAR pagrįsti metodai yra ne tik optinio jutimo alternatyva, bet ir dažnai vienintelė patikima sezoninio kartografavimo galimybė musonų mėnesiais.

4. Kelių jutiklių duomenų integravimas

Nė vienas jutiklis nesiūlo idealaus erdvinio detalumo, laiko tankio ir debesų prasiskverbimo derinio. Todėl tiksliausios ryžių žemėlapių sudarymo sistemos integruoja kelis jutiklių tipus į vieną analitinę sistemą.

Įprasta architektūra sujungia „Sentinel-1“ SAR debesų neturinčiam laiko stebėjimui su „Sentinel-2“ optiniais duomenimis spektriniam sodrumui giedrais laikotarpiais nustatyti ir naudoja MODIS kaip didelės skiriamosios gebos inkarą fenologiniam modeliui aptikti regioniniu mastu.

Kai šie duomenų srautai algoritmiškai sujungiami, bendras duomenų rinkinys gali nustatyti pasėlių ribas, nustatyti persodinimo datas ir priskirti kultūrinių tipų klasifikacijas tokiu tikslumu, kokio negali pasiekti joks vienas jutiklis.

Ryžių auginimo modelių nustatymas iš palydovinių duomenų

1. Ryžių augimo etapų laikiniai parašai

Ryžiai pereina aiškiai apibrėžtą augimo etapų seką: žemės paruošimą ir užliejimą, persodinimą arba sėją, krūmijimąsi (kelių stiebų išsivystymą iš vieno augalo), šluotelės atsiradimą, žiedynų susidarymą (grūdus laikančios žiedyno galvutės atsiradimą) ir derliaus nuėmimą.

Kiekvienas etapas sukelia išmatuojamą lauko optinių ir radaro charakteristikų pokytį. Analitikai naudoja šiuos etapams būdingus parašus, užfiksuotus kaip spektrinių indeksų arba SAR atgalinės sklaidos laiko eilutes, kad atkurtų, kas ir kada įvyko kiekviename lauke, be jokių išankstinių ūkininko žinių.

2. Fenologija pagrįstas ryžių žemėlapių sudarymas

Fenologija pagrįstas žemėlapių sudarymas (naudojant biologinių įvykių laiką pasėliams klasifikuoti) yra dominuojantis didelių plotų ryžių aptikimo metodas. Šis metodas veikia pritaikant matematines kreives prie laiko eilučių duomenų, o tada nustatant laukus, kuriuose laiko modelis atitinka būdingą ryžių augimo kreivę. Svarbiausios įvykių datos, gautos iš šio pritaikymo proceso, apima:

• vegetacijos sezono pradžia (paprastai žymima staigiu vegetacijos indekso verčių padidėjimu po potvynio),
• vegetacijos sezono piko metu (didžiausias lapų ploto indeksas) ir
• sezono pabaiga (staigus kritimas derliaus nuėmimo metu).

Tokių ciklų, aptiktų per kalendorinius metus, skaičius tiesiogiai lemia, ar laukas klasifikuojamas kaip vieną, du ar tris kartus apželdintas.

3. Auginimo intensyvumo vertinimas

Auginimo intensyvumas, t. y. per metus žemės vienete užbaigtų auginimo sezonų skaičius, yra vienas iš politikos požiūriu svarbiausių ryžių auginimo modelių žemėlapių rezultatų. Paprastas, bet efektyvus metodas apskaičiuoja, kiek kartų pikselio metinėje laiko eilutėje pasitaiko ryžių tipo spektrinis arba atgalinės sklaidos pikas.

Kartu su erdviniais filtrais, skirtais pašalinti klaidingus aptikimus, kuriuos sukelia pelkės, vandens telkiniai ar sezoniniai potvyniai, šie ciklų skaičiavimai sukuria vieno, dviejų ir trijų pasėlių ryžių žemėlapius, kuriuos galima patvirtinti pagal lauko tyrimus ir regioninę statistiką.

4. Sezoninis ir metinis ryžių pasiskirstymo žemėlapis

Sezoniniai žemėlapiai (po vieną žemėlapį kiekvienam auginimo sezonui per metus) rodo ne tik tai, kur auginami ryžiai, bet ir kada jie auga kiekvienoje vietovėje. Metiniai sezoninių žemėlapių rinkiniai atskleidžia visą regiono derliaus nuėmimo kalendorių, įskaitant ankstyvojo ir vėlyvojo sezono ryžių erdvinį pasiskirstymą, kuris turi tiesioginės įtakos vandens paskirstymo planavimui, kenkėjų poveikio valdymui ir derliaus logistikai.

5. Ryžių sėjomainų nustatymas

Daugelyje Azijos ryžių auginimo sistemų ūkininkai tame pačiame lauke iš eilės sezonus kaitalioja ryžius su kviečiais, daržovėmis, ankštiniais augalais arba pūdymo laikotarpiais. Nuotolinis stebėjimas aptinka šias rotacijas analizuodamas visas metines laiko eilutes, o ne atskirą sezoną.

Laukas, drėgnuoju metų laiku klasifikuojamas kaip ryžių laukas, o sausuoju – kaip kviečių laukas, vegetacijos indekso duomenyse pasižymi aiškiu dviejų pikų laikiniu modeliu, kuriame kiekvieno piko spektrinės charakteristikos nurodo atitinkamą pasėlių tipą. Šių sėjomainų kartografavimas yra svarbus dirvožemio sveikatos vertinimui, drėkinimo poreikio modeliavimui ir pajamų diversifikavimo programoms.

Kaip „GeoPard“ padeda sudaryti ryžių auginimo modelių žemėlapius

Ryžių derliaus žemėlapių sudarymas reikalauja nuolatinio, iš kelių šaltinių gaunamo stebėjimo per visą auginimo sezoną, ir būtent tai „GeoPard“ siūlo. Sujungdama „Landsat-8“, „Sentinel-2“ ir „Planet“ vaizdus į vieną platformą, „GeoPard“ stebi laukus kas antrą dieną iki 3 metrų skiriamąja geba, užtikrindama, kad dėl debesų tarpų nebūtų praleisti svarbūs ryžių auginimo įvykiai, tokie kaip potvyniai prieš persodinimą, daigų žalėjimas ir derliaus nuėmimas.

Platformos kelių jutiklių sintezė parodė 4% tikslumo padidėjimą, palyginti su vieno jutiklio metodais, o tai tiesiogiai padidina skirtumą tarp vieno, dviejų ir trijų pasėlių ryžių sistemų.

Kultūriniam tipui nustatyti „GeoPard“ augmenijos indeksų rinkinys, įskaitant NDWI paviršiniams potvyniams aptikti, EVI2 lajos biomasės laikui nustatyti ir LAI lajos tankiui nustatyti, fiksuoja spektrinę biografiją, kuri skiria drėkinamus persodintus ryžius nuo lietaus laistomų arba tiesiogiai sėjamų sistemų.

Debesuotomis musoninėmis dienomis, kai optiniai vaizdai visiškai neveikia, „GeoPard“ integruotas radaro duomenų sluoksnis leidžia nepertraukiamai sekti augmeniją, nuskaitydamas SAR atspindžio įdubą, kuri yra galutinis užtvindyto ryžių lauko požymis persodinimo metu.

Sluoksnių palyginimo įrankis leidžia agronomams greta pateikti iki keturių sinchronizuotų duomenų sluoksnių, todėl lengva atskirti ryžių kultūrinius tipus, lyginant NDWI potvynių signalus su daugiametėmis vegetacijos tendencijomis ir dirvožemio produktyvumo žemėlapiais.

Remiantis daugiau nei 30 metų palydovinių vaizdų duomenimis, platforma atskleidžia ilgalaikius pasėlių intensyvumo modelius lauko lygmeniu. Šios įžvalgos tiesiogiai perkeliamos į kintamo kiekio trąšų, sėklų ir augalų apsaugos žemėlapius, paverčiant ryžių kultūrinių tipų žemėlapius konkrečiais, lauko lygmens valdymo nurodymais.

Ryžių kultūrinių tipų kartografavimas naudojant nuotolinį stebėjimą

1. Skirtingų kultūrinių praktikų spektrinės charakteristikos

Kultūrinis tipas, specifinis ryžių laukui taikomų valdymo praktikų derinys, formuoja to lauko spektrinio parašo evoliuciją laikui bėgant. Pavyzdžiui, užlieti persodinti ryžiai sezono pradžioje pasižymi vandens dominuojamu optiniu atsaku (mažas atspindėjimas visose matomose juostose), po kurio staiga pasikeičia, kai susidaro daigų laja.

Tiesioginės sėklų lysvėse pasėti ryžiai, pasodinti į neužtvindytą sėklų guolį, rodo laipsniškesnį vegetacijos signalo didėjimą nuo dygimo pradžios, be pradinio užtvindymo laikotarpio, kurį lengvai aptinka optiniai ir SAR jutikliai.

2. Laistomų ir lietaus laistomų ryžių skirtumai

Laistomi ir lietaus drėkinami ryžių laukai skiriasi dviem pastebimais būdais: potvynių laiku ir reguliarumu bei jų sezoninės fenologijos nuoseklumu. Laistomi laukai paprastai užliejami pagal grafiką, persodinimo datos kasmet kinta mažiau ir kontroliuojant vandens valdymą išlaiko pastovų lajos tankį.

Lietaus drėkinamuose laukuose laiko atžvilgiu kintamumas tarp metų yra didesnis, juose sezono viduryje gali atsirasti vandens stresas, kurį galima pastebėti kaip anomalius vegetacijos indekso verčių sumažėjimus, o sausros metais kartais neužbaigiamas visas vegetacijos sezonas.

Daugiametė laiko eilučių analizė fiksuoja šią kintamumo struktūrą, leisdama klasifikavimo algoritmams atskirti drėkinamas ir lietaus laistomas zonas, kurių tikslumas gerai kalibruotose sistemose paprastai viršija 85%.

3. Persodintų ir tiesiogiai sėjamų ryžių kartografavimas

Patikimiausias rodiklis, leidžiantis atskirti persodintus nuo tiesiogiai sėjamų ryžių SAR duomenyse, yra pradinio žemo atgalinio sklaidos potvynio laikotarpio laikas ir trukmė.

Persodinti ryžių laukai 2–4 savaites užliejami vandeniu prieš daigų persodinimą, todėl sezono pradžioje susidaro ilgas, beveik nepermatomas langas.

Tiesioginės sėjos laukuose potvynio langas arba visai nebūna (sausos sėjos), arba jis labai trumpas (šlapios sėjos), o atgalinės sklaidos kilimas yra ankstesnis, palyginti su sėjos data, ir struktūriškai skiriasi savo nuolydžiu. Šias laiko charakteristikas galima automatiškai išgauti naudojant algoritmus, taikomus tankioms SAR laiko eilutėms.

4. Valdymo praktikos nustatymas naudojant nuotolinį stebėjimą

Be persodinimo metodo ir vandens režimo, nuotolinis stebėjimas gali aptikti tam tikrus vandens valdymo metodus, tokius kaip pakaitinis drėkinimas ir džiovinimas (AWD) – technika, naudojama metano išmetimui ir vandens sunaudojimui sumažinti periodiškai sausinant ryžių laukus.

AWD laukuose vegetacijos laikotarpiu stebimi svyruojantys SAR atspindžio modeliai, atspindintys pasikartojančius potvynio ir drenažo ciklus, o nuolat užliejamuose laukuose atspindžio trajektorija yra pastovesnė. Ši galimybė yra ypač vertinga stebint klimatui palankių ryžių auginimo praktikų diegimą nacionalinėse šiltnamio efektą sukeliančių dujų inventorizacijose.

5. Vandens valdymo rodikliai ryžių laukuose

SAR technologija leidžia nustatyti vandens paviršiaus aptikimą net kelių centimetrų gylyje po ryžių medžių laja. Toks jautrumas leidžia analitikams sudaryti potvynių būklės žemėlapius kiekviename lauke svarbiausiais vegetacijos sezono momentais, o tai padeda priimti sprendimus dėl drėkinimo planavimo ir anksti įvertinti potvynių padarytą žalą.

Kai kelių datų vandens paviršiaus žemėlapiai sujungiami laike, kiekvienam laukui gaunamas dinaminis vandens valdymo parašas, kuris yra vertingas įvestis kultūrinių tipų klasifikavimo modeliams.

Technika ir metodai: nuo indeksų iki gilaus mokymosi

1. Ryžių stebėsenos vegetacijos indeksai

Augalijos indeksai yra matematiniai skirtingų bangos ilgių atspindžio verčių deriniai, skirti sustiprinti augalų biomasės ir sveikatos signalą, kartu sumažinant dirvožemio fono, atmosferos poveikio ir apšvietimo geometrijos keliamą triukšmą. Trys indeksai yra esminiai ryžių kartografavimo darbe.

i. NDVI (normalizuotas diferencinis vegetacijos indeksas) apskaičiuojamas kaip (NIR – raudonas) / (NIR + raudonas) ir yra plačiausiai naudojamas ryžių stebėsenos indeksas. Jis seka lajos žalumą nuo daigų įsitvirtinimo iki senėjimo, o vertės paprastai kyla nuo beveik nulio persodinimo metu iki 0,6–0,8 vegetacinio augimo piko metu.

ii. EVI (pagerintas augmenijos indeksas) efektyviau nei NDVI koreguoja atmosferos aerozolių poveikį ir dirvožemio foninį triukšmą, todėl yra tinkamesnis aplinkoje, kurioje yra didelis aerozolių kiekis, pavyzdžiui, biomasės deginimo sezonais, būdingais tropinei Azijai.

iii. LSWI (sausumos paviršinio vandens indeksas) apima trumpųjų bangų infraraudonųjų spindulių atspindį, kad aptiktų vandens kiekį tiek augalų lajoje, tiek dirvožemio paviršiuje, todėl yra labai jautrus potvyniams, būdingiems žemumų ryžių auginimui, ir teikia patikimą signalą auginimo sezono pradžiai nustatyti.

2. Laiko eilučių analizė

Vienas palydovinis vaizdas užfiksuoja ryžių lauko būklę vienu momentu, tačiau ryžių lauko istorija parašyta tų momentų sekoje. Laiko eilučių analizė sujungia daug stebėjimų, paprastai po vieną vaizdą kas 5–16 dienų per visus metus, ir išskiria laiko metrikas, tokias kaip sezono pradžios data, didžiausias NDVI, žalumo greitis ir derliaus nuėmimo data.

Šie rodikliai kartu apibūdina visą lauko fenologinį elgesį ir yra daug tikslesni diagnostiniai augalų tipų nustatymui nei bet koks vienos datos stebėjimas. Statistiniai metodai, įskaitant harmoninę regresiją ir dinaminį laiko iškraipymą (DTW), dažniausiai naudojami laiko eilučių duomenims suderinti ir palyginti skirtingais metais ir regionuose.

3. Mašininis mokymasis ryžių klasifikavimui

Mašininis mokymasis pakeitė ryžių pasėlių modelio kartografavimo mastą ir tikslumą, automatizuodamas sudėtingų, netiesinių ryšių tarp spektrinių-laikinių duomenų ir lauko sąlygų identifikavimą.

i. Atsitiktinis miškas (RF) yra ansamblinis metodas, kuris sukuria šimtus nepriklausomų sprendimų medžių, kurių kiekvienas apmokytas atsitiktiniu požymių pogrupiu, ir sumuoja jų balsus galutinei klasifikacijai. Jis yra atsparus triukšmingiems mokymo duomenims, efektyviai tvarko daugiamačius požymių erdves ir pateikia kintamus svarbos balus, kurie padeda analitikams suprasti, kurie laikiniai ar spektriniai požymiai lemia klasifikavimo sprendimus.

ii. Atramos vektoriaus mašina (SVM) randa optimalią skiriamąją ribą tarp klasių daugiamatėje požymių erdvėje. SVM gerai veikia, kai mokymo duomenų yra nedaug, todėl yra naudingas duomenų stokojančiose srityse, kur faktinių duomenų rinkimas yra brangus.

iii. Gilusis mokymasis, ypač konvoliuciniai neuroniniai tinklai (CNN) ir pasikartojantys neuroniniai tinklai (RNN), tokie kaip ilgos trumpalaikės atminties (LSTM) architektūros, gali vienu metu mokytis tiek erdvinių modelių atskiruose vaizduose, tiek laiko modelių skirtingose vaizdų sekose. LSTM pagrįsti klasifikatoriai, taikomi palydovinėms laiko eilutėms, pasiekė pažangiausią tikslumą ryžių žemėlapių sudarymo užduotyse, o keli tyrimai parodė bendrą tikslumą, viršijantį 90% regioniniu mastu.

Xiao ir kt. (Tarptautinis taikomosios Žemės stebėjimo ir geoinformacijos žurnalas, 2025 m.) parodė, kad LSTM gilaus mokymosi modelis, apmokytas naudojant „Sentinel-1“ ir „Sentinel-2“ sujungtus laiko eilučių duomenis, nubrėžė ryžių kultūrų tipų žemėlapį trijose Pietų Azijos šalyse. bendras tikslumas – 91,7%, o kappa koeficientas – 0,89, esant toms pačioms mokymo duomenų sąlygoms, 6,4 procentinio punkto lenkdamas „Random Forest“.

Didelio ploto ryžių kultūrinių tipų žemėlapių sudarymui, kur galima rinkti mokymo duomenis, LSTM pagrįsti gilaus mokymosi klasifikatoriai dabar yra etaloninis metodas ir turėtų būti numatytasis pasirinkimas naujoms nacionalinėms žemėlapių sudarymo programoms.

4. Objektinė vaizdų analizė (OBIA)

Objektinė vaizdų analizė (OBIA) veikia grupuojant gretimus pikselius su panašiomis spektrinėmis ir erdvinėmis charakteristikomis į objektus (segmentus) prieš juos klasifikuojant, o ne klasifikuojant kiekvieną pikselį atskirai.

Ryžių žemėlapių sudarymo srityje OBIA yra vertinga, nes į klasifikaciją gali įtraukti formą, tekstūrą ir kontekstą, atskiriant ryžių lauką nuo panašios spalvos vandens telkinio pagal taisyklingą ryžių laukų stačiakampę geometriją.

OBIA ypač efektyvi esant labai didelei erdvinei skiriamajai gebai, pavyzdžiui, 1–5 metrų skiriamosios gebos komercinių palydovų duomenims arba bepiločių orlaivių (UAV) vaizdams.

5. Pokyčių aptikimo metodai

Pokyčių aptikimas nustato sritis, kuriose žemės naudojimas pasikeitė per du ar daugiau datų. Ryžių sistemos stebėjime pokyčių aptikimas atlieka du tikslus: stebėti ryžių ploto plėtrą ar mažėjimą iš metų į metus reaguojant į klimato ar ekonominius veiksnius ir nustatyti sezono vidurio pokyčius, tokius kaip pasėlių gedimas, apleidimas ar netikėti potvyniai.

Dviejų datų palyginimas vienu metu (tiesiogiai lyginant dvi datas) yra paprastas, tačiau jautrus metų fenologiniams skirtumams. Daugelio laikų pokyčių aptikimas, apimantis visus metinius duomenų rinkinius, yra patikimesnis ir gali atskirti tikrąjį žemės naudojimo pokytį nuo sezoninių fenologinių skirtumų.

Tikslumo vertinimas ir patvirtinimas

1. Duomenų rinkimas pagal faktinę informaciją

Kiekvieną ryžių žemėlapių sudarymo produktą reikia patvirtinti pagal nepriklausomai surinktus lauko stebėjimus. Tikslūs duomenys paprastai apima GPS pagrindu atliktus lauko patikrinimus, kurių metu apmokyti skaičiuotojai statistiškai reprezentatyviame vietų imtyje užfiksuoja pasėlių rūšį, augimo stadiją, vandens valdymo būklę ir įveisimo būdą. Šie stebėjimai renkami taip, kad laike sutaptų su palydoviniais duomenimis, ir jie neįtraukiami į modelio mokymą ir naudojami tik tikslumo vertinimui.

2. Klasifikavimo tikslumo metrika

Ryžių auginimo srityje F1 balas, kuris subalansuoja gamintojo ir vartotojo tikslumą kiekvienoje klasėje, vis dažniau pateikiamas kartu su Kappa balu kaip informatyvesnė vieno skaičiaus našumo santrauka. Standartiniai žemėlapio tikslumo vertinimo rodikliai apima:

• bendras tikslumas (visų teisingai klasifikuotų patvirtinimo taškų procentinė dalis),
• gamintojo tikslumas (tikimybė, kad tam tikros tikrosios klasės laukas bus teisingai susietas, analogiškai atšaukimui),
• vartotojo tikslumas (tikimybė, kad su tam tikra klase susietas laukas iš tikrųjų yra ta klasė, analogiškai tikslumui) ir
• Kappa koeficientas (atsitiktinio atitikimo pakoreguotas atitikimo matas, kai vertės, viršijančios 0,80, rodo stiprų atitikimą).

3. Auginimo modelio ir kultūrinių tipų žemėlapių patvirtinimas

Norint patvirtinti pasėlių modelių žemėlapius, reikia kelių laikotarpių faktinio žemės paviršiaus duomenų, atliekant lauko patikrinimus keliuose pasėlių auginimo kalendoriaus taškuose, siekiant patvirtinti, kiek sezonų per metus kiekvienoje patvirtinimo vietoje iš tikrųjų buvo nuimtas derlius.

Kultūrinio tipo patvirtinimas, atskiriantis persodintus nuo tiesiogiai sėtų arba laistomus nuo lietaus laistomų, yra sudėtingesnis, nes šie skirtumai ne visada vizualiai akivaizdūs lauke ir reikalauja ūkininkų apklausų arba tiesioginio valdymo įvykių stebėjimo jautriais vegetacijos laikotarpiais.

Nacionalinė žemės ūkio statistika, nors dažnai apibendrinama provincijos ar rajono lygmeniu, suteikia papildomą patvirtinimo sluoksnį ploto įverčiams, leidžiantį palyginti žemėlapio sumas su oficialiai pateiktais duomenimis.

Taikymas visoje žemės ūkio sistemoje

1. Žemės ūkio planavimas ir politikos kūrimas

Ryžių pasėlių žemėlapiai, gauti nuotolinio stebėjimo būdu, suteikia žemės ūkio ministerijoms erdvinę skiriamąją gebą, kurios joms reikia norint planuoti tikslines intervencijas. Regionams, identifikuotiems kaip vieno pasėlio lietaus drėkinamiems, galima teikti pirmenybę nedidelio masto drėkinimo plėtrai; trijų pasėlių plotus, kuriuose mažėja derlius, galima tirti dėl dirvožemio degradacijos ar gruntinio vandens lygio sumažėjimo.

2. Ryžių gamybos įvertinimas

Derinant ryžių plotų žemėlapius iš nuotolinio stebėjimo su derliaus įvertinimo modeliais, tokiais kaip pasėlių augimo modeliavimas, pagrįstas orų duomenimis, galima gauti subnacionalines ir nacionalines gamybos prognozes likus savaitėms ar mėnesiams iki derliaus nuėmimo.

Azijos plėtros banko maisto saugumo ataskaitų suvestinė ir FAO pasaulinė informacijos ir ankstyvojo perspėjimo sistema (GIEWS) apima palydovinius ryžių plotų duomenis, kad būtų galima apskaičiuoti derliaus nuėmimo produkcijos įverčius, kurie yra tikslesni nei tyrimais pagrįsti metodai.

3. Vandens išteklių valdymas

Laistomi ryžiai yra didžiausias gėlo vandens vartotojas Azijoje – tokiose šalyse kaip Indija ir Bangladešas jiems sunaudojama maždaug 401 TP3 t viso žemės ūkio vandens.

Vertingiausias palydovinio ryžių žemėlapių sudarymo rezultatas yra ne pats žemėlapis, o sprendimas, kurį jis leidžia priimti – statyti kanalą, uždaryti gręžinį ar nukreipti subsidijas.

Tiksliai žinant, kur auginami drėkinami ryžiai, kiek sezonų jie drėkinami ir kuriuose laukuose naudojami efektyvūs vandens išteklių valdymo metodai, tokie kaip AWD, tiesiogiai padedama planuoti upių baseinus, rezervuarų eksploatavimą ir vertinti požeminio vandens tvarumą.

4. Maisto saugumo stebėsena

Ankstyvojo perspėjimo apie maisto nepriteklių sistemos priklauso nuo greito pasėlių gedimų nustatymo. Kai ryžių plotai neužbaigia viso auginimo ciklo, palydovinė stebėsena nustato anomaliją kaip neegzistuojantį arba sutrumpintą fenologinį piką numatomu sezoniniu laikotarpiu. USAID remiamas FEWS NET (Bado ankstyvojo perspėjimo sistemų tinklas) naudoja palydovinius augmenijos duomenis, įskaitant su ryžiais susijusį stebėjimą, kad generuotų įspėjimus apie maisto trūkumą visoje Azijoje ir Afrikoje.

5. Klimato kaitos poveikio vertinimas

Ilgalaikiai ryžių auginimo modelių žemėlapių archyvai, apimantys 20 ar daugiau metų „Landsat“ duomenų, atskleidžia, kaip ryžių auginimo plotai, metų laikai ir derlius keitėsi reaguojant į kintančius temperatūros ir kritulių režimus. Šie istoriniai tendencijų žemėlapiai pateikia empirinių įrodymų apie klimato kaitos poveikį ryžių sistemoms ir yra naudojami kaip įvesties duomenys prognozuojant būsimą žemės ūkio riziką pagal skirtingus atšilimo scenarijus.

7. Tiksliosios žemdirbystės taikymas

Ūkio mastu bepiločių orlaivių (UAV) pagrindu sudarytas ryžių kultūros tipo žemėlapių sudarymas kartu su lauko dirvožemio ir vandens duomenimis padeda priimti tikslius valdymo sprendimus, tokius kaip kintamo kiekio trąšų naudojimas, kenkėjų stebėjimas konkrečioje vietoje ir optimizuotas sėjos datų planavimas. Šios programos šiuo metu sparčiai bręsta Japonijoje, Pietų Korėjoje ir kai kuriose Kinijos dalyse, kur ryžių auginimas yra labai mechanizuotas ir yra duomenų infrastruktūra, leidžianti susieti nuotolinio stebėjimo rezultatus su ūkio valdymo sistemomis.

Iššūkiai ir apribojimai, ribojantys ryžių žemėlapių sudarymą

1. Debesuotumas ir duomenų prieinamumas

Nuolatinė debesuotumas musonų sezono metu, kai auginama didelė dalis Azijos ryžių, labai riboja tinkamų naudoti optinių stebėjimų skaičių. Kai kuriose vietose dėl debesų užterštumo „Sentinel-2“ stebėjimų skaičius kritiniu persodinimo ir ankstyvuoju vegetacijos laikotarpiu sumažėja iki mažiau nei dviejų per mėnesį. SAR duomenys šią problemą sušvelnina, bet nepašalina, nes smarkios liūtys gali laikinai prisotinti radaro signalą.

2. Mišrūs pikseliai ir maži lauko dydžiai

Regionuose, kur ryžių laukai yra mažesni nei jutiklio erdvinė skiriamoji geba, vienas pikselis fiksuoja ryžių ir ne ryžių žemės dangos mišinį, todėl klasifikacija yra dviprasmiška. Kalnuotose vietovėse esančiose kalnuotose vietovėse esančiose ryžių auginimo sistemose ir sodo dydžio ryžių laukuose Indonezijos ir Filipinų dalyse įprastai susidaro mišrūs pikseliai net ir esant 10 metrų ’Sentinel-2“ skiriamajai gebai, todėl pikseliais pagrįstų metodų naudojimas šiose aplinkose ribojamas.

3. Pasėlių tipų spektrinis ir laikinis panašumas

Kai kurie pasėliai, ypač cukranendrės, džiutas ir tam tikros pievos, NDVI arba EVI laiko eilutėse sukuria panašias fenologines kreives kaip ryžiai, todėl kyla klasifikavimo painiava. SAR pagrįstas potvynių aptikimas sumažina šią painiavą dėl žemumų ryžių, tačiau kalnų ryžių sistemas be užtvindytų laukų sunku atskirti nuo spektriniu požiūriu panašių pasėlių be papildomų lauko duomenų ar pagalbinių geografinių duomenų.

4. Laiko skiriamosios gebos apribojimai

Ryžių auginimo modelio ir kultūros tipo kartografavimas naudojant nuotolinį stebėjimą reikalauja tankaus laiko mėginių ėmimo, idealiu atveju bent vieno stebėjimo kas 8–10 dienų per visą vegetacijos sezoną. Kai debesuotumas arba palydovų orbitų tarpai sumažina šį laiko tankį, automatiniai aptikimo algoritmai gali visiškai praleisti trumpalaikes ryžių veisles arba greito ciklo trijų derliaus sezonus.

5. Antžeminių duomenų apribojimai

Aukštos kokybės paženklinti mokymo duomenys, lauko stebėjimai, suderinti su žinomais augalų tipais ir valdymo praktika, vis dar yra brangūs ir logistiškai sunkiai surinkti tokiu mastu, koks reikalingas nacionalinių žemėlapių sistemų mokymui ir patvirtinimui. Daugelyje mažesnes pajamas gaunančių ryžius auginančių šalių žmogiškųjų ir finansinių pajėgumų sistemingam duomenų rinkimui ant žemės trūkumas yra didžiausias žemėlapių tikslumo gerinimo apribojimas.

Naujos tendencijos ir ryžių stebėsenos ateitis

1. Bepiločiais orlaiviais ir dronais pagrįstas ryžių stebėjimas

Bepiločiai orlaiviai (UAV), aprūpinti daugiaspektriais ir terminiais jutikliais, dabar teikia centimetrų lygio vaizdus virš atskirų ūkių, atskirdami laukų ribas, pasėlių eiles ir net atskirų augalų sveikatos būklę. UAV veikia kaip tiltas tarp palydovinio mastelio žemėlapių sudarymo ir atskirų augalų stebėjimo, teikdami itin didelės skiriamosios gebos antžeminius duomenis, reikalingus palydoviniams modeliams mokyti ir patvirtinti fragmentuotose kraštovaizdžio aplinkose.

2. Dirbtinis intelektas ir gilusis mokymasis ryžių klasifikavimui

Konvoliuciniai neuroniniai tinklai, taikomi palydovinių vaizdų laiko eilutėms, kartu su transformatorių architektūromis, pritaikytomis iš natūralios kalbos apdorojimo, šiuo metu pasiekia aukščiausią kada nors pasiektą ryžių klasifikavimo tikslumą.

2024 m. Vageningeno universiteto tyrėjų paskelbta PRISM (fenologija pagrįsta ryžių pasėlių identifikavimo sistema, naudojant daugiašaltinius duomenis) sistema parodė, kad savarankiškai prižiūrimas mokymasis nepažymėtuose palydoviniuose archyvuose gali iš anksto apmokyti ryžių klasifikavimo modelius, kuriems tikslinimui reikia tik minimalių paženklintų antžeminių duomenų, taip žymiai sumažinant lauko tyrimų naštą.

3. Beveik realaus laiko ryžių stebėjimo sistemos

Beveik realiuoju laiku veikiančios ryžių stebėjimo sistemos automatiškai apdoroja gaunamus palydovinius duomenis, atnaujina ryžių žemėlapius 10–16 dienų intervalais ir siunčia įspėjimus apie sodinimo datas, vandens trūkumo atvejus ir derliaus nuėmimo laiką tiesiai į vyriausybės ataskaitų suvestines arba mobiliąsias programas, kurias naudoja ūkininkai ir konsultavimo agentai.

Tailando ryžių departamentas ir Vietnamo žemės ūkio ministerija valdo tokio tipo prototipines sistemas, o Tarptautinis ryžių tyrimų institutas remia panašių pajėgumų plėtrą Bangladeše ir Kambodžoje.

4. Palydovinių ir daiktų interneto duomenų integravimas

Ryžių laukuose išdėstyti daiktų interneto (IoT) jutikliai, matuojantys dirvožemio drėgmę, vandens lygį, temperatūrą ir augalų lajos mikroklimatą, generuoja nuolatinius žemės lygio stebėjimus, kurie papildo ir kalibruoja palydovinius nuotolinio stebėjimo duomenis.

Kai daiktų interneto jutiklių tinklai ir palydoviniai stebėjimai sujungiami duomenų sintezės sistemose, gauta stebėjimo sistema gali aptikti vandens trūkumą, potvynių pradžią ir ligų spaudimą didesniu patikimumu ir ankstesniu laiku, nei tai padarytų kiekvienas šaltinis atskirai.

5. Skaitmeninė žemdirbystė ir išmanusis ūkininkavimas

Palydovinio ryžių žemėlapių sudarymo, daiktų interneto jutiklių ir dirbtinio intelekto valdomos sprendimų palaikymo konvergencija kuria išmaniojo ryžių auginimo pamatus, kai valdymo sprendimai nuo drėkinimo laiko iki trąšų naudojimo priimami remiantis erdviškai aiškiais, beveik realiuoju laiku gautais duomenų srautais, o ne kalendoriumi pagrįstomis nykščio taisyklėmis.

Bandomosios programos Japonijos Nijigatos prefektūroje ir Kinijos Heilongdziango provincijoje parodė, kad tikslus ryžių auginimo valdymas, pagrįstas nuotoliniais tyrimais, gali sumažinti sąnaudas. 15-25% išlaikant arba gerinant derlių, remiantis preliminariomis 2024 m. lauko bandymų ataskaitomis.

Išvada

Ryžių auginimo modelio ir kultūros tipo kartografavimas naudojant nuotolinį stebėjimą iš akademinių tyrimų disciplinos išaugo į operacinę priemonę, kurią naudoja vyriausybės, tarptautinės agentūros ir žemės ūkio technologijų platformos visoje Azijoje ir už jos ribų. Daugiajutiklių laiko eilučių metodai, apjungiantys optinius ir SAR duomenis, apdorotus mašininio mokymosi ir gilaus mokymosi klasifikatoriais, dabar reguliariai teikia ryžių plotų žemėlapius nacionaliniu mastu, kurių bendras tikslumas viršija 85–90%. Šie žemėlapiai nustato ne tik tai, kur auga ryžiai, bet ir kiek kartų per metus, esant kokiam vandens režimui ir kokiu būdu auga.

Perėjimas nuo paprasto ryžių plotų žemėlapių sudarymo prie kultūrinių tipų klasifikavimo paverčia žemės dangos produktą žemės ūkio žvalgybos ištekliumi. Žinojimas, kad per dešimtmetį regionas perėjo nuo persodintų prie tiesiogiai sėjamų ryžių, vienu metu signalizuoja apie darbo rinkos pokyčius ir gruntinio vandens lygio sumažėjimą. Žinojimas, kurios lietaus laistomos vietovės yra labiausiai pažeidžiamos ankstyvojo sezono sausros periodų, identifikuojamos pagal jų laiko spektrinius modelius, leidžia iš anksto reaguoti į sausrą, o ne imtis reaktyviosios pagalbos nelaimės atveju. Nuotolinis stebėjimas leidžia gauti tokį erdvinio intelekto lygį už nedidelę lygiaverčių žemės tyrimų programų kainos dalį.

Bulvės yra vienas svarbiausių maistinių augalų pasaulyje, tarnaujantis milijonams žmonių. Pirma, žinojimas, kaip auga bulvės, ir gebėjimas numatyti jų derlių padeda ūkininkams veiksmingiau valdyti drėkinimą, tręšimą ir kenkėjų kontrolę.

Antra, maisto perdirbėjai ir sandėliavimo įmonės gali geriau planuoti logistiką ir darbo jėgą, kai turi patikimus derliaus įvertinimus. Tačiau tradiciniai metodai, pavyzdžiui, fiziškai vaikščiojimas po laukus ir augalų matavimas rankomis, užima daug laiko ir yra linkę į žmogiškąsias klaidas.

Todėl mokslininkai kreipėsi į nuotolinį stebėjimą, kai naudojamos palydovuose, dronuose ar nešiojamuose įrenginiuose esančios kameros ir jutikliai, siekiant greičiau ir tiksliau stebėti bulvių augimą ir prognozuoti derlių.

Bulvių derliaus prognozių supratimas

Per pastaruosius du dešimtmečius susidomėjimas nuotolinio stebėjimo taikymu bulvių tyrimams labai išaugo. Iš tiesų, sisteminėje apžvalgoje iš 482 iš pradžių atrinktų straipsnių buvo nustatyti 79 tyrimai šia tema, paskelbti 2000–2022 m.

Siekdami užtikrinti skaidrumą ir atkuriamumą, autoriai vadovavosi nustatytomis gairėmis (“Kitchenham & Charters”, 2007 m.; “PRISMA” sistema), ieškodami aštuoniose pagrindinėse duomenų bazėse – „Google Scholar“, „ScienceDirect“, „Scopus“, „Web of Science“, „IEEE Xplore“, MDPI, „Taylor & Francis“ ir „SpringerLink“ – vartodami tokius terminus kaip „bulvių derliaus prognozavimas“ IR „nuotolinis stebėjimas“.”

Todėl buvo įtraukti tik originalūs tyrimai anglų kalba, kuriuose augimo stebėsenai ar derliaus įvertinimui buvo naudojami nuotolinio stebėjimo duomenys. Be to, kiekvieno pasirinkto straipsnio duomenys buvo atrinkti pagal keturis pagrindinius klausimus:

• Kokia stebėjimo platforma buvo naudojama (palydovinė, bepilotė orlaivių ar antžeminė)?
• Kokie augmenijos indeksai ar spektriniai požymiai buvo įvertinti?
• Kurie pasėlių požymiai buvo stebimi (biomasė, lapų plotas, chlorofilas, azotas)?
• Kaip tiksliai galima būtų numatyti galutinį gumbų derlių (determinacijos koeficientas, R²)?

Šie klausimai padėjo recenzentams nustatyti esamą padėtį ir spragas, į kurias galėtų būti sutelkti būsimi tyrimai.

Nuotolinio stebėjimo platformos ir augmenijos indeksai

Tyrėjai naudojo tris pagrindinius nuotolinio stebėjimo platformų tipus, kurių kiekvienas turi savų privalumų ir trūkumų. Pirma, optiniai palydovai, tokie kaip „Sentinel-2“ (10 m erdvinė skiriamoji geba, 5 dienų pakartotinis apsilankymas) ir „Landsat 5–8“ (30 m, 16 dienų pakartotinis apsilankymas), siūlo plačią aprėptį ir dažnai nemokamą prieigą prie duomenų.

Antra, tokie palydovai kaip MODIS/TERRA/Aqua (250–1000 m, kasdien arba kas 2 dienas) ir komercinės sistemos, tokios kaip „PlanetScope“ (3 m, kasdien, kainuoja apie $218 / 100 km²), leidžia atlikti dažnesnį arba didesnės skiriamosios gebos stebėjimą, nors išlaidos gali būti svarbus veiksnys.

Trečia, bepiločiai orlaiviai (UAV), turintys multispektrines arba hiperspektrines kameras, pasižymi labai didele skiriamąja geba (iki kelių centimetrų pikseliui) ir gali būti naudojami pagal poreikį, tačiau jie apima mažesnes teritorijas ir reikalauja daugiau logistikos.

Galiausiai, antžeminiai jutikliai, tokie kaip nešiojamieji NDVI matuokliai ir SPAD chlorofilo matuokliai, atlieka labai tikslius taškinius matavimus, nors, naudojant dideliuose laukuose, jie užima daug laiko.

Vegetacijos indeksai (VI) neapdorotas atspindžio vertes paverčia reikšmingais augalo savybių įverčiais. Dažniausiai bulvių tyrimuose naudojami indeksai yra šie:

• NDVI (normalizuotas augmenijos skirtumo indeksas): (NIR – raudonas) / (NIR + raudonas)
• GNDVI (žalias NDVI): (NIR – žalias) / (NIR + žalias)
• NDRE (normalizuotas raudonojo krašto skirtumas): (NIR – raudonas kraštas) / (NIR + raudonas kraštas)
• OSAVI (Optimizuotas dirvožemio pakoreguotas augmenijos indeksas): 1,16 × (NIR – raudonas) / (NIR + raudonas + 0,16)
• EVI (patobulintas augmenijos indeksas), „CIred-edge“, „CIgreen“ ir kt. .

Šie indeksai parenkami atsižvelgiant į jų jautrumą medžių lajos dangai, chlorofilo kiekiui ir dirvožemio fonui. Todėl jie yra pagrindas augalų sveikatai įvertinti ir derliui prognozuoti.

Bulvių augimo stebėjimas ir derliaus prognozavimas

Naudodami nuotolinį stebėjimą, tyrėjai stebi pagrindines bulvių derliaus savybes – antžeminę biomasę (AGB), lapų ploto indeksą (LAI), lajos chlorofilo kiekį (CCC) ir lapų azoto būseną – ir susieja jas su galutiniu gumbų derliumi.

Pirma, AGB įvertinimas naudojant vien tik VI gali būti sudėtingas, kai lajų danga yra tanki, nes daugelis indeksų yra persotinti; todėl VI derinimas su augalų aukščiu ar tekstūros ypatybėmis mašininio mokymosi modeliuose dažnai pagerina tikslumą.

Antra, vertinant LAI – bendrą vienpusių lapų plotą, tenkantį žemės plotui, – naudojant laiko eilučių duomenis iš bepiločių orlaivių hiperspektrinių ir palydovinių multispektrinių jutiklių, buvo pasiektos R² vertės iki 0,84.

Trečia, CCC įverčiai, gauti iš tokių indeksų kaip „CIred-edge“, „CIgreen“, TCARI/OSAVI ir TCARI + OSAVI, vegetacinės stadijos metu pasiekė R² ≈ 0,85, o tai rodo stiprią koreliaciją su laboratorijoje išmatuotu chlorofilo kiekiu.

Galiausiai, naudojant antžeminius jutiklius ir regresinius arba atsitiktinių miškų modelius, buvo prognozuojamas lapų azoto kiekis, kuris yra gyvybiškai svarbus sveikam augimui, o R² svyravo nuo 0,52 iki 0,95.

Kalbant apie gumbų derliaus prognozavimą, išsiskiria du pagrindiniai modeliavimo metodai:

Empiriniai regresiniai modeliai: čia vienas VI – dažniausiai NDVI, GNDVI arba NDRE – yra pritaikomas prie išeigos duomenų, kurie atitinka tikėtiną išeigą. Pateiktos NDVI ir išeigos R² vertės svyruoja nuo 0,23 iki 0,84 (mediana ≈ 0,67), o NDRE ir išeigos koreliacijos svyruoja nuo 0,12 iki 0,85 (mediana ≈ 0,61).

Mašininio mokymosi modeliai: tai atsitiktinių miškų, atraminių vektorių mašinos ir neuroniniai tinklai, kurie sujungia kelis VI, spektrinius diapazonus ir nespektrinius veiksnius, tokius kaip orai, dirvožemis ir valdymas. Kai kuriuose tyrimuose tokie modeliai padidino R² iki 0,93.

Be to, duomenų rinkimo laikas labai veikia prognozavimo tikslumą. Atliekant kelis tyrimus, VI matavimai, atlikti praėjus 36–55 dienoms po pasodinimo (DAP), parodė didžiausią koreliaciją su galutiniu gumbų derliumi.

Šis etapas sutampa su maksimaliu žemės padengimu ir gumbų augimo pradžia, todėl augalo struktūra labiausiai rodo galutinį derlių. Kai kurie pagrindiniai nustatyti statistiniai duomenys:

• 79 tyrimai (2000–2022 m.) iš 482 nustatytų atitiko peržiūros kriterijus.
• Fokusinės sritys: derliaus prognozavimas (37 %), lapų azoto būsena (21 %), AGB (15 %), LAI (15 %), CCC (12 %).
• Dažniausiai naudojamos palydovų platformos: „Sentinel-2“, „Landsat“, MODIS; komercinės: „PlanetScope“.
• R² diapazonai: NDVI – išeiga (0,23–0,84), NDRE – išeiga (0,12–0,85), GNDVI – išeiga (0,26–0,75).

Bulvių derliaus prognozavimo rekomendacijos

Remdamiesi šiais rezultatais, praktikai pirmiausia turėtų pasirinkti tinkamą platformą savo tikslams pasiekti. Regioninėms derliaus prognozėms nemokami „Sentinel-2“ duomenys užtikrina patikimą aprėptį su 10 m skiriamąja geba ir 5 dienų pakartotinio apsilankymo grafiku.

Siekiant patikslinti vietinius įvertinimus, bepiločių orlaivių skrydžiai, suplanuoti maždaug 36–55 dienas po pasodinimo, fiksuoja svarbią debesies dinamiką ir pagerina palydovinių modelių kalibravimą. Antžeminiai jutikliai geriausiai naudojami atsitiktiniams patikrinimams ir nuotolinių stebėjimų kalibravimui, ypač derinant spektrinius duomenis su lauko matavimais.

Kalbant apie augmenijos indeksus, specialistai, prognozuodami galutinį derlių, turėtų teikti pirmenybę NDVI, NDRE ir CI _{raudonojo krašto rodikliams} , nes šie rodikliai nuolat rodo stiprią koreliaciją.

Vertinant chlorofilo ir azoto kiekį, tiksliausius rezultatus galima gauti derinant raudonojo krašto indeksus su dirvožemio atžvilgiu pakoreguotais VI, pvz., TCARI/OSAVI. Biomasės vertinimo tikslumą dar labiau padidina VI integravimas su augalo aukščiu ar tekstūros ypatybėmis mašininio mokymosi sistemose.

Kalbant apie modeliavimą, paprastos tiesinės arba netiesinės regresijos, naudojant vieną indeksą, yra veiksmingos, kai yra riboti faktiniai duomenys. Tačiau, kai yra keli indeksai ir pagalbiniai duomenys (orai, dirvožemis, valdymas), geresnius rezultatus užtikrina mašininio mokymosi metodai, tokie kaip atsitiktinių miškų arba neuroniniai tinklai. Svarbu tai, kad labai svarbu laiku matuoti vaizdus maždaug 36–55 dienas po pasodinimo, nes šis laikotarpis nuolat užtikrina didžiausią prognozavimo tikslumą.

Išvada

Apibendrinant galima teigti, kad nuotolinis stebėjimas siūlo greitą, lanksčią ir tikslią bulvių augimo stebėjimo ir gumbų derliaus prognozavimo priemonę. Pasirinkdami tinkamą platformą, informatyviausius vegetacijos rodiklius, duomenų rinkimo laiką maždaug 36–55 DAP ir taikydami tinkamus modeliavimo metodus, tyrėjai ir praktikai gali gerokai pagerinti derliaus prognozes.

Toks požiūris ne tik taupo laiką, bet ir padeda priimti išmanesnius valdymo sprendimus, o tai galiausiai naudinga ūkininkams, agronomams ir visai bulvių tiekimo grandinei.

Nuoroda: Mukiibi, A., Machakaire, ATB, Franke, AC. ir kt. Sisteminė vegetacijos indeksų, skirtų bulvių augimo stebėsenai ir gumbų derliaus prognozavimui nuotoliniu būdu, apžvalga. Bulvių rez. 68, 409–448 (2025). https://doi.org/10.1007/s11540-024-09748-7