{"id":13941,"date":"2026-08-01T22:42:28","date_gmt":"2026-08-01T20:42:28","guid":{"rendered":"https:\/\/geopard.tech\/?p=13941"},"modified":"2026-08-01T22:42:28","modified_gmt":"2026-08-01T20:42:28","slug":"kaip-apskaiciuojama-zemes-biomase-naudojant-nuotolini-stebejima","status":"publish","type":"post","link":"https:\/\/geopard.tech\/lt\/blog\/how-land-biomass-is-calculated-using-remote-sensing\/","title":{"rendered":"Kaip \u017eem\u0117s biomas\u0117 apskai\u010diuojama naudojant nuotolin\u012f steb\u0117jim\u0105"},"content":{"rendered":"

Nuotolinio steb\u0117jimo technologijos i\u0161 esm\u0117s pakeit\u0117 tai, kaip mes matuojame, stebime ir valdome gyv\u0105j\u0105 m\u016bs\u0173 planetos sausumos pavir\u0161iaus mas\u0119. Naudojant nuotolin\u012f steb\u0117jim\u0105 apskai\u010diuota sausumos biomas\u0117 neb\u0117ra tik universitet\u0173 laboratorij\u0173 tyrim\u0173 retenyb\u0117 \u2013 dabar tai yra labai svarbi veiklos priemon\u0117, kuri\u0105 naudoja vyriausyb\u0117s, mi\u0161kininkyst\u0117s agent\u016bros, augal\u0173 mokslininkai ir klimato tyr\u0117jai visame pasaulyje.<\/p>\n

Vien nuotolinio steb\u0117jimo \u017eem\u0117s \u016bkio rinkoje vert\u0117 buvo $3,8 milijardo 2025 m.<\/strong> ir prognozuojama, kad i\u0161augs iki $9,6 milijardo iki 2034 m.<\/strong> ties a Metinis augimo tempas (CAGR) \u2013 10,91 TP3T<\/strong>, teigiama 2026 m. \u201eDataintelo\u201c pramon\u0117s ataskaitoje. Didel\u0119 \u0161io augimo dal\u012f lemia patikim\u0173 biomas\u0117s duomen\u0173, skirt\u0173 anglies dioksido apskaitai, tiksliajam \u016bkininkavimui ir aplinkos steb\u0117senai, poreikis.<\/p>\n

Kas yra \u017eem\u0117s biomas\u0117?<\/h2>\n

\u017dem\u0117s biomas\u0117 (bendra vis\u0173 organini\u0173 med\u017eiag\u0173 sausoji mas\u0117 apibr\u0117\u017etoje teritorijoje) matuojama metriniais vienetais, tokiais kaip ton\u0173 hektarui (t\/ha)<\/strong> arba megagramai hektarui (Mg\/ha)<\/strong>, kur 1 Mg lygus 1 metrinei tonai. Tai sukauptas fotosintez\u0117s produktas \u2013 anglis, kuri\u0105 augalai, med\u017eiai ir kiti organizmai surinko i\u0161 atmosferos ir pavert\u0117 fizine med\u017eiaga.<\/p>\n

Tai vienas i\u0161 galingiausi\u0173 ekosistemos sveikatos, anglies kaupimo ir pas\u0117li\u0173 produktyvumo rodikli\u0173, ta\u010diau tradiciniai ant\u017eeminiai matavimo metodai jau seniai yra per l\u0117ti, brang\u016bs ir erdvi\u0161kai riboti, kad atitikt\u0173 \u0161iuolaikinio \u017eem\u0117s valdymo poreikius.<\/p>\n

Ant\u017eemin\u0117 biomas\u0117 (AGB) ir po\u017eemin\u0117 biomas\u0117 (BGB)<\/h3>\n

Mokslininkai biomas\u0119 skirsto \u012f dvi pagrindines kategorijas. Ant\u017eemin\u0117 biomas\u0117 (AGB) apima visk\u0105, kas auga vir\u0161 dirvo\u017eemio pavir\u0161iaus \u2013 stiebus, kamienus, \u0161akas, lapus ir stovin\u010di\u0105 negyv\u0105 medien\u0105. Po\u017eemin\u0117 biomas\u0117 (PGB) apima \u0161akn\u0173 sistemas ir kit\u0105 po\u017eemin\u0119 organin\u0119 med\u017eiag\u0105. Daugumoje mi\u0161king\u0173 ekosistem\u0173 PGB sudaro ma\u017edaug 20\u2013301 TP3 T bendros biomas\u0117s<\/strong>, ir jo matavimas i\u0161lieka daug sud\u0117tingesnis nei AGB \u012fvertinimas.<\/p>\n

Biomas\u0117 taip pat skirstoma \u012f gyv\u0105j\u0105 biomas\u0119 (aktyviai augan\u010di\u0105, metaboli\u0161kai aktyvi\u0105 augalin\u0119 med\u017eiag\u0105) ir negyv\u0105j\u0105 biomas\u0119 (stovin\u010di\u0105 arba nukritusi\u0105 negyv\u0105 medien\u0105, sausas nuokritas). Abi r\u016b\u0161ys kaupia angl\u012f ir prisideda prie bendro kra\u0161tovaizd\u017eio anglies telkinio, ta\u010diau jos skirtingai reaguoja \u012f gaisrus, ligas ir valdymo intervencijas.<\/p>\n

Kaip aplinkos rodiklis, biomas\u0117 u\u017eima i\u0161skirtinai svarbi\u0105 pozicij\u0105. Didel\u0117s biomas\u0117s vert\u0117s rodo produktyvias, sveikas ekosistemas, turin\u010dias didel\u012f anglies dioksido kaupimo potencial\u0105. Ma\u017e\u0117jan\u010dios biomas\u0117s tendencijos rodo mi\u0161k\u0173 kirtim\u0105, sausros stres\u0105, dirvo\u017eemio degradacij\u0105 arba pernelyg didel\u012f derliaus nu\u0117mim\u0105. Augalininkyst\u0117s \u016bkininkams ant\u017eemin\u0117 biomas\u0117 tiesiogiai koreliuoja su gr\u016bd\u0173 derliaus potencialu, tod\u0117l tai yra vienas prakti\u0161kiausi\u0173 tiksliosios \u017eemdirbyst\u0117s rodikli\u0173.<\/p>\n

<\/p>\n

Kod\u0117l \u017eem\u0117s biomas\u0119 reikia skai\u010diuoti naudojant nuotolinius tyrimus?<\/h2>\n

Tradicinis biomas\u0117s \u012fvertinimas remiasi lauko matavimais: tyr\u0117jai nuima derli\u0173 i\u0161 m\u0117gini\u0173 sklyp\u0173, i\u0161d\u017eiovina augalin\u0119 med\u017eiag\u0105 krosnyse ir sveria j\u0105, kad nustatyt\u0173 saus\u0105j\u0105 mas\u0119 ploto vienete. \u0160is destruktyvus, daug darbo reikalaujantis procesas veikia sklypo mastu, ta\u010diau tampa visi\u0161kai neprakti\u0161kas, kai reikia biomas\u0117s duomen\u0173 i\u0161 nacionalinio mi\u0161ko, up\u0117s baseino ar \u017eemynin\u0117s \u017eem\u0117s \u016bkio zonos. Pagrindiniai ant\u017eemini\u0173 lauko tyrim\u0173 apribojimai.<\/p>\n

1. Erdvin\u0117 apr\u0117ptis yra labai ribota.<\/strong> Lauko komanda gali realiai i\u0161matuoti biomas\u0119 keliose de\u0161imtyse sklyp\u0173 per sezon\u0105. Palydovas vienu viaduku apima milijonus hektar\u0173, tod\u0117l kra\u0161tovaizd\u017eio masto steb\u0117jimas ne\u012fmanomas be nuotolinio steb\u0117jimo.<\/p>\n

\"Kod\u0117l<\/p>\n

2. Lauko tyrimai yra brang\u016bs ir l\u0117ti.<\/strong> Apmokyto personalo dislokavimas atokiuose mi\u0161kuose ar pla\u010diuose \u017eem\u0117s \u016bkio kra\u0161tovaizd\u017eiuose reikalauja dideli\u0173 biud\u017eet\u0173, logistinio koordinavimo ir laiko \u2013 visa tai prastai veikia, nes tyrim\u0173 plotai did\u0117ja.<\/p>\n

3. Destruktyvus m\u0117gini\u0173 \u0117mimas kenkia ekosistemai.<\/strong> Nuimant derli\u0173 biomasei sverti, sunaikinama pati tiriama augmenija, o tai nesuderinama su ilgalaik\u0117mis steb\u0117senos programomis, kurioms reikalingi pakartotiniai matavimai toje pa\u010dioje vietoje.<\/p>\n

4. Laikinasis da\u017enis yra per ma\u017eas.<\/strong> Lauko komandos paprastai ap\u017ei\u016bri viet\u0105 geriausiu atveju kart\u0105 per metus. Palydovai gali aplankyti t\u0105 pa\u010di\u0105 viet\u0105 kas kelias dienas, tod\u0117l galima nuolat steb\u0117ti sezoninius biomas\u0117s poky\u010dius ir greitai reaguoti \u012f tokius \u012fvykius kaip gaisrai ar sausros.<\/p>\n

Nuotolinis steb\u0117jimas vienu metu pa\u0161alina visus \u0161iuos apribojimus. Vienas \u201eSentinel-2\u201c palydovo vaizdas apima 290 km\u00b2 vienam vaizdui<\/strong> ties 10 metr\u0173 erdvin\u0117 skiriamoji geba<\/strong>, teikiant pakartojamus, i\u0161samius augmenijos duomenis be joki\u0173 ribini\u0173 i\u0161laid\u0173 u\u017e kiekvien\u0105 papildom\u0105 hektar\u0105. Tiksl\u016bs \u017eem\u0117s biomas\u0117s duomenys yra labai \u012fvair\u016bs:<\/p>\n

    \n
  • Anglies dioksido apskaita ir REDD+:<\/strong> Tarptautin\u0117ms klimato kaitos programoms reikalingi patikrinti mi\u0161k\u0173 anglies atsarg\u0173 \u012fvertinimai. Nuotolinio steb\u0117jimo pagrindu sukurti biomas\u0117s \u017eem\u0117lapiai suteikia toki\u0105 erdvin\u0119 apr\u0117pt\u012f ir atnaujinimo da\u017enum\u0105, koki\u0173 vien nacionaliniai mi\u0161k\u0173 inventoriai negali u\u017etikrinti.<\/li>\n
  • \u017dem\u0117s \u016bkio steb\u0117sena:<\/strong> Skirtingais augimo etapais pas\u0117li\u0173 biomas\u0117 prognozuoja galutin\u012f derli\u0173, informuoja apie dr\u0117kinimo planavim\u0105 ir anksti atkreipia d\u0117mes\u012f \u012f stres\u0105, kol jis netampa produktyvumo nuostoliu.<\/li>\n
  • Mi\u0161k\u0173 tvarkymas:<\/strong> Medienos t\u016bris, kuro kiekis mi\u0161k\u0173 gaisr\u0173 rizikai ir biologin\u0117s \u012fvairov\u0117s vertinimas priklauso nuo patikim\u0173 biomas\u0117s \u012fver\u010di\u0173 dideliuose mi\u0161k\u0173 plotuose.<\/li>\n
  • Aplinkosaugos valdymas:<\/strong> \u017dem\u0117s degradacijos steb\u0117sena, \u0161lap\u017eemi\u0173 vertinimas ir invazini\u0173 r\u016b\u0161i\u0173 aptikimas \u2013 visa tai biomas\u0117s poky\u010diais naudojasi kaip pagrindiniu signalu.<\/li>\n<\/ul>\n

    <\/p>\n

    Kaip nuotolinis steb\u0117jimas matuoja \u017eem\u0117s biomas\u0119: fizikiniai principai<\/h2>\n

    Kiekviena nuotolinio steb\u0117jimo sistema \u2013 optinis palydovas, radaras ar lazeris \u2013 renka informacij\u0105 apie augmenij\u0105 matuodama, kaip elektromagnetin\u0117 energija s\u0105veikauja su augaline med\u017eiaga. \u0160ios s\u0105veikos supratimas yra raktas \u012f tai, kod\u0117l nuotolinis steb\u0117jimas apskritai gali \u012fvertinti biomas\u0119.<\/p>\n

    Augalai skirtingai atspindi, sugeria ir praleid\u017eia elektromagnetin\u0119 spinduliuot\u0119, priklausomai nuo j\u0173 vidin\u0117s chemin\u0117s sud\u0117ties, vandens kiekio, lap\u0173 strukt\u016bros ir lajos architekt\u016bros. Chlorofilas (\u017ealias pigmentas, kuris skatina fotosintez\u0119) stipriai sugeria raudonus ir m\u0117lynus bang\u0173 ilgius, tuo pa\u010diu atspind\u0117damas \u017eali\u0105 ir artimojo infraraudonojo spektro energij\u0105.<\/p>\n

    Tod\u0117l sveika, tanki augmenija pasi\u017eymi b\u016bdingu spektriniu modeliu: ma\u017eu raudonos \u0161viesos atspind\u017eiu, dideliu artimojo infraraudonojo spinduliavimo atspind\u017eiu. \u0160is modelis, vadinamas spektriniu para\u0161u, yra matuojamas i\u0161 kosmoso, o jo intensyvumas koreliuoja su augalin\u0117s med\u017eiagos kiekiu ploto vienete.<\/p>\n

    Nuo spektrini\u0173 signal\u0173 iki biomas\u0117s ver\u010di\u0173<\/h3>\n

    Jutikliai fiksuoja spektrin\u012f para\u0161\u0105 ir apskai\u010diuoja augmenijos indeksus (matematinius rodiklius, kurie kiekybi\u0161kai \u012fvertina augmenijos signalo stiprum\u0105 tam tikrame vaizde). \u0160ie indeksai tada susiejami su biomase naudojant statistinius arba ma\u0161ininio mokymosi modelius, kurie kalibruojami naudojant lauke surinktus biomas\u0117s matavimus. Rezultatas yra erdvi\u0161kai i\u0161tisinis biomas\u0117s \u017eem\u0117lapis \u2013 kiekvienas vaizdo pikselis gauna numatom\u0105 biomas\u0117s vert\u0119.<\/p>\n

    Duomen\u0173 apdorojimo darbo eiga vyksta ai\u0161kia seka. Neapdoroti palydov\u0173 duomenys gaunami su geometriniais i\u0161kraipymais ir atmosferos trukd\u017eiais. I\u0161ankstinio apdorojimo metu \u0161ios klaidos i\u0161taisomos. Augalijos indeksai apskai\u010diuojami pagal pataisytus vaizdus. Lauke i\u0161matuoti biomas\u0117s m\u0117giniai naudojami kaip pamatin\u0117 informacija modelio kalibravimui. Patvirtintas modelis taikomas visam vaizdo apr\u0117p\u010diai, kad b\u016bt\u0173 sukurtas galutinis biomas\u0117s \u017eem\u0117lapis.<\/p>\n

    Be spektrinio atspind\u017eio, informacij\u0105 apie biomas\u0119 teikia ir kiti fiziniai signalai. Lajos auk\u0161tis \u2013 augmenijos auk\u0161tis \u2013 yra svarbus AGB prognozavimo veiksnys. Augal\u0173 tankumas (kiek stieb\u0173 viename hektare) lemia, kiek \u0161viesos sulaikoma. Pavir\u0161iaus \u0161iurk\u0161tumas (nustatomas radaru) atspindi lajos strukt\u016bros sud\u0117tingum\u0105. Jutikliai, kurie matuoja \u0161ias strukt\u016brines savybes, o ne tik atspind\u012f, da\u017enai u\u017etikrina didesn\u012f biomas\u0117s \u012fvertinimo tikslum\u0105.<\/p>\n

    <\/p>\n

    Nuotolinio steb\u0117jimo tipai, naudojami biomas\u0117s kiekiui \u012fvertinti<\/h2>\n

    N\u0117 vienas jutiklis nedominuoja biomas\u0117s vertinime visose ekosistemose ir masteliuose. Mokslininkai ir praktikai derina keli\u0173 tip\u0173 jutiklius, atsi\u017evelgdami \u012f tikslin\u0119 augmenij\u0105, biud\u017eet\u0105, reikiam\u0105 tikslum\u0105 ir geografin\u0119 apr\u0117pt\u012f.<\/p>\n

    Tiksliausi \u0161iandieniniai biomas\u0117s \u017eem\u0117lapiai sudaromi ne i\u0161 vieno jutiklio, o i\u0161 intelektualaus optini\u0173, radarini\u0173 ir LiDAR duomen\u0173 sujungimo \u2013 kiekvienas i\u0161 j\u0173 u\u017epildo kit\u0173 akl\u0105sias zonas.<\/p>\n

    1. Optiniai palydoviniai vaizdai: daugiaspektriniai ir hiperspektriniai<\/h3>\n

    Optiniai jutikliai fiksuoja atspind\u0117t\u0105 saul\u0117s \u0161vies\u0105 atskirose spektro juostose, paprastai apiman\u010diose matomus bangos ilgius (m\u0117lyn\u0105, \u017eali\u0105, raudon\u0105) ir artim\u0105j\u012f infraraudon\u0105j\u012f spektr\u0105 (NIR). Daugiaspektriniai vaizdai (duomenys i\u0161 4\u201310 spektro juost\u0173) sudaro daugumos veikian\u010di\u0173 biomas\u0117s kartografavimo program\u0173 pagrind\u0105 visame pasaulyje, daugiausia d\u0117l nemokam\u0173, nuolatini\u0173 duomen\u0173 sraut\u0173 i\u0161 \u201eSentinel-2\u201c ir \u201eLandsat\u201c misij\u0173.<\/p>\n

    Hiperspektriniai vaizdai (duomenys i\u0161 \u0161imt\u0173 siaur\u0173, gretim\u0173 spektrini\u0173 juost\u0173) suteikia daug smulkesnes spektrines detales. Jie i\u0161skiria augal\u0173 pigmentus, vandens kiek\u012f ir lap\u0173 chemin\u0119 sud\u0117t\u012f tokiu lygiu, kokio negali atlikti daugiaspektriniai jutikliai.<\/p>\n

    D\u0117l to jis ypa\u010d naudingas aptikti nedidelius biomas\u0117s tankio skirtumus pievose ir \u017eem\u0117s \u016bkio laukuose. Pagrindinis hiperspektrini\u0173 vaizd\u0173 apribojimas yra debesuotumas: optiniai jutikliai negali matyti kiaurai debes\u0173, tod\u0117l dr\u0117gnuose tropiniuose regionuose, kur biomas\u0117s \u012fvertinimas yra svarbiausias, atsiranda dideli\u0173 duomen\u0173 sprag\u0173.<\/p>\n

    \u012eprasti optinio biomas\u0117s kartografavimo palydovai yra \u201eLandsat 8\/9\u201c (30 metr\u0173 skiriamoji geba, pakartotinis apsilankymas kas 16 dien\u0173), \u201eSentinel-2\u201c (10 metr\u0173 skiriamoji geba, pakartotinis apsilankymas kas 5 dienas) ir \u201ePlanetScope\u201c (3 metr\u0173 skiriamoji geba, pakartotinis apsilankymas kasdien komerciniais tikslais).<\/p>\n

    \"Nuotolinio<\/p>\n

    2. Radaras (SAR): matymas pro debesis ir \u012f debes\u0173 skliauto vid\u0173<\/h3>\n

    Sintetin\u0117s apert\u016bros radaras (SAR) \u2013 sistema, skleid\u017eianti mikrobang\u0173 impulsus ir matuojanti nuo \u017eem\u0117s pavir\u0161iaus atsispindin\u010di\u0105 energij\u0105 \u2013 visi\u0161kai i\u0161sprend\u017eia debesuotumo problem\u0105. Mikrobang\u0173 energija prasiskverbia pro debesis ir migl\u0105 be trukd\u017ei\u0173, tod\u0117l SAR yra pasirinktas jutiklis atogr\u0105\u017e\u0173 mi\u0161k\u0173 steb\u0117jimui, kai nuolatinis debesuotumas optinius vaizdus daro beveik nenaudojamus.<\/p>\n

    SAR signalai taip pat prasiskverbia \u012f augmenijos lajas, s\u0105veikaudami su sumed\u0117jusiais stiebais ir \u0161akomis, o ne tik su vir\u0161utiniu lapo pavir\u0161iumi. Kuo ilgesnis radaro bangos ilgis, tuo giliau signalas prasiskverbia. L diapazono SAR (bangos ilgis apie 23 cm, naudojamas ALOS-2 PALSAR-2) prasiskverbia \u012f apatin\u0119 laj\u0105 ir s\u0105veikauja su didele sumed\u0117jusia biomase, tod\u0117l ypa\u010d gerai tinka atogr\u0105\u017e\u0173 mi\u0161k\u0173 AGB \u012fvertinimui.<\/p>\n

    C diapazono SAR (bangos ilgis apie 5 cm, naudojamas \u201eSentinel-1\u201c) yra jautresnis pavir\u0161iaus lajos strukt\u016brai ir pla\u010diai naudojamas pas\u0117li\u0173 biomas\u0117s steb\u0117senai.<\/p>\n

    Tyrimas, paskelbtas \u017eurnale Mi\u0161kininkyst\u0117s tyrim\u0173 \u017eurnalas<\/em> (Springer Nature, 2021) nustat\u0117, kad tiek L diapazono ALOS-2, tiek C diapazono Sentinel-1 SAR duomenys leido tinkamai \u012fvertinti anglies atsargas, o bendros anglies atsargos Vidur\u017eemio j\u016bros mi\u0161k\u0173 tyrimo zonoje siek\u0117 ma\u017edaug 130 t\/ha<\/strong> ant\u017eeminiuose, po\u017eeminiuose sluoksniuose, negyvos medienos, paklot\u0117s ir dirvo\u017eemio telkiniuose kartu.<\/p>\n

    3. LiDAR: auksinis strukt\u016brin\u0117s biomas\u0117s kartografavimo standartas<\/h3>\n

    LiDAR (\u0161viesos aptikimo ir diapazono nustatymo) skleid\u017eia lazerio impulsus ir tiksliai matuoja j\u0173 atspind\u017eio nuo taikinio pavir\u0161iaus laik\u0105. \u0160is laikas tiesiogiai paver\u010diamas trima\u010diais ta\u0161k\u0173 debesimis (tankiais \u017eem\u0117lapiais, kuriuose tiksliai nurodoma, kur atsispind\u0117jo kiekvienas lazerio impulsas), kurie centimetro tikslumu parodo lajos auk\u0161t\u012f, lajos strukt\u016br\u0105 ir \u017eem\u0117s pavir\u0161iaus auk\u0161t\u012f.<\/p>\n

    Med\u017ei\u0173 auk\u0161tis yra vienas i\u0161 stipriausi\u0173 ant\u017eemin\u0117s biomas\u0117s prognozavimo veiksni\u0173 \u2013 auk\u0161tesni med\u017eiai turi eksponenti\u0161kai daugiau biomas\u0117s nei \u017eemesni. LiDAR metodu gauti auk\u0161\u010dio modeliai, kartu su lauke i\u0161matuotomis alometrin\u0117mis lygtimis (r\u016b\u0161iai b\u016bdingais matematiniais ry\u0161iais tarp med\u017ei\u0173 auk\u0161\u010dio, skersmens ir mas\u0117s), leid\u017eia gauti biomas\u0117s \u012fver\u010dius, kurie mi\u0161kinguose kra\u0161tovaizd\u017eiuose nuosekliai pranoksta optinius ar radarinius metodus.<\/p>\n

    \n

    \u201eFrontiers in Plant Science\u201c nustat\u0117, kad atsitiktinis mi\u0161ko modelis, integruojantis GEDI kosminius LiDAR p\u0117dsakus, apskai\u010diavo egl\u0117s ir k\u0117nio biomas\u0119 nuo 51,33 t\/hm\u00b2 iki 179,83 t\/hm\u00b2<\/strong>, su vidurkiu 101,98 t\/hm\u00b2<\/strong>, \u0160angri-La Alpi\u0173 ekosistemoje Kinijoje.<\/p>\n

    Tai parodo, kaip kosminis LiDAR, pritaikytas ma\u0161ininio mokymosi funkcijai, gali pateikti operatyviai naudingas biomas\u0117s tankio vertes atokiose kaln\u0173 ekosistemose be lauko \u012fgulos prieigos.<\/p>\n<\/div>\n

    NASA Pasaulin\u0117s ekosistemos dinamikos tyrim\u0173 (GEDI) misija \u2013 daugiaspinduli\u0173 bangos formos LiDAR prietaisas, sumontuotas Tarptautin\u0117je kosmin\u0117je stotyje, \u2013 yra pirmoji specialiai kosmose sukurta LiDAR sistema, skirta pasaulinei biomas\u0117s vertinimo sistemai. GEDI renka duomenis nuo 51,6\u00b0 \u0161iaur\u0117s platumos iki 51,6\u00b0 piet\u0173 platumos, apimdama pagrindines pasaulio atogr\u0105\u017e\u0173 ir vidutinio klimato mi\u0161k\u0173 zonas.<\/p>\n

    4. Dronais pagr\u012fstas nuotolinis steb\u0117jimas: didel\u0117s skiriamosios gebos lauko mastelis<\/h3>\n

    Bepilo\u010diai orlaiviai (UAV), paprastai vadinami dronais, sujungia palydovinius ir lauko matavimus. Dronas su RGB kameromis fiksuoja centimetro rai\u0161kos vaizdus, kuriuose atskiri augalai.<\/p>\n

    Daugiaspektriniai dron\u0173 jutikliai apskai\u010diuoja tikslius augmenijos indeksus sklypo masteliu. Dronai su LiDAR generuoja tankius ta\u0161k\u0173 debesis, kurie leid\u017eia \u012fvertinti biomas\u0119 tokiu pat strukt\u016briniu tikslumu, kaip ir ore esantys LiDAR, u\u017e daug ma\u017eesn\u0119 kain\u0105.<\/p>\n

    Augalininkyst\u0117s \u016bkininkams dronais pagr\u012fstas biomas\u0117s kartografavimas yra ypa\u010d prakti\u0161kas. Vieno skryd\u017eio vir\u0161 kvie\u010di\u0173 ar kukur\u016bz\u0173 lauko vegetatyvinio augimo etape metu sukuriamas biomas\u0117s tankio \u017eem\u0117lapis, kuriame pa\u017eymimos derli\u0173 ribojan\u010dios sritys \u2013 ma\u017eos biomas\u0117s zonos, kurioms gali prireikti papildom\u0173 tr\u0105\u0161\u0173 arba laistymo, kol \u017eala taps negr\u012f\u017etama.<\/p>\n

    <\/p>\n

    Augalijos indeksai, naudojami biomasei \u012fvertinti<\/h2>\n

    Augalijos indeksai yra matematinis tiltas tarp neapdorot\u0173 spektrinio atspind\u017eio ver\u010di\u0173 ir biologin\u0117s informacijos apie augal\u0173 tankum\u0105 ir sveikat\u0105. Kiekvienas indeksas naudoja konkre\u010di\u0105 elektromagnetinio spektro dal\u012f, kurioje augmenija elgiasi savitai.<\/p>\n

    NDVI (normalizuotas augmenijos skirtumo indeksas) yra pla\u010diausiai taikomas. Jis padalija artimojo infraraudonojo spektro (NIR) ir raudonojo spektro atspind\u017eio skirtum\u0105 i\u0161 j\u0173 sumos: NDVI = (NIR \u2013 raudona) \/ (NIR + raudona). Reik\u0161m\u0117s svyruoja nuo -1 iki +1, o sveika, tanki augmenija paprastai vertinama nuo 0,6 iki 0,9.<\/p>\n

    NDVI stipriai koreliuoja su lap\u0173 ploto indeksu (LAI \u2013 bendras vienpusi\u0173 lap\u0173 plotas \u017eem\u0117s ploto vienete), taigi ir su fotosintez\u0117s paj\u0117gumu bei biomas\u0117s kaupimu.<\/p>\n

      \n
    • EVI (pagerintas augmenijos indeksas)<\/strong> koreguoja atmosferos poveik\u012f ir dirvo\u017eemio fono trukd\u017eius, tod\u0117l yra patikimesnis nei NDVI didel\u0117s biomas\u0117s atogr\u0105\u017e\u0173 mi\u0161kuose ir vietov\u0117se su \u0161viesiu arba atviru dirvo\u017eemiu.<\/li>\n
    • SAVI (dirvo\u017eemio pakoreguotas augmenijos indeksas)<\/strong> apima dirvo\u017eemio ry\u0161kumo korekcijos koeficient\u0105, kuris yra ypa\u010d svarbus sausringose ir pusiau sausringose \u017eem\u0117s \u016bkio aplinkose, kur plika dirva tarp pas\u0117li\u0173 eili\u0173 stipriai veikia spektrin\u012f signal\u0105.<\/li>\n
    • GNDVI (\u017ealiosios normalizuotos diferencin\u0117s augmenijos indeksas)<\/strong> NDVI formul\u0117je raudon\u0105 spalv\u0105 pakei\u010dia \u017ealia atspind\u017eio spalva, tod\u0117l yra jautresnis chlorofilo koncentracijos svyravimams ir naudingas v\u0117lyvojo sezono pas\u0117li\u0173 biomas\u0117s steb\u0117jimui, kai lajos jau visi\u0161kai u\u017esidariusios.<\/li>\n<\/ul>\n

      Lap\u0173 ploto indeksas (LAI) nusipelno ypatingo pamin\u0117jimo, nes jis yra ir nuotolinio steb\u0117jimo rezultat\u0173 rezultatas, ir tiesioginis biomas\u0117s kaupimo veiksnys. Augalai, turintys didesn\u012f LAI, sulaiko daugiau saul\u0117s spinduliuot\u0117s, fiksuoja daugiau anglies ir pagamina daugiau biomas\u0117s. Nuotolinio steb\u0117jimo b\u016bdu gauti LAI \u017eem\u0117lapiai, generuojami i\u0161 MODIS arba Sentinel-2 laiko eilu\u010di\u0173, tiesiogiai \u012ftraukiami \u012f pas\u0117li\u0173 augimo modelius, kurie imituoja derliaus formavim\u0105si ir galutin\u0119 nuimam\u0105 biomas\u0119.<\/p>\n

      <\/p>\n

      Pagrindiniai \u017eem\u0117s biomas\u0117s \u012fvertinimo duomen\u0173 \u0161altiniai<\/h2>\n

      Tinkamo duomen\u0173 \u0161altinio pasirinkimas priklauso nuo tyrimo masto, augmenijos tipo, reikalingos erdvin\u0117s skiriamosios gebos ir turimo biud\u017eeto. \u017demiau pateikiami pagrindiniai duomen\u0173 srautai, \u0161iuo metu naudojami operatyviniame ir moksliniame biomas\u0117s kartografavime. Nemokami, atviros prieigos palydoviniai duomenys i\u0161 \u201eLandsat\u201c ir \u201eSentinel\u201c \u017evaig\u017edyn\u0173 demokratizavo biomas\u0117s kartografavim\u0105, tod\u0117l jis tapo prieinamas tyr\u0117jams ir agent\u016broms, neturin\u010dioms biud\u017eeto komerciniams vaizdams.<\/p>\n

      i. \u201eLandsat\u201c (NASA\/USGS):<\/strong> Daugiau nei 50 met\u0173 nepertraukiam\u0173 duomen\u0173, 30 metr\u0173 skiriamoji geba, nemokama prieiga. \u201eLandsat\u201c laiko eilut\u0117s leid\u017eia atlikti istorin\u0119 biomas\u0117s poky\u010di\u0173 analiz\u0119 nuo XX a. 8-ojo de\u0161imtme\u010dio, suteikdamos neprilygstam\u0105 kontekst\u0105 mi\u0161k\u0173 naikinimo ir \u017eem\u0117s degradacijos steb\u0117senai.<\/p>\n

      ii. \u201eSentinel-2\u201c (ESA):<\/strong> 10 metr\u0173 skiriamoji geba pagrindin\u0117se spektro juostose, 5 dien\u0173 pakartotinis apsilankymas, nemokama prieiga. \u201eSentinel-2\u201c yra dabartinis pas\u0117li\u0173 biomas\u0117s steb\u0117senos ir regionini\u0173 mi\u0161k\u0173 vertinimo standartas d\u0117l savo skiriamosios gebos ir da\u017eni\u0173 derinio.<\/p>\n

      iii. \u201eSentinel-1\u201c (ESA):<\/strong> C diapazono SAR, tinkamas naudoti bet kokiu oru, prieiga nemokama. \u201eSentinel-1\u201c yra pagrindinis radaro \u0161altinis debes\u0173 veikiamiems tropikams ir pas\u0117li\u0173 biomasei steb\u0117ti tose vietov\u0117se, kur optini\u0173 duomen\u0173 spragos yra nuolatin\u0117 problema.<\/p>\n

      iv. MODIS (NASA):<\/strong> 250 m\u20131 km skiriamoji geba, kasdien\u0117 pasaulin\u0117 apr\u0117ptis. MODIS laiko eilut\u0117s idealiai tinka \u017eemyno masto biomas\u0117s poky\u010di\u0173 aptikimui ir sezoniniam steb\u0117jimui, nors d\u0117l grubaus skiriamosios gebos j\u0173 pritaikomumas fragmentuotuose kra\u0161tovaizd\u017eiuose yra ribotas.<\/p>\n

      prie\u0161 \u201ePlanetScope\u201c:<\/strong> 3 metr\u0173 rai\u0161ka, kasdienis per\u017ei\u016br\u0117jimas, komercin\u0117 prenumerata. \u201ePlanetScope\u201c teikia biomas\u0117s steb\u0117sen\u0105 individualiu lauko mastu, palaikydama tiksliosios \u017eemdirbyst\u0117s taikymus, kai svarbus lauko dali\u0173 erdvinis kintamumas.<\/p>\n

      vi. NASA GEDI LiDAR:<\/strong> 25 metr\u0173 skersmens p\u0117dsakas, pasaulin\u0117 tropini\u0173 ir vidutinio klimato juost\u0173 apr\u0117ptis, nemokami duomen\u0173 produktai. GEDI yra pagrindinis kosminis \u0161altinis, rodantis med\u017ei\u0173 laj\u0173 auk\u0161t\u012f ir AGB tank\u012f pasauliniu mastu.<\/p>\n

      vii. ICESat-2 (NASA):<\/strong> Fotonus skai\u010diuojantis LiDAR su pasauline apr\u0117ptimi, ypa\u010d stiprus matuojant med\u017ei\u0173 laj\u0173 auk\u0161t\u012f auk\u0161t\u0173 platum\u0173 mi\u0161kuose ir aptinkant smulkius auk\u0161\u010dio poky\u010dius.<\/p>\n

      <\/p>\n

      \u017dem\u0117s biomas\u0117s apskai\u010diavimo naudojant nuotolin\u012f steb\u0117jim\u0105 \u017eingsniai<\/h2>\n

      \u017dem\u0117s biomas\u0117s vertinimas naudojant nuotolinio steb\u0117jimo duomenis atliekamas pagal strukt\u016brizuot\u0105 darbo eig\u0105. Kiekvienas \u017eingsnis priklauso nuo ankstesnio \u017eingsnio tikslumo. Paprast\u0173 i\u0161ankstinio apdorojimo ar lauko patvirtinimo \u017eingsni\u0173 suma\u017einimas lemia klaidas galutiniame biomas\u0117s \u017eem\u0117lapyje.<\/p>\n

      i. Pasirinkite tinkamus vaizdus:<\/strong> Pasirinkite jutikl\u012f, erdvin\u0119 skiriam\u0105j\u0105 geb\u0105 ir laikotarp\u012f pagal tikslin\u0119 ekosistem\u0105 ir tyrimo tiksl\u0105. Mi\u0161ko biomas\u0117s steb\u0117senai paprastai reikalingi \u201eSentinel-1\u201c arba \u201eGEDI\u201c duomenys; pas\u0117li\u0173 biomas\u0117s steb\u0117senai da\u017eniausiai naudojami \u201eSentinel-2\u201c arba dron\u0173 daugiaspektriniai vaizdai.<\/p>\n

      \"\u017dem\u0117s<\/p>\n

      ii. Vaizdo i\u0161ankstinis apdorojimas:<\/strong> Taikykite atmosferos korekcij\u0105, kad neapdorotus skaitmeninius skai\u010dius konvertuotum\u0117te \u012f pavir\u0161iaus atspind\u017eio vertes. Atlikite geometrin\u0119 korekcij\u0105, kad vaizdas tiksliai atitikt\u0173 realaus pasaulio koordinates. Pa\u0161alinkite debesimis u\u017eter\u0161tus pikselius ir, jei reikia, pakeiskite juos naudodami laikin\u012f kompozicij\u0105.<\/p>\n

      iii. Apskai\u010diuokite augmenijos indeksus:<\/strong> Apskai\u010diuokite NDVI, EVI, SAVI, GNDVI ar kitus atitinkamus indeksus i\u0161 pakoreguot\u0173 pavir\u0161iaus atspind\u017eio juost\u0173. LiDAR duomenims i\u0161 ta\u0161k\u0173 debesies i\u0161veskite lajos auk\u0161\u010dio metrikas (did\u017eiausi\u0105 auk\u0161t\u012f, 95 procentilio auk\u0161t\u012f, vidutin\u012f auk\u0161t\u012f).<\/p>\n

      iv. Surinkite lauko biomas\u0117s m\u0117ginius:<\/strong> Tiriamojoje teritorijoje esan\u010diuose reprezentatyviuose sklypuose i\u0161matuokite ant\u017eemin\u0119 biomas\u0119, naudodami destruktyv\u0173 kirtim\u0105 arba alometrines lygtis, taikomas med\u017ei\u0173 skersmens ir auk\u0161\u010dio matavimams. \u0160ios lauko vert\u0117s yra faktinis rodiklis, kuriuo grind\u017eiamas modelis.<\/p>\n

      v. Sukurkite prognozavimo modelius:<\/strong> Atlikite lauko biomas\u0117s matavim\u0173 regresij\u0105 pagal kartu esan\u010dius nuotolinio steb\u0117jimo kintamuosius (vegetacijos indeksus, lajos auk\u0161\u010dio metrik\u0105, SAR atgalin\u0117s sklaidos vertes). Naudokite regresin\u0119 analiz\u0119, atsitiktini\u0173 mi\u0161k\u0173, atramini\u0173 vektori\u0173 ma\u0161inos arba neuronini\u0173 tinkl\u0173 metodus, priklausomai nuo ry\u0161io sud\u0117tingumo ir turim\u0173 mokymo duomen\u0173 kiekio.<\/p>\n

      vi. Patvirtinkite modelio rezultatus:<\/strong> Naudokite i\u0161ankstinio patvirtinimo duomen\u0173 rinkin\u012f (lauko grafikai nenaudojami modeliuojant), kad \u012fvertintum\u0117te prognoz\u0117s tikslum\u0105. Pateikite RMSE (vidutin\u0119 kvadratin\u0119 paklaid\u0105), R\u00b2 (determinacijos koeficient\u0105) ir paklaid\u0105. Patikslinkite model\u012f, jei tikslumas nepakankamas.<\/p>\n

      vii. Sukurti biomas\u0117s \u017eem\u0117lapius:<\/strong> Taikykite patvirtint\u0105 model\u012f visam vaizdo apr\u0117p\u010diai, sukurdami erdvi\u0161kai i\u0161tisin\u012f biomas\u0117s tankio \u017eem\u0117lap\u012f, kuriame kiekviename pikselyje yra numatoma biomas\u0117s vert\u0117 Mg\/ha arba t\/ha.<\/p>\n

      \n

      2024 m. vasario m\u0117n. paskelbtame \u201eInternational Journal of Remote Sensing\u201c \u017eurnale nustatyta, kad sujungus GEDI LiDAR p\u0117dsakus su atviros prieigos optiniais ir radar\u0173 duomenimis (\u201eSentinel-1\/2\u201c), buvo sukurti erdvi\u0161kai i\u0161tisiniai Indijos mi\u0161k\u0173 ant\u017eemin\u0117s biomas\u0117s tankio \u017eem\u0117lapiai, o optimali modelio konfig\u016bracija \u017eymiai suma\u017eino prognozavimo neapibr\u0117\u017etum\u0105, palyginti su vieno \u0161altinio metodais.<\/p>\n

      Praktikams tai patvirtina, kad keli\u0173 duomen\u0173 sraut\u0173 integravimas, o ne pasikliovimas vienu jutikliu, sistemingai pagerina veikian\u010di\u0173 biomas\u0117s \u017eem\u0117lapi\u0173 patikimum\u0105.<\/p>\n<\/div>\n

      <\/p>\n

      Biomas\u0117s \u012fvertinimo modeliai ir metodai<\/h2>\n

      Modelio pasirinkimas daro didel\u0119 \u012ftak\u0105 tiek biomas\u0117s \u012fvertinimo sistemos tikslumui, tiek apibendrinamumui. Paprastesni modeliai yra skaidresni ir patikimiau perkeliami \u012f naujas vietas. Sud\u0117tingi ma\u0161ininio mokymosi modeliai i\u0161spaud\u017eia didesn\u012f tikslum\u0105 i\u0161 dideli\u0173 mokymo duomen\u0173 rinkini\u0173, ta\u010diau gali per daug prisitaikyti prie vietini\u0173 s\u0105lyg\u0173.<\/p>\n

      Empiriniai regresijos modeliai nustato tiesiogin\u012f matematin\u012f ry\u0161\u012f tarp lauko biomas\u0117s ir nuotolinio steb\u0117jimo kintam\u0173j\u0173, pavyzd\u017eiui, tiesin\u0119 regresij\u0105 tarp NDVI ir pas\u0117li\u0173 saus\u0173j\u0173 med\u017eiag\u0173 derliaus. \u0160iuos modelius lengva interpretuoti ir greitai apskai\u010diuoti, ta\u010diau jie veikia prastai, kai spektrinio ir biomas\u0117s ry\u0161ys yra netiesinis arba kai biomas\u0117s vert\u0117s apima labai plat\u0173 diapazon\u0105.<\/p>\n

      Ma\u0161ininio mokymosi metodai \u012fveikia \u0161iuos apribojimus, mokydamiesi i\u0161 duomen\u0173 sud\u0117ting\u0173, netiesini\u0173 ry\u0161i\u0173. \u201eRandom Forest\u201c (sprendim\u0173 med\u017ei\u0173 ansamblis, kuris apskai\u010diuoja \u0161imt\u0173 atskir\u0173 med\u017ei\u0173 prognozi\u0173 vidurk\u012f) \u0161iuo metu yra pla\u010diausiai naudojamas biomas\u0117s \u012fvertinimo algoritmas tiek mi\u0161kininkyst\u0117je, tiek \u017eem\u0117s \u016bkyje.<\/p>\n

      Tyrimas, paskelbtas m. Augal\u0173 mokslo ribos<\/em> (2024 m. gruod\u017eio m\u0117n.) atliktas tyrimas parod\u0117, kad \u201eRandom Forest\u201c, pritaikytas GEDI ir keli\u0173 \u0161altini\u0173 nuotolinio steb\u0117jimo duomenims, pateik\u0117 egl\u0117s ir k\u0117ni\u0173 mi\u0161k\u0173 biomas\u0117s \u012fver\u010dius, kuri\u0173 R\u00b2 reik\u0161mingai didesnis nei taikant vieno jutiklio regresinius metodus.<\/p>\n

        \n
      • Atramos vektoriaus ma\u0161ina (SVM):<\/strong> Randa optimali\u0105 atskyrimo rib\u0105 tarp biomas\u0117s klasi\u0173 daugiamat\u0117je objekt\u0173 erdv\u0117je. SVM gerai veikia su ma\u017eais ir vidutinio dyd\u017eio mokymo duomen\u0173 rinkiniais ir yra atsparus pertekliniam pritaikymui, kai tinkamai sureguliuotas.<\/li>\n
      • Neuroniniai tinklai ir gilusis mokymasis:<\/strong> Konvoliuciniai neuroniniai tinklai (CNN) ir hibridin\u0117s CNN-LSTM architekt\u016bros vienu metu apdoroja erdvinius ir laiko modelius vaizduose. 2024 m. \u017eurnale paskelbtame tyrime Nuotolinis steb\u0117jimas (MDPI)<\/em> Lyginant RF, CNN ir CNN-LSTM modelius mi\u0161ko biomas\u0117s \u012fvertinimui Hangd\u017eou mieste, Kinijoje, nustatyta, kad gilaus mokymosi modeliai u\u017efiksavo erdvin\u012f kontekst\u0105, kurio vieno ta\u0161ko regresijos metodai visi\u0161kai nepasteb\u0117jo.<\/li>\n
      • Hibridiniai modeliai:<\/strong> Derinti fizinius augmenijos modelius (kurie imituoja augal\u0173 augim\u0105 pagal radiacij\u0105 ir vandens s\u0105naudas) su statistiniais arba ma\u0161ininio mokymosi kalibravimo sluoksniais. \u0160ie metodai yra vis labiau pageidaujami, nes jie sukuria fizi\u0161kai realius biomas\u0117s \u012fver\u010dius, kurie apibendrinami tarp region\u0173, nesiremiant vien vietiniais mokymo duomenimis.<\/li>\n<\/ul>\n

        <\/p>\n

        Biomas\u0117s \u012fvertinimo tikslum\u0105 \u012ftakojantys veiksniai<\/h2>\n

        Net ir geriausias jutiklio bei modelio derinys sukuria nepatikimus biomas\u0117s \u017eem\u0117lapius, kai prasta pagrindini\u0173 duomen\u0173 kokyb\u0117 arba kai fizin\u0117 aplinka sukelia triuk\u0161mo \u0161altinius. \u0160i\u0173 tikslum\u0105 ribojan\u010di\u0173 veiksni\u0173 supratimas yra b\u016btinas kiekvienam, kurian\u010diam biomas\u0117s kartografavimo program\u0105.<\/p>\n

        1. Tankaus mi\u0161ko signalo sodrumas:<\/strong> Didel\u0117s biomas\u0117s atogr\u0105\u017e\u0173 mi\u0161kuose optiniai ir C diapazono SAR signalai prisotina \u2013 jie nustoja stipr\u0117ti net ir toliau did\u0117jant biomasei. NDVI prisotina, kai AGB vert\u0117s yra didesn\u0117s nei ma\u017edaug 150\u2013200 mg\/ha<\/strong>, tod\u0117l jis nepatikimas senuose atogr\u0105\u017e\u0173 mi\u0161kuose, kur biomas\u0117 gali siekti 400\u2013600 Mg\/ha. L diapazono SAR ir LiDAR \u012fsotina esant daug didesniam biomas\u0117s lygiui ir yra tinkamesni tokiose aplinkose.<\/p>\n

        \"Biomas\u0117s<\/p>\n

        2. Sezoniniai poky\u010diai:<\/strong> Augalijos atspindumas smarkiai kinta skirtingais met\u0173 laikais. Baland\u017eio m\u0117nes\u012f kvie\u010di\u0173 lauke gauta NDVI vert\u0117 rodo i\u0161 esm\u0117s kitoki\u0105 biomas\u0117s b\u016bkl\u0119 nei tame pa\u010diame lauke rugpj\u016bt\u012f. Modeliai turi atsi\u017evelgti \u012f sezonin\u0119 dinamik\u0105 arba b\u016bti kalibruojami atskirai kiekvienam fenologiniam etapui.<\/p>\n

        3. Debes\u0173 dangos trukd\u017eiai:<\/strong> Optiniai jutikliai praranda duomenis visur, kur yra debes\u0173. Dr\u0117gnuose tropiniuose regionuose debes\u0173 u\u017eter\u0161tumas gali paveikti daugiau nei 70% vaizd\u0173 gavimo<\/strong> tam tikrais metais, kuriems reikalingos radaro arba LiDAR alternatyvos arba daugiamet\u0117s kompozicijos strategijos.<\/p>\n

        4. Mi\u0161r\u016bs pikseliai:<\/strong> Esant vidutinei erdvinei skiriamajai gebai (30 m\u2013250 m), viename vaizdo pikselyje da\u017enai b\u016bna \u012fvairi\u0173 r\u016b\u0161i\u0173 pas\u0117li\u0173, plikos dirvos ir vandens. Spektrinis signalas atspindi vis\u0173 \u0161i\u0173 pavir\u0161i\u0173 vidurk\u012f, o tai susilpnina augmenijos signal\u0105 ir \u012f biomas\u0117s prognozes \u012fveda sistemin\u0119 paklaid\u0105.<\/p>\n

        5. Reljefo poveikis:<\/strong> Nuo\u017eulnus reljefas kei\u010dia tiek saul\u0117s \u0161viesos geometrij\u0105, tiek jutiklio matymo kamp\u0105, pakeisdamas jutiklyje u\u017efiksuotas atspind\u017eio vertes. Kalnuotose vietov\u0117se prie\u0161 patikimai taikant bet kok\u012f biomas\u0117s model\u012f, b\u016btina atlikti topografin\u0119 korekcij\u0105.<\/p>\n

        \n

        Tyrimas parod\u0117, kad GEDI L4A ant\u017eemin\u0117s biomas\u0117s tankio sandauga parod\u0117 paklaidas nuo -54,24 iki +106,23 Mg\/ha<\/strong> skirting\u0173 mi\u0161k\u0173 tip\u0173 Laose, palyginti su Nacionalinio mi\u0161k\u0173 inventorizacijos etaloniniais duomenimis.<\/p>\n

        Tai patvirtina, kad net ir pasauliniu mastu patvirtintiems kosminiuose LiDAR gaminiams reikalingas vietinis perkalibravimas, kad b\u016bt\u0173 galima pateikti operaci\u0161kai priimtinus biomas\u0117s \u012fver\u010dius konkre\u010diame nacionaliniame ar regioniniame kontekste.<\/p>\n<\/div>\n

        <\/p>\n

        \u017dem\u0117s biomas\u0117s \u017eem\u0117lapi\u0173 taikymas \u012fvairiuose sektoriuose<\/h2>\n

        I\u0161 nuotolinio steb\u0117jimo duomen\u0173 sugeneruoti \u017eem\u0117s biomas\u0117s \u017eem\u0117lapiai naudojami praktiniam sprendim\u0173 pri\u0117mimui labai \u012fvairiuose sektoriuose \u2013 nuo vyriausyb\u0117s teikiam\u0173 klimato ataskait\u0173 iki individualaus \u016bkio valdymo.<\/p>\n

        Mi\u0161k\u0173 tvarkymo agent\u016bros<\/strong> Naudokite biomas\u0117s \u017eem\u0117lapius, kad nustatytum\u0117te prioritetus kirtimo blokams, \u012fvertintum\u0117te tvar\u0173 derli\u0173 ir dokumentuotum\u0117te atitikt\u012f sertifikavimo standartams. I\u0161sam\u016bs biomas\u0117s \u017eem\u0117lapiai pakei\u010dia brangius im\u010di\u0173 pagrindu sudarytus mi\u0161k\u0173 inventorizavimus regionuose, kur prieiga prie lauk\u0173 yra logisti\u0161kai sud\u0117tinga arba pernelyg brangi.<\/p>\n

        Anglies atsarg\u0173 \u012fvertinimas<\/strong> yra vienas ekonomi\u0161kai reik\u0161mingiausi\u0173 panaudojimo b\u016bd\u0173. Kiekviename Mg ant\u017eemin\u0117s biomas\u0117s yra ma\u017edaug 0,47 Mg anglies<\/strong> (standartinis IPCC konversijos koeficientas). Tod\u0117l tiksl\u016bs biomas\u0117s \u017eem\u0117lapiai tiesiogiai konvertuojami \u012f patikrintus anglies dioksido inventorius, kurie yra REDD+ mok\u0117jim\u0173 ir savanori\u0161k\u0173 anglies dioksido rinkos kredit\u0173 pagrindas. Patikrintas biomas\u0117s \u017eem\u0117lapis, apimantis 500 000 hektar\u0173 atogr\u0105\u017e\u0173 mi\u0161k\u0173 koncesij\u0105, gali atspind\u0117ti \u0161imtus milijon\u0173 doleri\u0173 vert\u0117s anglies dioksido i\u0161tekli\u0173.<\/p>\n

          \n
        • Tikslusis \u017eem\u0117s \u016bkis:<\/strong> I\u0161 dron\u0173 arba \u201eSentinel-2\u201c vaizd\u0173 gauti pas\u0117li\u0173 biomas\u0117s \u017eem\u0117lapiai nustato augal\u0173 augimo kintamum\u0105 lauko dalyse, leid\u017eiant\u012f naudoti kintamas tr\u0105\u0161\u0173 ir dr\u0117kinimo normas, kurios suma\u017eina s\u0105naudas ir apsaugo derli\u0173.<\/li>\n
        • Mi\u0161ko gaisr\u0173 kuro \u012fvertinimas:<\/strong> Negyva mediena ir sausa \u017eolin\u0117 biomas\u0117 yra gaisrams prieinamas kuro kiekis. Nuotolini\u0173 tyrim\u0173 pagrindu sukurti kuro \u017eem\u0117lapiai padeda parengti nustatytas deginimo programas ir planuoti gaisr\u0173 lokalizavim\u0105 gaisrams jautriuose kra\u0161tovaizd\u017eiuose.<\/li>\n
        • Biologin\u0117s \u012fvairov\u0117s i\u0161saugojimas:<\/strong> Didel\u0117s biomas\u0117s, strukt\u016bri\u0161kai sud\u0117tingos augmenijos paprastai palaiko didesn\u0119 r\u016b\u0161i\u0173 \u012fvairov\u0119. Biomas\u0117s \u017eem\u0117lapiai padeda nustatyti prioritetines saugomas teritorijas ir steb\u0117ti atkurt\u0173 buveini\u0173 atsigavim\u0105 laikui b\u0117gant.<\/li>\n
        • Bioenergijos planavimas:<\/strong> Vyriausyb\u0117s ir energetikos \u012fmon\u0117s naudoja nuotolinio steb\u0117jimo biomas\u0117s duomenis, kad \u012fvertint\u0173 tvar\u0173 \u017eem\u0117s \u016bkio atliek\u0173 ir medienos biomas\u0117s tiekim\u0105 bioenergijos gamybai, u\u017etikrindamos, kad derliaus nu\u0117mimo tempai nevir\u0161yt\u0173 ekosistem\u0173 regeneracijos paj\u0117gum\u0173.<\/li>\n<\/ul>\n

          <\/p>\n

          Nuotolinio steb\u0117jimo privalumai biomas\u0117s skai\u010diavimams<\/h2>\n

          Nuotoliniais tyrimais pagr\u012fstas biomas\u0117s kartografavimas si\u016blo galimybi\u0173 derin\u012f, kuriam negali prilygti joks ant\u017eeminis metodas. \u0160ie privalumai paai\u0161kina, kod\u0117l per pastar\u0105j\u012f de\u0161imtmet\u012f \u0161i technologija de\u0161imtyse \u0161ali\u0173 i\u0161 eksperimentin\u0117s \u012f veikian\u010di\u0105 b\u016bsen\u0105 tapo prieinama.<\/p>\n

          Neardomasis matavimas yra bene svarbiausias privalumas. Nuotolinis steb\u0117jimas renka informacij\u0105 apie augmenij\u0105 jos nenuimant, nepjaunant ir netrikdant. Tai leid\u017eia atlikti pakartotinius matavimus tiksliai toje pa\u010dioje vietoje, o tai labai svarbu norint nustatyti biomas\u0117s poky\u010dius laikui b\u0117gant \u2013 tai rodiklis, kuris yra svarbiausias anglies dioksido apskaitai ir ekosistem\u0173 steb\u0117senai.<\/p>\n

            \n
          • Didelio masto apr\u0117ptis u\u017e ma\u017eas ribines i\u0161laidas:<\/strong> \u012ediegus jutikl\u012f ir apdorojimo proces\u0105, papildomo milijono hektar\u0173 ploto prid\u0117jimo prie biomas\u0117s tyrimo kaina i\u0161 esm\u0117s lygi nuliui. \u0160i s\u0105naud\u0173 strukt\u016bra yra atvirk\u0161tin\u0117 lauko tyrimams, kur s\u0105naudos tiesi\u0161kai proporcingos plotui.<\/li>\n
          • Da\u017eni laikini atnaujinimai:<\/strong> \u201eSentinel-2\u201c kas 5 dienas aplanko bet kuri\u0105 \u017dem\u0117s viet\u0105. Toks da\u017enis leid\u017eia steb\u0117ti biomas\u0119 vis\u0105 vegetacijos sezon\u0105, u\u017efiksuojant dinaminius poky\u010dius, kuri\u0173 visi\u0161kai nepastebi pavieniai metiniai lauko tyrimai.<\/li>\n
          • Istorin\u0117s analiz\u0117s galimyb\u0117s:<\/strong> \u201eLandsat\u201c archyve yra vaizd\u0173 nuo 1972 m. Tyr\u0117jai gali atkurti istorines biomas\u0117s trajektorijas, kad kiekybi\u0161kai \u012fvertint\u0173 bendr\u0105 mi\u0161k\u0173 naikinim\u0105, \u012fvertint\u0173 ekosistem\u0173 atsigavim\u0105 po trikd\u017ei\u0173 arba nustatyt\u0173 iki trikd\u017ei\u0173 buvusias pradines s\u0105lygas kompensacijos reikalavimui.<\/li>\n
          • Patobulintas \u017eem\u0117s valdytoj\u0173 sprendim\u0173 pri\u0117mimas:<\/strong> Erdviniai biomas\u0117s \u017eem\u0117lapiai atskleid\u017eia, kur kra\u0161tovaizdyje biomas\u0117 kaupiasi, ma\u017e\u0117ja arba yra stabili, taip suteikdami \u017eem\u0117s valdytojams erdvin\u012f tikslum\u0105, kad jie gal\u0117t\u0173 nukreipti intervencijas ten, kur jos tur\u0117s did\u017eiausi\u0105 poveik\u012f.<\/li>\n<\/ul>\n

            <\/p>\n

            Nuotolinio steb\u0117jimo biomas\u0117s \u012fvertinimo apribojimai ir i\u0161\u0161\u016bkiai<\/h2>\n

            Nuotolinio steb\u0117jimo biomas\u0117s kartografavimas yra galingas, ta\u010diau jis turi reali\u0173 technini\u0173 apribojim\u0173, kuriuos specialistai turi suprasti prie\u0161 pasikliaudami rezultatais priimdami svarbius sprendimus.<\/p>\n

            Signalo prisotinimas tankiuose mi\u0161kuose i\u0161lieka nei\u0161spr\u0119stu optini\u0173 ir C diapazono radar\u0173 jutikli\u0173 i\u0161\u0161\u016bkiu. Med\u017ei\u0173 lajoms susiaur\u0117jus ir biomasei kaupiantis vir\u0161ijus jutikliui nustatyt\u0105 rib\u0105, spektrinis arba atgalin\u0117s sklaidos signalas nebedid\u0117ja kartu su biomase.<\/p>\n

            LiDAR \u0161ios problemos i\u0161vengia, nes matuoja fizin\u0119 strukt\u016br\u0105, o ne spektrin\u012f atspind\u012f, ta\u010diau ore esan\u010di\u0173 LiDAR duomen\u0173 rinkimas i\u0161lieka brangus, o kosmose esantys LiDAR, tokie kaip GEDI, teikia retus, nesikertan\u010dius p\u0117dsakus, o ne apr\u0117pia vis\u0105 sien\u0105.<\/p>\n

              \n
            • Lauko patvirtinimas yra privalomas:<\/strong> Joks nuotolinio steb\u0117jimo modelis negali pateikti patikim\u0173 biomas\u0117s \u012fver\u010di\u0173 be kalibravimo ir patvirtinimo pagal faktinius lauko matavimus. Lauko duomen\u0173 kokyb\u0117 tiesiogiai lemia galutinio \u017eem\u0117lapio kokyb\u0119, o reprezentatyvi\u0173 lauko duomen\u0173 rinkimas nevienaly\u010diuose kra\u0161tovaizd\u017eiuose yra brangus ir techni\u0161kai sud\u0117tingas.<\/li>\n
            • Atmosferos poveikis reikalauja kruop\u0161taus koregavimo:<\/strong> Aerozoliai, vandens garai ir ozonas i\u0161sklaido ir sugeria \u012feinan\u010di\u0105 ir atspind\u0117t\u0105 saul\u0117s spinduliuot\u0119, pakeisdami spektrin\u012f signal\u0105 dar prie\u0161 jam pasiekiant jutikl\u012f. Neteisinga arba nepilna atmosferos korekcija sukelia sistemines paklaidas, kurios plinta per vis\u0105 biomas\u0117s \u012fvertinimo darbo eig\u0105.<\/li>\n
            • Duomen\u0173 apdorojimui reikalingos specializuotos \u017einios:<\/strong> Norint dirbti su nuotolinio steb\u0117jimo laiko eilut\u0117mis dideliu mastu, reikia \u017einoti geografines informacines sistemas (GIS), programavimo kalbas, tokias kaip \u201ePython\u201c ar \u201eR\u201c, ir debesijos pagrindu veikian\u010dias geoprini\u0173 duomen\u0173 platformas, tokias kaip \u201eGoogle Earth Engine\u201c. \u0160i technin\u0117 kli\u016btis riboja agronom\u0173 ir \u017eem\u0117s valdytoj\u0173, neturin\u010di\u0173 duomen\u0173 mokslo i\u0161silavinimo, pritaikym\u0105.<\/li>\n
            • Modelio neapibr\u0117\u017etumas did\u0117ja did\u0117jant atstumui nuo mokymo duomen\u0173:<\/strong> Biomas\u0117s modelis, kalibruotas Brazilijos Amazon\u0117s mi\u0161ke, gali prastai veikti, jei bus perkeltas \u012f strukt\u016bri\u0161kai kitok\u012f Vakar\u0173 Afrikos mi\u0161k\u0105, net jei abu mi\u0161kai klasifikuojami kaip dr\u0117gnieji atogr\u0105\u017e\u0173 mi\u0161kai. Regioniniai kalibravimo duomen\u0173 rinkiniai yra b\u016btini siekiant i\u0161laikyti tikslum\u0105 geografi\u0161kai \u012fvairiose tyrim\u0173 srityse.<\/li>\n<\/ul>\n

              <\/p>\n

              B\u016bsimos nuotolinio steb\u0117jimo biomas\u0117s \u012fvertinimo tendencijos<\/h2>\n

              Sausumos biomas\u0117s kartografavimo technologij\u0173 aplinka spar\u010diai vystosi. Numatoma, kad kelios suart\u0117jan\u010dios tendencijos per ateinan\u010dius penkerius\u2013de\u0161imt met\u0173 gerokai pagerins biomas\u0117s \u012fvertinimo tikslum\u0105, prieinamum\u0105 ir praktin\u012f pritaikomum\u0105.<\/p>\n

              Dirbtiniu intelektu paremtas biomas\u0117s kartografavimas yra labiausiai transformuojantis vykstantis vystymasis. Giliojo mokymosi architekt\u016bros, ypa\u010d konvoliuciniai ir transformatoriais pagr\u012fsti modeliai, vienu metu apdoroja vis\u0105 spektrin\u0119, erdvin\u0119 ir laikin\u0119 informacij\u0105 palydov\u0173 laiko eilut\u0117se, i\u0161skirdamos biomas\u0117s signalus, kuri\u0173 paprastesni modeliai negali aptikti.<\/p>\n

              Dirbtinio intelekto ir ma\u0161ininio mokymosi integracija nuotoliniame steb\u0117jime i\u0161augo 35% nuo 2021 iki 2026 m.<\/strong>, remiantis \u201eBusiness Research Insights\u201c, i\u0161 esm\u0117s pakeisdamas augalijos duomen\u0173 analiz\u0117s b\u016bd\u0105 dideliu mastu.<\/p>\n

              Europos kosmoso agent\u016bros BIOMASS misija, prad\u0117ta 2024 m., gabena pirm\u0105j\u012f i\u0161 kosmoso pakraut\u0105 P diapazono SAR, specialiai sukurt\u0105 atogr\u0105\u017e\u0173 mi\u0161k\u0173 biomas\u0117s steb\u0117senai. P diapazono signalai (bangos ilgis apie 70 cm) prasiskverbia giliai \u012f mi\u0161k\u0173 lajas, pasiekdami sumed\u0117jusius stiebus ir dideles \u0161akas, kuri\u0173 negali pasiekti trumpesni\u0173 bang\u0173 radarai.<\/p>\n

              Tyrimas paskelbtas Mokslin\u0117s ataskaitos<\/em> (2023 m. baland\u017eio m\u0117n.) atliktas tyrimas parod\u0117, kad P diapazono TomoSAR (tomografinis SAR \u2013 technika, kuri rekonstruoja trimat\u0119 mi\u0161ko strukt\u016br\u0105 i\u0161 daugelio radaro pra\u0117jim\u0173) pateik\u0117 daug \u017eadan\u010dius AGB \u012fver\u010dius tankiuose atogr\u0105\u017e\u0173 mi\u0161kuose Pranc\u016bzijos Gvianoje, pateikdamas BIOMASS misijos praktini\u0173 rezultat\u0173 ap\u017evalg\u0105.<\/p>\n

                \n
              • Daugiajutikli\u0173 duomen\u0173 sintez\u0117 dideliu mastu:<\/strong> Algoritmai, kurie automati\u0161kai sujungia optinius, radarinius ir LiDAR duomen\u0173 srautus \u2013 kiekvienam jutikliui suteikiant svorio pagal jo patikimum\u0105 tam tikroje ekosistemoje ir sezono metu \u2013 pereina nuo eksperimentini\u0173 prototip\u0173 prie operacini\u0173 \u012franki\u0173, diegiam\u0173 debesijos platformose.<\/li>\n
              • Biomas\u0117s steb\u0117sena realiuoju ir beveik realiuoju laiku:<\/strong> Debesijos pagrindu sukurtos geoprin\u0117s platformos, tokios kaip \u201eGoogle Earth Engine\u201c ir \u201eMicrosoft Planetary Computer\u201c, dabar leid\u017eia nuolat ir automati\u0161kai apdoroti gaunamus palydov\u0173 duomen\u0173 srautus. Keliose atogr\u0105\u017e\u0173 \u0161alyse jau veikia beveik realiuoju laiku veikiantys mi\u0161k\u0173 naikinimo \u012fsp\u0117jimai, kurie suveikia per 24\u201348 valandas nuo mi\u0161k\u0173 nykimo \u012fvyki\u0173.<\/li>\n
              • Skaitmeniniai dvyniai tiksliajam \u016bkininkavimui:<\/strong> Integruojant nuotolinio steb\u0117jimo b\u016bdu gautus biomas\u0117s duomenis su dirvo\u017eemio jutikliais, or\u0173 modeliais ir pas\u0117li\u0173 modeliavimu, sukuriami \u016bkio masto skaitmeniniai dvyniai \u2013 virtualios reali\u0173 lauk\u0173 kopijos, leid\u017eian\u010dios \u016bkininkams i\u0161bandyti valdymo scenarijus prie\u0161 juos \u012fgyvendinant realiame pasaulyje.<\/li>\n
              • Tiksliosios \u017eemdirbyst\u0117s integracija:<\/strong> \u012eperkam\u0173 dron\u0173 jutikli\u0173, palydovini\u0173 laiko eilu\u010di\u0173 ir dirbtiniu intelektu pagr\u012fstos analiz\u0117s konvergencija pirm\u0105 kart\u0105 daro lauko masto biomas\u0117s steb\u0117sen\u0105 finansi\u0161kai prieinam\u0105 individualiems \u016bkininkams, o ne tik mokslini\u0173 tyrim\u0173 \u012fstaigoms ir vyriausybin\u0117ms agent\u016broms.<\/li>\n<\/ul>\n
                \n

                Tyrimai parod\u0117, kad derinant atsitiktini\u0173 mi\u0161k\u0173 modelius su multimodaliniais nuotolinio steb\u0117jimo duomenimis i\u0161 \u201eSentinel-1\u201c, \u201eSentinel-2\u201c ir i\u0161 oro gaunami LiDAR duomenys, gauti AGB \u012fver\u010diai mi\u0161riuose vidutinio klimato mi\u0161kuose su gerokai ma\u017eesniu prognoz\u0117s neapibr\u0117\u017etumu nei bet kuris vieno jutiklio metodas, o tai rodo jutikli\u0173 suliejimo praktin\u0119 vert\u0119 net ir naudojant standartinius nemokam\u0173 palydov\u0173 duomenis.<\/p>\n

                Praktikams tai rodo, kad esam\u0173 nemokam\u0173 duomen\u0173 \u0161altini\u0173 ir gerai suprojektuot\u0173 ma\u0161ininio mokymosi kanal\u0173 derinys jau suteikia moksliniams tyrimams tinkamos biomas\u0117s kartografavimo galimybes, nereikalaujant brangios naujos \u012frangos.<\/p>\n

                Da\u017enai u\u017eduodami klausimai<\/h2>\n<\/div>\n

                1. Kuris palydovas geriausiai tinka biomas\u0117s \u012fvertinimui? <\/strong>N\u0117ra vieno geriausio palydovo visoms situacijoms. \u201eSentinel-2\u201c yra pla\u010diausiai naudojamas pas\u0117li\u0173 ir vidutin\u0117s skiriamosios gebos mi\u0161k\u0173 biomas\u0117s kartografavimui. GEDI LiDAR teikia tiksliausius mi\u0161k\u0173 med\u017ei\u0173 laj\u0173 auk\u0161\u010dio duomenis apie AGB. \u201eSentinel-1\u201c SAR yra pageidaujamas pasirinkimas debes\u0173 veikiamose atogr\u0105\u017e\u0173 vietov\u0117se. Geriausias veikimo metodas apjungia kelis jutiklius.<\/p>\n

                2. Ar dronai gali tiksliai \u012fvertinti biomas\u0119?<\/strong> Taip. Dronai su daugiaspektrin\u0117mis kameromis arba LiDAR jutikliais gali \u012fvertinti pas\u0117li\u0173 ir nedideli\u0173 plot\u0173 mi\u0161k\u0173 biomas\u0119 labai didele erdvine skiriam\u0105ja geba. Dronais pagr\u012fsti pas\u0117li\u0173 biomas\u0117s \u012fvertinimai paprastai pasiekia R\u00b2 = 0,80\u20130,95 koreliacij\u0105 su lauko matavimais, kai skryd\u017eiai atliekami pagal atitinkamus augimo etapus ir spektriniai jutikliai yra tinkamai sukalibruoti.<\/p>\n

                3. Koks tikslus yra nuotolinio steb\u0117jimo biomas\u0117s \u012fvertinimas?<\/strong> Tikslumas labai skiriasi priklausomai nuo jutiklio tipo, ekosistemos ir modelio sudarymo metodo. Vidutinio klimato mi\u0161kuose, kuriuose gera LiDAR apr\u0117ptis, biomas\u0117s \u017eem\u0117lapiai gali pasiekti 20\u201340 Mg\/ha RMSE vertes. Tankiuose atogr\u0105\u017e\u0173 mi\u0161kuose vien optiniai metodai d\u0117l signalo sodrumo gali parodyti 60\u2013100 Mg\/ha RMSE vertes. Keli\u0173 jutikli\u0173 sintez\u0117s modeliai nuolat pranoksta vieno jutiklio metodus.<\/p>\n

                4. Kod\u0117l biomas\u0117s \u012fvertinimas yra svarbus klimato kaitai?<\/strong> Mi\u0161kai ir \u017eem\u0117s \u016bkio kra\u0161tovaizd\u017eiai savo biomas\u0117je kaupia did\u017eiulius anglies kiekius. Mi\u0161k\u0173 naikinimas ir \u017eem\u0117s degradacija i\u0161skiria \u0161i\u0105 sukaupt\u0105 angl\u012f CO\u2082 pavidalu \u012f atmosfer\u0105, spartindami klimato kait\u0105. Tiksl\u016bs biomas\u0117s \u017eem\u0117lapiai suteikia pagrind\u0105 anglies atsargoms tikrinti, mi\u0161k\u0173 nykimui steb\u0117ti ir mi\u0161k\u0173 atk\u016brimo bei i\u0161saugojimo program\u0173 veiksmingumui kiekybi\u0161kai \u012fvertinti pagal tarptautines klimato kaitos programas, tokias kaip REDD+.<\/p>\n

                5. Ar nuotolinio steb\u0117jimo pagalba galima \u012fvertinti po\u017eemin\u0119 biomas\u0119? <\/strong>Nuotoliniai tyrimai negali tiesiogiai i\u0161matuoti po\u017eemin\u0117s biomas\u0117s. Ta\u010diau BGB da\u017eniausiai apskai\u010diuojamas pagal AGB, naudojant \u0161akn\u0173 ir \u016bgli\u0173 santykio koeficientus, gautus i\u0161 lauko tyrim\u0173 ir paskelbtus toki\u0173 organizacij\u0173 kaip IPCC. R\u016b\u0161ims b\u016bdingas \u0161akn\u0173 ir \u016bgli\u0173 santykis daugumoje mi\u0161ko ekosistem\u0173 svyruoja nuo 0,15 iki 0,40, tod\u0117l galima netiesiogiai \u012fvertinti BGB visur, kur yra AGB \u017eem\u0117lapiai.<\/p>\n

                <\/p>\n

                I\u0161vada<\/h2>\n

                \u017dem\u0117s biomas\u0117s apskai\u010diavimas naudojant nuotolin\u012f steb\u0117jim\u0105 i\u0161 specializuoto tyrimo metodo tapo operaciniu paj\u0117gumu, turin\u010diu tiesiogin\u0117s \u012ftakos maisto gamybai, mi\u0161k\u0173 valdymui ir klimato politikai. Nemokam\u0173 palydovini\u0173 duomen\u0173, prieinam\u0173 debes\u0173 kompiuterijos platform\u0173 ir vis galingesni\u0173 ma\u0161ininio mokymosi \u012franki\u0173 konvergencija leido vis daugiau organizacij\u0173 visame pasaulyje sudaryti kra\u0161tovaizd\u017eio masto biomas\u0117s \u017eem\u0117lapius.<\/p>\n

                Nuotolinio steb\u0117jimo vaidmuo klimato steb\u0117senoje tik augs, nes ple\u010diasi anglies dioksido rinkos, stipr\u0117ja mi\u0161k\u0173 naikinimo steb\u0117senos \u012fsipareigojimai ir did\u0117ja patikrint\u0173 anglies atsarg\u0173 duomen\u0173 poreikis visoje pasaulio ekonomikoje. BIOMASS palydovo misijai jau prad\u0117jus veikti, GEDI toliau ple\u010diant savo pasaulin\u012f duomen\u0173 rinkin\u012f, o dirbtinio intelekto modeliams smarkiai pagerinant \u012fvertinim\u0173 tikslum\u0105, gaunam\u0105 naudojant keli\u0173 jutikli\u0173 duomen\u0173 sintez\u0119, galimyb\u0117 tiksliai \u017einoti, kur biomas\u0117 kaupiasi, ma\u017e\u0117ja ar i\u0161lieka stabili \u017dem\u0117s sausumos pavir\u0161iuje, tapo ranka pasiekiama.<\/p>","protected":false},"excerpt":{"rendered":"

                Nuotolinio steb\u0117jimo technologijos i\u0161 esm\u0117s pakeit\u0117 tai, kaip matuojame, stebime ir valdome gyv\u0105j\u0105 m\u016bs\u0173 planetos sausumos pavir\u0161iaus mas\u0119. Sausumos biomas\u0117, apskai\u010diuota naudojant nuotolinius\u2026<\/p>","protected":false},"author":210157960,"featured_media":13943,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_coblocks_attr":"","_coblocks_dimensions":"","_coblocks_responsive_height":"","_coblocks_accordion_ie_support":"","_eb_attr":"","content-type":"","_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_wpcom_ai_launchpad_first_post":false,"_jetpack_hide_featured_image":false,"_jetpack_featured_image_duplicate_dismissed":0,"_jetpack_feature_clip_id":0,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_publicize_message":"{title}\n\n{excerpt}\n\n{url}","jetpack_publicize_feature_enabled":true,"jetpack_social_post_already_shared":true,"jetpack_social_options":{"image_generator_settings":{"template":"highway","default_image_id":0,"font":"","enabled":false},"version":2},"_wpas_customize_per_network":false,"jetpack_post_was_ever_published":false},"categories":[1378],"tags":[],"class_list":["post-13941","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-remote-sensing"],"acf":[],"yoast_head":"\nHow Land Biomass Is Calculated Using Remote Sensing - GeoPard<\/title>\n<meta name=\"description\" content=\"Learn how land biomass calculated using remote sensing transforms agriculture, forestry, and carbon accounting with faster scalable data.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/geopard.tech\/lt\/tinklarastis\/kaip-apskaiciuojama-zemes-biomase-naudojant-nuotolini-stebejima\/\" \/>\n<meta property=\"og:locale\" content=\"lt_LT\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"How Land Biomass Is Calculated Using Remote Sensing - GeoPard\" \/>\n<meta property=\"og:description\" content=\"Learn how land biomass calculated using remote sensing transforms agriculture, forestry, and carbon accounting with faster scalable data.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/geopard.tech\/lt\/tinklarastis\/kaip-apskaiciuojama-zemes-biomase-naudojant-nuotolini-stebejima\/\" \/>\n<meta property=\"og:site_name\" content=\"GeoPard - Precision agriculture Mapping software\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/geopardAgriculture\/\" \/>\n<meta property=\"article:published_time\" content=\"2026-08-01T20:42:28+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/geopard.tech\/wp-content\/uploads\/2026\/08\/How-Land-Biomass-Is-Calculated-Using-Remote-Sensing-1024x576.png\" \/>\n\t<meta property=\"og:image:width\" content=\"1024\" \/>\n\t<meta property=\"og:image:height\" content=\"576\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"dementievgeopard\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:creator\" content=\"@geopardagri\" \/>\n<meta name=\"twitter:site\" content=\"@geopardagri\" \/>\n<meta name=\"twitter:label1\" content=\"Written by\" \/>\n\t<meta name=\"twitter:data1\" content=\"dementievgeopard\" \/>\n\t<meta name=\"twitter:label2\" content=\"Est. reading time\" \/>\n\t<meta name=\"twitter:data2\" content=\"24 minut\u0117s\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/how-land-biomass-is-calculated-using-remote-sensing\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/how-land-biomass-is-calculated-using-remote-sensing\\\/\"},\"author\":{\"name\":\"dementievgeopard\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/person\\\/dd217733c742620adc57befbbcd84a8a\"},\"headline\":\"How Land Biomass Is Calculated Using Remote Sensing\",\"datePublished\":\"2026-08-01T20:42:28+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/how-land-biomass-is-calculated-using-remote-sensing\\\/\"},\"wordCount\":5029,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/#organization\"},\"image\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/how-land-biomass-is-calculated-using-remote-sensing\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2026\\\/08\\\/How-Land-Biomass-Is-Calculated-Using-Remote-Sensing.png?fit=1920%2C1080&ssl=1\",\"articleSection\":[\"Remote Sensing\"],\"inLanguage\":\"lt-LT\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/geopard.tech\\\/blog\\\/how-land-biomass-is-calculated-using-remote-sensing\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/how-land-biomass-is-calculated-using-remote-sensing\\\/\",\"url\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/how-land-biomass-is-calculated-using-remote-sensing\\\/\",\"name\":\"How Land Biomass Is Calculated Using Remote Sensing - GeoPard\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/how-land-biomass-is-calculated-using-remote-sensing\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/how-land-biomass-is-calculated-using-remote-sensing\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2026\\\/08\\\/How-Land-Biomass-Is-Calculated-Using-Remote-Sensing.png?fit=1920%2C1080&ssl=1\",\"datePublished\":\"2026-08-01T20:42:28+00:00\",\"description\":\"Learn how land biomass calculated using remote sensing transforms agriculture, forestry, and carbon accounting with faster scalable data.\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/how-land-biomass-is-calculated-using-remote-sensing\\\/#breadcrumb\"},\"inLanguage\":\"lt-LT\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/geopard.tech\\\/blog\\\/how-land-biomass-is-calculated-using-remote-sensing\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"lt-LT\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/how-land-biomass-is-calculated-using-remote-sensing\\\/#primaryimage\",\"url\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2026\\\/08\\\/How-Land-Biomass-Is-Calculated-Using-Remote-Sensing.png?fit=1920%2C1080&ssl=1\",\"contentUrl\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2026\\\/08\\\/How-Land-Biomass-Is-Calculated-Using-Remote-Sensing.png?fit=1920%2C1080&ssl=1\",\"width\":1920,\"height\":1080,\"caption\":\"How Land Biomass Is Calculated Using Remote Sensing\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/how-land-biomass-is-calculated-using-remote-sensing\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/geopard.tech\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"How Land Biomass Is Calculated Using Remote Sensing\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#website\",\"url\":\"https:\\\/\\\/geopard.tech\\\/\",\"name\":\"GeoPard - Precision agriculture software\",\"description\":\"Precision agriculture Mapping software\",\"publisher\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/#organization\"},\"alternateName\":\"GeoPard\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/geopard.tech\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"lt-LT\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#organization\",\"name\":\"GeoPard Agriculture\",\"alternateName\":\"GeoPard\",\"url\":\"https:\\\/\\\/geopard.tech\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"lt-LT\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2026\\\/07\\\/geopard_logo_transparentbackground.png?fit=512%2C68&ssl=1\",\"contentUrl\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2026\\\/07\\\/geopard_logo_transparentbackground.png?fit=512%2C68&ssl=1\",\"width\":512,\"height\":68,\"caption\":\"GeoPard Agriculture\"},\"image\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/logo\\\/image\\\/\"},\"sameAs\":[\"https:\\\/\\\/www.facebook.com\\\/geopardAgriculture\\\/\",\"https:\\\/\\\/x.com\\\/geopardagri\",\"https:\\\/\\\/www.linkedin.com\\\/company\\\/geopard-agriculture\\\/\",\"https:\\\/\\\/www.instagram.com\\\/geopardagriculture\\\/\",\"https:\\\/\\\/www.youtube.com\\\/channel\\\/UCiaPGLAhRPNh-s85dXdC-Sw\",\"https:\\\/\\\/www.g2.com\\\/products\\\/geopard-agriculture-precision-farming-software\\\/reviews\"]},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/person\\\/dd217733c742620adc57befbbcd84a8a\",\"name\":\"dementievgeopard\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"lt-LT\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g\",\"caption\":\"dementievgeopard\"}}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Kaip \u017eem\u0117s biomas\u0117 apskai\u010diuojama naudojant nuotolinius tyrimus \u2013 \u201eGeoPard\u201c","description":"Su\u017einokite, kaip nuotoliniu b\u016bdu apskai\u010diuota \u017eem\u0117s biomas\u0117 transformuoja \u017eem\u0117s \u016bk\u012f, mi\u0161kininkyst\u0119 ir anglies dioksido apskait\u0105, nes duomenys tampa greitesni ir kei\u010diamo mastelio.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/geopard.tech\/lt\/tinklarastis\/kaip-apskaiciuojama-zemes-biomase-naudojant-nuotolini-stebejima\/","og_locale":"lt_LT","og_type":"article","og_title":"How Land Biomass Is Calculated Using Remote Sensing - GeoPard","og_description":"Learn how land biomass calculated using remote sensing transforms agriculture, forestry, and carbon accounting with faster scalable data.","og_url":"https:\/\/geopard.tech\/lt\/tinklarastis\/kaip-apskaiciuojama-zemes-biomase-naudojant-nuotolini-stebejima\/","og_site_name":"GeoPard - Precision agriculture Mapping software","article_publisher":"https:\/\/www.facebook.com\/geopardAgriculture\/","article_published_time":"2026-08-01T20:42:28+00:00","og_image":[{"width":1024,"height":576,"url":"https:\/\/geopard.tech\/wp-content\/uploads\/2026\/08\/How-Land-Biomass-Is-Calculated-Using-Remote-Sensing-1024x576.png","type":"image\/png"}],"author":"dementievgeopard","twitter_card":"summary_large_image","twitter_creator":"@geopardagri","twitter_site":"@geopardagri","twitter_misc":{"Written by":"dementievgeopard","Est. reading time":"24 minut\u0117s"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/geopard.tech\/blog\/how-land-biomass-is-calculated-using-remote-sensing\/#article","isPartOf":{"@id":"https:\/\/geopard.tech\/blog\/how-land-biomass-is-calculated-using-remote-sensing\/"},"author":{"name":"dementievgeopard","@id":"https:\/\/geopard.tech\/#\/schema\/person\/dd217733c742620adc57befbbcd84a8a"},"headline":"How Land Biomass Is Calculated Using Remote Sensing","datePublished":"2026-08-01T20:42:28+00:00","mainEntityOfPage":{"@id":"https:\/\/geopard.tech\/blog\/how-land-biomass-is-calculated-using-remote-sensing\/"},"wordCount":5029,"commentCount":0,"publisher":{"@id":"https:\/\/geopard.tech\/#organization"},"image":{"@id":"https:\/\/geopard.tech\/blog\/how-land-biomass-is-calculated-using-remote-sensing\/#primaryimage"},"thumbnailUrl":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/08\/How-Land-Biomass-Is-Calculated-Using-Remote-Sensing.png?fit=1920%2C1080&ssl=1","articleSection":["Remote Sensing"],"inLanguage":"lt-LT","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/geopard.tech\/blog\/how-land-biomass-is-calculated-using-remote-sensing\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/geopard.tech\/blog\/how-land-biomass-is-calculated-using-remote-sensing\/","url":"https:\/\/geopard.tech\/blog\/how-land-biomass-is-calculated-using-remote-sensing\/","name":"Kaip \u017eem\u0117s biomas\u0117 apskai\u010diuojama naudojant nuotolinius tyrimus \u2013 \u201eGeoPard\u201c","isPartOf":{"@id":"https:\/\/geopard.tech\/#website"},"primaryImageOfPage":{"@id":"https:\/\/geopard.tech\/blog\/how-land-biomass-is-calculated-using-remote-sensing\/#primaryimage"},"image":{"@id":"https:\/\/geopard.tech\/blog\/how-land-biomass-is-calculated-using-remote-sensing\/#primaryimage"},"thumbnailUrl":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/08\/How-Land-Biomass-Is-Calculated-Using-Remote-Sensing.png?fit=1920%2C1080&ssl=1","datePublished":"2026-08-01T20:42:28+00:00","description":"Su\u017einokite, kaip nuotoliniu b\u016bdu apskai\u010diuota \u017eem\u0117s biomas\u0117 transformuoja \u017eem\u0117s \u016bk\u012f, mi\u0161kininkyst\u0119 ir anglies dioksido apskait\u0105, nes duomenys tampa greitesni ir kei\u010diamo mastelio.","breadcrumb":{"@id":"https:\/\/geopard.tech\/blog\/how-land-biomass-is-calculated-using-remote-sensing\/#breadcrumb"},"inLanguage":"lt-LT","potentialAction":[{"@type":"ReadAction","target":["https:\/\/geopard.tech\/blog\/how-land-biomass-is-calculated-using-remote-sensing\/"]}]},{"@type":"ImageObject","inLanguage":"lt-LT","@id":"https:\/\/geopard.tech\/blog\/how-land-biomass-is-calculated-using-remote-sensing\/#primaryimage","url":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/08\/How-Land-Biomass-Is-Calculated-Using-Remote-Sensing.png?fit=1920%2C1080&ssl=1","contentUrl":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/08\/How-Land-Biomass-Is-Calculated-Using-Remote-Sensing.png?fit=1920%2C1080&ssl=1","width":1920,"height":1080,"caption":"How Land Biomass Is Calculated Using Remote Sensing"},{"@type":"BreadcrumbList","@id":"https:\/\/geopard.tech\/blog\/how-land-biomass-is-calculated-using-remote-sensing\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/geopard.tech\/"},{"@type":"ListItem","position":2,"name":"How Land Biomass Is Calculated Using Remote Sensing"}]},{"@type":"WebSite","@id":"https:\/\/geopard.tech\/#website","url":"https:\/\/geopard.tech\/","name":"GeoPard \u2013 tiksliosios \u017eemdirbyst\u0117s programin\u0117 \u012franga","description":"Tiksliosios \u017eemdirbyst\u0117s kartografavimo programin\u0117 \u012franga","publisher":{"@id":"https:\/\/geopard.tech\/#organization"},"alternateName":"GeoPard","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/geopard.tech\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"lt-LT"},{"@type":"Organization","@id":"https:\/\/geopard.tech\/#organization","name":"GeoPard \u017dem\u0117s \u016bkis","alternateName":"GeoPard","url":"https:\/\/geopard.tech\/","logo":{"@type":"ImageObject","inLanguage":"lt-LT","@id":"https:\/\/geopard.tech\/#\/schema\/logo\/image\/","url":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/07\/geopard_logo_transparentbackground.png?fit=512%2C68&ssl=1","contentUrl":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/07\/geopard_logo_transparentbackground.png?fit=512%2C68&ssl=1","width":512,"height":68,"caption":"GeoPard Agriculture"},"image":{"@id":"https:\/\/geopard.tech\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.facebook.com\/geopardAgriculture\/","https:\/\/x.com\/geopardagri","https:\/\/www.linkedin.com\/company\/geopard-agriculture\/","https:\/\/www.instagram.com\/geopardagriculture\/","https:\/\/www.youtube.com\/channel\/UCiaPGLAhRPNh-s85dXdC-Sw","https:\/\/www.g2.com\/products\/geopard-agriculture-precision-farming-software\/reviews"]},{"@type":"Person","@id":"https:\/\/geopard.tech\/#\/schema\/person\/dd217733c742620adc57befbbcd84a8a","name":"dementjevgeopardo","image":{"@type":"ImageObject","inLanguage":"lt-LT","@id":"https:\/\/secure.gravatar.com\/avatar\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g","caption":"dementievgeopard"}}]}},"jetpack_publicize_connections":[],"jetpack_likes_enabled":true,"jetpack_sharing_enabled":true,"jetpack_shortlink":"https:\/\/wp.me\/pdiCPa-3CR","jetpack_featured_media_url":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/08\/How-Land-Biomass-Is-Calculated-Using-Remote-Sensing.png?fit=1920%2C1080&ssl=1","_links":{"self":[{"href":"https:\/\/geopard.tech\/lt\/wp-json\/wp\/v2\/posts\/13941","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/geopard.tech\/lt\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/geopard.tech\/lt\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/geopard.tech\/lt\/wp-json\/wp\/v2\/users\/210157960"}],"replies":[{"embeddable":true,"href":"https:\/\/geopard.tech\/lt\/wp-json\/wp\/v2\/comments?post=13941"}],"version-history":[{"count":0,"href":"https:\/\/geopard.tech\/lt\/wp-json\/wp\/v2\/posts\/13941\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/geopard.tech\/lt\/wp-json\/wp\/v2\/media\/13943"}],"wp:attachment":[{"href":"https:\/\/geopard.tech\/lt\/wp-json\/wp\/v2\/media?parent=13941"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/geopard.tech\/lt\/wp-json\/wp\/v2\/categories?post=13941"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/geopard.tech\/lt\/wp-json\/wp\/v2\/tags?post=13941"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}