Kā zemes biomasa tiek aprēķināta, izmantojot tālizpēti

Tālizpētes tehnoloģija ir fundamentāli mainījusi to, kā mēs mērām, uzraugām un pārvaldām mūsu planētas sauszemes virsmas dzīvo masu. Ar tālizpētes palīdzību aprēķinātā sauszemes biomasa vairs nav tikai universitāšu laboratoriju pētniecības interese — tagad tā ir kritiski svarīgs darbības instruments, ko izmanto valdības, mežsaimniecības aģentūras, kultūraugu zinātnieki un klimata pētnieki visā pasaulē.

Tikai lauksaimniecības tirgū tālizpēte tika novērtēta par $3,8 miljardi 2025. gadā un tiek prognozēts, ka tas pieaugs līdz $9,6 miljardi līdz 2034. gadam pie a CAGR 10,9%, saskaņā ar 2026. gada Dataintelo nozares ziņojumu. Ievērojamu daļu no šīs izaugsmes veicina pieprasījums pēc uzticamiem biomasas datiem, lai atbalstītu oglekļa uzskaiti, precīzo lauksaimniecību un vides monitoringu.

Kas ir zemes biomasa?

Zemes biomasa (visu organisko vielu kopējā sausnas masa noteiktā teritorijā) tiek mērīta metriskās vienībās, piemēram, tonnas uz hektāru (t/ha) vai megagrami uz hektāru (Mg/ha), kur 1 Mg ir vienāds ar 1 metrisko tonnu. Tas apzīmē fotosintēzes uzkrāto produktu — oglekli, ko augi, koki un citi organismi ir piesaistījuši no atmosfēras un fiksējuši fiziskā matērijā.

Tas ir viens no spēcīgākajiem ekosistēmas veselības, oglekļa uzglabāšanas un kultūraugu produktivitātes rādītājiem, tomēr tradicionālās uz zemes bāzētās mērīšanas metodes jau sen ir bijušas pārāk lēnas, dārgas un telpiski ierobežotas, lai apmierinātu mūsdienu zemes apsaimniekošanas vajadzības.

Virszemes biomasa (AGB) un pazemes biomasa (BGB)

Zinātnieki iedala biomasu divās galvenajās kategorijās. Virszemes biomasa (VBI) aptver visu, kas aug virs augsnes virsmas — stumbrus, stumbrus, zarus, lapas un stāvošu atmirušu koksni. Pazemes biomasa (PAB) aptver sakņu sistēmas un citu pazemes organisko materiālu. Lielākajā daļā mežu ekosistēmu PAB veido aptuveni 20–301 TP3T no kopējās biomasas, un tā mērīšana joprojām ir daudz sarežģītāka nekā AGB novērtēšana.

Biomasa tiek klasificēta arī kā dzīva biomasa (aktīvi augošs, vielmaiņas ziņā aktīvs augu materiāls) un atmirusi biomasa (stāvoša vai nokritusi atmirusi koksne, sausās nobiras). Abi veidi uzglabā oglekli un veicina ainavas kopējo oglekļa krātuvi, taču tie atšķirīgi reaģē uz ugunsgrēkiem, slimībām un apsaimniekošanas intervencēm.

Kā vides indikators biomasai ir unikāli spēcīga pozīcija. Augstas biomasas vērtības liecina par produktīvām, veselīgām ekosistēmām ar spēcīgu oglekļa piesaistes potenciālu. Biomasas samazināšanās tendences liecina par mežu izciršanu, sausuma stresu, augsnes degradāciju vai pārmērīgu ražas novākšanu. Labības audzētājiem virszemes biomasa tieši korelē ar graudu ražas potenciālu, padarot to par vienu no praktiskākajiem precīzas lauksaimniecības rādītājiem.

Kāpēc aprēķināt zemes biomasu, izmantojot tālizpēti?

Tradicionālā biomasas novērtēšana balstās uz lauka mērījumiem: pētnieki novāc ražu parauglaukumos, žāvē augu materiālu krāsnīs un nosver to, lai noteiktu sausnas masu uz platības vienību. Šis destruktīvais, darbietilpīgais process darbojas parauglaukuma mērogā, bet kļūst pilnīgi nepraktisks, ja nepieciešami biomasas dati par valsts mežu, upes baseinu vai kontinentālo lauksaimniecības zonu. Galvenie uz zemes veikto lauka apsekojumu ierobežojumi

1. Telpiskais pārklājums ir ievērojami ierobežots. Lauka komanda var reālistiski izmērīt biomasu dažos desmitos parauglaukumu vienā sezonā. Satelīts viena viadukta laikā aptver miljoniem hektāru, padarot ainavas mēroga uzraudzību neiespējamu bez tālizpētes.

2. Lauka apsekojumi ir dārgi un lēni. Apmācīta personāla izvietošana attālos mežos vai plašās lauksaimniecības ainavās prasa ievērojamus budžetus, loģistikas koordināciju un laiku, un tas viss ir grūti mērogojams, palielinoties apsekojuma platībām.

3. Destruktīva paraugu ņemšana bojā ekosistēmu. Ražas novākšanas zemes gabali biomasas svēršanai iznīcina pašu pētāmo veģetāciju, kas nav savienojams ar ilgtermiņa monitoringa programmām, kurām nepieciešami atkārtoti mērījumi vienā un tajā pašā vietā.

4. Laika frekvence ir pārāk zema. Lauka komandas parasti apseko objektu labākajā gadījumā reizi gadā. Satelīti var apmeklēt to pašu vietu ik pēc dažām dienām, kas ļauj nepārtraukti uzraudzīt sezonālās biomasas izmaiņas un ātri reaģēt uz tādiem notikumiem kā ugunsgrēki vai sausums.

Tālizpēte risina visus šos ierobežojumus vienlaikus. Viens Sentinel-2 satelīta attēls aptver 290 km² uz ainu plkst. 10 metru telpiskā izšķirtspēja, nodrošinot atkārtojamus, pilnīgus veģetācijas datus bez robežizmaksām par katru papildu hektāru. Lietojumi, kas ir atkarīgi no precīziem zemes biomasas datiem, ir plaši:

• Oglekļa uzskaite un REDD+: Starptautiskajiem klimata ietvarstruktūrām ir nepieciešami pārbaudīti mežu oglekļa krājumu aprēķini. Uz tālizpētes balstītas biomasas kartes nodrošina telpisko pārklājumu un atjaunināšanas biežumu, ko nevar nodrošināt tikai nacionālās mežu inventarizācijas.
• Lauksaimniecības monitorings: Kultūraugu biomasa dažādās augšanas stadijās prognozē galīgo ražu, informē par apūdeņošanas plānošanu un agrīni brīdina par stresu, pirms tas kļūst par produktivitātes zudumu.
• Meža apsaimniekošana: Koksnes apjoms, kurināmā slodze meža ugunsgrēku riskam un bioloģiskās daudzveidības novērtējums ir atkarīgi no uzticamiem biomasas aprēķiniem lielās meža platībās.
• Vides pārvaldība: Zemes degradācijas monitorings, mitrāju novērtēšana un invazīvo sugu noteikšana izmanto biomasas izmaiņas kā galveno signālu.

Kā tālizpēte mēra zemes biomasu: fizikālie principi

Katra tālizpētes sistēma — neatkarīgi no tā, vai tā ir optiskais satelīts, radars vai lāzers — vāc informāciju par veģetāciju, mērot, kā elektromagnētiskā enerģija mijiedarbojas ar augu materiālu. Šīs mijiedarbības izpratne ir atslēga, lai saprastu, kāpēc tālizpēte vispār var novērtēt biomasu.

Augi atstaro, absorbē un pārraida elektromagnētisko starojumu atšķirīgi atkarībā no to iekšējās ķīmiskās struktūras, ūdens satura, lapu struktūras un vainaga arhitektūras. Hlorofils (zaļais pigments, kas nodrošina fotosintēzi) spēcīgi absorbē sarkanos un zilos viļņu garumus, vienlaikus atstarojot zaļo un tuvā infrasarkanā starojuma enerģiju.

Tāpēc veselīgai, blīvai veģetācijai ir raksturīgs spektrālais modelis: zema sarkanās gaismas atstarošanās spēja, augsta tuvā infrasarkanā starojuma atstarošanās spēja. Šo modeli, ko sauc par spektrālo parakstu, var izmērīt no kosmosa, un tā intensitāte korelē ar augu materiāla daudzumu uz laukuma vienību.

No spektrālajiem signāliem līdz biomasas vērtībām

Sensori uztver spektrālo parakstu un aprēķina veģetācijas indeksus (matemātiskus koeficientus, kas kvantificē, cik spēcīgi veģetācijas signāls parādās dotajā attēlā). Šie indeksi pēc tam tiek sasaistīti ar biomasu, izmantojot statistiskus vai mašīnmācīšanās modeļus, kas tiek kalibrēti, izmantojot uz lauka savāktos biomasas mērījumus. Rezultāts ir telpiski nepārtraukta biomasas karte — katram attēla pikselim ir paredzēta biomasas vērtība.

Datu apstrādes darbplūsma ievēro skaidru secību. Neapstrādāti satelītu dati tiek saņemti ar ģeometriskiem kropļojumiem un atmosfēras traucējumiem. Priekšapstrāde labo šīs kļūdas. Veģetācijas indeksi tiek aprēķināti no koriģētiem attēliem. Laukā izmērītie biomasas paraugi kalpo kā pamatinformācija modeļa kalibrēšanai. Pēc tam validētais modelis tiek piemērots visā attēla apjomā, lai izveidotu galīgo biomasas karti.

Papildus spektrālajai atstarošanai ir arī citi fizikāli signāli, kas sniedz informāciju par biomasu. Vainagaugu augstums — cik augsta ir veģetācija — ir spēcīgs AGB prognozētājs. Augu blīvums (cik stublāju uz hektāru) nosaka, cik daudz gaismas tiek pārtverts. Virsmas raupjums (ko nosaka radars) atspoguļo vainaga strukturālo sarežģītību. Sensori, kas mēra šīs strukturālās īpašības, nevis tikai atstarošanu, bieži vien nodrošina lielāku biomasas novērtēšanas precizitāti.

Biomasas novērtēšanai izmantotie tālizpētes veidi

Neviens atsevišķs sensors nedominē biomasas novērtēšanā visās ekosistēmās un mērogos. Zinātnieki un praktiķi kombinē vairākus sensoru veidus, pamatojoties uz mērķa veģetāciju, budžetu, nepieciešamo precizitāti un ģeogrāfisko pārklājumu.

Mūsdienās precīzākās biomasas kartes netiek veidotas no viena sensora, bet gan no optisko, radara un LiDAR datu inteliģentas apvienošanas, kas aizpilda citu aklos punktus.

1. Optiskie satelītattēli: multispektrālie un hiperspektrālie

Optiskie sensori uztver atstaroto saules gaismu atsevišķās spektra joslās, parasti aptverot redzamos viļņu garumus (zilo, zaļo, sarkano) un tuvā infrasarkanā starojuma (NIR) diapazonus. Multispektrālie attēli (dati no 4–10 spektra joslām) veido pamatu lielākajai daļai operatīvo biomasas kartēšanas programmu visā pasaulē, galvenokārt pateicoties bezmaksas, nepārtrauktām datu plūsmām no Sentinel-2 un Landsat misijām.

Hiperspektrālie attēli (dati no simtiem šauru, nepārtrauktu spektra joslu) nodrošina daudz smalkāku spektra detaļu. Tie izšķir augu pigmentus, ūdens saturu un lapu ķīmisko sastāvu tādā līmenī, kādu multispektrālie sensori nespēj.

Tas padara to īpaši noderīgu nelielu biomasas blīvuma atšķirību noteikšanai zālājos un lauksaimniecības laukos. Hiperspektrālo attēlu galvenais ierobežojums ir mākoņu sega: optiskie sensori nevar redzēt cauri mākoņiem, kas rada ievērojamas datu nepilnības mitros tropu reģionos, kur biomasas novērtēšana ir vissvarīgākā.

Visbiežāk optiskajā biomasas kartēšanā izmantotie satelīti ir Landsat 8/9 (30 metru izšķirtspēja, 16 dienu atkārtota vizīte), Sentinel-2 (10 metru izšķirtspēja, 5 dienu atkārtota vizīte) un PlanetScope (3 metru izšķirtspēja, ikdienas atkārtota vizīte komerciāliem lietojumiem).

2. Radars (SAR): Redzēšana caur mākoņiem un debesu lapotnēs

Sintētiskās apertūras radars (SAR) — sistēma, kas izstaro mikroviļņu impulsus un mēra no zemes virsmas atstaroto enerģiju — pilnībā atrisina mākoņu segas problēmu. Mikroviļņu enerģija iziet cauri mākoņiem un dūmakai bez traucējumiem, padarot SAR par izvēles sensoru tropu mežu uzraudzībai, kur pastāvīga mākoņu sega padara optiskos attēlus gandrīz nelietojamus.

SAR signāli iekļūst arī veģetācijas vainagos, mijiedarbojoties ar koksnainiem stublājiem un zariem, ne tikai ar lapas augšējo virsmu. Jo garāks radara viļņa garums, jo dziļāk signāls iekļūst. L joslas SAR (viļņa garums aptuveni 23 cm, ko izmanto ALOS-2 PALSAR-2) iekļūst apakšējā vainagā un mijiedarbojas ar lielu koksnes biomasu, padarot to īpaši piemērotu tropu mežu AGB novērtēšanai.

C joslas SAR (viļņa garums aptuveni 5 cm, ko izmanto Sentinel-1) ir jutīgāks pret virsmas vainagu struktūru un tiek plaši izmantots kultūraugu biomasas monitoringam.

Pētījums, kas publicēts Mežsaimniecības pētījumu žurnāls (Springer Nature, 2021) atklāja, ka gan L joslas ALOS-2, gan C joslas Sentinel-1 SAR dati ļāva veikt apmierinošus oglekļa krājumu novērtējumus, kopējiem oglekļa krājumiem Vidusjūras mežu pētījumu apgabalā sasniedzot aptuveni 130 t/ha virszemē, pazemē, atmirušajā koksnē, nobirās un augsnes baseinos kopā.

3. LiDAR: Zelta standarts strukturālajā biomasas kartēšanā

LiDAR (gaismas noteikšanas un diapazona noteikšanas) tehnoloģija izstaro lāzera impulsus un precīzi mēra to atstarošanas laiku no mērķa virsmas. Šis laika mērījums tiek tieši pārveidots trīsdimensiju punktu mākoņos (blīvās kartēs, kurās precīzi norādīts, kur katrs lāzera impulss atstarojās), kas ar centimetru precizitāti atklāj vainaga augstumu, struktūru un zemes reljefa pacēlumu.

Koku augstums ir viens no spēcīgākajiem virszemes biomasas prognozētājiem — garāki koki nes eksponenciāli vairāk biomasas nekā īsāki. Ar LiDAR atvasinātie augstuma modeļi apvienojumā ar lauka mērījumos izmērītiem alometriskajiem vienādojumiem (sugai specifiskas matemātiskas attiecības starp koku augstumu, diametru un masu) sniedz biomasas aprēķinus, kas mežainās ainavās konsekventi pārspēj optiskās vai radara pieejas.

NASA Globālās ekosistēmu dinamikas izpētes (GEDI) misija — daudzstaru viļņu formas LiDAR instruments, kas uzstādīts Starptautiskajā kosmosa stacijā, — ir pirmā mērķtiecīgi kosmosā izstrādātā LiDAR sistēma globālai biomasas novērtēšanai. GEDI vāc datus no 51,6°N līdz 51,6°S platuma grādiem, aptverot pasaules galvenās tropu un mērenās mežu zonas.

4. Ar droniem balstīta tālizpēte: augstas izšķirtspējas lauka mērogs

Bezpilota lidaparāti (UAV), ko parasti sauc par droniem, savieno satelītu un lauka mērījumus. Drons ar RGB kamerām uzņem centimetru izšķirtspējas attēlus, kuros var redzēt atsevišķus augus.

Multispektrālie dronu sensori aprēķina precīzus veģetācijas indeksus zemes gabala mērogā. Ar LiDAR aprīkoti droni ģenerē blīvus punktu mākoņus, kas ļauj novērtēt biomasu ar gaisā esoša LiDAR strukturālo precizitāti par daudz zemākām izmaksām.

Augkopības lauksaimniekiem īpaši praktiska ir ar droniem veikta biomasas kartēšana. Viens lidojums virs kviešu vai kukurūzas lauka veģetatīvās augšanas stadijā rada biomasas blīvuma karti, kurā atzīmēti ražu ierobežojošie plankumi — zonas ar zemu biomasas līmeni, kurām var būt nepieciešams papildu mēslojums vai apūdeņošana, pirms bojājumi kļūst neatgriezeniski.

Veģetācijas indeksi, ko izmanto biomasas novērtēšanai

Veģetācijas indeksi ir matemātisks tilts starp neapstrādātām spektrālās atstarošanas vērtībām un bioloģisko informāciju par augu blīvumu un veselību. Katrs indekss izmanto noteiktu elektromagnētiskā spektra daļu, kur veģetācija uzvedas atšķirīgi.

Visplašāk tiek izmantots NDVI (normalizētais veģetācijas diferenciālais indekss). Tas dala starpību starp tuvā infrasarkanā (NIR) un sarkanā starojuma atstarošanos ar to summu: NDVI = (NIR – sarkanais) / (NIR + sarkanais). Vērtības svārstās no -1 līdz +1, veselīgai, blīvai veģetācijai parasti ir vērtība no 0,6 līdz 0,9.

NDVI ir cieši saistīts ar lapu laukuma indeksu (LAI — kopējā vienpusējā lapu platība uz zemes laukuma vienību) un līdz ar to ar fotosintēzes spēju un biomasas uzkrāšanos.

• EVI (Uzlabots veģetācijas indekss) koriģē atmosfēras ietekmi un augsnes fona traucējumus, padarot to uzticamāku nekā NDVI tropu mežos ar augstu biomasas saturu un apgabalos ar gaišu vai atklātu augsni.
• SAVI (augsnes koriģētais veģetācijas indekss) ietver augsnes spilgtuma korekcijas koeficientu, kas ir īpaši svarīgs sausos un daļēji sausos lauksaimniecības apstākļos, kur kaila augsne starp kultūraugu rindām spēcīgi ietekmē spektrālo signālu.
• GNDVI (zaļās normalizētā starpības veģetācijas indekss) NDVI formulā sarkanās krāsas atstarošanu aizstāj ar zaļo krāsu, padarot to jutīgāku pret hlorofila koncentrācijas izmaiņām un noderīgu kultūraugu biomasas monitoringam vēlā sezonā, kad vainagi jau ir pilnībā aizvērti.

Īpaši jāpiemin lapu laukuma indekss (LAI), jo tas ir gan tālizpētes rezultātu rezultāts, gan tiešs biomasas uzkrāšanās virzītājspēks. Augi ar augstāku LAI uztver vairāk saules starojuma, piesaista vairāk oglekļa un ražo vairāk biomasas. No tālizpētes iegūtās LAI kartes, kas ģenerētas no MODIS vai Sentinel-2 laika rindām, tieši tiek izmantotas kultūraugu augšanas modeļos, kas simulē ražas veidošanos un galīgo novākto biomasu.

Galvenie datu avoti zemes biomasas novērtēšanai

Pareizā datu avota izvēle ir atkarīga no pētījuma mēroga, veģetācijas veida, nepieciešamās telpiskās izšķirtspējas un pieejamā budžeta. Tālāk ir norādītas galvenās datu plūsmas, kas pašlaik tiek izmantotas operatīvajā un pētniecības līmeņa biomasas kartēšanā. Bezmaksas, atvērtas piekļuves satelītu dati no Landsat un Sentinel zvaigznāja ir demokratizējuši biomasas kartēšanu, padarot to pieejamu pētniekiem un aģentūrām, kurām trūkst budžeta komerciāliem attēliem.

i. Landsat (NASA/USGS): Vairāk nekā 50 gadu nepārtraukti dati, 30 metru izšķirtspēja, brīva piekļuve. Landsat laika rindas ļauj veikt biomasas izmaiņu vēsturisku analīzi, sākot no 20. gs. 70. gadiem, nodrošinot nepārspējamu kontekstu mežu izciršanas un zemes degradācijas uzraudzībai.

ii. Sentinel-2 (EKA): 10 metru izšķirtspēja galvenajās spektra joslās, 5 dienu atkārtota apmeklēšana, bezmaksas piekļuve. Sentinel-2 ir pašreizējais standarts kultūraugu biomasas monitoringam un reģionālajiem mežu novērtējumiem, pateicoties tā izšķirtspējas un frekvenču kombinācijai.

iii. Sentinel-1 (EKA): C joslas SAR, pieejams jebkuros laikapstākļos, brīva piekļuve. Sentinel-1 ir galvenais radara avots mākoņu ietekmētu tropu monitoringam un kultūraugu biomasas monitoringam apgabalos, kur optisko datu nepilnības ir pastāvīga problēma.

iv. MODIS (NASA): 250 m–1 km izšķirtspēja, ikdienas globāls pārklājums. MODIS laika rindas ir ideāli piemērotas kontinentāla mēroga biomasas izmaiņu noteikšanai un sezonālai uzraudzībai, lai gan rupjā izšķirtspēja ierobežo lietderību fragmentētās ainavās.

pret PlanetScope: 3 metru izšķirtspēja, ikdienas apmeklējums, komerciāls abonements. PlanetScope nodrošina biomasas monitoringu individuālā lauka mērogā, atbalstot precīzās lauksaimniecības pielietojumus, kuros ir svarīga apakšlauka telpiskā mainība.

vi. NASA GEDI LiDAR: 25 metru pēdas diametrs, globāls tropu un mērenās joslas pārklājums, bezmaksas datu produkti. GEDI ir galvenais kosmosā bāzētais avots, kas sniedz datus par vainaga augstumu un AGB blīvumu globālā mērogā.

vii. ICESat-2 (NASA): Fotonu skaitīšanas LiDAR ar globālu pārklājumu, īpaši spēcīgs vainagu augstuma mērīšanai augstceltņu mežos un smalkas mēroga augstuma izmaiņu noteikšanai.

Soļi zemes biomasas aprēķināšanai, izmantojot tālizpēti

Zemes biomasas novērtēšana, izmantojot tālizpētes datus, notiek saskaņā ar strukturētu darbplūsmu. Katrs solis ir atkarīgs no iepriekšējā soļa precizitātes. Neliela iepriekšēja apstrāde vai lauka validācija noved pie kļūdām galīgajā biomasas kartē.

i. Izvēlieties atbilstošus attēlus: Izvēlieties sensoru, telpisko izšķirtspēju un laika periodu, pamatojoties uz mērķa ekosistēmu un pētījuma mērķi. Meža biomasas monitoringam parasti ir nepieciešami Sentinel-1 vai GEDI dati; kultūraugu biomasas monitoringam parasti tiek izmantoti Sentinel-2 vai dronu multispektrālie attēli.

ii. Attēlu pirmapstrāde: Lietojiet atmosfēras korekciju, lai neapstrādātus digitālos skaitļus pārvērstu virsmas atstarošanas vērtībās. Veiciet ģeometrisko korekciju, lai nodrošinātu, ka attēls precīzi atbilst reālās pasaules koordinātām. Noņemiet ar mākoņiem piesārņotos pikseļus un nepieciešamības gadījumā aizstājiet tos, izmantojot laika kompozītmateriālu.

iii. Aprēķiniet veģetācijas indeksus: Aprēķiniet NDVI, EVI, SAVI, GNDVI vai citus atbilstošus indeksus no koriģētajām virsmas atstarošanas joslām. LiDAR datiem no punktu mākoņa iegūstiet vainaga augstuma rādītājus (maksimālo augstumu, 95. procentiles augstumu, vidējo augstumu).

iv. Savākt lauka biomasas paraugus: Izmēriet virszemes biomasu reprezentatīvos parauglaukumos pētījuma zonā, izmantojot destruktīvu ražas novākšanu vai alometriskos vienādojumus, kas piemēroti koku diametra un augstuma mērījumiem. Šīs lauka vērtības ir patiesā vērtība uz zemes, kas ir modeļa pamatā.

v. Veidojiet prognozēšanas modeļus: Veiciet lauka biomasas mērījumu regresiju pret kopvietotajiem tālizpētes mainīgajiem (veģetācijas indeksiem, vainaga augstuma rādītājiem, SAR atstarotās gaismas vērtībām). Izmantojiet regresijas analīzi, nejaušo mežu, atbalsta vektoru mašīnu vai neironu tīkla pieejas atkarībā no attiecību sarežģītības un pieejamo apmācības datu apjoma.

vi. Modeļa rezultātu validācija: Izmantojiet izņēmuma validācijas datu kopu (lauka diagrammas netiek izmantotas modeļa apmācībā), lai novērtētu prognozēšanas precizitāti. Ziņojiet par RMSE (vidējo kvadrātisko kļūdu), R² (noteikšanas koeficientu) un neobjektivitāti. Precizējiet modeli, ja precizitāte nav pietiekama.

vii. Biomasas karšu ģenerēšana: Pielietojiet validēto modeli pilnam attēla apjomam, izveidojot telpiski nepārtrauktu biomasas blīvuma karti, kur katrs pikselis satur prognozēto biomasas vērtību Mg/ha vai t/ha.

Biomasas novērtēšanai izmantotie modeļi un metodes

Modeļa izvēle būtiski ietekmē gan biomasas novērtēšanas sistēmas precizitāti, gan vispārināmību. Vienkāršāki modeļi ir caurspīdīgāki un uzticamāk pārnesami uz jaunām atrašanās vietām. Sarežģīti mašīnmācīšanās modeļi no lieliem apmācības datu kopumiem izspiež lielāku precizitāti, taču tie var pārāk labi atbilst vietējiem apstākļiem.

Empīriskie regresijas modeļi nosaka tiešu matemātisku sakarību starp lauka biomasu un tālizpētes mainīgajiem lielumiem, piemēram, lineāru regresiju starp NDVI un kultūraugu sausnas ražu. Šos modeļus ir viegli interpretēt un ātri aprēķināt, taču tie darbojas slikti, ja spektrālās un biomasas sakarība nav lineāra vai ja biomasas vērtības aptver ļoti plašu diapazonu.

Mašīnmācīšanās metodes pārvar šos ierobežojumus, apgūstot sarežģītas, nelineāras attiecības no datiem. Random Forest (lēmumu koku ansamblis, kas aprēķina vidējo aritmētisko no simtiem atsevišķu koku prognozēm) pašlaik ir visplašāk izmantotais algoritms biomasas novērtēšanai gan mežsaimniecībā, gan lauksaimniecībā.

Pētījums, kas publicēts Augu zinātnes robežas (2024. gada decembrī) tika pierādīts, ka Random Forest, pielietojot to GEDI un vairāku avotu tālizpētes datiem, ieguva egļu un baltegļu mežu biomasas aplēses ar ievērojami augstāku R² nekā viena sensora regresijas pieejas.

• Atbalsta vektoru mašīna (SVM): Atrod optimālo atdalīšanas robežu starp biomasas klasēm augstas dimensijas pazīmju telpā. SVM labi darbojas ar maziem un vidējiem apmācības datu kopumiem un ir noturīgs pret pārapstrādi, ja tas ir pareizi regularizēts.
• Neironu tīkli un dziļā mācīšanās: Konvolucionālie neironu tīkli (CNN) un hibrīdās CNN-LSTM arhitektūras vienlaikus apstrādā telpiskos un laika modeļus attēlos. 2024. gadā publicēts pētījums Tālizpēte (MDPI) Salīdzinot RF, CNN un CNN-LSTM modeļus meža biomasas novērtēšanai Handžou, Ķīnā, tika atklāts, ka dziļās mācīšanās modeļi uztvēra telpisko kontekstu, ko viena punkta regresijas metodes pilnībā neizmantoja.
• Hibrīda modeļi: Apvienojiet fiziskos veģetācijas modeļus (kas simulē augu augšanu, pamatojoties uz radiāciju un ūdens pieplūdi) ar statistiskiem vai mašīnmācīšanās kalibrēšanas slāņiem. Šīs pieejas tiek arvien vairāk atbalstītas, jo tās veido fiziski reālistiskus biomasas aprēķinus, kas vispārinās dažādos reģionos, nepaļaujoties tikai uz vietējiem apmācības datiem.

Faktori, kas ietekmē biomasas novērtēšanas precizitāti

Pat vislabākā sensora un modeļa kombinācija rada neuzticamas biomasas kartes, ja pamatā esošo datu kvalitāte ir slikta vai ja fiziskā vide rada trokšņa avotus. Šo precizitāti ierobežojošo faktoru izpratne ir būtiska ikvienam, kas izstrādā biomasas kartēšanas programmu.

1. Blīva meža signāla piesātinājums: Tropu mežos ar augstu biomasas saturu optiskie un C joslas SAR signāli piesātinās — tie pārstāj pieaugt pat tad, ja biomasa turpina pieaugt. NDVI piesātinās pie AGB vērtībām, kas pārsniedz aptuveni 150–200 mg/ha, padarot to neuzticamu vecos tropu mežos, kur biomasa var sasniegt 400–600 Mg/ha. L-joslas SAR un LiDAR piesātinās pie daudz augstākām biomasas vērtībām un ir vēlamākas šādās vidēs.

2. Sezonālās svārstības: Veģetācijas atstarošanas spēja ievērojami mainās dažādās sezonās. NDVI vērtība kviešu laukā aprīlī atspoguļo principiāli atšķirīgu biomasas stāvokli nekā tajā pašā laukā augustā. Modeļiem jāņem vērā sezonālā dinamika vai tie jākalibrē atsevišķi katrai fenoloģiskajai stadijai.

3. Mākoņu segas traucējumi: Optiskie sensori zaudē datus visur, kur ir mākoņi. Mitros tropu reģionos mākoņu piesārņojums var ietekmēt vairāk nekā 70% attēlu iegūšana konkrētajā gadā, kam nepieciešamas radara vai LiDAR alternatīvas vai daudzgadu kompozīcijas stratēģijas.

4. Jaukti pikseļi: Pie mērenas telpiskās izšķirtspējas (30 m–250 m) viens attēla pikselis bieži satur dažādu kultūraugu veidu, kailas augsnes un ūdens sajaukumu. Spektrālais signāls atspoguļo visu šo virsmu vidējo vērtību, kas atšķaida veģetācijas signālu un rada sistemātiskas kļūdas biomasas prognozēs.

5. Reljefa ietekme: Slīpums maina gan saules apgaismojuma, gan sensora skata leņķa ģeometriju, tādējādi mainot sensorā reģistrētās atstarošanas vērtības. Kalnu apgabalos pirms jebkura biomasas modeļa uzticamas pielietošanas ir nepieciešama topogrāfiskā korekcija.

Zemes biomasas kartēšanas pielietojums dažādās nozarēs

No tālizpētes datiem ģenerētās zemes biomasas kartes tiek izmantotas praktiskai lēmumu pieņemšanai ievērojami plašā nozaru klāstā, sākot no valdības klimata ziņojumu sniegšanas līdz individuālu saimniecību pārvaldībai.

Meža apsaimniekošanas aģentūras Izmantojiet biomasas kartes, lai noteiktu prioritāti ciršanas blokiem, novērtētu ilgtspējīgu ražu un dokumentētu atbilstību sertifikācijas standartiem. Pilnīgas biomasas kartes aizstāj dārgas, uz paraugiem balstītas meža inventarizācijas reģionos, kur piekļuve laukiem ir loģistiski sarežģīta vai pārāk dārga.

Oglekļa krājumu novērtējums ir viens no ekonomiski nozīmīgākajiem pielietojumiem. Katrs Mg virszemes biomasas satur aptuveni 0,47 Mg oglekļa (IPCC standarta konversijas koeficients). Tāpēc precīzas biomasas kartes tiek tieši pārnestas uz pārbaudītām oglekļa inventarizāciju, kas ir REDD+ maksājumu un brīvprātīgo oglekļa tirgus kredītu pamatā. Pārbaudīta biomasas karte, kas aptver 500 000 hektāru tropu mežu koncesiju, var pārstāvēt simtiem miljonu dolāru oglekļa aktīvos.

• Precīzā lauksaimniecība: No dronu vai Sentinel-2 attēliem iegūtās kultūraugu biomasas kartes identificē augu augšanas mainīgumu apakšlaukā, nodrošinot mainīgas devas mēslojuma un apūdeņošanas lietošanu, kas samazina izejvielu izmaksas, vienlaikus aizsargājot ražu.
• Meža ugunsgrēku degvielas novērtējums: Atmirusi koksne un sausā zālaugu biomasa atspoguļo ugunsgrēkiem pieejamo kurināmo. Tālizpētes iegūtās kurināmā kartes vada noteiktas dedzināšanas programmas un meža ugunsgrēku ierobežošanas plānošanu ugunsgrēkiem pakļautās ainavās.
• Bioloģiskās daudzveidības saglabāšana: Augstas biomasas, strukturāli sarežģīta veģetācija parasti nodrošina lielāku sugu daudzveidību. Biomasas kartes palīdz noteikt prioritārās aizsargājamās teritorijas un laika gaitā izsekot atjaunoto dzīvotņu atjaunošanos.
• Bioenerģijas plānošana: Valdības un enerģētikas uzņēmumi izmanto tālizpētes biomasas datus, lai novērtētu lauksaimniecības atlikumu un koksnes biomasas ilgtspējīgu piegādi bioenerģijas ražošanai, nodrošinot, ka ražas novākšanas tempi nepārsniedz ekosistēmas atjaunošanās spēju.

Tālizpētes priekšrocības biomasas aprēķināšanā

Uz tālizpēti balstīta biomasas kartēšana piedāvā tādu iespēju kombināciju, kāda nav pieejama nevienai uz zemes balstītai pieejai. Šīs priekšrocības izskaidro, kāpēc pēdējās desmitgades laikā šī tehnoloģija desmitiem valstu ir pārgājusi no eksperimentāla uz operatīvo statusu.

Nesagraujošā mērīšana, iespējams, ir visfundamentālākā priekšrocība. Tālizpēte apkopo informāciju par veģetāciju, to nenovācot, neapgriežot vai netraucējot. Tas ļauj veikt atkārtotus mērījumus tieši tajā pašā vietā, kas ir būtiski, lai noteiktu biomasas izmaiņas laika gaitā — rādītājs, kam ir vislielākā nozīme oglekļa uzskaitē un ekosistēmu uzraudzībā.

• Liela mēroga pārklājums ar zemām robežizmaksām: Kad sensors un apstrādes process ir uzstādīts, izmaksas par vēl viena miljona hektāru pievienošanu biomasas apsekojumam būtībā ir nulle. Šī izmaksu struktūra ir apgriezta lauka apsekojumiem, kur izmaksas lineāri palielinās līdz ar platību.
• Bieži laika atjauninājumi: Sentinel-2 ik pēc 5 dienām atgriežas jebkurā Zemes vietā. Šī biežums ļauj veikt biomasas monitoringu visā augšanas sezonā, fiksējot dinamiskas izmaiņas, kuras vienreizēji ikgadēji lauka apsekojumi pilnībā nepamana.
• Vēsturiskās analīzes iespējas: Landsat arhīvā ir attēli, sākot no 1972. gada. Pētnieki var rekonstruēt vēsturiskās biomasas trajektorijas, lai kvantitatīvi noteiktu kumulatīvo mežu izciršanu, novērtētu ekosistēmas atjaunošanos pēc traucējumiem vai noteiktu pirms traucējumiem esošos sākotnējos apstākļus kompensācijas prasību iesniegšanai.
• Uzlabota lēmumu pieņemšana zemes apsaimniekotājiem: Telpiski precīzas biomasas kartes atklāj, kur ainavā biomasa uzkrājas, samazinās vai ir stabila, sniedzot zemes apsaimniekotājiem telpisko precizitāti, lai mērķtiecīgi veiktu intervences tur, kur tām būs vislielākā ietekme.

Ierobežojumi un izaicinājumi tālizpētes biomasas novērtēšanā

Tālizpētes biomasas kartēšana ir jaudīga, taču tai ir reāli tehniski ierobežojumi, kas praktiķiem ir jāsaprot, pirms paļaujas uz rezultātiem, pieņemot svarīgus lēmumus.

Signāla piesātinājums blīvos mežos joprojām ir neatrisināta problēma optiskajiem un C joslas radaru sensoriem. Koku vainagiem saraujoties un biomasai uzkrājoties virs sensoram noteiktā sliekšņa, spektrālais jeb atstarotais signāls vairs nepalielinās līdz ar biomasas pieaugumu.

LiDAR novērš šo problēmu, jo tas mēra fizisko struktūru, nevis spektrālo atstarošanos, taču LiDAR datu vākšana no gaisa joprojām ir dārga, un kosmosā esošs LiDAR, piemēram, GEDI, nodrošina retus, atsevišķus apgabalus, nevis pārklājumu no sienas līdz sienai.

• Lauka validācija ir obligāta: Neviens tālizpētes modelis nesniedz ticamus biomasas aprēķinus bez kalibrēšanas un validācijas, salīdzinot ar faktiskajiem lauka mērījumiem. Lauka datu kvalitāte tieši nosaka galīgās kartes kvalitāti, un reprezentatīvu lauka datu vākšana heterogēnās ainavās ir gan dārga, gan tehniski sarežģīta.
• Atmosfēras ietekme prasa rūpīgu korekciju: Aerosoli, ūdens tvaiki un ozons izkliedē un absorbē ienākošo un atstaroto saules starojumu, mainot spektrālo signālu, pirms tas sasniedz sensoru. Nepareiza vai nepilnīga atmosfēras korekcija rada sistemātiskas kļūdas, kas izplatās visā biomasas novērtēšanas darbplūsmā.
• Datu apstrādei nepieciešamas specializētas zināšanas: Darbam ar tālizpētes laika rindām plašā mērogā ir nepieciešamas zināšanas par ģeogrāfiskās informācijas sistēmām (ĢIS), programmēšanas valodām, piemēram, Python vai R, un mākonī balstītām ģeotelpiskajām platformām, piemēram, Google Earth Engine. Šis tehniskais šķērslis ierobežo šīs tehnoloģijas izmantošanu agronomu un zemes apsaimniekotāju vidū bez datu zinātnes pieredzes.
• Modeļa nenoteiktība pieaug līdz ar attālumu no apmācības datiem: Biomasas modelis, kas kalibrēts Brazīlijas Amazones mežā, var darboties slikti, ja to pārnes uz strukturāli atšķirīgu Rietumāfrikas mežu, pat ja abi tiek klasificēti kā tropu mitrie meži. Reģionālie kalibrēšanas datu kopumi ir būtiski, lai saglabātu precizitāti ģeogrāfiski atšķirīgās pētījumu teritorijās.

Nākotnes tendences tālizpētes biomasas novērtēšanā

Zemes biomasas kartēšanas tehnoloģiju ainava strauji attīstās. Vairākas konverģējošas tendences, domājams, būtiski uzlabos biomasas aprēķinu precizitāti, pieejamību un operacionālo mērogojamību nākamo piecu līdz desmit gadu laikā.

Ar mākslīgo intelektu darbināta biomasas kartēšana ir vistransformējošākā notiekošā attīstība. Dziļās mācīšanās arhitektūras — īpaši konvolucionālie un transformatoru modeļi — vienlaikus apstrādā pilnu spektrālo, telpisko un laika informāciju satelītu laika rindās, iegūstot biomasas signālus, ko vienkāršāki modeļi nevar noteikt.

Mākslīgā intelekta un mašīnmācīšanās integrācija tālizpētē pieauga par 35% laikā no 2021. līdz 2026. gadam, saskaņā ar Business Research Insights, fundamentāli pārveidojot to, kā veģetācijas dati tiek analizēti plašā mērogā.

Eiropas Kosmosa aģentūras BIOMASS misija, kas tika uzsākta 2024. gadā, nes pirmo kosmosā nogādāto P joslas SAR, kas īpaši izstrādāts tropu mežu biomasas monitoringam. P joslas signāli (viļņa garums aptuveni 70 cm) iekļūst dziļi mežu vainagos, sasniedzot koksnainus stublājus un lielus zarus, kuriem īsāka viļņa garuma radari nevar piekļūt.

Pētījums publicēts Zinātniskie ziņojumi (2023. gada aprīlī) tika pierādīts, ka P joslas TomoSAR (tomogrāfiskais SAR — metode, kas rekonstruē trīsdimensiju meža struktūru no vairākām radara caurlaidēm) sniedza daudzsološus AGB aprēķinus blīvos tropu mežos Franču Gviānā, sniedzot priekšstatu par to, ko BIOMASS misija sniegs operacionālajā jomā.

• Vairāku sensoru datu apvienošana plašā mērogā: Algoritmi, kas automātiski apvieno optiskās, radara un LiDAR datu plūsmas, piešķirot katram sensoram svaru atbilstoši tā uzticamībai noteiktā ekosistēmā un sezonā, pāriet no eksperimentāliem prototipiem uz operatīviem rīkiem, kas izvietoti mākoņplatformās.
• Biomasas monitorings reāllaikā un gandrīz reāllaikā: Mākonī balstītas ģeotelpiskās platformas, piemēram, Google Earth Engine un Microsoft Planetary Computer, tagad nodrošina nepārtrauktu, automatizētu ienākošo satelītu datu plūsmu apstrādi. Vairākās tropu valstīs jau darbojas gandrīz reāllaika mežu izciršanas brīdinājumi, kas tiek aktivizēti 24–48 stundu laikā pēc mežu izciršanas notikumiem.
• Digitālie dvīņi precīzajai lauksaimniecībai: Integrējot no tālizpētes iegūtus biomasas datus ar augsnes sensoriem, laikapstākļu modeļiem un kultūraugu simulācijas modeļiem, tiek radīti saimniecības mēroga digitālie dvīņi — reālu lauku virtuālas kopijas, kas ļauj lauksaimniekiem pārbaudīt apsaimniekošanas scenārijus pirms to ieviešanas reālajā pasaulē.
• Precīzās lauksaimniecības integrācija: Pieejamu dronu sensoru, satelītu laika rindu un mākslīgā intelekta vadītas analītikas konverģence pirmo reizi padara lauka mēroga biomasas monitoringu finansiāli pieejamu ne tikai pētniecības iestādēm un valdības aģentūrām, bet arī individuāliem lauksaimniekiem.

1. Kurš satelīts ir vislabākais biomasas novērtēšanai? Nav viena labākā satelīta visām situācijām. Sentinel-2 ir visplašāk izmantotais satelīts kultūraugu un vidējas izšķirtspējas meža biomasas kartēšanai. GEDI LiDAR sniedz visprecīzākos datus par koku lapotuma augstumu meža AGB. Sentinel-1 SAR ir vēlamā izvēle mākoņu skartajos tropiskajos apgabalos. Vislabākā darbības pieeja apvieno vairākus sensorus.

2. Vai droni var precīzi novērtēt biomasu? Jā. Droni, kas aprīkoti ar multispektrālajām kamerām vai LiDAR sensoriem, var novērtēt kultūraugu un nelielu platību meža biomasu ar ļoti augstu telpisko izšķirtspēju. Ar droniem balstīti kultūraugu biomasas aprēķini parasti sasniedz R² = 0,80–0,95 korelāciju ar lauka mērījumiem, ja lidojumi ir saskaņoti ar atbilstošām augšanas stadijām un spektrālie sensori ir pareizi kalibrēti.

3. Cik precīza ir tālizpētes biomasas novērtēšana? Precizitāte ievērojami atšķiras atkarībā no sensoru veida, ekosistēmas un modeļa pieejas. Mērenās joslas mežos ar labu LiDAR pārklājumu biomasas kartes var sasniegt RMSE vērtības 20–40 Mg/ha. Blīvumos tropu mežos tikai optiskās pieejas signāla piesātinājuma dēļ var uzrādīt RMSE vērtības 60–100 Mg/ha. Vairāku sensoru saplūšanas modeļi konsekventi pārspēj viena sensora pieejas.

4. Kāpēc biomasas novērtēšana ir svarīga klimata pārmaiņu kontekstā? Meži un lauksaimniecības ainavas savā biomasā uzglabā milzīgu daudzumu oglekļa. Mežu izciršana un zemes degradācija atbrīvo šo uzkrāto oglekli atmosfērā kā CO₂, paātrinot klimata pārmaiņas. Precīzas biomasas kartes nodrošina pamatu oglekļa krājumu pārbaudei, mežu zuduma uzraudzībai un mežu atjaunošanas un saglabāšanas programmu efektivitātes kvantitatīvai noteikšanai saskaņā ar starptautiskiem klimata ietvariem, piemēram, REDD+.

5. Vai tālizpēte var novērtēt pazemes biomasu? Ar tālizpētes palīdzību nevar tieši izmērīt pazemes biomasu. Tomēr sakņu un dzinumu attiecības koeficientus, kas iegūti no lauka pētījumiem un ko publicējušas tādas organizācijas kā IPCC, parasti aprēķina pēc sakņu un dzinumu attiecības. Sugai specifiskās sakņu un dzinumu attiecības lielākajā daļā meža ekosistēmu svārstās no 0,15 līdz 0,40, kas ļauj veikt netiešu sakņu un dzinumu novērtējumu visur, kur ir pieejamas pazemes biomasas kartes.

Secinājums

Ar tālizpētes palīdzību aprēķinātā zemes biomasa ir pārliecinoši attīstījusies no specializētas pētniecības metodes uz operacionālu spēju ar tiešu ietekmi uz pārtikas ražošanu, mežu pārvaldību un klimata politiku. Bezmaksas satelītdatu, pieejamu mākoņdatošanas platformu un arvien jaudīgāku mašīnmācīšanās rīku konverģence ir padarījusi ainavas mēroga biomasas kartēšanu pieejamu arvien lielākam skaitam organizāciju visā pasaulē.

Tālizpētes loma klimata monitoringā tikai pieaugs, paplašinoties oglekļa tirgiem, pastiprinoties mežu izciršanas monitoringa saistībām un pieaugot pieprasījumam pēc pārbaudītiem oglekļa krājumu datiem visā pasaules ekonomikā. Tā kā BIOMASS satelīta misija tagad ir sākusi darboties, GEDI turpina paplašināt savu globālo datu kopu un mākslīgā intelekta modeļi ievērojami uzlabo aprēķinu precizitāti, izmantojot vairāku sensoru datu sapludināšanu, spēja precīzi zināt, kur biomasa uzkrājas, samazinās vai saglabājas stabila uz Zemes sauszemes virsmas, ir sasniedzama.