Jak oblicza się biomasę lądową za pomocą teledetekcji

Technologia teledetekcji fundamentalnie zmieniła sposób, w jaki mierzymy, monitorujemy i zarządzamy żywą masą powierzchni lądów naszej planety. Biomasa lądowa obliczana za pomocą teledetekcji nie jest już ciekawostką naukową, ograniczoną do laboratoriów uniwersyteckich, lecz kluczowym narzędziem operacyjnym wykorzystywanym przez rządy, agencje leśne, naukowców zajmujących się uprawami i klimatologów na całym świecie.

Sam rynek teledetekcji w rolnictwie został wyceniony na $3,8 miliarda w 2025 roku i przewiduje się, że wzrośnie do $9,6 miliarda do 2034 roku w CAGR 10,9%, Według raportu branżowego Dataintelo z 2026 roku. Znaczna część tego wzrostu wynika z zapotrzebowania na wiarygodne dane dotyczące biomasy, wspierające rozliczanie emisji dwutlenku węgla, rolnictwo precyzyjne i monitorowanie środowiska.

Czym jest biomasa lądowa?

Biomasę lądową (całkowita sucha masa całej materii organicznej na określonym obszarze) mierzy się w jednostkach metrycznych, takich jak: ton na hektar (t/ha) Lub megagramy na hektar (Mg/ha), gdzie 1 Mg odpowiada 1 tonie metrycznej. Reprezentuje on akumulowany produkt fotosyntezy – węgiel, który rośliny, drzewa i inne organizmy wchłonęły z atmosfery i utrwaliły w materii fizycznej.

Jest to jeden z najdokładniejszych wskaźników stanu ekosystemu, magazynowania węgla i produktywności upraw, jednak tradycyjne naziemne metody pomiaru od dawna są zbyt powolne, kosztowne i ograniczone przestrzennie, aby sprostać potrzebom współczesnego zarządzania gruntami.

Biomasa nadziemna (AGB) i biomasa podziemna (BGB)

Naukowcy dzielą biomasę na dwie główne kategorie. Biomasa nadziemna (AGB) obejmuje wszystko, co rośnie nad powierzchnią gleby — łodygi, pnie, gałęzie, liście i martwe drewno. Biomasa podziemna (BGB) obejmuje systemy korzeniowe i inną podziemną materię organiczną. W większości ekosystemów leśnych BGB stanowi około 20–30% całkowitej biomasy, a jego pomiar pozostaje znacznie trudniejszy niż szacowanie AGB.

Biomasę dzieli się również na biomasę żywą (aktywnie rosnący, metabolicznie aktywny materiał roślinny) i biomasę martwą (stojące lub opadłe martwe drewno, sucha ściółka). Oba rodzaje magazynują węgiel i przyczyniają się do całkowitej puli węgla w krajobrazie, ale inaczej reagują na pożary, choroby i interwencje rolnicze.

Jako wskaźnik środowiskowy, biomasa zajmuje wyjątkowo silną pozycję. Wysokie wartości biomasy sygnalizują produktywne, zdrowe ekosystemy o wysokim potencjale sekwestracji dwutlenku węgla. Spadające trendy biomasy wskazują na wylesianie, suszę, degradację gleby lub nadmierne zbiory. Dla rolników uprawiających rośliny, biomasa nadziemna jest bezpośrednio skorelowana z potencjałem plonowania ziarna, co czyni ją jednym z najbardziej praktycznych wskaźników w rolnictwie precyzyjnym.

Dlaczego warto obliczać biomasę lądową za pomocą teledetekcji?

Tradycyjna szacowanie biomasy opiera się na pomiarach terenowych: badacze pobierają próbki z poletek, suszą materiał roślinny w piecach i ważą go, aby określić suchą masę na jednostkę powierzchni. Ten destrukcyjny i pracochłonny proces działa w skali działki, ale staje się całkowicie niepraktyczny, gdy potrzebne są dane dotyczące biomasy dla lasu państwowego, dorzecza lub kontynentalnej strefy rolniczej. Kluczowe ograniczenia naziemnych badań terenowych

1. Zasięg przestrzenny jest poważnie ograniczony. Ekipa terenowa może realistycznie zmierzyć biomasę na kilkudziesięciu działkach w ciągu sezonu. Satelita obejmuje miliony hektarów w trakcie jednego przelotu, co uniemożliwia monitorowanie krajobrazu bez teledetekcji.

2. Badania terenowe są drogie i powolne. Wysyłanie przeszkolonego personelu do odległych lasów lub na rozległe tereny rolnicze wymaga znacznych nakładów finansowych, koordynacji logistycznej i czasu — a wszystkie te zasoby nie sprawdzają się w przypadku zwiększania się obszarów objętych badaniami.

3. Niszczące pobieranie próbek szkodzi ekosystemowi. Zbiór plonów w celu ważenia biomasy powoduje zniszczenie roślinności będącej przedmiotem badania, co jest niezgodne z długoterminowymi programami monitorowania wymagającymi powtarzania pomiarów w tym samym miejscu.

4. Częstotliwość czasowa jest zbyt niska. Zespoły terenowe zazwyczaj przeprowadzają kontrolę w danym miejscu co najwyżej raz w roku. Satelity mogą ponownie odwiedzać to samo miejsce co kilka dni, umożliwiając ciągły monitoring sezonowych zmian biomasy i szybką reakcję na zdarzenia takie jak pożar czy susza.

Teledetekcja rozwiązuje wszystkie te ograniczenia jednocześnie. Pojedynczy obraz z satelity Sentinel-2 obejmuje 290 km² na scenę Na Rozdzielczość przestrzenna 10 metrów, dostarczając powtarzalne, kompleksowe dane o roślinności bez kosztów krańcowych za każdy dodatkowy hektar. Zastosowania oparte na dokładnych danych o biomasie lądowej są rozległe:

• Rachunek emisji dwutlenku węgla i REDD+: Międzynarodowe ramy klimatyczne wymagają zweryfikowanych szacunków zasobów węgla w lasach. Mapy biomasy oparte na teledetekcji zapewniają zasięg przestrzenny i częstotliwość aktualizacji, których nie są w stanie zapewnić same krajowe inwentaryzacje lasów.
• Monitoring rolniczy: Biomasa roślin uprawnych na różnych etapach wzrostu pozwala przewidzieć ostateczny plon, zaplanować nawadnianie i wykryć wczesny stres, zanim doprowadzi on do utraty wydajności.
• Gospodarka leśna: Ilość drewna, ilość paliwa w kontekście ryzyka pożaru oraz ocena bioróżnorodności zależą od wiarygodnych szacunków biomasy na dużych obszarach leśnych.
• Zarządzanie środowiskowe: Monitorowanie degradacji gleby, ocena terenów podmokłych i wykrywanie gatunków inwazyjnych opierają się na zmianach biomasy jako podstawowym sygnale.

Jak teledetekcja mierzy biomasę lądową: zasady fizyczne

Każdy system teledetekcji – czy to satelita optyczny, radar czy laser – gromadzi informacje o roślinności, mierząc interakcję energii elektromagnetycznej z materiałem roślinnym. Zrozumienie tej interakcji jest kluczem do zrozumienia, dlaczego teledetekcja w ogóle pozwala szacować biomasę.

Rośliny odbijają, absorbują i transmitują promieniowanie elektromagnetyczne w różny sposób, w zależności od ich składu chemicznego, zawartości wody, struktury liści i struktury korony. Chlorofil (zielony pigment napędzający fotosyntezę) silnie absorbuje fale czerwone i niebieskie, jednocześnie odbijając energię zieloną i bliską podczerwień.

Zdrowa, gęsta roślinność wykazuje zatem charakterystyczny wzór widmowy: niskie odbicie w paśmie czerwonym i wysokie odbicie w paśmie bliskiej podczerwieni. Wzór ten – zwany sygnaturą widmową – można zmierzyć z kosmosu, a jego intensywność koreluje z ilością materiału roślinnego na jednostkę powierzchni.

Od sygnałów widmowych do wartości biomasy

Czujniki rejestrują sygnaturę widmową i obliczają wskaźniki roślinności (matematyczne wskaźniki określające, jak silny jest sygnał roślinności na danym obrazie). Wskaźniki te są następnie łączone z biomasą za pomocą modeli statystycznych lub uczenia maszynowego, kalibrowanych na podstawie pomiarów biomasy zebranych w terenie. Rezultatem jest przestrzennie ciągła mapa biomasy — każdy piksel na obrazie otrzymuje przewidywaną wartość biomasy.

Proces przetwarzania danych przebiega według jasno określonej sekwencji. Surowe dane satelitarne są dostarczane z zniekształceniami geometrycznymi i interferencjami atmosferycznymi. Wstępne przetwarzanie koryguje te błędy. Wskaźniki roślinności są obliczane na podstawie skorygowanych obrazów. Próbki biomasy zmierzone w terenie stanowią podstawę do kalibracji modelu. Zwalidowany model jest następnie stosowany na całym obszarze obrazu w celu utworzenia ostatecznej mapy biomasy.

Dodatkowe sygnały fizyczne wykraczające poza odbicie widmowe niosą informacje o biomasie. Wysokość korony – czyli wysokość roślinności – jest silnym predyktorem AGB. Gęstość roślin (liczba łodyg na hektar) określa ilość przechwytywanego światła. Chropowatość powierzchni (wykrywana przez radar) odzwierciedla złożoność strukturalną korony. Czujniki mierzące te właściwości strukturalne, a nie tylko odbicie, często zapewniają wyższą dokładność szacowania biomasy.

Rodzaje teledetekcji stosowane do szacowania biomasy

Żaden pojedynczy czujnik nie dominuje w szacowaniu biomasy we wszystkich ekosystemach i skalach. Naukowcy i praktycy łączą wiele typów czujników w zależności od docelowej roślinności, budżetu, wymaganej dokładności i zasięgu geograficznego.

Najbardziej dokładne mapy biomasy nie powstają na podstawie danych z pojedynczego czujnika, lecz dzięki inteligentnemu połączeniu danych optycznych, radarowych i LiDAR-u — każdy z nich wypełnia martwe pola pozostałych.

1. Optyczne obrazy satelitarne: wielospektralne i hiperspektralne

Czujniki optyczne rejestrują odbite światło słoneczne w dyskretnych pasmach widmowych, zazwyczaj obejmujących fale widzialne (niebieski, zielony, czerwony) oraz bliską podczerwień (NIR). Obrazy multispektralne (dane z 4–10 pasm widmowych) stanowią podstawę większości programów operacyjnego mapowania biomasy na całym świecie, głównie dzięki swobodnym, ciągłym strumieniom danych z misji Sentinel-2 i Landsat.

Obrazowanie hiperspektralne (dane z setek wąskich, sąsiadujących pasm widmowych) zapewnia znacznie dokładniejsze szczegóły widmowe. Umożliwia ono analizę pigmentów roślinnych, zawartości wody i składu chemicznego liści na poziomie nieosiągalnym dla czujników multispektralnych.

Dzięki temu jest on szczególnie przydatny do wykrywania subtelnych różnic w gęstości biomasy na terenach trawiastych i polach uprawnych. Głównym ograniczeniem obrazowania hiperspektralnego jest zachmurzenie: czujniki optyczne nie widzą przez chmury, co powoduje znaczne luki w danych w wilgotnych regionach tropikalnych, gdzie szacowanie biomasy jest najważniejsze.

Do mapowania biomasy optycznej powszechnie wykorzystuje się satelity takie jak Landsat 8/9 (rozdzielczość 30 metrów, 16-dniowy okres rewizyty), Sentinel-2 (rozdzielczość 10 metrów, 5-dniowy okres rewizyty) i PlanetScope (rozdzielczość 3 metrów, dzienna rewizyta w zastosowaniach komercyjnych).

2. Radar (SAR): widzenie przez chmury i w koronach drzew

Radar z syntetyczną aperturą (SAR) – system emitujący impulsy mikrofalowe i mierzący energię odbitą od powierzchni ziemi – całkowicie rozwiązuje problem zachmurzenia. Energia mikrofalowa przenika przez chmury i mgłę bez zakłóceń, co czyni SAR czujnikiem pierwszego wyboru do monitorowania lasów tropikalnych, gdzie utrzymujące się zachmurzenie sprawia, że obrazy optyczne są praktycznie bezużyteczne.

Sygnały SAR przenikają również przez korony roślinności, oddziałując na zdrewniałe łodygi i gałęzie, a nie tylko na górną powierzchnię liści. Im dłuższa długość fali radaru, tym głębiej sygnał wnika. Pasmo L SAR (długość fali około 23 cm, używane przez ALOS-2 PALSAR-2) przenika do dolnej części korony i oddziałuje z dużą biomasą zdrewniałą, co czyni je szczególnie przydatnym do szacowania masy pędu drzewnego (AGB) w lasach tropikalnych.

Pasmo C SAR (długość fali około 5 cm, używane przez Sentinel-1) jest bardziej czułe na strukturę powierzchniową koron drzew i jest powszechnie stosowane do monitorowania biomasy upraw.

Badania opublikowane w Czasopismo Badań Leśnych (Springer Nature, 2021) stwierdzili, że dane SAR z satelity ALOS-2 w paśmie L i Sentinel-1 w paśmie C pozwoliły na zadowalające oszacowanie zasobów węgla, przy czym całkowite zasoby węgla w badanym obszarze lasu śródziemnomorskiego osiągnęły około 130 ton/ha łącznie na powierzchni ziemi, pod ziemią, w martwym drewnie, ściółce i zbiornikach glebowych.

3. LiDAR: Złoty standard w mapowaniu strukturalnej biomasy

LiDAR (Light Detection and Ranging) emituje impulsy laserowe i precyzyjnie mierzy czas ich odbicia od powierzchni docelowej. Ten czas jest bezpośrednio przekładany na trójwymiarowe chmury punktów (gęste mapy pokazujące dokładnie, gdzie odbija się każdy impuls laserowy), które z dokładnością do centymetra ukazują wysokość koron drzew, ich strukturę i wysokość gruntu.

Wysokość drzew jest jednym z najsilniejszych predyktorów biomasy nadziemnej – wyższe drzewa niosą wykładniczo więcej biomasy niż niższe. Modele wysokości uzyskane z wykorzystaniem technologii LiDAR, w połączeniu z równaniami allometrycznymi uzyskanymi w terenie (specyficzne dla gatunku zależności matematyczne między wysokością, średnicą i masą drzewa), pozwalają uzyskać szacunki biomasy, które konsekwentnie przewyższają metody optyczne lub radarowe w krajobrazach leśnych.

Misja NASA Global Ecosystem Dynamics Investigation (GEDI) – wielowiązkowy instrument LiDAR z falowym sygnałem, zamontowany na Międzynarodowej Stacji Kosmicznej – stanowi pierwszy specjalnie skonstruowany kosmiczny system LiDAR do szacowania globalnej biomasy. GEDI zbiera dane z 51,6°N do 51,6°S szerokości geograficznej, obejmując główne strefy lasów tropikalnych i umiarkowanych na świecie.

4. Teledetekcja oparta na dronach: skala pola o wysokiej rozdzielczości

Bezzałogowe statki powietrzne (UAV), powszechnie nazywane dronami, wypełniają lukę między pomiarami satelitarnymi a pomiarami terenowymi. Dron wyposażony w kamery RGB rejestruje obrazy o rozdzielczości centymetrowej, pozwalające na uchwycenie poszczególnych roślin.

Multispektralne czujniki dronów obliczają precyzyjne wskaźniki roślinności w skali działki. Drony wyposażone w LiDAR generują gęste chmury punktów, które umożliwiają szacowanie biomasy z dokładnością strukturalną LiDAR-u lotniczego, przy znacznie niższych kosztach.

Dla rolników uprawiających rośliny, mapowanie biomasy z wykorzystaniem dronów jest szczególnie praktyczne. Pojedynczy przelot nad polem pszenicy lub kukurydzy w fazie wzrostu wegetatywnego pozwala uzyskać mapę gęstości biomasy, która wskazuje obszary ograniczające plony – strefy o niskiej biomasie, które mogą wymagać dodatkowego nawożenia lub nawadniania, zanim szkody staną się nieodwracalne.

Wskaźniki roślinności stosowane do szacowania biomasy

Wskaźniki roślinności stanowią matematyczny pomost między surowymi wartościami odbicia widmowego a informacjami biologicznymi dotyczącymi zagęszczenia i kondycji roślin. Każdy wskaźnik wykorzystuje określoną część widma elektromagnetycznego, w której roślinność zachowuje się w charakterystyczny sposób.

NDVI (Normalized Difference Vegetation Index) jest najczęściej stosowanym wskaźnikiem. Dzieli on różnicę między odbiciem bliskiej podczerwieni (NIR) a światłem czerwonym przez ich sumę: NDVI = (NIR – światło czerwone) / (NIR + światło czerwone). Wartości wahają się od -1 do +1, a zdrowa, gęsta roślinność zazwyczaj osiąga wynik od 0,6 do 0,9.

Wskaźnik NDVI silnie koreluje ze wskaźnikiem powierzchni liści (LAI — całkowita jednostronna powierzchnia liści na jednostkę powierzchni gruntu), a zatem ze zdolnością fotosyntezy i akumulacją biomasy.

• EVI (Wskaźnik Wzmocnionej Roślinności) koryguje wpływ czynników atmosferycznych i zakłóceń pochodzących od tła glebowego, dzięki czemu jest bardziej wiarygodny niż NDVI w przypadku lasów tropikalnych o dużej biomasie i obszarów z jasną lub odsłoniętą glebą.
• SAVI (wskaźnik roślinności dostosowany do gleby) uwzględnia współczynnik korekcji jasności gleby, co jest szczególnie ważne w suchych i półsuchych warunkach rolniczych, gdzie odsłonięta gleba między rzędami upraw ma duży wpływ na sygnał widmowy.
• GNDVI (Zielony Znormalizowany Wskaźnik Roślinności Różnicowy) zastępuje we wzorze NDVI odbiciem zielonym kolor czerwony, dzięki czemu wskaźnik staje się bardziej czuły na zmiany stężenia chlorofilu i przydatny do monitorowania biomasy upraw pod koniec sezonu, gdy korony drzew są już całkowicie zamknięte.

Wskaźnik powierzchni liści (LAI) zasługuje na szczególną uwagę, ponieważ jest zarówno wynikiem badań teledetekcyjnych, jak i bezpośrednim czynnikiem napędzającym akumulację biomasy. Rośliny o wyższym wskaźniku LAI przechwytują więcej promieniowania słonecznego, wiążą więcej węgla i produkują więcej biomasy. Mapy LAI uzyskane z teledetekcji, generowane z szeregów czasowych MODIS lub Sentinel-2, są bezpośrednio wykorzystywane w modelach wzrostu upraw, które symulują kształtowanie się plonów i ostateczną biomasę nadającą się do zbioru.

Kluczowe źródła danych do szacowania biomasy lądowej

Wybór odpowiedniego źródła danych zależy od skali badania, rodzaju roślinności, wymaganej rozdzielczości przestrzennej oraz dostępnego budżetu. Poniżej przedstawiono główne strumienie danych wykorzystywane obecnie w mapowaniu biomasy na potrzeby operacyjne i badawcze. Bezpłatne, ogólnodostępne dane satelitarne z satelitów Landsat i konstelacji Sentinel zdemokratyzowały mapowanie biomasy, udostępniając je badaczom i agencjom, które nie dysponują budżetem na komercyjne obrazowanie.

i. Landsat (NASA/USGS): Ponad 50 lat ciągłych danych, rozdzielczość 30 metrów, bezpłatny dostęp. Szeregi czasowe Landsat umożliwiają analizę historyczną zmian biomasy sięgającą lat 70. XX wieku, zapewniając niezrównany kontekst do monitorowania wylesiania i degradacji gleby.

ii. Sentinel-2 (ESA): Rozdzielczość 10 metrów w kluczowych pasmach widmowych, 5-dniowy okres rewizyty, bezpłatny dostęp. Sentinel-2 to obecny standard w monitorowaniu biomasy upraw i ocenie lasów regionalnych ze względu na swoją rozdzielczość i kombinację częstotliwości.

iii. Sentinel-1 (ESA): SAR w paśmie C, możliwość pracy w każdych warunkach pogodowych, bezpłatny dostęp. Sentinel-1 to główne źródło radarowe do monitorowania wpływu chmur tropikalnych i biomasy upraw na obszarach, gdzie luki w danych optycznych stanowią stały problem.

iv. MODIS (NASA): Rozdzielczość 250 m–1 km, całodobowy zasięg globalny. Szeregi czasowe MODIS idealnie nadają się do wykrywania zmian biomasy w skali kontynentalnej i monitorowania sezonowego, choć niska rozdzielczość ogranicza ich użyteczność w przypadku krajobrazów pofragmentowanych.

v. PlanetScope: Rozdzielczość 3 metrów, codzienne powtórki, subskrypcja komercyjna. PlanetScope umożliwia monitorowanie biomasy w skali pojedynczego pola, wspierając precyzyjne zastosowania rolnicze, gdzie istotna jest zmienność przestrzenna podpola.

vi. NASA GEDI LiDAR: Średnica śladu 25 metrów, globalny zasięg w strefie tropikalnej i umiarkowanej, bezpłatne produkty danych. GEDI jest głównym źródłem danych kosmicznych dotyczących wysokości koron drzew i gęstości AGB w skali globalnej.

vii. ICESat-2 (NASA): LiDAR liczący fotony o zasięgu globalnym, szczególnie przydatny do pomiaru wysokości koron drzew w lasach położonych na dużych szerokościach geograficznych i wykrywania drobnych zmian wysokości.

Kroki obliczania biomasy lądowej za pomocą teledetekcji

Szacowanie biomasy lądowej za pomocą danych teledetekcyjnych przebiega według ustrukturyzowanego procesu. Każdy krok zależy od dokładności poprzedniego. Niedociągnięcia w procesie wstępnego przetwarzania lub walidacji terenowej prowadzą do błędów w ostatecznej mapie biomasy.

i. Wybierz odpowiednie obrazy: Wybierz czujnik, rozdzielczość przestrzenną i okres czasu w oparciu o docelowy ekosystem i cel badania. Monitorowanie biomasy leśnej zazwyczaj wymaga danych z Sentinel-1 lub GEDI; monitorowanie biomasy uprawnej zazwyczaj wykorzystuje obrazowanie wielospektralne z Sentinel-2 lub dronów.

ii. Wstępne przetwarzanie obrazu: Zastosuj korekcję atmosferyczną, aby przekonwertować surowe wartości cyfrowe na wartości odbicia powierzchni. Wykonaj korekcję geometryczną, aby upewnić się, że obraz jest dokładnie dopasowany do rzeczywistych współrzędnych. Usuń piksele zanieczyszczone chmurami i zastąp je, stosując kompozycję czasową, tam gdzie to konieczne.

iii. Oblicz wskaźniki roślinności: Oblicz NDVI, EVI, SAVI, GNDVI lub inne istotne wskaźniki na podstawie skorygowanych pasm odbicia powierzchni. W przypadku danych LiDAR wyznacz metryki wysokości koron drzew (wysokość maksymalna, wysokość 95. percentyla, wysokość średnia) z chmury punktów.

iv. Pobieranie próbek biomasy terenowej: Pomiar biomasy nadziemnej na reprezentatywnych działkach w badanym obszarze odbywa się za pomocą zbioru destrukcyjnego lub równań allometrycznych zastosowanych do pomiarów średnicy i wysokości drzew. Te wartości terenowe stanowią podstawę modelu.

v. Budowanie modeli predykcyjnych: Przeprowadź regresję pomiarów biomasy w terenie w odniesieniu do współlokalizowanych zmiennych teledetekcyjnych (wskaźników roślinności, wskaźników wysokości koron drzew, wartości rozproszenia wstecznego SAR). W zależności od złożoności relacji i ilości dostępnych danych treningowych, zastosuj analizę regresji, model lasu losowego, maszynę wektorów nośnych lub metody sieci neuronowych.

vi. Sprawdź wyniki modelu: Użyj zbioru danych walidacyjnych z wydzielonymi danymi (wykresy terenowe nieużywane w szkoleniu modelu), aby ocenić dokładność prognozy. Podaj RMSE (pierwiastek średniego błędu kwadratowego), R² (współczynnik determinacji) i błąd systematyczny. Doprecyzuj model, jeśli dokładność jest niewystarczająca.

vii. Generowanie map biomasy: Zastosuj sprawdzony model do całego obrazu, aby uzyskać ciągłą przestrzennie mapę gęstości biomasy, na której każdy piksel zawiera przewidywaną wartość biomasy w Mg/ha lub t/ha.

Modele i metody stosowane do szacowania biomasy

Wybór modelu znacząco wpływa zarówno na dokładność, jak i generalizację systemu szacowania biomasy. Prostsze modele są bardziej przejrzyste i można je wiarygodniej przenieść do nowych lokalizacji. Złożone modele uczenia maszynowego pozwalają uzyskać większą dokładność z dużych zbiorów danych treningowych, ale mogą nadmiernie dopasowywać się do lokalnych warunków.

Empiryczne modele regresji ustalają bezpośrednią zależność matematyczną między biomasą polową a zmiennymi teledetekcyjnymi – na przykład regresję liniową między NDVI a plonem suchej masy roślin. Modele te są łatwe w interpretacji i szybkie w obliczeniach, ale słabo sobie radzą, gdy zależność widmowo-biomasowa jest nieliniowa lub gdy wartości biomasy mieszczą się w bardzo szerokim zakresie.

Metody uczenia maszynowego przezwyciężają te ograniczenia, ucząc się złożonych, nieliniowych zależności na podstawie danych. Random Forest (zespół drzew decyzyjnych, który uśrednia prognozy z setek pojedynczych drzew) jest obecnie najszerzej stosowanym algorytmem do szacowania biomasy zarówno w leśnictwie, jak i rolnictwie.

Badanie opublikowane w Granice nauk o roślinach (grudzień 2024) wykazano, że metoda Random Forest zastosowana do danych GEDI i danych teledetekcyjnych pochodzących z wielu źródeł pozwoliła na oszacowanie biomasy lasów świerkowo-jodłowych ze współczynnikiem R² znacząco wyższym niż w przypadku podejść regresyjnych wykorzystujących pojedynczy czujnik.

• Maszyna wektorów nośnych (SVM): Znajduje optymalną granicę separacji między klasami biomasy w wielowymiarowej przestrzeni cech. SVM dobrze radzi sobie z małymi i średnimi zbiorami danych treningowych i jest odporny na nadmierne dopasowanie po odpowiedniej regularyzacji.
• Sieci neuronowe i głębokie uczenie: Splotowe sieci neuronowe (CNN) i hybrydowe architektury CNN-LSTM przetwarzają wzorce przestrzenne i czasowe w obrazach jednocześnie. Badanie z 2024 roku opublikowane w czasopiśmie Teledetekcja (MDPI) Porównanie modeli RF, CNN i CNN-LSTM do szacowania biomasy leśnej w Hangzhou w Chinach wykazało, że modele głębokiego uczenia uchwyciły kontekst przestrzenny, którego metody regresji jednopunktowej zupełnie nie potrafiły uchwycić.
• Modele hybrydowe: Połącz fizyczne modele roślinności (symulujące wzrost roślin w oparciu o promieniowanie i dopływ wody) ze statystycznymi lub opartymi na uczeniu maszynowym warstwami kalibracyjnymi. Te podejścia są coraz częściej preferowane, ponieważ pozwalają na tworzenie fizycznie realistycznych szacunków biomasy, które można generalizować na różne regiony, bez polegania wyłącznie na lokalnych danych treningowych.

Czynniki wpływające na dokładność szacowania biomasy

Nawet najlepsza kombinacja czujników i modeli generuje mało wiarygodne mapy biomasy, gdy jakość danych bazowych jest niska lub gdy środowisko fizyczne wprowadza źródła szumu. Zrozumienie tych czynników ograniczających dokładność jest kluczowe dla każdego, kto projektuje program mapowania biomasy.

1. Nasycenie sygnału gęstego lasu: W lasach tropikalnych o dużej biomasie sygnały optyczne i SAR w paśmie C ulegają nasyceniu – przestają rosnąć, nawet gdy biomasa nadal rośnie. NDVI ulega nasyceniu przy wartościach AGB powyżej ok. 150–200 Mg/ha, co czyni go mało niezawodnym w starodrzewach tropikalnych, gdzie biomasa może sięgać 400–600 Mg/ha. SAR i LiDAR w paśmie L ulegają nasyceniu przy znacznie wyższych poziomach biomasy i są preferowane w takich środowiskach.

2. Wahania sezonowe: Odbicie światła przez roślinność zmienia się drastycznie w różnych porach roku. Wartość NDVI z pola pszenicy w kwietniu przedstawia zasadniczo inny stan biomasy niż na tym samym polu w sierpniu. Modele muszą uwzględniać dynamikę sezonową lub być kalibrowane oddzielnie dla każdego etapu fenologicznego.

3. Zakłócenia spowodowane zachmurzeniem: Czujniki optyczne tracą dane wszędzie tam, gdzie występują chmury. W wilgotnych regionach tropikalnych zanieczyszczenie chmurami może mieć wpływ na ponad 70% akwizycji obrazu w danym roku, co wymaga alternatywnych rozwiązań w postaci radaru lub LiDAR-u lub wieloletnich strategii łączenia.

4. Piksele mieszane: Przy umiarkowanej rozdzielczości przestrzennej (30–250 m) pojedynczy piksel obrazu często zawiera mieszankę różnych rodzajów upraw, odsłoniętej gleby i wody. Sygnał widmowy odzwierciedla średnią wszystkich tych powierzchni, co osłabia sygnał roślinności i wprowadza błąd systematyczny do prognoz biomasy.

5. Efekty terenu: Nachylony teren zmienia geometrię zarówno oświetlenia słonecznego, jak i kąt widzenia czujnika, zmieniając wartości odbicia rejestrowane przez czujnik. W obszarach górskich korekcja topograficzna jest obowiązkowa, zanim będzie można wiarygodnie zastosować jakikolwiek model biomasy.

Zastosowania mapowania biomasy lądowej w różnych sektorach

Mapy biomasy lądowej, które powstają na podstawie danych uzyskanych za pomocą teledetekcji, służą do podejmowania praktycznych decyzji w niezwykle szerokim zakresie sektorów, od rządowych raportów klimatycznych po zarządzanie indywidualnymi gospodarstwami rolnymi.

Agencje zarządzające lasami Wykorzystuj mapy biomasy do priorytetyzacji bloków zbiorów, szacowania zrównoważonego plonu i dokumentowania zgodności ze standardami certyfikacji. Kompleksowe mapy biomasy zastępują kosztowne inwentaryzacje lasów oparte na próbkach w regionach, w których dostęp do pól jest logistycznie utrudniony lub zbyt kosztowny.

Oszacowanie zasobów węgla jest jednym z najbardziej znaczących ekonomicznie zastosowań. Każdy Mg biomasy nadziemnej zawiera około 0,47 mg węgla (standardowy współczynnik przeliczeniowy IPCC). Dokładne mapy biomasy przekładają się zatem bezpośrednio na zweryfikowane inwentaryzacje dwutlenku węgla, które stanowią podstawę płatności w ramach programu REDD+ i dobrowolnych kredytów na rynku emisji dwutlenku węgla. Zweryfikowana mapa biomasy obejmująca 500 000 hektarów koncesji na lasy tropikalne może reprezentować aktywa węglowe o wartości setek milionów dolarów.

• Rolnictwo precyzyjne: Mapy biomasy upraw opracowane na podstawie obrazów z drona lub Sentinel-2 identyfikują zmienność wzrostu roślin na poszczególnych polach, co umożliwia stosowanie zmiennych dawek nawożenia i nawadniania, co pozwala ograniczyć koszty nakładów, a jednocześnie chronić plony.
• Ocena paliwa do pożarów lasów: Martwe drewno i sucha biomasa zielna stanowią paliwo dostępne dla pożarów. Mapy paliwowe opracowane na podstawie teledetekcji stanowią podstawę programów kontrolowanego wypalania lasów i planowania działań powstrzymujących pożary lasów na terenach podatnych na pożary.
• Ochrona różnorodności biologicznej: Roślinność o wysokiej biomasie i złożonej strukturze zazwyczaj sprzyja większej różnorodności gatunkowej. Mapy biomasy pomagają identyfikować priorytetowe obszary ochrony i śledzić odbudowę odtworzonych siedlisk w czasie.
• Planowanie bioenergii: Rządy i przedsiębiorstwa energetyczne wykorzystują dane dotyczące biomasy uzyskane za pomocą teledetekcji, aby ocenić zrównoważoną podaż pozostałości rolniczych i biomasy drzewnej do produkcji bioenergii, zapewniając w ten sposób, że tempo zbiorów nie przekroczy zdolności regeneracji ekosystemu.

Zalety teledetekcji w obliczeniach biomasy

Mapowanie biomasy oparte na teledetekcji oferuje kombinację możliwości, których nie dorówna żadne podejście naziemne. Te zalety wyjaśniają, dlaczego technologia ta przeszła z etapu eksperymentalnego do etapu operacyjnego w dziesiątkach krajów w ciągu ostatniej dekady.

Nieniszczące pomiary są prawdopodobnie najważniejszą zaletą. Teledetekcja gromadzi informacje o roślinności bez jej ścinania, koszenia czy naruszania. Umożliwia to wielokrotne pomiary w dokładnie tym samym miejscu, co jest niezbędne do wykrywania zmian biomasy w czasie – wskaźnika, który ma największe znaczenie dla ewidencji węgla i monitorowania ekosystemów.

• Szeroki zakres zasięgu przy niskich kosztach krańcowych: Po zainstalowaniu czujników i systemu przetwarzania, koszt dodania kolejnego miliona hektarów do badań biomasy jest praktycznie zerowy. Taka struktura kosztów jest odwrotnością kosztów badań terenowych, gdzie koszty rosną liniowo wraz z powierzchnią.
• Częste aktualizacje czasowe: Sentinel-2 powraca do dowolnego miejsca na Ziemi co 5 dni. Taka częstotliwość pozwala na monitorowanie biomasy przez cały sezon wegetacyjny, rejestrując dynamiczne zmiany, których nie wychwytują pojedyncze, coroczne badania terenowe.
• Możliwość analizy historycznej: Archiwum Landsat zawiera obrazy od 1972 roku. Naukowcy mogą rekonstruować historyczne trajektorie biomasy, aby określić skumulowane wylesianie, ocenić regenerację ekosystemów po zakłóceniach lub ustalić warunki bazowe sprzed zakłóceń na potrzeby roszczeń odszkodowawczych.
• Usprawnione podejmowanie decyzji przez zarządców gruntów: Przestrzenne mapy biomasy pokazują, gdzie w krajobrazie biomasa się kumuluje, maleje lub stabilizuje — zapewniając zarządcom gruntów precyzję przestrzenną, dzięki której mogą podejmować działania w miejscach, w których będą miały największy wpływ.

Ograniczenia i wyzwania w szacowaniu biomasy metodą teledetekcji

Mapowanie biomasy metodą teledetekcji jest bardzo skuteczne, ale wiąże się z istotnymi ograniczeniami technicznymi, które praktycy muszą zrozumieć, zanim podejmą decyzje o dużym ryzyku, opierając się na wynikach tych map.

Nasycenie sygnału w gęstych lasach pozostaje nierozwiązanym wyzwaniem dla czujników optycznych i radarowych pasma C. W miarę jak korony drzew się zamykają, a biomasa gromadzi się powyżej progu określonego przez czujnik, sygnał widmowy lub rozpraszanie wsteczne nie rośnie już wraz z biomasą.

LiDAR unika tego problemu, ponieważ mierzy strukturę fizyczną, a nie odbicie widmowe, ale gromadzenie danych LiDAR w powietrzu pozostaje kosztowne, a LiDAR w przestrzeni kosmicznej, np. GEDI, zapewnia rozproszone, nieciągłe obszary zamiast pokrywać całą powierzchnię.

• Walidacja pola jest obowiązkowa: Żaden model teledetekcyjny nie pozwala na wiarygodne oszacowanie biomasy bez kalibracji i walidacji z rzeczywistymi pomiarami terenowymi. Jakość danych terenowych bezpośrednio decyduje o jakości ostatecznej mapy, a zbieranie reprezentatywnych danych terenowych w zróżnicowanych krajobrazach jest zarówno kosztowne, jak i wymagające technicznie.
• Efekty atmosferyczne wymagają starannej korekty: Aerozole, para wodna i ozon rozpraszają i absorbują docierające i odbite promieniowanie słoneczne, zmieniając sygnał widmowy, zanim dotrze on do czujnika. Nieprawidłowa lub niepełna korekta atmosferyczna wprowadza błędy systematyczne, które rozprzestrzeniają się w całym procesie szacowania biomasy.
• Przetwarzanie danych wymaga specjalistycznej wiedzy: Praca z szeregami czasowymi teledetekcji na dużą skalę wymaga znajomości systemów informacji geograficznej (GIS), języków programowania, takich jak Python lub R, oraz chmurowych platform geoprzestrzennych, takich jak Google Earth Engine. Ta bariera techniczna ogranicza możliwość adaptacji wśród agronomów i zarządców gruntów bez doświadczenia w nauce o danych.
• Niepewność modelu rośnie wraz z odległością od danych treningowych: Model biomasy skalibrowany w brazylijskim lesie amazońskim może nie działać prawidłowo po przeniesieniu do lasu zachodnioafrykańskiego o innej strukturze, nawet jeśli oba są klasyfikowane jako lasy tropikalne i wilgotne. Regionalne zestawy danych kalibracyjnych są niezbędne do utrzymania dokładności w zróżnicowanych geograficznie obszarach badawczych.

Przyszłe trendy w szacowaniu biomasy za pomocą teledetekcji

Krajobraz technologiczny w zakresie mapowania biomasy lądowej dynamicznie się rozwija. Kilka zbieżnych trendów ma znacząco poprawić dokładność, dostępność i skalowalność operacyjną szacowania biomasy w ciągu najbliższych pięciu do dziesięciu lat.

Mapowanie biomasy oparte na sztucznej inteligencji stanowi najbardziej rewolucyjny rozwój w toku. Architektury głębokiego uczenia – w szczególności modele splotowe i transformatorowe – przetwarzają jednocześnie pełne informacje widmowe, przestrzenne i czasowe w szeregach czasowych satelitów, wyodrębniając sygnały biomasy, których prostsze modele nie są w stanie wykryć.

Integracja sztucznej inteligencji i uczenia maszynowego w teledetekcji wzrosła o 35% między 2021 a 2026 rokiem, zgodnie z Business Research Insights, gruntownie zmienia sposób analizowania danych o roślinności na dużą skalę.

Misja BIOMASS Europejskiej Agencji Kosmicznej, wystrzelona w 2024 roku, obejmuje pierwszy kosmiczny radar SAR w paśmie P, zaprojektowany specjalnie do monitorowania biomasy lasów tropikalnych. Sygnały w paśmie P (długość fali około 70 cm) wnikają głęboko w korony drzew, docierając do zdrewniałych pni i dużych gałęzi, do których nie docierają radary o krótszej długości fali.

Badania opublikowane w Raporty naukowe (kwiecień 2023 r.) wykazano, że TomoSAR w paśmie P (tomograficzny SAR — technika rekonstruująca trójwymiarową strukturę lasu na podstawie wielu przejść radarowych) pozwolił uzyskać obiecujące szacunki AGB w gęstych lasach tropikalnych w Gujanie Francuskiej, dając wgląd w to, co misja BIOMASS przyniesie w praktyce.

• Fuzja danych z wielu czujników na dużą skalę: Algorytmy, które automatycznie łączą strumienie danych optycznych, radarowych i LiDAR-owych — oceniając każdy czujnik według jego niezawodności w danym ekosystemie i porze roku — przechodzą transformację z eksperymentalnych prototypów w narzędzia operacyjne wdrażane na platformach chmurowych.
• Monitorowanie biomasy w czasie rzeczywistym i prawie rzeczywistym: Platformy geoprzestrzenne oparte na chmurze, takie jak Google Earth Engine i Microsoft Planetary Computer, umożliwiają teraz ciągłe, zautomatyzowane przetwarzanie strumieni danych satelitarnych. Alerty o wylesianiu w czasie niemal rzeczywistym, uruchamiane w ciągu 24–48 godzin od wystąpienia zjawiska utraty lasów, działają już w kilku krajach tropikalnych.
• Cyfrowe bliźniaki dla rolnictwa precyzyjnego: Integracja danych o biomasie, uzyskanych za pomocą teledetekcji, z czujnikami glebowymi, modelami pogody i modelami symulacji upraw pozwala na tworzenie cyfrowych bliźniaków na skalę całego gospodarstwa — wirtualnych replik prawdziwych pól, które umożliwiają rolnikom testowanie scenariuszy zarządzania przed ich wdrożeniem w praktyce.
• Integracja rolnictwa precyzyjnego: Połączenie niedrogich czujników dronów, szeregów czasowych satelitów i analiz opartych na sztucznej inteligencji sprawia, że monitorowanie biomasy w terenie po raz pierwszy staje się finansowo dostępne nie tylko dla instytucji badawczych i agencji rządowych, ale także dla indywidualnych rolników.

1. Który satelita jest najlepszy do szacowania biomasy? Nie ma jednego, najlepszego satelity do wszystkich sytuacji. Sentinel-2 jest najczęściej używany do mapowania biomasy upraw i lasów o średniej rozdzielczości. LiDAR GEDI dostarcza najdokładniejszych danych o wysokości koron drzew dla AGB lasów. Sentinel-1 SAR jest preferowanym wyborem w obszarach tropikalnych z chmurami. Najlepsze podejście operacyjne łączy wiele czujników.

2. Czy drony mogą dokładnie oszacować biomasę? Tak. Drony wyposażone w kamery multispektralne lub czujniki LiDAR mogą szacować biomasę upraw i lasów na małych obszarach z bardzo wysoką rozdzielczością przestrzenną. Szacunki biomasy upraw z wykorzystaniem dronów zazwyczaj osiągają korelację R² = 0,80–0,95 z pomiarami terenowymi, gdy loty są zaplanowane na odpowiednie fazy wzrostu, a czujniki spektralne są prawidłowo skalibrowane.

3. Jak dokładna jest ocena biomasy metodą teledetekcyjną? Dokładność znacznie różni się w zależności od rodzaju czujnika, ekosystemu i podejścia modelowego. W lasach strefy umiarkowanej z dobrym pokryciem LiDAR, mapy biomasy mogą osiągać wartości RMSE na poziomie 20–40 Mg/ha. W gęstych lasach tropikalnych, podejścia wyłącznie optyczne mogą osiągać wartości RMSE na poziomie 60–100 Mg/ha ze względu na nasycenie sygnału. Modele fuzji wieloczujnikowej konsekwentnie przewyższają podejścia jednoczujnikowe.

4. Dlaczego szacowanie biomasy jest istotne w kontekście zmian klimatycznych? Lasy i tereny rolnicze magazynują ogromne ilości węgla w swojej biomasie. Wylesianie i degradacja gleby uwalniają ten zmagazynowany węgiel w postaci CO₂ do atmosfery, przyspieszając zmiany klimatu. Dokładne mapy biomasy stanowią podstawę do weryfikacji zasobów węgla, monitorowania utraty lasów oraz ilościowego określania skuteczności programów zalesiania i ochrony przyrody w ramach międzynarodowych ram klimatycznych, takich jak REDD+.

5. Czy teledetekcja może oszacować biomasę podziemną? Teledetekcja nie pozwala na bezpośredni pomiar biomasy podziemnej. Jednak BGB jest zazwyczaj szacowany na podstawie AGB za pomocą współczynników stosunku korzeni do pędów, pochodzących z badań terenowych i publikowanych przez organizacje takie jak IPCC. Specyficzne dla danego gatunku stosunki korzeni do pędów wahają się od 0,15 do 0,40 w większości ekosystemów leśnych, co pozwala na pośrednie oszacowanie BGB wszędzie tam, gdzie istnieją mapy AGB.

Wniosek

Biomasa lądowa obliczana za pomocą teledetekcji zdecydowanie przeszła od wyspecjalizowanej techniki badawczej do możliwości operacyjnych, mających bezpośrednie implikacje dla produkcji żywności, zarządzania lasami i polityki klimatycznej. Połączenie darmowych danych satelitarnych, dostępnych platform przetwarzania w chmurze i coraz bardziej zaawansowanych narzędzi uczenia maszynowego sprawiło, że mapowanie biomasy w skali krajobrazu stało się osiągalne dla coraz większej liczby organizacji na całym świecie.

Rola teledetekcji w monitorowaniu klimatu będzie rosła wraz z rozwojem rynków emisji dwutlenku węgla, intensyfikacją zobowiązań w zakresie monitorowania wylesiania oraz rosnącym zapotrzebowaniem na zweryfikowane dane dotyczące zasobów węgla w gospodarce światowej. Dzięki uruchomieniu misji satelitarnej BIOMASS, ciągłemu rozszerzaniu globalnego zbioru danych przez GEDI oraz modelom sztucznej inteligencji, które znacząco poprawiają dokładność szacowania dzięki fuzji danych z wielu czujników, możliwość precyzyjnego określenia, gdzie biomasa gromadzi się, maleje lub pozostaje stabilna na powierzchni Ziemi, jest w zasięgu ręki.