Czym jest biomasa l\u0105dowa?<\/h2>\n
Biomas\u0119 l\u0105dow\u0105 (ca\u0142kowita sucha masa ca\u0142ej materii organicznej na okre\u015blonym obszarze) mierzy si\u0119 w jednostkach metrycznych, takich jak: ton na hektar (t\/ha)<\/strong> Lub megagramy na hektar (Mg\/ha)<\/strong>, gdzie 1 Mg odpowiada 1 tonie metrycznej. Reprezentuje on akumulowany produkt fotosyntezy \u2013 w\u0119giel, kt\u00f3ry ro\u015bliny, drzewa i inne organizmy wch\u0142on\u0119\u0142y z atmosfery i utrwali\u0142y w materii fizycznej.<\/p>\n Jest to jeden z najdok\u0142adniejszych wska\u017anik\u00f3w stanu ekosystemu, magazynowania w\u0119gla i produktywno\u015bci upraw, jednak tradycyjne naziemne metody pomiaru od dawna s\u0105 zbyt powolne, kosztowne i ograniczone przestrzennie, aby sprosta\u0107 potrzebom wsp\u00f3\u0142czesnego zarz\u0105dzania gruntami.<\/p>\n Naukowcy dziel\u0105 biomas\u0119 na dwie g\u0142\u00f3wne kategorie. Biomasa nadziemna (AGB) obejmuje wszystko, co ro\u015bnie nad powierzchni\u0105 gleby \u2014 \u0142odygi, pnie, ga\u0142\u0119zie, li\u015bcie i martwe drewno. Biomasa podziemna (BGB) obejmuje systemy korzeniowe i inn\u0105 podziemn\u0105 materi\u0119 organiczn\u0105. W wi\u0119kszo\u015bci ekosystem\u00f3w le\u015bnych BGB stanowi oko\u0142o 20\u201330% ca\u0142kowitej biomasy<\/strong>, a jego pomiar pozostaje znacznie trudniejszy ni\u017c szacowanie AGB.<\/p>\n Biomas\u0119 dzieli si\u0119 r\u00f3wnie\u017c na biomas\u0119 \u017cyw\u0105 (aktywnie rosn\u0105cy, metabolicznie aktywny materia\u0142 ro\u015blinny) i biomas\u0119 martw\u0105 (stoj\u0105ce lub opad\u0142e martwe drewno, sucha \u015bci\u00f3\u0142ka). Oba rodzaje magazynuj\u0105 w\u0119giel i przyczyniaj\u0105 si\u0119 do ca\u0142kowitej puli w\u0119gla w krajobrazie, ale inaczej reaguj\u0105 na po\u017cary, choroby i interwencje rolnicze.<\/p>\n Jako wska\u017anik \u015brodowiskowy, biomasa zajmuje wyj\u0105tkowo siln\u0105 pozycj\u0119. Wysokie warto\u015bci biomasy sygnalizuj\u0105 produktywne, zdrowe ekosystemy o wysokim potencjale sekwestracji dwutlenku w\u0119gla. Spadaj\u0105ce trendy biomasy wskazuj\u0105 na wylesianie, susz\u0119, degradacj\u0119 gleby lub nadmierne zbiory. Dla rolnik\u00f3w uprawiaj\u0105cych ro\u015bliny, biomasa nadziemna jest bezpo\u015brednio skorelowana z potencja\u0142em plonowania ziarna, co czyni j\u0105 jednym z najbardziej praktycznych wska\u017anik\u00f3w w rolnictwie precyzyjnym.<\/p>\n <\/p>\n Tradycyjna szacowanie biomasy opiera si\u0119 na pomiarach terenowych: badacze pobieraj\u0105 pr\u00f3bki z poletek, susz\u0105 materia\u0142 ro\u015blinny w piecach i wa\u017c\u0105 go, aby okre\u015bli\u0107 such\u0105 mas\u0119 na jednostk\u0119 powierzchni. Ten destrukcyjny i pracoch\u0142onny proces dzia\u0142a w skali dzia\u0142ki, ale staje si\u0119 ca\u0142kowicie niepraktyczny, gdy potrzebne s\u0105 dane dotycz\u0105ce biomasy dla lasu pa\u0144stwowego, dorzecza lub kontynentalnej strefy rolniczej. Kluczowe ograniczenia naziemnych bada\u0144 terenowych<\/p>\n 1. Zasi\u0119g przestrzenny jest powa\u017cnie ograniczony.<\/strong> Ekipa terenowa mo\u017ce realistycznie zmierzy\u0107 biomas\u0119 na kilkudziesi\u0119ciu dzia\u0142kach w ci\u0105gu sezonu. Satelita obejmuje miliony hektar\u00f3w w trakcie jednego przelotu, co uniemo\u017cliwia monitorowanie krajobrazu bez teledetekcji.<\/p>\n 2. Badania terenowe s\u0105 drogie i powolne.<\/strong> Wysy\u0142anie przeszkolonego personelu do odleg\u0142ych las\u00f3w lub na rozleg\u0142e tereny rolnicze wymaga znacznych nak\u0142ad\u00f3w finansowych, koordynacji logistycznej i czasu \u2014 a wszystkie te zasoby nie sprawdzaj\u0105 si\u0119 w przypadku zwi\u0119kszania si\u0119 obszar\u00f3w obj\u0119tych badaniami.<\/p>\n 3. Niszcz\u0105ce pobieranie pr\u00f3bek szkodzi ekosystemowi.<\/strong> Zbi\u00f3r plon\u00f3w w celu wa\u017cenia biomasy powoduje zniszczenie ro\u015blinno\u015bci b\u0119d\u0105cej przedmiotem badania, co jest niezgodne z d\u0142ugoterminowymi programami monitorowania wymagaj\u0105cymi powtarzania pomiar\u00f3w w tym samym miejscu.<\/p>\n 4. Cz\u0119stotliwo\u015b\u0107 czasowa jest zbyt niska.<\/strong> Zespo\u0142y terenowe zazwyczaj przeprowadzaj\u0105 kontrol\u0119 w danym miejscu co najwy\u017cej raz w roku. Satelity mog\u0105 ponownie odwiedza\u0107 to samo miejsce co kilka dni, umo\u017cliwiaj\u0105c ci\u0105g\u0142y monitoring sezonowych zmian biomasy i szybk\u0105 reakcj\u0119 na zdarzenia takie jak po\u017car czy susza.<\/p>\n Teledetekcja rozwi\u0105zuje wszystkie te ograniczenia jednocze\u015bnie. Pojedynczy obraz z satelity Sentinel-2 obejmuje 290 km\u00b2 na scen\u0119<\/strong> Na Rozdzielczo\u015b\u0107 przestrzenna 10 metr\u00f3w<\/strong>, dostarczaj\u0105c powtarzalne, kompleksowe dane o ro\u015blinno\u015bci bez koszt\u00f3w kra\u0144cowych za ka\u017cdy dodatkowy hektar. Zastosowania oparte na dok\u0142adnych danych o biomasie l\u0105dowej s\u0105 rozleg\u0142e:<\/p>\n <\/p>\n Ka\u017cdy system teledetekcji \u2013 czy to satelita optyczny, radar czy laser \u2013 gromadzi informacje o ro\u015blinno\u015bci, mierz\u0105c interakcj\u0119 energii elektromagnetycznej z materia\u0142em ro\u015blinnym. Zrozumienie tej interakcji jest kluczem do zrozumienia, dlaczego teledetekcja w og\u00f3le pozwala szacowa\u0107 biomas\u0119.<\/p>\n Ro\u015bliny odbijaj\u0105, absorbuj\u0105 i transmituj\u0105 promieniowanie elektromagnetyczne w r\u00f3\u017cny spos\u00f3b, w zale\u017cno\u015bci od ich sk\u0142adu chemicznego, zawarto\u015bci wody, struktury li\u015bci i struktury korony. Chlorofil (zielony pigment nap\u0119dzaj\u0105cy fotosyntez\u0119) silnie absorbuje fale czerwone i niebieskie, jednocze\u015bnie odbijaj\u0105c energi\u0119 zielon\u0105 i blisk\u0105 podczerwie\u0144.<\/p>\n Zdrowa, g\u0119sta ro\u015blinno\u015b\u0107 wykazuje zatem charakterystyczny wz\u00f3r widmowy: niskie odbicie w pa\u015bmie czerwonym i wysokie odbicie w pa\u015bmie bliskiej podczerwieni. Wz\u00f3r ten \u2013 zwany sygnatur\u0105 widmow\u0105 \u2013 mo\u017cna zmierzy\u0107 z kosmosu, a jego intensywno\u015b\u0107 koreluje z ilo\u015bci\u0105 materia\u0142u ro\u015blinnego na jednostk\u0119 powierzchni.<\/p>\n Czujniki rejestruj\u0105 sygnatur\u0119 widmow\u0105 i obliczaj\u0105 wska\u017aniki ro\u015blinno\u015bci (matematyczne wska\u017aniki okre\u015blaj\u0105ce, jak silny jest sygna\u0142 ro\u015blinno\u015bci na danym obrazie). Wska\u017aniki te s\u0105 nast\u0119pnie \u0142\u0105czone z biomas\u0105 za pomoc\u0105 modeli statystycznych lub uczenia maszynowego, kalibrowanych na podstawie pomiar\u00f3w biomasy zebranych w terenie. Rezultatem jest przestrzennie ci\u0105g\u0142a mapa biomasy \u2014 ka\u017cdy piksel na obrazie otrzymuje przewidywan\u0105 warto\u015b\u0107 biomasy.<\/p>\n Proces przetwarzania danych przebiega wed\u0142ug jasno okre\u015blonej sekwencji. Surowe dane satelitarne s\u0105 dostarczane z zniekszta\u0142ceniami geometrycznymi i interferencjami atmosferycznymi. Wst\u0119pne przetwarzanie koryguje te b\u0142\u0119dy. Wska\u017aniki ro\u015blinno\u015bci s\u0105 obliczane na podstawie skorygowanych obraz\u00f3w. Pr\u00f3bki biomasy zmierzone w terenie stanowi\u0105 podstaw\u0119 do kalibracji modelu. Zwalidowany model jest nast\u0119pnie stosowany na ca\u0142ym obszarze obrazu w celu utworzenia ostatecznej mapy biomasy.<\/p>\n Dodatkowe sygna\u0142y fizyczne wykraczaj\u0105ce poza odbicie widmowe nios\u0105 informacje o biomasie. Wysoko\u015b\u0107 korony \u2013 czyli wysoko\u015b\u0107 ro\u015blinno\u015bci \u2013 jest silnym predyktorem AGB. G\u0119sto\u015b\u0107 ro\u015blin (liczba \u0142odyg na hektar) okre\u015bla ilo\u015b\u0107 przechwytywanego \u015bwiat\u0142a. Chropowato\u015b\u0107 powierzchni (wykrywana przez radar) odzwierciedla z\u0142o\u017cono\u015b\u0107 strukturaln\u0105 korony. Czujniki mierz\u0105ce te w\u0142a\u015bciwo\u015bci strukturalne, a nie tylko odbicie, cz\u0119sto zapewniaj\u0105 wy\u017csz\u0105 dok\u0142adno\u015b\u0107 szacowania biomasy.<\/p>\n <\/p>\n \u017baden pojedynczy czujnik nie dominuje w szacowaniu biomasy we wszystkich ekosystemach i skalach. Naukowcy i praktycy \u0142\u0105cz\u0105 wiele typ\u00f3w czujnik\u00f3w w zale\u017cno\u015bci od docelowej ro\u015blinno\u015bci, bud\u017cetu, wymaganej dok\u0142adno\u015bci i zasi\u0119gu geograficznego.<\/p>\n Najbardziej dok\u0142adne mapy biomasy nie powstaj\u0105 na podstawie danych z pojedynczego czujnika, lecz dzi\u0119ki inteligentnemu po\u0142\u0105czeniu danych optycznych, radarowych i LiDAR-u \u2014 ka\u017cdy z nich wype\u0142nia martwe pola pozosta\u0142ych.<\/p>\n Czujniki optyczne rejestruj\u0105 odbite \u015bwiat\u0142o s\u0142oneczne w dyskretnych pasmach widmowych, zazwyczaj obejmuj\u0105cych fale widzialne (niebieski, zielony, czerwony) oraz blisk\u0105 podczerwie\u0144 (NIR). Obrazy multispektralne (dane z 4\u201310 pasm widmowych) stanowi\u0105 podstaw\u0119 wi\u0119kszo\u015bci program\u00f3w operacyjnego mapowania biomasy na ca\u0142ym \u015bwiecie, g\u0142\u00f3wnie dzi\u0119ki swobodnym, ci\u0105g\u0142ym strumieniom danych z misji Sentinel-2 i Landsat.<\/p>\n Obrazowanie hiperspektralne (dane z setek w\u0105skich, s\u0105siaduj\u0105cych pasm widmowych) zapewnia znacznie dok\u0142adniejsze szczeg\u00f3\u0142y widmowe. Umo\u017cliwia ono analiz\u0119 pigment\u00f3w ro\u015blinnych, zawarto\u015bci wody i sk\u0142adu chemicznego li\u015bci na poziomie nieosi\u0105galnym dla czujnik\u00f3w multispektralnych.<\/p>\n Dzi\u0119ki temu jest on szczeg\u00f3lnie przydatny do wykrywania subtelnych r\u00f3\u017cnic w g\u0119sto\u015bci biomasy na terenach trawiastych i polach uprawnych. G\u0142\u00f3wnym ograniczeniem obrazowania hiperspektralnego jest zachmurzenie: czujniki optyczne nie widz\u0105 przez chmury, co powoduje znaczne luki w danych w wilgotnych regionach tropikalnych, gdzie szacowanie biomasy jest najwa\u017cniejsze.<\/p>\n Do mapowania biomasy optycznej powszechnie wykorzystuje si\u0119 satelity takie jak Landsat 8\/9 (rozdzielczo\u015b\u0107 30 metr\u00f3w, 16-dniowy okres rewizyty), Sentinel-2 (rozdzielczo\u015b\u0107 10 metr\u00f3w, 5-dniowy okres rewizyty) i PlanetScope (rozdzielczo\u015b\u0107 3 metr\u00f3w, dzienna rewizyta w zastosowaniach komercyjnych).<\/p>\n Radar z syntetyczn\u0105 apertur\u0105 (SAR) \u2013 system emituj\u0105cy impulsy mikrofalowe i mierz\u0105cy energi\u0119 odbit\u0105 od powierzchni ziemi \u2013 ca\u0142kowicie rozwi\u0105zuje problem zachmurzenia. Energia mikrofalowa przenika przez chmury i mg\u0142\u0119 bez zak\u0142\u00f3ce\u0144, co czyni SAR czujnikiem pierwszego wyboru do monitorowania las\u00f3w tropikalnych, gdzie utrzymuj\u0105ce si\u0119 zachmurzenie sprawia, \u017ce obrazy optyczne s\u0105 praktycznie bezu\u017cyteczne.<\/p>\n Sygna\u0142y SAR przenikaj\u0105 r\u00f3wnie\u017c przez korony ro\u015blinno\u015bci, oddzia\u0142uj\u0105c na zdrewnia\u0142e \u0142odygi i ga\u0142\u0119zie, a nie tylko na g\u00f3rn\u0105 powierzchni\u0119 li\u015bci. Im d\u0142u\u017csza d\u0142ugo\u015b\u0107 fali radaru, tym g\u0142\u0119biej sygna\u0142 wnika. Pasmo L SAR (d\u0142ugo\u015b\u0107 fali oko\u0142o 23 cm, u\u017cywane przez ALOS-2 PALSAR-2) przenika do dolnej cz\u0119\u015bci korony i oddzia\u0142uje z du\u017c\u0105 biomas\u0105 zdrewnia\u0142\u0105, co czyni je szczeg\u00f3lnie przydatnym do szacowania masy p\u0119du drzewnego (AGB) w lasach tropikalnych.<\/p>\n Pasmo C SAR (d\u0142ugo\u015b\u0107 fali oko\u0142o 5 cm, u\u017cywane przez Sentinel-1) jest bardziej czu\u0142e na struktur\u0119 powierzchniow\u0105 koron drzew i jest powszechnie stosowane do monitorowania biomasy upraw.<\/p>\n Badania opublikowane w Czasopismo Bada\u0144 Le\u015bnych<\/em> (Springer Nature, 2021) stwierdzili, \u017ce dane SAR z satelity ALOS-2 w pa\u015bmie L i Sentinel-1 w pa\u015bmie C pozwoli\u0142y na zadowalaj\u0105ce oszacowanie zasob\u00f3w w\u0119gla, przy czym ca\u0142kowite zasoby w\u0119gla w badanym obszarze lasu \u015br\u00f3dziemnomorskiego osi\u0105gn\u0119\u0142y oko\u0142o 130 ton\/ha<\/strong> \u0142\u0105cznie na powierzchni ziemi, pod ziemi\u0105, w martwym drewnie, \u015bci\u00f3\u0142ce i zbiornikach glebowych.<\/p>\n LiDAR (Light Detection and Ranging) emituje impulsy laserowe i precyzyjnie mierzy czas ich odbicia od powierzchni docelowej. Ten czas jest bezpo\u015brednio przek\u0142adany na tr\u00f3jwymiarowe chmury punkt\u00f3w (g\u0119ste mapy pokazuj\u0105ce dok\u0142adnie, gdzie odbija si\u0119 ka\u017cdy impuls laserowy), kt\u00f3re z dok\u0142adno\u015bci\u0105 do centymetra ukazuj\u0105 wysoko\u015b\u0107 koron drzew, ich struktur\u0119 i wysoko\u015b\u0107 gruntu.<\/p>\n Wysoko\u015b\u0107 drzew jest jednym z najsilniejszych predyktor\u00f3w biomasy nadziemnej \u2013 wy\u017csze drzewa nios\u0105 wyk\u0142adniczo wi\u0119cej biomasy ni\u017c ni\u017csze. Modele wysoko\u015bci uzyskane z wykorzystaniem technologii LiDAR, w po\u0142\u0105czeniu z r\u00f3wnaniami allometrycznymi uzyskanymi w terenie (specyficzne dla gatunku zale\u017cno\u015bci matematyczne mi\u0119dzy wysoko\u015bci\u0105, \u015brednic\u0105 i mas\u0105 drzewa), pozwalaj\u0105 uzyska\u0107 szacunki biomasy, kt\u00f3re konsekwentnie przewy\u017cszaj\u0105 metody optyczne lub radarowe w krajobrazach le\u015bnych.<\/p>\n W badaniu Frontiers in Plant Science odkryto, \u017ce losowy model lasu integruj\u0105cy \u015blady LiDAR z kosmosu GEDI oszacowa\u0142 biomas\u0119 \u015bwierk\u00f3w i jode\u0142 na 51,33 t\/hm\u00b2 do 179,83 t\/hm\u00b2<\/strong>, ze \u015bredni\u0105 101,98 t\/hm\u00b2<\/strong>, w ekosystemie alpejskim Shangri-La w Chinach.<\/p>\n Pokazuje to, w jaki spos\u00f3b kosmiczny LiDAR, skalowany dzi\u0119ki uczeniu maszynowemu, mo\u017ce dostarcza\u0107 u\u017cyteczne pod wzgl\u0119dem operacyjnym warto\u015bci g\u0119sto\u015bci biomasy w odleg\u0142ych ekosystemach g\u00f3rskich bez dost\u0119pu za\u0142ogi terenowej.<\/p>\n<\/div>\n Misja NASA Global Ecosystem Dynamics Investigation (GEDI) \u2013 wielowi\u0105zkowy instrument LiDAR z falowym sygna\u0142em, zamontowany na Mi\u0119dzynarodowej Stacji Kosmicznej \u2013 stanowi pierwszy specjalnie skonstruowany kosmiczny system LiDAR do szacowania globalnej biomasy. GEDI zbiera dane z 51,6\u00b0N do 51,6\u00b0S szeroko\u015bci geograficznej, obejmuj\u0105c g\u0142\u00f3wne strefy las\u00f3w tropikalnych i umiarkowanych na \u015bwiecie.<\/p>\n Bezza\u0142ogowe statki powietrzne (UAV), powszechnie nazywane dronami, wype\u0142niaj\u0105 luk\u0119 mi\u0119dzy pomiarami satelitarnymi a pomiarami terenowymi. Dron wyposa\u017cony w kamery RGB rejestruje obrazy o rozdzielczo\u015bci centymetrowej, pozwalaj\u0105ce na uchwycenie poszczeg\u00f3lnych ro\u015blin.<\/p>\n Multispektralne czujniki dron\u00f3w obliczaj\u0105 precyzyjne wska\u017aniki ro\u015blinno\u015bci w skali dzia\u0142ki. Drony wyposa\u017cone w LiDAR generuj\u0105 g\u0119ste chmury punkt\u00f3w, kt\u00f3re umo\u017cliwiaj\u0105 szacowanie biomasy z dok\u0142adno\u015bci\u0105 strukturaln\u0105 LiDAR-u lotniczego, przy znacznie ni\u017cszych kosztach.<\/p>\n Dla rolnik\u00f3w uprawiaj\u0105cych ro\u015bliny, mapowanie biomasy z wykorzystaniem dron\u00f3w jest szczeg\u00f3lnie praktyczne. Pojedynczy przelot nad polem pszenicy lub kukurydzy w fazie wzrostu wegetatywnego pozwala uzyska\u0107 map\u0119 g\u0119sto\u015bci biomasy, kt\u00f3ra wskazuje obszary ograniczaj\u0105ce plony \u2013 strefy o niskiej biomasie, kt\u00f3re mog\u0105 wymaga\u0107 dodatkowego nawo\u017cenia lub nawadniania, zanim szkody stan\u0105 si\u0119 nieodwracalne.<\/p>\n <\/p>\n Wska\u017aniki ro\u015blinno\u015bci stanowi\u0105 matematyczny pomost mi\u0119dzy surowymi warto\u015bciami odbicia widmowego a informacjami biologicznymi dotycz\u0105cymi zag\u0119szczenia i kondycji ro\u015blin. Ka\u017cdy wska\u017anik wykorzystuje okre\u015blon\u0105 cz\u0119\u015b\u0107 widma elektromagnetycznego, w kt\u00f3rej ro\u015blinno\u015b\u0107 zachowuje si\u0119 w charakterystyczny spos\u00f3b.<\/p>\n NDVI (Normalized Difference Vegetation Index) jest najcz\u0119\u015bciej stosowanym wska\u017anikiem. Dzieli on r\u00f3\u017cnic\u0119 mi\u0119dzy odbiciem bliskiej podczerwieni (NIR) a \u015bwiat\u0142em czerwonym przez ich sum\u0119: NDVI = (NIR \u2013 \u015bwiat\u0142o czerwone) \/ (NIR + \u015bwiat\u0142o czerwone). Warto\u015bci wahaj\u0105 si\u0119 od -1 do +1, a zdrowa, g\u0119sta ro\u015blinno\u015b\u0107 zazwyczaj osi\u0105ga wynik od 0,6 do 0,9.<\/p>\n Wska\u017anik NDVI silnie koreluje ze wska\u017anikiem powierzchni li\u015bci (LAI \u2014 ca\u0142kowita jednostronna powierzchnia li\u015bci na jednostk\u0119 powierzchni gruntu), a zatem ze zdolno\u015bci\u0105 fotosyntezy i akumulacj\u0105 biomasy.<\/p>\n Wska\u017anik powierzchni li\u015bci (LAI) zas\u0142uguje na szczeg\u00f3ln\u0105 uwag\u0119, poniewa\u017c jest zar\u00f3wno wynikiem bada\u0144 teledetekcyjnych, jak i bezpo\u015brednim czynnikiem nap\u0119dzaj\u0105cym akumulacj\u0119 biomasy. Ro\u015bliny o wy\u017cszym wska\u017aniku LAI przechwytuj\u0105 wi\u0119cej promieniowania s\u0142onecznego, wi\u0105\u017c\u0105 wi\u0119cej w\u0119gla i produkuj\u0105 wi\u0119cej biomasy. Mapy LAI uzyskane z teledetekcji, generowane z szereg\u00f3w czasowych MODIS lub Sentinel-2, s\u0105 bezpo\u015brednio wykorzystywane w modelach wzrostu upraw, kt\u00f3re symuluj\u0105 kszta\u0142towanie si\u0119 plon\u00f3w i ostateczn\u0105 biomas\u0119 nadaj\u0105c\u0105 si\u0119 do zbioru.<\/p>\n <\/p>\n Wyb\u00f3r odpowiedniego \u017ar\u00f3d\u0142a danych zale\u017cy od skali badania, rodzaju ro\u015blinno\u015bci, wymaganej rozdzielczo\u015bci przestrzennej oraz dost\u0119pnego bud\u017cetu. Poni\u017cej przedstawiono g\u0142\u00f3wne strumienie danych wykorzystywane obecnie w mapowaniu biomasy na potrzeby operacyjne i badawcze. Bezp\u0142atne, og\u00f3lnodost\u0119pne dane satelitarne z satelit\u00f3w Landsat i konstelacji Sentinel zdemokratyzowa\u0142y mapowanie biomasy, udost\u0119pniaj\u0105c je badaczom i agencjom, kt\u00f3re nie dysponuj\u0105 bud\u017cetem na komercyjne obrazowanie.<\/p>\n i. Landsat (NASA\/USGS):<\/strong> Ponad 50 lat ci\u0105g\u0142ych danych, rozdzielczo\u015b\u0107 30 metr\u00f3w, bezp\u0142atny dost\u0119p. Szeregi czasowe Landsat umo\u017cliwiaj\u0105 analiz\u0119 historyczn\u0105 zmian biomasy si\u0119gaj\u0105c\u0105 lat 70. XX wieku, zapewniaj\u0105c niezr\u00f3wnany kontekst do monitorowania wylesiania i degradacji gleby.<\/p>\n ii. Sentinel-2 (ESA):<\/strong> Rozdzielczo\u015b\u0107 10 metr\u00f3w w kluczowych pasmach widmowych, 5-dniowy okres rewizyty, bezp\u0142atny dost\u0119p. Sentinel-2 to obecny standard w monitorowaniu biomasy upraw i ocenie las\u00f3w regionalnych ze wzgl\u0119du na swoj\u0105 rozdzielczo\u015b\u0107 i kombinacj\u0119 cz\u0119stotliwo\u015bci.<\/p>\n iii. Sentinel-1 (ESA):<\/strong> SAR w pa\u015bmie C, mo\u017cliwo\u015b\u0107 pracy w ka\u017cdych warunkach pogodowych, bezp\u0142atny dost\u0119p. Sentinel-1 to g\u0142\u00f3wne \u017ar\u00f3d\u0142o radarowe do monitorowania wp\u0142ywu chmur tropikalnych i biomasy upraw na obszarach, gdzie luki w danych optycznych stanowi\u0105 sta\u0142y problem.<\/p>\n iv. MODIS (NASA):<\/strong> Rozdzielczo\u015b\u0107 250 m\u20131 km, ca\u0142odobowy zasi\u0119g globalny. Szeregi czasowe MODIS idealnie nadaj\u0105 si\u0119 do wykrywania zmian biomasy w skali kontynentalnej i monitorowania sezonowego, cho\u0107 niska rozdzielczo\u015b\u0107 ogranicza ich u\u017cyteczno\u015b\u0107 w przypadku krajobraz\u00f3w pofragmentowanych.<\/p>\n v. PlanetScope:<\/strong> Rozdzielczo\u015b\u0107 3 metr\u00f3w, codzienne powt\u00f3rki, subskrypcja komercyjna. PlanetScope umo\u017cliwia monitorowanie biomasy w skali pojedynczego pola, wspieraj\u0105c precyzyjne zastosowania rolnicze, gdzie istotna jest zmienno\u015b\u0107 przestrzenna podpola.<\/p>\n vi. NASA GEDI LiDAR:<\/strong> \u015arednica \u015bladu 25 metr\u00f3w, globalny zasi\u0119g w strefie tropikalnej i umiarkowanej, bezp\u0142atne produkty danych. GEDI jest g\u0142\u00f3wnym \u017ar\u00f3d\u0142em danych kosmicznych dotycz\u0105cych wysoko\u015bci koron drzew i g\u0119sto\u015bci AGB w skali globalnej.<\/p>\n vii. ICESat-2 (NASA):<\/strong> LiDAR licz\u0105cy fotony o zasi\u0119gu globalnym, szczeg\u00f3lnie przydatny do pomiaru wysoko\u015bci koron drzew w lasach po\u0142o\u017conych na du\u017cych szeroko\u015bciach geograficznych i wykrywania drobnych zmian wysoko\u015bci.<\/p>\n <\/p>\n Szacowanie biomasy l\u0105dowej za pomoc\u0105 danych teledetekcyjnych przebiega wed\u0142ug ustrukturyzowanego procesu. Ka\u017cdy krok zale\u017cy od dok\u0142adno\u015bci poprzedniego. Niedoci\u0105gni\u0119cia w procesie wst\u0119pnego przetwarzania lub walidacji terenowej prowadz\u0105 do b\u0142\u0119d\u00f3w w ostatecznej mapie biomasy.<\/p>\n i. Wybierz odpowiednie obrazy:<\/strong> Wybierz czujnik, rozdzielczo\u015b\u0107 przestrzenn\u0105 i okres czasu w oparciu o docelowy ekosystem i cel badania. Monitorowanie biomasy le\u015bnej zazwyczaj wymaga danych z Sentinel-1 lub GEDI; monitorowanie biomasy uprawnej zazwyczaj wykorzystuje obrazowanie wielospektralne z Sentinel-2 lub dron\u00f3w.<\/p>\n ii. Wst\u0119pne przetwarzanie obrazu:<\/strong> Zastosuj korekcj\u0119 atmosferyczn\u0105, aby przekonwertowa\u0107 surowe warto\u015bci cyfrowe na warto\u015bci odbicia powierzchni. Wykonaj korekcj\u0119 geometryczn\u0105, aby upewni\u0107 si\u0119, \u017ce obraz jest dok\u0142adnie dopasowany do rzeczywistych wsp\u00f3\u0142rz\u0119dnych. Usu\u0144 piksele zanieczyszczone chmurami i zast\u0105p je, stosuj\u0105c kompozycj\u0119 czasow\u0105, tam gdzie to konieczne.<\/p>\n iii. Oblicz wska\u017aniki ro\u015blinno\u015bci:<\/strong> Oblicz NDVI, EVI, SAVI, GNDVI lub inne istotne wska\u017aniki na podstawie skorygowanych pasm odbicia powierzchni. W przypadku danych LiDAR wyznacz metryki wysoko\u015bci koron drzew (wysoko\u015b\u0107 maksymalna, wysoko\u015b\u0107 95. percentyla, wysoko\u015b\u0107 \u015brednia) z chmury punkt\u00f3w.<\/p>\n iv. Pobieranie pr\u00f3bek biomasy terenowej:<\/strong> Pomiar biomasy nadziemnej na reprezentatywnych dzia\u0142kach w badanym obszarze odbywa si\u0119 za pomoc\u0105 zbioru destrukcyjnego lub r\u00f3wna\u0144 allometrycznych zastosowanych do pomiar\u00f3w \u015brednicy i wysoko\u015bci drzew. Te warto\u015bci terenowe stanowi\u0105 podstaw\u0119 modelu.<\/p>\n v. Budowanie modeli predykcyjnych:<\/strong> Przeprowad\u017a regresj\u0119 pomiar\u00f3w biomasy w terenie w odniesieniu do wsp\u00f3\u0142lokalizowanych zmiennych teledetekcyjnych (wska\u017anik\u00f3w ro\u015blinno\u015bci, wska\u017anik\u00f3w wysoko\u015bci koron drzew, warto\u015bci rozproszenia wstecznego SAR). W zale\u017cno\u015bci od z\u0142o\u017cono\u015bci relacji i ilo\u015bci dost\u0119pnych danych treningowych, zastosuj analiz\u0119 regresji, model lasu losowego, maszyn\u0119 wektor\u00f3w no\u015bnych lub metody sieci neuronowych.<\/p>\n vi. Sprawd\u017a wyniki modelu:<\/strong> U\u017cyj zbioru danych walidacyjnych z wydzielonymi danymi (wykresy terenowe nieu\u017cywane w szkoleniu modelu), aby oceni\u0107 dok\u0142adno\u015b\u0107 prognozy. Podaj RMSE (pierwiastek \u015bredniego b\u0142\u0119du kwadratowego), R\u00b2 (wsp\u00f3\u0142czynnik determinacji) i b\u0142\u0105d systematyczny. Doprecyzuj model, je\u015bli dok\u0142adno\u015b\u0107 jest niewystarczaj\u0105ca.<\/p>\n vii. Generowanie map biomasy:<\/strong> Zastosuj sprawdzony model do ca\u0142ego obrazu, aby uzyska\u0107 ci\u0105g\u0142\u0105 przestrzennie map\u0119 g\u0119sto\u015bci biomasy, na kt\u00f3rej ka\u017cdy piksel zawiera przewidywan\u0105 warto\u015b\u0107 biomasy w Mg\/ha lub t\/ha.<\/p>\n W czasopi\u015bmie International Journal of Remote Sensing, opublikowanym w lutym 2024 r., wykazano, \u017ce po\u0142\u0105czenie danych LiDAR GEDI z og\u00f3lnodost\u0119pnymi danymi optycznymi i radarowymi (Sentinel-1\/2) pozwoli\u0142o na uzyskanie ci\u0105g\u0142ych przestrzennie map g\u0119sto\u015bci biomasy nadziemnej las\u00f3w indyjskich, przy czym optymalna konfiguracja modelu znacz\u0105co zmniejszy\u0142a niepewno\u015b\u0107 prognoz w por\u00f3wnaniu z podej\u015bciami opartymi na jednym \u017ar\u00f3dle.<\/p>\n Dla praktyk\u00f3w stanowi to potwierdzenie, \u017ce integracja wielu strumieni danych \u2014 zamiast polegania na pojedynczym czujniku \u2014 systematycznie poprawia niezawodno\u015b\u0107 operacyjnych map biomasy.<\/p>\n<\/div>\n <\/p>\n Wyb\u00f3r modelu znacz\u0105co wp\u0142ywa zar\u00f3wno na dok\u0142adno\u015b\u0107, jak i generalizacj\u0119 systemu szacowania biomasy. Prostsze modele s\u0105 bardziej przejrzyste i mo\u017cna je wiarygodniej przenie\u015b\u0107 do nowych lokalizacji. Z\u0142o\u017cone modele uczenia maszynowego pozwalaj\u0105 uzyska\u0107 wi\u0119ksz\u0105 dok\u0142adno\u015b\u0107 z du\u017cych zbior\u00f3w danych treningowych, ale mog\u0105 nadmiernie dopasowywa\u0107 si\u0119 do lokalnych warunk\u00f3w.<\/p>\n Empiryczne modele regresji ustalaj\u0105 bezpo\u015bredni\u0105 zale\u017cno\u015b\u0107 matematyczn\u0105 mi\u0119dzy biomas\u0105 polow\u0105 a zmiennymi teledetekcyjnymi \u2013 na przyk\u0142ad regresj\u0119 liniow\u0105 mi\u0119dzy NDVI a plonem suchej masy ro\u015blin. Modele te s\u0105 \u0142atwe w interpretacji i szybkie w obliczeniach, ale s\u0142abo sobie radz\u0105, gdy zale\u017cno\u015b\u0107 widmowo-biomasowa jest nieliniowa lub gdy warto\u015bci biomasy mieszcz\u0105 si\u0119 w bardzo szerokim zakresie.<\/p>\n Metody uczenia maszynowego przezwyci\u0119\u017caj\u0105 te ograniczenia, ucz\u0105c si\u0119 z\u0142o\u017conych, nieliniowych zale\u017cno\u015bci na podstawie danych. Random Forest (zesp\u00f3\u0142 drzew decyzyjnych, kt\u00f3ry u\u015brednia prognozy z setek pojedynczych drzew) jest obecnie najszerzej stosowanym algorytmem do szacowania biomasy zar\u00f3wno w le\u015bnictwie, jak i rolnictwie.<\/p>\n Badanie opublikowane w Granice nauk o ro\u015blinach<\/em> (grudzie\u0144 2024) wykazano, \u017ce metoda Random Forest zastosowana do danych GEDI i danych teledetekcyjnych pochodz\u0105cych z wielu \u017ar\u00f3de\u0142 pozwoli\u0142a na oszacowanie biomasy las\u00f3w \u015bwierkowo-jod\u0142owych ze wsp\u00f3\u0142czynnikiem R\u00b2 znacz\u0105co wy\u017cszym ni\u017c w przypadku podej\u015b\u0107 regresyjnych wykorzystuj\u0105cych pojedynczy czujnik.<\/p>\n <\/p>\n Nawet najlepsza kombinacja czujnik\u00f3w i modeli generuje ma\u0142o wiarygodne mapy biomasy, gdy jako\u015b\u0107 danych bazowych jest niska lub gdy \u015brodowisko fizyczne wprowadza \u017ar\u00f3d\u0142a szumu. Zrozumienie tych czynnik\u00f3w ograniczaj\u0105cych dok\u0142adno\u015b\u0107 jest kluczowe dla ka\u017cdego, kto projektuje program mapowania biomasy.<\/p>\n 1. Nasycenie sygna\u0142u g\u0119stego lasu:<\/strong> W lasach tropikalnych o du\u017cej biomasie sygna\u0142y optyczne i SAR w pa\u015bmie C ulegaj\u0105 nasyceniu \u2013 przestaj\u0105 rosn\u0105\u0107, nawet gdy biomasa nadal ro\u015bnie. NDVI ulega nasyceniu przy warto\u015bciach AGB powy\u017cej ok. 150\u2013200 Mg\/ha<\/strong>, co czyni go ma\u0142o niezawodnym w starodrzewach tropikalnych, gdzie biomasa mo\u017ce si\u0119ga\u0107 400\u2013600 Mg\/ha. SAR i LiDAR w pa\u015bmie L ulegaj\u0105 nasyceniu przy znacznie wy\u017cszych poziomach biomasy i s\u0105 preferowane w takich \u015brodowiskach.<\/p>\n 2. Wahania sezonowe:<\/strong> Odbicie \u015bwiat\u0142a przez ro\u015blinno\u015b\u0107 zmienia si\u0119 drastycznie w r\u00f3\u017cnych porach roku. Warto\u015b\u0107 NDVI z pola pszenicy w kwietniu przedstawia zasadniczo inny stan biomasy ni\u017c na tym samym polu w sierpniu. Modele musz\u0105 uwzgl\u0119dnia\u0107 dynamik\u0119 sezonow\u0105 lub by\u0107 kalibrowane oddzielnie dla ka\u017cdego etapu fenologicznego.<\/p>\n 3. Zak\u0142\u00f3cenia spowodowane zachmurzeniem:<\/strong> Czujniki optyczne trac\u0105 dane wsz\u0119dzie tam, gdzie wyst\u0119puj\u0105 chmury. W wilgotnych regionach tropikalnych zanieczyszczenie chmurami mo\u017ce mie\u0107 wp\u0142yw na ponad 70% akwizycji obrazu<\/strong> w danym roku, co wymaga alternatywnych rozwi\u0105za\u0144 w postaci radaru lub LiDAR-u lub wieloletnich strategii \u0142\u0105czenia.<\/p>\n 4. Piksele mieszane:<\/strong> Przy umiarkowanej rozdzielczo\u015bci przestrzennej (30\u2013250 m) pojedynczy piksel obrazu cz\u0119sto zawiera mieszank\u0119 r\u00f3\u017cnych rodzaj\u00f3w upraw, ods\u0142oni\u0119tej gleby i wody. Sygna\u0142 widmowy odzwierciedla \u015bredni\u0105 wszystkich tych powierzchni, co os\u0142abia sygna\u0142 ro\u015blinno\u015bci i wprowadza b\u0142\u0105d systematyczny do prognoz biomasy.<\/p>\n 5. Efekty terenu:<\/strong> Nachylony teren zmienia geometri\u0119 zar\u00f3wno o\u015bwietlenia s\u0142onecznego, jak i k\u0105t widzenia czujnika, zmieniaj\u0105c warto\u015bci odbicia rejestrowane przez czujnik. W obszarach g\u00f3rskich korekcja topograficzna jest obowi\u0105zkowa, zanim b\u0119dzie mo\u017cna wiarygodnie zastosowa\u0107 jakikolwiek model biomasy.<\/p>\n Badanie wykaza\u0142o, \u017ce produkt g\u0119sto\u015bci biomasy nadziemnej GEDI L4A wykazywa\u0142 odchylenia od -54,24 do +106,23 Mg\/ha<\/strong> r\u00f3\u017cnych typ\u00f3w las\u00f3w w Laosie w por\u00f3wnaniu z danymi referencyjnymi Narodowego Spisu Las\u00f3w.<\/p>\n Potwierdza to, \u017ce nawet zatwierdzone na ca\u0142ym \u015bwiecie produkty LiDAR stosowane w kosmosie wymagaj\u0105 lokalnej ponownej kalibracji, aby dostarcza\u0107 operacyjnie akceptowalne szacunki biomasy w konkretnych kontekstach krajowych lub regionalnych.<\/p>\n<\/div>\n <\/p>\n Mapy biomasy l\u0105dowej, kt\u00f3re powstaj\u0105 na podstawie danych uzyskanych za pomoc\u0105 teledetekcji, s\u0142u\u017c\u0105 do podejmowania praktycznych decyzji w niezwykle szerokim zakresie sektor\u00f3w, od rz\u0105dowych raport\u00f3w klimatycznych po zarz\u0105dzanie indywidualnymi gospodarstwami rolnymi.<\/p>\n Agencje zarz\u0105dzaj\u0105ce lasami<\/strong> Wykorzystuj mapy biomasy do priorytetyzacji blok\u00f3w zbior\u00f3w, szacowania zr\u00f3wnowa\u017conego plonu i dokumentowania zgodno\u015bci ze standardami certyfikacji. Kompleksowe mapy biomasy zast\u0119puj\u0105 kosztowne inwentaryzacje las\u00f3w oparte na pr\u00f3bkach w regionach, w kt\u00f3rych dost\u0119p do p\u00f3l jest logistycznie utrudniony lub zbyt kosztowny.<\/p>\n Oszacowanie zasob\u00f3w w\u0119gla<\/strong> jest jednym z najbardziej znacz\u0105cych ekonomicznie zastosowa\u0144. Ka\u017cdy Mg biomasy nadziemnej zawiera oko\u0142o 0,47 mg w\u0119gla<\/strong> (standardowy wsp\u00f3\u0142czynnik przeliczeniowy IPCC). Dok\u0142adne mapy biomasy przek\u0142adaj\u0105 si\u0119 zatem bezpo\u015brednio na zweryfikowane inwentaryzacje dwutlenku w\u0119gla, kt\u00f3re stanowi\u0105 podstaw\u0119 p\u0142atno\u015bci w ramach programu REDD+ i dobrowolnych kredyt\u00f3w na rynku emisji dwutlenku w\u0119gla. Zweryfikowana mapa biomasy obejmuj\u0105ca 500 000 hektar\u00f3w koncesji na lasy tropikalne mo\u017ce reprezentowa\u0107 aktywa w\u0119glowe o warto\u015bci setek milion\u00f3w dolar\u00f3w.<\/p>\n <\/p>\n Mapowanie biomasy oparte na teledetekcji oferuje kombinacj\u0119 mo\u017cliwo\u015bci, kt\u00f3rych nie dor\u00f3wna \u017cadne podej\u015bcie naziemne. Te zalety wyja\u015bniaj\u0105, dlaczego technologia ta przesz\u0142a z etapu eksperymentalnego do etapu operacyjnego w dziesi\u0105tkach kraj\u00f3w w ci\u0105gu ostatniej dekady.<\/p>\n Nieniszcz\u0105ce pomiary s\u0105 prawdopodobnie najwa\u017cniejsz\u0105 zalet\u0105. Teledetekcja gromadzi informacje o ro\u015blinno\u015bci bez jej \u015bcinania, koszenia czy naruszania. Umo\u017cliwia to wielokrotne pomiary w dok\u0142adnie tym samym miejscu, co jest niezb\u0119dne do wykrywania zmian biomasy w czasie \u2013 wska\u017anika, kt\u00f3ry ma najwi\u0119ksze znaczenie dla ewidencji w\u0119gla i monitorowania ekosystem\u00f3w.<\/p>\n <\/p>\n Mapowanie biomasy metod\u0105 teledetekcji jest bardzo skuteczne, ale wi\u0105\u017ce si\u0119 z istotnymi ograniczeniami technicznymi, kt\u00f3re praktycy musz\u0105 zrozumie\u0107, zanim podejm\u0105 decyzje o du\u017cym ryzyku, opieraj\u0105c si\u0119 na wynikach tych map.<\/p>\n Nasycenie sygna\u0142u w g\u0119stych lasach pozostaje nierozwi\u0105zanym wyzwaniem dla czujnik\u00f3w optycznych i radarowych pasma C. W miar\u0119 jak korony drzew si\u0119 zamykaj\u0105, a biomasa gromadzi si\u0119 powy\u017cej progu okre\u015blonego przez czujnik, sygna\u0142 widmowy lub rozpraszanie wsteczne nie ro\u015bnie ju\u017c wraz z biomas\u0105.<\/p>\n LiDAR unika tego problemu, poniewa\u017c mierzy struktur\u0119 fizyczn\u0105, a nie odbicie widmowe, ale gromadzenie danych LiDAR w powietrzu pozostaje kosztowne, a LiDAR w przestrzeni kosmicznej, np. GEDI, zapewnia rozproszone, nieci\u0105g\u0142e obszary zamiast pokrywa\u0107 ca\u0142\u0105 powierzchni\u0119.<\/p>\n <\/p>\n Krajobraz technologiczny w zakresie mapowania biomasy l\u0105dowej dynamicznie si\u0119 rozwija. Kilka zbie\u017cnych trend\u00f3w ma znacz\u0105co poprawi\u0107 dok\u0142adno\u015b\u0107, dost\u0119pno\u015b\u0107 i skalowalno\u015b\u0107 operacyjn\u0105 szacowania biomasy w ci\u0105gu najbli\u017cszych pi\u0119ciu do dziesi\u0119ciu lat.<\/p>\n Mapowanie biomasy oparte na sztucznej inteligencji stanowi najbardziej rewolucyjny rozw\u00f3j w toku. Architektury g\u0142\u0119bokiego uczenia \u2013 w szczeg\u00f3lno\u015bci modele splotowe i transformatorowe \u2013 przetwarzaj\u0105 jednocze\u015bnie pe\u0142ne informacje widmowe, przestrzenne i czasowe w szeregach czasowych satelit\u00f3w, wyodr\u0119bniaj\u0105c sygna\u0142y biomasy, kt\u00f3rych prostsze modele nie s\u0105 w stanie wykry\u0107.<\/p>\n Integracja sztucznej inteligencji i uczenia maszynowego w teledetekcji wzros\u0142a o 35% mi\u0119dzy 2021 a 2026 rokiem<\/strong>, zgodnie z Business Research Insights, gruntownie zmienia spos\u00f3b analizowania danych o ro\u015blinno\u015bci na du\u017c\u0105 skal\u0119.<\/p>\n Misja BIOMASS Europejskiej Agencji Kosmicznej, wystrzelona w 2024 roku, obejmuje pierwszy kosmiczny radar SAR w pa\u015bmie P, zaprojektowany specjalnie do monitorowania biomasy las\u00f3w tropikalnych. Sygna\u0142y w pa\u015bmie P (d\u0142ugo\u015b\u0107 fali oko\u0142o 70 cm) wnikaj\u0105 g\u0142\u0119boko w korony drzew, docieraj\u0105c do zdrewnia\u0142ych pni i du\u017cych ga\u0142\u0119zi, do kt\u00f3rych nie docieraj\u0105 radary o kr\u00f3tszej d\u0142ugo\u015bci fali.<\/p>\n Badania opublikowane w Raporty naukowe<\/em> (kwiecie\u0144 2023 r.) wykazano, \u017ce TomoSAR w pa\u015bmie P (tomograficzny SAR \u2014 technika rekonstruuj\u0105ca tr\u00f3jwymiarow\u0105 struktur\u0119 lasu na podstawie wielu przej\u015b\u0107 radarowych) pozwoli\u0142 uzyska\u0107 obiecuj\u0105ce szacunki AGB w g\u0119stych lasach tropikalnych w Gujanie Francuskiej, daj\u0105c wgl\u0105d w to, co misja BIOMASS przyniesie w praktyce.<\/p>\n Badania wykaza\u0142y, \u017ce po\u0142\u0105czenie modeli Random Forest z multimodalnymi danymi teledetekcyjnymi z satelit\u00f3w Sentinel-1, Sentinel 2 oraz lotniczego LiDAR-u pozwoli\u0142o na oszacowanie AGB w mieszanych lasach strefy umiarkowanej ze znacznie ni\u017csz\u0105 niepewno\u015bci\u0105 prognozy ni\u017c w przypadku podej\u015bcia wykorzystuj\u0105cego pojedynczy czujnik, co dowodzi warto\u015bci operacyjnej \u0142\u0105czenia czujnik\u00f3w nawet w przypadku standardowych, swobodnych danych satelitarnych.<\/p>\n Dla praktyk\u00f3w oznacza to, \u017ce po\u0142\u0105czenie istniej\u0105cych, bezp\u0142atnych \u017ar\u00f3de\u0142 danych z dobrze zaprojektowanymi procesami uczenia maszynowego pozwala na mapowanie biomasy na poziomie badawczym bez konieczno\u015bci stosowania drogiego nowego sprz\u0119tu.<\/p>\n 1. Kt\u00f3ry satelita jest najlepszy do szacowania biomasy? <\/strong>Nie ma jednego, najlepszego satelity do wszystkich sytuacji. Sentinel-2 jest najcz\u0119\u015bciej u\u017cywany do mapowania biomasy upraw i las\u00f3w o \u015bredniej rozdzielczo\u015bci. LiDAR GEDI dostarcza najdok\u0142adniejszych danych o wysoko\u015bci koron drzew dla AGB las\u00f3w. Sentinel-1 SAR jest preferowanym wyborem w obszarach tropikalnych z chmurami. Najlepsze podej\u015bcie operacyjne \u0142\u0105czy wiele czujnik\u00f3w.<\/p>\n 2. Czy drony mog\u0105 dok\u0142adnie oszacowa\u0107 biomas\u0119?<\/strong> Tak. Drony wyposa\u017cone w kamery multispektralne lub czujniki LiDAR mog\u0105 szacowa\u0107 biomas\u0119 upraw i las\u00f3w na ma\u0142ych obszarach z bardzo wysok\u0105 rozdzielczo\u015bci\u0105 przestrzenn\u0105. Szacunki biomasy upraw z wykorzystaniem dron\u00f3w zazwyczaj osi\u0105gaj\u0105 korelacj\u0119 R\u00b2 = 0,80\u20130,95 z pomiarami terenowymi, gdy loty s\u0105 zaplanowane na odpowiednie fazy wzrostu, a czujniki spektralne s\u0105 prawid\u0142owo skalibrowane.<\/p>\n 3. Jak dok\u0142adna jest ocena biomasy metod\u0105 teledetekcyjn\u0105?<\/strong> Dok\u0142adno\u015b\u0107 znacznie r\u00f3\u017cni si\u0119 w zale\u017cno\u015bci od rodzaju czujnika, ekosystemu i podej\u015bcia modelowego. W lasach strefy umiarkowanej z dobrym pokryciem LiDAR, mapy biomasy mog\u0105 osi\u0105ga\u0107 warto\u015bci RMSE na poziomie 20\u201340 Mg\/ha. W g\u0119stych lasach tropikalnych, podej\u015bcia wy\u0142\u0105cznie optyczne mog\u0105 osi\u0105ga\u0107 warto\u015bci RMSE na poziomie 60\u2013100 Mg\/ha ze wzgl\u0119du na nasycenie sygna\u0142u. Modele fuzji wieloczujnikowej konsekwentnie przewy\u017cszaj\u0105 podej\u015bcia jednoczujnikowe.<\/p>\n 4. Dlaczego szacowanie biomasy jest istotne w kontek\u015bcie zmian klimatycznych?<\/strong> Lasy i tereny rolnicze magazynuj\u0105 ogromne ilo\u015bci w\u0119gla w swojej biomasie. Wylesianie i degradacja gleby uwalniaj\u0105 ten zmagazynowany w\u0119giel w postaci CO\u2082 do atmosfery, przyspieszaj\u0105c zmiany klimatu. Dok\u0142adne mapy biomasy stanowi\u0105 podstaw\u0119 do weryfikacji zasob\u00f3w w\u0119gla, monitorowania utraty las\u00f3w oraz ilo\u015bciowego okre\u015blania skuteczno\u015bci program\u00f3w zalesiania i ochrony przyrody w ramach mi\u0119dzynarodowych ram klimatycznych, takich jak REDD+.<\/p>\n 5. Czy teledetekcja mo\u017ce oszacowa\u0107 biomas\u0119 podziemn\u0105? <\/strong>Teledetekcja nie pozwala na bezpo\u015bredni pomiar biomasy podziemnej. Jednak BGB jest zazwyczaj szacowany na podstawie AGB za pomoc\u0105 wsp\u00f3\u0142czynnik\u00f3w stosunku korzeni do p\u0119d\u00f3w, pochodz\u0105cych z bada\u0144 terenowych i publikowanych przez organizacje takie jak IPCC. Specyficzne dla danego gatunku stosunki korzeni do p\u0119d\u00f3w wahaj\u0105 si\u0119 od 0,15 do 0,40 w wi\u0119kszo\u015bci ekosystem\u00f3w le\u015bnych, co pozwala na po\u015brednie oszacowanie BGB wsz\u0119dzie tam, gdzie istniej\u0105 mapy AGB.<\/p>\n <\/p>\n Biomasa l\u0105dowa obliczana za pomoc\u0105 teledetekcji zdecydowanie przesz\u0142a od wyspecjalizowanej techniki badawczej do mo\u017cliwo\u015bci operacyjnych, maj\u0105cych bezpo\u015brednie implikacje dla produkcji \u017cywno\u015bci, zarz\u0105dzania lasami i polityki klimatycznej. Po\u0142\u0105czenie darmowych danych satelitarnych, dost\u0119pnych platform przetwarzania w chmurze i coraz bardziej zaawansowanych narz\u0119dzi uczenia maszynowego sprawi\u0142o, \u017ce mapowanie biomasy w skali krajobrazu sta\u0142o si\u0119 osi\u0105galne dla coraz wi\u0119kszej liczby organizacji na ca\u0142ym \u015bwiecie.<\/p>\n Rola teledetekcji w monitorowaniu klimatu b\u0119dzie ros\u0142a wraz z rozwojem rynk\u00f3w emisji dwutlenku w\u0119gla, intensyfikacj\u0105 zobowi\u0105za\u0144 w zakresie monitorowania wylesiania oraz rosn\u0105cym zapotrzebowaniem na zweryfikowane dane dotycz\u0105ce zasob\u00f3w w\u0119gla w gospodarce \u015bwiatowej. Dzi\u0119ki uruchomieniu misji satelitarnej BIOMASS, ci\u0105g\u0142emu rozszerzaniu globalnego zbioru danych przez GEDI oraz modelom sztucznej inteligencji, kt\u00f3re znacz\u0105co poprawiaj\u0105 dok\u0142adno\u015b\u0107 szacowania dzi\u0119ki fuzji danych z wielu czujnik\u00f3w, mo\u017cliwo\u015b\u0107 precyzyjnego okre\u015blenia, gdzie biomasa gromadzi si\u0119, maleje lub pozostaje stabilna na powierzchni Ziemi, jest w zasi\u0119gu r\u0119ki.<\/p>","protected":false},"excerpt":{"rendered":" Technologia teledetekcji fundamentalnie zmieni\u0142a spos\u00f3b, w jaki mierzymy, monitorujemy i zarz\u0105dzamy \u017cyw\u0105 mas\u0105 powierzchni l\u0105d\u00f3w naszej planety. Biomasa l\u0105dowa obliczana za pomoc\u0105 teledetekcji\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":"\nBiomasa nadziemna (AGB) i biomasa podziemna (BGB)<\/h3>\n
Dlaczego warto oblicza\u0107 biomas\u0119 l\u0105dow\u0105 za pomoc\u0105 teledetekcji?<\/h2>\n
![\"Dlaczego](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/08\/Why-Calculate-Land-Biomass-Using-Remote-Sensing.png?resize=583%2C583&ssl=1\")
<\/p>\n\n
Jak teledetekcja mierzy biomas\u0119 l\u0105dow\u0105: zasady fizyczne<\/h2>\n
Od sygna\u0142\u00f3w widmowych do warto\u015bci biomasy<\/h3>\n
Rodzaje teledetekcji stosowane do szacowania biomasy<\/h2>\n
1. Optyczne obrazy satelitarne: wielospektralne i hiperspektralne<\/h3>\n
![\"Rodzaje](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/08\/Types-of-Remote-Sensing-Used-for-Biomass-Estimation.png?resize=568%2C568&ssl=1\")
<\/p>\n2. Radar (SAR): widzenie przez chmury i w koronach drzew<\/h3>\n
3. LiDAR: Z\u0142oty standard w mapowaniu strukturalnej biomasy<\/h3>\n
4. Teledetekcja oparta na dronach: skala pola o wysokiej rozdzielczo\u015bci<\/h3>\n
Wska\u017aniki ro\u015blinno\u015bci stosowane do szacowania biomasy<\/h2>\n
\n
Kluczowe \u017ar\u00f3d\u0142a danych do szacowania biomasy l\u0105dowej<\/h2>\n
Kroki obliczania biomasy l\u0105dowej za pomoc\u0105 teledetekcji<\/h2>\n
![\"Kroki](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/08\/Steps-to-Calculate-Land-Biomass-Using-Remote-Sensing.png?resize=595%2C595&ssl=1\")
<\/p>\nModele i metody stosowane do szacowania biomasy<\/h2>\n
\n
Czynniki wp\u0142ywaj\u0105ce na dok\u0142adno\u015b\u0107 szacowania biomasy<\/h2>\n
![\"Czynniki](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/08\/Factors-Affecting-Biomass-Estimation-Accuracy.png?resize=648%2C648&ssl=1\")
<\/p>\nZastosowania mapowania biomasy l\u0105dowej w r\u00f3\u017cnych sektorach<\/h2>\n
\n
Zalety teledetekcji w obliczeniach biomasy<\/h2>\n
\n
Ograniczenia i wyzwania w szacowaniu biomasy metod\u0105 teledetekcji<\/h2>\n
\n
Przysz\u0142e trendy w szacowaniu biomasy za pomoc\u0105 teledetekcji<\/h2>\n
\n
Cz\u0119sto zadawane pytania<\/h2>\n<\/div>\n
Wniosek<\/h2>\n