Categorie: Teledetecție

Tehnologia de teledetecție a schimbat fundamental modul în care măsurăm, monitorizăm și gestionăm masa vie a suprafeței terestre a planetei noastre. Biomasa terestră calculată prin teledetecție nu mai este o curiozitate de cercetare limitată la laboratoarele universitare - este acum un instrument operațional critic utilizat de guverne, agenții forestiere, oameni de știință specializați în culturi și cercetători în domeniul climei din întreaga lume.

Numai teledetecția pe piața agricolă a fost evaluată la $3,8 miliarde în 2025 și se preconizează că va crește până la $9,6 miliarde până în 2034 la o CAGR de 10,9%, conform unui raport Dataintelo din 2026. O parte semnificativă a acestei creșteri este determinată de cererea de date fiabile privind biomasa pentru a sprijini contabilizarea carbonului, agricultura de precizie și monitorizarea mediului.

Ce este biomasa terestră?

Biomasa terestră (masa totală uscată a tuturor materiilor organice dintr-o zonă definită) se măsoară în unități metrice, cum ar fi tone pe hectar (t/ha) sau megagrame pe hectar (Mg/ha), unde 1 Mg este egal cu 1 tonă metrică. Reprezintă produsul acumulat al fotosintezei - carbonul pe care plantele, copacii și alte organisme l-au captat din atmosferă și l-au fixat în materie fizică.

Este unul dintre cei mai puternici indicatori ai sănătății ecosistemului, stocării carbonului și productivității culturilor, însă metodele tradiționale de măsurare la sol au fost mult timp prea lente, costisitoare și limitate spațial pentru a satisface nevoile managementului modern al terenurilor.

Biomasă supraterană (AGB) și biomasă subterană (BGB)

Oamenii de știință împart biomasa în două categorii principale. Biomasa supraterană (AGB) acoperă tot ceea ce crește deasupra suprafeței solului - tulpini, trunchiuri, ramuri, frunze și lemn mort în picioare. Biomasa subterană (BGB) acoperă sistemele radiculare și alte materiale organice subterane. În majoritatea ecosistemelor împădurite, BGB reprezintă aproximativ 20–30% din biomasă totală, iar măsurarea sa rămâne mult mai dificilă decât estimarea AGB.

Biomasa este clasificată și ca biomasă vie (material vegetal în creștere activă, metabolic activ) și biomasă moartă (lemn mort în picioare sau căzut, așternut uscat). Ambele tipuri stochează carbon și contribuie la rezerva totală de carbon a unui peisaj, dar răspund diferit la incendii, boli și intervenții de gestionare.

Ca indicator de mediu, biomasa ocupă o poziție unică și puternică. Valorile ridicate ale biomasei semnalează ecosisteme productive și sănătoase, cu un potențial puternic de sechestrare a carbonului. Tendințele de scădere a biomasei dezvăluie defrișări, stres cauzat de secetă, degradarea solului sau supraexploatarea. Pentru cultivatorii, biomasa de deasupra solului se corelează direct cu potențialul de randament al cerealelor, ceea ce o face una dintre cele mai practice valori de măsurare în agricultura de precizie.

De ce să se calculeze biomasa terestră folosind teledetecția?

Estimarea tradițională a biomasei se bazează pe măsurători pe teren: cercetătorii recoltează parcelele de probă, usucă materialul vegetal în cuptoare și îl cântăresc pentru a determina masa uscată pe unitatea de suprafață. Acest proces distructiv și care necesită multă muncă funcționează la scară parcelei, dar devine complet impracticabil atunci când aveți nevoie de date despre biomasă pentru o pădure națională, un bazin hidrografic sau o zonă agricolă continentală. Limitări cheie ale studiilor de teren efectuate la sol

1. Acoperirea spațială este sever restricționată. O echipă de teren poate măsura în mod realist biomasa pe câteva zeci de parcele pe sezon. Un satelit acoperă milioane de hectare într-un singur pasaj, ceea ce face imposibilă monitorizarea la scară peisagistică fără teledetecție.

2. Studiile de teren sunt costisitoare și lente. Desfășurarea de personal calificat în păduri îndepărtate sau în vaste peisaje agricole necesită bugete semnificative, coordonare logistică și timp - toate acestea putând fi reduse pe măsură ce zonele studiate cresc.

3. Eșantionarea distructivă dăunează ecosistemului. Recoltarea parcelelor pentru cântărirea biomasei distruge însăși vegetația studiată, ceea ce este incompatibil cu programele de monitorizare pe termen lung care necesită măsurători repetate în aceeași locație.

4. Frecvența temporală este prea mică. Echipele de teren inspectează de obicei un loc, în cel mai bun caz, o dată pe an. Sateliții pot revizita aceeași locație la fiecare câteva zile, permițând monitorizarea continuă a schimbărilor sezoniere ale biomasei și reacții rapide la evenimente precum incendii sau secetă.

Teledetecția abordează toate aceste limitări simultan. O singură imagine satelitară Sentinel-2 acoperă 290 km² pe scenă la Rezoluție spațială de 10 metri, oferind date repetabile, complete, despre vegetație, fără costuri marginale per hectar suplimentar. Aplicațiile care depind de date precise despre biomasa terestră sunt extinse:

• Contabilizarea carbonului și REDD+: Cadrele climatice internaționale necesită estimări verificate ale stocurilor de carbon forestier. Hărțile de biomasă bazate pe teledetecție oferă acoperirea spațială și frecvența de actualizare pe care inventarele forestiere naționale nu le pot oferi singure.
• Monitorizare agricolă: Biomasa culturilor în diferite stadii de creștere prezice randamentul final, informează programarea irigațiilor și semnalează stresul timpuriu înainte ca acesta să se transforme într-o pierdere de productivitate.
• Gestionarea pădurilor: Volumul de lemn, încărcătura de combustibil pentru riscul de incendii de vegetație și evaluarea biodiversității depind toate de estimări fiabile ale biomasei în zone forestiere extinse.
• Managementul mediului: Monitorizarea degradării terenurilor, evaluarea zonelor umede și detectarea speciilor invazive utilizează schimbarea biomasei ca semnal principal.

Cum măsoară teledetecția biomasa terestră: Principiile fizice

Fiecare sistem de teledetecție — fie că este vorba de un satelit optic, un radar sau un laser — colectează informații despre vegetație prin măsurarea modului în care energia electromagnetică interacționează cu materialul vegetal. Înțelegerea acestei interacțiuni este cheia pentru a înțelege de ce teledetecția poate estima biomasa.

Plantele reflectă, absorb și transmit radiațiile electromagnetice în mod diferit, în funcție de chimia lor internă, conținutul de apă, structura frunzelor și arhitectura coronamentului. Clorofila (pigmentul verde care alimentează fotosinteza) absoarbe puternic lungimile de undă roșii și albastre, reflectând în același timp energia verde și cea din infraroșu apropiat.

Prin urmare, vegetația sănătoasă și densă prezintă un model spectral caracteristic: reflectanță roșie scăzută, reflectanță în infraroșu apropiat ridicată. Acest model - numit semnătură spectrală - este măsurabil din spațiu, iar intensitatea sa se corelează cu cantitatea de material vegetal pe unitatea de suprafață.

De la semnale spectrale la valori ale biomasei

Senzorii captează semnătura spectrală și calculează indici de vegetație (rapoarte matematice care cuantifică cât de puternic apare semnalul de vegetație într-o anumită imagine). Acești indici sunt apoi legați de biomasă prin intermediul unor modele statistice sau de învățare automată, calibrate folosind măsurători de biomasă colectate pe teren. Rezultatul este o hartă spațială continuă a biomasei - fiecare pixel din imagine primește o valoare prezisă a biomasei.

Fluxul de lucru pentru procesarea datelor urmează o secvență clară. Datele brute din satelit sosesc cu distorsiuni geometrice și interferențe atmosferice. Preprocesarea corectează aceste erori. Indicii de vegetație sunt calculați din imagini corectate. Probele de biomasă măsurate pe teren servesc drept bază pentru calibrarea modelului. Modelul validat este apoi aplicat pe întreaga suprafață a imaginii pentru a produce o hartă finală a biomasei.

Semnalele fizice suplimentare, dincolo de reflectanța spectrală, transmit informații despre biomasă. Înălțimea coronamentului - cât de înaltă este vegetația - este un predictor puternic al AGB. Densitatea plantelor (câte tulpini pe hectar) determină câtă lumină este interceptată. Rugozitatea suprafeței (detectată de radar) reflectă complexitatea structurală a coronamentului. Senzorii care măsoară aceste proprietăți structurale, mai degrabă decât doar reflectanța, oferă adesea o precizie mai mare a estimării biomasei.

Tipuri de teledetecție utilizate pentru estimarea biomasei

Niciun senzor nu domină estimarea biomasei în toate ecosistemele și la toate nivelurile. Oamenii de știință și practicienii combină mai multe tipuri de senzori în funcție de vegetația țintă, buget, precizie necesară și acoperire geografică.

Cele mai precise hărți ale biomasei de astăzi nu sunt construite dintr-un singur senzor, ci din fuziunea inteligentă a datelor optice, radar și LiDAR - fiecare umplând punctele slabe ale celorlalte.

1. Imagini satelitare optice: multispectrale și hiperspectrale

Senzorii optici captează lumina solară reflectată pe benzi spectrale discrete, acoperind de obicei lungimi de undă vizibile (albastru, verde, roșu) și infraroșu apropiat (NIR). Imaginile multispectrale (date din 4-10 benzi spectrale) formează coloana vertebrală a majorității programelor operaționale de cartografiere a biomasei la nivel mondial, în mare parte datorită fluxurilor de date gratuite și continue provenite de la misiunile Sentinel-2 și Landsat.

Imaginile hiperspectrale (date din sute de benzi spectrale înguste și contigue) oferă detalii spectrale mult mai fine. Acestea rezolvă pigmenții plantelor, conținutul de apă și chimia frunzelor la un nivel pe care senzorii multispectrali nu îl pot face.

Acest lucru o face deosebit de utilă pentru detectarea diferențelor subtile în densitatea biomasei între pajiști și câmpuri agricole. Principala limitare a imaginilor hiperspectrale este acoperirea cu nori: senzorii optici nu pot vedea prin nori, ceea ce cauzează lacune semnificative în date în regiunile tropicale umede, unde estimarea biomasei este cea mai importantă.

Sateliții comuni utilizați pentru cartografierea optică a biomasei includ Landsat 8/9 (rezoluție de 30 de metri, revizită la 16 zile), Sentinel-2 (rezoluție de 10 metri, revizită la 5 zile) și PlanetScope (rezoluție de 3 metri, revizită zilnică pentru aplicații comerciale).

2. Radar (SAR): Vedere prin nori și în coronamentul cerului

Radarul cu apertură sintetică (SAR) — un sistem care emite impulsuri de microunde și măsoară energia reflectată de suprafața terestră — rezolvă complet problema acoperirii cu nori. Energia microundelor trece prin nori și ceață fără interferențe, ceea ce face ca SAR să fie senzorul preferat pentru monitorizarea pădurilor tropicale, unde acoperirea persistentă cu nori face ca imaginile optice să fie aproape inutilizabile.

Semnalele SAR pătrund și în coronamentul vegetației, interacționând cu tulpinile și ramurile lemnoase, nu doar cu suprafața superioară a frunzelor. Cu cât lungimea de undă a radarului este mai mare, cu atât semnalul pătrunde mai adânc. Semnalele SAR în banda L (lungime de undă de aproximativ 23 cm, utilizate de ALOS-2 PALSAR-2) pătrund în coronamentul inferior și interacționează cu biomasa lemnoasă de dimensiuni mari, fiind deosebit de potrivite pentru estimarea biomasei abundente (AGB) în pădurile tropicale.

SAR în banda C (lungime de undă de aproximativ 5 cm, utilizată de Sentinel-1) este mai sensibilă la structura suprafeței coronamentului și este utilizată pe scară largă pentru monitorizarea biomasei culturilor.

Cercetări publicate în Revista de Cercetare Silvică (Springer Nature, 2021) a constatat că atât datele ALOS-2 în banda L, cât și datele SAR Sentinel-1 în banda C au permis estimări satisfăcătoare ale stocului de carbon, stocurile totale de carbon din zona studiată a pădurilor mediteraneene ajungând la aproximativ 130 t/ha în rezervele combinate de suprafață, subterană, lemn mort, așternut și sol.

3. LiDAR: Standardul de aur pentru cartografierea biomasei structurale

LiDAR (Light Detection and Ranging - Detectarea și măsurarea distanței luminii) emite impulsuri laser și măsoară timpul precis necesar pentru a se întoarce de la suprafața țintă. Această sincronizare se traduce direct în nori de puncte tridimensionali (hărți dense ale locului exact în care s-a reflectat fiecare impuls laser) care dezvăluie înălțimea coronamentului, structura coronamentului și altitudinea solului cu o precizie de ordinul centimetrilor.

Înălțimea copacilor este printre cei mai puternici predictori ai biomasei de la suprafață - copacii mai înalți au exponențial mai multă biomasă decât cei mai scunzi. Modelele de înălțime derivate din LiDAR, combinate cu ecuații alometrice măsurate pe teren (relații matematice specifice speciei între înălțimea, diametrul și masa copacilor), produc estimări ale biomasei care depășesc în mod constant abordările optice sau radar în peisajele împădurite.

Misiunea GEDI (Global Ecosystem Dynamics Investigation) a NASA — un instrument LiDAR cu forme de undă multi-fascicul montat pe Stația Spațială Internațională — reprezintă primul sistem LiDAR spațial special conceput pentru estimarea biomasei globale. GEDI colectează date de la latitudinea 51,6°N la 51,6°S, acoperind principalele zone de pădure tropicală și temperată ale lumii.

4. Teledetecție bazată pe drone: scară de câmp de înaltă rezoluție

Vehiculele aeriene fără pilot (UAV), numite în mod obișnuit drone, fac legătura dintre măsurătorile prin satelit și cele de pe teren. O dronă care transportă camere RGB captează imagini cu rezoluție centimetrică ce identifică plante individuale.

Senzorii multispectrali ai dronelor calculează indici de vegetație preciși la scara parcelei. Dronele echipate cu LiDAR generează nori denși de puncte care permit estimarea biomasei cu precizia structurală a LiDAR-ului aerian, la o fracțiune din cost.

Pentru cultivatorii agricoli, cartografierea biomasei cu ajutorul dronelor este deosebit de practică. Un singur zbor peste un câmp de grâu sau porumb în timpul etapei de creștere vegetativă produce o hartă a densității biomasei care semnalează zonele cu randament limitat - zone cu biomasă scăzută care pot necesita îngrășăminte suplimentare sau irigații înainte ca daunele să devină ireversibile.

Indicii de vegetație utilizați pentru estimarea biomasei

Indicii de vegetație reprezintă legătura matematică dintre valorile brute ale reflectanței spectrale și informațiile biologice despre densitatea și sănătatea plantelor. Fiecare indice exploatează o parte specifică a spectrului electromagnetic în care vegetația se comportă distinct.

NDVI (Indicele de Vegetație Diferențial Normalizat) este cel mai utilizat. Acesta împarte diferența dintre reflectanța în infraroșu apropiat (NIR) și cea în roșu prin suma lor: NDVI = (NIR – Roșu) / (NIR + Roșu). Valorile variază de la -1 la +1, vegetația densă și sănătoasă având de obicei scoruri între 0,6 și 0,9.

NDVI se corelează puternic cu indicele suprafeței foliare (LAI - suprafața totală a frunzelor pe o singură parte per unitatea de suprafață a solului) și, prin urmare, cu capacitatea fotosintetică și acumularea de biomasă.

• EVI (Indicele Vegetației Îmbunătățite) corectează efectele atmosferice și interferențele fondului solului, ceea ce îl face mai fiabil decât NDVI în pădurile tropicale cu biomasă ridicată și în zonele cu sol luminos sau expus.
• SAVI (Indicele de vegetație ajustat în funcție de sol) încorporează un factor de corecție a luminozității solului, care este deosebit de important în mediile agricole aride și semi-aride unde solul gol dintre rândurile de culturi influențează puternic semnalul spectral.
• GNDVI (Indicele de vegetație cu diferență normalizată verde) înlocuiește reflectanța verde cu roșu în formula NDVI, ceea ce o face mai sensibilă la variațiile concentrației de clorofilă și utilă pentru monitorizarea biomasei culturilor la sfârșitul sezonului, când coronamentele sunt deja complet închise.

Indicele suprafeței foliare (IAF) merită o mențiune specială, deoarece este atât un rezultat al recuperării prin teledetecție, cât și un factor direct al acumulării de biomasă. Plantele cu IAF mai mare interceptează mai multă radiație solară, fixează mai mult carbon și produc mai multă biomasă. Hărțile IAF derivate din teledetecție, generate din seriile temporale MODIS sau Sentinel-2, alimentează direct modelele de creștere a culturilor care simulează formarea randamentului și biomasa finală recoltabilă.

Surse cheie de date pentru estimarea biomasei terestre

Alegerea sursei de date potrivite depinde de amploarea studiului, tipul de vegetație, rezoluția spațială necesară și bugetul disponibil. Mai jos sunt prezentate principalele fluxuri de date utilizate în prezent în cartografierea biomasei operaționale și de cercetare. Datele satelitare gratuite, cu acces liber, de la Landsat și constelația Sentinel au democratizat cartografierea biomasei, făcând-o accesibilă cercetătorilor și agențiilor care nu au bugete pentru imagini comerciale.

i. Landsat (NASA/USGS): Peste 50 de ani de date continue, rezoluție de 30 de metri, acces gratuit. Seriile temporale Landsat permit analiza istorică a schimbărilor biomasei încă din anii 1970, oferind un context de neegalat pentru monitorizarea defrișărilor și a degradării terenurilor.

ii. Sentinel-2 (ESA): Rezoluție de 10 metri în benzile spectrale cheie, revizitare la 5 zile, acces gratuit. Sentinel-2 este standardul actual pentru monitorizarea biomasei culturilor și evaluările regionale ale pădurilor datorită rezoluției și combinației de frecvență.

iii. Sentinel-1 (ESA): SAR în banda C, capabilitate pentru orice vreme, acces liber. Sentinel-1 este principala sursă radar pentru monitorizarea zonelor tropicale afectate de nori și a biomasei culturilor în zonele în care lacunele în datele optice reprezintă o problemă persistentă.

iv. MODIS (NASA): Rezoluție 250 m–1 km, acoperire globală zilnică. Seriile temporale MODIS sunt ideale pentru detectarea schimbărilor de biomasă la scară continentală și monitorizarea sezonieră, deși rezoluția grosieră limitează utilitatea în peisaje fragmentate.

v. PlanetScope: Rezoluție de 3 metri, revizitare zilnică, abonament comercial. PlanetScope oferă monitorizare a biomasei la scară individuală a câmpului, susținând aplicațiile din agricultura de precizie unde variabilitatea spațială sub-câmp este importantă.

vi. LiDAR GEDI al NASA: Diametru al amprentei de 25 de metri, acoperire tropicală și temperată globală, produse de date gratuite. GEDI este principala sursă spațială pentru înălțimea coronamentului și densitatea AGB la scară globală.

vii. ICESat-2 (NASA): LiDAR cu numărare de fotoni și acoperire globală, deosebit de puternic pentru măsurarea înălțimii coronamentului în pădurile de la latitudini mari și detectarea schimbărilor de înălțime la scară fină.

Pași pentru calcularea biomasei terestre folosind teledetecția

Estimarea biomasei terestre folosind date de teledetecție urmează un flux de lucru structurat. Fiecare pas depinde de acuratețea celui precedent. Evitările în preprocesare sau validarea pe teren duc la erori în harta finală a biomasei.

i. Selectați imaginile potrivite: Alegeți senzorul, rezoluția spațială și perioada de timp în funcție de ecosistemul țintă și de obiectivul studiului. Monitorizarea biomasei forestiere necesită de obicei date Sentinel-1 sau GEDI; monitorizarea biomasei culturilor utilizează de obicei imagini multispectrale Sentinel-2 sau cu drone.

ii. Preprocesarea imaginilor: Aplicați corecția atmosferică pentru a converti numerele digitale brute în valori de reflectanță a suprafeței. Efectuați corecția geometrică pentru a vă asigura că imaginea se aliniază cu precizie cu coordonatele din lumea reală. Eliminați pixelii contaminați cu nori și înlocuiți-i folosind compoziția temporală acolo unde este necesar.

iii. Calculați indicii de vegetație: Calculați NDVI, EVI, SAVI, GNDVI sau alți indici relevanți din benzile de reflectanță a suprafeței corectate. Pentru datele LiDAR, derivați metricile înălțimii coronamentului (înălțimea maximă, înălțimea percentilei 95, înălțimea medie) din norul de puncte.

iv. Colectarea probelor de biomasă din câmp: Măsurați biomasa de la suprafață în parcele reprezentative din zona de studiu folosind recoltarea distructivă sau ecuații alometrice aplicate măsurătorilor diametrului și înălțimii arborilor. Aceste valori de teren reprezintă baza modelului.

v. Construirea de modele de predicție: Regresați măsurătorile biomasei în câmp în raport cu variabilele de teledetecție colocalizate (indici de vegetație, metrici ale înălțimii coronamentului, valori de retrodifuzie SAR). Utilizați analiza de regresie, pădurea aleatorie, mașina de vectori de suport sau abordări de rețea neuronală, în funcție de complexitatea relației și de cantitatea de date de antrenament disponibile.

vi. Validarea rezultatelor modelului: Folosește un set de date de validare rezervate (graficele de câmp nu sunt utilizate în antrenarea modelului) pentru a evalua acuratețea predicției. Raportează RMSE (eroarea medie pătratică), R² (coeficientul de determinare) și bias-ul. Rafinează modelul dacă acuratețea este insuficientă.

vii. Generarea hărților de biomasă: Aplicați modelul validat la întreaga imagine, producând o hartă spațial continuă a densității biomasei, unde fiecare pixel conține o valoare prezisă a biomasei în Mg/ha sau t/ha.

Modele și metode utilizate pentru estimarea biomasei

Alegerea modelului influențează semnificativ atât acuratețea, cât și generalizabilitatea unui sistem de estimare a biomasei. Modelele mai simple sunt mai transparente și se transferă mai fiabil în locații noi. Modelele complexe de învățare automată obțin o precizie mai mare din seturi mari de date de antrenament, dar se pot supraadapta la condițiile locale.

Modelele empirice de regresie stabilesc o relație matematică directă între biomasa de câmp și variabilele de teledetecție - de exemplu, o regresie liniară între NDVI și randamentul materiei uscate a culturilor. Aceste modele sunt ușor de interpretat și rapid de calculat, dar au performanțe slabe atunci când relația spectro-biomasă este neliniară sau când valorile biomasei se întind pe o gamă foarte largă.

Metodele de învățare automată depășesc aceste limitări prin învățarea unor relații complexe, neliniare, din date. Pădurea aleatorie (un ansamblu de arbori de decizie care mediază predicțiile pentru sute de arbori individuali) este în prezent cel mai utilizat algoritm pentru estimarea biomasei atât în silvicultură, cât și în agricultură.

Un studiu publicat în Frontiere în știința plantelor (decembrie 2024) a demonstrat că Random Forest aplicată datelor de teledetecție GEDI și din surse multiple a produs estimări ale biomasei pădurilor de molid și brad cu un R² semnificativ mai mare decât abordările de regresie cu un singur senzor.

• Mașină cu vectori suport (SVM): Găsește limita de separare optimă între clasele de biomasă în spațiul de caracteristici de înaltă dimensionalitate. SVM are performanțe bune cu seturi de date de antrenament mici și medii și este robust împotriva supraadaptării atunci când este regularizat corespunzător.
• Rețele neuronale și învățare profundă: Rețelele neuronale convoluționale (CNN) și arhitecturile hibride CNN-LSTM procesează simultan modele spațiale și temporale în imagini. Un studiu din 2024 publicat în Teledetecție (MDPI) Comparând modelele RF, CNN și CNN-LSTM pentru estimarea biomasei forestiere în Hangzhou, China, s-a constatat că modelele de învățare profundă au surprins contextul spațial pe care metodele de regresie punctuală l-au ratat complet.
• Modele hibride: Combinați modelele fizice de vegetație (care simulează creșterea plantelor pe baza aporturilor de radiații și apă) cu straturi de calibrare statistice sau de învățare automată. Aceste abordări sunt din ce în ce mai preferate deoarece construiesc estimări realiste din punct de vedere fizic ale biomasei care se generalizează în diferite regiuni, fără a se baza exclusiv pe date locale de antrenament.

Factorii care afectează acuratețea estimării biomasei

Chiar și cea mai bună combinație de senzori și modele produce hărți ale biomasei nesigure atunci când calitatea datelor subiacente este slabă sau când mediul fizic introduce surse de zgomot. Înțelegerea acestor factori limitatori de precizie este esențială pentru oricine proiectează un program de cartografiere a biomasei.

1. Saturația semnalului în pădurea densă: În pădurile tropicale cu biomasă mare, semnalele SAR optice și în banda C se saturează - acestea încetează să crească chiar dacă biomasa continuă să crească. NDVI se saturează la valori AGB peste aproximativ 150–200 mg/ha, ceea ce o face nesigură în pădurile tropicale seculare, unde biomasa poate ajunge la 400–600 Mg/ha. SAR și LiDAR în banda L se saturează la niveluri de biomasă mult mai ridicate și sunt preferate în aceste medii.

2. Variație sezonieră: Reflectanța vegetației se schimbă dramatic de la un anotimp la altul. O valoare NDVI dintr-un lan de grâu în aprilie reprezintă o condiție de biomasă fundamental diferită față de același lan în august. Modelele trebuie să țină cont de dinamica sezonieră sau să fie calibrate separat pentru fiecare etapă fenologică.

3. Interferența cu acoperirea norilor: Senzorii optici pierd date oriunde sunt prezenți nori. În regiunile tropicale umede, contaminarea cu nori poate afecta mai mult de 70% de achiziții de imagini într-un an dat, necesitând alternative radar sau LiDAR sau strategii de compoziție pe mai mulți ani.

4. Pixeli mixți: La rezoluții spațiale moderate (30 m–250 m), un singur pixel de imagine conține adesea un amestec de tipuri de culturi, sol gol și apă. Semnalul spectral reflectă media tuturor acestor suprafețe, ceea ce diluează semnalul de vegetație și introduce erori sistematice în predicțiile biomasei.

5. Efecte asupra terenului: Terenul în pantă modifică geometria atât a iluminării solare, cât și a unghiului de vizualizare al senzorului, alterând valorile de reflectanță înregistrate la senzor. Corecția topografică este obligatorie în zonele muntoase înainte ca orice model de biomasă să poată fi aplicat în mod fiabil.

Aplicații ale cartografierii biomasei terestre în diferite sectoare

Hărțile biomasei terestre generate din date de teledetecție contribuie la procesul decizional practic într-o gamă remarcabil de largă de sectoare, de la raportarea climatică a guvernului până la gestionarea individuală a fermelor.

Agențiile de gestionare a pădurilor Folosiți hărți de biomasă pentru a prioritiza blocurile de recoltare, a estima randamentul durabil și a documenta conformitatea cu standardele de certificare. Hărțile de biomasă complete înlocuiesc inventarele forestiere costisitoare, bazate pe eșantioane, în regiunile în care accesul pe teren este dificil din punct de vedere logistic sau prohibitiv de costisitor.

Estimarea stocului de carbon este una dintre cele mai semnificative aplicații din punct de vedere economic. Fiecare Mg de biomasă de la suprafață conține aproximativ 0,47 Mg de carbon (factorul standard de conversie IPCC). Prin urmare, hărțile precise ale biomasei se traduc direct în inventare verificate de carbon, care stau la baza plăților REDD+ și a creditelor voluntare de pe piața carbonului. O hartă verificată a biomasei care acoperă o concesiune de pădure tropicală de 500.000 de hectare poate reprezenta active de carbon de sute de milioane de dolari.

• Agricultură de precizie: Hărțile biomasei culturilor derivate din imagini cu drone sau Sentinel-2 identifică variabilitatea subcâmp în creșterea plantelor, permițând aplicarea de îngrășăminte și irigații cu rată variabilă, care reduce costurile de producție, protejând în același timp randamentul.
• Evaluarea combustibilului pentru incendiile de vegetație: Lemnul mort și biomasa erbacee uscată reprezintă încărcătura de combustibil disponibilă incendiilor. Hărțile combustibilului derivate din teledetecție ghidează programele de ardere controlată și planificarea limitării incendiilor de vegetație în peisajele predispuse la incendii.
• Conservarea biodiversității: Vegetația cu biomasă mare și structură complexă susține de obicei o diversitate mai mare a speciilor. Hărțile biomasei ajută la identificarea zonelor prioritare de conservare și la urmărirea recuperării habitatelor restaurate în timp.
• Planificare bioenergetică: Guvernele și companiile energetice utilizează date de teledetecție privind biomasa pentru a evalua aprovizionarea durabilă cu reziduuri agricole și biomasă lemnoasă pentru producția de bioenergie, asigurându-se că ratele de recoltare nu depășesc capacitatea de regenerare a ecosistemului.

Avantajele teledetecției pentru calcularea biomasei

Cartografierea biomasei bazată pe teledetecție oferă o combinație de capabilități pe care nicio abordare terestră nu o poate egala. Aceste avantaje explică de ce tehnologia a trecut de la statutul experimental la cel operațional în zeci de țări în ultimul deceniu.

Măsurarea nedistructivă este probabil cel mai fundamental avantaj. Teledetecția colectează informații despre vegetație fără a o recolta, tăia sau deranja. Acest lucru permite măsurători repetate exact în aceeași locație, ceea ce este esențial pentru detectarea schimbării biomasei în timp - indicatorul cel mai important pentru contabilizarea carbonului și monitorizarea ecosistemelor.

• Acoperire la scară largă la un cost marginal scăzut: Odată ce senzorul și canalul de procesare sunt configurate, costul adăugării unui alt milion de hectare la un studiu de biomasă este practic zero. Această structură a costurilor este inversa studiilor de teren, unde costurile cresc liniar cu suprafața.
• Actualizări temporale frecvente: Sentinel-2 revizitează orice locație de pe Pământ la fiecare 5 zile. Această frecvență permite monitorizarea biomasei pe parcursul întregului sezon de creștere, surprinzând schimbările dinamice pe care studiile anuale individuale de teren le trec complet cu vederea.
• Capacitate de analiză istorică: Arhiva Landsat conține imagini din 1972 încoace. Cercetătorii pot reconstitui traiectoriile istorice ale biomasei pentru a cuantifica defrișările cumulative, a evalua recuperarea ecosistemului după perturbare sau a stabili condițiile de referință anterioare perturbației pentru cererile de despăgubire.
• Îmbunătățirea procesului decizional pentru administratorii de terenuri: Hărțile de biomasă explicite din punct de vedere spațial dezvăluie unde, într-un peisaj, biomasa se acumulează, scade sau se stabilizează - oferind administratorilor de terenuri precizia spațială pentru a viza intervențiile acolo unde acestea vor avea cel mai mare impact.

Limitări și provocări în estimarea biomasei prin teledetecție

Cartografierea biomasei prin teledetecție este puternică, dar vine cu limitări tehnice reale pe care practicienii trebuie să le înțeleagă înainte de a se baza pe rezultate pentru decizii cu miză mare.

Saturația semnalului în pădurile dense rămâne o provocare nerezolvată pentru senzorii optici și radar în bandă C. Pe măsură ce coronamentul arborilor se închide și biomasa se acumulează dincolo de un prag specific senzorului, semnalul spectral sau de retrodifuzie nu mai crește odată cu biomasa.

LiDAR evită această problemă deoarece măsoară structura fizică mai degrabă decât reflectanța spectrală, dar colectarea datelor LiDAR aeriene rămâne costisitoare, iar LiDAR spațial, precum GEDI, oferă amprente rare, necontigue, în loc de o acoperire de la un perete la altul.

• Validarea câmpului este obligatorie: Niciun model de teledetecție nu produce estimări fiabile ale biomasei fără calibrare și validare în raport cu măsurători reale de teren. Calitatea datelor de teren determină direct calitatea hărții finale - iar colectarea de date reprezentative de teren în peisaje eterogene este atât costisitoare, cât și solicitantă din punct de vedere tehnic.
• Efectele atmosferice necesită o corecție atentă: Aerosolii, vaporii de apă și ozonul împrăștie și absorb radiația solară incidentă și reflectată, alterând semnalul spectral înainte ca acesta să ajungă la senzor. Corecția atmosferică incorectă sau incompletă introduce erori sistematice care se propagă pe întregul flux de lucru de estimare a biomasei.
• Prelucrarea datelor necesită expertiză specializată: Lucrul cu serii temporale de teledetecție la scară largă necesită cunoștințe de sisteme informaționale geografice (GIS), limbaje de programare precum Python sau R și platforme geospațiale bazate pe cloud, cum ar fi Google Earth Engine. Această barieră tehnică limitează adoptarea în rândul agronomilor și administratorilor de terenuri fără studii de știință a datelor.
• Incertitudinea modelului crește odată cu distanța față de datele de antrenament: Un model de biomasă calibrat într-o pădure amazoniană braziliană poate avea performanțe slabe atunci când este transferat într-o pădure vest-africană structural diferită, chiar dacă ambele sunt clasificate drept păduri tropicale umede. Seturile de date de calibrare regională sunt esențiale pentru menținerea preciziei în zone de studiu geografic diverse.

Tendințe viitoare în estimarea biomasei prin teledetecție

Peisajul tehnologic pentru cartografierea biomasei terestre evoluează rapid. Mai multe tendințe convergente sunt menite să îmbunătățească substanțial acuratețea, accesibilitatea și scalabilitatea operațională a estimării biomasei în următorii cinci până la zece ani.

Cartografierea biomasei bazată pe inteligență artificială reprezintă cea mai transformatoare dezvoltare în curs. Arhitecturile de învățare profundă - în special modelele convoluționale și bazate pe transformatoare - procesează simultan toate informațiile spectrale, spațiale și temporale din seriile temporale ale satelitului, extrăgând semnale de biomasă pe care modelele mai simple nu le pot detecta.

Integrarea inteligenței artificiale și a învățării automate în teledetecție a crescut cu 35% între 2021 și 2026, potrivit Business Research Insights, remodelând fundamental modul în care datele despre vegetație sunt analizate la scară largă.

Misiunea BIOMASS a Agenției Spațiale Europene, lansată în 2024, transportă primul SAR spațial în banda P, special conceput pentru monitorizarea biomasei pădurilor tropicale. Semnalele în banda P (lungime de undă de aproximativ 70 cm) pătrund adânc în coronamentul pădurilor, ajungând la tulpinile lemnoase și ramurile mari la care radarele cu lungime de undă mai scurtă nu pot avea acces.

Cercetări publicate în Rapoarte științifice (aprilie 2023) a demonstrat că TomoSAR în banda P (SAR tomografic - o tehnică ce reconstruiește structura tridimensională a pădurii din treceri radar multiple) a produs estimări promițătoare ale AGB în pădurile tropicale dense din Guyana Franceză, oferind o avanpremieră a ceea ce va realiza misiunea BIOMASS din punct de vedere operațional.

• Fuziunea datelor multi-senzoriale la scară largă: Algoritmii care combină automat fluxurile de date optice, radar și LiDAR — ponderând fiecare senzor în funcție de fiabilitatea sa într-un anumit ecosistem și anotimp — trec de la prototipuri experimentale la instrumente operaționale implementate pe platforme cloud.
• Monitorizarea biomasei în timp real și aproape real: Platformele geospațiale bazate pe cloud, precum Google Earth Engine și Microsoft Planetary Computer, permit acum procesarea continuă și automată a fluxurilor de date satelitare primite. Alertele de defrișare în timp aproape real, care se declanșează în termen de 24-48 de ore de la evenimentele de pierdere a pădurilor, sunt deja operaționale în mai multe țări tropicale.
• Gemeni digitali pentru agricultura de precizie: Integrarea datelor despre biomasă derivate din teledetecție cu senzori de sol, modele meteorologice și modele de simulare a culturilor creează gemeni digitali la scară agricolă - replici virtuale ale câmpurilor reale care permit fermierilor să testeze scenarii de management înainte de a le implementa în lumea reală.
• Integrarea agriculturii de precizie: Convergența senzorilor cu drone accesibili, a seriilor temporale prin satelit și a analizelor bazate pe inteligență artificială face ca monitorizarea biomasei la scară largă să fie accesibilă financiar pentru fermierii individuali, pentru prima dată, nu doar pentru instituțiile de cercetare și agențiile guvernamentale.

1. Care satelit este cel mai bun pentru estimarea biomasei? Nu există un singur satelit ideal pentru toate situațiile. Sentinel-2 este cel mai utilizat pentru cartografierea culturilor și a biomasei forestiere cu rezoluție moderată. GEDI LiDAR oferă cele mai precise date privind înălțimea coronamentului pentru AGB-ul pădurilor. Sentinel-1 SAR este alegerea preferată în zonele tropicale afectate de nori. Cea mai bună abordare operațională combină mai mulți senzori.

2. Pot dronele estima biomasa cu precizie? Da. Dronele echipate cu camere multispectrale sau senzori LiDAR pot estima biomasa culturilor și a pădurilor de pe suprafețe mici cu o rezoluție spațială foarte mare. Estimările biomasei culturilor bazate pe drone ating de obicei corelații de R² = 0,80–0,95 cu măsurătorile pe teren atunci când zborurile sunt programate în funcție de stadiile de creștere adecvate, iar senzorii spectrali sunt calibrați corespunzător.

3. Cât de precisă este estimarea biomasei prin teledetecție? Precizia variază considerabil în funcție de tipul de senzor, ecosistem și abordarea modelului. În pădurile temperate cu o bună acoperire LiDAR, hărțile de biomasă pot atinge valori RMSE de 20–40 Mg/ha. În pădurile tropicale dense, abordările exclusiv optice pot arăta valori RMSE de 60–100 Mg/ha din cauza saturației semnalului. Modelele de fuziune multi-senzor depășesc în mod constant abordările cu un singur senzor.

4. De ce este importantă estimarea biomasei pentru schimbările climatice? Pădurile și peisajele agricole stochează cantități masive de carbon în biomasa lor. Defrișările și degradarea terenurilor eliberează acest carbon stocat sub formă de CO₂ în atmosferă, accelerând schimbările climatice. Hărțile precise ale biomasei oferă baza pentru verificarea stocurilor de carbon, monitorizarea pierderii pădurilor și cuantificarea eficacității programelor de reîmpădurire și conservare în cadrul cadrelor climatice internaționale, cum ar fi REDD+.

5. Poate teledetecția estima biomasa subterană? Teledetecția nu poate măsura direct biomasa subterană. Cu toate acestea, BGB este estimat în mod obișnuit din AGB folosind coeficienți ai raportului rădăcină-lăstar derivați din studii de teren și publicați de organizații precum IPCC. Raporturile rădăcină-lăstar specifice speciei variază de la 0,15 la 0,40 în majoritatea ecosistemelor forestiere, permițând estimarea indirectă a BGB oriunde există hărți AGB.

Concluzie

Biomasa terestră calculată prin teledetecție a evoluat decisiv de la o tehnică de cercetare specializată la o capacitate operațională cu implicații directe pentru producția alimentară, guvernanța pădurilor și politica climatică. Convergența datelor satelitare gratuite, a platformelor de cloud computing accesibile și a instrumentelor de învățare automată din ce în ce mai puternice a făcut ca cartografierea biomasei la scară peisagistică să fie realizabilă pentru un număr tot mai mare de organizații din întreaga lume.

Rolul teledetecției în monitorizarea climei va crește pe măsură ce piețele de carbon se extind, angajamentele de monitorizare a defrișărilor se intensifică și cererea de date verificate privind stocurile de carbon crește în întreaga economie globală. Odată cu misiunea satelitară BIOMASS, acum operațională, GEDI continuă să își extindă setul de date global, iar modelele de inteligență artificială îmbunătățesc dramatic acuratețea estimărilor obținute prin fuziunea datelor multi-senzori, capacitatea de a ști cu precizie unde se acumulează, scade sau rămâne stabilă biomasa pe suprafața terestră a Pământului este la îndemână.

Piețele de carbon au trecut de la experimente de nișă privind politicile la instrumente generale de finanțare a schimbărilor climatice. Piața voluntară de credite de carbon pentru agricultură a fost evaluată la 36,1 milioane USD în 2024 și se așteaptă să crească la 648,3 milioane USD până în 2034 la o 31,9% CAGR, potrivit Global Market Insights Inc. Agricultura se află în centrul acestei expansiuni, deoarece solurile, culturile și practicile de gestionare a terenurilor reprezintă absorbante enorme de carbon măsurabile.

Provocarea a fost întotdeauna măsurarea: cum poți cuantifica în mod fiabil carbonul stocat pe milioane de hectare de teren agricol? Teledetecția, știința colectării de date despre suprafața Pământului de la aeronave, drone și sateliți fără contact fizic, este răspunsul pe care piața carbonului îl aștepta. Aceasta aduce scară largă, viteză și rigoare științifică monitorizării carbonului agricol.

Ce sunt creditele de carbon și de ce sunt importante?

Un credit de carbon este un certificat tranzacționabil care reprezintă reducerea sau eliminarea unei tone metrice de dioxid de carbon echivalent (CO2e) din atmosferă. Creditele sunt de două tipuri: credite de reducere a emisiilor de carbon, care reprezintă emisii evitate, și credite de eliminare a emisiilor de carbon, care reprezintă CO2 extras activ din atmosferă și stocat.

Piețele de carbon funcționează ca mecanisme economice care pun un preț pe emisiile de gaze cu efect de seră. Atunci când o companie nu își poate reduce emisiile pe plan intern, aceasta poate achiziționa credite de carbon din proiecte care elimină sau evită o cantitate echivalentă.

Acest lucru creează stimulente financiare pentru activități precum sechestrarea carbonului din sol, reîmpădurirea și îmbunătățirea gestionării terenurilor. Sistemul este guvernat de registre de carbon, standarde de certificare și verificatori terți care se asigură că fiecare credit reprezintă un beneficiu climatic real și măsurabil.

1. Cum sunt generate creditele de carbon în agricultură

Creditele de carbon pentru agricultură sunt create printr-un proces structurat care începe cu proiectarea proiectului și se termină cu credite verificate înscrise într-un registru. Iată secvența tipică:

1. Un fermier sau dezvoltator de proiect selectează practicile agricole durabile eligibile și definește limitele proiectului.
2. O metodologie aprobată este aleasă dintr-un registru de carbon, cum ar fi Verra (VM0042) sau Gold Standard.
3. Se stabilește un stoc de carbon de referință pentru a măsura punctul de plecare înainte de schimbarea practicilor.
4. Practicile sunt implementate și monitorizate pe parcursul perioadei proiectului, de obicei între trei și cinci ani.
5. Verificatori terți independenți evaluează dacă practicile au fost implementate și dacă beneficiile pretinse în materie de carbon sunt reale și suplimentare.
6. Creditele de carbon verificate sunt emise și listate spre vânzare pe piețe voluntare sau de conformitate.

Sechestrarea carbonului din sol prin practici de conservare este mecanismul principal în proiectele agricole. Practici precum culturile de acoperire, aratul redus și gestionarea precisă a nutrienților cresc cantitatea de carbon organic stocat în solurile agricole, care altfel tind să piardă carbon prin aratul și eroziune.

Solurile agricole rețin de aproximativ trei ori mai mult carbon decât atmosfera. Acest lucru face ca terenurile agricole să fie unul dintre cele mai accesibile și scalabile rezervoare de carbon de pe planetă. Terenurile cultivate și pajiștile răspund rapid la schimbările de gestionare: trecerea de la aratul convențional la aratul zero poate începe să crească carbonul organic din sol în decurs de unul până la două sezoane de creștere.

Fermierii beneficiază direct de veniturile din creditele de carbon. Proiectele de carbon din sol reprezintă acum aproximativ 8-10% a pieței voluntare de carbon, evaluată la 425-530 milioane USD, conform datelor de piață din 2025.

Acest flux de venituri completează veniturile fermelor, îmbunătățind în același timp sănătatea solului, retenția apei și productivitatea pe termen lung. Întreprinderile agroalimentare și companiile alimentare care participă la programele de carbon câștigă, de asemenea, credibilitate în raportarea sustenabilității lanțului de aprovizionare.

Legătura dintre creditele de carbon și agricultura de precizie

Agricultura de precizie este o abordare a managementului fermei care utilizează date spațiale și tehnologie avansată pentru a lua decizii la nivel de sub-câmp, în loc să trateze întreaga fermă ca o unitate uniformă. Aceasta combină receptoare GPS (Global Positioning System), senzori de sol IoT (Internet of Things), camere montate pe drone și imagini din satelit pentru a oferi informații detaliate, specifice locației, despre condițiile culturilor, proprietățile solului și nevoile de resurse.

Rezultatul este un management agricol bazat pe date. În loc să aplice o cantitate generală de îngrășământ pe întregul câmp, un sistem de agricultură de precizie identifică zonele cu nevoi diferite de nutrienți și aplică doze variabile în consecință.

Acest lucru reduce risipa de inputuri, scade costurile de operare și produce beneficii de mediu măsurabile care pot fi cuantificate pentru programele de credit de carbon. Uneltele de precizie contribuie la rezultatele privind emisiile de carbon prin multiple căi.

• Optimizarea aplicării îngrășămintelor reduce emisiile de protoxid de azot (N2O), un gaz cu efect de seră de aproximativ 273 de ori mai puternic decât CO2 pe o perioadă de 100 de ani. Aplicarea azotului cu rată variabilă poate reduce emisiile de N2O cu până la 20-30% comparativ cu aplicarea uniformă, conform unei cercetări publicate în European Journal of Agronomy.
• Îmbunătățirea programării irigărilor cu senzori de umiditate a solului reduce consumul de energie la stațiile de pompare și limitează compactarea solului, ambele reducând amprenta de carbon a irigărilor.
• Menținerea sănătății solului prin prelucrare redusă a solului conservă structura agregatelor din sol, protejând materia organică ce menține carbonul la locul său pe termen lung.
• Reducerea consumului de combustibil prin planificarea traseului utilajelor ghidate prin GPS reduce consumul de motorină, reducând direct emisiile de CO2 provenite din operațiunile pe teren.

1. Practici agricole durabile care generează credite de carbon

Nu toate activitățile agricole sunt eligibile pentru credite de carbon. Practicile aprobate trebuie să demonstreze că cresc emisiile de carbon din sol, să reducă emisiile sau ambele. Următoarele practici au metodologii stabilite în cadrul principalelor registre de carbon.

i. Culturi de acoperire implică plantarea culturilor neprofitabile în extrasezon pentru a menține rădăcinile vii în sol. Rădăcinile secretă continuu zaharuri care hrănesc microbii din sol, care transformă materia organică în humus stabil, o formă de carbon din sol cu durată lungă de viață. Culturile de acoperire previn, de asemenea, eroziunea, care îndepărtează fizic solul vegetal și carbonul din acesta.

ii. Arătură zero și arătură redusă minimizează perturbarea solului, păstrând structura fizică a acestuia. Ararea convențională oxidează rapid carbonul din sol prin expunerea materiei organice la aer. Cercetările publicate în revista Soil and Tillage Research au arătat că adoptarea pe termen lung a arării directe crește concentrația de carbon organic din sol în primii 30 cm cu o medie de 10-30% comparativ cu aratul convențional pe o perioadă de zece ani.

iii. Retenția reziduurilor de culturi menține biomasa post-recoltare la suprafața câmpului, în loc să o ardă sau să o îndepărteze. Pe măsură ce reziduurile se descompun, acestea contribuie cu materie organică la sol și hrănesc comunitățile microbiene responsabile de fixarea carbonului. Imaginile din satelit pot măsura procentele de acoperire cu reziduuri după recoltare cu o precizie măsurabilă.

Teledetecția nu se limitează doar la observarea agriculturii de sus. Ea transformă datele dispersate la nivel de teren într-o înregistrare unificată, justificabilă științific, a modului în care este gestionat terenul și a cantității de carbon pe care o conține.

iv. Managementul precis al nutrienților folosește tehnologie cu rată variabilă pentru a aplica îngrășăminte acolo unde este nevoie, în cantitățile potrivite, la momentul potrivit. Acest lucru reduce excesul de azot pe care bacteriile din sol îl transformă în protoxid de azot, reducând direct amprenta de gaze cu efect de seră a producției agricole.

v. Agrosilvicultură și culturi perene sechestrează carbonul atât la suprafață, în biomasa lemnoasă, cât și în subteran, prin sisteme radiculare extinse și de lungă durată. Culturile arboricole pot stoca carbonul timp de decenii, ceea ce le face candidați de mare valoare pentru proiectele de creditare a carbonului care necesită permanență.

Rolul teledetecției în măsurarea creditelor de carbon

Programele de creditare a carbonului necesită dovezi. Registrele nu pot accepta afirmația unui fermier conform căreia au fost plantate culturi de acoperire sau că a fost redusă aratul terenului. Verificarea necesită date obiective, reproductibile și auditabile, de preferință din surse care nu pot fi manipulate ulterior. Teledetecția oferă exact acest lucru.

Observațiile prin satelit și drone acoperă simultan suprafețe vaste, oferind un nivel de acoperire spațială pe care studiile de teren pur și simplu nu îl pot egala din punct de vedere economic. Piața satelitară MRV pentru carbonul agricol a fost evaluată la 3,2 miliarde USD în 2025 și se preconizează că va ajunge 8,7 miliarde USD până în 2034 la o 12,8% CAGR, semnalând cât de centrală a devenit monitorizarea prin satelit pentru programele climatice la nivel global.

Atlasul sustenabilității (2026) a constatat că sistemele de verificare bazate pe satelit au redus costurile de măsurare a carbonului din sol prin 40% comparativ cu eșantionarea tradițională pe teren, investițiile în soluții digitale MRV ajungând 2,3 miliarde USD în 2025. Fermierii și dezvoltatorii de proiecte pot accesa acum o monitorizare credibilă a carbonului fără costul prohibitiv pe hectar al campaniilor repetate de prelevare de probe de sol.

1. Tehnologii de teledetecție utilizate în programele de carbon

Sunt utilizate mai multe tipuri de senzori în funcție de scară, tipul de cultură și obiectivul măsurării carbonului. Fiecare aduce avantaje distincte.

1. Senzori multispectrali captează lumina reflectată în benzi discrete de lungime de undă, inclusiv roșu vizibil, infraroșu apropiat și infraroșu cu unde scurte. Aceștia calculează indici de vegetație precum NDVI (Normalized Difference Vegetation Index), un raport care compară reflectanța în infraroșu apropiat cu reflectanța în roșu.

Vegetația sănătoasă și densă reflectă mai mult infraroșu apropiat și absoarbe mai multă lumină roșie, producând o valoare NDVI ridicată. NDVI este utilizat pe scară largă ca indicator indirect al densității biomasei și al activității fotosintetice, ambele corelându-se cu absorbția carbonului.

2. Senzori hiperspectrali captează sute de benzi de lungime de undă înguste și contigue, în loc de câteva largi. Această rezoluție spectrală mai fină le permite să detecteze diferențe subtile în biochimia plantelor, inclusiv conținutul de clorofilă, apa din frunze și concentrația de lignină.

Aceste proprietăți sunt strâns legate de conținutul de carbon de la suprafață și pot fi utilizate pentru a modela biomasa culturilor cu o precizie mai mare decât datele multispectrale în bandă largă.

3. LiDAR (Detecție și măsurare a distanței luminii) emite mii de impulsuri laser pe secundă la suprafața solului și măsoară timpul necesar pentru ca fiecare impuls să se întoarcă. Rezultatul este un nor de puncte tridimensional detaliat al peisajului, care captează înălțimea vegetației, densitatea coronamentului și topografia terenului.

Biomasa este estimată prin combinarea acestor măsurători structurale cu ecuații alometrice, relații matematice care convertesc înălțimea și volumul în masă uscată și conținut de carbon. Un studiu din 2025 publicat în ScienceDirect a constatat că măsurarea sechestrării carbonului bazată pe LiDAR a obținut rate de eroare semnificativ mai mici decât metodele convenționale de inventariere pe teren pentru terenurile cultivate forestiere și sistemele agroforestiere.

4. SAR (Radar cu Apertură Sintetică) transmite energia microundelor și măsoară energia reflectată înapoi de la suprafață. Spre deosebire de senzorii optici, SAR penetrează acoperirea cu nori și funcționează noaptea, ceea ce îl face valoros în regiunile agricole tropicale unde acoperirea persistentă cu nori blochează sateliții optici timp de săptămâni întregi. SAR este deosebit de eficient pentru măsurarea umidității solului, detectarea suprafețelor goale față de cele vegetate și estimarea biomasei coronamentului prin analiza intensității retrodifuziunii.

5. Teledetecție bazată pe drone oferă o rezoluție spațială de ordinul centimetrilor, pe care sateliții nu o pot egala. Dronele echipate cu camere multispectrale sau RGB zboară la joasă altitudine pentru a produce hărți extrem de detaliate ale câmpurilor individuale.

În programele de gestionare a carbonului, dronele sunt utilizate pentru validarea la scară locală a observațiilor satelitare și pentru evaluări în câmpuri mici sau fragmentate, unde dimensiunea pixelilor satelitari este prea mare pentru a distinge limitele de gestionare. Principalele platforme satelitare care susțin monitorizarea carbonului includ următoarele:

• Landsat (NASA/USGS): Rezoluție de 30 de metri cu o frecvență de revizitare de 16 zile. Arhiva sa istorică, care datează din 1972, îl face coloana vertebrală a analizei schimbărilor pe termen lung ale utilizării terenurilor și a cartografierii nivelului de referință.
• Sentinel-1 și Sentinel-2 (ESA): Sentinel-2 oferă imagini multispectrale de 10 metri cu o revizită la 5 zile, fiind ideal pentru monitorizarea sezonieră a culturilor. Sentinel-1 SAR completează datele optice în perioadele noroase.
• MODIS (NASA): Rezoluție de 250-500 de metri cu acoperire globală zilnică. Este utilizat pentru analize la scară largă, în serii temporale, ale productivității vegetației și schimbărilor în utilizarea terenurilor în regiuni întregi.
• PlanetScope: O constelație comercială care oferă imagini zilnice cu o rezoluție de 3 metri, permițând detectarea practicilor subcâmp în cadrul operațiunilor agricole individuale.

Cum susține GeoPard programele de credit de carbon

GeoPard Agriculture este o platformă pentru agricultură de precizie care combină imagini satelitare, date radar și analize topografice pentru a ajuta fermierii să implementeze și să monitorizeze practicile care generează credite de carbon verificate. Aceasta integrează cultivarea carbonului direct în managementul zilnic al fermei, în loc să o trateze ca pe o activitate separată.

1. Implementare practică ghidată de date satelitare

GeoPard folosește date satelitare și radar pentru a identifica zonele de teren cu performanțe scăzute, potrivite pentru culturi de acoperire, agrosilvicultură sau reducerea aratului. Soluția sa de monitorizare a culturilor ghidează deciziile de rotație care îmbunătățesc structura solului și cresc capacitatea de stocare a carbonului pe termen lung.

Analiza topografică identifică zonele de câmp care beneficiază cel mai mult de anumite specii de culturi de acoperire, eliminând incertitudinea dintr-o practică care determină direct sechestrarea carbonului.

2. Reducerea emisiilor și trasabilitatea MRV

Pentru reducerea emisiilor de CO2, GeoPard susține adoptarea practicilor de zero-tillage și gestionarea reziduurilor, ajutând fermierii să renunțe la perturbările convenționale ale solului. Pentru reducerea N2O, permite gestionarea nutrienților 4R, aplicând îngrășământul potrivit, în doza, momentul și locul potrivit, reducând excesul de azot care se transformă în protoxid de azot în sol.

În ceea ce privește MRV (Monitorizarea, Verificarea și Verificarea Creșterii), straturile de date satelitare ale GeoPard creează o înregistrare continuă, cu marcaj temporal, a activităților de teren pe tot parcursul sezonului de creștere. Aceste dovezi spațiale susțin cerințele de măsurare și raportare, oferind verificatorilor terți date obiective pentru a confirma că practicile declarate au avut loc efectiv.

Prin conectarea directă a deciziilor agricole zilnice cu rezultatele măsurabile în materie de carbon, GeoPard face practică participarea fermierilor de toate dimensiunile la programele de creditare a carbonului cu încredere.

Cum permite teledetecția creditele de carbon: Pas cu pas

1. Cartografierea nivelului de referință

Înainte ca un proiect de carbon să poată emite credite, acesta trebuie să stabilească o bază credibilă, o imagine cuantificată a cantității de carbon deținute deja în zona proiectului și a practicilor de gestionare a terenurilor implementate în prezent. Această bază este referința în raport cu care se măsoară toate îmbunătățirile viitoare.

Teledetecția permite cartografierea nivelului de referință prin intermediul mai multor analize integrate. Cartografierea vegetației utilizând datele NDVI și indicele suprafeței foliare identifică tipurile de culturi existente, densitatea biomasei și modelele sezonului de creștere.

Analiza istorică a utilizării terenurilor, realizată folosind arhiva multidecenială a Landsat, dezvăluie dacă un câmp a fost cultivat convențional, pe pajiște sau pe culturi mixte în ultimii zece până la douăzeci de ani. Acest istoric este important deoarece nivelurile de carbon din sol reflectă gestionarea cumulativă de-a lungul deceniilor, nu doar sezonul curent.

Cartografierea proprietăților solului combină date satelitare hiperspectrale cu probe de sol de la teren pentru a produce hărți spațiale continue ale carbonului organic, texturii și conținutului de argilă din sol. Identificarea limitelor proiectului utilizează imagini satelitare înregistrate GPS pentru a defini limitele geografice exacte ale proiectului de carbon, o cerință pentru toate registrele majore de carbon, inclusiv Verra și Gold Standard.

2. Verificarea practicii

Registrele de carbon necesită dovezi continue care să ateste implementarea reală a practicilor sustenabile, nu doar afirmarea lor. Teledetecția oferă aceste dovezi prin analiza seriilor temporale ale imaginilor din satelit pe parcursul unor sezoane întregi de creștere.

i. Detectarea culturilor de acoperire utilizează indici de vegetație din sezonul de iarnă pentru a identifica acoperirea solului în creștere activă între ciclurile culturilor comerciale. Un câmp cu culturi de acoperire prezintă valori NDVI semnificativ mai mari în extrasezon, comparativ cu un câmp gol.

Cercetările publicate în Centrul Național pentru Informații Biotehnologice (2024), utilizând datele Sentinel-2 din Dakota de Sud, au atins precizii de clasificare care depășesc 80% pentru detectarea prezenței culturilor de acoperire și a intensității lucrării solului pe câmpurile de porumb și soia.

Un studiu ScienceDirect (2024) a implementat o rețea MRV în 553.743 hectare și reduceri măsurate ale emisiilor de 398.408,5 tCO2e pe parcursul a trei emisiuni consecutive de credite de carbon, atribuind reducerile în principal introducerii culturilor de acoperire și reducerii intensității aratului. Sistemele MRV bazate pe satelit pot funcționa acum la scara unor regiuni agricole întregi, nu doar la scara unor proiecte individuale.

ii. Verificarea practicilor de cultivare zero se bazează pe monitorizarea suprafeței solului între recoltare și plantare. După o recoltare fără arătură, reziduurile rămân la suprafață, iar valorile NDVI rămân moderat ridicate din cauza reflectanței reziduurilor. Un câmp arat prezintă modificări bruște ale texturii suprafeței și ale semnăturii spectrale, care sunt detectabile în imaginile satelitare de 10-30 de metri. Datele SAR completează analiza optică prin detectarea modificărilor de umiditate a solului asociate cu perturbațiile mecanice.

iii. Monitorizarea retenției reziduurilor de culturi utilizează benzi de infraroșu cu unde scurte pentru a estima procentul de reziduuri vegetale care acoperă solul după recoltare. Reziduurile au o semnătură spectrală distinctă în comparație cu solul gol, permițând indicilor de acoperire a reziduurilor derivați din satelit să estimeze dacă 30%, 50% sau 70% din suprafață sunt acoperite, praguri care determină direct eligibilitatea și volumul creditelor în multe metodologii.

iv. Monitorizarea rotației culturilor urmărește schimbările tipului de cultură de-a lungul mai multor sezoane folosind date spectrale din serii temporale. Diferite culturi au amprente fenologice unice, modelul de înverzire, creșterea maximă și senescența pe parcursul sezonului de creștere. Frecvența de revizitare la 5 zile a Sentinel-2 surprinde aceste dinamici suficient de precis pentru a distinge porumbul de soia și grâul de-a lungul anilor consecutivi.

3. Estimarea biomasei și a stocului de carbon

Măsurarea stocurilor de carbon necesită transformarea proprietăților observabile ale vegetației și solului în estimări cantitative ale carbonului stocat. Teledetecția alimentează acest proces prin intermediul mai multor fluxuri de date.

Biomasă supraterană (AGB) Estimarea utilizează înălțimea vegetației din datele LiDAR, densitatea coronamentului din imaginile optice și indicele suprafeței foliare (LAI) derivat din reflectanța în infraroșu apropiat. Aceste date de intrare alimentează ecuațiile alometrice care produc estimări ale biomasei în tone pe hectar. Conținutul de carbon este de obicei calculat ca aproximativ 47-50% din greutatea biomasei uscate, un factor de conversie validat pentru sute de specii de către IPCC și FAO.

Carbon organic din sol (COS) Estimarea este mai complexă deoarece carbonul subteran nu poate fi observat direct de sus. Teledetecția contribuie prin imagini hiperspectrale care detectează semnăturile spectrale ale materiei organice din sol în câmpuri goale sau ușor vegetate și prin date privind umiditatea solului derivate din SAR care influențează ratele de rotație a carbonului.

Aceste date de teledetecție sunt combinate cu modele bazate pe procese, precum RothC sau CENTURY, care simulează modul în care materia organică se descompune și se stabilizează în diferite condiții climatice și de gestionare.

Credibilitatea unui credit de carbon depinde în întregime de precizia măsurătorii din spatele acestuia. Teledetecția transformă verificarea emisiilor de carbon dintr-un exercițiu costisitor pe teren într-o pistă de audit continuă, bazată pe date.

Algoritmii de învățare automată, inclusiv pădurile aleatorii, amplificarea gradienților și modelele de învățare profundă, sunt utilizați din ce în ce mai mult pentru a integra intrările de teledetecție cu măsurătorile de teren.

Un studiu publicat în PeerJ (2024) a demonstrat că modelele de învățare automată care combină indici satelitari multispectrali cu eșantionare limitată de sol ar putea prezice carbonul organic din sol cu o precizie competitivă, reducând numărul de probe distructive de sol necesare pentru validarea proiectului.

Măsurarea, Raportarea și Verificarea (MRV): Fundația Creditelor de Carbon

MRV (Măsurare, Raportare și Verificare) este cadrul de guvernanță care separă creditele de carbon credibile de afirmațiile neverificabile. Fiecare registru major de carbon impune ca proiectele să respecte un protocol MRV aprobat. Teledetecția a devenit o parte integrantă a tuturor celor trei etape.

1. Măsurare: Colectarea datelor

Măsurarea implică colectarea datelor brute din care se calculează cantitățile de carbon. În programele bazate pe sateliți, aceasta începe cu ingerarea automată a imaginilor multispectrale și SAR la intervale regulate pe parcursul sezonului de creștere.

Studiile cu drone oferă date de înaltă rezoluție la sol în stadii fenologice cheie. Campaniile de prelevare de probe de sol specifice colectează măsurători în teren pentru a calibra și valida estimările SOC derivate din satelit. Algoritmii de estimare a biomasei rulează pe datele combinate pentru a produce valori ale stocului de carbon la scară de teren.

2. Raportare: Conversia măsurătorilor în credite

Raportarea transformă datele procesate într-un pachet formal de documentație trimis unui registru de carbon. Aceasta include foi de calcul pentru contabilizarea carbonului, hărți spațiale ale activităților proiectului, dovezi ale implementării practicilor și modificări modelate ale stocului de carbon pe parcursul perioadei de verificare.

Este necesară respectarea standardelor internaționale, inclusiv a ISO 14064-2 și a directivelor Protocolului privind gazele de seră. Arhivele seriilor temporale din satelit servesc drept înregistrări inviolabile care stau la baza fiecărei cifre raportate.

3. Verificare: Confirmare independentă

Verificatorii terți examinează documentația depusă și evaluează independent dacă rezultatele raportate privind emisiile de carbon sunt reale, suplimentare (adică nu s-ar fi produs fără proiect) și permanente.

Dovezile obținute prin teledetecție, inclusiv arhivele de imagini din satelit și studiile efectuate cu drone, oferă verificatorilor date obiective pe care le pot compara cu afirmațiile proiectului. Analiza seriilor temporale detectează inconsecvențe, cum ar fi cazul unui fermier care susține că terenul este arabil fără lucrări de terenuri pentru un câmp care prezintă semnături spectrale ale unor perturbări mecanice.

Detectarea fraudelor prin algoritmi de punct de schimbare este din ce în ce mai mult integrată în platformele digitale MRV pentru a semnala anomaliile înainte ca acestea să ajungă în etapa de verificare.

Conform datelor raportate de Marq Stats (2026), convergența imaginilor satelitare de înaltă rezoluție și a învățării automate a redus costul MRV per fermă cu 70-90% între 2018 și 2025, permițând Indigo Carbon să gestioneze peste 8 milioane de acri înscriși în 28 de state americane cu un 85% reducerea sarcinii administrative de colectare a datelor.

Reducerile de costuri la această scară înseamnă că micii fermieri și exploatațiile mijlocii pot participa acum la programe de creditare a carbonului, care anterior erau accesibile doar marilor producători de mărfuri.

4. Cum determină MRV valoarea reală a unui credit de carbon

MRV nu este doar o cerință de conformitate. Este ceea ce determină dacă un credit de carbon are sau nu o valoare reală de piață. Cumpărătorii, investitorii și autoritățile de reglementare stabilesc prețul creditelor de carbon în funcție de cât de sigur poate fi verificat carbonul subiacent. Un credit cu MRV slab se tranzacționează cu o reducere sau este respins complet.

Fără un MRV credibil, creditele de carbon devin o incertitudine. Un fermier ar putea pretinde că au fost plantate culturi de acoperire când nu au fost. Un dezvoltator de proiect ar putea supraestima câștigurile de carbon din sol. Cumpărătorii ar putea finanța fără să știe proiecte care nu aduc niciun beneficiu climatic real. MRV elimină fiecare dintre aceste lacune prin solicitarea unor dovezi documentate, verificabile și standardizate la fiecare pas.

Pentru fermieri, un sistem MRV puternic funcționează în favoarea lor. Elimină povara auto-raportării și o înlocuiește cu dovezi susținute prin satelit pe care niciun registru sau cumpărător nu le poate contesta. Această trecere de la verificarea bazată pe încredere la cea bazată pe date este ceea ce permite micilor fermieri să concureze pe aceleași piețe de carbon ca și marile afaceri agricole.

Pentru piața carbonului în ansamblu, un MRV credibil este ceea ce diferențiază acțiunile climatice autentice de greenwashing-ul. Fiecare tonă de CO2 care este numărată de două ori, estimată în linii mari sau declarată fără dovezi slăbește întregul sistem.

MRV-ul bazat pe teledetecție elimină această lacună prin obiectivizarea măsurării, standardizarea raportării și independența verificării. Acesta este motivul pentru care creditele de carbon susținute de MRV-ul bazat pe satelit au acum un preț premium de 15-25% pe piețele voluntare - cumpărătorii plătesc mai mult deoarece știința din spatele creditului este mai greu de contestat.

Beneficiile teledetecției pentru programele de credit de carbon

Avantajele teledetecției față de monitorizarea exclusivă a carbonului pe teren sunt substanțiale și complicate pe măsură ce programele se extind pentru a acoperi mai mult teren.

1. Monitorizarea la scară largă devine fezabilă la o fracțiune din cost. O singură scenă Sentinel-2 acoperă 100 pe 100 de kilometri, monitorizând mii de ferme într-o singură trecere, fără implicarea niciunui personal de la sol.
2. Verificarea este mai rapidă și necesită mai puțină muncă. Programele de carbon care anterior necesitau luni întregi de vizite pe teren pot finaliza verificarea practică în câteva zile folosind canale automate de analiză prin satelit.
3. Transparența crește pentru cumpărători, registre și investitori. Arhivele satelit creează o înregistrare obiectivă și reproductibilă a ceea ce s-a întâmplat pe un teren în timpul perioadei proiectului, independent de interesul oricărei părți interesate.
4. Eroarea umană este redusă. Clasificarea automată a imaginilor și modelarea cu carbon aplică algoritmi consecvenți în toate zonele proiectului, eliminând variațiile introduse de diferiți evaluatori de teren care utilizează metode diferite de eșantionare.
5. Încrederea investitorilor crește. Cumpărătorii instituționali solicită din ce în ce mai mult validarea cantitativă a creditelor, bazată pe date, înainte de a angaja capital în proiecte de carbon. Creditele susținute de teledetecție, cu etichete Core Carbon Principles (CCP), impun acum... 15-25% prime de preț, conform datelor din 2025 ale Consiliului de Integritate pentru Piața Voluntară a Carbonului.

Fluxuri decizionale mai bune pentru fiecare parte interesată. Fermierii primesc feedback explicit din punct de vedere spațial despre care câmpuri au performanțe bune sau subperformante în ceea ce privește emisiile de carbon. Dezvoltatorii de proiecte pot aloca resurse de monitorizare zonelor cu risc ridicat. Registrele pot prioritiza eforturile de verificare pe baza detectării automate a anomaliilor.

Provocări și limitări pe piețele de carbon

Teledetecția este puternică, dar nu nelimitată. Înțelegerea constrângerilor sale actuale este esențială pentru conceperea unor programe de gestionare a carbonului care să rămână justificabile din punct de vedere științific.

1. Acoperirea cu nori rămâne un obstacol persistent pentru senzorii optici ai satelitului în regiunile agricole tropicale și afectate de musoni. În perioadele cheie ale sezonului de creștere, observațiile consecutive fără nori pot fi imposibile, creând lacune în înregistrarea monitorizării. SAR compensează parțial acest lucru, dar integrarea seturilor de date multi-senzori adaugă complexitate procesării.
2. Carbonul subteran nu poate fi observat direct din spațiu. Estimarea carbonului organic din sol prin teledetecție este întotdeauna dependentă de model, bazându-se pe indici spectrali de suprafață și simulări bazate pe procese care comportă o incertitudine inerentă.
3. Rezoluția spațială limitează detectarea practicilor la scară mică a câmpurilor. În regiunile dominate de agricultura la scară mică, cu câmpuri mai mici de un hectar, chiar și pixelii Sentinel-2 de 10 metri pot depăși limite multiple de gestionare, ceea ce face dificilă atribuirea clară a practicilor.
4. Validarea datelor de teren rămâne obligatorie. Modelele satelitare necesită calibrare cu probe de sol și observații de teren. Nicio metodologie actuală de teledetecție nu elimină complet nevoia de date de teren.

Standardizarea programelor de carbon reprezintă o altă provocare. Registre diferite acceptă metodologii de teledetecție diferite, platforme satelitare diferite și abordări de modelare diferite. Un credit validat folosind o metodologie poate să nu fie recunoscut de un cumpărător care operează conform unui standard diferit, ceea ce creează o fragmentare a pieței care limitează lichiditatea creditelor și participarea fermierilor.

Viitorul teledetecției pe piețele de carbon

Ritmul inovației în tehnologia satelitară, inteligența artificială și infrastructura agricolă digitală sugerează că limitele sistemelor de teledetecție actuale vor fi rezolvate progresiv în următorul deceniu.

Inteligența artificială și învățarea automată transformă deja estimarea emisiilor de carbon. Modelele de învățare profundă antrenate pe milioane de pixeli din sateliți pot identifica modelele de prelucrare a solului, tipurile de culturi și schimbările de practici cu o precizie mai mare și la un cost per câmp mai mic decât orice metodă anterioară.

Modelele de frontieră publicate în Remote Sensing of Environment (2024) au demonstrat că modelele hiperspectrale de învățare automată pot prezice carbonul organic din sol la scară continentală cu o precizie competitivă atunci când sunt antrenate pe biblioteci spectrale de sol diverse din punct de vedere spațial.

Constelațiile de sateliți comerciali de înaltă rezoluție, inclusiv acoperirea zilnică de 3 metri a PlanetScope și viitoarele sisteme de foarte înaltă rezoluție, fac monitorizarea practicilor subcâmp accesibilă programelor care operează la nivel de fermă individuală.

Fuziunea datelor provenite de la drone și sateliți permite o abordare de monitorizare stratificată: sateliții oferă acoperire continuă, în timp ce dronele oferă detalii de validare atunci când și unde este cea mai mare nevoie.

• Integrare IoT permite ca datele senzorilor de sol în timp real, provenite de la rețele de sonde de umiditate și carbon din teren, să fie introduse direct în conductele de calibrare de la teledetecție, reducând dependența de eșantionarea manuală periodică a solului.
• Gemeni digitali pentru peisaje agricole apar ca o modalitate de simulare a dinamicii carbonului la nivelul întregii ferme, utilizând date combinate de teledetecție, vreme și sol. Aceste medii de simulare permit dezvoltatorilor de proiecte să modeleze scenarii ipotetice pentru diferite combinații de practici înainte de a se angaja într-o metodologie.
• Urmărirea carbonului prin intermediul blockchain-ului leagă evenimentele de carbon verificate prin satelit de înregistrările contabile imuabile, oferind cumpărătorilor o pistă de audit completă, de la observarea pe teren până la retragerea creditului.
• Platforme MRV automate înlocuiesc fluxurile de lucru manuale de transmitere a datelor. Companii precum Agreena din Danemarca utilizează date de observare a Pământului pentru a monitoriza schimbările în gestionarea terenurilor în mii de ferme din UE, cu credite de carbon emise pe baza analizei continue prin satelit în temeiul Regulamentului UE privind exploatarea carbonului în agricultură (UE 2024/3012).

Monitorizarea carbonului în timp aproape real, cu frecvențe de revizitare a datelor prin satelit care se apropie zilnic și cu canale de analiză care procesează imagini în câteva ore de la achiziție, va face în curând posibilă detectarea inversărilor practicilor, cum ar fi revenirea unui fermier la aratul solului în mijlocul proiectului, înainte de a se produce o pierdere semnificativă de carbon. Constelațiile globale de sateliți și infrastructura de procesare în expansiune vor face ca această capacitate să fie accesibilă registrelor majore de carbon până la sfârșitul anilor 2020.

Concluzie

Modul în care teledetecția permite obținerea de credite de carbon se reduce la un avantaj fundamental: transformă invizibilul în măsurabil. Carbonul stocat în soluri și vegetație nu poate fi cântărit sau numărat direct. Însă practicile agricole care determină cantitatea de carbon stocată într-un peisaj, inclusiv ce este plantat, cum este gestionat solul și cum este distribuită biomasa, lasă toate semnături spectrale și structurale detectabile pe care sateliții, sistemele LiDAR și platformele SAR le pot observa, înregistra și cuantifica.

De la cartografierea datelor de referință la verificarea practicilor, de la estimarea biomasei la documentația MRV, teledetecția oferă fundamentul științific de care piețele de carbon au nevoie pentru a funcționa cu integritate. Legătura dintre agricultura de precizie și piețele de carbon nu a fost niciodată mai puternică. Fermierii care adoptă practici de management bazate pe date nu numai că își îmbunătățesc productivitatea. Aceștia generează genul de dovezi verificabile, explicite din punct de vedere spațial, privind carbonul, pe care registrele, cumpărătorii și autoritățile de reglementare le solicită din ce în ce mai mult.

Monitorizarea evapotranspirației cu ajutorul teledetecției reprezintă unul dintre cele mai importante progrese în știința apei în agricultură din ultimele două decenii. Prin combinarea datelor termice obținute prin satelit, a indicilor de vegetație și a fizicii bilanțului energetic, oamenii de știință și fermierii pot estima acum câtă apă părăsește suprafața terestră pe milioane de hectare - fără un singur senzor terestru.

Această capacitate transformă modul în care agronomii programează irigațiile, modul în care guvernele urmăresc seceta și modul în care cercetătorii cuantifică amprenta de apă a bazinelor hidrografice întregi. Agricultura consumă aproximativ 70% din totalul extragerilor globale de apă dulce, însă cea mai mare parte a acestei ape nu este niciodată măsurată direct la nivel de teren - o lacună critică pe care monitorizarea evapotranspirației cu teledetecție o elimină rapid.

Ce este evapotranspirația?

Evapotranspirația (ET) este procesul combinat prin care apa se deplasează de la suprafața terestră în atmosferă. Are două componente care funcționează simultan: evaporarea, transformarea directă a apei lichide din sol, corpuri de apă și suprafețele plantelor în vapori de apă; și transpirația, mișcarea biologică a apei absorbită de rădăcinile plantelor, transportată în sus prin tulpină și eliberată sub formă de vapori prin pori minusculi din frunze numiți stomate.

Împreună, aceste două procese sunt responsabile pentru cel mai mare flux de apă care părăsește un ecosistem terestru. În majoritatea peisajelor agricole, ET returnează între 60 și 80% din totalul precipitațiilor înapoi în atmosferă. Această cifră face ca ET să fie variabila dominantă în bilanțul apei terestre - mai influentă decât scurgerile sau percolarea în adâncime în majoritatea mediilor cultivate.

ET se află în centrul ciclului hidrologic, legând suprafața terestră, biosfera și atmosfera. Atunci când ratele ET sunt mari, umiditatea solului se epuizează mai rapid, debitele râurilor scad, iar ratele de reîncărcare a acviferelor scad. Atunci când ET încetinește - din cauza stresului cauzat de secetă, senescența culturilor sau schimbarea utilizării terenurilor - consecințele se reflectă în disponibilitatea apei în aval.

În știința climei, ET este un mecanism principal de cuplare între ciclurile carbonului și ale apei. Plantele își deschid stomatele pentru a absorbi CO2 pentru fotosinteză și, procedând astfel, eliberează simultan vapori de apă. Orice modificare a acoperirii vegetale globale, a temperaturii sau a concentrației de CO2 modifică echilibrul ET planetar și se reflectă în modelele regionale de precipitații.

De ce este monitorizarea evapotranspirației o prioritate în gestionarea apei?

Date precise privind emisiile de gaze (ET) permit luarea unor decizii mai bune în mai multe sectoare. În agricultură, cunoașterea utilizării reale a apei la nivel de câmp îi spune unui manager de irigații exact câtă apă să aplice, când să o aplice și unde se dezvoltă deficitele înainte ca stresul vizibil să apară în cultură.

Această precizie previne atât suprairigarea, care risipește apa și elimină nutrienții, cât și subirigarea, care reduce randamentul.

1. Programarea irigațiilor: Programarea irigațiilor bazată pe ET înlocuiește presupunerile cu fizica. Când un fermier știe că un lan de porumb din iulie pierde 7 mm de apă pe zi din cauza ET, poate completa exact acel deficit în loc să irige la un interval calendaristic fix.

2. Monitorizarea secetei: O scădere susținută a ET reală în raport cu ET de referință (ceea ce s-ar evapora în condiții de aprovizionare nelimitată cu apă) semnalează apariția stresului cauzat de secetă. Teledetecția captează acest semnal cu săptămâni înainte ca pierderea de randament să devină vizibilă cu ochiul liber.

3. Planificarea resurselor de apă: Contabilizarea apei la nivel de bazin necesită date ET la scara bazinului hidrografic. Monitorizarea ET prin satelit oferă această acoperire spațială la o fracțiune din costul unei rețele de stații terestre.

4. Evaluarea schimbărilor climatice: Tendințele ET pe termen lung dezvăluie modul în care creșterea temperaturilor și schimbarea tiparelor de precipitații modifică utilizarea apei în ecosisteme - date care informează planificarea adaptării la nivel regional și național.

5. Monitorizarea sănătății ecosistemului: Ratele de ET din zonele umede, transpirația pădurilor și utilizarea apei din pajiști răspund sensibil la perturbările ecologice. ET-ul prin teledetecție surprinde aceste schimbări în peisaje mari și inaccesibile.

Ce factori influențează evapotranspirația?

Evapotranspirația (ET) este determinată de o combinație de condiții climatice, caracteristici ale peisajului și biologie vegetală. Mai jos este o defalcare a factorilor cheie implicați.

1. Tipul de sol. Compoziția solului joacă un rol semnificativ în retenția și evaporarea apei. Solurile nisipoase sau pietroase tind să rețină mai puțină apă și să elibereze mai multă prin evaporare, în timp ce solurile lutoase sau bogate în argilă rețin mai bine umiditatea.

2. Temperatura aerului. Temperatura are un impact direct asupra ratelor de evapotranspirație. Aerul mai cald are o capacitate mai mare de a reține umiditatea, iar creșterea căldurii accelerează conversia apei în vapori, crescând astfel evapotranspirația.

3. Radiația solară. Dincolo de simpla generare de căldură, radiația solară implică variații ale nivelurilor de energie, frecvenței și albedoului - toate acestea influențând ET. Acești factori diferă în funcție de locație și de perioada anului, iar măsurarea lor precisă necesită adesea tehnologie avansată.

4. Umiditate. Umiditatea relativă (RH) se referă la cantitatea de vapori de apă prezentă în aer în raport cu capacitatea sa maximă. Când umiditatea este ridicată, aerul absoarbe mai puțină umiditate suplimentară, încetinind ET. În schimb, aerul mai uscat poate absorbi mai mulți vapori, ceea ce duce la rate de evapotranspirație mai mari.

5. Acoperire vegetală. Diferite specii de plante interacționează cu apa în moduri distincte. Unele stochează apa eficient în perioadele secetoase, în timp ce altele o pierd mai rapid. Ratele de irigare cu apă (ET) sunt influențate și de vârsta, sănătatea și adâncimea rădăcinilor unei plante - rădăcinile mai adânci permit culturilor să reziste mai mult timp fără irigații. Aceste diferențe fiziologice înseamnă că ET poate varia foarte mult în funcție de tipurile de culturi, necesitând strategii de irigare personalizate.

6. Viteza vântului. Vântul este un factor major atât al evaporării, cât și al transpirației. Acesta dispersează stratul de aer umed care se acumulează peste vegetație, crescând ET. De asemenea, ajută la difuzia vaporilor prin porii plantelor, stimulând transpirația. Cu toate acestea, vânturile extrem de puternice și uscate pot uneori împiedica difuzia vaporilor, reducând ușor ET în anumite condiții.

Concepte cheie ale evapotranspirației

ET(0) reflectă capacitatea atmosferei de a determina pierderea de apă și este bazat exclusiv pe climă. ET(c) măsoară apa pierdută din culturile sănătoase, bine irigate, care cresc în condiții ideale la potențialul lor maxim de randament. Atunci când culturile se confruntă cu provocări de gestionare sau de mediu suboptimale, ET(c) trebuie modificat pentru a da ET(c adj). Evapotranspirația culturilor este înțeleasă prin trei concepte distincte:

1. ET(0) — Evapotranspirație de referință
2. ET(c) — Evapotranspirația în condiții standard
3. ET(c adj) — Evapotranspirație în condiții non-standard

1. Evapotranspirația de referință — ET(0)

ET(0) reprezintă rata la care apa se evaporă de pe o suprafață de referință bine udată — de obicei modelată ca o acoperire cu iarbă idealizată care îndeplinește anumite criterii.

Această măsură surprinde cererea de evaporare a atmosferei independent de tipul de cultură, stadiul de creștere sau practicile agricole. Deoarece se presupune că suprafața de referință este complet umezită, condițiile solului sunt excluse din calcul — eliminând necesitatea de a defini praguri ET separate pentru fiecare cultură în fiecare stadiu de creștere.

ET(0) este determinată în întregime de variabile climatice, iar valorile tipice variază în funcție de zonele agroclimatice, deși aceste cifre servesc doar ca repere generale.

2. Evapotranspirația în condiții standard — ET(c)

ET(c) cuantifică apa eliberată de o cultură sănătoasă, bine hrănită, cultivată pe câmpuri mari, irigate corespunzător, în condiții meteorologice favorabile, funcționând la productivitate maximă. Se obține prin înmulțirea ET de referință cu coeficientul culturii K(c):

ET(c) = ET(0) × K(c)

3. Evapotranspirația în condiții non-standard — ET(c adj)

ET(c adj) ia în considerare abaterile din lumea reală de la condițiile ideale de creștere. Factori precum presiunea dăunătorilor și bolilor, deficitul sau excesul de apă, salinitatea solului și fertilitatea slabă a solului pot determina ca utilizarea reală a apei pentru culturi să difere semnificativ de ET(c). Un coeficient de stres hidric K(s) este introdus alături de coeficientul culturii pentru a surprinde aceste efecte:

ET(c adj) = ET(0) × K(c) × K(s)

Metode tradiționale de măsurare a evapotranspirației

Înainte de teledetecție, oamenii de știință măsurau ET prin instrumente fizice directe. Fiecare metodă funcționează bine la o scară specifică, dar prezintă compromisuri semnificative care limitează aplicarea agricolă largă. Unele dintre cele mai bune tehnici de măsurare ET la sol sunt:

1. Lizimetru: Un lizimetru (un recipient mare umplut cu sol și culturi în creștere, instalat la același nivel cu solul) măsoară ET prin cântărirea blocului de sol în timp. Atunci când precipitațiile sunt controlate și se colectează drenajul, diferența de masă dintre etapele de timp este egală cu ET real.

Lizimetrele oferă cele mai precise măsurători ET disponibile, dar costă sute de mii de dolari pe unitate, acoperă doar câțiva metri pătrați și nu pot reprezenta variabilitatea spațială a unui câmp real.

2. Sistemul de covarianță Eddy: Sistemul de covarianță turbionară măsoară ET prin calcularea covarianței dintre viteza verticală a vântului și concentrația de vapori de apă deasupra coronamentului, utilizând senzori cu răspuns rapid. Acesta acoperă o “amprentă” de la câteva sute de metri până la câțiva kilometri, fiind mult mai reprezentativ decât un lizimetru.

Cu toate acestea, instalarea și întreținerea turnurilor de flux costă între 50.000 și 300.000 USD, iar rețeaua globală FLUXNET are doar aproximativ 900 de situri active — mult prea rare pentru a monitoriza ET-ul agricol la scară națională.

3. Metoda raportului Bowen: Metoda raportului Bowen estimează ET prin măsurarea raportului dintre fluxul de căldură sensibilă (încălzirea aerului) și fluxul de căldură latentă (ET) utilizând gradienți de temperatură și umiditate deasupra coronamentului. Este mai simplă decât covarianța turbionară, dar necesită condiții de fetch omogene și nu poate fi utilizată în teren complex.

4. Calcule ET bazate pe stații meteo Folosind ecuația FAO Penman-Monteith, se calculează ET de referință (ET0) din datele privind temperatura aerului, umiditatea, viteza vântului și radiația. Această metodă este utilizată pe scară largă pentru programarea irigațiilor, dar produce ET de referință, nu ET real, deoarece presupune o cultură de referință bine udată, mai degrabă decât cultura reală din câmp.

Problema centrală a tuturor metodelor terestre este scara. Un singur lizimetru reprezintă câțiva metri pătrați. Un turn de flux acoperă în cel mai bun caz câteva sute de hectare. Însă managementul modern al apei agricole necesită date ET la nivel de teren pe întregul bazin hidrografic - o provocare spațială pe care doar teledetecția o poate aborda.

Fundamentele teledetecției pentru monitorizarea ET

Teledetecția, în contextul monitorizării ET, este achiziția și analiza datelor obținute de la sateliți sau aeronave pentru a estima fluxul de apă care părăsește suprafața terestră fără a atinge fizic acea suprafață.

Abordarea funcționează deoarece plantele și solurile schimbă energie cu atmosfera în moduri detectabile din spațiu - în special prin emisia de radiații termice infraroșii. Atunci când o plantă transpiră eficient, folosește energia solară incidentă pentru a evapora apa, în loc să se încălzească. Un coronament cu o umiditate adecvată a solului rămâne relativ rece.

Un coronament sub stres hidric, prin contrast, își închide stomatele pentru a conserva apa, iar deoarece mai puțină căldură latentă (ET) consumă energia de intrare, temperatura suprafeței coronamentului crește. Acesta este semnalul fizic fundamental pe care îl captează teledetecția termică.

Principii fizice cheie care stau la baza estimării ET prin satelit

The bilanț energetic este cadrul de guvernare. La orice suprafață terestră, radiația netă (Rn) care vine de la soare și atmosferă trebuie să fie egală cu suma a trei absorbante de energie: fluxul de căldură al solului (G), fluxul de căldură sensibil (H, care încălzește aerul) și fluxul de căldură latentă (LE, care determină ET). Scrisă ca o ecuație: Rn = G + H + LE. Prin estimarea lui Rn, G și H din datele satelitare, modelul derivă LE - și, prin urmare, ET - ca reziduu.

1. Temperatura suprafeței terestre Fluxul termic sensibil (LST) măsurat în banda infraroșie termică este principala observabilă utilizată pentru estimarea fluxului de căldură sensibil H. O suprafață mai fierbinte transferă mai multă căldură în aer (H ridicat), lăsând mai puțină energie pentru ET (LE scăzut). O suprafață mai rece și bine irigată are un H mai mic și un LE mai mare.

2. Indicii de vegetație La fel ca NDVI, indicele NDVI surprinde cantitatea de material vegetal verde, fotosintetic activ, care acoperă suprafața, ceea ce controlează ratele de transpirație. Un coronament dens și verde transpiră mai mult decât solul gol sau un arboret rar.

3. Radiația netă se calculează din fluxurile de radiații cu unde scurte și lungi, pe care teledetecția le estimează din datele privind albedo-ul suprafeței, acoperirea vegetală și emisiile termice.

Monitorizarea evapotranspirației prin satelit nu înlocuiește datele de teren - este singurul instrument care poate furniza date spațiale continue privind utilizarea apei la scara la care se iau efectiv deciziile agricole și hidrologice.

Avantajul teledetecției față de metodele terestre nu constă doar în acoperirea spațială. Datele satelitare oferă măsurători sinoptice, repetabile, pe peisaje extrem de eterogene - ceva ce nicio rețea terestră nu ar putea reproduce la un cost comparabil.

Surse de date de teledetecție pentru estimarea ET

Estimarea ET din spațiu necesită combinarea datelor de la mai multe tipuri de senzori. Niciun satelit nu oferă toate datele de intrare de care are nevoie un model ET complet, așa că produsele ET operaționale combină de obicei date de la mai multe platforme.

1. Platforme satelitare pentru estimarea ET

i. Landsat (USGS/NASA) funcționează continuu din 1972 și oferă imagini multispectrale și termice cu o rezoluție spațială de 30 de metri, cu un ciclu de revizitare de 16 zile. Arhiva sa extinsă îl face indispensabil pentru analiza istorică a ET și monitorizarea culturilor. Majoritatea modelelor ET de bilanț energetic - inclusiv SEBAL și METRIC - au fost inițial concepute pe baza datelor Landsat.

ii. Sentinel-2 (ESA) oferă imagini multispectrale de 10 metri cu un timp de revizitare de 5 zile pentru calcularea indicelui de vegetație de înaltă rezoluție. Deși nu are bandă termică, completează Landsat prin furnizarea de date NDVI, EVI și LAI mai frecvente și de rezoluție mai mare pentru modelele ET bazate pe vegetație.

iii. MODIS (Spectroradiometru de imagistică cu rezoluție moderată, NASA) oferă acoperire globală zilnică la o rezoluție de la 250 m la 1 km. Rezoluția sa spațială mai grosieră limitează aplicarea la scară largă, dar îl face ideal pentru monitorizarea ET continentală și globală prin produse precum MOD16.

iv. ECOSTRES (NASA) este montat pe Stația Spațială Internațională și furnizează date în infraroșu termic la o rezoluție de 70 de metri, cu un ciclu de revizitare de la 1 la 5 zile. ECOSTRESS a fost special conceput pentru a măsura stresul hidric al culturilor și ET la scară apropiată de câmp - o lacună de capacitate pe care MODIS și sateliții anteriori nu au putut-o umple.

v. VIIRS (Suita de radiometre cu imagistică în infraroșu vizibil, NOAA/NASA) de pe sateliții Suomi NPP și JPSS continuă moștenirea acoperirii zilnice globale a MODIS cu o calibrare îmbunătățită a senzorilor, oferind suport pentru produsele ET operaționale la scară regională și globală.

2. Observații ET bazate pe UAV și drone

Vehiculele aeriene fără pilot (UAV-uri sau drone) echipate cu camere termice și senzori multispectrali pot cartografia temperatura aerului (ET) la o rezoluție spațială sub metru pe câmpuri individuale. O cameră termică montată pe o dronă măsoară direct temperatura coronamentului și, atunci când este combinată cu date meteorologice de la sol, produce hărți ET la o rezoluție pe care niciun satelit nu o poate egala.

• Dronele de imagistică termică detectarea zonelor cu plante afectate de stres hidric dintr-un câmp înainte de apariția oricărui simptom vizibil, permițând irigarea cu rată variabilă la scară intra-câmp.
• Senzori multispectrali pe drone calculează NDVI și EVI la o rezoluție centimetrică, alimentând modele ET bazate pe coeficienții culturilor pentru o programare precisă a câmpului.
• Cartografierea ET de înaltă rezoluție de la drone este deosebit de valoroasă pentru culturile speciale - pomi fructiferi, viță de vie, legume - unde variabilitatea în cadrul câmpului este ridicată, iar costul stresului hidric este mare.

Variabile cheie de teledetecție utilizate în monitorizarea ET

Fiecare variabilă extrasă din datele satelitare contribuie cu o piesă specifică a puzzle-ului estimării ET. Înțelegerea a ceea ce măsoară fiecare variabilă și a importanței sale îi ajută pe practicieni să selecteze modelul potrivit și să interpreteze corect rezultatele.

1. Indicele de vegetație al diferenței normalizate (NDVI) se calculează ca (NIR – Roșu) / (NIR + Roșu) utilizând reflectanța în infraroșu apropiat și în banda roșie. Acesta variază de la -1 la +1, vegetația verde densă având de obicei un scor între 0,6 și 0,9. NDVI surprinde densitatea coronamentului și gradul de verdeață, care se corelează direct cu suprafața frunzelor și capacitatea de transpirație.

2, Indicele de vegetație îmbunătățit (EVI) adaugă o bandă albastră pentru a reduce interferențele atmosferice și efectele de fond ale solului care degradează NDVI în regiunile cu vegetație densă sau frecvent noroase. EVI este mai sensibil decât NDVI în zonele cu biomasă ridicată și este utilizat în algoritmul MOD16 ET.

3. Indicele suprafeței foliare (LAI) cuantifică suprafața totală a frunzelor pe o singură parte per unitatea de suprafață a solului. Controlează direct transpirația prin determinarea suprafeței frunzelor care schimbă vapori de apă cu atmosfera. LAI derivat din satelit este o informație cheie în multe modele ET bazate pe fizică.

4. Albedo-ul suprafeței este fracțiunea de radiație solară incidentă reflectată de suprafață. Controlează câtă energie solară absoarbe suprafața, ceea ce, la rândul său, determină câtă energie este disponibilă pentru a genera ET. Un sol întunecat și umed are un albedo scăzut (absoarbe mai multă energie); o suprafață nisipoasă goală are un albedo ridicat (reflectă mai mult).

5. Umiditatea solului de la senzorii cu microunde constrânge modelele ET indicând dacă este disponibilă suficientă apă în zona rădăcinilor pentru a susține cererea de transpirație. Când umiditatea solului scade sub un prag critic, ET real scade sub rata potențială, chiar dacă este disponibilă energie.

Bastiaanssen și colab. (conform recenziei din Frontiers in Remote Sensing, 2026) au constatat că SEBAL, validat în peste 30 de țări, realizează Precizia 85% pentru estimările ET zilnice și precizia 95% pentru estimările ET sezoniere la scară de câmp.

O precizie sezonieră de 95% înseamnă că contabilizarea apei din culturile agricole într-un întreg district de irigații poate fi efectuată în mod fiabil folosind doar date din satelit, eliminând necesitatea unor rețele dense de stații terestre.

Modele de estimare a evapotranspirației

1. Modele de bilanț energetic

Modelele de bilanț energetic calculează ET ca reziduu al bugetului energetic de suprafață: ET = Rn – G – H. Fiecare model diferă prin modul în care estimează fluxul de căldură sensibil H, care este componenta cea mai solicitantă din punct de vedere computațional și cea mai sensibilă la erori.

i. Algoritmul de bilanț energetic de suprafață pentru uscat (SEBAL) a fost dezvoltat de Bastiaanssen în 1998 și rămâne unul dintre cele mai utilizate modele de extracție a aerului prin satelit la nivel global. SEBAL utilizează trei parametri principali derivați din sateliți: temperatura suprafeței terestre (T0), reflectanța emisferică a suprafeței (albedo r0) și NDVI.

Pentru a estima fluxul de căldură sensibil, SEBAL identifică doi pixeli ancoră - “pixelul fierbinte” (sol uscat și gol, unde ET este aproape de zero) și “pixelul rece” (cultură bine udată, unde ET este la maxim) - și interpolează H pe scenă în raport cu aceste extreme. Această caracteristică de autocalibrare face ca SEBAL să fie mai puțin sensibil la erorile absolute de calibrare din intrările meteorologice.

ii. Cartografierea evapotranspirației la rezoluție înaltă cu calibrare internalizată Modelul (METRIC) se bazează pe SEBAL, dar adaugă calibrare automată în funcție de un ET de referință calculat de la o stație meteo. METRIC este mai potrivit pentru regiunile cu rețele complete de date meteo și a fost adoptat pe scară largă pentru managementul operațional al irigațiilor în vestul Statelor Unite.

iii. Sistemul de bilanț energetic de suprafață (SEBS) utilizează teoria fluxului turbulent pentru a estima fluxul de căldură sensibil din LST derivat de la sateliți, rugozitatea suprafeței și viteza vântului. SEBS este mai riguros din punct de vedere fizic decât SEBAL, dar necesită date de intrare suplimentare, ceea ce îl face mai potrivit pentru cercetare decât pentru managementul operațional al fermelor.

Alegerea modelului ET nu este doar o decizie tehnică - este o decizie cu privire la întrebarea la care încercați să răspundeți. Un exercițiu de contabilizare a apei la nivel de bazin și un instrument de programare a irigațiilor la nivel de câmp necesită niveluri fundamental diferite de rezoluție spațială și frecvență temporală.

iv. Bilanțul energetic cu două surse Modelul TSEB (Solul și coronamentul vegetației) tratează solul și coronamentul ca două surse separate de ET, fiecare cu propriul său bilanț energetic și de temperatură. Această abordare este mai precisă pentru vegetația rară sau acoperirile mixte de teren, unde un model cu sursă unică poate confunda evaporarea solului cu transpirația plantelor.

2. Modele ET bazate pe indici de vegetație

Nu toate modelele ET necesită imagini termice. Modelele bazate pe indicele de vegetație estimează ET prin abordarea coeficientului de cultură (Kc x ET0), unde coeficientul culturii Kc este derivat din NDVI sau EVI, iar ET de referință (ET0) provine de la o stație meteo. Metodologia FAO-56 formalizează această abordare și este utilizată pe scară largă pentru programarea irigațiilor, deoarece nu necesită date despre benzile termice.

Modele de învățare automată, inclusiv Pădure aleatorie, Rețele neuronale artificiale (ANN), ...și arhitecturile de învățare profundă sunt aplicate din ce în ce mai mult la estimarea ET prin învățarea relațiilor neliniare complexe dintre intrările derivate din sateliți (LST, NDVI, albedo, LAI) și măsurătorile ET ale turnurilor de flux.

Un studiu din 2023 publicat în Remote Sensing of Environment a constatat că un model Random Forest antrenat pe MODIS și date meteorologice a prezis ET zilnic cu un R2 de 0,87 și un RMSE de 0,51 mm/zi în diverse biomi — competitiv cu modelele tradiționale de bilanț energetic, dar necesitând mult mai puțin efort de parametrizare.

Un studiu publicat în Taylor și Francis Open (2021) a constatat că algoritmul SEBAL, aplicat imaginilor Landsat 8 dintr-o regiune de cultivare a porumbului din Adana, Turcia, a produs estimări ET cu o coeficientul de corelație R = 0,91 împotriva metodei FAO Penman-Monteith și o RMSE de doar 1,14 mm/zi.

Precizia SEBAL la scară de teren înseamnă că ET derivat din satelit poate înlocui sau reduce substanțial nevoia de instalații costisitoare de lizimetre în sistemele operaționale de management al irigațiilor.

Produse ET bazate pe satelit disponibile pentru utilizare operațională

Mai multe produse ET globale și regionale traduc acum datele de teledetecție în straturi de date ET gata de utilizare. Practicienii nu mai trebuie să ruleze propriile modele de bilanț energetic - pot accesa direct aceste seturi de date precalculate.

1. Produs MOD16 ET (NASA) utilizează date MODIS cu un algoritm Penman-Monteith bazat pe date meteorologice MODIS privind acoperirea terenului, LAI, EVI și reanaliza globală. Acesta oferă date compozite ET pe 8 zile și lunare la o rezoluție de 500 de metri la nivel global. MOD16 este potrivit pentru studii la scară peisagistică, dar este prea grosier pentru gestionarea individuală pe teren.

2. SSEBop Modelul operațional simplificat al bilanțului energetic de suprafață (Simplified Surface Energy Balance), dezvoltat de USGS, simplifică provocarea de calibrare a pixelilor calzi/pixelilor reci a SEBAL prin utilizarea unor limite de temperatură predefinite derivate din date climatologice pe termen lung. SSEBop rulează operațional la o rezoluție de 30 de metri folosind date Landsat și formează unul dintre cele șase modele din cadrul ansamblului OpenET.

3. Platforma OpenET, lansat în 2021 și operat ca o colaborare public-privată condusă de NASA, USGS, Universitatea Statului California Monterey Bay, Fondul de Apărare a Mediului și Institutul de Cercetare a Desertului, furnizează date ET la scară de teren, la o rezoluție de 30 de metri, în vestul Statelor Unite.

Un studiu important publicat în Nature Water în ianuarie 2024, care a comparat estimările OpenET cu măsurătorile efectuate pe 152 de stații de flux terestre, a confirmat că OpenET atinge o precizie ridicată pentru culturile anuale precum grâul, porumbul, soia și orezul - în special în regiunile aride unde deficitul de apă face ca precizia irigațiilor să fie extrem de importantă.

4. Portalul WaPOR (FAO) furnizează date ET pentru Africa și Orientul Apropiat la rezoluții de 30 de metri, 100 de metri și 250 de metri, special concepute pentru a sprijini analiza productivității apei în agricultură în regiunile în curs de dezvoltare cu date insuficiente.

5. STRĂLUCIREA (Modelul Global de Evaporare a Terenurilor din Amsterdam) separă ET în componente de transpirație, evaporare a solului gol, pierdere prin interceptare și evaporare în ape deschise, bazate pe date privind umiditatea solului transmise prin microunde și produse vegetale din satelit. Excelează la partiționarea semnalului ET în componente biologice și fizice.

Aplicații ale teledetecției

1. Irigații de precizie și managementul apei pentru culturi

Cea mai imediată aplicație a datelor ET din satelit este programarea irigațiilor. Atunci când un fermier accesează hărți ET săptămânale la scară de câmp, acesta poate calcula deficitul de irigații - diferența dintre ET real și precipitațiile efective - și poate aplica exact acel volum de apă. Acest lucru elimină obiceiul cronic de supra-irigare care irosește apa fără a adăuga randament.

În Delta Sacramento-San Joaquin din California, administratorii resurselor de apă utilizează OpenET pentru a ajuta fermierii să respecte reglementările statului care impun raportarea exactă a utilizării apei.

Precizia ridicată a datelor ET obținute prin satelit pentru culturile anuale oferă o bază justificabilă din punct de vedere juridic pentru contabilizarea apei, pe care nicio metodă terestră nu ar putea-o oferi la o astfel de acoperire spațială.

Un studiu din 2024, publicat în Agricultural Water Management (Ott et al., 2024; Desert Research Institute), a evaluat OpenET în raport cu datele privind irigațiile contorizate din bazinele de apă subterană din Nevada.

În Diamond Valley, estimările OpenET au arătat doar o Diferența 7% față de datele de consum de apă contorizate, demonstrând fiabilitatea operațională pentru gestionarea reglementată a apelor subterane.

O marjă de eroare de 7% la scară bazinală înseamnă că datele ET din satelit pot înlocui infrastructura de contorizare costisitoare în regiunile în care apele subterane sunt epuizate critic.

2. Evaluarea secetei și sistemele de avertizare timpurie

Monitorizarea secetei este o altă aplicație cu impact ridicat. Indicele de stres evaporativ (ESI), derivat din datele termice ECOSTRESS și MODIS, măsoară raportul dintre ET real și ET potențial.

Când ESI scade semnificativ sub 1,0, semnalează că plantele se confruntă cu stres hidric - un indicator timpuriu fiabil al secetei agricole, adesea detectabil cu 4 până la 8 săptămâni înainte ca pierderea randamentului culturilor să devină măsurabilă.

Centrul Național de Atenuare a Secetei din cadrul USDA integrează indici de secetă bazați pe ET din satelit în hărțile operaționale de monitorizare a secetei utilizate de guvernele statale, agențiile de asigurare a culturilor și autoritățile de gestionare a situațiilor de urgență. Această integrare face ca răspunsul la secetă să fie mai rapid și mai bine direcționat decât abordările bazate doar pe calendar sau pe precipitații.

3. Managementul resurselor de apă la scară bazinală

Contabilizarea apei la scară de bazin necesită cunoașterea cantității de apă care părăsește suprafața terestră sub formă de ET pe milioane de hectare. Exact acest lucru este oferit de produsele ET satelitare precum MOD16, GLEAM și WaPOR la scară globală.

• Agențiile de gestionare a rezervoarelor utilizați datele ET pentru a estima debitul apei din bazinul hidrografic — diferența dintre precipitații și ET — care determină câtă apă ajunge efectiv în râuri și rezervoare.
• Autoritățile bazinelor hidrografice transfrontaliere aplicarea ET prin satelit pentru a verifica independent raportarea națională a utilizării apei, fără a fi nevoie de acces la rețelele naționale de date terestre.
• Managerii districtelor de irigații utilizați ET pentru a urmări consumul în funcție de tipul de cultură în întreaga zonă deservită, susținând alocarea echitabilă a apei și respectarea reglementărilor.

4. Aplicații ecologice și de mediu

Monitorizarea ET a zonelor umede cu date satelitare cuantifică utilizarea apei de către ecosistem în mlaștini, turbării și estuare inaccesibile, unde nu pot fi implementați senzori de la sol. Monitorizarea ET a pădurilor dezvăluie modul în care defrișările, reîmpădurirea și incendiile de vegetație modifică echilibrul hidric al bazinelor hidrografice întregi - date critice pentru contabilizarea carbonului forestier și planificarea aprovizionării cu apă.

Evapotranspirația este firul invizibil care leagă fiecare plantă de pe Pământ de ciclul global al apei. Teledetecția este singurul instrument pe care îl avem pentru a o observa la scara care contează pentru guvernanța apei.

Evaluarea preciziei și validarea produselor ET satelitare

Niciun produs ET nu este util fără o validare riguroasă. Abordarea standard compară estimările ET obținute prin satelit cu măsurătorile obținute de la turnurile de flux cu covarianță turbionară — cea mai precisă informație disponibilă despre ET la scară peisagistică.

Globalul FLUXNET Rețeaua oferă date cu acces liber despre turnurile de flux de la sute de locații din diverse biomuri. Dezvoltatorii de produse ET își compară rezultatele modelului cu măsurătorile FLUXNET pentru a calcula indicatori statistici de performanță, inclusiv

• R2 (coeficientul de corelație),
• RMSE (eroarea medie pătratică) și
• Bias (supraestimare sau subestimare sistematică).

Validarea se efectuează separat pentru diferite tipuri de acoperire terestră, zone climatice și anotimpuri, deoarece acuratețea modelului ET variază substanțial în funcție de aceste condiții.

Modelele de bilanț energetic precum SEBAL și METRIC au, în general, cele mai bune performanțe în peisajele agricole semi-aride cu cer senin. Performanța se degradează în pădurile tropicale umede, terenurile muntoase complexe și zonele cu acoperire frecventă de nori.

Studiul de acuratețe OpenET publicat în Nature Water a comparat șase modele ET cu măsurători din... 152 de locații pentru turnuri de flux în Statele Unite, constatând că ansamblul OpenET a obținut cea mai puternică performanță în special pentru culturile anuale din regiunile aride din vest - zonele în care gestionarea irigațiilor este cea mai critică din punct de vedere economic și ecologic.

Managerii de apă din regiunile aride pot implementa date OpenET cu un nivel ridicat de încredere pentru respectarea reglementărilor privind irigațiile și urmărirea bugetului de apă, înlocuind infrastructura costisitoare de contorizare.

Provocări în monitorizarea ET prin teledetecție

În ciuda progreselor rapide, mai multe provocări tehnice și operaționale limitează acuratețea și aplicabilitatea monitorizării ET prin satelit.

1. Limitări ale acoperirii cu nori: Teledetecția optică și termică necesită condiții fără nori. În regiunile tropicale umede sau în timpul sezoanelor musonice, acoperirea persistentă cu nori poate crea lacune de date de săptămâni până la luni, întrerupând continuitatea temporală necesară managementului irigațiilor.

2. Restricții de rezoluție spațială: MODIS, satelitul cu cea mai mare frecvență temporală, furnizează date ET la o rezoluție de 500 de metri — prea grosieră pentru câmpuri mai mici de aproximativ 25 de hectare. Rezoluția de 30 de metri a Landsat se potrivește majorității câmpurilor agricole, dar vine cu un ciclu de revizitare de 16 zile, care ratează schimbările rapide ale stresului hidric.

3. Compromisuri privind rezoluția temporală: Rezoluția spațială ridicată (Landsat, Sentinel-2, ECOSTRESS) și rezoluția temporală ridicată (MODIS, VIIRS) există într-o relație inversă. Rezolvarea acestei discrepanțe necesită tehnici de fuziune a datelor.

4. Ipoteze ale modelului în peisaje eterogene: Modelele de bilanț energetic bazate pe o singură sursă presupun un coronament uniform, care se descompune în vegetație rară, sisteme de culturi mixte sau interfețe urban-agricole unde temperaturile solului și ale plantelor diferă brusc.

5. Disponibilitatea datelor în regiunile în curs de dezvoltare: Datele de la stațiile meteorologice terestre necesare pentru a limita modelele ET sunt rare în mare parte din Africa Subsahariană, Asia de Sud și Asia Centrală - exact regiunile în care este cea mai urgentă nevoie de o gestionare îmbunătățită a apei.

Tehnologii emergente și viitor în monitorizarea ET

Mai multe evoluții tehnologice convergente sunt pe cale să extindă dramatic precizia, acoperirea și accesibilitatea monitorizării ET prin teledetecție în următorii cinci până la zece ani.

1. Inteligența artificială, învățarea automată și fuziunea datelor

Modelele de deep learning antrenate pe seturi mari de date multi-senzori încep să depășească performanțele modelelor clasice de bilanț energetic în anumite peisaje. Rețelele neuronale convoluționale pot integra simultan date Landsat, Sentinel-2, MODIS și date de reanaliză meteorologică, învățând modele spațio-temporale de ET pe care niciun model cu un singur senzor nu le surprinde.

Între timp, algoritmii de fuziune a datelor - în special abordarea STARFM (Spatial and Temporal Adaptive Reflectance Fusion Model - Model de fuziune a reflectanței adaptive spațiale și temporale) - combină imagini Landsat de înaltă rezoluție cu date MODIS zilnice pentru a produce hărți ET sintetice zilnice la o rezoluție de 30 de metri, rezolvând eficient compromisul spațio-temporal care limitează în prezent aplicațiile agriculturii de precizie.

2. Sateliți termici de înaltă rezoluție și constelații CubeSat

Următoarea generație de sateliți dedicați de observare termică a Pământului va oferi imagini termice sub 30 de metri cu o frecvență zilnică de revizitare.

Misiunile planificate, inclusiv succesorul Landsat Next și constelațiile termice comerciale CubeSat, vor elimina compromisul istoric dintre detaliile spațiale și frecvența temporală care a constrâns monitorizarea ET la scară largă.

După cum a menționat raportul Future Market Insights (2025), piața serviciilor de teledetecție — evaluată la 22,87 miliarde USD în 2025 — se preconizează că va ajunge la 84,28 miliarde USD până în 2035, impulsionată semnificativ de extinderea constelației de sateliți LEO.

3. Gemeni digitali pentru managementul apei

Cadrele digitale gemene — replici virtuale dinamice ale peisajelor agricole care se actualizează aproape în timp real din fluxurile de date de la sateliți și senzori IoT — integrează teledetecția ET ca flux de date central. Aceste sisteme sincronizează hărțile ET din satelit, datele senzorilor de umiditate a solului, prognozele meteo și modelele de creștere a culturilor pentru a simula starea viitoare a apei pe câmp și a prescrie automat irigațiile.

Software și instrumente pentru monitorizarea ET

Un set bogat de platforme face acum analiza ET de la distanță accesibilă practicienilor fără cunoștințe aprofundate de programare.

1. Motorul Google Earth (GEE) este o platformă de calcul geospațial bazată pe cloud care găzduiește arhivele complete Landsat, MODIS, Sentinel și ECOSTRESS, alături de algoritmi ET preconfigurați. Analiștii pot rula calcule ET pe parcursul anilor de date pentru regiuni întregi, fără a descărca imagini local. GEE a devenit platforma de cercetare dominantă pentru cartografierea ET pe suprafețe mari.

2. Platforma OpenET oferă o interfață web unde orice utilizator înregistrat poate accesa date ET la scară de teren pentru terenurile agricole din vestul Statelor Unite. Utilizatorii pot exporta rezumate ET zilnice, lunare sau sezoniere pentru câmpuri individuale sau districte întregi de gestionare a apei, fără a fi necesare cunoștințe de programare.

3. Portalul WaPOR (FAO) oferă o interfață similară de descărcare ET, de tip point-and-click, pentru Africa și Orientul Apropiat, cu link-uri directe către indicatorii productivității apei în agricultură.

4. Fluxuri de lucru Python și R Folosind biblioteci precum rasterio, xarray, geopandas (Python) sau terra, raster (R) permite cercetătorilor să construiască conducte personalizate de procesare ET care integrează datele satelitare cu înregistrări meteorologice locale, modele de culturi și baze de date de irigații.

Studii de caz pentru monitorizarea ET prin teledetecție

1. Managementul irigațiilor în regiunile aride

În regiunea acviferului High Plains din Statele Unite - una dintre cele mai intens irigate zone agricole de pe Pământ - cercetătorii de la Desert Research Institute au demonstrat că datele OpenET integrate cu seturi de date climatice pot estima volumele de apă subterană pompate cu o precizie suficientă pentru a susține gestionarea reglementată a scăderii nivelurilor acviferului.

Studiul a comparat estimările ET obținute prin satelit cu înregistrările pompelor contorizate, constatând o abatere mai mică de 17% în majoritatea bazinelor studiate - un nivel de precizie suficient pentru administrarea drepturilor de apă.

2. Agricultura de precizie pentru toate tipurile de culturi

Monitorizarea ET prin teledetecție a fost implementată pentru programarea irigării bumbacului, utilizând modele SEBAL și METRIC pentru a cartografia ET real pe câmpuri individuale în timpul sezonului de creștere.

Studiile publicate în Sistemul de Date Astrofizice (2020) au arătat că ambele modele au detectat o ET reală mai mare decât cea așteptată în timpul etapelor incipiente ale culturilor, din cauza evaporării ridicate a solului gol - o constatare pe care abordarea standard a coeficientului culturilor a ratat-o sistematic, ducând la irigații excesive în acea perioadă critică.

3. Contabilizarea apei la scară de bazin hidrografic

Platforma WaPOR a FAO a fost utilizată pentru a efectua analize ale productivității apei în cadrul schemelor de irigații din Etiopia, Egipt și Iordania, cuantificând ET per unitate de biomasă agricolă produsă.

Aceste analize au identificat câmpuri cu o productivitate a apei sub media bazinului, oferind baza de dovezi spațiale pentru programe de extindere specifice, menite să îmbunătățească eficiența irigațiilor în zonele sub performanțe.

Cele mai bune practici pentru selectarea unei abordări de monitorizare a ET

Alegerea combinației potrivite de date satelitare, model ET și strategie de validare depinde de întrebarea specifică la care se dorește răspunsul, de resursele disponibile și de nivelul acceptabil de incertitudine.

1. Definiți mai întâi scara spațială și temporală. Contabilizarea lunară a apei la scară de bazin necesită un instrument diferit față de programarea zilnică a irigațiilor la scară de teren. Adaptați rezoluția și frecvența revizitării platformei satelitare la nevoile de management înainte de a selecta orice model.

2. Potriviți modelul cu tipul de peisaj. Modelele de bilanț energetic precum SEBAL și METRIC funcționează cel mai bine în peisaje semi-aride, dominate de culturi agricole, cu cer senin. Modelele bazate pe indici de vegetație funcționează mai bine în regiunile cu disponibilitate limitată a datelor termice. Modelele de învățare automată funcționează cel mai bine atunci când sunt disponibile seturi de date de antrenament mari, validate local.

3. Validați întotdeauna local. Chiar și cel mai precis produs ET global ar trebui validat în raport cu cel puțin un set de date local de la un turn de flux sau un lizimetru înainte de implementarea operațională. Indicatorii de performanță din studiile publicate rareori se transferă exact la locații și tipuri de culturi noi.

4. Planificați golurile în stratul de nori. În regiunile umede sau tropicale, planificați de la bun început strategii de fuziune a datelor sau de umplere a lacunelor. Bazarea pe un singur satelit termic cu un ciclu de revizitare de 16 zile va produce lacune inacceptabile în date în timpul perioadelor critice de creștere a culturilor.

5. Folosiți platforme deschise acolo unde este posibil. Google Earth Engine, OpenET și WaPOR oferă acces gratuit la produse ET validate și bine documentate. Construirea unui model ET personalizat de la zero este rareori justificată, cu excepția cazului în care acest lucru este impus de condiții locale unice.

6. Integrarea datelor ET cu sistemele existente de gestionare a fermelor. Datele ET sunt cele mai valoroase atunci când sunt introduse direct în software-ul de programare a irigațiilor, instrumentele de asistență decizională sau bazele de date de contabilizare a apei, mai degrabă decât să existe ca ieșire independentă de la satelit.

Concluzie

Monitorizarea evapotranspirației cu ajutorul teledetecției a evoluat de la o disciplină de cercetare experimentală la un instrument operațional esențial pentru gestionarea apei în agricultură. Combinația dintre produsele de evapotranspirație prin satelit din ce în ce mai precise, platformele cu acces liber precum OpenET și WaPOR și fuziunea datelor bazată pe inteligență artificială elimină barierele care odinioară limitau monitorizarea evapotranspirației prin satelit la instituțiile de cercetare bine finanțate.

Capacitățile actuale sunt substanțiale: modele de bilanț energetic validate în 30 sau mai multe țări, produse ET prin satelit care ating o precizie sezonieră mai mare decât 90% pentru principalele culturi anuale și platforme bazate pe cloud care furnizează date ET la scară largă oricărui fermier sau manager de apă cu o conexiune la internet. Aceste capacități sunt deja utilizate pentru a gestiona conformitatea irigațiilor pe râul Colorado, pentru a monitoriza epuizarea apelor subterane din acviferul High Plains și pentru a îmbunătăți productivitatea apei agricole în Africa prin intermediul sistemului FAO WaPOR.

Orezul hrănește peste 3,5 miliarde de oameni la nivel global, însă mai puțin de 601 TP3T din zonele cultivate cu orez au hărți de cultivare precise și actualizate, conform actualizării atlasului global al orezului din 2024 al Institutului Internațional de Cercetare a Orezului (IRRI). Cartografierea modelului de cultivare a orezului și a tipului cultural folosind teledetecția elimină rapid această lacună, furnizând date precise din punct de vedere spațial și temporal consistente la scări pe care nicio investigație de teren nu le poate egala.

De la identificarea zonelor joase irigate cu culturi duble din Delta Mekong din Vietnam până la identificarea câmpurilor alimentate cu ploaie, cu un singur sezon, în Africa Subsahariană, sistemele bazate pe satelit și radar oferă acum informațiile de care fermierii, guvernele și agențiile de securitate alimentară au nevoie pentru a planifica cu încredere. Pe măsură ce inteligența artificială și cloud computing accelerează procesarea datelor, se așteaptă ca monitorizarea orezului în timp aproape real să devină standardul global până în 2027.

De ce contează orezul și de ce este dificilă monitorizarea acestuia

1. Producția de orez și ecuația securității alimentare globale

Orezul este principalul aliment caloric de bază pentru mai mult de jumătate din populația lumii, iar importanța sa se extinde mult dincolo de nutriția individuală. Producția globală de orez a ajuns la aproximativ 520 de milioane de tone metrice de orez măcinat în 2024, conform datelor FAO, Asia reprezentând aproape 901 TP3 T din această producție.

Orice perturbare semnificativă a aprovizionării cu orez, fie că este cauzată de secetă, inundații, izbucniri de dăunători sau eșecul politicilor, declanșează șocuri rapide ale prețurilor alimentelor care afectează în mod disproporționat cele mai sărace gospodării din lume.

Menținerea securității alimentare la această scară necesită mai mult decât simpla cultivare a unei cantități suficiente de orez. Este nevoie să se știe cu precizie unde se cultivă orezul, de câte ori pe an este cultivat fiecare câmp și ce practici agricole sunt utilizate. Guvernele au nevoie de aceste date pentru a aloca infrastructura de irigații, a subvenționa inputurile și a constitui rezerve de urgență.

Provocarea constă în faptul că orezul este cultivat în peisaje extraordinar de fragmentate, de la dealurile terasate din Filipine până la vastele câmpii irigate din China, ceea ce face ca studiile convenționale câmp cu câmp să fie impracticabile din punct de vedere logistic și financiar la scară națională sau regională.

2. Necesitatea monitorizării sistematice a modelelor de cultivare a orezului

Modelele de cultivare a orezului, adică numărul de sezoane de orez cultivate pe an și modul în care acestea sunt distribuite pe un peisaj, se schimbă constant. Variabilitatea climatică scurtează perioadele de creștere în unele regiuni, în timp ce le extinde în altele. Semnalele economice îi împing pe fermieri de la o singură cultură la o cultură dublă atunci când disponibilitatea apei și prețurile pieței se aliniază.

Fără o monitorizare sistematică, planificatorii lucrează pe baza datelor recensământului care pot fi învechite cu cinci sau mai mulți ani, ceea ce duce la o alocare greșită cronică a apei, a subvențiilor pentru îngrășăminte și a creditului rural. Teledetecția oferă o soluție la această lacună în monitorizare, furnizând observații consistente și repetabile în țări întregi, în doar câteva zile.

În loc să se bazeze pe auto-raportarea fermierilor sau pe sondajele efectuate de recenzori, sistemele bazate pe satelit observă direct peisajul, surprinzând modul în care câmpurile de orez se schimbă prin inundații, transplantare, creștere vegetativă și recoltare în fiecare anotimp.

3. Ce aduce teledetecția cartografierii agricole

Teledetecția este știința achiziționării de informații despre obiecte sau zone de la distanță, de obicei utilizând senzori montați pe sateliți, aeronave sau vehicule aeriene fără pilot (UAV). În contexte agricole, senzorii măsoară energia reflectată sau emisă de culturi, sol și apă la diferite lungimi de undă ale spectrului electromagnetic.

Deoarece diferitele tipuri de acoperire a terenului reflectă energia diferit în diferite stadii de creștere, imaginile din satelit pot distinge un câmp de orez de un câmp de porumb și o parcelă de orez transplantată inundată de una semănată direct cu semințe uscate, cu o precizie care crește pe măsură ce tehnologia senzorilor se îmbunătățește. Cartografierea modelului de cultivare a orezului și a tipului cultural folosind teledetecția servește patru obiective interconectate.

• În primul rând, produce inventare explicite din punct de vedere spațial ale locurilor unde se cultivă orezul la intervale de timp sezoniere și anuale.
• În al doilea rând, clasifică numărul de cicluri de cultură care au loc pe an în fiecare zonă cartată, distingând sistemele cu o singură, două și trei culturi.
• În al treilea rând, identifică practicile culturale utilizate, cum ar fi dacă un câmp este transplantat sau semănat direct sau dacă gestionarea apei este controlată sau alimentată cu apă pluvială.
• În al patrulea rând, generează date de referință care contribuie la prognozarea producției, bugetarea apei, planificarea adaptării la schimbările climatice și sistemele de agricultură de precizie.

Înțelegerea sistemelor de cultivare a orezului și a tipurilor culturale

1. Ce înseamnă de fapt un model de cultivare a orezului

Un model de cultivare a orezului descrie aranjamentul temporal al cultivării orezului într-un an calendaristic într-o anumită locație. Acesta surprinde nu doar dacă se cultivă orez, ci și de câte ori, când începe și se termină fiecare sezon și ce cultură, dacă există, urmează sau precede orezul în același câmp. Cartografierea acestor modele într-o regiune oferă planificatorilor o imagine dinamică a intensității utilizării terenurilor și a cererii de resurse pe care o singură imagine de ansamblu nu ar putea-o oferi niciodată.

2. Sisteme de orez cu o singură cultură

În sistemele de cultură unică (monocultură), fermierii cultivă un sezon de orez pe an, de obicei aliniat cu un sezon ploios musonic sau cu un singur ciclu de irigații controlate. Aceste sisteme sunt dominante în regiunile în care disponibilitatea apei, forța de muncă sau clima limitează posibilitatea unui al doilea sezon.

Sistemele de culturi monoculturale tind să aibă perioade de creștere mai lungi pe sezon, adesea cu soiuri tradiționale sau îmbunătățite de lungă durată, și sunt alimentate în mod disproporționat de precipitații, ceea ce le face foarte sensibile la momentul și distribuția precipitațiilor.

3. Sisteme de orez cu cultură dublă

Sistemele de culturi duble produc două recolte de orez pe an pe același câmp. Acestea sunt cele mai comune în Asia de Sud-Est și de Sud, inclusiv în Delta Fluviului Roșu din Vietnam, în câmpiile inundabile din Bangladesh și în districtele irigate din Punjab, India.

Decalajul temporal dintre cele două sezoane este îngust, adesea mai mic de 30 de zile, așadar identificarea zonelor cu culturi duble din datele satelitare necesită observații dense în serii temporale pentru a detecta două cicluri fenologice complete într-un singur an.

4. Sisteme de orez cu trei culturi

Cultivarea triplă, cu trei recolte de orez pe an, se practică în zone limitate unde atât disponibilitatea apei, cât și temperatura rămân favorabile pe tot parcursul anului. Delta Mekong din sudul Vietnamului și părți din provincia Guangdong din sudul Chinei susțin sisteme de cultură triplă.

Deși maximizează intensitatea utilizării terenurilor, sistemele de culturi triple prezintă provocări semnificative privind fertilitatea solului și gestionarea dăunătorilor. Identificarea de la distanță a acestor câmpuri este dificilă din punct de vedere tehnic, deoarece perioadele scurte de pârloag dintre culturi comprimă semnalele fenologice în intervale de timp restrânse.

5. Cultivarea orezului în regim de ploaie

Orezul alimentat cu apă pluvială, cultivat în întregime pe baza precipitațiilor fără alimentare artificială cu apă, reprezintă aproximativ 451 TP³ T din suprafața totală cultivată cu orez la nivel global, potrivit Institutului Internațional de Cercetare a Orezului (IRRI). Este sistemul dominant în Africa Subsahariană, zonele muntoase din Asia de Sud și de Sud-Est și câmpiile inundabile dependente de precipitații.

Sistemele de irigații pluviale sunt foarte vulnerabile la variabilitatea precipitațiilor, ceea ce se traduce prin fluctuații de randament de 30-50% între anii ploioși și cei secetoși în unele regiuni. Din perspectiva teledetecției, orezul alimentat cu ploi este mai greu de cartografiat deoarece semnalul de inundații este mai slab și mai neregulat decât în câmpurile irigate gestionate.

6. Cultivarea orezului irigat

Sistemele de orez irigate primesc apă prin canale, pompe sau rezervoare gestionate, permițând fermierilor să controleze momentul plantării și recoltării cu o precizie considerabilă. Orezul irigat ocupă în prezent doar aproximativ 55% din suprafața globală de orez, dar contribuie cu 75% la producția totală de orez, reflectând avantajul de randament al securității apei.

Inundarea deliberată a orezurilor irigate creează o semnătură radar puternică și consistentă, pe care senzorii satelitari o detectează în mod fiabil, ceea ce face ca orezul irigat să fie printre cele mai precis cartografiate tipuri de culturi din lume.

7. Sisteme de orez de munte și de câmpie

Orezul de câmpie este cultivat pe soluri neinundate, bine drenate, adesea pe versanți sau terase din Asia și Africa. Deoarece aceste câmpuri nu sunt niciodată inundate intenționat, le lipsește semnalul de apă care face ca orezul de câmpie să fie identificabil prin radar, obligând cercetătorii să se bazeze doar pe modele spectrale de vegetație.

Orezul de câmpie, prin contrast, este cultivat în câmpuri plate sau inundate puțin adânc, unde apa se acumulează natural sau prin irigații. Sistemele de câmpie domină regiunile cu orez din Asia și reprezintă ținta principală a majorității eforturilor de cartografiere la scară largă.

Contrastul morfologic dintre câmpurile de munte și cele de câmpie, inclusiv forma câmpului, poziția topografică și structura coronamentului, oferă indicii spațiale suplimentare pe care analiza imaginilor bazată pe obiecte le poate exploata eficient.

8. Orez semănat direct vs. orez transplantat

Orezul transplantat implică creșterea răsadurilor într-o pepinieră timp de 25 până la 30 de zile, apoi mutarea lor manuală sau mecanică în câmpul principal. În schimb, orezul semănat direct implică semănarea directă sau răspândirea semințelor în câmpul pregătit, fără o etapă de pepinieră.

Aceste două metode produc semnături temporale măsurabil diferite în datele satelitare: câmpurile transplantate prezintă o înverzire bruscă și sincronizată la aproximativ trei săptămâni după inundare, în timp ce câmpurile semănate direct prezintă o dezvoltare mai graduală a coronamentului din ziua semănării. Această diferență fenologică, subtilă, dar reală, este detectabilă printr-o analiză atentă a seriilor temporale a indicilor de vegetație.

Instrumente și tehnologii de teledetecție pentru cartografierea orezului

1. Principiul fizic din spatele teledetecției

Fiecare plantă reflectă, absoarbe și transmite radiația solară în modele guvernate de biochimia frunzelor sale, structura coronamentului și conținutul de apă. Frunzele verzi absorb puternic lumina roșie pentru fotosinteză, reflectând în același timp o mare parte din energia în infraroșu apropiat (NIR). Solurile inundate, prin contrast, absorb aproape toată radiația primită.

Aceste răspunsuri contrastante creează semnături spectrale previzibile pe care senzorii de pe sateliți le pot înregistra cu o sincronizare constantă, permițând analiștilor să urmărească starea culturilor, stadiul de creștere și deciziile de gestionare la nivel de câmp fără a vizita vreodată câmpul.

2. Teledetecție optică

Senzorii optici detectează radiația solară reflectată, producând imagini care seamănă foarte mult cu ceea ce ochiul uman ar vedea dacă ar fi extinse în lungimi de undă în infraroșu. Trei platforme optice domină cercetarea cartografierii orezului.

Landsat (o serie de sateliți operați de NASA și USGS din 1972) oferă imagini la o rezoluție spațială de 30 de metri, cu un ciclu de revizitare de 16 zile. Arhiva sa temporală lungă îl face indispensabil pentru studiile privind schimbarea suprafeței de orez de-a lungul deceniilor. Cu toate acestea, repetarea de 16 zile înseamnă că unele evenimente fenologice dintr-un sezon scurt de creștere pot fi omise între observații.

Sentinel-2 (operat de Agenția Spațială Europeană, lansat în 2015 și 2017 ca o constelație cu sateliți gemenți) îmbunătățește Landsat, având o rezoluție de 10-20 de metri și un ciclu de revizitare la ecuator de 5 zile. Aceste două îmbunătățiri împreună permit o delimitare mai fină a câmpului și o eșantionare fenologică mai bună, iar cele mai recente studii de cartografiere a orezului de înaltă precizie, inclusiv cele publicate în ISPRS Journal of Photogrammetry and Remote Sensing în 2024, utilizează Sentinel-2 ca sursă principală de date optice.

MODIS (Spectroradiometru de imagistică cu rezoluție moderată), la bordul sateliților Terra și Aqua ai NASA, oferă o rezoluție de 250-500 de metri cu capacitate de revizitare zilnică. Deși este prea grosier pentru cartografierea individuală a terenurilor, MODIS rămâne valoros pentru evaluările intensității culturilor la scară națională și continentală, unde rezoluția spațială ridicată este mai puțin critică decât densitatea temporală.

3. Teledetecție radar

Radar cu apertură sintetică (SAR) este o tehnologie bazată pe radar care transmite impulsuri de microunde către suprafața Pământului și măsoară energia împrăștiată înapoi către senzor. Spre deosebire de senzorii optici, SAR funcționează independent de acoperirea cu nori și de iluminarea solară, ceea ce înseamnă că achiziționează date la fel de bine într-o noapte înnorată și musonică, precum și într-o zi senină cu sezon uscat.

Această proprietate este de o importanță critică pentru cartografierea orezului în Asia tropicală, unde senzorii optici pierd în mod obișnuit săptămâni din sezonul de creștere din cauza obstrucției norilor.

Sentinel-1 (ESA) transmite energie de microunde în banda C (lungime de undă de aproximativ 5,6 cm) și furnizează date SAR gratuite, globale, la o rezoluție de 10 metri, cu un ciclu repetitiv de 6-12 zile. Orezăriile interacționează cu semnalele SAR într-un mod distinct:

• câmpurile inundate acționează ca o oglindă aproape perfectă, reflectând cea mai mare parte a energiei radar departe de senzor (producând valori scăzute de retrodifuzie), în timp ce
• Coroana de orez în creștere împrăștie din ce în ce mai mult energia înapoi către senzor pe măsură ce densitatea plantelor și suprafața frunzelor cresc.

Această traiectorie de retrodifuzie în timp, scăzută în timpul inundării și transplantării, crescând în stadiile vegetative și scăzând din nou după îndepărtarea frunzei, formează o semnătură fenologică radar unică pentru orez.

Nguyen și colab. (Remote Sensing of Environment, 2023) au constatat că clasificarea seriilor temporale Sentinel-1 SAR a realizat Precizie generală 92.3% în cartografierea sezoanelor de cultivare a orezului în trei provincii din Delta Mekongului din Vietnam, inclusiv în zonele cu culturi triple unde datele optice nu au fost disponibile pentru mai mult de 60% din perioada de creștere din cauza acoperirii cu nori.

În regiunile tropicale cultivatoare de orez, metodele bazate pe SAR nu sunt doar o alternativă la detectarea optică, ci adesea singura opțiune fiabilă pentru cartografierea sezonieră în timpul lunilor musonice.

4. Integrarea datelor multi-senzoriale

Niciun senzor nu oferă combinația ideală de detalii spațiale, densitate temporală și penetrare a norilor. Prin urmare, cele mai precise sisteme de cartografiere a orezului integrează mai multe tipuri de senzori într-un singur cadru analitic.

O arhitectură comună combină datele SAR Sentinel-1 pentru urmărirea temporală fără nori cu datele optice Sentinel-2 pentru bogăție spectrală în timpul perioadelor senine și utilizează MODIS ca ancoră de rezoluție grosieră pentru detectarea modelelor fenologice la scară regională.

Când aceste fluxuri de date sunt fuzionate algoritmic, setul de date combinat poate rezolva limitele culturilor, detecta datele de transplantare și atribui clasificări ale tipurilor culturale cu un nivel de certitudine pe care niciun senzor individual nu îl poate atinge.

Identificarea modelelor de cultivare a orezului din datele satelitare

1. Semnături temporale ale etapelor de creștere a orezului

Orezul trece printr-o secvență bine definită de etape de creștere: pregătirea terenului și inundarea, transplantarea sau semănatul, înlăturarea (dezvoltarea mai multor tulpini dintr-o singură plantă), inițierea paniculului, epilatul (apariția capitulei florale care conține boabe) și recoltarea.

Fiecare etapă produce o schimbare măsurabilă a caracteristicilor optice și radar ale câmpului. Analiștii folosesc aceste semnături specifice etapei, captate ca serii temporale de indici spectrali sau retrodifuzie SAR, pentru a reconstrui ce s-a întâmplat în fiecare câmp și când, fără nicio cunoștință prealabilă din partea fermierului.

2. Cartografierea orezului bazată pe fenologie

Cartografiere bazată pe fenologie (folosind momentul evenimentelor biologice pentru a clasifica culturile) este abordarea dominantă pentru detectarea orezului pe suprafețe mari. Metoda funcționează prin ajustarea curbelor matematice la datele din seriile temporale, apoi identificarea câmpurilor în care modelul temporal se potrivește cu curba caracteristică de creștere a orezului. Datele evenimentelor cheie extrase din acest proces de ajustare includ

• începutul sezonului de creștere (identificat de obicei printr-o creștere bruscă a valorilor indicelui de vegetație în urma inundațiilor),
• vârful sezonului de creștere (indicele suprafeței foliare maxime) și
• sfârșitul sezonului (scădere rapidă la recoltare).

Numărul de astfel de cicluri detectate într-un an calendaristic determină direct dacă un câmp este clasificat ca fiind cultivat simplu, dublu sau triplu.

3. Evaluarea intensității culturilor

Intensitatea culturilor, numărul de sezoane de cultură finalizate pe an pe o unitate de teren, este unul dintre cele mai relevante rezultate din punct de vedere al politicilor ale cartografierii modelelor de cultivare a orezului. O abordare simplă, dar puternică, calculează de câte ori apare un vârf spectral sau de retrodifuzie asemănător orezului în seria temporală anuală a unui pixel.

Atunci când sunt combinate cu filtre spațiale pentru a elimina detecțiile false cauzate de zone umede, corpuri de apă sau inundații sezoniere, aceste numărători ciclice produc hărți ale orezului cu o singură, două și trei culturi, care pot fi validate în funcție de studiile de teren și statisticile regionale.

4. Cartografierea distribuției sezoniere și anuale a orezului

Hărțile sezoniere (o hartă per sezon de creștere pe an) surprind nu doar locul în care se cultivă orezul, ci și când crește în fiecare locație. Stive anuale de hărți sezoniere dezvăluie apoi calendarul complet de cultură al unei regiuni, inclusiv distribuția spațială a orezului de la începutul sezonului față de cel de la sfârșitul sezonului, ceea ce are implicații directe asupra programării apei, gestionării presiunii dăunătorilor și logisticii recoltării.

5. Detectarea rotațiilor culturilor care implică orez

În multe sisteme asiatice de cultivare a orezului, fermierii alternează orezul cu grâu, legume, leguminoase sau perioade de pârloag în cadrul aceluiași câmp, de-a lungul unor sezoane succesive. Teledetecția detectează aceste rotații analizând seria temporală anuală completă, mai degrabă decât un singur sezon izolat.

Un câmp clasificat ca orez în sezonul ploios, dar ca grâu în sezonul uscat, prezintă un model temporal distinct cu două vârfuri în datele indicelui de vegetație, caracteristicile spectrale ale fiecărui vârf identificând tipul de cultură respectiv. Cartografierea acestor rotații este importantă pentru evaluarea sănătății solului, modelarea cererii de irigații și programele de diversificare a veniturilor.

Cum GeoPard susține cartografierea modelelor de cultivare a orezului

Cartografierea modelelor de cultivare a orezului necesită observații continue, din mai multe surse, pe parcursul întregului sezon de creștere, iar exact asta oferă GeoPard. Prin combinarea imaginilor Landsat-8, Sentinel-2 și Planet într-o singură platformă, GeoPard monitorizează câmpurile o dată la două zile la o rezoluție de până la 3 metri, asigurându-se că evenimentele critice legate de orez, cum ar fi inundațiile pre-transplantare, înverzirea răsadurilor și recoltarea, nu sunt niciodată ratate din cauza golurilor de nori.

Fuziunea multi-senzor a platformei a demonstrat o îmbunătățire a preciziei 4% față de abordările cu un singur senzor, ceea ce accentuează în mod direct separarea dintre sistemele de orez cu o singură cultură, cu două culturi și cu trei culturi.

Pentru identificarea tipului cultural, suita de indici de vegetație GeoPard, inclusiv NDWI pentru detectarea inundațiilor de suprafață, EVI2 pentru sincronizarea biomasei coronamentului și LAI pentru densitatea coronamentului, surprinde biografia spectrală care separă orezul transplantat irigat de sistemele alimentate cu ploaie sau cu semănat direct.

În zilele înnorate de muson, când imaginile optice eșuează complet, stratul de date radar integrat al GeoPard menține urmărirea vegetației neîntreruptă, citind debitul de retrodifuzie SAR, care este semnătura definitivă a unei orezării inundate în momentul transplantării.

Instrumentul „Comparare straturi” permite agronomilor să plaseze până la patru straturi de date sincronizate unul lângă altul, simplificând separarea tipurilor de cultură de orez prin compararea semnalelor de inundații NDWI cu tendințele vegetației și hărțile productivității solului pe mai mulți ani.

Susținută de peste 30 de ani de imagini din satelit, platforma dezvăluie modele pe termen lung ale intensității culturilor la nivel de câmp. Aceste informații sunt apoi transmise direct către hărțile de aplicare cu doză variabilă pentru îngrășăminte, semințe și protecția culturilor, transformând hărțile tipurilor de cultură ale orezului în prescripții concrete de gestionare la nivel de câmp.

Cartografierea tipurilor culturale de orez cu ajutorul teledetecției

1. Caracteristicile spectrale ale diferitelor practici culturale

Tipul cultural, combinația specifică de practici de gestionare aplicate unui câmp de orez, modelează evoluția temporală a semnăturii spectrale a acelui câmp. De exemplu, orezul transplantat inundat începe sezonul cu un răspuns optic dominat de apă (reflectanță scăzută pe toate benzile vizibile), urmat de o schimbare bruscă pe măsură ce coronamentul răsadurilor se formează.

Orezul semănat direct într-un pat germinativ neinundat prezintă o creștere mai graduală a semnalului de vegetație de la începutul germinării, fără perioada inițială de inundare pe care senzorii optici și cei SAR o detectează cu ușurință.

2. Distincția dintre orezul irigat și cel alimentat cu ploaie

Orezăriile irigate și cele alimentate cu apă de ploaie diferă în două moduri observabile: momentul și regularitatea evenimentelor de inundații și consecvența fenologiei lor sezoniere. Orezăriile irigate tind să se inunde la timp, prezintă o variabilitate mai mică de la an la an în ceea ce privește datele de transplantare și mențin o densitate constantă a coronamentului prin gestionarea controlată a apei.

Câmpurile alimentate cu apă de ploaie prezintă o variabilitate temporală mai mare între ani, pot experimenta stres hidric la mijlocul sezonului, detectabil prin scăderi anormale ale valorilor indicelui de vegetație și uneori nu reușesc să finalizeze un sezon de creștere complet în timpul anilor de secetă.

Analiza seriilor temporale multianuale surprinde această structură de variabilitate, permițând algoritmilor de clasificare să separe zonele irigate de cele alimentate cu ploaie cu precizii care depășesc de obicei 85% în sisteme bine calibrate.

3. Cartografierea orezului transplantat și a celui semănat direct

Cel mai fiabil indicator pentru a distinge orezul transplantat de cel semănat direct în datele SAR este momentul și durata perioadei inițiale de inundare cu împrăștiere redusă.

Orezăriile transplantate sunt inundate timp de 2-4 săptămâni înainte de transferul răsadurilor, creând o fereastră extinsă de întuneric radar la începutul sezonului.

Câmpurile semănate direct fie nu prezintă nicio fereastră de inundare (semănat uscat), fie prezintă una foarte scurtă (semănat umed), iar creșterea retrodifuziei este atât mai timpurie în raport cu data semănatului, cât și structural diferită în ceea ce privește panta. Aceste caracteristici temporale pot fi extrase automat folosind algoritmi aplicați seriilor temporale SAR dense.

4. Detectarea practicilor de management prin teledetecție

Dincolo de metoda de transplantare și regimul hidric, teledetecția poate detecta anumite practici de gestionare a apei, cum ar fi udarea și uscarea alternativă (AWD), o tehnică utilizată pentru a reduce emisiile de metan și consumul de apă prin drenarea intermitentă a orezăriilor.

Câmpurile inundate continuu prezintă modele oscilante de retrodifuzie SAR în timpul perioadei vegetative, reflectând cicluri repetate de inundații-drenaj, în timp ce câmpurile inundate continuu prezintă o traiectorie de retrodifuzie mai constantă. Această capacitate este deosebit de valoroasă pentru monitorizarea adoptării practicilor de orez inteligente din punct de vedere climatic în inventarele naționale de gaze cu efect de seră.

5. Indicatori de gestionare a apei în orezării

Detectarea suprafeței apei prin SAR este extrem de sensibilă, capabilă să identifice apa acumulată la o adâncime de doar câțiva centimetri sub coronamentul de orez. Această sensibilitate permite analiștilor să cartografieze starea inundațiilor câmp cu câmp în momente cheie ale sezonului de creștere, sprijinind deciziile de programare a irigațiilor și evaluările timpurii ale pagubelor provocate de inundații.

Când hărțile suprafeței apei din date multiple sunt suprapuse temporal, acestea produc o semnătură dinamică de gestionare a apei pentru fiecare câmp, care servește ca o intrare de mare valoare pentru modelele de clasificare a tipurilor culturale.

Tehnici și metode: de la indici la învățare profundă

1. Indici de vegetație pentru monitorizarea orezului

Indicii de vegetație sunt combinații matematice ale valorilor de reflectanță la diferite lungimi de undă, concepuți pentru a amplifica semnalul biomasei și sănătății plantelor, reducând în același timp zgomotul provenit din fundalul solului, efectele atmosferice și geometria iluminării. Trei indici sunt esențiali pentru cartografierea orezului.

i. NDVI (Indicele de Vegetație cu Diferență Normalizată) se calculează ca (NIR – Roșu) / (NIR + Roșu) și este indicele cel mai utilizat în monitorizarea orezului. Acesta urmărește starea de verdeață a coronamentului de la stabilirea răsadurilor până la senescență, valorile crescând de obicei de aproape zero la transplantare până la 0,6-0,8 la vârful creșterii vegetative.

ii. EVI (Indicele Vegetației Îmbunătățite) corectează efectele aerosolilor atmosferici și zgomotul de fond al solului mai eficient decât NDVI, ceea ce îl face preferabil în medii cu încărcare ridicată de aerosoli, cum ar fi în timpul sezoanelor de ardere a biomasei, comune în Asia tropicală.

iii. LSWI (Indicele Apelor de Suprafață Terestre) încorporează reflectanță în infraroșu cu unde scurte pentru a detecta conținutul de apă atât în coronamentul plantelor, cât și în suprafața solului, ceea ce îl face extrem de sensibil la evenimentele de inundații care caracterizează cultivarea orezului în zonele joase și oferă un semnal robust pentru detectarea începerii sezonului de creștere.

2. Analiza seriilor temporale

O singură imagine din satelit surprinde starea unui câmp de orez la un moment dat, dar povestea unui câmp de orez este scrisă în secvența acelor momente. Analiza seriilor temporale înlănțuie numeroase observații, de obicei o imagine la fiecare 5-16 zile timp de un an întreg, și extrage valori temporale precum data începerii sezonului, NDVI-ul de vârf, rata de înverzire și data recoltării.

Aceste valori metrice descriu colectiv comportamentul fenologic complet al câmpului și sunt mult mai diagnostice pentru identificarea tipului de cultură decât orice observație la o singură dată. Metodele statistice, inclusiv regresia armonică și deformarea dinamică a timpului (DTW), sunt utilizate în mod obișnuit pentru a alinia și compara datele seriilor temporale în diferiți ani și regiuni.

3. Învățare automată pentru clasificarea orezului

Învățarea automată a transformat scara și precizia cartografierii modelelor de cultivare a orezului prin automatizarea identificării relațiilor complexe, neliniare, dintre datele spectro-temporale și condițiile de câmp.

i. Pădure aleatorie (RF) este o metodă ansamblu care construiește sute de arbori de decizie independenți, fiecare antrenat pe un subset aleatoriu de caracteristici și agregă voturile acestora pentru o clasificare finală. Este robustă la datele de antrenament zgomotoase, gestionează eficient spațiile de caracteristici de înaltă dimensionalitate și oferă scoruri de importanță variabile care ajută analiștii să înțeleagă ce caracteristici temporale sau spectrale determină deciziile de clasificare.

ii. Mașină cu vectori suport (SVM) găsește limita de separare optimă între clase într-un spațiu de caracteristici de dimensiuni mari. SVM are performanțe bune atunci când datele de antrenament sunt limitate, fiind util în regiunile cu date insuficiente unde colectarea adevărului de teren este costisitoare.

iii. Învățare profundă, în special rețelele neuronale convoluționale (CNN) și rețelele neuronale recurente (RNN), cum ar fi arhitecturile Long Short-Term Memory (LSTM), pot învăța simultan atât modele spațiale în cadrul imaginilor individuale, cât și modele temporale în secvențele de imagini. Clasificatorii bazați pe LSTM aplicați seriilor temporale de sateliți au atins o precizie de ultimă generație în sarcinile de cartografiere a orezului, mai multe studii raportând precizii generale peste 90% la scară regională.

Xiao și colab. (International Journal of Applied Earth Observation and Geoinformation, 2025) au demonstrat că un model de învățare profundă LSTM, antrenat pe date temporale combinate Sentinel-1 și Sentinel-2, a cartografiat tipurile culturale de orez în trei țări din Asia de Sud cu un precizie generală de 91,7% și un coeficient kappa de 0,89, depășind Random Forest cu 6,4 puncte procentuale în aceleași condiții de date de antrenament.

Pentru cartografierea tipurilor culturale de orez pe suprafețe mari, unde este posibilă colectarea datelor de antrenament, clasificatorii de învățare profundă bazați pe LSTM sunt acum metoda de referință și ar trebui să fie alegerea implicită pentru noile programe naționale de cartografiere.

4. Analiza imaginilor bazată pe obiecte (OBIA)

Analiza imaginilor bazată pe obiecte (OBIA) funcționează prin gruparea pixelilor vecini cu caracteristici spectrale și spațiale similare în obiecte (segmente) înainte de a-i clasifica, în loc să clasifice fiecare pixel independent.

În cartografierea orezului, OBIA este valoroasă deoarece poate încorpora forma, textura și contextul în clasificare, distingând o orezărie de un corp de apă de culoare similară, pe baza geometriei dreptunghiulare regulate a orezăriei.

OBIA este deosebit de eficientă la rezoluții spațiale foarte mari, cum ar fi datele de la sateliți comerciali cu rezoluție de 1-5 metri sau imaginile UAV.

5. Tehnici de detectare a schimbărilor

Detectarea schimbărilor identifică zonele în care utilizarea terenurilor s-a schimbat între două sau mai multe date. În monitorizarea sistemului orezos, detectarea schimbărilor servește două scopuri: urmărirea expansiunii sau contracției de la an la an a suprafeței de orez ca răspuns la factorii climatici sau economici și identificarea schimbărilor de la mijlocul sezonului, cum ar fi eșecul culturilor, abandonul sau inundațiile neașteptate.

Detectarea schimbărilor bitemporale (compararea directă a două date) este simplă, dar vulnerabilă la diferențele fenologice dintre ani. Detectarea schimbărilor multitemporale pe parcursul unor stive anuale complete este mai robustă și poate separa schimbarea reală a utilizării terenurilor de variația fenologică sezonieră.

Evaluarea și validarea preciziei

1. Colectarea datelor adevărului de teren

Fiecare produs de cartografiere a orezului necesită validare în funcție de observațiile de teren colectate independent. Datele reale de teren includ de obicei vizite pe teren cu referințe GPS, unde recenzori instruiți înregistrează tipul de cultură, stadiul de creștere, starea de gestionare a apei și metoda de stabilire într-un eșantion reprezentativ statistic de locații. Aceste observații sunt colectate pentru a coincide temporal cu achizițiile satelitare și sunt reținute din antrenamentul modelului și utilizate exclusiv pentru evaluarea acurateței.

2. Indicatori de precizie a clasificării

Pentru aplicațiile specifice orezului, scorul F1, care echilibrează acuratețea producătorului și a utilizatorului pentru fiecare clasă, este raportat din ce în ce mai mult alături de Kappa ca un rezumat al performanței cu un singur număr, mai informativ. Indicatorii standard pentru evaluarea acurateței hărții includ

• precizia generală (procentul tuturor punctelor de validare clasificate corect),
• precizia producătorului (probabilitatea ca un câmp dintr-o anumită clasă adevărată să fie mapat corect, analog cu rechemarea),
• precizia utilizatorului (probabilitatea ca un câmp mapat la o anumită clasă să fie de fapt acea clasă, analog cu precizia) și
• coeficientul Kappa (o măsură a acordului corectată pentru acordul întâmplător, unde valorile peste 0,80 indică un acord puternic).

3. Validarea modelelor de cultură și a hărților tipurilor culturale

Validarea hărților modelelor de cultură necesită date concrete multitemporale, cu vizite pe teren în mai multe puncte din calendarul de cultură pentru a confirma câte sezoane au fost efectiv recoltate pe an la fiecare loc de validare.

Validarea tipului cultural, care distinge culturile transplantate de cele semănate direct sau cele irigate de cele alimentate cu ploaie, este mai dificilă deoarece aceste distincții nu sunt întotdeauna evidente vizual pe teren și necesită interviuri cu fermierii sau observarea directă a evenimentelor de gestionare în timpul ferestrelor sensibile din sezonul de creștere.

Statisticile agricole naționale, deși adesea agregate la nivel de provincie sau district, oferă un nivel suplimentar de validare pentru estimările suprafeței, permițând verificarea încrucișată a totalurilor de pe hărți cu cifrele oficiale raportate.

Aplicații în întregul sistem agricol

1. Planificarea și dezvoltarea politicilor agricole

Hărțile cu modele de cultivare a orezului derivate din teledetecție oferă ministerelor agriculturii rezoluția spațială de care au nevoie pentru a concepe intervenții specifice. Regiunile identificate ca fiind cu o singură cultură pluvială pot fi prioritizate pentru dezvoltarea irigațiilor la scară mică; zonele cu trei culturi și randamente în scădere pot fi investigate pentru degradarea solului sau epuizarea pânzei freatice.

2. Estimarea producției de orez

Combinând hărțile suprafețelor cultivate cu orez obținute prin teledetecție cu modele de estimare a randamentului, cum ar fi simulările de creștere a culturilor bazate pe date meteorologice, se obțin prognoze de producție subnaționale și naționale cu săptămâni sau luni înainte de recoltare.

Tabloul de bord privind securitatea alimentară al Băncii Asiatice de Dezvoltare și Sistemul Global de Informații și Avertizare Timpurie (GIEWS) al FAO încorporează date privind suprafața cultivată cu orez, obținute prin satelit, pentru a genera estimări ale producției înainte de recoltare, cu câștiguri de precizie demonstrate față de abordările bazate pe sondaje.

3. Managementul resurselor de apă

Orezul irigat este cel mai mare consumator de apă dulce din Asia, reprezentând aproximativ 401 TP3 tone din totalul extragerilor de apă din agricultură în țări precum India și Bangladesh.

Cel mai valoros rezultat al cartografierii orezului prin satelit nu este harta în sine, ci decizia pe care o permite, fie că se construiește un canal, se închide o fântână sau se redirecționează o subvenție.

Cunoașterea precisă a locului în care se cultivă orezul irigat, a numărului de sezoane în care este irigat și a câmpurilor care utilizează practici eficiente de gestionare a apei, cum ar fi debitul total al apei (AWD), sprijină direct planificarea bazinelor hidrografice, programarea funcționării rezervoarelor și evaluările sustenabilității apelor subterane.

4. Monitorizarea securității alimentare

Sistemele de avertizare timpurie pentru insecuritatea alimentară depind de detectarea rapidă a eșecurilor culturilor. Atunci când zonele de orez nu reușesc să finalizeze un ciclu complet de creștere, monitorizarea prin satelit detectează anomalia ca un vârf fenologic absent sau trunchiat în fereastra sezonieră așteptată. FEWS NET (Famine Early Warning Systems Network), susținută de USAID, utilizează date satelitare privind vegetația, inclusiv monitorizarea specifică orezului, pentru a genera alerte de securitate alimentară în Asia și Africa.

5. Evaluarea impactului schimbărilor climatice

Arhivele pe termen lung ale hărților cu modele de cultivare a orezului, care acoperă 20 sau mai mulți ani de date Landsat, dezvăluie modul în care zonele de cultivare a orezului, anotimpurile și randamentele s-au modificat ca răspuns la schimbarea regimurilor de temperatură și precipitații. Aceste hărți istorice ale tendințelor oferă dovezi empirice privind impactul schimbărilor climatice asupra sistemelor de orez și servesc drept date pentru proiecția riscurilor agricole viitoare în diferite scenarii de încălzire.

7. Aplicații în agricultura de precizie

La scară agricolă, cartografierea tipurilor de cultură a orezului, obținută cu ajutorul dronelor, combinată cu date despre sol și apă la nivel de câmp, susține decizii de management precise, cum ar fi aplicarea de îngrășăminte cu rată variabilă, identificarea dăunătorilor specifici amplasamentului și programarea optimizată a datelor de plantare. Aceste aplicații se maturizează rapid în Japonia, Coreea de Sud și în anumite părți ale Chinei, unde agricultura de orez este puternic mecanizată și există infrastructură de date pentru a conecta rezultatele teledetecției la sistemele de management agricol.

Provocări și limitări care constrâng cartografierea orezului

1. Acoperirea norilor și disponibilitatea datelor

Acoperirea persistentă cu nori în timpul sezonului musonic, când se cultivă o mare parte din orezul din Asia, limitează drastic numărul de observații optice utilizabile. În unele locații, contaminarea cu nori reduce observațiile Sentinel-2 disponibile în timpul perioadei critice de transplantare și al perioadei vegetative timpurii la mai puțin de două pe lună. Datele SAR atenuează, dar nu elimină, această problemă, deoarece ploile abundente pot satura temporar semnalul radar.

2. Pixeli mixți și câmpuri mici

În regiunile în care orezăriile sunt mai mici decât rezoluția spațială a senzorului, un singur pixel surprinde un amestec de orez și terenuri fără orez, ceea ce face ca clasificarea să fie ambiguă. Sistemele de orez de munte din terenurile deluroase și din orezăriile de dimensiuni reduse din anumite părți ale Indoneziei și Filipinelor produc în mod obișnuit pixeli mixți chiar și la rezoluția de 10 metri a Sentinel-2, limitând utilizarea metodelor bazate pe pixeli în aceste medii.

3. Similitudine spectrală și temporală între tipurile de culturi

Unele culturi, în special trestia de zahăr, iuta și anumite pajiști, produc curbe fenologice similare cu orezul în seriile temporale NDVI sau EVI, ceea ce duce la confuzie în clasificare. Detectarea inundațiilor bazată pe SAR reduce această confuzie în cazul orezului de câmpie, dar sistemele de orez de munte, fără orezării inundate, rămân dificil de separat de culturile spectral similare fără date suplimentare de teren sau intrări geografice auxiliare.

4. Constrângeri de rezoluție temporală

Cartografierea modelului de cultură a orezului și a tipului cultural folosind teledetecția necesită o eșantionare temporală densă, ideal cel puțin o observație la fiecare 8-10 zile pe parcursul întregului sezon de creștere. Atunci când acoperirea cu nori sau golurile orbitelor satelitului reduc această densitate temporală, soiurile de orez de scurtă durată sau sezoanele de culturi triple cu ciclu rapid pot fi complet omise de algoritmii de detectare automată.

5. Limitări ale datelor de la sol

Datele de instruire etichetate de înaltă calitate, observațiile de teren potrivite cu tipurile de culturi și practicile de management cunoscute, rămân costisitoare și dificil de colectat din punct de vedere logistic la scara necesară pentru instruirea și validarea sistemelor naționale de cartografiere. În multe țări producătoare de orez cu venituri mici, capacitatea umană și financiară pentru colectarea sistematică a datelor de teren este cea mai mare constrângere în calea îmbunătățirii acurateței cartografierii.

Tendințe emergente și viitorul monitorizării orezului

1. Monitorizarea orezului cu drone și UAV

Vehiculele aeriene fără pilot (UAV) echipate cu senzori multispectrali și termici oferă acum imagini la nivel centimetric asupra fermelor individuale, rezolvând limitele câmpurilor, rândurile de culturi și chiar starea de sănătate a plantelor individuale. UAV-urile funcționează ca o punte între cartografierea la scară satelitară și observarea individuală a plantelor, furnizând date reale de ultra-înaltă rezoluție necesare pentru antrenarea și validarea modelelor bazate pe satelit în contexte de peisaj fragmentat.

2. Inteligența artificială și învățarea profundă pentru clasificarea orezului

Rețelele neuronale convoluționale aplicate seriilor temporale de imagini din satelit, combinate cu arhitecturi de transformare adaptate din procesarea limbajului natural, ating în prezent cele mai mari precizii de clasificare a orezului raportate vreodată.

Cadrul PRISM (Sistem de identificare a culturilor de orez bazat pe fenologie folosind date multisource), publicat de cercetătorii de la Universitatea Wageningen în 2024, a demonstrat că învățarea autosupravegheată pe arhive satelitare neetichetate ar putea pre-antrena modele de clasificare a orezului, necesitând doar date minime de teren etichetate pentru reglaj fin, reducând dramatic povara studiului de teren.

3. Sisteme de monitorizare a orezului în timp aproape real

Sistemele operaționale de monitorizare a orezului în timp aproape real procesează automat datele satelitare primite, actualizează hărțile orezului la intervale de 10-16 zile și transmit alerte privind datele de plantare, evenimentele de stres hidric și momentul recoltării direct către tablourile de bord guvernamentale sau aplicațiile mobile utilizate de fermieri și agenții de extindere.

Departamentul Orezului din Thailanda și Ministerul Agriculturii din Vietnam operează ambele sisteme prototip de acest tip, iar Institutul Internațional de Cercetare a Orezului sprijină dezvoltarea unor capacități similare în Bangladesh și Cambodgia.

4. Integrarea datelor satelitare și IoT

Senzorii Internet of Things (IoT) utilizați în orezării, care măsoară umiditatea solului, nivelul apei, temperatura și microclimatul coronamentului, generează observații continue la nivelul solului care completează și calibrează datele de teledetecție prin satelit.

Atunci când rețelele de senzori IoT și observațiile prin satelit sunt combinate în cadre de fuziune a datelor, sistemul de monitorizare rezultat poate detecta stresul hidric, debutul inundațiilor și presiunea bolilor cu o încredere mai mare și un timp de așteptare mai rapid decât cel oferit de oricare dintre surse în mod independent.

5. Agricultură digitală și agricultură inteligentă

Convergența dintre cartografierea prin satelit a orezului, detectarea IoT și asistența decizională bazată pe inteligență artificială pune bazele unei orezării inteligente, unde deciziile de gestionare, de la momentul irigațiilor până la aplicarea îngrășămintelor, sunt informate de fluxuri de date explicite din punct de vedere spațial, aproape în timp real, mai degrabă decât de reguli generale bazate pe calendar.

Programele pilot din prefectura Niigata din Japonia și din provincia Heilongjiang din China au demonstrat că gestionarea precisă a orezului, bazată pe teledetecție, poate reduce costurile de producție prin 15-25% menținând sau îmbunătățind în același timp randamentele, conform rapoartelor preliminare ale testelor pe teren din 2024.

Concluzie

Cartografierea modelului de cultivare a orezului și a tipului cultural folosind teledetecția a evoluat de la o disciplină de cercetare academică la un instrument operațional utilizat de guverne, agenții internaționale și platforme agro-tehnologice din Asia și dincolo de aceasta. Abordările multi-senzoriale de serii temporale care combină date optice și SAR, procesate prin clasificatori de învățare automată și deep learning, oferă acum în mod curent hărți ale suprafețelor de orez la scară națională cu precizii generale care depășesc 85-90%. Aceste hărți rezolvă nu doar unde crește orezul, ci și de câte ori pe an, în ce regim hidric și prin ce metodă de stabilire.

Trecerea dincolo de simpla cartografiere a zonelor de orez la clasificarea tipurilor culturale este ceea ce transformă un produs al acoperirii terestre într-un atu al inteligenței agricole. Cunoașterea faptului că o regiune a trecut de la orezul transplantat la cel semănat direct pe parcursul unui deceniu semnalează simultan schimbări pe piața muncii și epuizarea pânzei freatice. Cunoașterea zonelor hrănite cu ploaie sunt cele mai vulnerabile la perioadele de secetă de la începutul sezonului, identificate prin modelele lor spectrale temporale, permite un răspuns pre-poziționat la secetă, mai degrabă decât un ajutor reactiv în caz de dezastru. Teledetecția face posibil acest nivel de inteligență spațială la o fracțiune din costul programelor echivalente de studiu al terenului.

Cartoful este una dintre cele mai importante culturi alimentare din lume, servind drept bază pentru alimentația a milioane de oameni. În primul rând, cunoașterea modului în care cresc plantele de cartof și capacitatea de a le prezice recolta ajută fermierii să gestioneze mai eficient irigațiile, fertilizarea și combaterea dăunătorilor.

În al doilea rând, procesatorii de alimente și centrele de depozitare pot planifica mai bine logistica și forța de muncă atunci când au estimări fiabile ale recoltei. Cu toate acestea, metodele tradiționale—cum ar fi mersul fizic prin câmpuri și măsurarea plantelor manual—sunt consumatoare de timp și predispuse la erori umane.

Prin urmare, oamenii de știință s-au orientat către teledetecție, care utilizează camere și senzori pe sateliți, drone sau dispozitive portabile, pentru a monitoriza creșterea cartofilor și a prognoza randamentul mai rapid și mai precis.

Înțelegerea prognozelor privind recolta de cartofi

În ultimele două decenii, interesul pentru aplicarea teledetecției în cercetarea cartofului a crescut substanțial. Într-adevăr, o analiză sistematică a identificat 79 de studii publicate între 2000 și 2022 pe această temă, din 482 de articole selectate inițial.

Pentru a asigura transparența și reproductibilitatea, autorii au urmat ghiduri stabilite (Kitchenham & Charters 2007; PRISMA framework), căutând în opt baze de date majore — Google Scholar, ScienceDirect, Scopus, Web of Science, IEEE Xplore, MDPI, Taylor & Francis și SpringerLink — folosind termeni precum “potato yield prediction” ȘI “remote sensing”.”

În consecință, au fost incluse doar cercetări originale în limba engleză care au utilizat date de teledetecție pentru monitorizarea creșterii sau estimarea recoltei. Mai mult, datele din fiecare lucrare selectată au fost extrase conform a patru întrebări cheie:

• Ce platformă de senzorizare a fost utilizată (satelit, vehicul aerian fără pilot sau bazată la sol)?
• Ce indici de vegetație sau caracteristici spectrale au fost evaluate?
• Ce trăsături ale culturilor au fost monitorizate (biomasă, suprafață a frunzei, clorofilă, azot)?
• Cât de precis ar putea fi prezis randamentul final al tuberculilor (coeficient de determinare, R²)?

Aceste întrebări i-au ajutat pe recenzenți să cartografieze stadiul actual și să identifice lacunele unde cercetările viitoare s-ar putea concentra.

Platforme de teledetecție și indici de vegetație

Cercetătorii au utilizat trei tipuri principale de platforme de teledetecție, fiecare cu propriile avantaje și limitări. În primul rând, sateliții optici precum Sentinel-2 (rezoluție spațială de 10 m, revenire în 5 zile) și Landsat 5-8 (30 m, revenire în 16 zile) oferă o acoperire largă și, adesea, acces gratuit la date.

În al doilea rând, sateliții precum MODIS/TERRA/Aqua (250–1000 m, revizuire zilnică la 2 zile) și sistemele comerciale precum PlanetScope (3 m, zilnic, costând aproximativ $218 per 100 km²) permit monitorizarea mai frecventă sau la rezoluție mai înaltă, deși costurile pot fi un factor.

În al treilea rând, vehiculele aeriene fără pilot (UAV) echipate cu camere multispectrale sau hiperspectrale oferă o rezoluție foarte înaltă (până la câțiva centimetri pe pixel) și pot fi operate la cerere, dar acoperă zone mai mici și necesită o logistică mai complexă.

În cele din urmă, senzorii terestri—cum ar fi metrii NDVI portabili și metrii de clorofilă SPAD—oferă măsurători punctuale de înaltă precizie, deși sunt consumatoare de timp atunci când sunt utilizați pe câmpuri mari.

Indicii de vegetație (IV) traduc valorile brute de reflectanță în estimări semnificative ale trăsăturilor plantelor. Cei mai comuni indici utilizați în studiile privind cartoful includ:

• NDVI (Indicele de Vegetatie Normalizat Diferential): (NIR – Rosu) / (NIR + Rosu)
• GNDVI (NDVI Verde): (NIR – Verde) / (NIR + Verde)
• NDRE (Diferența Normalizată Red-Edge): (NIR – RedEdge) / (NIR + RedEdge)
• OSAVI (Indice Optimizat de Vegetație Ajustat la Sol): 1,16 × (NIR – Red) / (NIR + Red + 0,16)
• EVI (Indice de Vegetatie Îmbunătățit), CIred‑edge, CIgreen, și altele. .

Acești indici sunt aleși pe baza sensibilității lor la acoperirea coronamentului, conținutul de clorofilă și fondul solului. Prin urmare, aceștia servesc drept bază pentru estimarea sănătății plantelor și predicția recoltei.

Monitorizarea creșterii cartofului și predicția recoltei

Prin teledetecție, cercetătorii monitorizează caracteristici cheie ale culturilor de cartofi—biomasa aeriană (AGB), indicele de suprafață a frunzelor (LAI), conținutul de clorofilă din foliaj (CCC) și starea azotului din frunze—și apoi le corelează cu producția finală de tuberculi.

În primul rând, estimarea AGB utilizând doar VI-urile poate fi dificilă atunci când acoperirea coroanei este densă, deoarece multe indici se saturează; prin urmare, combinarea VI-urilor cu caracteristicile de înălțime sau textură ale plantelor în modele de învățare automată îmbunătățește adesea precizia.

În al doilea rând, evaluarea LAI – suprafața totală unilaterală a frunzelor pe unitatea de suprafață la sol – a atins valori R² de până la 0,84 prin utilizarea datelor din serii temporale atât de la senzori hiperspectrali UAV, cât și de la senzori multispectrali satelitari.

În al treilea rând, estimările CCC, derivate din indici precum CIred‑edge, CIgreen, TCARI/OSAVI și TCARI + OSAVI, au atins R² ≈ 0,85 în timpul stadiului vegetativ, indicând o corelație puternică cu clorofila măsurată în laborator.

În cele din urmă, starea azotului din frunze, vitală pentru o creștere sănătoasă, a fost prezisă cu un R² variind de la 0,52 la 0,95 atunci când s-au utilizat senzori la sol plus modele de regresie sau random forest.

Când vine vorba de predicția culturilor de tuberculi, două abordări principale de modelare se remarcă:

Modele empirice de regresie: Aici, un singur VI - cel mai adesea NDVI, GNDVI sau NDRE - este potrivit pentru datele de randament obținute la sol. Valorile raportate ale R² pentru NDVI vs. randament variază de la 0,23 la 0,84 (mediană ≈ 0,67), în timp ce corelațiile NDRE-randament variază de la 0,12 la 0,85 (mediană ≈ 0,61).

Modele de învățare automată: Acestea includ păduri aleatorii, mașini cu vectori suport și rețele neuronale care combină mai mulți indici de vegetație (VI), benzi spectrale și factori non-spectrali precum vremea, solul și managementul. Astfel de modele au împins R² până la 0,93 în unele studii.

În plus, momentul colectării datelor afectează în mare măsură acuratețea predicției. În multiple studii, măsurătorile VI efectuate la 36–55 de zile după plantare (DAP) au generat cele mai înalte corelații cu randamentul final al tuberculilor.

Această etapă corespunde acoperirii maxime a solului și debutului inițierii tuberculilor, făcând structura plantei cea mai indicativă pentru randamentul final. Unele dintre statisticile cheie găsite:

• 79 de studii (2000–2022) au îndeplinit criteriile de revizuire, din 482 identificate.
• Domenii de concentrare: predicția recoltei (37%), starea azotului din frunze (21%), AGB (15%), LAI (15%), CCC (12%).
• Platforme satelitare cele mai utilizate: Sentinel-2, Landsat, MODIS; comerciale: PlanetScope.
• Intervalele R²: NDVI–recoltă (0,23–0,84), NDRE–recoltă (0,12–0,85), GNDVI–recoltă (0,26–0,75).

Recomandări pentru predicția recoltei de cartofi

Pe baza acestor constatări, practicienii ar trebui mai întâi să selecteze platforma potrivită pentru obiectivele lor. Pentru prognozele privind recoltele regionale, datele gratuite Sentinel‑2 oferă o acoperire fiabilă, cu o rezoluție de 10 m și un program de revizuire la fiecare 5 zile.

Pentru a rafina estimările locale, zborurile cu drone programate la aproximativ 36–55 de zile după plantare captează dinamica critică a coroanei și îmbunătățesc calibrarea modelelor satelitare. Senzorii la sol sunt cel mai bine utilizați pentru verificări punctuale și pentru a calibra observațiile de la distanță, în special atunci când se combină date spectrale cu măsurători pe teren.

În ceea ce privește indicii de vegetație, practicienii ar trebui să acorde prioritate NDVI, NDRE și CI_red‑edge pentru prezicerea producției finale, deoarece aceștia arată în mod constant corelații puternice.

Atunci când se estimează conținutul de clorofilă și azot, combinarea indicilor red-edge cu VIs ajustate la sol – cum ar fi TCARI/OSAVI – oferă cele mai precise rezultate. Pentru estimarea biomasei, integrarea VIs cu înălțimea plantelor sau caracteristicile texturale în cadrul de machine learning sporește și mai mult acuratețea.

În ceea ce privește modelarea, regresii liniare sau non-liniare simple utilizând un singur index sunt eficiente atunci când datele de referință sunt limitate. Cu toate acestea, atunci când sunt disponibili mai mulți indici și date auxiliare (vreme, sol, gestionare), metodele de învățare automată, cum ar fi pădurea aleatorie sau rețelele neuronale, oferă o performanță superioară. Important este faptul că programarea imagisticii în jurul valorii de 36–55 de zile după plantare este crucială, deoarece această fereastră oferă în mod constant cea mai mare acuratețe de predicție.

Concluzie

În concluzie, teledetecția oferă un set de instrumente rapid, flexibil și precis pentru monitorizarea creșterii cartofilor și predicția producției de tuberculi. Prin alegerea platformei adecvate, selectarea celor mai informative indici de vegetație, programarea colectării datelor în jurul valorii de 36-55 DAP (zile după înflorire) și aplicarea unor tehnici de modelare adecvate, cercetătorii și practicienii pot îmbunătăți semnificativ prognozele producției.

Această abordare nu numai că economisește timp, dar sprijină și decizii de management mai inteligente, aducând beneficii în cele din urmă fermierilor, agronomilor și întregului lanț de aprovizionare cu cartofi.

Referință: Mukiibi, A., Machakaire, A.T.B., Franke, A.C. și colaboratorii. O Revizuire Sistematică a Indicilor de Vegetatie pentru Monitorizarea Creșterii Cartofului și Predicția Recoltei de Tuberculi din Teledetecție. Cartof Rez. 68, 409–448 (2025). https://doi.org/10.1007/s11540-024-09748-7