Ako sa vypočítava pôdna biomasa pomocou diaľkového prieskumu Zeme

Technológia diaľkového prieskumu Zeme zásadne zmenila spôsob, akým meriame, monitorujeme a spravujeme živú masu zemského povrchu našej planéty. Biomasa pôdy vypočítaná pomocou diaľkového prieskumu Zeme už nie je výskumnou kuriozitou obmedzenou na univerzitné laboratóriá – teraz je to kľúčový operačný nástroj, ktorý používajú vlády, lesnícke úrady, vedci zaoberajúci sa plodinami a klimatologici na celom svete.

Diaľkový prieskum Zeme len v poľnohospodárstve bol ocenený na $3,8 miliardy v roku 2025 a predpokladá sa, že vzrastie na $9,6 miliardy do roku 2034 na CAGR 10,9%, podľa správy Dataintelo z roku 2026. Významnú časť tohto rastu poháňa dopyt po spoľahlivých údajoch o biomase na podporu uhlíkového účtovníctva, presného poľnohospodárstva a monitorovania životného prostredia.

Čo je to pôdna biomasa?

Pôdna biomasa (celková suchá hmotnosť všetkého organického materiálu vo vymedzenej oblasti) sa meria v metrických jednotkách, ako napríklad ton na hektár (t/ha) alebo megagramov na hektár (Mg/ha), kde 1 Mg sa rovná 1 metrickej tone. Predstavuje nahromadený produkt fotosyntézy – uhlík, ktorý rastliny, stromy a iné organizmy zachytili z atmosféry a fixovali do fyzickej hmoty.

Je to jeden z najsilnejších ukazovateľov zdravia ekosystému, ukladania uhlíka a produktivity plodín, no tradičné pozemné metódy merania sú už dlho príliš pomalé, nákladné a priestorovo obmedzené na to, aby spĺňali potreby moderného hospodárenia s pôdou.

Nadzemná biomasa (AGB) a podzemná biomasa (BGB)

Vedci rozdeľujú biomasu do dvoch hlavných kategórií. Nadzemná biomasa (AGB) zahŕňa všetko, čo rastie nad povrchom pôdy – stonky, kmene, konáre, listy a stojace odumreté drevo. Podzemná biomasa (BGB) zahŕňa koreňové systémy a iný podzemný organický materiál. Vo väčšine zalesnených ekosystémov tvorí BGB približne 20 – 301 TP3T celkovej biomasy, a jeho meranie zostáva oveľa náročnejšie ako odhad AGB.

Biomasa sa tiež kategorizuje ako živá biomasa (aktívne rastúci, metabolicky aktívny rastlinný materiál) a mŕtva biomasa (stojace alebo spadnuté mŕtve drevo, suchý odpad). Oba typy ukladajú uhlík a prispievajú k celkovému uhlíkovému fondu krajiny, ale reagujú odlišne na požiare, choroby a zásahy v hospodárení.

Ako environmentálny ukazovateľ má biomasa jedinečne silné postavenie. Vysoké hodnoty biomasy signalizujú produktívne a zdravé ekosystémy so silným potenciálom sekvestrácie uhlíka. Klesajúce trendy biomasy odhaľujú odlesňovanie, stres zo sucha, degradáciu pôdy alebo nadmerný zber úrody. Pre pestovateľov plodín priamo koreluje nadzemná biomasa s potenciálom výnosu obilia, čo z nej robí jeden z najpraktickejších ukazovateľov v presnom poľnohospodárstve.

Prečo vypočítavať biomasu pôdy pomocou diaľkového prieskumu Zeme?

Tradičný odhad biomasy sa spolieha na merania v teréne: výskumníci zberajú vzorky na plochách, sušia rastlinný materiál v peciach a vážia ho, aby určili suchú hmotnosť na jednotku plochy. Tento deštruktívny a prácny proces funguje na úrovni pozemku, ale stáva sa úplne nepraktickým, keď potrebujete údaje o biomase pre národný les, povodie rieky alebo kontinentálnu poľnohospodársku zónu. Kľúčové obmedzenia pozemných prieskumov v teréne

1. Priestorové pokrytie je výrazne obmedzené. Terénny tím dokáže realisticky zmerať biomasu na niekoľkých desiatkach pozemkov za sezónu. Satelit pokrýva milióny hektárov v jednom nadjazde, čo znemožňuje monitorovanie v krajinnom meradle bez diaľkového prieskumu Zeme.

2. Terénne prieskumy sú drahé a pomalé. Nasadenie vyškoleného personálu do odľahlých lesov alebo do rozsiahlych poľnohospodárskych oblastí si vyžaduje značné rozpočty, logistickú koordináciu a čas – a to všetko sa s rozrastajúcimi sa oblasťami prieskumu zle škáluje.

3. Deštruktívny odber vzoriek poškodzuje ekosystém. Zberné plochy na váženie biomasy ničia práve skúmanú vegetáciu, čo je nezlučiteľné s dlhodobými monitorovacími programami, ktoré vyžadujú opakované merania na tom istom mieste.

4. Časová frekvencia je príliš nízka. Terénne tímy zvyčajne vykonávajú prieskum lokality nanajvýš raz ročne. Satelity môžu navštíviť to isté miesto každých pár dní, čo umožňuje nepretržité monitorovanie sezónnych zmien biomasy a rýchlu reakciu na udalosti, ako sú požiare alebo sucho.

Diaľkový prieskum Zeme rieši všetky tieto obmedzenia naraz. Jediný satelitný snímok Sentinel-2 pokrýva 290 km² na scénu na 10-metrové priestorové rozlíšenie, čím sa poskytujú opakovateľné údaje o vegetácii od steny po stenu bez marginálnych nákladov na každý ďalší hektár. Aplikácie, ktoré závisia od presných údajov o biomase pôdy, sú rozsiahle:

• Uhlíková evidencia a REDD+: Medzinárodné klimatické rámce vyžadujú overené odhady zásob uhlíka v lesoch. Mapy biomasy založené na diaľkovom prieskume Zeme poskytujú priestorové pokrytie a frekvenciu aktualizácií, ktoré samotné národné inventarizácie lesov nedokážu zabezpečiť.
• Poľnohospodársky monitoring: Biomasa plodín v rôznych štádiách rastu predpovedá konečný výnos, informuje o plánovaní zavlažovania a včas signalizuje stres skôr, ako sa stane stratou produktivity.
• Lesné hospodárstvo: Objem dreva, množstvo paliva pre riziko lesných požiarov a posúdenie biodiverzity závisia od spoľahlivých odhadov biomasy vo veľkých lesných oblastiach.
• Environmentálny manažment: Monitorovanie degradácie pôdy, hodnotenie mokradí a detekcia inváznych druhov využívajú zmenu biomasy ako primárny signál.

Ako diaľkový prieskum Zeme meria biomasu pôdy: Fyzikálne princípy

Každý systém diaľkového prieskumu Zeme – či už optický satelit, radar alebo laser – zhromažďuje informácie o vegetácii meraním interakcie elektromagnetickej energie s rastlinným materiálom. Pochopenie tejto interakcie je kľúčom k pochopeniu toho, prečo diaľkový prieskum Zeme vôbec dokáže odhadnúť biomasu.

Rastliny odrážajú, absorbujú a prenášajú elektromagnetické žiarenie odlišne v závislosti od ich vnútornej chémie, obsahu vody, štruktúry listov a architektúry koruny. Chlorofyl (zelený pigment, ktorý poháňa fotosyntézu) silne absorbuje červené a modré vlnové dĺžky, zatiaľ čo odráža zelenú a blízku infračervenú energiu.

Zdravá, hustá vegetácia preto vykazuje charakteristický spektrálny vzorec: nízku odrazivosť červeného žiarenia, vysokú odrazivosť blízkeho infračerveného žiarenia. Tento vzorec – nazývaný spektrálny podpis – je merateľný z vesmíru a jeho intenzita koreluje s množstvom rastlinného materiálu na jednotku plochy.

Od spektrálnych signálov k hodnotám biomasy

Senzory zachytávajú spektrálny podpis a vypočítavajú vegetačné indexy (matematické pomery, ktoré kvantifikujú, ako silno sa signál vegetácie objavuje v danom obraze). Tieto indexy sú potom prepojené s biomasou prostredníctvom štatistických alebo strojových učebných modelov, ktoré sú kalibrované pomocou meraní biomasy zozbieraných v teréne. Výsledkom je priestorovo súvislá mapa biomasy – každý pixel na obraze dostane predpokladanú hodnotu biomasy.

Pracovný postup spracovania údajov sa riadi jasnou postupnosťou. Surové satelitné údaje prichádzajú s geometrickými skresleniami a atmosférickými interferenciami. Predspracovanie tieto chyby opravuje. Indexy vegetácie sa vypočítavajú z opravených snímok. Vzorky biomasy namerané v teréne slúžia ako podklad pre kalibráciu modelu. Validovaný model sa potom aplikuje na celý rozsah snímky, čím sa vytvorí finálna mapa biomasy.

Informácie o biomase nesú aj ďalšie fyzikálne signály nad rámec spektrálnej odrazivosti. Výška koruny – výška vegetácie – je silným prediktorom AGB. Hustota rastlín (počet stoniek na hektár) určuje, koľko svetla je zachytené. Drsnosť povrchu (zistená radarom) odráža štrukturálnu zložitosť koruny. Senzory, ktoré merajú tieto štrukturálne vlastnosti, a nie len odrazivosť, často poskytujú vyššiu presnosť odhadu biomasy.

Typy diaľkového prieskumu Zeme používané na odhad biomasy

Žiaden samostatný senzor nedominuje pri odhadovaní biomasy vo všetkých ekosystémoch a mierkach. Vedci a odborníci z praxe kombinujú viacero typov senzorov na základe cieľovej vegetácie, rozpočtu, požadovanej presnosti a geografického pokrytia.

Najpresnejšie mapy biomasy dnes nie sú zostavené z jedného senzora, ale z inteligentnej fúzie optických, radarových a LiDAR údajov – pričom každý z nich vypĺňa slepé miesta ostatných.

1. Optické satelitné snímky: multispektrálne a hyperspektrálne

Optické senzory zachytávajú odrazené slnečné svetlo v diskrétnych spektrálnych pásmach, ktoré zvyčajne pokrývajú viditeľné vlnové dĺžky (modrá, zelená, červená) a blízke infračervené (NIR) pásmo. Multispektrálne snímky (údaje zo 4 – 10 spektrálnych pásiem) tvoria chrbticu väčšiny operačných programov mapovania biomasy na celom svete, a to najmä vďaka bezplatným, nepretržitým dátovým tokom z misií Sentinel-2 a Landsat.

Hyperspektrálne snímky (údaje zo stoviek úzkych, súvislých spektrálnych pásiem) poskytujú oveľa jemnejšie spektrálne detaily. Rozlišujú rastlinné pigmenty, obsah vody a chemické zloženie listov na úrovni, ktorú multispektrálne senzory nedokážu.

Vďaka tomu je obzvlášť užitočný na detekciu jemných rozdielov v hustote biomasy naprieč trávnatými porastami a poľnohospodárskymi poliami. Hlavným obmedzením hyperspektrálneho snímania je oblačnosť: optické senzory nedokážu vidieť cez oblaky, čo spôsobuje značné medzery v údajoch vo vlhkých tropických oblastiach, kde je odhad biomasy najdôležitejší.

Medzi bežné satelity používané na optické mapovanie biomasy patria Landsat 8/9 (rozlíšenie 30 metrov, 16-dňová návšteva), Sentinel-2 (rozlíšenie 10 metrov, 5-dňová návšteva) a PlanetScope (rozlíšenie 3 metre, denná návšteva pre komerčné aplikácie).

2. Radar (SAR): Vidieť cez oblaky a do korun stromov

Syntetický apertúrny radar (SAR) – systém, ktorý vysiela mikrovlnné impulzy a meria energiu odrazenú od zemského povrchu – úplne rieši problém oblačnosti. Mikrovlnná energia prechádza cez oblaky a opar bez rušenia, vďaka čomu je SAR senzorom voľby pre monitorovanie tropických lesov, kde pretrvávajúca oblačnosť robí optické snímky takmer nepoužiteľnými.

Signály SAR prenikajú aj do vegetačných porastov, kde interagujú s drevnatými stonkami a konármi, a nie len s najvrchnejším povrchom listov. Čím dlhšia je vlnová dĺžka radaru, tým hlbšie signál preniká. SAR v pásme L (vlnová dĺžka okolo 23 cm, používaná ALOS-2 a PALSAR-2) preniká do spodných vrstiev porastu a interaguje s veľkou drevnatou biomasou, vďaka čomu je obzvlášť vhodný na odhad AGB v tropických lesoch.

SAR v pásme C (vlnová dĺžka okolo 5 cm, používaná satelitom Sentinel-1) je citlivejší na štruktúru povrchového porastu a široko sa používa na monitorovanie biomasy plodín.

Výskum publikovaný v Časopis pre lesnícky výskum (Springer Nature, 2021) zistila, že údaje SAR z L-pásma ALOS-2 aj z C-pásma Sentinel-1 umožnili uspokojivé odhady zásob uhlíka, pričom celkové zásoby uhlíka v študovanej oblasti stredomorského lesa dosiahli približne 130 t/ha v nadzemných, podzemných priestoroch, odumretom dreve, odpadkoch a pôdnych bazénoch dohromady.

3. LiDAR: Zlatý štandard pre mapovanie štrukturálnej biomasy

LiDAR (detekcia a meranie svetla) vysiela laserové impulzy a meria presný čas, ktorý je potrebný na ich odraz od cieľového povrchu. Toto načasovanie sa priamo premieta do trojrozmerných mračien bodov (husté mapy presného miesta odrazu každého laserového impulzu), ktoré odhaľujú výšku koruny, štruktúru koruny a nadmorskú výšku terénu s presnosťou na centimeter.

Výška stromov patrí medzi najsilnejšie prediktory nadzemnej biomasy – vyššie stromy nesú exponenciálne viac biomasy ako tie nižšie. Výškové modely odvodené z LiDAR v kombinácii s alometrickými rovnicami meranými v teréne (druhovo špecifické matematické vzťahy medzi výškou, priemerom a hmotnosťou stromu) poskytujú odhady biomasy, ktoré v zalesnených krajinách konzistentne prekonávajú optické alebo radarové prístupy.

Misia NASA s názvom Global Ecosystem Dynamics Investigation (GEDI) – viaclúčový prístroj LiDAR namontovaný na Medzinárodnej vesmírnej stanici – predstavuje prvý účelový vesmírny systém LiDAR na odhad globálnej biomasy. GEDI zhromažďuje údaje od 51,6° severnej šírky do 51,6° južnej zemepisnej šírky, pokrývajúc hlavné tropické a mierne lesné zóny sveta.

4. Diaľkový prieskum Zeme pomocou drónov: Vysoké rozlíšenie v teréne

Bezpilotné lietadlá (UAV), bežne nazývané drony, preklenujú priepasť medzi satelitným a terénnym meraním. Dron s RGB kamerami zachytáva snímky s centimetrovým rozlíšením, ktoré rozlišujú jednotlivé rastliny.

Multispektrálne senzory dronov vypočítavajú presné indexy vegetácie na úrovni pozemku. Drony vybavené LiDARom generujú husté mračná bodov, ktoré umožňujú odhad biomasy so štrukturálnou presnosťou leteckého LiDARu za zlomok nákladov.

Pre pestovateľov plodín je mapovanie biomasy pomocou dronov obzvlášť praktické. Jediný prelet nad pšeničným alebo kukuričným poľom počas vegetatívneho rastu vytvorí mapu hustoty biomasy, ktorá označuje oblasti s obmedzením výnosov – zóny s nízkou biomasou, ktoré môžu potrebovať doplnkové hnojivo alebo zavlažovanie predtým, ako sa škody stanú nezvratnými.

Indexy vegetácie používané na odhad biomasy

Vegetačné indexy sú matematickým mostíkom medzi surovými hodnotami spektrálnej odrazivosti a biologickými informáciami o hustote a zdraví rastlín. Každý index využíva špecifickú časť elektromagnetického spektra, kde sa vegetácia správa charakteristicky.

NDVI (Normalizovaný rozdielový index vegetácie) je najpoužívanejší. Rozdiel medzi odrazivosťou blízkej infračervenej (NIR) a červenej oblasti delí ich súčtom: NDVI = (NIR – červená) / (NIR + červená). Hodnoty sa pohybujú od -1 do +1, pričom zdravá hustá vegetácia má zvyčajne skóre medzi 0,6 a 0,9.

NDVI silne koreluje s indexom listovej plochy (LAI – celková jednostranná listová plocha na jednotku plochy zeme), a teda s fotosyntetickou kapacitou a akumuláciou biomasy.

• EVI (Index vylepšenej vegetácie) koriguje atmosférické vplyvy a interferenciu pôdneho pozadia, vďaka čomu je spoľahlivejší ako NDVI v tropických lesoch s vysokým obsahom biomasy a oblastiach so svetlou alebo exponovanou pôdou.
• SAVI (Index vegetácie upravený o pôdu) zahŕňa korekčný faktor jasnosti pôdy, ktorý je obzvlášť dôležitý v suchých a polosuchých poľnohospodárskych prostrediach, kde holá pôda medzi riadkami plodín silne ovplyvňuje spektrálny signál.
• GNDVI (Index zelenej normalizovanej diferenčnej vegetácie) nahrádza vo vzorci NDVI červenú odrazivosť zelenou, vďaka čomu je citlivejší na zmeny koncentrácie chlorofylu a užitočný na monitorovanie biomasy plodín v neskorej sezóne, keď sú koruny už úplne zatvorené.

Index listovej plochy (LAI) si zaslúži osobitnú zmienku, pretože je výstupom diaľkového prieskumu Zeme a zároveň priamym faktorom akumulácie biomasy. Rastliny s vyšším LAI zachytávajú viac slnečného žiarenia, fixujú viac uhlíka a produkujú viac biomasy. Mapy LAI získané z diaľkového prieskumu Zeme, generované z časových radov MODIS alebo Sentinel-2, priamo vstupujú do modelov rastu plodín, ktoré simulujú tvorbu výnosov a konečnú zberateľnú biomasu.

Kľúčové zdroje údajov pre odhad pôdnej biomasy

Výber správneho zdroja údajov závisí od rozsahu štúdie, typu vegetácie, požadovaného priestorového rozlíšenia a dostupného rozpočtu. Nižšie sú uvedené primárne dátové toky, ktoré sa v súčasnosti používajú pri mapovaní biomasy na operačnej a výskumnej úrovni. Bezplatné satelitné údaje s otvoreným prístupom zo satelitov Landsat a konštelácie Sentinel demokratizovali mapovanie biomasy a sprístupnili ho výskumníkom a agentúram, ktoré nemajú rozpočet na komerčné snímky.

i. Landsat (NASA/USGS): Viac ako 50 rokov nepretržitých údajov, rozlíšenie 30 metrov, voľný prístup. Časové rady Landsat umožňujú historickú analýzu zmien biomasy siahajúcu až do 70. rokov 20. storočia a poskytujú bezkonkurenčný kontext pre monitorovanie odlesňovania a degradácie pôdy.

ii. Sentinel-2 (ESA): Rozlíšenie 10 metrov v kľúčových spektrálnych pásmach, 5-dňová opakovaná návšteva, bezplatný prístup. Sentinel-2 je vďaka kombinácii rozlíšenia a frekvencie súčasným štandardom pre monitorovanie biomasy plodín a regionálne hodnotenie lesov.

iii. Sentinel-1 (ESA): SAR v pásme C, schopnosť pracovať za každého počasia, voľný prístup. Sentinel-1 je primárnym radarovým zdrojom pre monitorovanie tropickej pôdy ovplyvnenej oblačnosťou a biomasy plodín v oblastiach, kde sú medzery v optických údajoch pretrvávajúcim problémom.

iv. MODIS (NASA): Rozlíšenie 250 m – 1 km, denné globálne pokrytie. Časové rady MODIS sú ideálne na detekciu zmien biomasy v kontinentálnom meradle a sezónne monitorovanie, hoci hrubé rozlíšenie obmedzuje ich použiteľnosť vo fragmentovaných krajinách.

v. PlanetScope: 3-metrové rozlíšenie, denná návšteva, komerčné predplatné. PlanetScope poskytuje monitorovanie biomasy na úrovni jednotlivých polí a podporuje aplikácie presného poľnohospodárstva, kde je dôležitá priestorová variabilita podoblastí.

vi. NASA GEDI LiDAR: Priemer stopy 25 metrov, globálne pokrytie tropického a mierneho pásma, bezplatné dátové produkty. GEDI je primárny vesmírny zdroj informácií o výške koruny stromov a hustote AGB v globálnom meradle.

vii. ICESat-2 (NASA): LiDAR s počítaním fotónov a globálnym pokrytím, obzvlášť silný na meranie výšky koruny stromov vo vysokých zemepisných šírkach a detekciu jemných zmien výšky.

Kroky na výpočet biomasy pôdy pomocou diaľkového prieskumu Zeme

Odhadovanie biomasy pôdy pomocou údajov diaľkového prieskumu Zeme sa riadi štruktúrovaným pracovným postupom. Každý krok závisí od presnosti predchádzajúceho. Znižovanie nákladov pri predspracovaní alebo overovaní v teréne vedie k chybám v konečnej mape biomasy.

i. Vyberte vhodné obrázky: Vyberte si senzor, priestorové rozlíšenie a časové obdobie na základe cieľového ekosystému a cieľa štúdie. Monitorovanie lesnej biomasy zvyčajne vyžaduje údaje zo satelitov Sentinel-1 alebo GEDI; monitorovanie biomasy plodín bežne využíva snímky zo satelitov Sentinel-2 alebo multispektrálne snímky z dronov.

ii. Predspracovanie obrazu: Použite atmosférickú korekciu na prevod surových digitálnych čísel na hodnoty odrazivosti povrchu. Vykonajte geometrickú korekciu, aby ste zabezpečili presné zarovnanie obrazu s reálnymi súradnicami. Odstráňte pixely kontaminované oblakmi a v prípade potreby ich nahraďte časovým kompozíciom.

iii. Vypočítajte vegetačné indexy: Vypočítajte NDVI, EVI, SAVI, GNDVI alebo iné relevantné indexy z korigovaných pásiem odrazivosti povrchu. V prípade údajov LiDAR odvodte metriky výšky koruny stromu (maximálna výška, výška 95. percentilu, priemerná výška) z mračna bodov.

iv. Zber vzoriek poľnej biomasy: Nadzemnú biomasu zmerajte na reprezentatívnych pozemkoch v rámci študovanej oblasti pomocou deštruktívnej ťažby alebo alometrických rovníc aplikovaných na merania priemeru a výšky stromov. Tieto poľné hodnoty predstavujú základný údaj, ktorý je základom modelu.

v. Vytvorte predikčné modely: Vykonajte regresnú analýzu meraní biomasy v teréne oproti ko-lokalizovaným premenným diaľkového prieskumu Zeme (indexy vegetácie, metriky výšky koruny, hodnoty spätného rozptylu SAR). Použite regresnú analýzu, metódu náhodného lesa, metódu podporných vektorov alebo neurónové siete v závislosti od zložitosti vzťahu a množstva dostupných trénovacích údajov.

vi. Overenie výsledkov modelu: Na posúdenie presnosti predikcie použite súbor údajov na validáciu (polné grafy, ktoré sa nepoužívajú pri trénovaní modelu). Uveďte RMSE (stredná kvadratická chyba), R² (koeficient determinácie) a skreslenie. Ak je presnosť nedostatočná, model spresnite.

vii. Vytvorte mapy biomasy: Aplikujte validovaný model na celý rozsah obrazu, čím vytvoríte priestorovo súvislú mapu hustoty biomasy, kde každý pixel obsahuje predpokladanú hodnotu biomasy v Mg/ha alebo t/ha.

Modely a metódy používané na odhad biomasy

Výber modelu významne ovplyvňuje presnosť aj zovšeobecniteľnosť systému odhadu biomasy. Jednoduchšie modely sú transparentnejšie a spoľahlivejšie sa prenášajú na nové lokality. Komplexné modely strojového učenia dosahujú väčšiu presnosť z veľkých trénovacích súborov údajov, ale môžu sa prispôsobiť lokálnym podmienkam.

Empirické regresné modely vytvárajú priamy matematický vzťah medzi biomasou poľa a premennými diaľkového prieskumu Zeme – napríklad lineárnu regresiu medzi NDVI a výnosom sušiny plodín. Tieto modely sa ľahko interpretujú a rýchlo vypočítavajú, ale fungujú slabo, keď je vzťah medzi spektrom a biomasou nelineárny alebo keď hodnoty biomasy pokrývajú veľmi široký rozsah.

Metódy strojového učenia prekonávajú tieto obmedzenia učením sa zložitých, nelineárnych vzťahov z dát. Náhodný les (súbor rozhodovacích stromov, ktorý priemeruje predpovede naprieč stovkami jednotlivých stromov) je v súčasnosti najpoužívanejším algoritmom na odhad biomasy v lesníctve aj poľnohospodárstve.

Štúdia publikovaná v Hranice v rastlinnej vede (december 2024) preukázali, že metóda Random Forest aplikovaná na GEDI a dáta diaľkového prieskumu Zeme z viacerých zdrojov poskytla odhady biomasy smrekovco-jedľového lesa s R² významne vyšším ako pri regresných prístupoch s jedným senzorom.

• Stroj s podpornými vektormi (SVM): Nájde optimálnu separačnú hranicu medzi triedami biomasy vo vysokorozmernom priestore prvkov. SVM funguje dobre s malými až strednými trénovacími súbormi údajov a je odolný voči preusporiadaniu, ak je správne regularizovaný.
• Neurónové siete a hlboké učenie: Konvolučné neurónové siete (CNN) a hybridné architektúry CNN-LSTM spracovávajú priestorové a časové vzory v obrazoch súčasne. Štúdia z roku 2024 publikovaná v Diaľkový prieskum Zeme (MDPI) Porovnanie modelov RF, CNN a CNN-LSTM pre odhad lesnej biomasy v meste Hangzhou v Číne zistilo, že modely hlbokého učenia zachytili priestorový kontext, ktorý metódy jednobodovej regresie úplne prehliadli.
• Hybridné modely: Kombinujte fyzické modely vegetácie (ktoré simulujú rast rastlín na základe žiarenia a vstupov vody) so štatistickými kalibračnými vrstvami alebo vrstvami strojového učenia. Tieto prístupy sú čoraz viac uprednostňované, pretože vytvárajú fyzikálne realistické odhady biomasy, ktoré sa zovšeobecňujú naprieč regiónmi bez toho, aby sa spoliehali výlučne na lokálne tréningové údaje.

Faktory ovplyvňujúce presnosť odhadu biomasy

Aj tá najlepšia kombinácia senzorov a modelov vytvára nespoľahlivé mapy biomasy, keď je kvalita podkladových údajov nízka alebo keď fyzické prostredie prináša zdroje šumu. Pochopenie týchto faktorov obmedzujúcich presnosť je nevyhnutné pre každého, kto navrhuje program mapovania biomasy.

1. Saturácia signálu hustého lesa: V tropických lesoch s vysokým obsahom biomasy sa optické signály SAR a signály SAR v pásme C saturujú – prestávajú sa zvyšovať, aj keď biomasa naďalej rastie. NDVI sa saturuje pri hodnotách AGB nad približne 150–200 mg/ha, čo ho robí nespoľahlivým v starých tropických lesoch, kde biomasa môže dosiahnuť 400 – 600 Mg/ha. L-pásmové SAR a LiDAR sa nasýtia pri oveľa vyšších úrovniach biomasy a sú v týchto prostrediach uprednostňované.

2. Sezónne výkyvy: Odrazivosť vegetácie sa v priebehu sezón dramaticky mení. Hodnota NDVI z pšeničného poľa v apríli predstavuje zásadne odlišný stav biomasy ako to isté pole v auguste. Modely musia zohľadňovať sezónnu dynamiku alebo byť kalibrované samostatne pre každé fenologické štádium.

3. Rušenie oblačnosťou: Optické senzory strácajú dáta všade, kde sú prítomné oblaky. Vo vlhkých tropických oblastiach môže kontaminácia oblakmi ovplyvniť viac ako 70% snímok obrazu v danom roku, čo si vyžaduje alternatívy radaru alebo LiDARu alebo viacročné stratégie kompozície.

4. Zmiešané pixely: Pri strednom priestorovom rozlíšení (30 m – 250 m) jeden pixel obrazu často obsahuje zmes typov plodín, holej pôdy a vody. Spektrálny signál odráža priemer všetkých týchto povrchov, čo riedi signál vegetácie a zavádza systematickú chybu do predpovedí biomasy.

5. Účinky terénu: Svahovitý terén mení geometriu slnečného osvetlenia aj pozorovací uhol senzora, čím sa menia hodnoty odrazivosti zaznamenané senzorom. Topografická korekcia je v horských oblastiach nevyhnutná predtým, ako je možné spoľahlivo použiť akýkoľvek model biomasy.

Aplikácie mapovania pôdnej biomasy v rôznych sektoroch

Mapy biomasy pôdy vytvorené z údajov diaľkového prieskumu Zeme slúžia na praktické rozhodovanie v pozoruhodne širokej škále sektorov, od vládnych správ o klíme až po individuálne riadenie fariem.

Agentúry pre správu lesov Používajte mapy biomasy na stanovenie priorít ťažobných blokov, odhad udržateľného výnosu a zdokumentovanie súladu s certifikačnými normami. Mapy biomasy od steny po stenu nahrádzajú drahé inventarizácie lesov založené na vzorkách v regiónoch, kde je prístup do terénu logisticky náročný alebo neúmerne nákladný.

Odhad zásob uhlíka je jednou z ekonomicky najvýznamnejších aplikácií. Každý Mg nadzemnej biomasy obsahuje približne 0,47 Mg uhlíka (štandardný konverzný faktor IPCC). Presné mapy biomasy sa preto priamo premietajú do overených inventárov uhlíka, ktoré sú základom platieb REDD+ a dobrovoľných kreditov na trhu s uhlíkom. Overená mapa biomasy pokrývajúca koncesiu tropického lesa s rozlohou 500 000 hektárov môže predstavovať uhlíkové aktíva v hodnote stoviek miliónov dolárov.

• Presné poľnohospodárstvo: Mapy biomasy plodín získané zo snímok z dronov alebo zo satelitu Sentinel-2 identifikujú variabilitu rastu rastlín v podoblastiach polí, čo umožňuje aplikáciu hnojív a zavlažovania s variabilnými dávkami, čo znižuje vstupné náklady a zároveň chráni výnosy.
• Posúdenie paliva pri lesných požiaroch: Mŕtve drevo a suchá bylinná biomasa predstavujú palivo dostupné pre požiare. Mapy paliva získané z diaľkového prieskumu Zeme slúžia ako pomôcka pre predpísané programy spaľovania a plánovanie obmedzenia šírenia lesných požiarov v oblastiach náchylných na požiare.
• Ochrana biodiverzity: Vegetácia s vysokým obsahom biomasy a štrukturálne komplexnou štruktúrou zvyčajne podporuje väčšiu druhovú rozmanitosť. Mapy biomasy pomáhajú identifikovať prioritné chránené oblasti a sledovať obnovu obnovených biotopov v priebehu času.
• Plánovanie bioenergie: Vlády a energetické spoločnosti využívajú údaje o biomase z diaľkového prieskumu Zeme na posúdenie udržateľných dodávok poľnohospodárskych zvyškov a drevnej biomasy na výrobu bioenergie, čím zabezpečujú, aby miera ťažby neprekročila regeneračnú kapacitu ekosystému.

Výhody diaľkového prieskumu Zeme pre výpočet biomasy

Mapovanie biomasy založené na diaľkovom prieskume Zeme ponúka kombináciu možností, ktorým sa žiadny pozemný prístup nevyrovná. Tieto výhody vysvetľujú, prečo sa táto technológia v poslednom desaťročí v desiatkach krajín presunula z experimentálneho do prevádzkového stavu.

Nedeštruktívne meranie je pravdepodobne najzákladnejšou výhodou. Diaľkový prieskum Zeme zhromažďuje informácie o vegetácii bez jej zberu, kosenia alebo narúšania. To umožňuje opakované merania na presne tom istom mieste, čo je nevyhnutné na detekciu zmien biomasy v priebehu času – metriky, ktorá je najdôležitejšia pre meranie uhlíka a monitorovanie ekosystémov.

• Rozsiahle pokrytie s nízkymi marginálnymi nákladmi: Po nastavení senzora a spracovateľského kanála sú náklady na pridanie ďalšieho milióna hektárov do prieskumu biomasy v podstate nulové. Táto štruktúra nákladov je opakom terénnych prieskumov, kde náklady lineárne rastú s plochou.
• Časté časové aktualizácie: Sentinel-2 sa každých 5 dní vracia k akémukoľvek miestu na Zemi. Táto frekvencia umožňuje monitorovanie biomasy počas celého vegetačného obdobia a zachytenie dynamických zmien, ktoré jednoročné terénne prieskumy úplne prehliadajú.
• Schopnosť historickej analýzy: Archív Landsat obsahuje snímky od roku 1972. Výskumníci môžu rekonštruovať historické trajektórie biomasy, aby kvantifikovali kumulatívne odlesňovanie, posúdili obnovu ekosystému po narušení alebo stanovili východiskové podmienky pred narušením pre nároky na kompenzáciu.
• Zlepšené rozhodovanie pre správcov pôdy: Priestorovo explicitné mapy biomasy odhaľujú, kde v krajine sa biomasa hromadí, klesá alebo je stabilná – čo poskytuje správcom pôdy priestorovú presnosť na zacielenie zásahov tam, kde budú mať najväčší vplyv.

Obmedzenia a výzvy pri odhadovaní biomasy diaľkovým prieskumom Zeme

Diaľkové mapovanie biomasy je účinné, ale prináša so sebou skutočné technické obmedzenia, ktoré musia odborníci pochopiť predtým, ako sa spoliehajú na výstupy pri rozhodovaní s vysokými stávkami.

Saturácia signálu v hustých lesoch zostáva nevyriešenou výzvou pre optické a C-pásmové radarové senzory. Keď sa koruna stromov zatvára a biomasa sa hromadí nad prahovú hodnotu špecifickú pre senzor, spektrálny signál alebo signál spätného rozptylu sa s biomasou už nezvyšuje.

LiDAR sa tomuto problému vyhýba, pretože meria fyzickú štruktúru a nie spektrálnu odrazivosť, ale zber údajov z lietadla LiDAR zostáva drahý a vesmírny LiDAR, ako napríklad GEDI, poskytuje riedke, nesúvislé stopy namiesto pokrytia od steny k stene.

• Overenie poľa je povinné: Žiadny model diaľkového prieskumu Zeme neposkytuje spoľahlivé odhady biomasy bez kalibrácie a validácie oproti skutočným meraniam v teréne. Kvalita údajov v teréne priamo určuje kvalitu výslednej mapy – a zber reprezentatívnych údajov v teréne v heterogénnych krajinách je drahý aj technicky náročný.
• Atmosférické vplyvy si vyžadujú starostlivú korekciu: Aerosóly, vodná para a ozón rozptyľujú a absorbujú prichádzajúce a odrazené slnečné žiarenie, čím menia spektrálny signál skôr, ako dosiahne senzor. Nesprávna alebo neúplná atmosférická korekcia zavádza systematické chyby, ktoré sa šíria celým pracovným postupom odhadu biomasy.
• Spracovanie údajov si vyžaduje špecializované znalosti: Práca s časovými radmi diaľkového prieskumu Zeme vo veľkom rozsahu si vyžaduje znalosť geografických informačných systémov (GIS), programovacích jazykov ako Python alebo R a cloudových geopriestorových platforiem, ako je Google Earth Engine. Táto technická bariéra obmedzuje ich prijatie medzi agronómami a správcami pôdy bez znalosti dátovej vedy.
• Neistota modelu rastie so vzdialenosťou od trénovacích dát: Model biomasy kalibrovaný v brazílskom amazonskom lese môže mať slabé výsledky pri prenose do štrukturálne odlišného západoafrického lesa, a to aj v prípade, že oba sú klasifikované ako tropické vlhké lesy. Regionálne kalibračné súbory údajov sú nevyhnutné na udržanie presnosti v geograficky rozmanitých študijných oblastiach.

Budúce trendy v odhadovaní biomasy diaľkovým prieskumom Zeme

Technologická krajina pre mapovanie pôdnej biomasy sa rýchlo vyvíja. Niekoľko zbiehajúcich sa trendov by malo v nasledujúcich piatich až desiatich rokoch podstatne zlepšiť presnosť, dostupnosť a operačnú škálovateľnosť odhadu biomasy.

Mapovanie biomasy pomocou umelej inteligencie predstavuje najtransformatívnejší vývoj, aký práve prebieha. Architektúry hlbokého učenia – najmä konvolučné a transformátorové modely – spracovávajú súčasne všetky spektrálne, priestorové a časové informácie v časových radoch satelitov a extrahujú signály biomasy, ktoré jednoduchšie modely nedokážu detekovať.

Integrácia umelej inteligencie a strojového učenia v diaľkovom prieskume Zeme vzrástla o 35% medzi rokmi 2021 a 2026, podľa Business Research Insights, zásadne mení spôsob, akým sa údaje o vegetácii analyzujú vo veľkom meradle.

Misia BIOMASS Európskej vesmírnej agentúry, ktorá bola vypustená v roku 2024, nesie prvý vesmírny satelitný prijímač (SAR) v pásme P, ktorý je špeciálne navrhnutý na monitorovanie biomasy tropických lesov. Signály v pásme P (vlnová dĺžka okolo 70 cm) prenikajú hlboko do lesných porastov a dosahujú drevnaté stonky a veľké konáre, ku ktorým sa radary s kratšími vlnovými dĺžkami nedostanú.

Výskum publikovaný v Vedecké správy (apríl 2023) preukázala, že P-pásmový TomoSAR (tomografický SAR – technika, ktorá rekonštruuje trojrozmernú štruktúru lesa z viacerých prechodov radarom) priniesol sľubné odhady AGB v hustých tropických lesoch vo Francúzskej Guyane, čo poskytuje ukážku toho, čo misia BIOMASS prinesie v praxi.

• Fúzia údajov z viacerých senzorov vo veľkom meradle: Algoritmy, ktoré automaticky kombinujú optické, radarové a LiDAR dátové toky – pričom každý senzor vážia podľa jeho spoľahlivosti v danom ekosystéme a ročnom období – sa presúvajú z experimentálnych prototypov smerom k operačným nástrojom nasadeným na cloudových platformách.
• Monitorovanie biomasy v reálnom čase a takmer v reálnom čase: Cloudové geopriestorové platformy ako Google Earth Engine a Microsoft Planetary Computer teraz umožňujú nepretržité, automatizované spracovanie prichádzajúcich satelitných dátových tokov. V niekoľkých tropických krajinách už fungujú takmer reálne varovania pred odlesňovaním, ktoré sa spúšťajú do 24 – 48 hodín od udalostí straty lesov.
• Digitálne dvojčatá pre presné poľnohospodárstvo: Integrácia údajov o biomase získaných diaľkovým prieskumom Zeme s pôdnymi senzormi, poveternostnými modelmi a simulačnými modelmi plodín vytvára digitálne dvojčatá v mierke farmy – virtuálne repliky skutočných polí, ktoré umožňujú farmárom testovať scenáre hospodárenia pred ich implementáciou v reálnom svete.
• Integrácia presného poľnohospodárstva: Konvergencia cenovo dostupných senzorov z dronov, časových radov satelitov a analytiky riadenej umelou inteligenciou po prvýkrát finančne sprístupňuje monitorovanie biomasy v teréne jednotlivým farmárom, nielen výskumným inštitúciám a vládnym agentúram.

1. Ktorý satelit je najlepší na odhad biomasy? Neexistuje jeden najlepší satelit pre všetky situácie. Sentinel-2 sa najčastejšie používa na mapovanie plodín a lesnej biomasy so stredným rozlíšením. GEDI LiDAR poskytuje najpresnejšie údaje o výške koruny pre lesnú AGB. Sentinel-1 SAR je preferovanou voľbou v tropických oblastiach postihnutých oblačnosťou. Najlepší operačný prístup kombinuje viacero senzorov.

2. Dokážu drony presne odhadnúť biomasu? Áno. Drony vybavené multispektrálnymi kamerami alebo senzormi LiDAR dokážu odhadnúť biomasu plodín a maloplošných lesov s veľmi vysokým priestorovým rozlíšením. Odhady biomasy plodín založené na dronoch zvyčajne dosahujú korelácie R² = 0,80 – 0,95 s poľnými meraniami, keď sú lety načasované do vhodných štádií rastu a spektrálne senzory sú správne kalibrované.

3. Aká presná je odhad biomasy pomocou diaľkového prieskumu Zeme? Presnosť sa značne líši v závislosti od typu senzora, ekosystému a modelového prístupu. V miernych lesoch s dobrým pokrytím LiDAR môžu mapy biomasy dosiahnuť hodnoty RMSE 20 – 40 Mg/ha. V hustých tropických lesoch môžu iba optické prístupy vykazovať hodnoty RMSE 60 – 100 Mg/ha v dôsledku saturácie signálu. Modely fúzie viacerých senzorov konzistentne prekonávajú prístupy s jedným senzorom.

4. Prečo je odhad biomasy dôležitý pre klimatické zmeny? Lesy a poľnohospodárska krajina ukladajú obrovské množstvo uhlíka vo svojej biomase. Odlesňovanie a degradácia pôdy uvoľňujú tento uložený uhlík ako CO₂ do atmosféry, čím urýchľujú zmenu klímy. Presné mapy biomasy poskytujú základ pre overovanie zásob uhlíka, monitorovanie straty lesov a kvantifikáciu účinnosti programov zalesňovania a ochrany prírody v rámci medzinárodných klimatických rámcov, ako je REDD+.

5. Dokáže diaľkový prieskum Zeme odhadnúť podzemnú biomasu? Diaľkový prieskum Zeme nedokáže priamo merať podzemnú biomasu. Podzemná biomasa sa však bežne odhaduje z podzemnej biomasy pomocou koeficientov pomeru koreňov k výhonkom odvodených z terénnych štúdií a publikovaných organizáciami ako IPCC. Druhovo špecifické pomery koreňov k výhonkom sa vo väčšine lesných ekosystémov pohybujú od 0,15 do 0,40, čo umožňuje nepriamy odhad podzemnej biomasy všade tam, kde existujú mapy podzemnej biomasy.

Záver

Vypočítaná biomasa pôdy pomocou diaľkového prieskumu Zeme sa rozhodne presunula zo špecializovanej výskumnej techniky na operačnú schopnosť s priamymi dôsledkami pre produkciu potravín, správu lesov a klimatickú politiku. Konvergencia bezplatných satelitných údajov, dostupných platforiem cloud computingu a čoraz výkonnejších nástrojov strojového učenia umožnila mapovanie biomasy v mierke krajiny pre rastúci počet organizácií na celom svete.

Úloha diaľkového prieskumu Zeme v monitorovaní klímy bude len rásť s rozširovaním trhov s uhlíkom, zintenzívňovaním záväzkov monitorovania odlesňovania a zvyšovaním dopytu po overených údajoch o zásobách uhlíka v celej globálnej ekonomike. Vďaka tomu, že satelitná misia BIOMASS je teraz v prevádzke, GEDI pokračuje v rozširovaní svojho globálneho súboru údajov a modely umelej inteligencie dramaticky zlepšujú presnosť odhadov z fúzie údajov z viacerých senzorov, je schopnosť presne vedieť, kde sa biomasa hromadí, klesá alebo zostáva stabilná na zemskom povrchu, na dosah ruky.