Kategorija: Daljinsko zaznavanje

Tehnologija daljinskega zaznavanja je temeljito spremenila način merjenja, spremljanja in upravljanja žive mase kopenske površine našega planeta. Kopenska biomasa, izračunana z daljinskim zaznavanjem, ni več raziskovalna zanimivost, omejena na univerzitetne laboratorije – zdaj je ključno operativno orodje, ki ga uporabljajo vlade, gozdarske agencije, znanstveniki, ki se ukvarjajo s pridelki, in podnebni raziskovalci po vsem svetu.

Samo daljinsko zaznavanje na kmetijskem trgu je bilo ocenjeno na $3,8 milijarde leta 2025 in naj bi zrasel na $9,6 milijarde do leta 2034 na CAGR 10,9%, glede na poročilo Dataintelo o industriji iz leta 2026. Pomemben del te rasti je posledica povpraševanja po zanesljivih podatkih o biomasi za podporo ogljičnemu obračunavanju, preciznemu kmetijstvu in spremljanju okolja.

Kaj je kopenska biomasa?

Biomasa tal (skupna suha masa vsega organskega materiala na določenem območju) se meri v metričnih enotah, kot so ton na hektar (t/ha) ali megagramov na hektar (Mg/ha), kjer je 1 Mg enak 1 metrični toni. Predstavlja akumulirani produkt fotosinteze – ogljik, ki so ga rastline, drevesa in drugi organizmi ujeli iz ozračja in ga fiksirali v fizično snov.

Je eden najmočnejših kazalnikov zdravja ekosistemov, shranjevanja ogljika in produktivnosti pridelkov, vendar so tradicionalne metode merjenja na tleh že dolgo prepočasne, drage in prostorsko omejene, da bi zadostile potrebam sodobnega upravljanja zemljišč.

Nadzemna biomasa (AGB) in podzemna biomasa (BGB)

Znanstveniki delijo biomaso v dve glavni kategoriji. Nadzemna biomasa (AGB) zajema vse, kar raste nad površino tal – stebla, debla, veje, liste in stoječi odmrli les. Podzemna biomasa (BGB) zajema koreninske sisteme in drug podzemni organski material. V večini gozdnatih ekosistemov BGB predstavlja približno 20–30% celotne biomase, njegovo merjenje pa ostaja veliko težje kot ocenjevanje AGB.

Biomasa se deli tudi na živo biomaso (aktivno rastoči, presnovno aktiven rastlinski material) in odmrlo biomaso (stoječi ali odpadli odmrli les, suha stelja). Obe vrsti shranjujeta ogljik in prispevata k skupnemu ogljikovemu bazenu v krajini, vendar se različno odzivata na požare, bolezni in upravljavske posege.

Kot okoljski kazalnik ima biomasa edinstveno močan položaj. Visoke vrednosti biomase kažejo na produktivne, zdrave ekosisteme z močnim potencialom za vezavo ogljika. Upadajoči trendi biomase razkrivajo krčenje gozdov, stres zaradi suše, degradacijo tal ali prekomerno žetev. Za pridelovalce poljščin je nadzemna biomasa neposredno povezana s potencialom pridelka žita, zaradi česar je ena najbolj praktičnih metrik v preciznem kmetijstvu.

Zakaj izračunati kopensko biomaso z daljinskim zaznavanjem?

Tradicionalno ocenjevanje biomase se opira na terenske meritve: raziskovalci poberejo vzorčne parcele, posušijo rastlinski material v pečicah in ga stehtajo, da določijo suho maso na enoto površine. Ta uničujoč in delovno intenziven postopek deluje na ravni parcele, vendar postane popolnoma nepraktičen, ko potrebujete podatke o biomasi za nacionalni gozd, porečje ali celinsko kmetijsko območje. Ključne omejitve terenskih raziskav na terenu

1. Prostorska pokritost je močno omejena. Terenska ekipa lahko realno izmeri biomaso na nekaj deset parcelah na sezono. Satelit pokriva milijone hektarjev z enim samim nadvozom, zaradi česar je spremljanje na ravni pokrajine nemogoče brez daljinskega zaznavanja.

2. Terenske raziskave so drage in počasne. Napotitev usposobljenega osebja v oddaljene gozdove ali čez obsežna kmetijska območja zahteva znatna sredstva, logistično usklajevanje in čas – vse to pa se z naraščanjem območij raziskovanja slabo obnese.

3. Destruktivno vzorčenje škoduje ekosistemu. Žetev na parcelah za tehtanje biomase uniči prav preučevano vegetacijo, kar ni združljivo z dolgoročnimi programi spremljanja, ki zahtevajo ponavljajoče se meritve na isti lokaciji.

4. Časovna frekvenca je prenizka. Terenske ekipe običajno pregledajo lokacijo v najboljšem primeru enkrat letno. Sateliti lahko isto lokacijo obiščejo vsakih nekaj dni, kar omogoča stalno spremljanje sezonskih sprememb biomase in hiter odziv na dogodke, kot sta požar ali suša.

Daljinsko zaznavanje hkrati obravnava vse te omejitve. Ena sama satelitska slika Sentinel-2 zajema 290 km² na prizor pri 10-metrska prostorska ločljivost, ki zagotavlja ponovljive podatke o vegetaciji od stene do stene brez marginalnih stroškov na dodaten hektar. Uporaba, ki je odvisna od natančnih podatkov o kopenski biomasi, je obsežna:

• Ogljično obračunavanje in REDD+: Mednarodni podnebni okviri zahtevajo preverjene ocene zalog ogljika v gozdovih. Karte biomase na podlagi daljinskega zaznavanja zagotavljajo prostorsko pokritost in pogostost posodabljanja, ki je nacionalni gozdni popisi sami po sebi ne morejo zagotoviti.
• Kmetijski monitoring: Biomasa poljščin v različnih fazah rasti napoveduje končni pridelek, vpliva na načrtovanje namakanja in opozarja na zgodnji stres, preden ta povzroči izgubo produktivnosti.
• Gospodarjenje z gozdovi: Količina lesa, količina goriva za oceno tveganja požarov v naravi in ocena biotske raznovrstnosti so odvisni od zanesljivih ocen biomase na velikih gozdnih območjih.
• Upravljanje okolja: Spremljanje degradacije zemljišč, ocena mokrišč in odkrivanje invazivnih vrst uporabljajo spremembo biomase kot primarni signal.

Kako daljinsko zaznavanje meri kopensko biomaso: fizikalna načela

Vsak sistem daljinskega zaznavanja – pa naj bo to optični satelit, radar ali laser – zbira informacije o vegetaciji z merjenjem interakcije elektromagnetne energije z rastlinskim materialom. Razumevanje te interakcije je ključ do razumevanja, zakaj lahko daljinsko zaznavanje sploh oceni biomaso.

Rastline različno odbijajo, absorbirajo in oddajajo elektromagnetno sevanje, odvisno od njihove notranje kemije, vsebnosti vode, strukture listov in arhitekture krošnje. Klorofil (zeleni pigment, ki poganja fotosintezo) močno absorbira rdeče in modre valovne dolžine, hkrati pa odbija zeleno in bližnje infrardeče sevanje.

Zdrava, gosta vegetacija zato kaže značilen spektralni vzorec: nizko odbojnost rdečega sevanja, visoko odbojnost bližnjega infrardečega sevanja. Ta vzorec – imenovan spektralni podpis – je merljiv iz vesolja, njegova intenzivnost pa je povezana s količino rastlinskega materiala na enoto površine.

Od spektralnih signalov do vrednosti biomase

Senzorji zajamejo spektralni podpis in izračunajo vegetacijske indekse (matematična razmerja, ki kvantificirajo, kako močno se vegetacijski signal pojavi na dani sliki). Ti indeksi se nato povežejo z biomaso prek statističnih ali strojno-učnih modelov, ki so kalibrirani z uporabo meritev biomase, zbranih na terenu. Rezultat je prostorsko neprekinjen zemljevid biomase – vsaka slikovna pika na sliki dobi predvideno vrednost biomase.

Potek obdelave podatkov sledi jasnemu zaporedju. Surovi satelitski podatki prispejo z geometrijskimi popačenji in atmosferskimi motnjami. Predobdelava te napake popravi. Vegetacijski indeksi se izračunajo iz popravljenih posnetkov. Vzorci biomase, izmerjeni na terenu, služijo kot osnova za kalibracijo modela. Validirani model se nato uporabi na celotnem obsegu slike, da se ustvari končni zemljevid biomase.

Dodatni fizikalni signali, ki presegajo spektralno odbojnost, nosijo informacije o biomasi. Višina krošnje – kako visoka je vegetacija – je močan napovedovalec AGB. Gostota rastlin (koliko stebel na hektar) določa, koliko svetlobe se prestreže. Hrapavost površine (ki jo zazna radar) odraža strukturno kompleksnost krošnje. Senzorji, ki merijo te strukturne lastnosti in ne le odbojnost, pogosto zagotavljajo večjo natančnost ocene biomase.

Vrste daljinskega zaznavanja, ki se uporabljajo za oceno biomase

Noben posamezen senzor ne prevladuje pri ocenjevanju biomase v vseh ekosistemih in na vseh ravneh. Znanstveniki in strokovnjaki kombinirajo več vrst senzorjev glede na ciljno vegetacijo, proračun, zahtevano natančnost in geografsko pokritost.

Najbolj natančni zemljevidi biomase danes niso zgrajeni iz enega samega senzorja, temveč iz inteligentne fuzije optičnih, radarskih in LiDAR podatkov – pri čemer vsak zapolnjuje slepe pege drugih.

1. Optični satelitski posnetki: multispektralni in hiperspektralni

Optični senzorji zajemajo odbito sončno svetlobo v diskretnih spektralnih pasovih, ki običajno pokrivajo vidne valovne dolžine (modra, zelena, rdeča) in bližnje infrardeče sevanje (NIR). Večspektralni posnetki (podatki iz 4–10 spektralnih pasov) tvorijo hrbtenico večine operativnih programov kartiranja biomase po vsem svetu, predvsem zaradi brezplačnih, neprekinjenih podatkovnih tokov iz misij Sentinel-2 in Landsat.

Hiperspektralni posnetki (podatki iz stotin ozkih, sosednjih spektralnih pasov) zagotavljajo veliko natančnejše spektralne podrobnosti. Razločujejo rastlinske pigmente, vsebnost vode in kemijo listov na ravni, ki je multispektralni senzorji ne morejo.

Zaradi tega je še posebej uporaben za zaznavanje subtilnih razlik v gostoti biomase na travnikih in kmetijskih poljih. Glavna omejitev hiperspektralnih posnetkov je oblačnost: optični senzorji ne morejo videti skozi oblake, kar povzroča znatne vrzeli v podatkih v vlažnih tropskih regijah, kjer je ocena biomase najpomembnejša.

Med pogostimi sateliti, ki se uporabljajo za optično kartiranje biomase, so Landsat 8/9 (ločljivost 30 metrov, 16-dnevni ponovni obisk), Sentinel-2 (ločljivost 10 metrov, 5-dnevni ponovni obisk) in PlanetScope (ločljivost 3 metrov, dnevni ponovni obisk za komercialne namene).

2. Radar (SAR): Vidi skozi oblake in v krošnje sončnih žarkov

Sintetični aperturni radar (SAR) – sistem, ki oddaja mikrovalovne impulze in meri energijo, ki se odbije od zemeljske površine – v celoti rešuje problem oblačnosti. Mikrovalovna energija prehaja skozi oblake in meglico brez motenj, zaradi česar je SAR senzor izbire za spremljanje tropskih gozdov, kjer zaradi vztrajne oblačnosti optične slike skoraj niso uporabne.

SAR signali prodrejo tudi v krošnje vegetacije, kjer interagirajo z olesenelimi stebli in vejami, ne le z zgornjo površino listov. Daljša kot je valovna dolžina radarja, globlje prodre signal. SAR v L-pasu (valovna dolžina okoli 23 cm, ki jo uporablja ALOS-2 in PALSAR-2) prodre v spodnje krošnje in interagira z veliko lesno biomaso, zaradi česar je še posebej primeren za ocenjevanje AGB v tropskih gozdovih.

SAR v pasu C (valovna dolžina okoli 5 cm, ki jo uporablja Sentinel-1) je bolj občutljiv na strukturo površinske krošnje in se pogosto uporablja za spremljanje biomase poljščin.

Raziskava, objavljena v Revija za gozdarske raziskave (Springer Nature, 2021) je ugotovila, da so podatki SAR tako iz L-pasu kot iz Sentinel-1 v C-pasu omogočili zadovoljive ocene zalog ogljika, pri čemer so skupne zaloge ogljika na preučevanem območju sredozemskega gozda dosegle približno 130 t/ha po nadzemni in podzemni površini, odmrlem lesu, odpadkih in talnih lužah skupaj.

3. LiDAR: Zlati standard za strukturno kartiranje biomase

LiDAR (zaznavanje in določanje razdalje svetlobe) oddaja laserske impulze in meri natančen čas, ki ga ti potrebujejo, da se odbijejo od ciljne površine. Ta časovna zaznava se neposredno pretvori v tridimenzionalne oblake točk (goste zemljevide natančnega mesta, kjer se je vsak laserski impulz odbil), ki razkrivajo višino krošnje, strukturo krošnje in nadmorsko višino tal z natančnostjo do centimetra.

Višina dreves je med najmočnejšimi napovedovalci nadzemne biomase – višja drevesa nosijo eksponentno več biomase kot nižja. Višinski modeli, pridobljeni z LiDAR-jem, v kombinaciji z alometričnimi enačbami, izmerjenimi na terenu (vrstno specifičnimi matematičnimi razmerji med višino, premerom in maso drevesa), dajejo ocene biomase, ki v gozdnatih pokrajinah dosledno prekašajo optične ali radarske pristope.

Nasina misija GEDI (Global Ecosystem Dynamics Investigation) – večžarkovni instrument LiDAR, nameščen na Mednarodni vesoljski postaji – predstavlja prvi namensko zgrajen vesoljski sistem LiDAR za oceno globalne biomase. GEDI zbira podatke od 51,6° severne do 51,6° južne zemljepisne širine, ki pokrivajo glavna tropska in zmerna gozdna območja na svetu.

4. Daljinsko zaznavanje z droni: terensko merilo visoke ločljivosti

Brezpilotna letala (UAV), običajno imenovana droni, premostijo vrzel med satelitskimi in terenskimi meritvami. Dron, ki nosi RGB kamere, zajema slike centimetrske ločljivosti, ki razločujejo posamezne rastline.

Multispektralni senzorji dronov izračunavajo natančne indekse vegetacije na ravni parcele. Droni, opremljeni z LiDAR-jem, ustvarjajo goste oblake točk, ki omogočajo oceno biomase s strukturno natančnostjo LiDAR-ja iz zraka za delček stroškov.

Za pridelovalce poljščin je kartiranje biomase z droni še posebej praktično. En sam prelet nad pšeničnim ali koruznim poljem med vegetativno rastjo ustvari zemljevid gostote biomase, ki označuje območja z omejenim pridelkom – območja z nizko biomaso, ki morda potrebujejo dodatno gnojilo ali namakanje, preden škoda postane nepopravljiva.

Vegetacijski indeksi, ki se uporabljajo za oceno biomase

Vegetacijski indeksi so matematični most med surovimi vrednostmi spektralne odbojnosti in biološkimi informacijami o gostoti in zdravju rastlin. Vsak indeks izkorišča določen del elektromagnetnega spektra, kjer se vegetacija obnaša značilno.

NDVI (normalizirani indeks razlike v vegetaciji) je najpogosteje uporabljen. Razliko med odbojnostjo bližnjega infrardečega (NIR) in rdečega sevanja deli z njuno vsoto: NDVI = (NIR – rdeča) / (NIR + rdeča). Vrednosti se gibljejo od -1 do +1, pri čemer zdrava gosta vegetacija običajno doseže med 0,6 in 0,9.

NDVI močno korelira z indeksom listne površine (LAI - skupna enostranska listna površina na enoto površine tal) in s tem s fotosintetsko zmogljivostjo in kopičenjem biomase.

• EVI (izboljšan vegetacijski indeks) Popravlja atmosferske vplive in motnje talnega ozadja, zaradi česar je zanesljivejši od NDVI v tropskih gozdovih z visoko biomaso in na območjih s svetlo ali izpostavljeno zemljo.
• SAVI (indeks vegetacije, prilagojen tlom) vključuje korekcijski faktor svetlosti tal, kar je še posebej pomembno v sušnih in polsušnih kmetijskih okoljih, kjer gola tla med vrstami poljščin močno vplivajo na spektralni signal.
• GNDVI (indeks zelene normalizirane razlike v vegetaciji) v formuli NDVI nadomešča zeleno odbojnost z rdečo, zaradi česar je bolj občutljiva na spremembe koncentracije klorofila in uporabna za spremljanje biomase poljščin v pozni sezoni, ko so krošnje že popolnoma zaprte.

Indeks listne površine (LAI) si zasluži posebno omembo, saj je tako rezultat daljinskega zaznavanja kot tudi neposreden dejavnik kopičenja biomase. Rastline z višjim LAI prestrežejo več sončnega sevanja, vežejo več ogljika in proizvedejo več biomase. Zemljevidi LAI, pridobljeni z daljinskim zaznavanjem, ustvarjeni iz časovnih vrst MODIS ali Sentinel-2, se neposredno vnašajo v modele rasti poljščin, ki simulirajo nastanek pridelka in končno biomaso, ki jo je mogoče pridelati.

Ključni viri podatkov za oceno biomase kopnega

Izbira pravega vira podatkov je odvisna od obsega študije, vrste vegetacije, zahtevane prostorske ločljivosti in razpoložljivega proračuna. Spodaj so navedeni primarni podatkovni tokovi, ki se trenutno uporabljajo pri operativnem in raziskovalnem kartiranju biomase. Brezplačni satelitski podatki z odprtim dostopom iz satelitov Landsat in konstelacije Sentinel so demokratizirali kartiranje biomase, zaradi česar je dostopno raziskovalcem in agencijam, ki nimajo proračuna za komercialno slikanje.

i. Landsat (NASA/USGS): Več kot 50 let neprekinjenih podatkov, ločljivost 30 metrov, prost dostop. Časovne vrste Landsat omogočajo zgodovinsko analizo sprememb biomase vse do sedemdesetih let prejšnjega stoletja, kar zagotavlja neprekosljiv kontekst za spremljanje krčenja gozdov in degradacije zemljišč.

ii. Sentinel-2 (ESA): 10-metrska ločljivost v ključnih spektralnih pasovih, 5-dnevni ponovni obisk, prost dostop. Sentinel-2 je zaradi svoje kombinacije ločljivosti in frekvence trenutni standard za spremljanje biomase poljščin in regionalne ocene gozdov.

iii. Sentinel-1 (ESA): SAR v pasu C, zmogljivost delovanja v vseh vremenskih razmerah, prost dostop. Sentinel-1 je primarni radarski vir za spremljanje tropskega območja, ki ga prizadenejo oblaki, in biomase poljščin na območjih, kjer so vrzeli v optičnih podatkih stalna težava.

iv. MODIS (NASA): Ločljivost 250 m–1 km, dnevna globalna pokritost. Časovne vrste MODIS so idealne za zaznavanje sprememb biomase na celinski ravni in sezonsko spremljanje, čeprav groba ločljivost omejuje uporabnost v razdrobljenih pokrajinah.

proti PlanetScope: 3-metrska ločljivost, dnevni obisk, komercialna naročnina. PlanetScope zagotavlja spremljanje biomase na ravni posameznega polja in podpira aplikacije preciznega kmetijstva, kjer je pomembna prostorska spremenljivost podpolja.

vi. NASA GEDI LiDAR: Premer odtisa 25 metrov, globalna pokritost tropskega in zmernega pasu, brezplačni podatkovni izdelki. GEDI je glavni vesoljski vir za višino krošenj in gostoto AGB na svetovni ravni.

vii. ICESat-2 (NASA): LiDAR s štetjem fotonov in globalnim pokrivanjem, še posebej močan za merjenje višine krošenj v gozdovih na visokih zemljepisnih širinah in zaznavanje drobnih sprememb višine.

Koraki za izračun biomase kopnega z uporabo daljinskega zaznavanja

Ocenjevanje kopenske biomase z uporabo podatkov daljinskega zaznavanja sledi strukturiranemu poteku dela. Vsak korak je odvisen od natančnosti prejšnjega. Izogibanje napakam pri predobdelavi ali terenski validaciji vodi v napake na končnem zemljevidu biomase.

i. Izberite ustrezne slikovne materiale: Izberite senzor, prostorsko ločljivost in časovno obdobje glede na ciljni ekosistem in cilj študije. Spremljanje gozdne biomase običajno zahteva podatke Sentinel-1 ali GEDI; spremljanje biomase poljščin običajno uporablja Sentinel-2 ali multispektralne posnetke z droni.

ii. Predobdelava slik: Uporabite atmosfersko korekcijo za pretvorbo surovih digitalnih številk v vrednosti odbojnosti površine. Izvedite geometrijsko korekcijo, da zagotovite natančno poravnavo slike z realnimi koordinatami. Odstranite slikovne pike, onesnažene z oblaki, in jih po potrebi nadomestite s časovnim sestavljanjem.

iii. Izračunajte vegetacijske indekse: Iz popravljenih pasov odbojnosti površine izračunajte NDVI, EVI, SAVI, GNDVI ali druge ustrezne indekse. Za podatke LiDAR iz oblaka točk izpeljite metrike višine krošnje (največja višina, višina 95. percentila, povprečna višina).

iv. Zbiranje vzorcev poljske biomase: Nadzemno biomaso izmerite na reprezentativnih parcelah znotraj preučevanega območja z uporabo destruktivne sečnje ali alometričnih enačb, uporabljenih za meritve premera in višine dreves. Te terenske vrednosti so osnovna resnica, na kateri temelji model.

v. Izdelava napovednih modelov: Izvedite regresijsko analizo meritev biomase na terenu glede na sočasno nameščene spremenljivke daljinskega zaznavanja (indeksi vegetacije, metrike višine krošnje, vrednosti povratnega sipanja SAR). Uporabite regresijsko analizo, naključni gozd, stroj podpornih vektorjev ali pristope nevronske mreže, odvisno od kompleksnosti odnosa in količine razpoložljivih učnih podatkov.

vi. Validacija rezultatov modela: Za oceno natančnosti napovedi uporabite nabor podatkov za validacijo (terenski diagrami, ki se ne uporabljajo pri učenju modela). Poročajte o RMSE (koren povprečne kvadratne napake), R² (koeficientu determinacije) in pristranskosti. Če natančnost ni zadostna, izboljšajte model.

vii. Ustvarite zemljevide biomase: Validirani model uporabite na celotnem obsegu slike in ustvarite prostorsko neprekinjen zemljevid gostote biomase, kjer vsaka slikovna pika vsebuje predvideno vrednost biomase v Mg/ha ali t/ha.

Modeli in metode, uporabljeni za oceno biomase

Izbira modela pomembno vpliva tako na natančnost kot na posplošljivost sistema za ocenjevanje biomase. Enostavnejši modeli so bolj pregledni in se zanesljiveje prenašajo na nove lokacije. Kompleksni modeli strojnega učenja iz velikih učnih naborov podatkov iztisnejo večjo natančnost, vendar se lahko preveč prilagodijo lokalnim pogojem.

Empirični regresijski modeli vzpostavljajo neposredno matematično povezavo med poljsko biomaso in spremenljivkami daljinskega zaznavanja – na primer linearno regresijo med NDVI in donosom suhe snovi pridelka. Te modele je enostavno interpretirati in hitro izračunati, vendar se slabo obnesejo, kadar je spektralno-biomasno razmerje nelinearno ali kadar vrednosti biomase segajo v zelo širok razpon.

Metode strojnega učenja premagajo te omejitve z učenjem kompleksnih, nelinearnih odnosov iz podatkov. Naključni gozd (ansambel odločitvenih dreves, ki povpreči napovedi za stotine posameznih dreves) je trenutno najpogosteje uporabljen algoritem za ocenjevanje biomase tako v gozdarstvu kot v kmetijstvu.

Študija, objavljena v Meje v rastlinski znanosti (december 2024) je pokazal, da je metoda Random Forest, uporabljena za GEDI in podatke daljinskega zaznavanja iz več virov, dala ocene biomase smrekovega in jelovega gozda z R², ki je bistveno višji kot pri pristopih z enim samim senzorjem.

• Stroj podpornih vektorjev (SVM): Poišče optimalno mejo ločevanja med razredi biomase v visokodimenzionalnem prostoru značilnosti. SVM se dobro obnese pri majhnih do srednje velikih učnih naborih podatkov in je ob pravilni regularizaciji robusten proti prekomernemu prilagajanju.
• Nevronske mreže in globoko učenje: Konvolucijske nevronske mreže (CNN) in hibridne arhitekture CNN-LSTM hkrati obdelujejo prostorske in časovne vzorce v slikah. Študija iz leta 2024, objavljena v Daljinsko zaznavanje (MDPI) Primerjava modelov RF, CNN in CNN-LSTM za oceno gozdne biomase v Hangzhouu na Kitajskem je pokazala, da modeli globokega učenja zajamejo prostorski kontekst, ki ga metode enotočkovne regresije v celoti zgrešijo.
• Hibridni modeli: Združite fizične modele vegetacije (ki simulirajo rast rastlin na podlagi sevanja in vnosa vode) s statističnimi ali strojno učnimi kalibracijskimi plastmi. Ti pristopi so vse bolj priljubljeni, ker gradijo fizično realistične ocene biomase, ki se posplošujejo v vseh regijah, ne da bi se zanašali izključno na lokalne podatke o učenju.

Dejavniki, ki vplivajo na natančnost ocene biomase

Tudi najboljša kombinacija senzorjev in modelov ustvari nezanesljive karte biomase, kadar je kakovost osnovnih podatkov slaba ali kadar fizično okolje uvaja vire šuma. Razumevanje teh dejavnikov, ki omejujejo natančnost, je bistvenega pomena za vsakogar, ki načrtuje program za kartiranje biomase.

1. Nasičenost signala gostega gozda: V tropskih gozdovih z visoko biomaso se optični in C-pasovni SAR signali nasičijo – nehajo se povečevati, tudi ko biomasa še naprej narašča. NDVI se nasiči pri vrednostih AGB nad približno 150–200 mg/ha, zaradi česar je nezanesljiv v starodavnih tropskih gozdovih, kjer lahko biomasa doseže 400–600 Mg/ha. SAR in LiDAR v L-pasu se nasičita pri veliko višjih ravneh biomase in sta v teh okoljih prednostna.

2. Sezonske spremembe: Odbojnost vegetacije se med sezonami dramatično spreminja. Vrednost NDVI s pšeničnega polja aprila predstavlja bistveno drugačno stanje biomase kot isto polje avgusta. Modeli morajo upoštevati sezonsko dinamiko ali pa jih je treba kalibrirati ločeno za vsako fenološko fazo.

3. Motnje zaradi oblačnosti: Optični senzorji izgubljajo podatke povsod, kjer so prisotni oblaki. V vlažnih tropskih območjih lahko onesnaženje z oblaki vpliva na več kot 70% zajemanja slik v danem letu, kar zahteva alternative radarskim ali LiDAR-jem ali večletne strategije komponiranja.

4. Mešani slikovni elementi: Pri zmernih prostorskih ločljivostih (30 m–250 m) en sam slikovni pik pogosto vsebuje mešanico vrst poljščin, gole zemlje in vode. Spektralni signal odraža povprečje vseh teh površin, kar razredči signal vegetacije in v napovedi biomase vnaša sistematično napako.

5. Učinki terena: Nagnjen teren spremeni geometrijo sončne osvetlitve in kota gledanja senzorja, s čimer se spremenijo vrednosti odbojnosti, ki jih senzor zazna. Topografska korekcija je v gorskih območjih obvezna, preden se lahko zanesljivo uporabi kateri koli model biomase.

Uporaba kartiranja kopenske biomase v različnih sektorjih

Karte kopenske biomase, pridobljene iz podatkov daljinskega zaznavanja, prispevajo k praktičnemu odločanju v izjemno širokem razponu sektorjev, od vladnega poročanja o podnebju do upravljanja posameznih kmetij.

Agencije za upravljanje gozdov Uporabite karte biomase za določanje prioritet sečnje, oceno trajnostnega donosa in dokumentiranje skladnosti s standardi certificiranja. Karte biomase od stene do stene nadomeščajo drage vzorčne gozdne popise v regijah, kjer je dostop do terena logistično težaven ali predrag.

Ocena zaloge ogljika je ena od ekonomsko najpomembnejših uporab. Vsak Mg nadzemne biomase vsebuje približno 0,47 mg ogljika (standardni pretvorbeni faktor IPCC). Natančni zemljevidi biomase se tako neposredno prevedejo v preverjene evidence ogljika, ki podpirajo plačila REDD+ in prostovoljne dobropise na trgu ogljika. Preverjen zemljevid biomase, ki zajema koncesijo za tropski gozd s površino 500.000 hektarjev, lahko predstavlja več sto milijonov dolarjev ogljičnih sredstev.

• Precizno kmetijstvo: Karte biomase poljščin, pridobljene s posnetki dronov ali satelitov Sentinel-2, prepoznavajo variabilnost podpolja v rasti rastlin, kar omogoča uporabo gnojil in namakanja s spremenljivo količino, kar zmanjšuje vhodne stroške in hkrati varuje pridelek.
• Ocena goriva za požare v naravi: Mrtvi les in suha zelnata biomasa predstavljata gorivo, ki je na voljo za požare. Karte goriv, pridobljene z daljinskim zaznavanjem, vodijo predpisane programe kurjenja in načrtovanje zadrževanja požarov v naravi v požarno nagnjenih pokrajinah.
• Ohranjanje biotske raznovrstnosti: Rastlinstvo z visoko vsebnostjo biomase in strukturno kompleksnostjo običajno podpira večjo vrstno raznolikost. Zemljevidi biomase pomagajo prepoznati prednostna območja ohranjanja in spremljati okrevanje obnovljenih habitatov skozi čas.
• Načrtovanje bioenergije: Vlade in energetska podjetja uporabljajo podatke o biomasi z daljinskim zaznavanjem za oceno trajnostne oskrbe s kmetijskimi ostanki in lesno biomaso za proizvodnjo bioenergije, s čimer zagotavljajo, da stopnje sečnje ne presegajo zmogljivosti regeneracije ekosistema.

Prednosti daljinskega zaznavanja za izračun biomase

Kartiranje biomase na podlagi daljinskega zaznavanja ponuja kombinacijo zmogljivosti, s katerimi se noben zemeljski pristop ne more kosati. Te prednosti pojasnjujejo, zakaj je tehnologija v zadnjem desetletju v številnih državah prešla iz eksperimentalnega v operativno stanje.

Nedestruktivne meritve so morda najpomembnejša prednost. Daljinsko zaznavanje zbira informacije o vegetaciji brez pobiranja, rezanja ali motenja. To omogoča ponavljajoče se meritve na popolnoma isti lokaciji, kar je bistveno za zaznavanje sprememb biomase skozi čas – metrike, ki je najpomembnejša za obračunavanje ogljika in spremljanje ekosistemov.

• Obsežna pokritost z nizkimi mejnimi stroški: Ko sta senzor in procesni cevovod postavljena, so stroški dodajanja milijona hektarjev k raziskavi biomase v bistvu nični. Ta struktura stroškov je obratna terenskim raziskavam, kjer se stroški linearno povečujejo s površino.
• Pogoste časovne posodobitve: Sentinel-2 ponovno obišče katero koli lokacijo na Zemlji vsakih 5 dni. Ta frekvenca omogoča spremljanje biomase skozi celotno rastno sezono in zajemanje dinamičnih sprememb, ki jih posamezne letne terenske raziskave popolnoma spregledajo.
• Zmožnost zgodovinske analize: Arhiv Landsat vsebuje posnetke od leta 1972 naprej. Raziskovalci lahko rekonstruirajo zgodovinske poti biomase, da bi količinsko opredelili kumulativno krčenje gozdov, ocenili okrevanje ekosistema po motnjah ali določili izhodiščne pogoje pred motnjami za odškodninske zahtevke.
• Izboljšano odločanje upravljavcev zemljišč: Prostorsko eksplicitni zemljevidi biomase razkrivajo, kje v pokrajini se biomasa kopiči, zmanjšuje ali stabilizira – kar upravljavcem zemljišč daje prostorsko natančnost za usmerjanje posegov tja, kjer bodo imeli največji vpliv.

Omejitve in izzivi pri ocenjevanju biomase z daljinskim zaznavanjem

Daljinsko zaznavanje kartiranja biomase je zmogljivo, vendar ima resnične tehnične omejitve, ki jih morajo strokovnjaki razumeti, preden se zanašajo na rezultate pri odločitvah z visokimi vložki.

Nasičenost signala v gostih gozdovih ostaja nerešen izziv za optične in radarske senzorje v pasu C. Ko se krošnja dreves zapira in se biomasa kopiči nad pragom, specifičnim za senzor, se spektralni ali povratni sipalni signal ne povečuje več z biomaso.

LiDAR se tej težavi izogne, ker meri fizično strukturo in ne spektralne odbojnosti, vendar zbiranje podatkov iz zraka z LiDAR-jem ostaja drago, vesoljski LiDAR, kot je GEDI, pa zagotavlja redke, nesosednje odtise namesto pokritosti od stene do stene.

• Validacija polja je obvezna: Noben model daljinskega zaznavanja ne daje zanesljivih ocen biomase brez kalibracije in validacije glede na dejanske terenske meritve. Kakovost terenskih podatkov neposredno določa kakovost končnega zemljevida – zbiranje reprezentativnih terenskih podatkov v heterogenih pokrajinah pa je drago in tehnično zahtevno.
• Atmosferski učinki zahtevajo skrbno korekcijo: Aerosoli, vodna para in ozon sipajo in absorbirajo vhodno in odbito sončno sevanje, s čimer spremenijo spektralni signal, preden doseže senzor. Nepravilna ali nepopolna atmosferska korekcija uvaja sistematične napake, ki se širijo skozi celoten potek dela za ocenjevanje biomase.
• Obdelava podatkov zahteva specializirano znanje: Delo z daljinsko zaznanimi časovnimi vrstami v velikem obsegu zahteva poznavanje geografskih informacijskih sistemov (GIS), programskih jezikov, kot sta Python ali R, in geoprostorskih platform v oblaku, kot je Google Earth Engine. Ta tehnična ovira omejuje uporabo med agronomi in upravljavci zemljišč brez znanja s področja podatkovne znanosti.
• Negotovost modela narašča z oddaljenostjo od učnih podatkov: Model biomase, kalibriran v brazilskem amazonskem gozdu, se lahko slabo obnese, če ga prenesemo v strukturno drugačen zahodnoafriški gozd, tudi če sta oba razvrščena kot tropski vlažni gozd. Regionalni kalibracijski nabori podatkov so bistveni za ohranjanje natančnosti na geografsko raznolikih študijskih območjih.

Prihodnji trendi pri ocenjevanju biomase z daljinskim zaznavanjem

Tehnološko okolje za kartiranje kopenske biomase se hitro razvija. Več konvergirajočih trendov bo v naslednjih petih do desetih letih bistveno izboljšalo natančnost, dostopnost in operativno skalabilnost ocenjevanja biomase.

Kartiranje biomase, ki ga poganja umetna inteligenca, predstavlja najbolj transformativen razvoj v teku. Arhitekture globokega učenja – zlasti konvolucijski in transformatorski modeli – hkrati obdelujejo celotne spektralne, prostorske in časovne informacije v časovnih vrstah satelitov, s čimer pridobivajo signale biomase, ki jih enostavnejši modeli ne morejo zaznati.

Integracija umetne inteligence in strojnega učenja v daljinsko zaznavanje se je povečala za 35% med letoma 2021 in 2026, po podatkih podjetja Business Research Insights, temeljito spreminja način analize podatkov o vegetaciji v velikem obsegu.

Misija Evropske vesoljske agencije BIOMASS, ki je bila izstreljena leta 2024, nosi prvi vesoljski satelitski sprejemnik (SAR) v pasu P, posebej zasnovan za spremljanje biomase tropskih gozdov. Signali v pasu P (valovna dolžina okoli 70 cm) prodrejo globoko v gozdne krošnje in dosežejo lesnata stebla in velike veje, do katerih radarji s krajšimi valovnimi dolžinami ne morejo dostopati.

Raziskava, objavljena v Znanstvena poročila (april 2023) je pokazala, da je P-pasovni TomoSAR (tomografski SAR – tehnika, ki rekonstruira tridimenzionalno strukturo gozda iz več radarskih prehodov) ustvaril obetavne ocene AGB v gostih tropskih gozdovih v Francoski Gvajani, kar je zagotovilo predogled tega, kaj bo misija BIOMASS operativno prinesla.

• Združevanje podatkov iz več senzorjev v velikem obsegu: Algoritmi, ki samodejno združujejo optične, radarske in LiDAR podatkovne tokove – pri čemer vsak senzor ponderirajo glede na njegovo zanesljivost v danem ekosistemu in sezoni – se premikajo od eksperimentalnih prototipov k operativnim orodjem, nameščenim na platformah v oblaku.
• Spremljanje biomase v realnem in skoraj realnem času: Geoprostorske platforme v oblaku, kot sta Google Earth Engine in Microsoft Planetary Computer, zdaj omogočajo neprekinjeno, avtomatizirano obdelavo dohodnih satelitskih podatkovnih tokov. Opozorila o krčenju gozdov v skoraj realnem času, ki se sprožijo v 24–48 urah po dogodkih izgube gozdov, že delujejo v več tropskih državah.
• Digitalni dvojčki za precizno kmetijstvo: Integracija podatkov o biomasi, pridobljenih z daljinskim zaznavanjem, s senzorji tal, vremenskimi modeli in modeli simulacije pridelkov ustvarja digitalne dvojčke na ravni kmetije – virtualne replike resničnih polj, ki kmetom omogočajo, da preizkusijo scenarije upravljanja, preden jih uvedejo v resničnem svetu.
• Integracija preciznega kmetijstva: Zbliževanje cenovno dostopnih senzorjev z droni, časovnih vrst s sateliti in analitike, ki jo poganja umetna inteligenca, prvič omogoča finančno dostopnost spremljanja biomase na terenu posameznim kmetom, ne le raziskovalnim ustanovam in vladnim agencijam.

1. Kateri satelit je najboljši za oceno biomase? Ni enega najboljšega satelita za vse situacije. Sentinel-2 se najpogosteje uporablja za kartiranje poljščin in gozdne biomase z zmerno ločljivostjo. GEDI LiDAR zagotavlja najnatančnejše podatke o višini krošenj za gozdno AGB. Sentinel-1 SAR je prednostna izbira v tropskih območjih, ki jih prizadenejo oblaki. Najboljši operativni pristop združuje več senzorjev.

2. Ali lahko droni natančno ocenijo biomaso? Da. Droni, opremljeni z multispektralnimi kamerami ali senzorji LiDAR, lahko ocenijo biomaso poljščin in gozdov na majhnih površinah z zelo visoko prostorsko ločljivostjo. Ocene biomase poljščin, pridobljene z droni, običajno dosegajo korelacije R² = 0,80–0,95 z meritvami na terenu, kadar so leti časovno usklajeni z ustreznimi rastnimi fazami in so spektralni senzorji pravilno kalibrirani.

3. Kako natančna je ocena biomase z daljinskim zaznavanjem? Natančnost se precej razlikuje glede na vrsto senzorja, ekosistem in pristop k modelu. V zmernih gozdovih z dobro pokritostjo LiDAR lahko karte biomase dosežejo vrednosti RMSE od 20 do 40 Mg/ha. V gostih tropskih gozdovih lahko samo optični pristopi zaradi nasičenosti signala pokažejo vrednosti RMSE od 60 do 100 Mg/ha. Modeli z več senzorji v fuziji dosledno prekašajo pristope z enim senzorjem.

4. Zakaj je ocena biomase pomembna za podnebne spremembe? Gozdovi in kmetijske krajine shranjujejo ogromne količine ogljika v svoji biomasi. Krčenje gozdov in degradacija zemljišč sproščata ta shranjeni ogljik kot CO₂ v ozračje, kar pospešuje podnebne spremembe. Natančni zemljevidi biomase zagotavljajo osnovo za preverjanje zalog ogljika, spremljanje izgube gozdov in količinsko opredelitev učinkovitosti programov pogozdovanja in ohranjanja v okviru mednarodnih podnebnih okvirov, kot je REDD+.

5. Ali lahko daljinsko zaznavanje oceni biomaso pod zemljo? Daljinsko zaznavanje ne more neposredno izmeriti podzemne biomase. Vendar pa se podzemna biomasa (BGB) običajno ocenjuje iz podzemne biomase (AGB) z uporabo koeficientov razmerja med koreninami in poganjki, ki izhajajo iz terenskih študij in jih objavljajo organizacije, kot je IPCC. Razmerja med koreninami in poganjki, specifična za vrsto, se v večini gozdnih ekosistemov gibljejo od 0,15 do 0,40, kar omogoča posredno oceno BGB, kjer koli obstajajo zemljevidi AGB.

Zaključek

Izračun kopenske biomase z daljinskim zaznavanjem se je odločno premaknil iz specializirane raziskovalne tehnike v operativno zmogljivost z neposrednimi posledicami za proizvodnjo hrane, upravljanje gozdov in podnebno politiko. Združevanje brezplačnih satelitskih podatkov, dostopnih platform za računalništvo v oblaku in vse bolj zmogljivih orodij za strojno učenje je omogočilo kartiranje biomase v merilu pokrajine za vse večje število organizacij po vsem svetu.

Vloga daljinskega zaznavanja pri spremljanju podnebja se bo le še povečevala s širitvijo trgov ogljika, krepitvijo obveznosti spremljanja krčenja gozdov in naraščanjem povpraševanja po preverjenih podatkih o zalogah ogljika v svetovnem gospodarstvu. Ker je satelitska misija BIOMASS zdaj operativna, GEDI še naprej širi svoj globalni nabor podatkov in modeli umetne inteligence dramatično izboljšujejo natančnost ocenjevanja z združevanjem podatkov več senzorjev, je zmožnost natančnega ugotavljanja, kje se biomasa kopiči, zmanjšuje ali ostaja stabilna na zemeljski površini, dosegljiva.

Trgi ogljika so se iz nišnih političnih eksperimentov preusmerili k splošnim instrumentom za financiranje podnebnih sprememb. Prostovoljni trg kmetijskih ogljičnih kreditov je bil ocenjen na 36,1 milijona USD v letu 2024 in pričakuje se, da bo poskočil na 648,3 milijona USD do leta 2034 na 31,9% letna letna stopnja rasti, po podatkih podjetja Global Market Insights Inc. Kmetijstvo je v središču te širitve, ker tla, pridelki in prakse upravljanja zemljišč predstavljajo ogromne, merljive ponore ogljika.

Izziv je vedno predstavljalo merjenje: kako zanesljivo količinsko opredeliti ogljik, shranjen na milijonih hektarjev kmetijskih zemljišč? Daljinsko zaznavanje, znanost zbiranja podatkov o zemeljski površini iz letal, dronov in satelitov brez fizičnega stika, je odgovor, na katerega je čakal trg ogljika. Spremljanju ogljika v kmetijstvu prinaša obseg, hitrost in znanstveno natančnost.

Kaj so ogljični krediti in zakaj so pomembni?

Ogljični dobropis je tržno potrdilo, ki predstavlja zmanjšanje ali odstranitev ene metrične tone ekvivalenta ogljikovega dioksida (CO2e) iz ozračja. Dobropisi so dveh vrst: dobropisi za zmanjšanje ogljika, ki predstavljajo preprečene emisije, in dobropisi za odstranjevanje ogljika, ki predstavljajo aktivno izvlečen in shranjen CO2 iz ozračja.

Trgi ogljika delujejo kot ekonomski mehanizmi, ki določajo ceno emisij toplogrednih plinov. Ko podjetje ne more interno zmanjšati svojih emisij, lahko kupi ogljične kredite od projektov, ki odstranijo ali preprečijo enakovredno količino.

To ustvarja finančne spodbude za dejavnosti, kot so sekvestracija ogljika v tleh, pogozdovanje in izboljšano upravljanje zemljišč. Sistem urejajo registri ogljika, standardi certificiranja in neodvisni preveritelji, ki zagotavljajo, da vsak kredit predstavlja resnično in merljivo korist za podnebje.

1. Kako se v kmetijstvu ustvarjajo ogljični krediti

Kmetijski ogljični krediti se ustvarjajo s strukturiranim postopkom, ki se začne z zasnovo projekta in konča s preverjenimi krediti, vpisanimi v register. Tukaj je tipično zaporedje:

1. Kmet ali razvijalec projekta izbere ustrezne trajnostne kmetijske prakse in opredeli meje projekta.
2. Odobrena metodologija se izbere iz registra ogljika, kot sta Verra (VM0042) ali Gold Standard.
3. Za merjenje izhodiščne točke pred spremembo praks se določi osnovna zaloga ogljika.
4. Prakse se izvajajo in spremljajo skozi celotno obdobje projekta, običajno od tri do pet let.
5. Neodvisni tretji preveritelji ocenjujejo, ali so bile prakse uvedene in ali so navedene ogljične koristi resnične in dodatne.
6. Preverjeni ogljični krediti se izdajo in uvrstijo v prodajo na prostovoljnih ali skladnih trgih.

Sekvestracija ogljika v tleh z varstvenimi praksami je glavni mehanizem pri projektih na kmetijskih zemljiščih. Prakse, kot so pokrovni pridelki, zmanjšana obdelava tal in natančno upravljanje hranil, povečujejo količino organskega ogljika, shranjenega v kmetijskih tleh, ki sicer zaradi obdelave tal in erozije izgubljajo ogljik.

Kmetijska tla vsebujejo približno trikrat več ogljika kot ozračje. Zaradi tega so kmetijska zemljišča eden najbolj dostopnih in prilagodljivih ponorov ogljika na planetu. Njivska zemljišča in travniki se hitro odzivajo na spremembe v upravljanju: prehod s konvencionalne obdelave tal na ničelno obdelavo tal lahko začne povečevati organski ogljik v tleh v eni do dveh rastnih sezonah.

Kmetje imajo neposredne koristi od prihodkov od ogljičnih kreditov. Projekti ogljika v tleh zdaj predstavljajo približno 8-10% prostovoljnega trga ogljika, vrednoteno na 425–530 milijonov USD, glede na tržne podatke iz leta 2025.

Ta tok prihodkov dopolnjuje dohodek kmetij, hkrati pa izboljšuje zdravje tal, zadrževanje vode in dolgoročno produktivnost. Kmetijska in živilska podjetja, ki sodelujejo v programih za zmanjšanje ogljika, pridobijo tudi verodostojnost pri poročanju o trajnosti dobavne verige.

Povezava med ogljičnimi krediti in preciznim kmetijstvom

Precizno kmetijstvo je pristop k upravljanju kmetij, ki uporablja prostorske podatke in napredno tehnologijo za sprejemanje odločitev na ravni podpolja, namesto da bi celotno kmetijo obravnaval kot enotno enoto. Združuje sprejemnike GPS (globalni sistem za določanje položaja), senzorje za tla IoT (internet stvari), kamere, nameščene na drone, in satelitske posnetke za zagotavljanje podrobnih, lokacijsko specifičnih informacij o stanju pridelkov, lastnostih tal in potrebah po virih.

Rezultat je upravljanje kmetije, ki temelji na podatkih. Namesto uporabe enotne količine gnojila na celotnem polju sistem preciznega kmetijstva prepozna območja z različnimi potrebami po hranilih in ustrezno uporabi spremenljive količine.

To zmanjšuje odpadke vhodnih materialov, znižuje obratovalne stroške in ustvarja merljive okoljske koristi, ki jih je mogoče količinsko opredeliti za programe ogljičnih kreditov. Precizna orodja prispevajo k ogljičnim rezultatom na več načinov.

• Optimizacija uporabe gnojil zmanjšuje emisije dušikovega oksida (N2O), toplogrednega plina, ki je v 100-letnem obdobju približno 273-krat močnejši od CO2. Uporaba dušika s spremenljivo količino lahko zmanjša emisije N2O za do 20-30% v primerjavi z enotno uporabo, glede na raziskavo, objavljeno v European Journal of Agronomy.
• Izboljšanje načrtovanja namakanja s senzorji vlažnosti tal zmanjšuje porabo energije na črpališčih in omejuje zbijanje tal, kar oboje zmanjšuje ogljični odtis namakanja.
• Ohranjanje zdravja tal z zmanjšano obdelavo tal ohranja agregatno strukturo tal in ščiti organsko snov, ki dolgoročno zadržuje ogljik.
• Zmanjšanje porabe goriva z načrtovanjem poti strojev z GPS-vodenjem zmanjšuje porabo dizelskega goriva in neposredno zmanjšuje emisije CO2 pri delu na terenu.

1. Trajnostne kmetijske prakse, ki ustvarjajo ogljične kredite

Vse kmetijske dejavnosti niso upravičene do ogljičnih kreditov. Odobrene prakse morajo dokazljivo povečati ogljik v tleh, zmanjšati emisije ali oboje. Naslednje prakse imajo vzpostavljene metodologije v okviru glavnih registrov ogljika.

i. Obrezovanje pokrova vključuje sajenje netržnih poljščin izven sezone, da se ohranijo žive korenine v tleh. Korenine nenehno izločajo sladkorje, ki hranijo talne mikrobe, ki pretvarjajo organsko snov v stabilen humus, dolgoživo obliko ogljika v tleh. Pokrovni posevki preprečujejo tudi erozijo, ki fizično odstrani zgornjo plast zemlje in ogljik v njej.

ii. Ničelna in zmanjšana obdelava tal zmanjšati motnje v tleh in ohraniti fizično strukturo tal. Konvencionalna obdelava tal hitro oksidira ogljik v tleh, tako da organske snovi izpostavi zraku. Raziskava, objavljena v reviji Soil and Tillage Research, je pokazala, da dolgotrajna uporaba brezorbetalske obdelave poveča koncentracijo organskega ogljika v tleh v zgornjih 30 cm v povprečju za 10-30% v primerjavi s konvencionalno obdelavo tal v desetletnem obdobju.

iii. Zadrževanje ostankov poljščin ohranja biomaso po žetvi na površini polja, namesto da bi jo sežigala ali odstranjevala. Ko se ostanki razgradijo, prispevajo organsko snov v tla in hranijo mikrobne združbe, odgovorne za fiksacijo ogljika. Satelitski posnetki lahko z merljivo natančnostjo izmerijo odstotke pokritosti ostankov po žetvi.

Daljinsko zaznavanje ne opazuje kmetijstva le od zgoraj. Razpršene podatke na ravni polja preoblikuje v enoten, znanstveno utemeljen zapis o tem, kako se zemljišča upravljajo in koliko ogljika vsebujejo.

iv. Natančno upravljanje hranil uporablja tehnologijo spremenljivega odmerka za nanašanje gnojil po potrebi, v pravih količinah in ob pravem času. To zmanjša količino presežnega dušika, ki ga bakterije v tleh pretvorijo v dušikov oksid, kar neposredno zmanjša toplogredni odtis pridelave poljščin.

v. Agrogozdarske in trajnice vezajo ogljik tako nad tlemi v lesni biomasi kot pod tlemi prek obsežnih, dolgoživih koreninskih sistemov. Drevesne kulture lahko shranjujejo ogljik desetletja, zaradi česar so zelo dragoceni kandidati za projekte ogljičnih kreditov, ki zahtevajo trajnost.

Vloga daljinskega zaznavanja pri merjenju ogljičnih kreditov

Programi ogljičnih kreditov zahtevajo dokaze. Registri ne morejo sprejeti kmetovih samoprijavljenih trditev, da so bili posejani pokrovni pridelki ali da je bila obdelava tal zmanjšana. Preverjanje zahteva objektivne, ponovljive in preverljive podatke, po možnosti iz virov, ki jih naknadno ni mogoče manipulirati. Daljinsko zaznavanje zagotavlja prav to.

Satelitska in dronska opazovanja hkrati pokrivajo ogromna območja in ponujajo raven prostorske pokritosti, ki je terenske raziskave ekonomsko preprosto ne morejo doseči. Trg satelitov za spremljanje in preverjanje ogljika v kmetijstvu je bil ocenjen na 3,2 milijarde USD leta 2025 in naj bi dosegel 8,7 milijarde USD do leta 2034 na 12,8% letna letna stopnja rasti, kar kaže na to, kako osrednje satelitsko spremljanje je postalo za podnebne programe po vsem svetu.

Atlas trajnosti (2026) je ugotovil, da so satelitski sistemi za preverjanje zmanjšali stroške merjenja ogljika v tleh za 40% v primerjavi s tradicionalnim vzorčenjem na terenu, pri čemer naložbe v digitalne rešitve za spremljanje, poročanje in preverjanje dosežejo 2,3 milijarde USD leta 2025. Kmetje in razvijalci projektov imajo zdaj dostop do verodostojnega spremljanja ogljika brez previsokih stroškov na hektar, ki jih prinašajo ponavljajoče se kampanje vzorčenja tal.

1. Tehnologije daljinskega zaznavanja, ki se uporabljajo v programih za ogljik

Glede na obseg, vrsto pridelka in cilj merjenja ogljika se uporablja več vrst senzorjev. Vsak od njih prinaša različne prednosti.

1. Večspektralni senzorji zajemajo odbito svetlobo v diskretnih valovnih pasovih, vključno z vidno rdečo, bližnjo infrardečo in kratkovalovno infrardečo svetlobo. Izračunajo vegetacijske indekse, kot je NDVI (Normalizirani diferencialni vegetacijski indeks), razmerje, ki primerja odbojnost bližnje infrardeče svetlobe z odbojnostjo rdeče svetlobe.

Zdrava, gosta vegetacija odbija več bližnje infrardeče svetlobe in absorbira več rdeče svetlobe, kar ustvarja visoko vrednost NDVI. NDVI se pogosto uporablja kot približek za gostoto biomase in fotosintetsko aktivnost, ki sta oboje povezana s privzemom ogljika.

2. Hiperspektralni senzorji zajamejo na stotine ozkih, sosednjih valovnih dolžin namesto peščice širokih. Ta natančnejša spektralna ločljivost jim omogoča zaznavanje subtilnih razlik v rastlinski biokemiji, vključno z vsebnostjo klorofila, listno vodo in koncentracijo lignina.

Te lastnosti so tesno povezane z vsebnostjo ogljika v nadzemni plasti in jih je mogoče uporabiti za modeliranje biomase poljščin z večjo natančnostjo kot širokopasovni multispektralni podatki.

3. LiDAR (zaznavanje in merjenje svetlobe) Izstreli na tisoče laserskih impulzov na sekundo v površino tal in izmeri čas, ki ga vsak impulz potrebuje, da se vrne. Rezultat je podroben tridimenzionalni oblak točk pokrajine, ki zajema višino vegetacije, gostoto krošenj in topografijo terena.

Biomasa se ocenjuje z združevanjem teh strukturnih meritev z alometričnimi enačbami, matematičnimi razmerji, ki pretvarjajo višino in prostornino v suho maso in vsebnost ogljika. Študija iz leta 2025, objavljena v ScienceDirect, je pokazala, da meritve sekvestracije ogljika na osnovi LiDAR dosegajo bistveno nižje stopnje napak kot običajne metode terenskega popisa za gozdnate kmetijske površine in agrogozdarske sisteme.

4. SAR (radar s sintetično aperturo) oddaja mikrovalovno energijo in meri energijo, ki se odbije nazaj od površine. Za razliko od optičnih senzorjev SAR prodre skozi oblačnost in deluje ponoči, zaradi česar je dragocen v tropskih kmetijskih regijah, kjer vztrajna oblačnost blokira optične satelite več tednov. SAR je še posebej učinkovit za merjenje vlažnosti tal, zaznavanje golih in poraslih površin ter ocenjevanje biomase krošenj z analizo intenzivnosti povratnega sipanja.

5. Daljinsko zaznavanje z droni zagotavlja prostorsko ločljivost na ravni centimetra, ki je sateliti ne morejo doseči. Droni, opremljeni z multispektralnimi ali RGB kamerami, letijo na nizki višini in ustvarjajo izjemno podrobne zemljevide posameznih polj.

V programih za spremljanje ogljika se droni uporabljajo za lokalno validacijo satelitskih opazovanj in za ocene na majhnih ali razdrobljenih poljih, kjer je velikost slikovnih pik satelitov pregroba za razlikovanje meja upravljanja. Glavne satelitske platforme, ki podpirajo spremljanje ogljika, vključujejo naslednje:

• Landsat (NASA/USGS): 30-metrska ločljivost s 16-dnevno frekvenco ponovnih obiskov. Njegov zgodovinski arhiv, ki sega v leto 1972, je hrbtenica dolgoročne analize sprememb rabe zemljišč in osnovnega kartiranja.
• Sentinel-1 in Sentinel-2 (ESA): Sentinel-2 zagotavlja 10-metrske multispektralne posnetke s 5-dnevnim ponovnim obiskom, zaradi česar je idealen za sezonsko spremljanje poljščin. Sentinel-1 SAR dopolnjuje optične podatke v oblačnih obdobjih.
• MODIS (NASA): Ločljivost 250–500 metrov z dnevno globalno pokritostjo. Uporablja se za obsežno, časovno vrsto analize produktivnosti vegetacije in sprememb rabe zemljišč v celotnih regijah.
• PlanetScope: Komercialna konstelacija, ki zagotavlja dnevne posnetke s 3-metrsko ločljivostjo in omogoča zaznavanje podobmočij na posameznih kmetijskih posegih.

Kako GeoPard podpira programe ogljičnih kreditov

GeoPard Agriculture je platforma za precizno kmetijstvo, ki združuje satelitske posnetke, radarske podatke in topografsko analitiko, da bi kmetom pomagala pri izvajanju in spremljanju praks, ki ustvarjajo preverjene ogljične kredite. Ogljično kmetijstvo integrira neposredno v vsakodnevno upravljanje kmetij, namesto da bi ga obravnavala kot ločeno dejavnost.

1. Izvajanje prakse, vodeno s satelitskimi podatki

GeoPard uporablja satelitske in radarske podatke za prepoznavanje nizko donosnih območij polj, primernih za pokrovne poljščine, agrogozdarenje ali zmanjšanje obdelave tal. Njegova rešitev za spremljanje pridelkov usmerja odločitve o kolobarjenju, ki izboljšujejo strukturo tal in povečujejo dolgoročno zmogljivost shranjevanja ogljika.

Topografska analiza natančno določi, katera polja imajo največ koristi od določenih vrst pokrovnih poljščin, s čimer se odpravi ugibanje iz prakse, ki neposredno spodbuja sekvestracijo ogljika.

2. Zmanjšanje emisij in sledljivost SPP

Za zmanjšanje emisij CO2 GeoPard podpira uvedbo ničelne obdelave tal in upravljanje ostankov, tako da kmetom pomaga pri prehodu s konvencionalnega motenja tal. Za zmanjšanje N2O omogoča upravljanje hranil 4R, z uporabo pravega gnojila, v pravi količini, ob pravem času in na pravem mestu, s čimer se zmanjša presežek dušika, ki se v tleh pretvori v dušikov oksid.

Na strani MRV satelitski podatkovni sloji GeoPard ustvarjajo neprekinjen, časovno označen zapis terenskih dejavnosti skozi celotno rastno sezono. Ti prostorski dokazi podpirajo zahteve glede merjenja in poročanja ter tretjim osebam zagotavljajo objektivne podatke za potrditev, da so se navedene prakse dejansko izvajale.

Z neposrednim povezovanjem dnevnih kmetijskih odločitev z merljivimi ogljičnimi rezultati GeoPard kmetom vseh velikosti omogoča, da z zaupanjem sodelujejo v programih ogljičnih kreditov.

Kako daljinsko zaznavanje omogoča ogljične kredite: korak za korakom

1. Osnovno kartiranje

Preden lahko ogljični projekt izda kakršne koli dobropise, mora vzpostaviti verodostojno izhodišče, kvantificiran posnetek tega, koliko ogljika projektno območje že vsebuje in kakšne prakse upravljanja zemljišč so trenutno v veljavi. To izhodišče je referenca, glede na katero se merijo vse prihodnje izboljšave.

Daljinsko zaznavanje omogoča osnovno kartiranje z več integriranimi analizami. Kartiranje vegetacije z uporabo podatkov NDVI in indeksa listne površine identificira obstoječe vrste poljščin, gostoto biomase in vzorce rastne sezone.

Analiza zgodovinske rabe zemljišč z uporabo večdesetletnega arhiva Landsata razkriva, ali je bilo polje v zadnjih desetih do dvajsetih letih konvencionalno obdelano, travniško ali mešano. Ta zgodovina je pomembna, ker raven ogljika v tleh odraža kumulativno upravljanje skozi desetletja, ne le trenutne sezone.

Kartiranje lastnosti tal združuje hiperspektralne satelitske podatke z vzorci tal na terenu, da ustvari prostorsko neprekinjene zemljevide organskega ogljika v tleh, teksture in vsebnosti gline. Identifikacija meja projekta uporablja satelitske posnetke, registrirane z GPS, za določitev natančnih geografskih meja ogljikovega projekta, kar je zahteva za vse večje registre ogljika, vključno z Verro in Gold Standard.

2. Preverjanje prakse

Registri ogljika zahtevajo stalne dokaze, da se trajnostne prakse dejansko izvajajo, ne le da se o njih govori. Daljinsko zaznavanje zagotavlja te dokaze z analizo časovnih vrst satelitskih posnetkov skozi celotne rastne sezone.

i. Zaznavanje pokrovnih posevkov uporablja zimske vegetacijske indekse za identifikacijo aktivno rastočih talnih pokrovnosti med cikli tržnih poljščin. Polje s pokrovnimi poljščinami kaže bistveno višje vrednosti NDVI v izven sezone v primerjavi z golim poljem.

Raziskava, objavljena v Nacionalnem centru za biotehnološke informacije (2024), ki je uporabljala podatke Sentinel-2 v Južni Dakoti, je dosegla natančnost klasifikacije, ki presega 80% za zaznavanje prisotnosti pokrovnih posevkov in intenzivnosti obdelave tal na koruznih in sojinih poljih.

Študija ScienceDirect (2024) je uvedla cevovod MRV čez 553.743 hektarjev in izmerjeno zmanjšanje emisij 398.408,5 tCO2e v treh zaporednih izdajah ogljičnih dobropisov, pri čemer so zmanjšanja pripisana predvsem kritju uvajanja poljščin in zmanjšanju intenzivnosti obdelave tal. Satelitski sistemi za spremljanje, poročanje in preverjanje lahko zdaj delujejo na ravni celotnih kmetijskih regij, ne le na posameznih projektnih lokacijah.

ii. Preverjanje ničelne obdelave tal se zanaša na spremljanje površine tal med žetvijo in setvijo. Po žetvi brez oranja ostanejo ostanki na površini, vrednosti NDVI pa ostanejo zmerno povišane zaradi odbojnosti ostankov. Obdelano polje kaže nenadne spremembe v teksturi površine in spektralnem podpisu, ki jih je mogoče zaznati na satelitskih posnetkih z razdaljo 10–30 metrov. Podatki SAR dopolnjujejo optično analizo z zaznavanjem sprememb vlažnosti tal, povezanih z mehanskimi motnjami.

iii. Spremljanje zadrževanja ostankov poljščin uporablja kratkovalovne infrardeče pasove za oceno odstotka ostankov pridelkov, ki prekrivajo tla po žetvi. Ostanki imajo v primerjavi z golimi tlemi izrazit spektralni podpis, kar omogoča, da satelitsko pridobljeni indeksi pokritosti z ostanki ocenijo, ali je površina pokrita s 30%, 50% ali 70%, pragovi, ki v mnogih metodologijah neposredno določajo upravičenost in obseg kreditov.

iv. Spremljanje kolobarjenja Sledi spremembam v vrsti poljščin skozi več sezon z uporabo spektralnih časovnih vrst podatkov. Različne poljščine imajo edinstvene fenološke značilnosti, vzorec ozelenitve, najvišje rasti in staranja v rastni sezoni. 5-dnevna frekvenca ponovnih obiskov Sentinel-2 zajame to dinamiko dovolj natančno, da loči koruzo od soje in pšenice v zaporednih letih.

3. Ocena biomase in zalog ogljika

Merjenje zalog ogljika zahteva pretvorbo opazovanih lastnosti vegetacije in tal v kvantitativne ocene shranjenega ogljika. Daljinsko zaznavanje ta proces oskrbuje z več podatkovnimi tokovi.

Nadzemna biomasa (AGB) Ocena uporablja višino vegetacije iz podatkov LiDAR, gostoto krošenj iz optičnih posnetkov in indeks listne površine (LAI), ki izhaja iz odbojnosti bližnjega infrardečega spektra. Ti vhodni podatki prispevajo k alometričnim enačbam, ki dajejo ocene biomase v tonah na hektar. Vsebnost ogljika se običajno izračuna kot približno 47-50% teže suhe biomase, pretvorbenega faktorja, ki sta ga IPCC in FAO potrdila za stotine vrst.

Organski ogljik v tleh (SOC) Ocenjevanje je bolj zapleteno, ker ogljika pod zemljo ni mogoče neposredno opazovati od zgoraj. Daljinsko zaznavanje prispeva s hiperspektralnimi posnetki, ki zaznavajo spektralne podpise organskih snovi v tleh na golih ali rahlo poraslih poljih, in s podatki o vlažnosti tal, pridobljenimi s SAR, ki vplivajo na hitrost kroženja ogljika.

Ti podatki daljinskega zaznavanja so združeni s procesnimi modeli, kot sta RothC ali CENTURY, ki simulirajo, kako se organska snov razgrajuje in stabilizira v različnih podnebnih in upravljavskih pogojih.

Verodostojnost ogljičnega dobropisa je v celoti odvisna od natančnosti meritev, na katerih temelji. Daljinsko zaznavanje spreminja preverjanje ogljika iz drage terenske vaje v neprekinjeno, na podatkih temelječo revizijsko sled.

Algoritmi strojnega učenja, vključno z naključnimi gozdovi, gradientnim povečevanjem in modeli globokega učenja, se vse pogosteje uporabljajo za integracijo vhodnih podatkov daljinskega zaznavanja z meritvami na terenu.

Raziskava, objavljena v PeerJ (2024), je pokazala, da lahko modeli strojnega učenja, ki združujejo multispektralne satelitske indekse z omejenim vzorčenjem tal, napovedujejo organski ogljik v tleh s konkurenčno natančnostjo, kar zmanjša število destruktivnih vzorcev tal, potrebnih za validacijo projekta.

Merjenje, poročanje in preverjanje (MRV): Temelj ogljičnih kreditov

MRV (merjenje, poročanje in preverjanje) je okvir upravljanja, ki ločuje verodostojne ogljične kredite od nepreverljivih trditev. Vsak večji register ogljika zahteva, da projekti sledijo odobrenemu protokolu MRV. Daljinsko zaznavanje je postalo sestavni del vseh treh faz.

1. Merjenje: Zbiranje podatkov

Merjenje vključuje zbiranje surovih podatkov, iz katerih se izračunajo količine ogljika. V satelitskih programih se to začne z avtomatiziranim zajemanjem multispektralnih in SAR posnetkov v rednih intervalih skozi celotno rastno sezono.

Z droni se izvajajo raziskave z visoko ločljivostjo podatkov o tleh v ključnih fenoloških fazah. Ciljno usmerjene kampanje vzorčenja tal zbirajo meritve na terenu za kalibracijo in potrditev ocen SOC, pridobljenih s sateliti. Algoritmi za ocenjevanje biomase delujejo na podlagi združenih podatkov za izračun vrednosti zalog ogljika na terenu.

2. Poročanje: Pretvorba meritev v kredite

Poročanje pretvori obdelane podatke v formalni dokumentacijski paket, ki se predloži registru ogljika. To vključuje preglednice za obračunavanje ogljika, prostorske zemljevide projektnih dejavnosti, dokaze o izvajanju prakse in modelirane spremembe zalog ogljika v obdobju preverjanja.

Zahtevana je skladnost z mednarodnimi standardi, vključno s standardom ISO 14064-2 in smernicami Protokola o toplogrednih plinih. Arhivi časovnih vrst satelitov služijo kot zaščiteni zapisi, ki podpirajo vsako poročano številko.

3. Preverjanje: Neodvisna potrditev

Neodvisni preveritelji pregledajo predloženo dokumentacijo in neodvisno ocenijo, ali so poročani ogljični izidi resnični, dodatni (kar pomeni, da se brez projekta ne bi zgodili) in trajni.

Dokazi daljinskega zaznavanja, vključno z arhivi satelitskih posnetkov in posnetki z droni, preveriteljem zagotavljajo objektivne podatke za primerjavo s trditvami projekta. Analiza časovnih vrst odkriva nedoslednosti, kot je na primer kmet, ki trdi, da je polje ničelno obdeloval, vendar kaže spektralne značilnosti mehanskih motenj.

Odkrivanje goljufij z algoritmi za odkrivanje točk sprememb je vse bolj vgrajeno v digitalne platforme za poročanje, poročanje in preverjanje (MRV), da se označijo anomalije, preden dosežejo fazo preverjanja.

Glede na podatke, ki jih je objavila Marq Stats (2026), je konvergenca visokoločljivostnih satelitskih posnetkov in strojnega učenja znižala stroške spremljanja, poročanja in testiranja na kmetijo za 70-90% med letoma 2018 in 2025, kar je podjetju Indigo Carbon omogočilo upravljanje več kot 8 milijonov vpisanih hektarjev v 28 ameriških zveznih državah z 85% zmanjšanje administrativnega bremena zbiranja podatkov.

Znižanje stroškov v takšnem obsegu pomeni, da lahko mali kmetje in srednje velika podjetja zdaj sodelujejo v programih ogljičnih kreditov, ki so bili prej dostopni le velikim proizvajalcem surovin.

4. Kako MRV določa dejansko vrednost ogljičnega kredita

MRV ni le zahteva po skladnosti. To je tisto, kar določa, ali ima ogljični dobropis dejansko tržno vrednost ali ne. Kupci, vlagatelji in regulatorji vsi določajo ceno ogljičnih dobropisov glede na to, kako zanesljivo je mogoče preveriti osnovni ogljik. Dobropis s šibkim MRV se trguje z diskontom ali pa se v celoti zavrne.

Brez verodostojnega poročanja, poročanja in preverjanja (MRV) postanejo ogljični krediti stvar ugibanja. Kmet bi lahko trdil, da so bili pokrovni pridelki posejani, čeprav niso bili. Razvijalec projekta bi lahko precenil prirastke ogljika v tleh. Kupci bi lahko nevede financirali projekte, ki ne prinašajo dejanskih koristi za podnebje. MRV zapolnjuje vsako od teh vrzeli tako, da na vsakem koraku zahteva dokumentirane, preverljive in standardizirane dokaze.

Za kmete je močno poročanje, poročanje in preverjanje v njihovo korist. Odpravlja breme samoporočanja in ga nadomešča z dokazi, podprtimi s sateliti, ki jih noben register ali kupec ne more izpodbijati. Ta prehod od preverjanja, ki temelji na zaupanju, k preverjanju, ki temelji na podatkih, malim kmetom omogoča, da konkurirajo na istih trgih ogljika kot velika kmetijska podjetja.

Za trg ogljika kot celoto je verodostojno poročanje, poročanje in preverjanje (MRV) tisto, kar loči pristne podnebne ukrepe od greenwashinga. Vsaka tona CO2, ki se šteje dvakrat, ohlapno oceni ali trdi brez dokazov, oslabi celoten sistem.

Daljinsko zaznavanje, poročanje in preverjanje (MRV) zapolnjuje to vrzel, saj meritve postanejo objektivne, poročanje standardizirano, preverjanje pa neodvisno. Zato ogljični krediti, ki jih podpira satelitsko MRV, zdaj na prostovoljnih trgih dosegajo cenovno premijo 15-25% – kupci plačajo več, ker je znanost, ki stoji za kreditom, težje izpodbijati.

Prednosti daljinskega zaznavanja za programe ogljičnih kreditov

Prednosti daljinskega zaznavanja pred zgolj terenskim spremljanjem ogljika so znatne in se stopnjujejo, saj se programi širijo na večja območja.

1. Obsežno spremljanje postane izvedljivo za delček stroškov. En sam prizor Sentinel-2 pokriva 100 krat 100 kilometrov in v enem samem prehodu spremlja na tisoče kmetij brez kakršne koli vključitve zemeljske posadke.
2. Preverjanje je hitrejše in manj delovno intenzivno. Programi za ogljik, ki so prej zahtevali večmesečne obiske na terenu, lahko s pomočjo avtomatiziranih satelitskih analiznih cevovodov opravijo preverjanje v praksi v nekaj dneh.
3. Preglednost se poveča za kupce, registre in vlagatelje. Satelitski arhivi ustvarjajo objektiven in ponovljiv zapis o tem, kaj se je dogajalo na polju med projektnim obdobjem, neodvisno od interesov vseh deležnikov.
4. Človeške napake so zmanjšane. Avtomatizirana klasifikacija slik in modeliranje ogljika uporabljata dosledne algoritme na vseh projektnih področjih, s čimer se odpravijo razlike, ki jih povzročijo različni terenski ocenjevalci z različnimi metodami vzorčenja.
5. Zaupanje vlagateljev narašča. Institucionalni kupci vse pogosteje zahtevajo kvantitativno, s podatki podprto potrditev kreditne sposobnosti, preden vložijo kapital v ogljične projekte. Zdaj veljajo krediti, podprti z daljinskim zaznavanjem, z oznakami Core Carbon Principles (CCP). Cenovne premije 15-25%, glede na podatke Sveta za integriteto prostovoljnega trga ogljika za leto 2025.

Boljše odločanje je dostopno vsem deležnikom. Kmetje prejmejo prostorsko eksplicitne povratne informacije o tem, katera polja dobro ali slabo delujejo glede ogljičnih rezultatov. Razvijalci projektov lahko dodelijo vire za spremljanje območjem z visokim tveganjem. Registri lahko določijo prednost pri preverjanju na podlagi avtomatiziranega odkrivanja anomalij.

Izzivi in omejitve na trgih ogljika

Daljinsko zaznavanje je zmogljivo, vendar ne neomejeno. Razumevanje njegovih trenutnih omejitev je bistvenega pomena za oblikovanje programov za zmanjšanje ogljika, ki ostanejo znanstveno utemeljeni.

1. Oblačnost ostaja stalna ovira za optične satelitske senzorje v tropskih in monsunsko prizadetih kmetijskih regijah. V ključnih obdobjih rastne sezone so zaporedna opazovanja brez oblaka morda nemogoča, kar ustvarja vrzeli v zapisih spremljanja. SAR to delno kompenzira, vendar integracija večsenzorskih naborov podatkov povečuje kompleksnost obdelave.
2. Ogljika pod zemljo ni mogoče neposredno opazovati iz vesolja. Ocenjevanje organskega ogljika v tleh z daljinskim zaznavanjem je vedno odvisno od modela, saj se opira na površinske spektralne približke in simulacije, ki temeljijo na procesih, vendar so te negotove.
3. Prostorska ločljivost omejuje zaznavanje praks na majhnih poljih. V regijah, kjer prevladuje malo kmetijstvo s polji, manjšimi od enega hektarja, lahko že 10-metrski slikovni elementi Sentinel-2 presegajo več meja upravljanja, kar otežuje jasno pripisovanje praks.
4. Validacija podatkov s tal ostaja obvezna. Satelitski modeli zahtevajo kalibracijo z vzorci tal na terenu in terenskimi opazovanji. Nobena trenutna metodologija daljinskega zaznavanja ne odpravlja v celoti potrebe po podatkih s tal.

Standardizacija programov za ogljik je še en izziv. Različni registri sprejemajo različne metodologije daljinskega zaznavanja, različne satelitske platforme in različne pristope modeliranja. Kredita, potrjenega z uporabo ene metodologije, morda ne bo priznal kupec, ki posluje po drugem standardu, kar ustvarja razdrobljenost trga, ki omejuje likvidnost kreditov in sodelovanje kmetov.

Prihodnost daljinskega zaznavanja na trgih ogljika

Tempo inovacij na področju satelitske tehnologije, umetne inteligence in digitalne kmetijske infrastrukture kaže, da se bodo omejitve današnjih sistemov daljinskega zaznavanja v naslednjem desetletju postopoma odpravljale.

Umetna inteligenca in strojno učenje že spreminjata ocenjevanje ogljika. Modeli globokega učenja, usposobljeni na milijonih satelitskih slikovnih pik, lahko prepoznajo vzorce obdelave tal, vrste poljščin in spremembe praks z večjo natančnostjo in nižjimi stroški na polje kot katera koli prejšnja metoda.

Mejni modeli, objavljeni v publikaciji Remote Sensing of Environment (2024), so pokazali, da lahko hiperspektralni modeli strojnega učenja napovedujejo organski ogljik v tleh na celinskih ravneh s konkurenčno natančnostjo, če so usposobljeni na prostorsko raznolikih knjižnicah spektrov tal.

Visokoločljivostne komercialne satelitske konstelacije, vključno s 3-metrskim dnevnim pokrivanjem PlanetScope in prihajajočimi sistemi zelo visoke ločljivosti, omogočajo spremljanje podpoljskih praks programom, ki delujejo na ravni posameznih kmetij.

Združevanje podatkov dronov in satelitov omogoča večplasten pristop spremljanja: sateliti zagotavljajo neprekinjeno pokritost, droni pa podrobnosti preverjanja, kadar in kjer so najbolj potrebne.

• Integracija interneta stvari omogoča, da se podatki senzorjev tal v realnem času iz omrežij sond za vlago in ogljik na terenu neposredno prenašajo v cevovode za kalibracijo daljinskega zaznavanja, kar zmanjšuje odvisnost od periodičnega ročnega vzorčenja tal.
• Digitalni dvojčki za kmetijske krajine se pojavljajo kot način za simulacijo dinamike ogljika na celotni kmetiji z uporabo kombiniranih vhodnih podatkov o daljinskem zaznavanju, vremenu in tleh. Ta simulacijska okolja omogočajo razvijalcem projektov, da modelirajo scenarije “kaj-če” za različne kombinacije praks, preden se zavežejo k metodologiji.
• Sledenje ogljika z uporabo veriženja blokov povezuje satelitsko preverjene ogljične dogodke z nespremenljivimi zapisi v knjigi, kar kupcem zagotavlja popolno revizijsko sled od opazovanja na terenu do umika kreditov.
• Avtomatizirane platforme za poročanje, poročanje in preverjanje (MRV) nadomeščajo ročne poteke dela za oddajo podatkov. Podjetja, kot je Agrena na Danskem, uporabljajo podatke opazovanja Zemlje za spremljanje sprememb v upravljanju zemljišč na tisočih kmetijah v EU, pri čemer se ogljični krediti izdajajo na podlagi stalne satelitske analize v skladu z uredbo EU o ogljičnem kmetijstvu (EU 2024/3012).

Spremljanje ogljika v skoraj realnem času, s frekvenco ponovnih obiskov satelitov, ki se približuje dnevnemu obisku, in analitičnimi cevovodi, ki obdelujejo posnetke v nekaj urah po pridobitvi, bo kmalu omogočilo odkrivanje sprememb v praksi, kot je na primer vrnitev kmeta k obdelovanju tal sredi projekta, preden pride do znatne izgube ogljika. Globalne satelitske konstelacije in širitev infrastrukture za obdelavo to zmogljivost približujejo večjim registrom ogljika do konca dvajsetih let 21. stoletja.

Zaključek

Kako daljinsko zaznavanje omogoča pridobivanje ogljičnih kreditov, se kaže v eni ključni prednosti: nevidno spremeni v merljivo. Ogljika, shranjenega v tleh in rastlinju, ni mogoče neposredno stehtati ali prešteti. Vendar pa kmetijske prakse, ki določajo, koliko ogljika vsebuje pokrajina, vključno s tem, kaj je zasajeno, kako se s tlemi upravlja in kako se biomasa porazdeli, puščajo zaznavne spektralne in strukturne podpise, ki jih lahko sateliti, sistemi LiDAR in platforme SAR opazujejo, beležijo in kvantificirajo.

Od kartiranja izhodiščnih vrednosti do preverjanja v praksi, od ocenjevanja biomase do dokumentacije MRV, daljinsko zaznavanje zagotavlja znanstveno podlago, ki jo trgi ogljika potrebujejo za celovito delovanje. Povezava med preciznim kmetijstvom in trgi ogljika še nikoli ni bila močnejša. Kmetje, ki sprejemajo prakse upravljanja, ki temeljijo na podatkih, ne le izboljšujejo svojo produktivnost. Ustvarjajo tudi preverljive, prostorsko eksplicitne dokaze o ogljiku, ki jih registri, kupci in regulatorji vse bolj zahtevajo.

Spremljanje evapotranspiracije z daljinskim zaznavanjem predstavlja enega najpomembnejših dosežkov v kmetijski vodni znanosti v zadnjih dveh desetletjih. Z združevanjem satelitskih toplotnih podatkov, vegetacijskih indeksov in fizike energijske bilance lahko znanstveniki in kmetje zdaj ocenijo, koliko vode zapusti površino kopnega na milijonih hektarjev – brez enega samega zemeljskega senzorja.

Ta zmogljivost spreminja način, kako agronomi načrtujejo namakanje, kako vlade spremljajo sušo in kako raziskovalci količinsko opredelijo vodni odtis celotnih rečnih porečij. Kmetijstvo porabi približno 70% vse svetovne porabe sladke vode, vendar večina te vode ni nikoli neposredno izmerjena na ravni polja – kritična vrzel, ki jo spremljanje evapotranspiracije z daljinskim zaznavanjem hitro zapolnjuje.

Kaj je evapotranspiracija?

Evapotranspiracija (ET) je kombiniran proces, s katerim voda prehaja s zemeljske površine v ozračje. Hkrati delujeta dve komponenti: izhlapevanje, neposredna pretvorba tekoče vode iz tal, vodnih teles in rastlinskih površin v vodno paro; in transpiracija, biološko gibanje vode, ki jo absorbirajo rastlinske korenine, se prenese navzgor skozi steblo in se sprosti kot para skozi drobne pore v listih, imenovane stomate.

Ta dva procesa skupaj predstavljata največji pretok vode, ki zapušča kopenski ekosistem. V večini kmetijskih krajin ET vrne med 60 in 80 odstotki vseh padavin nazaj v ozračje. Zaradi te številke je ET prevladujoča spremenljivka v vodnem ravnovesju kopnega – v večini poljščin ima večji vpliv kot odtok ali globoko pronicanje.

Eterični tok (ET) je v središču hidrološkega cikla in povezuje zemeljsko površino, biosfero in ozračje. Ko so stopnje ET visoke, se vlaga v tleh hitreje izčrpava, rečni pretoki se zmanjšujejo, stopnje polnjenja vodonosnikov pa se znižajo. Ko se ET upočasni – zaradi suše, staranja poljščin ali spremembe rabe zemljišč – se posledice odražajo v razpoložljivosti vode dolvodno.

V podnebni znanosti je ET primarni mehanizem povezovanja med ogljikovim in vodnim ciklom. Rastline odprejo svoje listne reže, da absorbirajo CO2 za fotosintezo, in pri tem hkrati sproščajo vodno paro. Vsaka sprememba v globalni vegetacijski odeji, temperaturi ali koncentraciji CO2 premakne planetarno ravnovesje ET in se odrazi v regionalnih padavinskih vzorcih.

Zakaj je spremljanje evapotranspiracije prednostna naloga upravljanja voda?

Natančni podatki o porabi vode spodbujajo boljše odločitve v več sektorjih. V kmetijstvu poznavanje dejanske porabe vode pridelkov na ravni polja pove upravljavcu namakanja natančno, koliko vode je treba uporabiti, kdaj jo je treba uporabiti in kje se pojavljajo primanjkljaji, preden se na pridelku pojavi vidna obremenitev.

Ta natančnost preprečuje tako prekomerno namakanje, ki zapravlja vodo in izpira hranila, kot tudi premalo namakanje, ki zmanjšuje pridelek.

1. Načrtovanje namakanja: Načrtovanje namakanja na podlagi ET nadomešča ugibanja s fiziko. Ko kmet ve, da koruzno polje julija zaradi ET izgublja 7 mm vode na dan, lahko nadomesti prav ta primanjkljaj, namesto da namaka v fiksnem koledarskem intervalu.

2. Spremljanje suše: Trajno znižanje dejanske ET glede na referenčno ET (kar bi izhlapelo ob neomejeni oskrbi z vodo) kaže na nastajajoči stres zaradi suše. Daljinsko zaznavanje zajame ta signal tedne preden izguba pridelka postane vidna očesu.

3. Načrtovanje vodnih virov: Za obračunavanje vode na ravni porečja so potrebni podatki o ET na ravni porečja. Satelitsko spremljanje ET zagotavlja to prostorsko pokritost za delček stroškov omrežja zemeljskih postaj.

4. Ocena podnebnih sprememb: Dolgoročni trendi ET razkrivajo, kako segrevanje temperatur in spreminjajoči se vzorci padavin spreminjajo porabo vode v ekosistemih – podatki, ki so osnova za načrtovanje prilagajanja na regionalni in nacionalni ravni.

5. Spremljanje zdravja ekosistemov: Stopnje ET v mokriščih, transpiracija gozdov in raba vode na travnikih se občutljivo odzivajo na ekološke motnje. Daljinsko zaznavanje ET zajame te spremembe v velikih, nedostopnih pokrajinah.

Kateri dejavniki vplivajo na evapotranspiracijo?

Evapotranspiracijo (ET) oblikuje kombinacija podnebnih razmer, značilnosti pokrajine in rastlinske biologije. Spodaj je razčlenitev ključnih dejavnikov.

1. Vrsta tal. Sestava tal igra pomembno vlogo pri zadrževanju in izhlapevanju vode. Peščena ali prodnata tla običajno zadržujejo manj vode in je več sproščajo z izhlapevanjem, medtem ko ilovnata ali glinena tla bolje zadržujejo vlago.

2. Temperatura zraka. Temperatura neposredno vpliva na hitrosti ET. Toplejši zrak ima večjo sposobnost zadrževanja vlage, povečana toplota pa pospeši pretvorbo vode v paro, s čimer poveča evapotranspiracijo.

3. Sončno sevanje. Poleg ustvarjanja toplote sončno sevanje vključuje tudi spremembe v energijskih ravneh, frekvenci in albedu – vse to vpliva na ET. Ti dejavniki se razlikujejo glede na lokacijo in letni čas, njihovo natančno merjenje pa pogosto zahteva napredno tehnologijo.

4. Vlažnost. Relativna vlažnost (RH) se nanaša na količino vodne pare v zraku glede na njegovo največjo kapaciteto. Ko je vlažnost visoka, zrak absorbira manj dodatne vlage, kar upočasni ET. Nasprotno pa lahko bolj suh zrak absorbira več pare, kar vodi do višje stopnje evapotranspiracije.

5. Rastlinski pokrov. Različne rastlinske vrste na različne načine komunicirajo z vodo. Nekatere učinkovito shranjujejo vodo v sušnih obdobjih, druge pa jo hitreje izgubljajo. Na stopnjo izgubljanja vode vplivajo tudi starost, zdravje in globina korenin rastline – globlje korenine omogočajo, da pridelki dlje časa zdržijo brez namakanja. Zaradi teh fizioloških razlik se lahko izgubljanje vode med vrstami pridelkov zelo razlikuje, kar zahteva prilagojene namakalne strategije.

6. Hitrost vetra. Veter je glavni dejavnik tako izhlapevanja kot transpiracije. Razprši plast vlažnega zraka, ki se nabira nad vegetacijo, kar povečuje ET. Prav tako pomaga pri difuziji pare skozi rastlinske pore, kar spodbuja transpiracijo. Vendar pa lahko izjemno močan, suh veter včasih ovira difuzijo pare in v določenih pogojih nekoliko zmanjša ET.

Ključni koncepti evapotranspiracije

ET(0) odraža sposobnost ozračja, da povzroča izgubo vode, in je izključno podnebno pogojen. ET(c) meri izgubo vode pri zdravih, dobro namakanih poljščinah, ki rastejo v idealnih pogojih s polnim potencialom pridelka. Kadar se poljščine soočajo z neoptimalnim upravljanjem ali okoljskimi izzivi, je treba ET(c) prilagoditi, da dobimo ET(c adj). Evapotranspiracijo poljščin razumemo s tremi različnimi koncepti:

1. ET(0) – Referenčna evapotranspiracija
2. ET(c) – Evapotranspiracija v standardnih pogojih
3. ET(c adj) – evapotranspiracija v nestandardnih pogojih

1. Referenčna evapotranspiracija — ET(0)

ET(0) predstavlja hitrost izhlapevanja vode z dobro zalite referenčne površine – običajno modelirane kot idealizirana travna odeja, ki izpolnjuje določena merila.

Ta mera zajema potrebo ozračja po izhlapevanju neodvisno od vrste pridelka, stopnje rasti ali kmetijskih praks. Ker se predpostavlja, da je referenčna površina popolnoma vlažna, so talni pogoji izključeni iz izračuna – s čimer se odpravi potreba po določanju ločenih pragov ET za vsak pridelek v vsaki fazi rasti.

ET(0) je v celoti odvisen od podnebnih spremenljivk, tipične vrednosti pa se razlikujejo glede na agroklimatska območja, čeprav te številke služijo le kot splošna merila.

2. Evapotranspiracija v standardnih pogojih – ET(c)

ET(c) kvantificira vodo, ki jo sprosti zdrav, dobro prehranjen pridelek, ki raste na velikih, ustrezno namakanih poljih v ugodnih vremenskih razmerah in deluje z največjo produktivnostjo. Izračuna se tako, da se referenčni ET pomnoži s koeficientom pridelka K(c):

ET(c) = ET(0) × K(c)

3. Evapotranspiracija v nestandardnih pogojih – ET(c adj)

ET(c adj) upošteva odstopanja od idealnih rastnih pogojev v resničnem svetu. Dejavniki, kot so pritisk škodljivcev in bolezni, pomanjkanje ali presežek vode, slanost tal in slaba rodovitnost tal, lahko povzročijo, da se dejanska poraba vode pri pridelkih bistveno razlikuje od ET(c). Za zajemanje teh učinkov se poleg koeficienta pridelka uvede koeficient vodnega stresa K(s):

ET(c adj) = ET(0) × K(c) × K(s)

Tradicionalne metode merjenja evapotranspiracije

Pred daljinskim zaznavanjem so znanstveniki merili ET z neposredno fizikalno instrumentacijo. Vsaka metoda deluje dobro v določenem merilu, vendar ima znatne pomanjkljivosti, ki omejujejo široko uporabo v kmetijstvu. Nekatere najboljše tehnike merjenja ET na tleh so:

1. Lizimeter: Lizimeter (velika posoda, napolnjena z zemljo in rastočim pridelkom, nameščena poravnano s tlemi) meri ET s tehtanjem talnega bloka skozi čas. Ko so padavine nadzorovane in se zbira odtok, je razlika v masi med časovnimi koraki enaka dejanskemu ET.

Lizimetri zagotavljajo najnatančnejše meritve ET, vendar stanejo več sto tisoč dolarjev na enoto, pokrivajo le nekaj kvadratnih metrov in ne morejo predstavljati prostorske spremenljivosti resničnega polja.

2. Sistem vrtinčne kovariance: Sistem vrtinčne kovariance meri ET z izračunom kovariance med vertikalno hitrostjo vetra in koncentracijo vodne pare nad krošnjami z uporabo hitro odzivnih senzorjev. Pokriva “odtis” od nekaj sto metrov do nekaj kilometrov, zaradi česar je veliko bolj reprezentativen kot lizimeter.

Vendar pa namestitev in vzdrževanje pretočnih stolpov stane od 50.000 do 300.000 USD, globalno omrežje FLUXNET pa ima le približno 900 aktivnih lokacij – kar je premalo za spremljanje kmetijskega ET na nacionalni ravni.

3. Bowenova metoda razmerja: Bowenova metoda ocenjuje ET z merjenjem razmerja med občutnim toplotnim tokom (ogrevanje zraka) in latentnim toplotnim tokom (ET) z uporabo gradientov temperature in vlažnosti nad krošnjo. Je enostavnejša od vrtinčne kovariance, vendar zahteva homogene pogoje pridobivanja in je ni mogoče uporabiti na kompleksnem terenu.

4. Izračuni ET na podlagi vremenskih postaj Z uporabo Penman-Monteithove enačbe FAO izračunajte referenčni ET (ET0) iz podatkov o temperaturi zraka, vlažnosti, hitrosti vetra in sevanju. Ta metoda se pogosto uporablja za načrtovanje namakanja, vendar ustvari referenčni ET, ne dejanskega ET, ker predpostavlja dobro zalit referenčni pridelek in ne dejanskega pridelka na polju.

Osrednji problem vseh zemeljskih metod je obseg. En sam lizimeter predstavlja nekaj kvadratnih metrov. Stolp za merjenje pretoka v najboljšem primeru pokriva nekaj sto hektarjev. Toda sodobno upravljanje kmetijskih voda zahteva podatke o ET na ravni polja po celotnih porečjih – prostorski izziv, ki ga lahko reši le daljinsko zaznavanje.

Osnove daljinskega zaznavanja za spremljanje zunajzemeljskega okolja

Daljinsko zaznavanje v kontekstu spremljanja ET je pridobivanje in analiza podatkov, pridobljenih s satelitov ali letal, za oceno pretoka vode, ki zapušča površino kopnega, ne da bi se je fizično dotaknil.

Pristop deluje, ker rastline in tla izmenjujejo energijo z ozračjem na načine, ki jih je mogoče zaznati iz vesolja – zlasti z oddajanjem toplotnega infrardečega sevanja. Ko rastlina učinkovito transpirira, uporablja vhodno sončno energijo za izhlapevanje vode namesto za segrevanje. Krošnja z ustrezno vlago v tleh ostane relativno hladna.

Krošnja, ki je zaradi pomanjkanja vode obremenjena z vodo, pa zapre listne reže, da bi prihranila vodo, in ker manj latentne toplote (ET) porablja dohodno energijo, se temperatura površine krošnje dvigne. To je temeljni fizikalni signal, ki ga zajame daljinsko zaznavanje toplote.

Ključna fizikalna načela, na katerih temelji ocena satelitskega ET

The energijska bilanca je vodilni okvir. Na kateri koli zemeljski površini mora biti neto sevanje (Rn), ki prihaja od sonca in ozračja, enako vsoti treh ponorov energije: toplotnega toka tal (G), občutnega toplotnega toka (H, ki segreva zrak) in latentnega toplotnega toka (LE, ki poganja ET). Zapisano kot enačba: Rn = G + H + LE. Z oceno Rn, G in H iz satelitskih podatkov model izračuna LE – in s tem ET – kot preostanek.

1. Temperatura zemeljske površine (LST), izmerjen v termičnem infrardečem pasu, je primarna opazovana veličina, ki se uporablja za oceno občutnega toplotnega toka H. Bolj vroča površina prenese več toplote v zrak (visok H), kar pusti manj energije za ET (nizek LE). Hladnejša, dobro namakana površina ima nižji H in višji LE.

2. Vegetacijski indeksi kot NDVI zajamejo, koliko zelenega, fotosintetsko aktivnega rastlinskega materiala pokriva površino, kar nadzoruje stopnjo transpiracije. Gosta, zelena krošnja prepušča več svetlobe kot gola tla ali redek sestoj.

3. Neto sevanje se izračuna iz kratkovalovnih in dolgovalovnih sevalnih tokov, ki jih daljinsko zaznavanje ocenjuje na podlagi podatkov o albedu površja, rastlinskem pokrovu in toplotnih emisijah.

Satelitsko spremljanje evapotranspiracije ni nadomestilo za resnične podatke o porabi vode – je edino orodje, ki lahko zagotovi prostorsko neprekinjene podatke o rabi vode na ravni, kjer se dejansko sprejemajo kmetijske in hidrološke odločitve.

Prednost daljinskega zaznavanja pred zemeljskimi metodami ni le prostorska pokritost. Satelitski podatki zagotavljajo sinoptične, ponovljive meritve v zelo heterogenih pokrajinah – nekaj, česar nobeno zemeljsko omrežje ne bi moglo ponoviti s primerljivimi stroški.

Viri podatkov daljinskega zaznavanja za oceno ET

Ocenjevanje ET iz vesolja zahteva združevanje podatkov iz več vrst senzorjev. Noben posamezen satelit ne zagotavlja vseh vhodnih podatkov, ki jih potrebuje celoten model ET, zato operativni ET izdelki običajno združujejo podatke iz več platform.

1. Satelitske platforme za oceno ET

i. Landsat (USGS/NASA) deluje neprekinjeno od leta 1972 in zagotavlja 30-metrske prostorske ločljivosti multispektralnih in termičnih posnetkov s 16-dnevnim ciklom ponovnega obiska. Zaradi dolgega arhiva je nepogrešljiv za zgodovinsko analizo ET in spremljanje poljščin. Večina modelov ET energetske bilance – vključno s SEBAL in METRIC – je bila prvotno zasnovana na podlagi podatkov Landsat.

ii. Sentinel-2 (ESA) ponuja 10-metrske multispektralne posnetke s 5-dnevnim časom ponovnega obiska za izračun visokoločljivostnega vegetacijskega indeksa. Čeprav ne vsebuje termičnega pasu, dopolnjuje Landsat z zagotavljanjem pogostejših podatkov NDVI, EVI in LAI z višjo ločljivostjo za ET modele, ki temeljijo na vegetaciji.

iii. MODIS (Moderate Resolution Imaging Spectroradiometer, NASA) zagotavlja dnevno globalno pokritost z ločljivostjo od 250 m do 1 km. Njegova grobejša prostorska ločljivost omejuje uporabo na terenu, vendar je idealen za celinsko in globalno spremljanje ET z izdelki, kot je MOD16.

iv. EKOSTRES (NASA) je nameščen na Mednarodni vesoljski postaji in zagotavlja toplotne infrardeče podatke z ločljivostjo 70 metrov s ciklom ponovnega obiska od 1 do 5 dni. ECOSTRESS je bil posebej zasnovan za merjenje vodnega stresa pridelkov in ET v bližnjem merilu – vrzel v zmogljivosti, ki je MODIS in prejšnji sateliti niso mogli zapolniti.

proti VIIRS (Skupina radiometrov za vidno infrardečo slikovno slikanje, NOAA/NASA) na satelitih Suomi NPP in JPSS nadaljuje globalno zapuščino dnevnega pokrivanja MODIS z izboljšano kalibracijo senzorjev, ki podpira operativne ET izdelke na regionalni do globalni ravni.

2. Opazovanja zunajzemeljskih organizmov z brezpilotnimi letalniki in droni

Brezpilotna letala (UAV ali droni), opremljena s termovizijskimi kamerami in multispektralnimi senzorji, lahko kartirajo ET s prostorsko ločljivostjo, manjšo od metra, nad posameznimi polji. Termovizijska kamera, nameščena na dronu, neposredno meri temperaturo krošenj in v kombinaciji z meteorološkimi podatki na tleh ustvari ET zemljevide z ločljivostjo, ki je noben satelit ne more doseči.

• Termovizijski droni zaznajo območja rastlin, ki so zaradi pomanjkanja vode obremenjena z vodo, še preden se pojavijo kakršni koli vidni simptomi, kar omogoča namakanje s spremenljivo hitrostjo na ravni znotraj polja.
• Multispektralni senzorji na dronih izračunajo NDVI in EVI s centimetrsko ločljivostjo, pri čemer za natančno razporejanje polj uporabijo modele ET, ki temeljijo na koeficientih pridelka.
• Visokoločljivostno ET kartiranje iz brezpilotnih letalnikov je še posebej dragoceno za posebne pridelke – sadno drevje, vinograde, zelenjavo – kjer je variabilnost znotraj polja velika in so stroški vodnega stresa visoki.

Ključne spremenljivke daljinskega zaznavanja, uporabljene pri spremljanju ET

Vsaka spremenljivka, pridobljena iz satelitskih podatkov, prispeva določen del sestavljanke ocene ET. Razumevanje, kaj vsaka spremenljivka meri in zakaj je pomembna, pomaga strokovnjakom izbrati pravi model in pravilno interpretirati rezultate.

1. Normalizirani indeks razlik v vegetaciji (NDVI) se izračuna kot (NIR – rdeča) / (NIR + rdeča) z uporabo odbojnosti bližnjega infrardečega in rdečega pasu. Njegova vrednost se giblje od -1 do +1, pri čemer gosta zelena vegetacija običajno doseže med 0,6 in 0,9. NDVI zajame gostoto krošnje in zelenost, kar je neposredno povezano s površino listov in transpiracijsko zmogljivostjo.

2, Izboljšan vegetacijski indeks (EVI) doda moder pas za zmanjšanje atmosferskih motenj in vplivov talnega ozadja, ki poslabšajo NDVI v gosto poraslih ali pogosto oblačnih območjih. EVI je občutljivejši od NDVI na območjih z visoko biomaso in se uporablja v algoritmu MOD16 ET.

3. Indeks listne površine (LAI) kvantificira skupno enostransko listno površino na enoto površine tal. Neposredno nadzoruje transpiracijo z določanjem, koliko listne površine izmenjuje vodno paro z ozračjem. LAI, pridobljen s sateliti, je ključni vhodni podatek v številnih fizikalno zasnovanih ET modelih.

4. Albedo površine je delež dohodnega sončnega sevanja, ki ga odbije površina. Nadzoruje, koliko sončne energije površina absorbira, kar posledično določa, koliko energije je na voljo za pogon ET. Temna, mokra tla imajo nizek albedo (absorbirajo več energije); gola peščena površina ima visok albedo (odbija več).

5. Vlažnost tal iz mikrovalovnih senzorjev omejuje modele ET tako, da kaže, ali je v koreninskem območju na voljo dovolj vode za podporo transpiracijskim potrebam. Ko vlažnost tal pade pod kritični prag, dejanska ET pade pod potencialno hitrost, tudi če je energija na voljo.

Bastiaanssen in sodelavci (kot je bilo pregledano v Frontiers in Remote Sensing, 2026) so ugotovili, da je SEBAL, potrjen v več kot 30 držav, doseže Natančnost 85% za dnevne ocene ET in natančnost 95% za sezonske ocene ET na terenu.

Sezonska natančnost 95% pomeni, da je mogoče zanesljivo obračunavanje vode v celotnem namakalnem območju izvajati samo z uporabo satelitskih podatkov, kar odpravlja potrebo po gostih omrežjih zemeljskih postaj.

Modeli za oceno evapotranspiracije

1. Modeli energetske bilance

Modeli energijske bilance izračunajo ET kot ostanek površinskega energijskega proračuna: ET = Rn – G – H. Vsak model se razlikuje po tem, kako ocenjuje tok občutne toplote H, ki je računsko najbolj zahtevna in na napake občutljiva komponenta.

i. Algoritem za ravnovesje površinske energije za kopno (SEBAL) je leta 1998 razvil Bastiaanssen in ostaja eden najpogosteje uporabljenih satelitskih ET modelov po vsem svetu. SEBAL uporablja tri ključne parametre, pridobljene s sateliti: temperaturo zemeljske površine (T0), površinsko hemisferično odbojnost (albedo r0) in NDVI.

Za oceno občutnega toplotnega toka SEBAL identificira dva sidrna piksla – “vroč piksel” (suha gola tla, kjer je ET blizu nič) in “hladen piksel” (dobro zalit pridelek, kjer je ET največji) – in interpolira H po prizoru glede na ta ekstrema. Zaradi te funkcije samokalibracije je SEBAL manj občutljiv na absolutne kalibracijske napake v meteoroloških vhodnih podatkih.

ii. Kartiranje evapotranspiracije z visoko ločljivostjo z internalizirano kalibracijo Model (METRIC) temelji na SEBAL-u, vendar dodaja avtomatizirano kalibracijo glede na referenčni ET, izračunan iz vremenske postaje. METRIC je bolj primeren za regije s popolnimi omrežji vremenskih podatkov in je bil široko sprejet za operativno upravljanje namakanja v zahodnih Združenih državah.

iii. Sistem ravnovesja površinske energije (SEBS) uporablja teorijo turbulentnega toka za oceno občutnega toplotnega toka iz satelitsko pridobljenih podatkov LST, hrapavosti površine in hitrosti vetra. SEBS je fizično bolj strog kot SEBAL, vendar zahteva dodatne vhodne podatke, zaradi česar je bolj primeren za raziskave kot za operativno upravljanje kmetij.

Izbira modela ET ni zgolj tehnična odločitev – gre za odločitev o tem, na katero vprašanje poskušate odgovoriti. Vaja obračunavanja vode na ravni porečja in orodje za načrtovanje namakanja na ravni polja zahtevata bistveno različni ravni prostorske ločljivosti in časovne frekvence.

iv. Dvovirna energetska bilanca Model (TSEB) obravnava tla in krošnjo kot dva ločena vira ET, vsak s svojim temperaturnim in energijskim ravnovesjem. Ta pristop je natančnejši za redko vegetacijo ali mešane talne pokrovnosti, kjer lahko model z enim virom enači izhlapevanje tal s transpiracijo rastlin.

2. Modeli ET, ki temeljijo na vegetacijskem indeksu

Vsi modeli ET ne zahtevajo termičnih posnetkov. Modeli, ki temeljijo na vegetacijskem indeksu, ocenjujejo ET skozi pristop koeficienta pridelka (Kc x ET0), kjer je koeficient pridelka Kc izpeljan iz NDVI ali EVI, referenčni ET (ET0) pa prihaja iz vremenske postaje. Metodologija FAO-56 formalizira ta pristop in se pogosto uporablja za načrtovanje namakanja, ker ne zahteva podatkov o toplotnih pasovih.

Modeli strojnega učenja, vključno z Naključni gozd, Umetne nevronske mreže (ANN), in arhitekture globokega učenja se vse pogosteje uporabljajo za ocenjevanje ET z učenjem kompleksnih nelinearnih odnosov med vhodnimi podatki, pridobljenimi s satelitov (LST, NDVI, albedo, LAI), in meritvami ET s stolpom za meritve fluksa.

Študija iz leta 2023, objavljena v reviji Remote Sensing of Environment, je pokazala, da je model Random Forest, usposobljen na osnovi MODIS in meteoroloških vhodnih podatkov, napovedal dnevni ET z R2 0,87 in RMSE 0,51 mm/dan v različnih biomih – kar je konkurenčno tradicionalnim modelom energijske bilance, vendar zahteva veliko manj napora parametrizacije.

Študija, objavljena v publikaciji Taylor in Francis Open (2021), je pokazala, da je algoritem SEBAL, uporabljen na posnetkih Landsat 8 nad območjem gojenja koruze v Adani v Turčiji, dal ocene ET z korelacijski koeficient R = 0,91 v primerjavi z metodo FAO Penman-Monteith in RMSE le 1,14 mm/dan.

SEBAL-ova natančnost na terenu pomeni, da lahko satelitsko pridobljeni ET nadomesti ali znatno zmanjša potrebo po dragih lizimetrskih instalacijah v operativnih sistemih za upravljanje namakanja.

Satelitski ET izdelki, ki so na voljo za operativno uporabo

Več globalnih in regionalnih izdelkov za ET zdaj pretvarja vhodne podatke daljinskega zaznavanja v podatkovne sloje ET, ki so pripravljeni za uporabo. Strokovnjakom ni več treba izvajati lastnih modelov energetske bilance – do teh vnaprej izračunanih naborov podatkov lahko dostopajo neposredno.

1. Izdelek MOD16 ET (NASA) uporablja podatke MODIS z algoritmom Penman-Monteith, ki ga poganjajo podatki o pokrovnosti tal MODIS, LAI, EVI in meteorološki podatki globalne ponovne analize. Zagotavlja 8-dnevne in mesečne kompozitne posnetke ET z ločljivostjo 500 metrov po vsem svetu. MOD16 je zelo primeren za študije na ravni pokrajine, vendar je preveč grob za individualno upravljanje na terenu.

2. SSEBop Model poenostavljene operativne bilance površinske energije (Simplified Surface Energy Balance), ki ga je razvil USGS, poenostavlja izziv kalibracije vročih/hladnih slikovnih pik pri SEBAL z uporabo vnaprej določenih temperaturnih meja, pridobljenih iz dolgoročnih klimatoloških podatkov. SSEBop deluje operativno z ločljivostjo 30 metrov z uporabo podatkov Landsat in tvori enega od šestih modelov znotraj ansambla OpenET.

3. Platforma OpenET, ki je bil izstreljen leta 2021 in deluje kot javno-zasebno sodelovanje pod vodstvom NASE, USGS, Kalifornijske državne univerze Monterey Bay, Sklada za varstvo okolja in Inštituta za raziskave puščav, zagotavlja podatke o zunajzemeljskem okolju na terenu z ločljivostjo 30 metrov po zahodnih Združenih državah Amerike.

Prelomna študija, objavljena v reviji Nature Water januarja 2024, ki je primerjala ocene OpenET z meritvami s 152 zemeljskih merilnih mest, je potrdila, da OpenET dosega visoko natančnost pri enoletnih pridelkih, kot so pšenica, koruza, soja in riž – zlasti v sušnih regijah, kjer je zaradi pomanjkanja vode natančnost namakanja najpomembnejša.

4. Portal WaPOR (FAO) zagotavlja podatke o ET za Afriko in Bližnji vzhod z ločljivostjo 30 metrov, 100 metrov in 250 metrov, posebej zasnovane za podporo analizi produktivnosti kmetijske vode v regijah v razvoju, kjer primanjkuje podatkov.

5. SIJAJ (Global Land Evaporation Amsterdam Model) ločuje ET na transpiracijo, izhlapevanje golih tal, izgubo zaradi prestrezanja in izhlapevanje odprtih voda, kar temelji na podatkih o vlažnosti tal iz mikrovalovnih valov in satelitskih vegetacijskih produktih. Odlično razdeli ET signal na biološke in fizikalne komponente.

Uporaba daljinskega zaznavanja

1. Precizno namakanje in upravljanje z vodo v poljščinah

Najbolj neposredna uporaba satelitskih podatkov ET je načrtovanje namakanja. Ko kmet dostopa do tedenskih zemljevidov ET na ravni polja, lahko izračuna namakalni primanjkljaj – razliko med dejanskim ET in efektivnimi padavinami – in uporabi natanko toliko vode. To odpravlja kronično pretirano namakanje, ki zapravlja vodo brez povečanja pridelka.

V kalifornijski delti Sacramento-San Joaquin upravljavci vodnih virov uporabljajo OpenET, da bi kmetom pomagali pri izpolnjevanju državnih predpisov, ki zahtevajo natančno poročanje o porabi vode.

Visoka natančnost satelitskih podatkov ET za enoletne pridelke zagotavlja pravno utemeljeno podlago za obračunavanje vode, ki je pri takšni prostorski pokritosti ne bi mogla zagotoviti nobena zemeljska metoda.

Študija iz leta 2024, objavljena v reviji Agricultural Water Management (Ott et al., 2024; Desert Research Institute), je ocenila OpenET glede na podatke o merjenju namakanja v porečjih podzemne vode v Nevadi.

V Diamond Valleyju so ocene OpenET pokazale le Razlika 7% od podatkov o porabi vode iz merjenih vrednosti, kar dokazuje operativno zanesljivost za regulativno upravljanje podzemne vode.

Meja napake 7% na ravni porečja pomeni, da lahko satelitski podatki ET nadomestijo drago merilno infrastrukturo v regijah, kjer je podtalnica kritično izčrpana.

2. Sistemi za ocenjevanje suše in zgodnje opozarjanje

Spremljanje suše je še ena aplikacija z velikim vplivom. Indeks izhlapevalnega stresa (ESI), izpeljan iz toplotnih podatkov ECOSTRESS in MODIS, meri razmerje med dejanskim in potencialnim ET.

Ko ESI znatno pade pod 1,0, to signalizira, da rastline doživljajo vodni stres – zanesljiv zgodnji kazalnik kmetijske suše, ki ga je pogosto mogoče zaznati 4 do 8 tednov preden postane izguba pridelka merljiva.

Nacionalni center za blaženje suše pri Ministrstvu za kmetijstvo ZDA (USDA) integrira satelitske indekse suše, ki temeljijo na ET, v operativne zemljevide za spremljanje suše, ki jih uporabljajo državne vlade, agencije za zavarovanje pridelkov in organi za obvladovanje izrednih razmer. Zaradi te integracije je odzivanje na sušo hitrejše in bolje ciljno usmerjeno kot pri pristopih, ki temeljijo le na koledarju ali padavinah.

3. Upravljanje vodnih virov na ravni porečja

Za obračunavanje vode na ravni porečja je potrebno vedeti, koliko vode zapusti površino kopnega kot ET na milijonih hektarjev. Prav to zagotavljajo satelitski ET izdelki, kot so MOD16, GLEAM in WaPOR, na svetovni ravni.

• Agencije za upravljanje rezervoarjev uporabite podatke ET za oceno donosa vode v porečju – razlike med padavinami in ET – ki določa, koliko vode dejansko doseže reke in rezervoarje.
• Organi čezmejnih porečij uporabiti satelitski ET za neodvisno preverjanje nacionalnega poročanja o rabi vode brez potrebe po dostopu do nacionalnih omrežij za podatke o tleh.
• Upravitelji namakalnih okrožij uporabite ET za sledenje porabe po vrstah pridelkov na celotnih območjih storitev, s čimer boste podprli pravično dodelitev vode in skladnost s predpisi.

4. Okoljske in ekološke aplikacije

Spremljanje ET v mokriščih s satelitskimi podatki kvantificira porabo vode v ekosistemih v nedostopnih močvirjih, šotiščih in estuarijih, kjer talnih senzorjev ni mogoče namestiti. Spremljanje ET v gozdovih razkriva, kako krčenje gozdov, pogozdovanje in gozdni požari spreminjajo vodno bilanco celotnih porečij – ključni podatki za obračunavanje ogljika v gozdovih in načrtovanje oskrbe z vodo.

Evapotranspiracija je nevidna nit, ki povezuje vsako rastlino na Zemlji s svetovnim vodnim ciklom. Daljinsko zaznavanje je edino orodje, ki ga imamo, da jo vidimo v obsegu, ki je pomemben za upravljanje voda.

Ocena natančnosti in validacija satelitskih ET produktov

Noben izdelek ET ni uporaben brez stroge validacije. Standardni pristop primerja ocene satelitov ET z meritvami iz stolpov vrtinčnega kovariančnega toka – najnatančnejša razpoložljiva resnična vrednost za ET na ravni pokrajine.

Globalni FLUXNET Omrežje zagotavlja odprt dostop do podatkov o pretočnih stolpih s stotin lokacij v različnih biomih. Razvijalci izdelkov ET primerjajo rezultate svojih modelov z meritvami FLUXNET za izračun statističnih meritev učinkovitosti, vključno z

• R2 (korelacijski koeficient),
• RMSE (koren povprečne kvadratne napake) in
• Pristranskost (sistematično precenjevanje ali podcenjevanje).

Validacija se izvaja ločeno za različne tipe pokrovnosti tal, podnebne cone in letne čase, ker se natančnost modela ET v teh pogojih bistveno razlikuje.

Modeli energetske bilance, kot sta SEBAL in METRIC, se običajno najbolje obnesejo v polsušnih kmetijskih pokrajinah z jasnim nebom. Zmogljivost se poslabša v vlažnih tropskih gozdovih, kompleksnem gorskem terenu in območjih s pogosto oblačnostjo.

Študija natančnosti OpenET, objavljena v reviji Nature Water, je primerjala šest modelov ET z meritvami iz 152 lokacij stolpov s fluksom po Združenih državah Amerike, pri čemer je ugotovila, da je ansambel OpenET dosegel najmočnejšo uspešnost zlasti pri enoletnih pridelkih v sušnih zahodnih regijah – območjih, kjer je upravljanje namakanja najbolj ekonomsko in ekološko kritično.

Upravljavci voda v sušnih regijah lahko z visoko stopnjo zanesljivosti uporabijo podatke OpenET za skladnost z namakanjem in sledenje vodnemu proračunu, s čimer nadomestijo drago merilno infrastrukturo.

Izzivi pri daljinskem zaznavanju ET monitoringa

Kljub hitremu napredku več tehničnih in operativnih izzivov omejuje natančnost in uporabnost satelitskega spremljanja ET.

1. Omejitve oblačnosti: Optično in termično daljinsko zaznavanje zahteva brezoblačne razmere. V vlažnih tropskih regijah ali med monsunskim obdobjem lahko vztrajna oblačnost povzroči vrzeli v podatkih, ki trajajo več tednov ali mesecev, kar prekine časovno kontinuiteto, ki jo zahteva upravljanje namakanja.

2. Omejitve prostorske ločljivosti: MODIS, časovno najpogostejši satelit, zagotavlja podatke o zemeljskem površju z ločljivostjo 500 metrov – kar je pregrobo za polja, manjša od približno 25 hektarjev. Landsatova 30-metrska ločljivost ustreza večini kmetijskih polj, vendar ima 16-dnevni cikel ponovnega obiska, ki ne upošteva hitrih sprememb v vodnem stresu.

3. Kompromisi časovne ločljivosti: Visoka prostorska ločljivost (Landsat, Sentinel-2, ECOSTRESS) in visoka časovna ločljivost (MODIS, VIIRS) obstajata v obratnem sorazmerju. Za premostitev te vrzeli so potrebne tehnike združevanja podatkov.

4. Predpostavke modela v heterogenih pokrajinah: Modeli energetske bilance z enim virom predpostavljajo enotno krošnjo, ki se razgradi v redki vegetaciji, mešanih sistemih gojenja ali urbano-kmetijskih stikih, kjer se temperature tal in rastlin močno razlikujejo.

5. Razpoložljivost podatkov v regijah v razvoju: Podatki zemeljskih vremenskih postaj, potrebni za omejitev modelov ET, so v večjem delu podsaharske Afrike, Južne Azije in Srednje Azije – prav v regijah, kjer je najbolj nujno potrebno izboljšano upravljanje voda – redki.

Nove tehnologije in prihodnost pri spremljanju zunajceličnega prostora

Več sorodnih tehnoloških dosežkov bo v naslednjih petih do desetih letih dramatično povečalo natančnost, pokritost in dostopnost daljinskega zaznavanja ET monitoringa.

1. Umetna inteligenca, strojno učenje in združevanje podatkov

Modeli globokega učenja, usposobljeni na velikih večsenzorskih naborih podatkov, v nekaterih pokrajinah začenjajo prekašati klasične modele energijskega ravnovesja. Konvolucijske nevronske mreže lahko hkrati integrirajo podatke Landsat, Sentinel-2, MODIS in meteorološke ponovne analize ter se učijo prostorsko-časovnih vzorcev ET, ki jih noben enosenzorski model ne zajame.

Medtem algoritmi za združevanje podatkov – predvsem pristop STARFM (Spatial and Temporal Adaptive Reflectance Fusion Model) – združujejo visokoločljivostne posnetke Landsat z dnevnimi podatki MODIS za izdelavo sintetičnih dnevnih zemljevidov ET z ločljivostjo 30 metrov, kar učinkovito rešuje prostorsko-časovni kompromis, ki trenutno omejuje uporabo preciznega kmetijstva.

2. Visokoločljivostni termični sateliti in ozvezdja CubeSat

Naslednja generacija namenskih satelitov za termično opazovanje Zemlje bo zagotavljala termalne posnetke z globino manj kot 30 metrov z dnevnimi ponovnimi obiski.

Načrtovane misije, vključno z naslednikom Landsat Next in komercialnimi termalnimi konstelacijami CubeSat, bodo odpravile zgodovinski kompromis med prostorskimi podrobnostmi in časovno frekvenco, ki je omejeval spremljanje ET na ravni polja.

Kot je navedeno v poročilu Future Market Insights (2025), naj bi trg storitev daljinskega zaznavanja – ki je bil leta 2025 ocenjen na 22,87 milijarde USD – do leta 2035 dosegel 84,28 milijarde USD, k čemur bo v veliki meri prispevala širitev konstelacije satelitov LEO.

3. Digitalni dvojčki za upravljanje voda

Okviri digitalnih dvojčkov – dinamične virtualne replike kmetijskih krajin, ki se posodabljajo skoraj v realnem času iz satelitskih in internetnih podatkov senzorjev – integrirajo daljinsko zaznavanje ET kot osrednji podatkovni tok. Ti sistemi sinhronizirajo satelitske zemljevide ET, podatke senzorjev vlažnosti tal, vremenske napovedi in modele rasti poljščin, da simulirajo prihodnje stanje vode na poljih in samodejno predpisujejo namakanje.

Programska oprema in orodja za spremljanje ET

Bogat nabor platform zdaj omogoča analizo ET z daljinskim zaznavanjem dostop do strokovnjakov brez poglobljenega znanja programiranja.

1. Google Earth Engine (GEE) je geoprostorska računalniška platforma v oblaku, ki gosti celotne arhive Landsat, MODIS, Sentinel in ECOSTRESS skupaj z vnaprej izdelanimi algoritmi ET. Analitiki lahko izvajajo izračune ET za leta podatkov za celotne regije, ne da bi morali lokalno prenesti kakršne koli posnetke. GEE je postala prevladujoča raziskovalna platforma za kartiranje ET velikih območij.

2. Platforma OpenET ponuja spletni vmesnik, kjer lahko kateri koli registrirani uporabnik dostopa do podatkov o ET na ravni polja za kmetijska zemljišča po zahodu Združenih držav. Uporabniki lahko izvozijo dnevne, mesečne ali sezonske povzetke ET za posamezna polja ali celotna vodnogospodarska okrožja, ne da bi potrebovali znanje programiranja.

3. Portal WaPOR (FAO) ponuja podoben vmesnik za prenos podatkov o kmetijstvu s klikom na gumb »pokaži in klikni« za Afriko in Bližnji vzhod, z neposrednimi povezavami do kazalnikov produktivnosti vode v kmetijstvu.

4. Delovni tokovi v Pythonu in R Z uporabo knjižnic, kot so rasterio, xarray, geopandas (Python) ali terra, raster (R) raziskovalcem omogoča gradnjo prilagojenih cevovodov za obdelavo ET, ki integrirajo satelitske podatke z lokalnimi meteorološkimi zapisi, modeli poljščin in namakalnimi bazami podatkov.

Študije primerov za daljinsko zaznavanje ET monitoringa

1. Upravljanje namakanja v sušnih regijah

V območju vodonosnika High Plains v Združenih državah Amerike – enem najbolj intenzivno namakanih kmetijskih območij na Zemlji – so raziskovalci iz Inštituta za raziskave puščav pokazali, da lahko podatki OpenET, integrirani s podnebnimi nabori podatkov, ocenijo količino črpanja podtalnice z zadostno natančnostjo za podporo regulativnemu upravljanju padajočih ravni vodonosnika.

Študija je primerjala ocene satelitov ET z zapisi merilnih črpalk in v večini preučevanih porečij ugotovila manjše odstopanje kot 17% – raven natančnosti, ki zadostuje za upravljanje vodnih pravic.

2. Precizno kmetijstvo za vse vrste poljščin

Za načrtovanje namakanja bombaža je bilo uvedeno daljinsko zaznavanje ET z uporabo modelov SEBAL in METRIC za kartiranje dejanskega ET na posameznih poljih med rastno sezono.

Študije, objavljene v Astrophysics Data System (2020), so pokazale, da sta oba modela zaznala višji od pričakovanega dejanski ET v zgodnjih fazah pridelave zaradi visokega izhlapevanja golih tal – ugotovitev, ki jo standardni pristop s koeficientom pridelkov sistematično ni upošteval, kar je v tem kritičnem obdobju vodilo do prekomernega namakanja.

3. Vodno obračunavanje na ravni porečja

Platforma WaPOR organizacije FAO je bila uporabljena za izvedbo analize produktivnosti vode v namakalnih shemah v Etiopiji, Egiptu in Jordaniji, pri čemer je bila kvantificirana ET na enoto proizvedene biomase poljščin.

Te analize so opredelile polja z vodno produktivnostjo pod povprečjem porečja, kar je zagotovilo prostorsko dokazno osnovo za ciljno usmerjene programe razširitve za izboljšanje učinkovitosti namakanja na območjih z manj uspešnostjo.

Najboljše prakse za izbiro pristopa k spremljanju ET

Izbira prave kombinacije satelitskih podatkov, modela ET in strategije validacije je odvisna od specifičnega vprašanja, na katerega je treba odgovoriti, razpoložljivih virov in sprejemljive stopnje negotovosti.

1. Najprej definirajte prostorsko in časovno lestvico. Mesečno obračunavanje vode na ravni porečja zahteva drugačno orodje kot dnevno načrtovanje namakanja na ravni polja. Preden izberete kateri koli model, uskladite ločljivost in pogostost ponovnih obiskov satelitske platforme s potrebami upravljanja.

2. Model uskladite s tipom pokrajine. Modeli energijske bilance, kot sta SEBAL in METRIC, najbolje delujejo v polsušnih pokrajinah, kjer prevladujejo poljščine, z jasnim nebom. Modeli, ki temeljijo na vegetacijskem indeksu, delujejo bolje v regijah z omejeno razpoložljivostjo toplotnih podatkov. Modeli strojnega učenja delujejo najbolje, kadar so na voljo veliki, lokalno potrjeni učni nabori podatkov.

3. Vedno preverite lokalno. Tudi najnatančnejši globalni izdelek ET je treba pred operativno uporabo validirati z vsaj enim lokalnim stolpom za merjenje pretoka ali lizimetrskim naborom podatkov. Metrike delovanja iz objavljenih študij se le redko natančno prenesejo na nove lokacije in vrste poljščin.

4. Načrtujte vrzeli v oblačnosti. V vlažnih ali tropskih regijah načrtujte strategije združevanja podatkov ali zapolnjevanja vrzeli že od samega začetka. Zanašanje na en sam termalni satelit s 16-dnevnim ciklom ponovnega obiska bo v kritičnih obdobjih rasti poljščin povzročilo nesprejemljive vrzeli v podatkih.

5. Kjer je mogoče, uporabljajte odprte platforme. Google Earth Engine, OpenET in WaPOR omogočajo brezplačen dostop do preverjenih, dobro dokumentiranih ET izdelkov. Izdelava ET modela po meri iz nič je le redko upravičena, razen če to zahtevajo edinstveni lokalni pogoji.

6. Integrirajte podatke ET z obstoječimi sistemi za upravljanje kmetij. Podatki ET so najbolj dragoceni, kadar se neposredno vnašajo v programsko opremo za načrtovanje namakanja, orodja za podporo odločanju ali podatkovne baze za obračunavanje vode, namesto da obstajajo kot samostojen satelitski izhod.

Zaključek

Spremljanje evapotranspiracije z daljinskim zaznavanjem se je iz eksperimentalne raziskovalne discipline razvilo v ključno operativno orodje za upravljanje kmetijskih voda. Kombinacija vse natančnejših satelitskih ET izdelkov, platform z odprtim dostopom, kot sta OpenET in WaPOR, ter združevanja podatkov, ki ga poganja umetna inteligenca, odpravlja ovire, ki so nekoč omejevale satelitsko ET spremljanje na dobro financirane raziskovalne ustanove.

Trenutne zmogljivosti so precejšnje: modeli energetske bilance, potrjeni v 30 ali več državah, satelitski izdelki ET, ki dosegajo sezonsko natančnost, boljšo od 90%, za glavne enoletne pridelke, in platforme v oblaku, ki zagotavljajo podatke ET na terenu vsem kmetom ali upravljavcem voda z internetno povezavo. Te zmogljivosti se že uporabljajo za upravljanje skladnosti namakanja na reki Kolorado, za spremljanje izčrpavanja podtalnice v vodonosniku High Plains in za izboljšanje produktivnosti kmetijske vode po vsej Afriki prek sistema FAO WaPOR.

Riž prehranjuje več kot 3,5 milijarde ljudi po vsem svetu, vendar ima manj kot 60% območij, kjer se goji riž, natančne in posodobljene zemljevide gojenja, v skladu s posodobitvijo globalnega atlasa riža Mednarodnega inštituta za raziskave riža (IRRI) za leto 2024. Kartiranje vzorcev gojenja riža in kulturnega tipa z uporabo daljinskega zaznavanja hitro odpravlja to vrzel z zagotavljanjem prostorsko natančnih in časovno skladnih podatkov v merilih, ki se jim nobena zemeljska raziskava ne more kosati.

Od razlikovanja namakanih nižav z dvojno pridelavo v delti Mekonga v Vietnamu do prepoznavanja polj z deževnico, ki se gojijo v eni sezoni, v podsaharski Afriki, satelitski in radarski sistemi zdaj zagotavljajo obveščevalne podatke, ki jih kmetje, vlade in agencije za prehransko varnost potrebujejo za samozavestno načrtovanje. Ker umetna inteligenca in računalništvo v oblaku pospešujeta obdelavo podatkov, naj bi do leta 2027 skoraj v realnem času postalo svetovni standard za spremljanje riža.

Zakaj je riž pomemben in zakaj je njegovo spremljanje težko

1. Proizvodnja riža in enačba globalne prehranske varnosti

Riž je glavna kalorična osnova za več kot polovico svetovnega prebivalstva, njegov pomen pa sega daleč preko individualne prehrane. Svetovna proizvodnja riža je dosegla približno 520 milijonov metričnih ton brušenega riža v letu 2024, po podatkih FAO, pri čemer Azija predstavlja skoraj 90% te proizvodnje.

Vsaka večja motnja v oskrbi z rižem, bodisi zaradi suše, poplave, izbruha škodljivcev ali neuspeha politik, sproži hitre pretrese cen hrane, ki nesorazmerno prizadenejo najrevnejša gospodinjstva na svetu.

Ohranjanje prehranske varnosti v takšnem obsegu zahteva več kot le pridelavo zadostne količine riža. Zahteva natančno poznavanje, kje se riž goji, kolikokrat na leto se vsako polje obdeluje in katere kmetijske prakse se uporabljajo. Vlade potrebujejo te podatke za dodeljevanje namakalne infrastrukture, subvencioniranje vložkov in izgradnjo rezerv za nujne primere.

Izziv je v tem, da riž gojijo v izjemno razdrobljenih pokrajinah, od terasastih pobočij na Filipinih do prostranih namakanih ravnic na Kitajskem, zaradi česar so običajne terenske raziskave logistično in finančno nepraktične na nacionalni ali regionalni ravni.

2. Potreba po sistematičnem spremljanju vzorcev pridelave riža

Vzorci gojenja riža, kar pomeni število sezon riža, ki se goji na leto, in kako so razporejeni po pokrajini, se nenehno spreminjajo. Podnebna spremenljivost v nekaterih regijah skrajša obdobja gojenja, v drugih pa jih podaljša. Gospodarski signali silijo kmete od enojne k dvojni pridelavi, ko se razpoložljivost vode in tržne cene uskladijo.

Brez sistematičnega spremljanja načrtovalci delajo na podlagi podatkov popisa, ki so lahko pet ali več let stari, kar vodi do kronične napačne dodelitve vode, subvencij za gnojila in podeželskih posojil. Daljinsko zaznavanje ponuja rešitev za to vrzel v spremljanju, saj zagotavlja dosledna in ponovljiva opazovanja po celotnih državah v nekaj dneh.

Namesto da bi se zanašali na samoporočanje kmetov ali ankete popisovalcev, satelitski sistemi neposredno opazujejo pokrajino in zajamejo, kako se riževa polja spreminjajo zaradi poplav, presajanja, vegetativne rasti in žetve v vseh letnih časih.

3. Kaj daljinsko zaznavanje prinaša kmetijskemu kartiranju

Daljinsko zaznavanje je znanost pridobivanja informacij o objektih ali območjih na daljavo, običajno z uporabo senzorjev, nameščenih na satelitih, letalih ali brezpilotnih letalnikih (UAV). V kmetijstvu senzorji merijo energijo, ki jo odbijajo ali oddajajo pridelki, tla in voda pri različnih valovnih dolžinah elektromagnetnega spektra.

Ker različni tipi pokrovnosti tal v različnih fazah rasti različno odražajo energijo, lahko satelitski posnetki ločijo riževo polje od koruznega polja ter poplavljeno parcelo presajenega riža od suhe parcele z neposrednim sejanjem, z natančnostjo, ki se povečuje z izboljševanjem senzorske tehnologije. Kartiranje vzorca pridelave riža in kulturnega tipa z uporabo daljinskega zaznavanja služi štirim medsebojno povezanim ciljem.

• Prvič, ustvari prostorsko eksplicitne popise, kje se riž goji, v sezonskih in letnih časovnih okvirih.
• Drugič, razvršča, koliko ciklov gojenja se zgodi na leto na vsakem kartiranem območju, pri čemer razlikuje sisteme z enojnim, dvojnim in trojnim gojenjem.
• Tretjič, opredeljuje uporabljene kulturne prakse, na primer ali se polje presaja ali seje neposredno, ali se upravljanje z vodo nadzoruje ali se uporablja deževnica.
• Četrtič, ustvarja osnovne podatke, ki se uporabljajo za napovedovanje proizvodnje, načrtovanje vodnega proračuna, načrtovanje prilagajanja podnebnim spremembam in sisteme preciznega kmetijstva.

Razumevanje sistemov gojenja riža in kulturnih tipov

1. Kaj vzorec pridelave riža dejansko pomeni

Vzorec gojenja riža opisuje časovno ureditev gojenja riža znotraj koledarskega leta na določeni lokaciji. Zajema ne le, ali se riž goji, temveč tudi kolikokrat, kdaj se posamezna sezona začne in konča ter kateri pridelek, če sploh, sledi ali predhodi rižu na istem polju. Kartiranje teh vzorcev po regiji daje načrtovalcem dinamično sliko intenzivnosti rabe zemljišč in povpraševanja po virih, ki je en sam posnetek ne bi mogel zagotoviti.

2. Sistemi enovrstnega riža

V sistemih z enim samim pridelkom (monokultura) kmetje gojijo eno sezono riža na leto, običajno usklajeno z monsunsko deževno sezono ali enim samim nadzorovanim namakalnim ciklom. Ti sistemi prevladujejo v regijah, kjer razpoložljivost vode, delovna sila ali podnebje omejujejo možnost druge sezone.

Sistemi z eno samo poljščino imajo običajno daljša obdobja rasti na sezono, pogosto s tradicionalnimi ali izboljšanimi dolgoletnimi sortami, in so nesorazmerno deževni, zaradi česar so zelo občutljivi na čas in porazdelitev padavin.

3. Sistemi dvojnega pridelave riža

Sistemi dvojne pridelave omogočajo dve žetvi riža na leto z istega polja. Najpogostejši so v jugovzhodni in južni Aziji, vključno z delto Rdeče reke v Vietnamu, poplavnimi ravnicami Bangladeša in namakanimi okrožji indijskega Pandžaba.

Časovna vrzel med obema letnima časoma je ozka, pogosto manj kot 30 dni, zato je za identifikacijo območij z dvojno pridelavo iz satelitskih podatkov potrebna gosta časovna vrsta opazovanj, s katerimi se lahko zaznata dva polna fenološka cikla v enem letu.

4. Sistemi trojnega pridelave riža

Trojna pridelava, s tremi žetvami riža na leto, se izvaja na omejenih območjih, kjer sta tako razpoložljivost vode kot temperatura ugodni skozi vse leto. Delta Mekonga v južnem Vietnamu in deli province Guangdong na jugu Kitajske podpirajo sisteme trojne pridelave.

Čeprav maksimizirajo intenzivnost rabe zemljišč, sistemi s tremi posevki prinašajo znatne izzive glede rodovitnosti tal in zatiranja škodljivcev. Oddaljena identifikacija teh polj je tehnično zahtevna, saj kratka obdobja prahe med posevki stisnejo fenološke signale v ozka okna.

5. Gojenje riža z deževnico

Riž, ki ga gojijo izključno s padavinami brez umetne oskrbe z vodo, po podatkih Mednarodnega inštituta za raziskave riža (IRRI) predstavlja približno 451 TP3T celotne površine riža po vsem svetu. Je prevladujoč sistem v podsaharski Afriki, gorskih območjih južne in jugovzhodne Azije ter poplavnih ravnicah, odvisnih od dežja.

Sistemi, ki jih napaja deževnica, so zelo občutljivi na spremenljivost padavin, kar se v nekaterih regijah odraža v nihanjih pridelka za 30-501 TP3T med vlažnimi in sušnimi leti. Z vidika daljinskega zaznavanja je riž, ki ga napaja deževnica, težje kartirati, ker je signal poplav šibkejši in bolj neenakomeren kot na upravljanih namakanih poljih.

6. Namakano gojenje riža

Namakalni sistemi za riž prejemajo vodo prek kanalov, črpalk ali upravljanih rezervoarjev, kar kmetom omogoča, da z veliko natančnostjo nadzorujejo čas sajenja in žetve. Namakani riž trenutno zaseda le približno 551 TP3T svetovne površine, vendar prispeva 751 TP3T k skupni proizvodnji riža, kar odraža prednost pridelave zaradi zanesljive oskrbe z vodo.

Namerno poplavljanje namakanih polj ustvarja močan in dosleden radarski signal, ki ga satelitski senzorji zanesljivo zaznajo, zaradi česar namakani riž spada med najbolj natančno mapirane vrste poljščin na svetu.

7. Gorski in nižinski sistemi riža

Višavski riž gojijo na nepoplavljenih, dobro odcednih tleh, pogosto na pobočjih ali terasah v Aziji in Afriki. Ker ta polja nikoli niso namerno poplavljena, nimajo vodnega signala, ki bi radar omogočil prepoznavnost nižinskega riža, zaradi česar se raziskovalci zanašajo zgolj na spektralne vzorce vegetacije.

Nižinski riž pa gojijo na ravnih ali plitvo poplavljenih poljih, kjer se voda kopiči naravno ali z namakanjem. Nižinski sistemi prevladujejo v azijskih regijah riževih kotlin in so glavni cilj večine obsežnih kartografskih prizadevanj.

Morfološki kontrast med gorskimi in nižinskimi polji, vključno z obliko polja, topografskim položajem in strukturo krošnje, zagotavlja dodatne prostorske namige, ki jih lahko učinkovito izkoristi analiza slik na podlagi objektov.

8. Riž, sejan neposredno v primerjavi s presajenim rižem

Presajeni riž vključuje gojenje sadik v drevesnici 25 do 30 dni, nato pa njihovo ročno ali mehansko premestitev na glavno polje. Pri neposrednem sejanju riža pa se semena sejejo neposredno na pripravljeno polje brez faze drevesnice.

Ti dve metodi ustvarjata merljivo različne časovne podpise v satelitskih podatkih: presajena polja kažejo ostro, sinhronizirano ozelenitev približno tri tedne po poplavi, medtem ko polja z neposredno setvijo kažejo bolj postopen razvoj krošnje od dneva setve. To fenološko razliko, subtilno, a resnično, je mogoče zaznati s skrbno analizo časovnih vrst vegetacijskih indeksov.

Orodja in tehnologije daljinskega zaznavanja za kartiranje riža

1. Fizikalno načelo daljinskega zaznavanja

Vsaka rastlina odbija, absorbira in oddaja sončno sevanje v vzorcih, ki jih določajo biokemija listov, struktura krošnje in vsebnost vode. Zeleni listi močno absorbirajo rdečo svetlobo za fotosintezo, hkrati pa odbijajo velik delež energije bližnjega infrardečega (NIR) sevanja. Poplavljena tla pa absorbirajo skoraj vse dohodno sevanje.

Ti kontrastni odzivi ustvarjajo predvidljive spektralne podpise, ki jih senzorji na satelitih lahko beležijo z doslednim časovnim usklajevanjem, kar analitikom omogoča spremljanje stanja pridelka, stopnje rasti in odločitev o upravljanju na ravni polja, ne da bi kdaj obiskali polje.

2. Optično daljinsko zaznavanje

Optični senzorji zaznavajo odbito sončno sevanje in ustvarjajo slike, ki so zelo podobne tistim, ki bi jih videlo človeško oko, če bi jih razširili na infrardeče valovne dolžine. Raziskave kartiranja riža prevladujejo tri optične platforme.

Landsat (serija satelitov, ki jih od leta 1972 upravljata NASA in USGS) zagotavlja posnetke s prostorsko ločljivostjo 30 metrov in 16-dnevnim ciklom ponovnega obiska. Zaradi dolgega časovnega arhiva je nepogrešljiv za preučevanje sprememb površin riža skozi desetletja. Vendar pa 16-dnevna ponovitev pomeni, da se lahko nekateri fenološki dogodki v kratki rastni sezoni med opazovanji spregledajo.

Sentinel-2 (ki ga upravlja Evropska vesoljska agencija, izstreljen leta 2015 in 2017 kot konstelacija dveh satelitov) je izboljšal Landsat z ločljivostjo 10–20 metrov in 5-dnevnim ciklom ponovnega obiska ekvatorja. Ti dve izboljšavi skupaj omogočata natančnejšo razmejitev polj in boljše fenološko vzorčenje, najnovejše študije visoko natančnega kartiranja riža, vključno s tistimi, objavljenimi v reviji ISPRS Journal of Photogrammetry and Remote Sensing leta 2024, pa uporabljajo Sentinel-2 kot primarni optični vir podatkov.

MODIS (Moderate Resolution Imaging Spectroradiometer) na krovu Nasinih satelitov Terra in Aqua zagotavlja ločljivost 250–500 metrov z možnostjo dnevnega ponovnega obiska. Čeprav je MODIS pregrob za kartiranje posameznih polj, ostaja dragocen za ocene intenzivnosti pridelave na nacionalni in celinski ravni, kjer je visoka prostorska ločljivost manj kritična kot časovna gostota.

3. Radarsko daljinsko zaznavanje

Radar s sintetično aperturo (SAR) je radarska tehnologija, ki oddaja mikrovalovne impulze proti zemeljski površini in meri energijo, razpršeno nazaj do senzorja. Za razliko od optičnih senzorjev SAR deluje neodvisno od oblačnosti in sončne osvetlitve, kar pomeni, da podatke pridobiva enako dobro v oblačni monsunski noči kot v jasnem sušnem dnevu.

Ta lastnost je ključnega pomena za kartiranje riža v tropski Aziji, kjer optični senzorji zaradi oviranja z oblaki rutinsko izgubljajo tedne rastne sezone.

Sentinel-1 (ESA) oddaja mikrovalovno energijo v pasu C (valovna dolžina približno 5,6 cm) in zagotavlja brezplačne, globalne podatke SAR z ločljivostjo 10 metrov s ciklom ponovitve 6–12 dni. Riževa polja na značilen način komunicirajo s signali SAR:

• Poplavljena polja delujejo kot skoraj popolno zrcalo, ki odbija večino radarske energije stran od senzorja (kar povzroča nizke vrednosti povratnega sipanja), medtem ko
• Rastoča krošnja riža vse bolj razpršuje energijo nazaj proti senzorju, ko se povečujeta gostota rastlin in površina listov.

Ta trajektorija povratnega sipanja skozi čas, ki je nizka med poplavljanjem in presajanjem, narašča skozi vegetativne faze in se po razredčenju spet zmanjšuje, tvori radarski fenološki podpis, edinstven za riž.

Nguyen in sodelavci (Remote Sensing of Environment, 2023) so ugotovili, da je bila klasifikacija časovnih vrst Sentinel-1 SAR dosežena Skupna natančnost 92,3% pri kartiranju sezon pridelave riža v treh provincah v vietnamski delti Mekonga, vključno z območji s tremi pridelki, kjer optični podatki zaradi oblačnosti niso bili na voljo več kot 60% rastnega obdobja.

V tropskih regijah, kjer gojijo riž, metode, ki temeljijo na SAR, niso zgolj alternativa optičnemu zaznavanju, temveč so pogosto edina zanesljiva možnost za kartiranje po sezonah v monsunskih mesecih.

4. Integracija podatkov iz več senzorjev

Noben posamezen senzor ne ponuja idealne kombinacije prostorskih podrobnosti, časovne gostote in prodiranja oblakov. Najbolj natančni sistemi za kartiranje riža zato združujejo več vrst senzorjev v enem samem analitičnem okviru.

Skupna arhitektura združuje Sentinel-1 SAR za časovno sledenje brez oblaka z optičnimi podatki Sentinel-2 za spektralno bogatost v jasnih obdobjih in uporablja MODIS kot sidro grobe ločljivosti za zaznavanje fenoloških vzorcev na regionalni ravni.

Ko se ti podatkovni tokovi algoritmično združijo, lahko združeni nabor podatkov razloči meje pridelkov, zazna datume presajanja in dodeli klasifikacije kulturnih tipov z gotovostjo, ki je noben posamezen senzor ne doseže sam.

Prepoznavanje vzorcev gojenja riža iz satelitskih podatkov

1. Časovni podpisi faz rasti riža

Riž gre skozi dobro definirano zaporedje rastnih faz: priprava zemlje in poplavljanje, presajanje ali setev, bokanje (razvoj več stebel iz ene rastline), začetek metlice, razredčitev (pojav cvetne glavice, ki nosi zrnje) in žetev.

Vsaka faza povzroči merljivo spremembo optičnih in radarskih značilnosti polja. Analitiki uporabljajo te specifične podpise za fazo, zajete kot časovne vrste spektralnih indeksov ali povratnega sipanja SAR, za rekonstrukcijo tega, kaj se je zgodilo na posameznem polju in kdaj, brez predhodnega vedenja kmeta.

2. Kartiranje riža na podlagi fenologije

Kartiranje na podlagi fenologije (uporaba časa bioloških dogodkov za razvrščanje poljščin) je prevladujoči pristop za zaznavanje riža na velikih površinah. Metoda deluje tako, da časovnim vrstam podatkov prilagodi matematične krivulje, nato pa identificira polja, kjer se časovni vzorec ujema z značilno krivuljo rasti riža. Ključni datumi dogodkov, pridobljeni s tem postopkom prilagajanja, vključujejo

• začetek rastne sezone (običajno zaznamo z močnim povečanjem vrednosti vegetacijskega indeksa po poplavah),
• vrhunec rastne sezone (indeks največje listne površine) in
• konec sezone (hiter upad ob žetvi).

Število takšnih ciklov, zaznanih v koledarskem letu, neposredno določa, ali je polje razvrščeno kot enojno, dvojno ali trojno obrezano.

3. Ocena intenzivnosti pridelave

Intenzivnost pridelave, število sezon pridelave, ki se vsako leto zaključijo na enoti zemljišča, je eden najpomembnejših rezultatov kartiranja vzorcev pridelave riža. Preprost, a zmogljiv pristop izračuna, kolikokrat se v letnem časovnem nizu piksla pojavi spektralni ali povratni vrh, podoben rižu.

V kombinaciji s prostorskimi filtri za odstranitev lažnih zaznav, ki jih povzročajo mokrišča, vodna telesa ali sezonske poplave, ti ciklični štetji ustvarijo zemljevide riža z enim, dvema in tremi pridelki, ki jih je mogoče preveriti na podlagi terenskih raziskav in regionalne statistike.

4. Sezonsko in letno kartiranje porazdelitve riža

Sezonski zemljevidi (en zemljevid na rastno sezono na leto) ne zajemajo le kje riž gojijo, temveč tudi kdaj raste na posamezni lokaciji. Letni skladi sezonskih zemljevidov nato razkrijejo celoten koledar pridelave v regiji, vključno s prostorsko porazdelitvijo zgodnjega in poznega riža, kar neposredno vpliva na razporejanje vode, obvladovanje pritiska škodljivcev in logistiko žetve.

5. Odkrivanje kolobarjenja, ki vključuje riž

V mnogih azijskih sistemih pridelave riža kmetje v zaporednih sezonah na istem polju izmenično uporabljajo riž s pšenico, zelenjavo, stročnicami ali obdobjem prahe. Daljinsko zaznavanje zazna te kolobarje z analizo celotnega letnega časovnega niza in ne posamezne sezone posebej.

Polje, ki je v deževnem obdobju razvrščeno kot riževo, v sušnem obdobju pa kot pšenica, kaže v podatkih vegetacijskega indeksa izrazit časovni vzorec z dvema vrhovoma, pri čemer spektralne značilnosti vsakega vrha določajo ustrezno vrsto pridelka. Kartiranje teh kolobarjev je pomembno za oceno zdravja tal, modeliranje povpraševanja po namakanju in programe diverzifikacije dohodka.

Kako GeoPard omogoča kartiranje vzorcev gojenja riža

Kartiranje vzorcev pridelave riža zahteva neprekinjeno opazovanje iz več virov skozi celotno rastno sezono in prav to GeoPard zagotavlja. Z združevanjem posnetkov Landsat-8, Sentinel-2 in Planet v eno samo platformo GeoPard spremlja polja vsak drugi dan z ločljivostjo do 3 metrov, s čimer zagotavlja, da zaradi vrzeli v oblakih nikoli ne zamudimo ključnih dogodkov pri pridelavi riža, kot so poplave pred presajanjem, ozelenitev sadik in žetev.

Večsenzorska fuzija platforme je pokazala izboljšanje natančnosti 4% v primerjavi z enosenzorskimi pristopi, kar neposredno izostri ločevanje med sistemi riža z enim pridelkom, dvema pridelkoma in tremi pridelki.

Za identifikacijo kulturnega tipa GeoPardov paket vegetacijskih indeksov, vključno z NDWI za zaznavanje površinskih poplav, EVI2 za čas biomase krošnje in LAI za gostoto krošnje, zajema spektralno biografijo, ki ločuje namakani presajeni riž od sistemov, ki jih napaja deževnica ali sejejo neposredno.

V oblačnih monsunskih dneh, ko optično slikanje popolnoma odpove, integrirana radarska podatkovna plast GeoPard nemoteno sledi vegetaciji in bere povratno sipanje SAR, ki je dokončen podpis poplavljenega riževega polja v času presajanja.

Orodje za primerjavo plasti agronomom omogoča, da postavijo do štiri sinhronizirane podatkovne plasti drugo ob drugi, kar olajša ločevanje vrst riževih kultur s primerjavo signalov poplav NDWI z večletnimi trendi vegetacije in kartami produktivnosti tal.

Platforma, ki temelji na več kot 30 letih satelitskih posnetkov, razkriva dolgoročne vzorce intenzivnosti pridelave na ravni polja. Ti vpogledi se nato neposredno prenesejo v karte s spremenljivo količino gnojil, semen in zaščite pridelkov, s čimer se karte vrst riževih kultur spremenijo v konkretne predpise za upravljanje na ravni polja.

Kartiranje tipov riževih kultur z daljinskim zaznavanjem

1. Spektralne značilnosti različnih kulturnih praks

Kulturni tip, specifična kombinacija upravljavskih praks, ki se uporabljajo na riževem polju, oblikuje časovni razvoj spektralnega podpisa tega polja. Poplavljen presajen riž na primer začne sezono z optičnim odzivom, v katerem prevladuje voda (nizka odbojnost v vseh vidnih pasovih), čemur sledi nenaden premik, ko se vzpostavi krošnja sadik.

Riž, posejan neposredno v nepoplavljeno setvno gredico, kaže postopnejše povečanje vegetacijskega signala od začetka kalitve, brez začetnega obdobja poplavljanja, ki ga optični in SAR senzorji zlahka zaznajo.

2. Razlikovanje namakanega in deževnega riža

Namakana in deževnica napajana riževa polja se razlikujeta na dva opazna načina: čas in pogostost poplav ter doslednost sezonske fenologije. Namakana polja običajno poplavljajo po urniku, kažejo manjšo medletno variabilnost datumov presajanja in ohranjajo stalno gostoto krošenj z nadzorovanim upravljanjem vode.

Polja, ki jih napaja deževnica, kažejo večjo časovno variabilnost med leti, lahko doživljajo sredi sezone vodni stres, ki ga zaznamo kot anomalne padce vrednosti vegetacijskega indeksa, in včasih v sušnih letih ne dokončajo celotne rastne sezone.

Večletna analiza časovnih vrst zajame to strukturo variabilnosti, kar omogoča klasifikacijskim algoritmom, da ločijo namakana od deževnih območij z natančnostjo, ki v dobro kalibriranih sistemih običajno presega 85%.

3. Kartiranje presajenega in neposredno sejanega riža

Najbolj zanesljiv kazalnik za razlikovanje med presajenim in neposredno sejanim rižem v podatkih SAR je čas in trajanje začetnega obdobja poplavljanja z nizkim povratnim sipanjem.

Presajena riževa polja so poplavljena 2–4 tedne pred presajanjem sadik, kar na začetku sezone ustvari podaljšano okno radarjske teme.

Polja z direktno setvijo bodisi ne kažejo okna poplavljanja (suha setev) bodisi ga imajo zelo kratko (mokra setev), porast povratnega sipanja pa je tako zgodnejši glede na datum setve kot tudi strukturno drugačen po naklonu. Te časovne značilnosti je mogoče samodejno izluščiti z algoritmi, ki se uporabljajo za goste časovne vrste SAR.

4. Zaznavanje upravljavskih praks z uporabo daljinskega zaznavanja

Poleg metode presajanja in vodnega režima lahko daljinsko zaznavanje zazna nekatere prakse upravljanja z vodo, kot je izmenično vlaženje in sušenje (AWD), tehnika, ki se uporablja za zmanjšanje emisij metana in porabe vode z občasnim odvajanjem riževih polj.

Polja z AWD-jem med vegetacijskim obdobjem kažejo nihajoče vzorce povratnega sipanja SAR, kar odraža ponavljajoče se cikle poplav in odtekanja, medtem ko nenehno poplavljena polja kažejo bolj enakomerno trajektorijo povratnega sipanja. Ta zmogljivost je še posebej dragocena za spremljanje uvajanja podnebju prijaznih praks riža v nacionalne evidence toplogrednih plinov.

5. Kazalniki upravljanja z vodo na riževih poljih

Zaznavanje vodne površine s pomočjo SAR je zelo občutljivo in lahko zazna zajeto vodo, ki je plitva le nekaj centimetrov pod krošnjami riža. Ta občutljivost analitikom omogoča, da na ključnih točkah rastne sezone kartirajo stanje poplavljanja po posameznih poljih, kar podpira odločitve o načrtovanju namakanja in zgodnje ocene škode zaradi poplav.

Ko so karte vodnih površin iz več datumov časovno zložene, za vsako polje ustvarijo dinamičen podpis upravljanja voda, ki služi kot dragocen vhodni podatek za modele klasifikacije kulturnih tipov.

Tehnike in metode: od indeksov do globokega učenja

1. Vegetacijski indeksi za spremljanje riža

Vegetacijski indeksi so matematične kombinacije vrednosti odbojnosti pri različnih valovnih dolžinah, zasnovane za ojačanje signala rastlinske biomase in zdravja, hkrati pa za zmanjšanje šuma zaradi ozadja tal, atmosferskih vplivov in geometrije osvetlitve. Trije indeksi so osrednjega pomena za kartiranje riža.

i. NDVI (normalizirani indeks razlik v vegetaciji) se izračuna kot (NIR – rdeča) / (NIR + rdeča) in je najpogosteje uporabljen indeks pri spremljanju riža. Spremlja ozelenitev krošnje od vzpostavitve sadik do staranja, pri čemer se vrednosti običajno dvignejo od skoraj ničle pri presajanju do 0,6–0,8 na vrhuncu vegetativne rasti.

ii. EVI (izboljšan vegetacijski indeks) Učinkoviteje popravlja učinke atmosferskih aerosolov in šum v tleh kot NDVI, zaradi česar je bolj primeren v okoljih z visoko obremenitvijo z aerosoli, na primer med sezonami kurjenja biomase, ki so pogoste v tropski Aziji.

iii. LSWI (indeks površinskih voda) vključuje kratkovalovno infrardečo odbojnost za zaznavanje vsebnosti vode tako v krošnji rastlin kot na površini tal, zaradi česar je zelo občutljiv na poplave, ki so značilne za nižinsko gojenje riža, in zagotavlja robusten signal za zaznavanje začetka rastne sezone.

2. Analiza časovnih vrst

En sam satelitski posnetek zajame stanje riževega polja v določenem trenutku, vendar je zgodba riževega polja napisana v zaporedju teh trenutkov. Analiza časovnih vrst združuje številna opazovanja, običajno eno sliko vsakih 5–16 dni za celo leto, in izlušči časovne metrike, kot so datum začetka sezone, najvišji NDVI, stopnja ozelenitve in datum žetve.

Te metrike skupaj opisujejo celotno fenološko vedenje polja in so veliko bolj diagnostične za identifikacijo vrste pridelka kot katero koli posamezno opazovanje. Statistične metode, vključno s harmonično regresijo in dinamičnim časovnim popačenjem (DTW), se pogosto uporabljajo za usklajevanje in primerjavo časovnih vrst podatkov v različnih letih in regijah.

3. Strojno učenje za klasifikacijo riža

Strojno učenje je spremenilo obseg in natančnost kartiranja vzorcev pridelave riža z avtomatizacijo identifikacije kompleksnih, nelinearnih odnosov med spektralno-časovnimi podatki in terenskimi razmerami.

i. Naključni gozd (RF) je ansambelska metoda, ki gradi na stotine neodvisnih odločitvenih dreves, vsako od katerih je usposobljeno na naključnem podmnožju značilnosti, in združuje njihove glasove za končno klasifikacijo. Je robustna do šumnih učnih podatkov, učinkovito obravnava visokodimenzionalne prostore značilnosti in zagotavlja spremenljive ocene pomembnosti, ki analitikom pomagajo razumeti, katere časovne ali spektralne značilnosti vplivajo na odločitve o klasifikaciji.

ii. Stroj podpornih vektorjev (SVM) najde optimalno ločilno mejo med razredi v visokodimenzionalnem prostoru značilnosti. SVM se dobro obnese, kadar so učni podatki omejeni, zaradi česar je uporaben v območjih z omejenimi podatki, kjer je zbiranje osnovnih podatkov drago.

iii. Globoko učenje, zlasti konvolucijske nevronske mreže (CNN) in rekurentne nevronske mreže (RNN), kot so arhitekture dolgega kratkoročnega pomnilnika (LSTM), se lahko hkrati učijo tako prostorskih vzorcev znotraj posameznih slik kot časovnih vzorcev v zaporedjih slik. Klasifikatorji, ki temeljijo na LSTM in se uporabljajo za časovne vrste satelitov, so dosegli najsodobnejšo natančnost pri nalogah kartiranja riža, pri čemer je več študij poročalo o splošni natančnosti nad 90% na regionalni ravni.

Xiao in sodelavci (International Journal of Applied Earth Observation and Geoinformation, 2025) so pokazali, da je model globokega učenja LSTM, usposobljen na združenih časovnih vrstah podatkov satelitov Sentinel-1 in Sentinel-2, preslikal tipe riževih kultur v treh južnoazijskih državah z ... skupna natančnost 91,7% in kappa koeficient 0,89, kar je pri enakih pogojih učnih podatkov preseglo Random Forest za 6,4 odstotne točke.

Za kartiranje tipov kulture riža na velikih območjih, kjer je možno zbiranje podatkov za usposabljanje, so klasifikatorji globokega učenja, ki temeljijo na LSTM, zdaj referenčna metoda in bi morali biti privzeta izbira za nove nacionalne programe kartiranja.

4. Objektno usmerjena analiza slik (OBIA)

Objektno usmerjena analiza slik (OBIA) deluje tako, da sosednje piksle s podobnimi spektralnimi in prostorskimi značilnostmi združi v objekte (segmente) pred njihovo razvrstitvijo, namesto da bi vsak piksel razvrstil posebej.

Pri kartiranju riža je OBIA dragocena, ker lahko v klasifikacijo vključi obliko, teksturo in kontekst, s čimer loči riževo polje od podobno obarvanega vodnega telesa na podlagi pravilne pravokotne geometrije riževega polja.

OBIA je še posebej učinkovita pri zelo visoki prostorski ločljivosti, kot so podatki komercialnih satelitov z ločljivostjo 1–5 metrov ali posnetki brezpilotnih letalnikov (UAV).

5. Tehnike zaznavanja sprememb

Zaznavanje sprememb prepozna območja, kjer se je raba zemljišč spremenila med dvema ali več datumi. Pri spremljanju riževih sistemov ima zaznavanje sprememb dva namena: sledenje medletnemu širjenju ali krčenju riževih površin kot odziv na podnebne ali gospodarske dejavnike in prepoznavanje sprememb sredi sezone, kot so izpad pridelka, opustitev ali nepričakovane poplave.

Dvočasovno zaznavanje sprememb (neposredna primerjava dveh datumov) je preprosto, vendar je ranljivo za fenološke razlike med leti. Veččasovno zaznavanje sprememb v celotnih letnih zbirkah podatkov je bolj robustno in lahko loči dejansko spremembo rabe zemljišč od sezonskih fenoloških variacij.

Ocena in validacija natančnosti

1. Zbiranje podatkov o resnici na tleh

Vsak izdelek za kartiranje riža zahteva validacijo glede na neodvisno zbrana terenska opazovanja. Podatki o terenskih podatkih običajno vključujejo obiske terena z GPS-referenco, kjer usposobljeni popisovalci na statistično reprezentativnem vzorcu lokacij zabeležijo vrsto pridelka, fazo rasti, stanje upravljanja z vodo in način vzpostavitve. Ta opazovanja se zbirajo tako, da časovno sovpadajo s satelitskimi pridobitvami, in so izključena iz usposabljanja modela ter se uporabljajo izključno za oceno natančnosti.

2. Metrike natančnosti klasifikacije

Za uporabo, specifično za riž, se skupaj s Kappo vse pogosteje navaja tudi F1-vrednost, ki uravnoteži natančnost proizvajalca in uporabnika za vsak razred, kot bolj informativen povzetek uspešnosti z eno samo številko. Standardne metrike za ocenjevanje natančnosti zemljevida vključujejo

• skupna natančnost (odstotek vseh pravilno razvrščenih točk validacije),
• natančnost proizvajalca (verjetnost, da je polje danega resničnega razreda pravilno preslikano, analogno odpoklicu),
• uporabnikova natančnost (verjetnost, da je polje, preslikano v dani razred, dejansko ta razred, analogno natančnosti) in
• Kappa koeficient (mera ujemanja, popravljena za naključno ujemanje, kjer vrednosti nad 0,80 kažejo na močno ujemanje).

3. Preverjanje vzorcev pridelave in kart kulturnih tipov

Za potrjevanje kart vzorcev pridelave so potrebni veččasovni podatki o realnosti na terenu, s terenskimi obiski na več točkah v koledarju pridelkov, da se potrdi, koliko sezon je bilo dejansko pobranih na leto na vsakem mestu za potrjevanje.

Validacija kulturnega tipa, ki ločuje med presajenimi in neposredno semeni ali namakanimi in deževnimi rastlinami, je zahtevnejša, ker te razlike niso vedno vizualno očitne na terenu in zahtevajo intervjuje s kmeti ali neposredno opazovanje dogodkov upravljanja v občutljivih obdobjih rastne sezone.

Nacionalna kmetijska statistika, čeprav se pogosto združuje na ravni pokrajin ali okrožij, zagotavlja dodatno plast validacije ocen površin, kar omogoča navzkrižno preverjanje skupnih podatkov na zemljevidu z uradnimi sporočenimi podatki.

Uporaba v celotnem kmetijskem sistemu

1. Kmetijsko načrtovanje in razvoj politik

Zemljevidi vzorcev pridelave riža, pridobljeni z daljinskim zaznavanjem, dajejo kmetijskim ministrstvom prostorsko ločljivost, ki jo potrebujejo za načrtovanje ciljno usmerjenih posegov. Regije, opredeljene kot območja z eno samo poljščino, ki se napajajo z dežjem, je mogoče dati prednost razvoju namakanja v majhnem obsegu; območja s tremi poljščinami in padajočimi donosi je mogoče raziskati glede degradacije tal ali izčrpavanja podtalnice.

2. Ocena proizvodnje riža

Združevanje zemljevidov površin riža iz daljinskega zaznavanja z modeli za oceno pridelka, kot so simulacije rasti pridelkov na podlagi vremenskih podatkov, omogoča pripravo podnacionalnih in nacionalnih napovedi proizvodnje na ravni tednov ali mesecev pred žetvijo.

Nadzorna plošča za prehransko varnost Azijske razvojne banke in globalni informacijski in zgodnji opozorilni sistem FAO (GIEWS) vključujeta podatke o površinah riža, pridobljene s satelitov, za ustvarjanje ocen proizvodnje pred žetvijo z dokazano večjo natančnostjo v primerjavi s pristopi, ki temeljijo na anketah.

3. Upravljanje vodnih virov

Namakani riž je največji porabnik sladke vode v Aziji, saj v državah, kot sta Indija in Bangladeš, porabi približno 401 TP3 ton celotne porabe vode za kmetijstvo.

Najdragocenejši rezultat satelitskega kartiranja riža ni zemljevid sam, temveč odločitev, ki jo omogoča, ali naj se zgradi kanal, zapre vodnjak ali preusmeri subvencija.

Natančno poznavanje tega, kje se prideluje namakani riž, koliko sezon se namaka in katera polja uporabljajo učinkovite prakse upravljanja z vodo, kot je AWD, neposredno podpira načrtovanje porečij, načrtovanje delovanja akumulacijskih jezer in ocene trajnosti podzemne vode.

4. Spremljanje prehranske varnosti

Sistemi zgodnjega opozarjanja na negotovost glede preskrbe s hrano so odvisni od hitrega odkrivanja neuspeha pridelka. Ko območja z rižem ne dokončajo celotnega rastnega cikla, satelitsko spremljanje zazna anomalijo kot odsoten ali okrnjen fenološki vrh znotraj pričakovanega sezonskega okna. FEWS NET (Famine Early Warning Systems Network), ki ga podpira USAID, uporablja satelitske podatke o vegetaciji, vključno s spremljanjem, specifičnim za riž, za ustvarjanje opozoril o varnosti preskrbe s hrano po vsej Aziji in Afriki.

5. Ocena vpliva podnebnih sprememb

Dolgoročni arhivi zemljevidov vzorcev pridelave riža, ki zajemajo 20 ali več let podatkov Landsat, razkrivajo, kako so se območja gojenja riža, letni časi in donosi spreminjali kot odziv na spreminjajoče se temperaturne in padavinske režime. Ti zemljevidi zgodovinskih trendov zagotavljajo empirične dokaze o vplivih podnebnih sprememb na riževe sisteme in služijo kot vhodni podatki za napovedovanje prihodnjega kmetijskega tveganja v različnih scenarijih segrevanja.

7. Uporaba v preciznem kmetijstvu

Na ravni kmetije kartiranje tipov kulture riža, pridobljeno z brezpilotnimi letalniki (UAV), v kombinaciji s podatki o tleh in vodi na ravni polja podpira natančne odločitve o upravljanju, kot so uporaba gnojil s spremenljivimi odmerki, odkrivanje škodljivcev na specifičnih lokacijah in optimizirano načrtovanje datumov sajenja. Te aplikacije trenutno hitro dozorevajo na Japonskem, v Južni Koreji in delih Kitajske, kjer je gojenje riža zelo mehanizirano in je na voljo podatkovna infrastruktura za povezavo rezultatov daljinskega zaznavanja s sistemi za upravljanje kmetij.

Izzivi in omejitve, ki omejujejo kartiranje riža

1. Oblačnost in razpoložljivost podatkov

Vztrajna oblačnost med monsunsko sezono, ko se v Aziji goji velik del riža, močno omejuje število uporabnih optičnih opazovanj. Na nekaterih lokacijah onesnaženost z oblaki zmanjša razpoložljiva opazovanja Sentinel-2 med kritičnim obdobjem presajanja in zgodnje vegetacije na manj kot dve na mesec. Podatki SAR omilijo, vendar ne odpravijo te težave, saj lahko močno deževje začasno nasiči radarski signal.

2. Mešani slikovni elementi in majhne velikosti polj

V regijah, kjer so riževa polja manjša od prostorske ločljivosti senzorja, en sam slikovni element zajame mešanico riževih in neriževih tal, zaradi česar je klasifikacija dvoumna. Višavski riževi sistemi na hribovitem terenu in vrtna polja v delih Indonezije in Filipinov rutinsko proizvajajo mešane slikovne elemente tudi pri 10-metrski ločljivosti Sentinela-2, kar omejuje uporabo metod, ki temeljijo na slikovnih elementih, v teh okoljih.

3. Spektralna in časovna podobnost med vrstami poljščin

Nekateri pridelki, zlasti sladkorni trs, juta in nekatera travišča, v časovnih vrstah NDVI ali EVI ustvarjajo fenološke krivulje, podobne rižu, kar vodi v zmedo pri klasifikaciji. Zaznavanje poplav na podlagi SAR zmanjšuje to zmedo pri nižinskem rižu, vendar je gorske riževe sisteme brez poplavljenih polj še vedno težko ločiti od spektralno podobnih pridelkov brez dodatnih terenskih podatkov ali pomožnih geografskih vhodnih podatkov.

4. Časovne omejitve ločljivosti

Kartiranje vzorcev pridelave riža in kulturnega tipa z uporabo daljinskega zaznavanja zahteva gosto časovno vzorčenje, idealno vsaj eno opazovanje vsakih 8–10 dni skozi celotno rastno sezono. Ko oblačnost ali vrzeli v satelitski orbiti zmanjšajo to časovno gostoto, lahko avtomatizirani algoritmi za zaznavanje v celoti spregledajo kratkotrajne sorte riža ali hitro menjajoče se sezone treh pridelkov.

5. Omejitve podatkov o tleh

Visokokakovostni označeni učni podatki, terenska opazovanja, ki se ujemajo z znanimi vrstami poljščin in praksami gospodarjenja, so še vedno dragi in logistično težko zbrani v obsegu, ki je potreben za usposabljanje in validacijo nacionalnih sistemov kartiranja. V mnogih državah z nižjimi dohodki, ki pridelujejo riž, so človeške in finančne zmogljivosti za sistematično zbiranje podatkov na terenu največja omejitev za izboljšanje natančnosti kartiranja.

Nastajajoči trendi in prihodnost spremljanja riža

1. Spremljanje riža z brezpilotnimi letalniki in droni

Brezpilotna letala (UAV), opremljena z multispektralnimi in toplotnimi senzorji, zdaj zagotavljajo centimetrske posnetke posameznih kmetij, pri čemer ločujejo meje polj, vrste pridelkov in celo zdravstveno stanje posameznih rastlin. Brezpilotna letala delujejo kot most med satelitskim kartiranjem in opazovanjem posameznih rastlin ter zagotavljajo podatke o tleh ultra visoke ločljivosti, potrebne za učenje in validacijo satelitskih modelov v razdrobljenih krajinskih okoljih.

2. Umetna inteligenca in globoko učenje za klasifikacijo riža

Konvolucijske nevronske mreže, uporabljene v časovnih vrstah satelitskih slik, v kombinaciji s transformatorskimi arhitekturami, prilagojenimi iz obdelave naravnega jezika, trenutno dosegajo najvišjo natančnost klasifikacije riža, kar jih je bilo kdaj zabeleženih.

Okvir PRISM (sistem za identifikacijo riževih pridelkov na osnovi fenologije z uporabo večvirnih podatkov), ki so ga leta 2024 objavili raziskovalci na Univerzi Wageningen, je pokazal, da lahko samonadzorovano učenje na neoznačenih satelitskih arhivih predhodno usposobi modele za klasifikacijo riža, ki za natančno nastavitev zahtevajo le minimalne označene zemeljske podatke, kar bistveno zmanjša obremenitev terenskih raziskav.

3. Sistemi za spremljanje riža v skoraj realnem času

Operativni sistemi za spremljanje riža v skoraj realnem času samodejno obdelujejo dohodne satelitske podatke, posodabljajo zemljevide riža v 10–16 dnevnih intervalih in pošiljajo opozorila o datumih sajenja, dogodkih pomanjkanja vode in času žetve neposredno na vladne nadzorne plošče ali mobilne aplikacije, ki jih uporabljajo kmetje in svetovalci.

Tajski oddelek za riž in vietnamsko ministrstvo za kmetijstvo upravljata prototipe tovrstnih sistemov, Mednarodni inštitut za raziskave riža pa podpira podoben razvoj zmogljivosti v Bangladešu in Kambodži.

4. Integracija satelitskih in internetnih podatkov

Senzorji interneta stvari (IoT), nameščeni na riževih poljih, merijo vlažnost tal, gladino vode, temperaturo in mikroklimo krošenj, kar ustvarja neprekinjena opazovanja na tleh, ki dopolnjujejo in kalibrirajo podatke daljinskega zaznavanja satelitov.

Ko se omrežja senzorjev interneta stvari in satelitska opazovanja združijo v okvire za združevanje podatkov, lahko nastali sistem spremljanja z večjo zanesljivostjo in prej, kot če bi kateri koli od virov zagotavljal neodvisno drug od drugega, zazna vodno obremenitev, nastanek poplav in pritisk bolezni.

5. Digitalno kmetijstvo in pametno kmetovanje

Konvergenca satelitskega kartiranja riža, zaznavanja interneta stvari in podpore odločanju, ki jo poganja umetna inteligenca, ustvarja temelje pametnega gojenja riža, kjer se upravljavske odločitve, od časa namakanja do uporabe gnojil, sprejemajo na podlagi prostorsko eksplicitnih, skoraj realnočasovnih podatkovnih tokov in ne na podlagi koledarskih pravil.

Pilotni programi v japonski prefekturi Niigata in kitajski provinci Heilongjiang so pokazali, da lahko natančno upravljanje riža s pomočjo daljinskega zaznavanja zmanjša vhodne stroške za ... 15-25% hkrati pa ohranja ali izboljšuje donose, glede na predhodna poročila o poljskih poskusih iz leta 2024.

Zaključek

Kartiranje vzorcev pridelave riža in kulturnega tipa z uporabo daljinskega zaznavanja je iz akademske raziskovalne discipline dozorelo v operativno orodje, ki ga uporabljajo vlade, mednarodne agencije in agrotehnološke platforme po vsej Aziji in drugod. Večsenzorski časovni nizi, ki združujejo optične in SAR podatke, obdelane s klasifikatorji strojnega učenja in globokega učenja, zdaj rutinsko zagotavljajo zemljevide riževih območij na nacionalni ravni s skupno natančnostjo, ki presega 85-90%. Ti zemljevidi ne določajo le, kje riž raste, temveč tudi, kolikokrat na leto, pod kakšnim vodnim režimom in s katero metodo vzpostavitve.

Prehod od preprostega kartiranja riževih območij k klasifikaciji kulturnih tipov je tisto, kar preoblikuje produkt pokrovnosti tal v sredstvo kmetijske inteligence. Vedenje, da je regija v desetletju prešla s presajenega na neposredno sejanje riža, hkrati signalizira spremembe na trgu dela in izčrpavanje podtalnice. Poznavanje, katera območja z deževnico so najbolj ranljiva za sušna obdobja v zgodnji sezoni, kar je opredeljeno z njihovimi časovnimi spektralnimi vzorci, omogoča vnaprejšnje odzivanje na sušo namesto reaktivnega reševanja nesreč. Daljinsko zaznavanje omogoča to raven prostorske inteligence za delček stroškov enakovrednih programov geodetskih raziskav.

Krompir je ena najpomembnejših prehranskih poljščin na svetu in je osnovna hrana za milijone ljudi. Prvič, poznavanje rasti krompirja in sposobnost napovedovanja njegovega pridelka pomaga kmetom učinkoviteje upravljati namakanje, gnojenje in zatiranje škodljivcev.

Drugič, predelovalci hrane in skladišča lahko bolje načrtujejo logistiko in delo, če imajo zanesljive ocene pridelka. Vendar pa so tradicionalne metode – kot sta fizični sprehod po poljih in ročno merjenje rastlin – zamudne in nagnjene k človeškim napakam.

Zato so se znanstveniki obrnili na daljinsko zaznavanje, ki uporablja kamere in senzorje na satelitih, dronih ali ročnih napravah, da bi hitreje in natančneje spremljali rast krompirja in napovedovali pridelek.

Razumevanje napovedi pridelka krompirja

V zadnjih dveh desetletjih se je zanimanje za uporabo daljinskega zaznavanja v raziskavah krompirja znatno povečalo. Pravzaprav je sistematični pregled odkril 79 študij, objavljenih med letoma 2000 in 2022 na to temo, od 482 prvotno pregledanih člankov.

Da bi zagotovili preglednost in ponovljivost, so avtorji sledili ustaljenim smernicam (Kitchenham & Charters 2007; okvir PRISMA) in iskali po osmih glavnih podatkovnih bazah – Google Scholar, ScienceDirect, Scopus, Web of Science, IEEE Xplore, MDPI, Taylor & Francis in SpringerLink – z uporabo izrazov, kot sta “napoved pridelka krompirja” IN “daljinsko zaznavanje”.”

Posledično so bile vključene le izvirne raziskave v angleščini, ki so za spremljanje rasti ali oceno pridelka uporabljale podatke daljinskega zaznavanja. Poleg tega so bili podatki iz vsakega izbranega članka izvlečeni glede na štiri ključna vprašanja:

• Katera senzorska platforma je bila uporabljena (satelitska, brezpilotna letalnik ali zemeljska)?
• Kateri vegetacijski indeksi ali spektralne značilnosti so bili ocenjeni?
• Katere lastnosti pridelkov so bile spremljane (biomasa, listna površina, klorofil, dušik)?
• Kako natančno je mogoče napovedati končni pridelek gomoljev (koeficient determinacije, R²)?

Ta vprašanja so recenzentom pomagala opredeliti trenutno stanje in prepoznati vrzeli, na katere bi se lahko osredotočile prihodnje raziskave.

Platforme za daljinsko zaznavanje in vegetacijski indeksi

Raziskovalci so uporabili tri glavne vrste platform za daljinsko zaznavanje, vsaka s svojimi prednostmi in omejitvami. Prvič, optični sateliti, kot sta Sentinel-2 (prostorska ločljivost 10 m, 5-dnevni ponovni obisk) in Landsat 5–8 (30 m, 16-dnevni ponovni obisk), ponujajo široko pokritost in pogosto brezplačen dostop do podatkov.

Drugič, sateliti, kot so MODIS/TERRA/Aqua (250–1000 m, dnevni do dvodnevni ponovni obisk) in komercialni sistemi, kot je PlanetScope (3 m, dnevni, stroški približno $218 na 100 km²), omogočajo pogostejše ali višjo ločljivost spremljanja, čeprav so lahko stroški pomemben dejavnik.

Tretjič, brezpilotna letala (UAV) z multispektralnimi ali hiperspektralnimi kamerami zagotavljajo zelo visoko ločljivost (do nekaj centimetrov na slikovno piko) in jih je mogoče uporabljati na zahtevo, vendar pokrivajo manjša območja in zahtevajo več logistike.

Končno, zemeljski senzorji – kot so ročni merilniki NDVI in merilniki klorofila SPAD – omogočajo zelo natančne točkovne meritve, čeprav so pri uporabi na velikih poljih časovno zahtevne.

Vegetacijski indeksi (VI) pretvarjajo surove vrednosti odbojnosti v smiselne ocene rastlinskih lastnosti. Najpogostejši indeksi v študijah krompirja vključujejo:

• NDVI (normalizirani indeks razlike vegetacije): (NIR – rdeča) / (NIR + rdeča)
• GNDVI (zeleni NDVI): (NIR – zelena) / (NIR + zelena)
• NDRE (normalizirana razlika rdečega roba): (NIR – rdeči rob) / (NIR + rdeči rob)
• OSAVI (optimiziran indeks vegetacije, prilagojen tlom): 1,16 × (NIR – rdeča) / (NIR + rdeča + 0,16)
• EVI (izboljšan vegetacijski indeks), CIrdeč rob, CIzelen in drugi. .

Ti indeksi so izbrani glede na njihovo občutljivost na pokrovnost krošnje, vsebnost klorofila in ozadje tal. Posledično služijo kot osnova za oceno zdravja rastlin in napovedovanje pridelka.

Spremljanje rasti krompirja in napovedovanje pridelka

Z daljinskim zaznavanjem raziskovalci spremljajo ključne lastnosti pridelka krompirja – nadzemno biomaso (AGB), indeks listne površine (LAI), vsebnost klorofila v krošnji (CCC) in stanje dušika v listih – in jih nato povežejo s končnim pridelkom gomoljev.

Prvič, ocenjevanje AGB samo z uporabo VI je lahko zahtevno, kadar je krošnja gosta, ker se mnogi indeksi nasičijo; zato kombiniranje VI z višino rastlin ali teksturnimi značilnostmi v modelih strojnega učenja pogosto izboljša natančnost.

Drugič, ocena LAI – skupne površine listov na tleh na eni strani – je dosegla vrednosti R² do 0,84 z uporabo časovnih vrst podatkov iz hiperspektralnih senzorjev brezpilotnih letalnikov in satelitskih multispektralnih senzorjev.

Tretjič, ocene CCC, izpeljane iz indeksov, kot so CIred-edge, CIgreen, TCARI/OSAVI in TCARI + OSAVI, so v vegetativni fazi dosegle R² ≈ 0,85, kar kaže na močno korelacijo z laboratorijsko izmerjenim klorofilom.

Nazadnje je bil pri uporabi zemeljskih senzorjev in regresijskih ali naključnih gozdnih modelov napovedan status dušika v listih, ki je ključnega pomena za zdravo rast, z R² v razponu od 0,52 do 0,95.

Pri napovedovanju pridelka gomoljev izstopata dva glavna pristopa modeliranja:

Empirični regresijski modeli: Tukaj se en sam VI – najpogosteje NDVI, GNDVI ali NDRE – prilagodi podatkom o pridelku na podlagi realnih podatkov. Poročane vrednosti R² za NDVI glede na pridelek se gibljejo od 0,23 do 0,84 (mediana ≈ 0,67), medtem ko se korelacije med NDRE in pridelkom gibljejo od 0,12 do 0,85 (mediana ≈ 0,61).

Modeli strojnega učenja: Sem spadajo naključni gozd, stroji podpornih vektorjev in nevronske mreže, ki združujejo več VI, spektralne pasove in nespektralne dejavnike, kot so vreme, tla in upravljanje. Takšni modeli so v nekaterih študijah dvignili R² na 0,93.

Poleg tega čas zbiranja podatkov močno vpliva na natančnost napovedi. V več študijah so meritve VI, opravljene 36–55 dni po sajenju (DAP), pokazale najvišje korelacije s končnim pridelkom gomoljev.

Ta faza se ujema z največjo pokritostjo tal in začetkom rasti gomoljev, zaradi česar je struktura rastline najbolj pokazatelj morebitnega pridelka. Nekateri ključni statistični podatki:

• Od 482 identificiranih študij je merila za pregled izpolnjevalo 79 študij (2000–2022).
• Fokusna področja: napoved pridelka (37 %), stanje dušika v listih (21 %), AGB (15 %), LAI (15 %), CCC (12 %).
• Najpogosteje uporabljene satelitske platforme: Sentinel‑2, Landsat, MODIS; komercialne: PlanetScope.
• Razponi R²: NDVI – izkoristek (0,23–0,84), NDRE – izkoristek (0,12–0,85), GNDVI – izkoristek (0,26–0,75).

Priporočila za napoved pridelka krompirja

Na podlagi teh ugotovitev bi morali strokovnjaki najprej izbrati ustrezno platformo za svoje cilje. Za regionalne napovedi pridelka brezplačni podatki Sentinel-2 zagotavljajo zanesljivo pokritost z ločljivostjo 10 m in 5-dnevnim urnikom ponovnih obiskov.

Za izboljšanje lokalnih ocen so leti brezpilotnih zrakoplovov, načrtovani približno 36–55 dni po sajenju, namenjeni zajemanju kritične dinamike krošnje in izboljšanju kalibracije satelitskih modelov. Zemeljski senzorji so najbolje uporabljeni za naključne preglede in kalibracijo oddaljenih opazovanj, zlasti pri kombiniranju spektralnih podatkov z meritvami na terenu.

Kar zadeva vegetacijske indekse, bi morali strokovnjaki za napovedovanje končnega pridelka dati prednost NDVI, NDRE in CI _{rdečega roba} , saj ti indeksi dosledno kažejo močne korelacije.

Pri ocenjevanju vsebnosti klorofila in dušika kombinacija indeksov rdečega roba z indeksi gostote (VI), prilagojenimi talnim razmerjem, kot sta TCARI/OSAVI, daje najbolj natančne rezultate. Pri ocenjevanju biomase integracija VI z višino rastlin ali teksturnimi značilnostmi v okviru strojnega učenja dodatno poveča natančnost.

Kar zadeva modeliranje, so preproste linearne ali nelinearne regresije z uporabo enega samega indeksa učinkovite, kadar so podatki o dejstvih omejeni. Kadar pa je na voljo več indeksov in pomožni podatki (vreme, tla, gospodarjenje), metode strojnega učenja, kot so naključni gozdovi ali nevronske mreže, ponujajo vrhunsko delovanje. Pomembno je, da je časovno zajemanje posnetkov približno 36–55 dni po sajenju ključnega pomena, saj to okno dosledno zagotavlja najvišjo natančnost napovedi.

Zaključek

Skratka, daljinsko zaznavanje ponuja hiter, prilagodljiv in natančen nabor orodij za spremljanje rasti krompirja in napovedovanje pridelka gomoljev. Z izbiro ustrezne platforme, izbiro najbolj informativnih vegetacijskih indeksov, časovnim razporedom zbiranja podatkov okoli 36–55 DAP in uporabo ustreznih tehnik modeliranja lahko raziskovalci in strokovnjaki znatno izboljšajo napovedi pridelka.

Ta pristop ne le prihrani čas, temveč tudi podpira pametnejše upravljavske odločitve, kar na koncu koristi kmetom, agronomom in celotni dobavni verigi krompirja.

Referenca: Mukiibi, A., Machakaire, ATB, Franke, AC. et al. Sistematični pregled vegetacijskih indeksov za spremljanje rasti krompirja in napovedovanje pridelka gomoljev z daljinskim zaznavanjem. Krompirjeve raziskave. 68, 409–448 (2025). https://doi.org/10.1007/s11540-024-09748-7