Kaj je kopenska biomasa?<\/h2>\n
Biomasa tal (skupna suha masa vsega organskega materiala na dolo\u010denem obmo\u010dju) se meri v metri\u010dnih enotah, kot so ton na hektar (t\/ha)<\/strong> ali megagramov na hektar (Mg\/ha)<\/strong>, kjer je 1 Mg enak 1 metri\u010dni toni. Predstavlja akumulirani produkt fotosinteze \u2013 ogljik, ki so ga rastline, drevesa in drugi organizmi ujeli iz ozra\u010dja in ga fiksirali v fizi\u010dno snov.<\/p>\n Je eden najmo\u010dnej\u0161ih kazalnikov zdravja ekosistemov, shranjevanja ogljika in produktivnosti pridelkov, vendar so tradicionalne metode merjenja na tleh \u017ee dolgo prepo\u010dasne, drage in prostorsko omejene, da bi zadostile potrebam sodobnega upravljanja zemlji\u0161\u010d.<\/p>\n Znanstveniki delijo biomaso v dve glavni kategoriji. Nadzemna biomasa (AGB) zajema vse, kar raste nad povr\u0161ino tal \u2013 stebla, debla, veje, liste in stoje\u010di odmrli les. Podzemna biomasa (BGB) zajema koreninske sisteme in drug podzemni organski material. V ve\u010dini gozdnatih ekosistemov BGB predstavlja pribli\u017eno 20\u201330% celotne biomase<\/strong>, njegovo merjenje pa ostaja veliko te\u017eje kot ocenjevanje AGB.<\/p>\n Biomasa se deli tudi na \u017eivo biomaso (aktivno rasto\u010di, presnovno aktiven rastlinski material) in odmrlo biomaso (stoje\u010di ali odpadli odmrli les, suha stelja). Obe vrsti shranjujeta ogljik in prispevata k skupnemu ogljikovemu bazenu v krajini, vendar se razli\u010dno odzivata na po\u017eare, bolezni in upravljavske posege.<\/p>\n Kot okoljski kazalnik ima biomasa edinstveno mo\u010dan polo\u017eaj. Visoke vrednosti biomase ka\u017eejo na produktivne, zdrave ekosisteme z mo\u010dnim potencialom za vezavo ogljika. Upadajo\u010di trendi biomase razkrivajo kr\u010denje gozdov, stres zaradi su\u0161e, degradacijo tal ali prekomerno \u017eetev. Za pridelovalce polj\u0161\u010din je nadzemna biomasa neposredno povezana s potencialom pridelka \u017eita, zaradi \u010desar je ena najbolj prakti\u010dnih metrik v preciznem kmetijstvu.<\/p>\n <\/p>\n Tradicionalno ocenjevanje biomase se opira na terenske meritve: raziskovalci poberejo vzor\u010dne parcele, posu\u0161ijo rastlinski material v pe\u010dicah in ga stehtajo, da dolo\u010dijo suho maso na enoto povr\u0161ine. Ta uni\u010dujo\u010d in delovno intenziven postopek deluje na ravni parcele, vendar postane popolnoma neprakti\u010den, ko potrebujete podatke o biomasi za nacionalni gozd, pore\u010dje ali celinsko kmetijsko obmo\u010dje. Klju\u010dne omejitve terenskih raziskav na terenu<\/p>\n 1. Prostorska pokritost je mo\u010dno omejena.<\/strong> Terenska ekipa lahko realno izmeri biomaso na nekaj deset parcelah na sezono. Satelit pokriva milijone hektarjev z enim samim nadvozom, zaradi \u010desar je spremljanje na ravni pokrajine nemogo\u010de brez daljinskega zaznavanja.<\/p>\n 2. Terenske raziskave so drage in po\u010dasne.<\/strong> Napotitev usposobljenega osebja v oddaljene gozdove ali \u010dez obse\u017ena kmetijska obmo\u010dja zahteva znatna sredstva, logisti\u010dno usklajevanje in \u010das \u2013 vse to pa se z nara\u0161\u010danjem obmo\u010dij raziskovanja slabo obnese.<\/p>\n 3. Destruktivno vzor\u010denje \u0161koduje ekosistemu.<\/strong> \u017detev na parcelah za tehtanje biomase uni\u010di prav preu\u010devano vegetacijo, kar ni zdru\u017eljivo z dolgoro\u010dnimi programi spremljanja, ki zahtevajo ponavljajo\u010de se meritve na isti lokaciji.<\/p>\n 4. \u010casovna frekvenca je prenizka.<\/strong> Terenske ekipe obi\u010dajno pregledajo lokacijo v najbolj\u0161em primeru enkrat letno. Sateliti lahko isto lokacijo obi\u0161\u010dejo vsakih nekaj dni, kar omogo\u010da stalno spremljanje sezonskih sprememb biomase in hiter odziv na dogodke, kot sta po\u017ear ali su\u0161a.<\/p>\n Daljinsko zaznavanje hkrati obravnava vse te omejitve. Ena sama satelitska slika Sentinel-2 zajema 290 km\u00b2 na prizor<\/strong> pri 10-metrska prostorska lo\u010dljivost<\/strong>, ki zagotavlja ponovljive podatke o vegetaciji od stene do stene brez marginalnih stro\u0161kov na dodaten hektar. Uporaba, ki je odvisna od natan\u010dnih podatkov o kopenski biomasi, je obse\u017ena:<\/p>\n <\/p>\n Vsak sistem daljinskega zaznavanja \u2013 pa naj bo to opti\u010dni satelit, radar ali laser \u2013 zbira informacije o vegetaciji z merjenjem interakcije elektromagnetne energije z rastlinskim materialom. Razumevanje te interakcije je klju\u010d do razumevanja, zakaj lahko daljinsko zaznavanje sploh oceni biomaso.<\/p>\n Rastline razli\u010dno odbijajo, absorbirajo in oddajajo elektromagnetno sevanje, odvisno od njihove notranje kemije, vsebnosti vode, strukture listov in arhitekture kro\u0161nje. Klorofil (zeleni pigment, ki poganja fotosintezo) mo\u010dno absorbira rde\u010de in modre valovne dol\u017eine, hkrati pa odbija zeleno in bli\u017enje infrarde\u010de sevanje.<\/p>\n Zdrava, gosta vegetacija zato ka\u017ee zna\u010dilen spektralni vzorec: nizko odbojnost rde\u010dega sevanja, visoko odbojnost bli\u017enjega infrarde\u010dega sevanja. Ta vzorec \u2013 imenovan spektralni podpis \u2013 je merljiv iz vesolja, njegova intenzivnost pa je povezana s koli\u010dino rastlinskega materiala na enoto povr\u0161ine.<\/p>\n Senzorji zajamejo spektralni podpis in izra\u010dunajo vegetacijske indekse (matemati\u010dna razmerja, ki kvantificirajo, kako mo\u010dno se vegetacijski signal pojavi na dani sliki). Ti indeksi se nato pove\u017eejo z biomaso prek statisti\u010dnih ali strojno-u\u010dnih modelov, ki so kalibrirani z uporabo meritev biomase, zbranih na terenu. Rezultat je prostorsko neprekinjen zemljevid biomase \u2013 vsaka slikovna pika na sliki dobi predvideno vrednost biomase.<\/p>\n Potek obdelave podatkov sledi jasnemu zaporedju. Surovi satelitski podatki prispejo z geometrijskimi popa\u010denji in atmosferskimi motnjami. Predobdelava te napake popravi. Vegetacijski indeksi se izra\u010dunajo iz popravljenih posnetkov. Vzorci biomase, izmerjeni na terenu, slu\u017eijo kot osnova za kalibracijo modela. Validirani model se nato uporabi na celotnem obsegu slike, da se ustvari kon\u010dni zemljevid biomase.<\/p>\n Dodatni fizikalni signali, ki presegajo spektralno odbojnost, nosijo informacije o biomasi. Vi\u0161ina kro\u0161nje \u2013 kako visoka je vegetacija \u2013 je mo\u010dan napovedovalec AGB. Gostota rastlin (koliko stebel na hektar) dolo\u010da, koliko svetlobe se prestre\u017ee. Hrapavost povr\u0161ine (ki jo zazna radar) odra\u017ea strukturno kompleksnost kro\u0161nje. Senzorji, ki merijo te strukturne lastnosti in ne le odbojnost, pogosto zagotavljajo ve\u010djo natan\u010dnost ocene biomase.<\/p>\n <\/p>\n Noben posamezen senzor ne prevladuje pri ocenjevanju biomase v vseh ekosistemih in na vseh ravneh. Znanstveniki in strokovnjaki kombinirajo ve\u010d vrst senzorjev glede na ciljno vegetacijo, prora\u010dun, zahtevano natan\u010dnost in geografsko pokritost.<\/p>\n Najbolj natan\u010dni zemljevidi biomase danes niso zgrajeni iz enega samega senzorja, temve\u010d iz inteligentne fuzije opti\u010dnih, radarskih in LiDAR podatkov \u2013 pri \u010demer vsak zapolnjuje slepe pege drugih.<\/p>\n Opti\u010dni senzorji zajemajo odbito son\u010dno svetlobo v diskretnih spektralnih pasovih, ki obi\u010dajno pokrivajo vidne valovne dol\u017eine (modra, zelena, rde\u010da) in bli\u017enje infrarde\u010de sevanje (NIR). Ve\u010dspektralni posnetki (podatki iz 4\u201310 spektralnih pasov) tvorijo hrbtenico ve\u010dine operativnih programov kartiranja biomase po vsem svetu, predvsem zaradi brezpla\u010dnih, neprekinjenih podatkovnih tokov iz misij Sentinel-2 in Landsat.<\/p>\n Hiperspektralni posnetki (podatki iz stotin ozkih, sosednjih spektralnih pasov) zagotavljajo veliko natan\u010dnej\u0161e spektralne podrobnosti. Razlo\u010dujejo rastlinske pigmente, vsebnost vode in kemijo listov na ravni, ki je multispektralni senzorji ne morejo.<\/p>\n Zaradi tega je \u0161e posebej uporaben za zaznavanje subtilnih razlik v gostoti biomase na travnikih in kmetijskih poljih. Glavna omejitev hiperspektralnih posnetkov je obla\u010dnost: opti\u010dni senzorji ne morejo videti skozi oblake, kar povzro\u010da znatne vrzeli v podatkih v vla\u017enih tropskih regijah, kjer je ocena biomase najpomembnej\u0161a.<\/p>\n Med pogostimi sateliti, ki se uporabljajo za opti\u010dno kartiranje biomase, so Landsat 8\/9 (lo\u010dljivost 30 metrov, 16-dnevni ponovni obisk), Sentinel-2 (lo\u010dljivost 10 metrov, 5-dnevni ponovni obisk) in PlanetScope (lo\u010dljivost 3 metrov, dnevni ponovni obisk za komercialne namene).<\/p>\n Sinteti\u010dni aperturni radar (SAR) \u2013 sistem, ki oddaja mikrovalovne impulze in meri energijo, ki se odbije od zemeljske povr\u0161ine \u2013 v celoti re\u0161uje problem obla\u010dnosti. Mikrovalovna energija prehaja skozi oblake in meglico brez motenj, zaradi \u010desar je SAR senzor izbire za spremljanje tropskih gozdov, kjer zaradi vztrajne obla\u010dnosti opti\u010dne slike skoraj niso uporabne.<\/p>\n SAR signali prodrejo tudi v kro\u0161nje vegetacije, kjer interagirajo z olesenelimi stebli in vejami, ne le z zgornjo povr\u0161ino listov. Dalj\u0161a kot je valovna dol\u017eina radarja, globlje prodre signal. SAR v L-pasu (valovna dol\u017eina okoli 23 cm, ki jo uporablja ALOS-2 in PALSAR-2) prodre v spodnje kro\u0161nje in interagira z veliko lesno biomaso, zaradi \u010desar je \u0161e posebej primeren za ocenjevanje AGB v tropskih gozdovih.<\/p>\n SAR v pasu C (valovna dol\u017eina okoli 5 cm, ki jo uporablja Sentinel-1) je bolj ob\u010dutljiv na strukturo povr\u0161inske kro\u0161nje in se pogosto uporablja za spremljanje biomase polj\u0161\u010din.<\/p>\n Raziskava, objavljena v Revija za gozdarske raziskave<\/em> (Springer Nature, 2021) je ugotovila, da so podatki SAR tako iz L-pasu kot iz Sentinel-1 v C-pasu omogo\u010dili zadovoljive ocene zalog ogljika, pri \u010demer so skupne zaloge ogljika na preu\u010devanem obmo\u010dju sredozemskega gozda dosegle pribli\u017eno 130 t\/ha<\/strong> po nadzemni in podzemni povr\u0161ini, odmrlem lesu, odpadkih in talnih lu\u017eah skupaj.<\/p>\n LiDAR (zaznavanje in dolo\u010danje razdalje svetlobe) oddaja laserske impulze in meri natan\u010den \u010das, ki ga ti potrebujejo, da se odbijejo od ciljne povr\u0161ine. Ta \u010dasovna zaznava se neposredno pretvori v tridimenzionalne oblake to\u010dk (goste zemljevide natan\u010dnega mesta, kjer se je vsak laserski impulz odbil), ki razkrivajo vi\u0161ino kro\u0161nje, strukturo kro\u0161nje in nadmorsko vi\u0161ino tal z natan\u010dnostjo do centimetra.<\/p>\n Vi\u0161ina dreves je med najmo\u010dnej\u0161imi napovedovalci nadzemne biomase \u2013 vi\u0161ja drevesa nosijo eksponentno ve\u010d biomase kot ni\u017eja. Vi\u0161inski modeli, pridobljeni z LiDAR-jem, v kombinaciji z alometri\u010dnimi ena\u010dbami, izmerjenimi na terenu (vrstno specifi\u010dnimi matemati\u010dnimi razmerji med vi\u0161ino, premerom in maso drevesa), dajejo ocene biomase, ki v gozdnatih pokrajinah dosledno preka\u0161ajo opti\u010dne ali radarske pristope.<\/p>\n Frontiers in Plant Science je ugotovil, da je model naklju\u010dnega gozda, ki vklju\u010duje odtise vesoljskega LiDAR-ja GEDI, ocenil biomaso smreke in jelke v razponu od od 51,33 t\/hm\u00b2 do 179,83 t\/hm\u00b2<\/strong>, s povpre\u010djem 101,98 t\/hm\u00b2<\/strong>, v alpskem ekosistemu Shangri-La na Kitajskem.<\/p>\n To prikazuje, kako lahko vesoljski LiDAR, prilagojen s strojnim u\u010denjem, zagotavlja operativno uporabne vrednosti gostote biomase v oddaljenih gorskih ekosistemih brez dostopa terenske ekipe.<\/p>\n<\/div>\n Nasina misija GEDI (Global Ecosystem Dynamics Investigation) \u2013 ve\u010d\u017earkovni instrument LiDAR, name\u0161\u010den na Mednarodni vesoljski postaji \u2013 predstavlja prvi namensko zgrajen vesoljski sistem LiDAR za oceno globalne biomase. GEDI zbira podatke od 51,6\u00b0 severne do 51,6\u00b0 ju\u017ene zemljepisne \u0161irine, ki pokrivajo glavna tropska in zmerna gozdna obmo\u010dja na svetu.<\/p>\n Brezpilotna letala (UAV), obi\u010dajno imenovana droni, premostijo vrzel med satelitskimi in terenskimi meritvami. Dron, ki nosi RGB kamere, zajema slike centimetrske lo\u010dljivosti, ki razlo\u010dujejo posamezne rastline.<\/p>\n Multispektralni senzorji dronov izra\u010dunavajo natan\u010dne indekse vegetacije na ravni parcele. Droni, opremljeni z LiDAR-jem, ustvarjajo goste oblake to\u010dk, ki omogo\u010dajo oceno biomase s strukturno natan\u010dnostjo LiDAR-ja iz zraka za del\u010dek stro\u0161kov.<\/p>\n Za pridelovalce polj\u0161\u010din je kartiranje biomase z droni \u0161e posebej prakti\u010dno. En sam prelet nad p\u0161eni\u010dnim ali koruznim poljem med vegetativno rastjo ustvari zemljevid gostote biomase, ki ozna\u010duje obmo\u010dja z omejenim pridelkom \u2013 obmo\u010dja z nizko biomaso, ki morda potrebujejo dodatno gnojilo ali namakanje, preden \u0161koda postane nepopravljiva.<\/p>\n <\/p>\n Vegetacijski indeksi so matemati\u010dni most med surovimi vrednostmi spektralne odbojnosti in biolo\u0161kimi informacijami o gostoti in zdravju rastlin. Vsak indeks izkori\u0161\u010da dolo\u010den del elektromagnetnega spektra, kjer se vegetacija obna\u0161a zna\u010dilno.<\/p>\n NDVI (normalizirani indeks razlike v vegetaciji) je najpogosteje uporabljen. Razliko med odbojnostjo bli\u017enjega infrarde\u010dega (NIR) in rde\u010dega sevanja deli z njuno vsoto: NDVI = (NIR \u2013 rde\u010da) \/ (NIR + rde\u010da). Vrednosti se gibljejo od -1 do +1, pri \u010demer zdrava gosta vegetacija obi\u010dajno dose\u017ee med 0,6 in 0,9.<\/p>\n NDVI mo\u010dno korelira z indeksom listne povr\u0161ine (LAI - skupna enostranska listna povr\u0161ina na enoto povr\u0161ine tal) in s tem s fotosintetsko zmogljivostjo in kopi\u010denjem biomase.<\/p>\n Indeks listne povr\u0161ine (LAI) si zaslu\u017ei posebno omembo, saj je tako rezultat daljinskega zaznavanja kot tudi neposreden dejavnik kopi\u010denja biomase. Rastline z vi\u0161jim LAI prestre\u017eejo ve\u010d son\u010dnega sevanja, ve\u017eejo ve\u010d ogljika in proizvedejo ve\u010d biomase. Zemljevidi LAI, pridobljeni z daljinskim zaznavanjem, ustvarjeni iz \u010dasovnih vrst MODIS ali Sentinel-2, se neposredno vna\u0161ajo v modele rasti polj\u0161\u010din, ki simulirajo nastanek pridelka in kon\u010dno biomaso, ki jo je mogo\u010de pridelati.<\/p>\n <\/p>\n Izbira pravega vira podatkov je odvisna od obsega \u0161tudije, vrste vegetacije, zahtevane prostorske lo\u010dljivosti in razpolo\u017eljivega prora\u010duna. Spodaj so navedeni primarni podatkovni tokovi, ki se trenutno uporabljajo pri operativnem in raziskovalnem kartiranju biomase. Brezpla\u010dni satelitski podatki z odprtim dostopom iz satelitov Landsat in konstelacije Sentinel so demokratizirali kartiranje biomase, zaradi \u010desar je dostopno raziskovalcem in agencijam, ki nimajo prora\u010duna za komercialno slikanje.<\/p>\n i. Landsat (NASA\/USGS):<\/strong> Ve\u010d kot 50 let neprekinjenih podatkov, lo\u010dljivost 30 metrov, prost dostop. \u010casovne vrste Landsat omogo\u010dajo zgodovinsko analizo sprememb biomase vse do sedemdesetih let prej\u0161njega stoletja, kar zagotavlja neprekosljiv kontekst za spremljanje kr\u010denja gozdov in degradacije zemlji\u0161\u010d.<\/p>\n ii. Sentinel-2 (ESA):<\/strong> 10-metrska lo\u010dljivost v klju\u010dnih spektralnih pasovih, 5-dnevni ponovni obisk, prost dostop. Sentinel-2 je zaradi svoje kombinacije lo\u010dljivosti in frekvence trenutni standard za spremljanje biomase polj\u0161\u010din in regionalne ocene gozdov.<\/p>\n iii. Sentinel-1 (ESA):<\/strong> SAR v pasu C, zmogljivost delovanja v vseh vremenskih razmerah, prost dostop. Sentinel-1 je primarni radarski vir za spremljanje tropskega obmo\u010dja, ki ga prizadenejo oblaki, in biomase polj\u0161\u010din na obmo\u010djih, kjer so vrzeli v opti\u010dnih podatkih stalna te\u017eava.<\/p>\n iv. MODIS (NASA):<\/strong> Lo\u010dljivost 250 m\u20131 km, dnevna globalna pokritost. \u010casovne vrste MODIS so idealne za zaznavanje sprememb biomase na celinski ravni in sezonsko spremljanje, \u010deprav groba lo\u010dljivost omejuje uporabnost v razdrobljenih pokrajinah.<\/p>\n proti PlanetScope:<\/strong> 3-metrska lo\u010dljivost, dnevni obisk, komercialna naro\u010dnina. PlanetScope zagotavlja spremljanje biomase na ravni posameznega polja in podpira aplikacije preciznega kmetijstva, kjer je pomembna prostorska spremenljivost podpolja.<\/p>\n vi. NASA GEDI LiDAR:<\/strong> Premer odtisa 25 metrov, globalna pokritost tropskega in zmernega pasu, brezpla\u010dni podatkovni izdelki. GEDI je glavni vesoljski vir za vi\u0161ino kro\u0161enj in gostoto AGB na svetovni ravni.<\/p>\n vii. ICESat-2 (NASA):<\/strong> LiDAR s \u0161tetjem fotonov in globalnim pokrivanjem, \u0161e posebej mo\u010dan za merjenje vi\u0161ine kro\u0161enj v gozdovih na visokih zemljepisnih \u0161irinah in zaznavanje drobnih sprememb vi\u0161ine.<\/p>\n <\/p>\n Ocenjevanje kopenske biomase z uporabo podatkov daljinskega zaznavanja sledi strukturiranemu poteku dela. Vsak korak je odvisen od natan\u010dnosti prej\u0161njega. Izogibanje napakam pri predobdelavi ali terenski validaciji vodi v napake na kon\u010dnem zemljevidu biomase.<\/p>\n i. Izberite ustrezne slikovne materiale:<\/strong> Izberite senzor, prostorsko lo\u010dljivost in \u010dasovno obdobje glede na ciljni ekosistem in cilj \u0161tudije. Spremljanje gozdne biomase obi\u010dajno zahteva podatke Sentinel-1 ali GEDI; spremljanje biomase polj\u0161\u010din obi\u010dajno uporablja Sentinel-2 ali multispektralne posnetke z droni.<\/p>\n ii. Predobdelava slik:<\/strong> Uporabite atmosfersko korekcijo za pretvorbo surovih digitalnih \u0161tevilk v vrednosti odbojnosti povr\u0161ine. Izvedite geometrijsko korekcijo, da zagotovite natan\u010dno poravnavo slike z realnimi koordinatami. Odstranite slikovne pike, onesna\u017eene z oblaki, in jih po potrebi nadomestite s \u010dasovnim sestavljanjem.<\/p>\n iii. Izra\u010dunajte vegetacijske indekse:<\/strong> Iz popravljenih pasov odbojnosti povr\u0161ine izra\u010dunajte NDVI, EVI, SAVI, GNDVI ali druge ustrezne indekse. Za podatke LiDAR iz oblaka to\u010dk izpeljite metrike vi\u0161ine kro\u0161nje (najve\u010dja vi\u0161ina, vi\u0161ina 95. percentila, povpre\u010dna vi\u0161ina).<\/p>\n iv. Zbiranje vzorcev poljske biomase:<\/strong> Nadzemno biomaso izmerite na reprezentativnih parcelah znotraj preu\u010devanega obmo\u010dja z uporabo destruktivne se\u010dnje ali alometri\u010dnih ena\u010db, uporabljenih za meritve premera in vi\u0161ine dreves. Te terenske vrednosti so osnovna resnica, na kateri temelji model.<\/p>\n v. Izdelava napovednih modelov:<\/strong> Izvedite regresijsko analizo meritev biomase na terenu glede na so\u010dasno name\u0161\u010dene spremenljivke daljinskega zaznavanja (indeksi vegetacije, metrike vi\u0161ine kro\u0161nje, vrednosti povratnega sipanja SAR). Uporabite regresijsko analizo, naklju\u010dni gozd, stroj podpornih vektorjev ali pristope nevronske mre\u017ee, odvisno od kompleksnosti odnosa in koli\u010dine razpolo\u017eljivih u\u010dnih podatkov.<\/p>\n vi. Validacija rezultatov modela:<\/strong> Za oceno natan\u010dnosti napovedi uporabite nabor podatkov za validacijo (terenski diagrami, ki se ne uporabljajo pri u\u010denju modela). Poro\u010dajte o RMSE (koren povpre\u010dne kvadratne napake), R\u00b2 (koeficientu determinacije) in pristranskosti. \u010ce natan\u010dnost ni zadostna, izbolj\u0161ajte model.<\/p>\n vii. Ustvarite zemljevide biomase:<\/strong> 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.<\/p>\n V publikaciji International Journal of Remote Sensing, objavljeni februarja 2024, so ugotovili, da je kombinacija LiDAR-odtisov GEDI z opti\u010dnimi in radarskimi podatki odprtega dostopa (Sentinel-1\/2) ustvarila prostorsko neprekinjene zemljevide gostote biomase nad tlemi indijskih gozdov, pri \u010demer je optimalna konfiguracija modela znatno zmanj\u0161ala negotovost napovedi v primerjavi s pristopi z enim samim virom.<\/p>\n Za strokovnjake to potrjuje, da integracija ve\u010d podatkovnih tokov \u2013 namesto zana\u0161anja na en sam senzor \u2013 sistemati\u010dno izbolj\u0161uje zanesljivost operativnih kart biomase.<\/p>\n<\/div>\n <\/p>\n Izbira modela pomembno vpliva tako na natan\u010dnost kot na posplo\u0161ljivost sistema za ocenjevanje biomase. Enostavnej\u0161i modeli so bolj pregledni in se zanesljiveje prena\u0161ajo na nove lokacije. Kompleksni modeli strojnega u\u010denja iz velikih u\u010dnih naborov podatkov iztisnejo ve\u010djo natan\u010dnost, vendar se lahko preve\u010d prilagodijo lokalnim pogojem.<\/p>\n Empiri\u010dni regresijski modeli vzpostavljajo neposredno matemati\u010dno povezavo med poljsko biomaso in spremenljivkami daljinskega zaznavanja \u2013 na primer linearno regresijo med NDVI in donosom suhe snovi pridelka. Te modele je enostavno interpretirati in hitro izra\u010dunati, vendar se slabo obnesejo, kadar je spektralno-biomasno razmerje nelinearno ali kadar vrednosti biomase segajo v zelo \u0161irok razpon.<\/p>\n Metode strojnega u\u010denja premagajo te omejitve z u\u010denjem kompleksnih, nelinearnih odnosov iz podatkov. Naklju\u010dni gozd (ansambel odlo\u010ditvenih dreves, ki povpre\u010di napovedi za stotine posameznih dreves) je trenutno najpogosteje uporabljen algoritem za ocenjevanje biomase tako v gozdarstvu kot v kmetijstvu.<\/p>\n \u0160tudija, objavljena v Meje v rastlinski znanosti<\/em> (december 2024) je pokazal, da je metoda Random Forest, uporabljena za GEDI in podatke daljinskega zaznavanja iz ve\u010d virov, dala ocene biomase smrekovega in jelovega gozda z R\u00b2, ki je bistveno vi\u0161ji kot pri pristopih z enim samim senzorjem.<\/p>\n <\/p>\n Tudi najbolj\u0161a kombinacija senzorjev in modelov ustvari nezanesljive karte biomase, kadar je kakovost osnovnih podatkov slaba ali kadar fizi\u010dno okolje uvaja vire \u0161uma. Razumevanje teh dejavnikov, ki omejujejo natan\u010dnost, je bistvenega pomena za vsakogar, ki na\u010drtuje program za kartiranje biomase.<\/p>\n 1. Nasi\u010denost signala gostega gozda:<\/strong> V tropskih gozdovih z visoko biomaso se opti\u010dni in C-pasovni SAR signali nasi\u010dijo \u2013 nehajo se pove\u010devati, tudi ko biomasa \u0161e naprej nara\u0161\u010da. NDVI se nasi\u010di pri vrednostih AGB nad pribli\u017eno 150\u2013200 mg\/ha<\/strong>, zaradi \u010desar je nezanesljiv v starodavnih tropskih gozdovih, kjer lahko biomasa dose\u017ee 400\u2013600 Mg\/ha. SAR in LiDAR v L-pasu se nasi\u010dita pri veliko vi\u0161jih ravneh biomase in sta v teh okoljih prednostna.<\/p>\n 2. Sezonske spremembe:<\/strong> Odbojnost vegetacije se med sezonami dramati\u010dno spreminja. Vrednost NDVI s p\u0161eni\u010dnega polja aprila predstavlja bistveno druga\u010dno stanje biomase kot isto polje avgusta. Modeli morajo upo\u0161tevati sezonsko dinamiko ali pa jih je treba kalibrirati lo\u010deno za vsako fenolo\u0161ko fazo.<\/p>\n 3. Motnje zaradi obla\u010dnosti:<\/strong> Opti\u010dni senzorji izgubljajo podatke povsod, kjer so prisotni oblaki. V vla\u017enih tropskih obmo\u010djih lahko onesna\u017eenje z oblaki vpliva na ve\u010d kot 70% zajemanja slik<\/strong> v danem letu, kar zahteva alternative radarskim ali LiDAR-jem ali ve\u010dletne strategije komponiranja.<\/p>\n 4. Me\u0161ani slikovni elementi:<\/strong> Pri zmernih prostorskih lo\u010dljivostih (30 m\u2013250 m) en sam slikovni pik pogosto vsebuje me\u0161anico vrst polj\u0161\u010din, gole zemlje in vode. Spektralni signal odra\u017ea povpre\u010dje vseh teh povr\u0161in, kar razred\u010di signal vegetacije in v napovedi biomase vna\u0161a sistemati\u010dno napako.<\/p>\n 5. U\u010dinki terena:<\/strong> Nagnjen teren spremeni geometrijo son\u010dne osvetlitve in kota gledanja senzorja, s \u010dimer se spremenijo vrednosti odbojnosti, ki jih senzor zazna. Topografska korekcija je v gorskih obmo\u010djih obvezna, preden se lahko zanesljivo uporabi kateri koli model biomase.<\/p>\n \u0160tudija je pokazala, da je produkt gostote nadzemne biomase GEDI L4A pokazal pristranskosti, ki segajo od -54,24 do +106,23 Mg\/ha<\/strong> v razli\u010dnih tipih gozdov v Laosu v primerjavi z referen\u010dnimi podatki Nacionalnega popisa gozdov.<\/p>\n To potrjuje, da tudi globalno validirani vesoljski LiDAR izdelki zahtevajo lokalno ponovno kalibracijo, da bi zagotovili operativno sprejemljive ocene biomase v specifi\u010dnih nacionalnih ali regionalnih kontekstih.<\/p>\n<\/div>\n <\/p>\n Karte kopenske biomase, pridobljene iz podatkov daljinskega zaznavanja, prispevajo k prakti\u010dnemu odlo\u010danju v izjemno \u0161irokem razponu sektorjev, od vladnega poro\u010danja o podnebju do upravljanja posameznih kmetij.<\/p>\n Agencije za upravljanje gozdov<\/strong> Uporabite karte biomase za dolo\u010danje prioritet se\u010dnje, oceno trajnostnega donosa in dokumentiranje skladnosti s standardi certificiranja. Karte biomase od stene do stene nadome\u0161\u010dajo drage vzor\u010dne gozdne popise v regijah, kjer je dostop do terena logisti\u010dno te\u017eaven ali predrag.<\/p>\n Ocena zaloge ogljika<\/strong> je ena od ekonomsko najpomembnej\u0161ih uporab. Vsak Mg nadzemne biomase vsebuje pribli\u017eno 0,47 mg ogljika<\/strong> (standardni pretvorbeni faktor IPCC). Natan\u010dni zemljevidi biomase se tako neposredno prevedejo v preverjene evidence ogljika, ki podpirajo pla\u010dila REDD+ in prostovoljne dobropise na trgu ogljika. Preverjen zemljevid biomase, ki zajema koncesijo za tropski gozd s povr\u0161ino 500.000 hektarjev, lahko predstavlja ve\u010d sto milijonov dolarjev oglji\u010dnih sredstev.<\/p>\n <\/p>\n 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 \u0161tevilnih dr\u017eavah pre\u0161la iz eksperimentalnega v operativno stanje.<\/p>\n Nedestruktivne meritve so morda najpomembnej\u0161a prednost. Daljinsko zaznavanje zbira informacije o vegetaciji brez pobiranja, rezanja ali motenja. To omogo\u010da ponavljajo\u010de se meritve na popolnoma isti lokaciji, kar je bistveno za zaznavanje sprememb biomase skozi \u010das \u2013 metrike, ki je najpomembnej\u0161a za obra\u010dunavanje ogljika in spremljanje ekosistemov.<\/p>\n <\/p>\n Daljinsko zaznavanje kartiranja biomase je zmogljivo, vendar ima resni\u010dne tehni\u010dne omejitve, ki jih morajo strokovnjaki razumeti, preden se zana\u0161ajo na rezultate pri odlo\u010ditvah z visokimi vlo\u017eki.<\/p>\n Nasi\u010denost signala v gostih gozdovih ostaja nere\u0161en izziv za opti\u010dne in radarske senzorje v pasu C. Ko se kro\u0161nja dreves zapira in se biomasa kopi\u010di nad pragom, specifi\u010dnim za senzor, se spektralni ali povratni sipalni signal ne pove\u010duje ve\u010d z biomaso.<\/p>\n LiDAR se tej te\u017eavi izogne, ker meri fizi\u010dno 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.<\/p>\n <\/p>\n Tehnolo\u0161ko okolje za kartiranje kopenske biomase se hitro razvija. Ve\u010d konvergirajo\u010dih trendov bo v naslednjih petih do desetih letih bistveno izbolj\u0161alo natan\u010dnost, dostopnost in operativno skalabilnost ocenjevanja biomase.<\/p>\n Kartiranje biomase, ki ga poganja umetna inteligenca, predstavlja najbolj transformativen razvoj v teku. Arhitekture globokega u\u010denja \u2013 zlasti konvolucijski in transformatorski modeli \u2013 hkrati obdelujejo celotne spektralne, prostorske in \u010dasovne informacije v \u010dasovnih vrstah satelitov, s \u010dimer pridobivajo signale biomase, ki jih enostavnej\u0161i modeli ne morejo zaznati.<\/p>\n Integracija umetne inteligence in strojnega u\u010denja v daljinsko zaznavanje se je pove\u010dala za 35% med letoma 2021 in 2026<\/strong>, po podatkih podjetja Business Research Insights, temeljito spreminja na\u010din analize podatkov o vegetaciji v velikem obsegu.<\/p>\n 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 dol\u017eina okoli 70 cm) prodrejo globoko v gozdne kro\u0161nje in dose\u017eejo lesnata stebla in velike veje, do katerih radarji s kraj\u0161imi valovnimi dol\u017einami ne morejo dostopati.<\/p>\n Raziskava, objavljena v Znanstvena poro\u010dila<\/em> (april 2023) je pokazala, da je P-pasovni TomoSAR (tomografski SAR \u2013 tehnika, ki rekonstruira tridimenzionalno strukturo gozda iz ve\u010d radarskih prehodov) ustvaril obetavne ocene AGB v gostih tropskih gozdovih v Francoski Gvajani, kar je zagotovilo predogled tega, kaj bo misija BIOMASS operativno prinesla.<\/p>\n Raziskava je pokazala, da je kombinacija modelov naklju\u010dnega gozda z multimodalnimi podatki daljinskega zaznavanja iz Sentinel-1, Sentinel-2 in zra\u010dnega LiDAR-ja ustvarila ocene AGB v me\u0161anih zmernih gozdovih z bistveno manj\u0161o napovedno negotovostjo kot kateri koli pristop z enim samim senzorjem, kar dokazuje operativno vrednost zdru\u017eevanja senzorjev tudi s standardnimi podatki prostih satelitov.<\/p>\n Za strokovnjake to poudarja, da kombinacija obstoje\u010dih brezpla\u010dnih virov podatkov z dobro zasnovanimi cevovodi strojnega u\u010denja \u017ee zagotavlja zmogljivosti kartiranja biomase na raziskovalni ravni, ne da bi pri tem potrebovali drago novo strojno opremo.<\/p>\n 1. Kateri satelit je najbolj\u0161i za oceno biomase? <\/strong>Ni enega najbolj\u0161ega satelita za vse situacije. Sentinel-2 se najpogosteje uporablja za kartiranje polj\u0161\u010din in gozdne biomase z zmerno lo\u010dljivostjo. GEDI LiDAR zagotavlja najnatan\u010dnej\u0161e podatke o vi\u0161ini kro\u0161enj za gozdno AGB. Sentinel-1 SAR je prednostna izbira v tropskih obmo\u010djih, ki jih prizadenejo oblaki. Najbolj\u0161i operativni pristop zdru\u017euje ve\u010d senzorjev.<\/p>\n 2. Ali lahko droni natan\u010dno ocenijo biomaso?<\/strong> Da. Droni, opremljeni z multispektralnimi kamerami ali senzorji LiDAR, lahko ocenijo biomaso polj\u0161\u010din in gozdov na majhnih povr\u0161inah z zelo visoko prostorsko lo\u010dljivostjo. Ocene biomase polj\u0161\u010din, pridobljene z droni, obi\u010dajno dosegajo korelacije R\u00b2 = 0,80\u20130,95 z meritvami na terenu, kadar so leti \u010dasovno usklajeni z ustreznimi rastnimi fazami in so spektralni senzorji pravilno kalibrirani.<\/p>\n 3. Kako natan\u010dna je ocena biomase z daljinskim zaznavanjem?<\/strong> Natan\u010dnost se precej razlikuje glede na vrsto senzorja, ekosistem in pristop k modelu. V zmernih gozdovih z dobro pokritostjo LiDAR lahko karte biomase dose\u017eejo vrednosti RMSE od 20 do 40 Mg\/ha. V gostih tropskih gozdovih lahko samo opti\u010dni pristopi zaradi nasi\u010denosti signala poka\u017eejo vrednosti RMSE od 60 do 100 Mg\/ha. Modeli z ve\u010d senzorji v fuziji dosledno preka\u0161ajo pristope z enim senzorjem.<\/p>\n 4. Zakaj je ocena biomase pomembna za podnebne spremembe?<\/strong> Gozdovi in kmetijske krajine shranjujejo ogromne koli\u010dine ogljika v svoji biomasi. Kr\u010denje gozdov in degradacija zemlji\u0161\u010d spro\u0161\u010data ta shranjeni ogljik kot CO\u2082 v ozra\u010dje, kar pospe\u0161uje podnebne spremembe. Natan\u010dni zemljevidi biomase zagotavljajo osnovo za preverjanje zalog ogljika, spremljanje izgube gozdov in koli\u010dinsko opredelitev u\u010dinkovitosti programov pogozdovanja in ohranjanja v okviru mednarodnih podnebnih okvirov, kot je REDD+.<\/p>\n 5. Ali lahko daljinsko zaznavanje oceni biomaso pod zemljo? <\/strong>Daljinsko zaznavanje ne more neposredno izmeriti podzemne biomase. Vendar pa se podzemna biomasa (BGB) obi\u010dajno ocenjuje iz podzemne biomase (AGB) z uporabo koeficientov razmerja med koreninami in poganjki, ki izhajajo iz terenskih \u0161tudij in jih objavljajo organizacije, kot je IPCC. Razmerja med koreninami in poganjki, specifi\u010dna za vrsto, se v ve\u010dini gozdnih ekosistemov gibljejo od 0,15 do 0,40, kar omogo\u010da posredno oceno BGB, kjer koli obstajajo zemljevidi AGB.<\/p>\n <\/p>\n Izra\u010dun kopenske biomase z daljinskim zaznavanjem se je odlo\u010dno premaknil iz specializirane raziskovalne tehnike v operativno zmogljivost z neposrednimi posledicami za proizvodnjo hrane, upravljanje gozdov in podnebno politiko. Zdru\u017eevanje brezpla\u010dnih satelitskih podatkov, dostopnih platform za ra\u010dunalni\u0161tvo v oblaku in vse bolj zmogljivih orodij za strojno u\u010denje je omogo\u010dilo kartiranje biomase v merilu pokrajine za vse ve\u010dje \u0161tevilo organizacij po vsem svetu.<\/p>\n Vloga daljinskega zaznavanja pri spremljanju podnebja se bo le \u0161e pove\u010devala s \u0161iritvijo trgov ogljika, krepitvijo obveznosti spremljanja kr\u010denja gozdov in nara\u0161\u010danjem povpra\u0161evanja po preverjenih podatkih o zalogah ogljika v svetovnem gospodarstvu. Ker je satelitska misija BIOMASS zdaj operativna, GEDI \u0161e naprej \u0161iri svoj globalni nabor podatkov in modeli umetne inteligence dramati\u010dno izbolj\u0161ujejo natan\u010dnost ocenjevanja z zdru\u017eevanjem podatkov ve\u010d senzorjev, je zmo\u017enost natan\u010dnega ugotavljanja, kje se biomasa kopi\u010di, zmanj\u0161uje ali ostaja stabilna na zemeljski povr\u0161ini, dosegljiva.<\/p>","protected":false},"excerpt":{"rendered":" Tehnologija daljinskega zaznavanja je temeljito spremenila na\u010din merjenja, spremljanja in upravljanja \u017eive mase kopenske povr\u0161ine na\u0161ega planeta. Kopenska biomasa, izra\u010dunana z uporabo daljinskega\u2026<\/p>","protected":false},"author":210157960,"featured_media":13943,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_coblocks_attr":"","_coblocks_dimensions":"","_coblocks_responsive_height":"","_coblocks_accordion_ie_support":"","_eb_attr":"","content-type":"","_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_wpcom_ai_launchpad_first_post":false,"_jetpack_feature_clip_id":0,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_publicize_message":"{title}\n\n{excerpt}\n\n{url}","jetpack_publicize_feature_enabled":true,"jetpack_social_post_already_shared":true,"jetpack_social_options":{"image_generator_settings":{"template":"highway","default_image_id":0,"font":"","enabled":false},"version":2},"_wpas_customize_per_network":false,"jetpack_post_was_ever_published":false},"categories":[1378],"tags":[],"class_list":["post-13941","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-remote-sensing"],"acf":[],"yoast_head":"\nNadzemna biomasa (AGB) in podzemna biomasa (BGB)<\/h3>\n
Zakaj izra\u010dunati kopensko biomaso z daljinskim zaznavanjem?<\/h2>\n
![\"Zakaj](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/08\/Why-Calculate-Land-Biomass-Using-Remote-Sensing.png?resize=583%2C583&ssl=1\")
<\/p>\n\n
Kako daljinsko zaznavanje meri kopensko biomaso: fizikalna na\u010dela<\/h2>\n
Od spektralnih signalov do vrednosti biomase<\/h3>\n
Vrste daljinskega zaznavanja, ki se uporabljajo za oceno biomase<\/h2>\n
1. Opti\u010dni satelitski posnetki: multispektralni in hiperspektralni<\/h3>\n
![\"Vrste](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/08\/Types-of-Remote-Sensing-Used-for-Biomass-Estimation.png?resize=568%2C568&ssl=1\")
<\/p>\n2. Radar (SAR): Vidi skozi oblake in v kro\u0161nje son\u010dnih \u017earkov<\/h3>\n
3. LiDAR: Zlati standard za strukturno kartiranje biomase<\/h3>\n
4. Daljinsko zaznavanje z droni: terensko merilo visoke lo\u010dljivosti<\/h3>\n
Vegetacijski indeksi, ki se uporabljajo za oceno biomase<\/h2>\n
\n
Klju\u010dni viri podatkov za oceno biomase kopnega<\/h2>\n
Koraki za izra\u010dun biomase kopnega z uporabo daljinskega zaznavanja<\/h2>\n
![\"Koraki](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/08\/Steps-to-Calculate-Land-Biomass-Using-Remote-Sensing.png?resize=595%2C595&ssl=1\")
<\/p>\nModeli in metode, uporabljeni za oceno biomase<\/h2>\n
\n
Dejavniki, ki vplivajo na natan\u010dnost ocene biomase<\/h2>\n
![\"Dejavniki,](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/08\/Factors-Affecting-Biomass-Estimation-Accuracy.png?resize=648%2C648&ssl=1\")
<\/p>\nUporaba kartiranja kopenske biomase v razli\u010dnih sektorjih<\/h2>\n
\n
Prednosti daljinskega zaznavanja za izra\u010dun biomase<\/h2>\n
\n
Omejitve in izzivi pri ocenjevanju biomase z daljinskim zaznavanjem<\/h2>\n
\n
Prihodnji trendi pri ocenjevanju biomase z daljinskim zaznavanjem<\/h2>\n
\n
Pogosta vpra\u0161anja<\/h2>\n<\/div>\n
Zaklju\u010dek<\/h2>\n