Категорија: Даљинско сондирање

Технологија даљинског очитавања је фундаментално променила начин на који меримо, пратимо и управљамо живом масом копнене површине наше планете. Биомаса земљишта израчуната помоћу даљинског очитавања више није истраживачка куриозитет ограничена на универзитетске лабораторије – сада је то кључни оперативни алат који користе владе, агенције за шумарство, научници који се баве усевима и истраживачи климе широм света.

Само даљинска детекција на тржишту пољопривреде процењена је на $3,8 милијарди у 2025. години и предвиђа се да ће порасти до $9,6 милијарди до 2034. године на Сложена годишња стопа раста (CAGR) од 10,9%, према извештају индустрије компаније Dataintelo из 2026. године. Значајан део овог раста покреће потражња за поузданим подацима о биомаси који подржавају рачуноводство угљеника, прецизну пољопривреду и праћење животне средине.

Шта је земљишна биомаса?

Биомаса земљишта (укупна сува маса свих органских материја на дефинисаном подручју) мери се у метричким јединицама као што су тона по хектару (т/ха) или мегаграма по хектару (Mg/ha), где је 1 Mg једнак 1 метрички тони. Он представља акумулирани производ фотосинтезе — угљеник који су биљке, дрвеће и други организми заробили из атмосфере и фиксирали у физичку материју.

То је један од најмоћнијих показатеља здравља екосистема, складиштења угљеника и продуктивности усева, али традиционалне методе мерења на земљи су дуго биле превише споре, скупе и просторно ограничене да би задовољиле потребе модерног управљања земљиштем.

Надземна биомаса (AGB) и подземна биомаса (BGB)

Научници деле биомасу у две основне категорије. Надземна биомаса (НАБ) обухвата све што расте изнад површине тла - стабљике, дебла, гране, лишће и стојеће мртво дрво. Подземна биомаса (ПДБ) обухвата коренов систем и други подземни органски материјал. У већини шумских екосистема, ПДБ чини отприлике... 20–30% укупне биомасе, а његово мерење остаје далеко теже од процене AGB-а.

Биомаса се такође категорише као жива биомаса (активно растући, метаболички активни биљни материјал) и мртва биомаса (стојеће или оборено мртво дрво, суви отпад). Обе врсте складиште угљеник и доприносе укупном угљеничном базену пејзажа, али различито реагују на пожаре, болести и интервенције управљања.

Као индикатор животне средине, биомаса заузима јединствено моћну позицију. Високе вредности биомасе сигнализирају продуктивне, здраве екосистеме са снажним потенцијалом за секвестрацију угљеника. Опадајући трендови биомасе откривају крчење шума, стрес изазван сушом, деградацију земљишта или прекомерну жетву. За пољопривреднике, надземна биомаса је директно повезана са потенцијалом приноса житарица, што је чини једном од најпрактичнијих метрика у прецизној пољопривреди.

Зашто израчунавати биомасу земљишта помоћу даљинске детекције?

Традиционална процена биомасе ослања се на теренска мерења: истраживачи сакупљају узорке парцела, суше биљни материјал у пећима и мере га да би одредили суву масу по јединици површине. Овај деструктиван, радно интензиван процес функционише на нивоу парцеле, али постаје потпуно непрактичан када су вам потребни подаци о биомаси за националну шуму, речни слив или континенталну пољопривредну зону. Кључна ограничења теренских истраживања на земљи

1. Просторни покривеност је озбиљно ограничена. Теренска екипа може реално да измери биомасу на неколико десетина парцела по сезони. Сателит покрива милионе хектара једним надвожњаком, што онемогућава праћење на нивоу пејзажа без даљинског очитавања.

2. Теренска истраживања су скупа и спора. Распоређивање обученог особља у удаљене шуме или преко пространих пољопривредних предела захтева значајне буџете, логистичку координацију и време — а све то се слабо скалира како се подручја истраживања повећавају.

3. Деструктивно узорковање штети екосистему. Сечење парцела за мерење биомасе уништава саму вегетацију која се проучава, што је неспојиво са дугорочним програмима праћења којима су потребна поновљена мерења на истој локацији.

4. Временска фреквенција је прениска. Теренски тимови обично испитују локацију највише једном годишње. Сателити могу поново да посећују исту локацију сваких неколико дана, омогућавајући континуирано праћење сезонских промена биомасе и брзе реакције на догађаје попут пожара или суше.

Даљинска детекција се истовремено бави свим овим ограничењима. Једна сателитска слика Sentinel-2 покрива 290 km² по сцени на Просторна резолуција од 10 метара, пружајући поновљиве, потпуно укупне податке о вегетацији без маргиналних трошкова по додатном хектару. Примене које зависе од тачних података о биомаси земљишта су бројне:

• Угљенично рачуноводство и REDD+: Међународни климатски оквири захтевају верификоване процене залиха угљеника у шумама. Мапе биомасе засноване на даљинском очитавању пружају просторну покривеност и учесталост ажурирања коју сами национални инвентари шума не могу да обезбеде.
• Пољопривредни мониторинг: Биомаса усева у различитим фазама раста предвиђа коначни принос, информише распоред наводњавања и указује на рани стрес пре него што он постане губитак продуктивности.
• Управљање шумама: Запремина дрвне грађе, количина горива за процену ризика од шумских пожара и процена биодиверзитета зависе од поузданих процена биомасе на великим шумским подручјима.
• Управљање животном средином: Праћење деградације земљишта, процена мочвара и откривање инвазивних врста користе промену биомасе као примарни сигнал.

Како даљинска детекција мери биомасу земљишта: Физички принципи

Сваки систем даљинског очитавања — било да је у питању оптички сателит, радар или ласер — прикупља информације о вегетацији мерењем интеракције електромагнетне енергије са биљним материјалом. Разумевање ове интеракције је кључ за разумевање зашто даљинска детекција уопште може да процени биомасу.

Биљке различито рефлектују, апсорбују и преносе електромагнетно зрачење у зависности од њихове унутрашње хемије, садржаја воде, структуре листа и архитектуре крошње. Хлорофил (зелени пигмент који покреће фотосинтезу) снажно апсорбује црвене и плаве таласне дужине, док рефлектује зелену и блиско инфрацрвену енергију.

Здрава, густа вегетација стога показује карактеристичан спектрални образац: ниску рефлексију црвеног зрачења, високу рефлексију блиског инфрацрвеног зрачења. Овај образац – назван спектрални потпис – мерљив је из свемира, а његов интензитет је у корелацији са количином биљног материјала по јединици површине.

Од спектралних сигнала до вредности биомасе

Сензори бележе спектрални потпис и израчунавају индексе вегетације (математичке односе који квантификују колико се сигнал вегетације јако појављује на датој слици). Ови индекси се затим повезују са биомасом путем статистичких или модела машинског учења који се калибришу коришћењем мерења биомасе прикупљених на терену. Резултат је просторно континуирана мапа биомасе — сваки пиксел на слици добија предвиђену вредност биомасе.

Ток рада обраде података прати јасан редослед. Сирови сателитски подаци стижу са геометријским дисторзијама и атмосферским сметњама. Претходна обрада исправља ове грешке. Индекси вегетације се израчунавају из коригованих снимака. Узорци биомасе измерени на терену служе као основна истина за калибрацију модела. Валидирани модел се затим примењује на цео обим слике како би се добила коначна мапа биомасе.

Додатни физички сигнали, поред спектралне рефлексије, носе информације о биомаси. Висина крошње – колико је вегетација висока – је снажан предиктор AGB-а. Густина биљака (колико стабљика по хектару) одређује колико светлости се пресреће. Храпавост површине (детектована радаром) одражава структурну сложеност крошње. Сензори који мере ова структурна својства, а не само рефлексију, често пружају већу тачност процене биомасе.

Врсте даљинског истраживања које се користе за процену биомасе

Ниједан сензор не доминира у процени биомасе у свим екосистемима и размерама. Научници и стручњаци из праксе комбинују више типова сензора на основу циљне вегетације, буџета, потребне тачности и географске покривености.

Најтачније мапе биомасе данас нису изграђене од једног сензора, већ од интелигентне фузије оптичких, радарских и LiDAR података - при чему сваки попуњава слепе тачке осталих.

1. Оптички сателитски снимци: мултиспектрални и хиперспектрални

Оптички сензори хватају рефлектовану сунчеву светлост преко дискретних спектралних опсега, обично покривајући видљиве таласне дужине (плава, зелена, црвена) и блиски инфрацрвени (NIR). Мултиспектралне слике (подаци из 4–10 спектралних опсега) чине основу већине оперативних програма мапирања биомасе широм света, углавном због бесплатних, континуираних токова података из мисија Sentinel-2 и Landsat.

Хиперспектралне слике (подаци из стотина уских, суседних спектралних опсега) пружају много финије спектралне детаље. Оне разазнају биљне пигменте, садржај воде и хемијски састав листа на нивоу који мултиспектрални сензори не могу.

Због тога је посебно корисна за откривање суптилних разлика у густини биомасе између травњака и пољопривредних поља. Главно ограничење хиперспектралних снимака је облачност: оптички сензори не могу да виде кроз облаке, што узрокује значајне празнине у подацима у влажним тропским регионима где је процена биомасе најважнија.

Уобичајени сателити који се користе за оптичко мапирање биомасе укључују Landsat 8/9 (резолуција 30 метара, поновна посета 16 дана), Sentinel-2 (резолуција 10 метара, поновна посета 5 дана) и PlanetScope (резолуција 3 метра, дневна поновна посета за комерцијалне примене).

2. Радар (SAR): Вид кроз облаке и у крошње

Синтетички апертурни радар (SAR) — систем који емитује микроталасне импулсе и мери енергију одбијену од површине земље — у потпуности решава проблем облачности. Микроталасна енергија пролази кроз облаке и измаглицу без сметњи, што SAR чини сензором по избору за праћење тропских шума где постојана облачност чини оптичке слике готово неупотребљивим.

SAR сигнали такође продиру у крошње вегетације, интерагујући са дрвенастим стабљикама и гранама, а не само са најгорњом површином листа. Што је радарска таласна дужина дужа, сигнал дубље продире. L-опсег SAR (таласна дужина око 23 цм, користи га ALOS-2 PALSAR-2) продире у доње крошње и интерагује са великом дрвеном биомасом, што га чини посебно погодним за процену AGB-а у тропским шумама.

C-опсег SAR (таласна дужина око 5 цм, користи га Sentinel-1) је осетљивији на структуру површинског крошње и широко се користи за праћење биомасе усева.

Истраживање објављено у Часопис за истраживање шумарства (Springer Nature, 2021) је открио да подаци SAR-а и из L-опсега ALOS-2 и из C-опсега Sentinel-1 омогућавају задовољавајуће процене залиха угљеника, при чему укупне залихе угљеника у подручју проучавања медитеранских шума достижу приближно 130 т/ха преко надземних, подземних површина, мртвог дрвета, отпада и земљаних база заједно.

3. LiDAR: Златни стандард за структурно мапирање биомасе

ЛиДАР (детекција и мерење светлости) емитује ласерске импулсе и мери прецизно време које је потребно да се они одбију од циљне површине. Ово време се директно преводи у тродимензионалне облаке тачака (густе мапе тачног места где се сваки ласерски импулс одбијао) који откривају висину крошње, структуру крошње и надморску висину тла са прецизношћу од центиметара.

Висина дрвећа је међу најјачим предикторима надземне биомасе — виша дрвећа носе експоненцијално више биомасе од нижих. Модели висине изведени LiDAR-ом, комбиновани са алометријским једначинама измереним на терену (математичким односима између висине, пречника и масе дрвета специфичним за врсту), дају процене биомасе које доследно надмашују оптичке или радарске приступе у шумовитим пејзажима.

НАСА-ина мисија за истраживање динамике глобалног екосистема (GEDI) — вишеснопни LiDAR инструмент постављен на Међународној свемирској станици — представља први наменски изграђени свемирски LiDAR систем за процену глобалне биомасе. GEDI прикупља податке од 51,6° северне до 51,6° јужне географске ширине, покривајући главне тропске и умерене шумске зоне света.

4. Даљинска детекција дроном: теренска скала високе резолуције

Беспилотне летелице (БПЛ), обично назване дронови, премошћују јаз између сателитских и теренских мерења. Дрон који носи RGB камере снима снимке центиметарске резолуције које разазнају појединачне биљке.

Мултиспектрални сензори дронова израчунавају прецизне индексе вегетације на нивоу парцеле. Дронови опремљени LiDAR-ом генеришу густе облаке тачака који омогућавају процену биомасе са структурном тачношћу LiDAR-а из ваздуха, уз знатно мање трошкове.

За пољопривреднике, мапирање биомасе помоћу дронова је посебно практично. Један лет изнад поља пшенице или кукуруза током вегетативне фазе раста производи мапу густине биомасе која означава места са ограниченим приносом - зоне са ниском биомасом којима је можда потребно додатно ђубриво или наводњавање пре него што штета постане неповратна.

Индекси вегетације који се користе за процену биомасе

Индекси вегетације су математички мост између сирових вредности спектралне рефлексије и биолошких информација о густини и здрављу биљака. Сваки индекс користи одређени део електромагнетног спектра где се вегетација понаша карактеристично.

NDVI (Нормализовани индекс разлике вегетације) је најшире примењиван. Он дели разлику између рефлексије блиског инфрацрвеног (NIR) и црвеног зрачења њиховим збиром: NDVI = (NIR – црвена) / (NIR + црвена). Вредности се крећу од -1 до +1, при чему здрава густа вегетација обично има вредност између 0,6 и 0,9.

NDVI је у снажној корелацији са индексом површине листа (LAI - укупна површина листа на једној страни по јединици површине тла) и стога са фотосинтетским капацитетом и акумулацијом биомасе.

• EVI (Индекс побољшане вегетације) коригује атмосферске ефекте и сметње позадине земљишта, што га чини поузданијим од NDVI у тропским шумама са високом биомасом и подручјима са светлим или изложеним земљиштем.
• SAVI (Индекс вегетације прилагођен земљишту) укључује фактор корекције осветљености земљишта, што је посебно важно у сушним и полусушним пољопривредним условима где голо земљиште између редова усева снажно утиче на спектрални сигнал.
• GNDVI (Зелени нормализовани индекс вегетације) замењује зелену рефлексију црвеном у NDVI формули, чинећи је осетљивијом на варијације концентрације хлорофила и корисном за праћење биомасе усева у касној сезони када су крошње већ потпуно затворене.

Индекс лисне површине (LAI) заслужује посебан помен јер је и резултат даљинског снимања и директан покретач акумулације биомасе. Биљке са вишим LAI прехватају више сунчевог зрачења, фиксирају више угљеника и производе више биомасе. LAI мапе изведене даљинским снимањем, генерисане из временских серија MODIS или Sentinel-2, директно се уносе у моделе раста усева који симулирају формирање приноса и коначну биомасу за жетву.

Кључни извори података за процену биомасе земљишта

Избор правог извора података зависи од обима студије, типа вегетације, потребне просторне резолуције и расположивог буџета. У наставку су наведени примарни токови података који се тренутно користе у оперативном и истраживачком мапирању биомасе. Бесплатни, отворени сателитски подаци са Ландсата и констелације Сентинел демократизовали су мапирање биомасе, чинећи га доступним истраживачима и агенцијама којима недостају буџети за комерцијалне снимке.

i. Landsat (NASA/USGS): Преко 50 година континуираних података, резолуција од 30 метара, бесплатан приступ. Временске серије Landsat-а омогућавају историјску анализу промена биомасе од 1970-их, пружајући неупоредив контекст за праћење крчења шума и деградације земљишта.

ii. Сентинел-2 (ЕСА): Резолуција од 10 метара у кључним спектралним опсезима, поновна посета у року од 5 дана, бесплатан приступ. Сентинел-2 је тренутни стандард за праћење биомасе усева и регионалне процене шума због комбинације резолуције и фреквенције.

iii. Сентинел-1 (ЕСА): C-опсег SAR, могућности за све временске услове, бесплатан приступ. Sentinel-1 је примарни радарски извор за праћење тропског подручја погођеног облацима и биомасе усева у подручјима где су празнине у оптичким подацима стални проблем.

iv. МОДИС (НАСА): Резолуција од 250 м–1 км, дневна глобална покривеност. MODIS временске серије су идеалне за детекцију промена биомасе на континенталном нивоу и сезонско праћење, иако груба резолуција ограничава корисност у фрагментираним пејзажима.

против PlanetScope-а: Резолуција од 3 метра, дневна посета, комерцијална претплата. PlanetScope пружа праћење биомасе на нивоу појединачног поља, подржавајући примене прецизне пољопривреде где је просторна варијабилност подобласти важна.

vi. НАСА ГЕДИ ЛиДАР: Пречник отиска 25 метара, глобална покривеност тропских и умерених подручја, бесплатни подаци. GEDI је примарни свемирски извор за висину крошњи и густину AGB на глобалном нивоу.

vii. ICESat-2 (НАСА): ЛиДАР са бројањем фотона и глобалним покривањем, посебно јак за мерење висине крошњи у шумама високих географских ширина и детекцију промена висине на финим размерама.

Кораци за израчунавање биомасе земљишта помоћу даљинске детекције

Процена биомасе земљишта коришћењем података даљинске детекције прати структурирани ток рада. Сваки корак зависи од тачности претходног. Смањење квалитета у претходној обради или валидацији на терену доводи до грешака у коначној мапи биомасе.

i. Изаберите одговарајуће слике: Изаберите сензор, просторну резолуцију и временски период на основу циљаног екосистема и циља проучавања. Праћење шумске биомасе обично захтева податке Sentinel-1 или GEDI; праћење биомасе усева обично користи Sentinel-2 или мултиспектралне снимке дрона.

ii. Претходна обрада слике: Примените атмосферску корекцију да бисте конвертовали сирове дигиталне бројеве у вредности површинске рефлексије. Извршите геометријску корекцију како бисте осигурали да се слика тачно поравнава са координатама из стварног света. Уклоните пикселе контаминиране облацима и замените их временским композитингом где је потребно.

iii. Израчунајте вегетационе индексе: Израчунајте NDVI, EVI, SAVI, GNDVI или друге релевантне индексе из коригованих површинских рефлексних трака. За LiDAR податке, изведите метрике висине крошње (максимална висина, висина 95. перцентила, средња висина) из облака тачака.

iv. Прикупљање узорака биомасе са поља: Измерите надземну биомасу на репрезентативним парцелама унутар подручја истраживања користећи деструктивну сечу или алометријске једначине примењене на мерења пречника и висине дрвета. Ове вредности на терену су основна чињеница која је темељ модела.

v. Изградња модела предвиђања: Регресиона анализа мерења биомасе на терену у односу на колоциране варијабле даљинске детекције (индекси вегетације, метрике висине крошње, вредности повратног расејања SAR-а). Користите регресиону анализу, метод случајне шуме, машину вектора подршке или неуронске мреже у зависности од сложености односа и количине доступних података за обуку.

vi. Валидирајте резултате модела: Користите скуп података за валидацију (дијаграми поља који се не користе у обуци модела) да бисте проценили тачност предвиђања. Пријавите RMSE (средњу квадратну грешку корена), R² (коефицијент детерминације) и пристрасност. Усавршите модел ако је тачност недовољна.

vii. Генерисање мапа биомасе: Примените валидирани модел на пуну слику, стварајући просторно континуирану мапу густине биомасе где сваки пиксел садржи предвиђену вредност биомасе у Mg/ha или t/ha.

Модели и методе које се користе за процену биомасе

Избор модела значајно утиче и на тачност и на генерализацију система за процену биомасе. Једноставнији модели су транспарентнији и поузданије се преносе на нове локације. Сложени модели машинског учења извлаче већу тачност из великих скупова података за обуку, али се могу превише прилагодити локалним условима.

Емпиријски регресиони модели успостављају директну математичку везу између биомасе поља и варијабли даљинске детекције — на пример, линеарну регресију између NDVI и приноса суве материје усева. Ове моделе је лако интерпретирати и брзо израчунати, али лоше функционишу када је однос спектралне биомасе нелинеаран или када вредности биомасе обухватају веома широк опсег.

Методе машинског учења превазилазе ова ограничења учењем сложених, нелинеарних односа из података. Случајна шума (ансамбл стабала одлучивања који усредњава предвиђања на стотинама појединачних стабала) тренутно је најшире коришћени алгоритам за процену биомасе у шумарству и пољопривреди.

Студија објављена у Границе у биљној науци (децембар 2024) је показао да је метода Случајна шума примењена на GEDI и податке даљинске детекције из више извора произвела процене биомасе шуме смрче и јеле са значајно вишим R² него код приступа регресије са једним сензором.

• Машина вектора подршке (SVM): Проналази оптималну границу раздвајања између класа биомасе у простору карактеристика високе димензије. SVM добро функционише са малим до средњим скуповима података за обуку и отпоран је на прекомерно уклапање када је правилно регуларизован.
• Неуронске мреже и дубоко учење: Конволуционе неуронске мреже (CNN) и хибридне CNN-LSTM архитектуре истовремено обрађују просторне и временске обрасце у сликама. Студија из 2024. године објављена у Даљинска детекција (MDPI) Упоређивање RF, CNN и CNN-LSTM модела за процену шумске биомасе у Хангџоуу, Кина, показало је да модели дубоког учења обухватају просторни контекст који методе једнотачкасте регресије потпуно пропуштају.
• Хибридни модели: Комбинујте физичке моделе вегетације (који симулирају раст биљака на основу зрачења и уноса воде) са статистичким или слојевима за машинско учење. Ови приступи су све фаворизованији јер граде физички реалистичне процене биомасе које се генерализују у свим регионима без ослањања искључиво на локалне податке о обуци.

Фактори који утичу на тачност процене биомасе

Чак и најбоља комбинација сензора и модела производи непоуздане мапе биомасе када је квалитет основних података лош или када физичко окружење уводи изворе шума. Разумевање ових фактора који ограничавају тачност је неопходно за свакога ко дизајнира програм мапирања биомасе.

1. Засићење сигнала густе шуме: У тропским шумама са високом биомасом, оптички и C-опсежни SAR сигнали се засићују — престају да се повећавају чак и док биомаса наставља да расте. NDVI се засићује на вредностима AGB изнад приближно 150–200 мг/ха, што га чини непоузданим у старим тропским шумама где биомаса може достићи 400–600 Mg/ha. L-опсег SAR и LiDAR се засићују на много вишим нивоима биомасе и пожељнији су у овим срединама.

2. Сезонске варијације: Рефлексија вегетације се драматично мења током сезона. Вредност NDVI са поља пшенице у априлу представља фундаментално другачије стање биомасе од истог поља у августу. Модели морају узети у обзир сезонску динамику или бити калибрисани посебно за сваку фенолошку фазу.

3. Сметње облачности: Оптички сензори губе податке где год су присутни облаци. У влажним тропским регионима, контаминација облацима може утицати на више од 70% снимања слика у датој години, што захтева алтернативе радару или ЛиДАР-у или вишегодишње стратегије композитног снимања.

4. Мешовити пиксели: При умереним просторним резолуцијама (30 м–250 м), један пиксел слике често садржи мешавину врста усева, огољеног земљишта и воде. Спектралан сигнал одражава просек свих ових површина, што разблажује сигнал вегетације и уводи систематску грешку у предвиђања биомасе.

5. Ефекти терена: Нагнут терен мења геометрију и сунчевог осветљења и угла гледања сензора, мењајући вредности рефлексије забележене на сензору. Топографска корекција је обавезна у планинским подручјима пре него што се било који модел биомасе може поуздано применити.

Примене мапирања биомасе земљишта у различитим секторима

Мапе биомасе земљишта генерисане из података даљинске детекције доприносе практичном доношењу одлука у изузетно широком спектру сектора, од владиних извештавања о клими до управљања појединачним фармама.

Агенције за управљање шумама Користите мапе биомасе за одређивање приоритета блокова сече, процену одрживог приноса и документовање усклађености са стандардима сертификације. Мапе биомасе од зида до зида замењују скупе шумске инвентаре засноване на узорцима у регионима где је приступ терену логистички отежан или прескуп.

Процена залиха угљеника је једна од економски најзначајнијих примена. Сваки Mg надземне биомасе садржи приближно 0,47 Mg угљеника (стандардни IPCC фактор конверзије). Прецизне мапе биомасе се стога директно преводе у верификоване инвентаре угљеника, који су основа за REDD+ плаћања и добровољне кредите на тржишту угљеника. Верификована мапа биомасе која покрива концесију тропске шуме од 500.000 хектара може представљати стотине милиона долара угљеничне имовине.

• Прецизна пољопривреда: Мапе биомасе усева добијене из снимака дроном или Sentinel-2 идентификују варијабилност подобља у расту биљака, омогућавајући варијабилну примену ђубрива и наводњавања што смањује трошкове улагања уз заштиту приноса.
• Процена горива за шумске пожаре: Мртво дрво и сува зељаста биомаса представљају гориво доступно за пожаре. Мапе горива добијене даљинским очитавањем воде прописане програме сагоревања и планирање сузбијања шумских пожара у пејзажима склоним пожарима.
• Очување биодиверзитета: Вегетација са високим садржајем биомасе и структурно сложеном структуром обично подржава већу разноликост врста. Мапе биомасе помажу у идентификацији приоритетних подручја заштите и праћењу опоравка обновљених станишта током времена.
• Планирање биоенергије: Владе и енергетске компаније користе податке о биомаси добијене даљинским очитавањем како би проценили одрживо снабдевање пољопривредним остацима и дрвном биомасом за производњу биоенергије, осигуравајући да стопе жетве не прелазе капацитет регенерације екосистема.

Предности даљинског истраживања за прорачун биомасе

Мапирање биомасе засновано на даљинском очитавању нуди комбинацију могућности са којима се ниједан земаљски приступ не може мерити. Ове предности објашњавају зашто је технологија прешла из експерименталног у оперативни статус у десетинама земаља у последњој деценији.

Недеструктивно мерење је можда најосновнија предност. Даљинска детекција прикупља информације о вегетацији без њеног сечења, сечења или узнемиравања. Ово омогућава поновљена мерења на потпуно истој локацији, што је неопходно за откривање промена биомасе током времена — метрике која је најважнија за обрачун угљеника и праћење екосистема.

• Покривеност великих размера уз ниске маргиналне трошкове: Када се сензор и процес обраде поставе, трошкови додавања још милион хектара истраживању биомасе су у суштини нула. Ова структура трошкова је инверзна теренским истраживањима, где се трошкови линеарно повећавају са површином.
• Честа временска ажурирања: Сентинел-2 поново посећује било коју локацију на Земљи сваких 5 дана. Ова фреквенција омогућава праћење биомасе током целе вегетационе сезоне, бележећи динамичке промене које појединачна годишња теренска истраживања потпуно пропуштају.
• Могућност историјске анализе: Ландсатова архива садржи снимке од 1972. године па надаље. Истраживачи могу реконструисати историјске путање биомасе како би квантификовали кумулативну дефорестацију, проценили опоравак екосистема након поремећаја или утврдили основне услове пре поремећаја за захтеве за надокнаду штете.
• Побољшано доношење одлука за управнике земљишта: Просторно експлицитне мапе биомасе откривају где се унутар пејзажа биомаса акумулира, опада или је стабилна — дајући управницима земљишта просторну прецизност да циљају интервенције тамо где ће имати највећи утицај.

Ограничења и изазови у процени биомасе даљинским истраживањем

Мапирање биомасе даљинским очитавањем је моћно, али долази са стварним техничким ограничењима која практичари морају разумети пре него што се ослоне на резултате за доношење важних одлука.

Засићење сигнала у густим шумама остаје нерешен изазов за оптичке и C-опсежне радарске сензоре. Како се крошње дрвећа затварају и биомаса се акумулира изнад прага специфичног за сензор, спектрални или повратни сигнал расејања више се не повећава са биомасом.

ЛиДАР избегава овај проблем јер мери физичку структуру, а не спектралну рефлексију, али прикупљање података из ваздуха помоћу ЛиДАР-а остаје скупо, а свемирски ЛиДАР, попут GEDI-ја, пружа ретке, неконтинуиране отиске уместо покривености од зида до зида.

• Валидација поља је обавезна: Ниједан модел даљинске детекције не производи поуздане процене биомасе без калибрације и валидације у односу на стварна теренска мерења. Квалитет теренских података директно одређује квалитет коначне мапе — а прикупљање репрезентативних теренских података у хетерогеним пејзажима је и скупо и технички захтевно.
• Атмосферски ефекти захтевају пажљиву корекцију: Аеросоли, водена пара и озон расејавају и апсорбују долазеће и рефлектовано сунчево зрачење, мењајући спектрални сигнал пре него што стигне до сензора. Нетачна или непотпуна атмосферска корекција уводи систематске грешке које се шире кроз цео ток рада процене биомасе.
• Обрада података захтева специјализовану стручност: Рад са временским серијама даљинске детекције у великим размерама захтева познавање географских информационих система (ГИС), програмских језика као што су Пајтон или Р и геопросторних платформи заснованих на облаку као што је Google Earth Engine. Ова техничка баријера ограничава усвајање међу агрономима и менаџерима земљишта без образовања из науке о подацима.
• Несигурност модела расте са удаљеношћу од података за обуку: Модел биомасе калибрисан у бразилској амазонској шуми може лоше да функционише када се пренесе у структурно другачију западноафричку шуму, чак и ако су обе класификоване као тропске влажне шуме. Регионални скупови података за калибрацију су неопходни за одржавање тачности у географски различитим подручјима истраживања.

Будући трендови у процени биомасе даљинским истраживањем

Технолошки пејзаж за мапирање биомасе земљишта се брзо развија. Неколико конвергентних трендова ће значајно побољшати тачност, доступност и оперативну скалабилност процене биомасе у наредних пет до десет година.

Мапирање биомасе засновано на вештачкој интелигенцији представља најтрансформативнији развој који је у току. Архитектуре дубоког учења – посебно конволуциони и модели засновани на трансформаторима – истовремено обрађују комплетне спектралне, просторне и временске информације у временским серијама сателита, издвајајући сигнале биомасе које једноставнији модели не могу да детектују.

Интеграција вештачке интелигенције и машинског учења у даљинском очитавању порасла је за 35% између 2021. и 2026. године, према Business Research Insights, фундаментално мењајући начин на који се подаци о вегетацији анализирају у великим размерама.

Мисија Европске свемирске агенције BIOMASS, лансирана 2024. године, носи први свемирски SAR у P-опсегу, посебно дизајниран за праћење биомасе тропских шума. Сигнали у P-опсегу (таласне дужине око 70 цм) продиру дубоко у крошње шума, досежући дрвенаста стабла и велике гране до којих радари краћих таласних дужина не могу да досегну.

Истраживање објављено у Научни извештаји (април 2023) показао је да је P-опсег TomoSAR (томографски SAR — техника која реконструише тродимензионалну структуру шуме из вишеструких пролаза радара) произвео обећавајуће процене AGB-а у густим тропским шумама у Француској Гвајани, пружајући преглед онога што ће мисија BIOMASS оперативно пружити.

• Фузија података са више сензора у великим размерама: Алгоритми који аутоматски комбинују оптичке, радарске и LiDAR токове података — додељујући сваком сензору тежину према његовој поузданости у датом екосистему и сезони — прелазе са експерименталних прототипова на оперативне алате распоређене на облачним платформама.
• Праћење биомасе у реалном и скоро реалном времену: Геопросторне платформе засноване на облаку, попут Google Earth Engine-а и Microsoft Planetary Computer-а, сада омогућавају континуирану, аутоматизовану обраду долазних сателитских података. Упозорења о крчењу шума у готово реалном времену, која се активирају у року од 24–48 сати од догађаја губитка шума, већ су оперативна у неколико тропских земаља.
• Дигитални близанци за прецизну пољопривреду: Интегрисање података о биомаси добијених даљинским очитавањем са сензорима за земљиште, временским моделима и моделима симулације усева ствара дигиталне близанце на нивоу фарме - виртуелне реплике стварних поља које омогућавају пољопривредницима да тестирају сценарије управљања пре него што их имплементирају у стварном свету.
• Интеграција прецизне пољопривреде: Конвергенција приступачних сензора дронова, сателитских временских серија и аналитике вођене вештачком интелигенцијом чини праћење биомасе на терену финансијски доступним појединачним пољопривредницима по први пут, не само истраживачким институцијама и владиним агенцијама.

1. Који је сателит најбољи за процену биомасе? Не постоји један најбољи сателит за све ситуације. Сентинел-2 је најшире коришћен за мапирање усева и шумске биомасе умерене резолуције. GEDI LiDAR пружа најтачније податке о висини крошњи за шумску AGB. Сентинел-1 SAR је преферирани избор у тропским подручјима погођеним облацима. Најбољи оперативни приступ комбинује више сензора.

2. Да ли дронови могу тачно да процене биомасу? Да. Дронови опремљени мултиспектралним камерама или LiDAR сензорима могу проценити биомасу усева и шума малих површина са веома високом просторном резолуцијом. Процене биомасе усева засноване на дроновима обично постижу корелације од R² = 0,80–0,95 са мерењима на терену када су летови темпирани у одговарајуће фазе раста и када су спектрални сензори правилно калибрисани.

3. Колико је тачна процена биомасе даљинским очитавањем? Тачност значајно варира у зависности од типа сензора, екосистема и приступа моделу. У умереним шумама са добрим LiDAR покривеношћу, мапе биомасе могу постићи RMSE вредности од 20–40 Mg/ha. У густим тропским шумама, само оптички приступи могу показати RMSE вредности од 60–100 Mg/ha због засићења сигнала. Модели фузије више сензора константно надмашују приступе са једним сензором.

4. Зашто је процена биомасе важна за климатске промене? Шуме и пољопривредни пејзажи складиште огромне количине угљеника у својој биомаси. Крчење шума и деградација земљишта ослобађају овај складиштени угљеник као CO₂ у атмосферу, убрзавајући климатске промене. Прецизне мапе биомасе пружају основу за проверу залиха угљеника, праћење губитка шума и квантификацију ефикасности програма пошумљавања и очувања у оквиру међународних климатских оквира као што је REDD+.

5. Да ли даљинска детекција може проценити биомасу под земљом? Даљинска детекција не може директно да мери биомасу испод земље. Међутим, биомаса корена и изданка се обично процењује на основу биомасе под земљом коришћењем коефицијената односа корена и изданка изведених из теренских студија и објављених од стране организација попут IPCC-а. Односи корена и изданка специфични за врсту крећу се од 0,15 до 0,40 у већини шумских екосистема, што омогућава индиректну процену биомасе под земљом где год постоје мапе биомасе под земљом.

Закључак

Биомаса земљишта израчуната помоћу даљинске детекције одлучно је прешла из специјализоване истраживачке технике у оперативну способност са директним импликацијама на производњу хране, управљање шумама и климатску политику. Конвергенција бесплатних сателитских података, приступачних платформи за рачунарство у облаку и све моћнијих алата за машинско учење учинила је мапирање биомасе на нивоу предела могућим за све већи број организација широм света.

Улога даљинског очитавања у праћењу климе само ће расти како се тржишта угљеника буду ширила, обавезе праћења крчења шума се интензивирале, а потражња за верификованим подацима о залихама угљеника је расла у глобалној економији. Са сада оперативном мисијом сателита BIOMASS, GEDI-јем који наставља да проширује свој глобални скуп података и моделима вештачке интелигенције који драматично побољшавају тачност процена из фузије података са више сензора, могућност да се прецизно сазна где се биомаса акумулира, опада или остаје стабилна на површини Земље је надохват руке.

Тржишта угљеника су се преселила из нишних политичких експеримената у мејнстрим инструменте за финансирање климатских промена. Добровољно тржиште пољопривредних угљеничних кредита процењено је на 36,1 милиона америчких долара у 2024. години и очекује се да ће порасти на 648,3 милиона америчких долара до 2034. године на 31,9% CAGR, према подацима компаније Global Market Insights Inc. Пољопривреда је у центру ове експанзије јер земљиште, усеви и праксе управљања земљиштем представљају огромне, мерљиве поноре угљеника.

Изазов је увек био мерење: како поуздано квантификовати угљеник ускладиштен на милионима хектара пољопривредног земљишта? Даљинска детекција, наука о прикупљању података о површини Земље из авиона, дронова и сателита без физичког контакта, је одговор који је тржиште угљеника чекало. Она доноси обим, брзину и научну ригорозност праћењу угљеника у пољопривреди.

Шта су угљенични кредити и зашто су важни?

Карбонски кредит је сертификат који се може трговати и који представља смањење или уклањање једне метричке тоне еквивалента угљен-диоксида (CO2e) из атмосфере. Кредити долазе у две врсте: кредити за смањење угљеника, који представљају избегнуте емисије, и кредити за уклањање угљеника, који представљају CO2 активно извучен из атмосфере и ускладиштен.

Тржишта угљеника функционишу као економски механизми који одређују цену емисија гасова стаклене баште. Када компанија не може интерно да смањи своје емисије, може да купи угљеничне кредите од пројеката који уклањају или избегавају еквивалентну количину.

Ово ствара финансијске подстицаје за активности попут секвестрације угљеника у земљишту, пошумљавања и побољшаног управљања земљиштем. Системом управљају регистри угљеника, стандарди сертификације и независни верификатори који осигуравају да сваки кредит представља стварну, мерљиву климатску корист.

1. Како се генеришу угљенични кредити у пољопривреди

Пољопривредни угљенични кредити се креирају кроз структурирани процес који почиње дизајном пројекта, а завршава се верификованим кредитима наведеним у регистру. Ево типичног редоследа:

1. Пољопривредник или програмер пројекта бира одговарајуће одрживе пољопривредне праксе и дефинише границе пројекта.
2. Одобрена методологија се бира из регистра угљеника као што је Verra (VM0042) или Gold Standard.
3. Основна залиха угљеника се успоставља како би се измерила почетна тачка пре него што се праксе промене.
4. Праксе се спроводе и прате током целог периода пројекта, обично три до пет година.
5. Независни верификатори треће стране процењују да ли су праксе примењене и да ли су наведене користи од угљеника стварне и додатне.
6. Верификовани угљенични кредити се издају и котирају на продају на добровољним или тржиштима усклађености.

Секвестрација угљеника у земљишту кроз праксе очувања је примарни механизам у пројектима обрадивих земљишта. Праксе као што су покривни усеви, смањена обрада земљишта и прецизно управљање хранљивим материјама повећавају количину органског угљеника ускладиштеног у пољопривредном земљишту, које иначе има тенденцију да губи угљеник кроз обраду земљишта и ерозију.

Пољопривредна земљишта садрже отприлике три пута више угљеника него атмосфера. Због тога је пољопривредно земљиште један од најприступачнијих и најскалабилнијих понора угљеника на планети. Обрадиве површине и травњаци брзо реагују на промене у управљању: прелазак са конвенционалне обраде на нулту обраду може почети са повећањем органског угљеника у земљишту у року од једне до две вегетационе сезоне.

Пољопривредници имају директну корист од прихода од угљеничних кредита. Пројекти угљеника из земљишта сада чине приближно 8-10% добровољног тржишта угљеника, вреднован на 425-530 милиона америчких долара, према подацима са тржишта из 2025. године.

Тај ток прихода допуњује приходе пољопривреде, а истовремено побољшава здравље земљишта, задржавање воде и дугорочну продуктивност. Агробизнис и прехрамбене компаније које учествују у програмима угљеника такође стичу кредибилитет у извештавању о одрживости ланца снабдевања.

Веза између угљеничних кредита и прецизне пољопривреде

Прецизна пољопривреда је приступ управљању фармама који користи просторне податке и напредну технологију за доношење одлука на нивоу подобласти, уместо да се цела фарма третира као јединствена јединица. Комбинује GPS (Глобални систем позиционирања) пријемнике, IoT (Интернет ствари) сензоре за земљиште, камере постављене дроновима и сателитске снимке како би се пружиле детаљне, локације-специфично информације о стању усева, својствима земљишта и потребама за ресурсима.

Резултат је управљање фармом засновано на подацима. Уместо примене опште количине ђубрива на целом пољу, систем прецизне пољопривреде идентификује зоне са различитим потребама за хранљивим материјама и у складу са тим примењује варијабилне количине.

Ово смањује отпад улагања, снижава оперативне трошкове и производи мерљиве еколошке користи које се могу квантификовати за програме угљеничних кредита. Прецизни алати доприносе угљеничним исходима кроз вишеструке путеве.

• Оптимизација примене ђубрива смањује емисију азот-оксида (N2O), гаса стаклене баште отприлике 273 пута јачег од CO2 током периода од 100 година. Примена азота променљивом брзином може смањити емисију N2O и до 20-30% у поређењу са уједначеном применом, према истраживању објављеном у Европском часопису за агрономију.
• Побољшање распореда наводњавања помоћу сензора влажности земљишта смањује потрошњу енергије на црпним станицама и ограничава сабијање земљишта, што обоје смањује угљенични отисак наводњавања.
• Одржавање здравља земљишта смањеном обрадом чува агрегатну структуру земљишта, штитећи органску материју која дугорочно задржава угљеник.
• Смањење потрошње горива путем ГПС-вођеног планирања путање машина смањује потрошњу дизела, директно смањујући емисију ЦО2 из пољских операција.

1. Одрживе пољопривредне праксе које генеришу угљеничне кредите

Нису све пољопривредне активности квалификоване за угљеничне кредите. Одобрене праксе морају доказиво повећати угљеник у земљишту, смањити емисије или обоје. Следеће праксе имају утврђене методологије у оквиру главних регистра угљеника.

i. Исецање корица подразумева садњу нековних усева током вансезоне како би се одржало живо корење у земљишту. Корење континуирано лучи шећере који хране земљишне микробе, који претварају органску материју у стабилан хумус, дуготрајан облик угљеника у земљишту. Покровни усеви такође спречавају ерозију, која физички уклања површински слој земље и угљеник у њему.

ii. Нулта обрада и редукована обрада минимизирати поремећаје земљишта, очувајући физичку структуру земљишта. Конвенционална обрада земљишта брзо оксидује угљеник у земљишту излагањем органске материје ваздуху. Истраживање објављено у часопису Soil and Tillage Research показало је да дугорочна примена безобраде повећава концентрацију органског угљеника у земљишту у горњих 30 цм у просеку 10-30% у поређењу са конвенционалном обрадом земљишта током периода од десет година.

iii. Задржавање остатака усева задржава биомасу након жетве на површини поља уместо да је спаљује или уклања. Како се остаци разлажу, они доприносе органској материји земљишту и хране микробне заједнице одговорне за фиксацију угљеника. Сателитски снимци могу измерити проценте покривености остацима након жетве са мерљивом тачношћу.

Даљинска детекција не посматра пољопривреду само одозго. Она трансформише раштркане податке са нивоа поља у јединствен, научно обрачунљив запис о томе како се земљиштем управља и колико угљеника оно садржи.

iv. Прецизно управљање хранљивим материјама користи технологију променљиве дозе за примену ђубрива где је потребно, у правим количинама, у право време. Ово смањује количину вишка азота који бактерије у земљишту претварају у азот-оксид, директно смањујући отисак гасова стаклене баште у производњи усева.

v. Агрошумарство и вишегодишње културе везују угљеник и изнад земље у дрвеној биомаси и испод земље путем опсежних, дуговечних коренових система. Дрвеће може да складишти угљеник деценијама, што га чини вредним кандидатима за пројекте угљеничних кредита који захтевају трајност.

Улога даљинског очитавања у мерењу угљеничних кредита

Програми угљеничних кредита захтевају доказе. Регистри не могу да прихвате самопријављену тврдњу пољопривредника да су засађени покривни усеви или да је обрада тла смањена. Верификација захтева објективне, репродуцибилне и ревидиране податке, пожељно из извора који се не могу манипулисати накнадно. Даљинска детекција пружа управо то.

Сателитска и дронска посматрања покривају огромна подручја истовремено, нудећи ниво просторне покривености који теренска истраживања једноставно не могу економски да парирају. Тржиште сателита за мерење и анализу угљеника у пољопривреди процењено је на 3,2 милијарде америчких долара у 2025. години и предвиђа се да ће достићи 8,7 милијарди америчких долара до 2034. године на 12,8% CAGR, што сигнализира како је централно сателитско праћење постало део климатских програма широм света.

Атлас одрживости (2026) је открио да су сателитски системи верификације смањили трошкове мерења угљеника у земљишту за 40% у поређењу са традиционалним узорковањем на терену, уз улагања у дигитална MRV решења која достижу 2,3 милијарде америчких долара 2025. године. Пољопривредници и програмери пројеката сада могу приступити веродостојном праћењу угљеника без превисоке цене по хектару коју понављају кампање узорковања земљишта.

1. Технологије даљинског истраживања које се користе у програмима за угљеник

У зависности од размера, врсте усева и циља мерења угљеника, користи се неколико типова сензора. Сваки доноси различите предности.

1. Мултиспектрални сензори хватају рефлектовану светлост у дискретним опсезима таласних дужина, укључујући видљиву црвену, блиску инфрацрвену и краткоталасну инфрацрвену област. Они израчунавају индексе вегетације као што је NDVI (Нормализовани индекс разлике вегетације), однос који упоређује рефлексију блиске инфрацрвене области са рефлексијом црвене.

Здрава, густа вегетација рефлектује више блиског инфрацрвеног зрачења и апсорбује више црвене светлости, што производи високу вредност NDVI. NDVI се широко користи као замена за густину биомасе и фотосинтетску активност, а обе су у корелацији са апсорпцијом угљеника.

2. Хиперспектрални сензори снимају стотине уских, суседних опсега таласних дужина уместо неколико широких. Ова финија спектрална резолуција им омогућава да детектују суптилне разлике у биохемији биљака, укључујући садржај хлорофила, воду у листу и концентрацију лигнина.

Ова својства су уско повезана са садржајем угљеника изнад земље и могу се користити за моделирање биомасе усева са већом прецизношћу него широкопојасни мултиспектрални подаци.

3. LiDAR (детекција и мерење светлости) испаљује хиљаде ласерских импулса у секунди ка површини тла и мери време потребно да се сваки импулс врати. Резултат је детаљан тродимензионални облак тачака пејзажа, који обухвата висину вегетације, густину крошњи и топографију терена.

Биомаса се процењује комбиновањем ових структурних мерења са алометријским једначинама, математичким односима који претварају висину и запремину у суву масу и садржај угљеника. Студија из 2025. године у часопису ScienceDirect открила је да мерење секвестрације угљеника засновано на LiDAR-у постиже знатно ниже стопе грешака него конвенционалне методе инвентаризације на терену за шумовито обрадиво земљиште и агрошумарске системе.

4. SAR (радар са синтетичком апертуром) преноси микроталасну енергију и мери енергију рефлектовану од површине. За разлику од оптичких сензора, SAR продире кроз облачни покривач и ради ноћу, што га чини вредним у тропским пољопривредним регионима где постојани облачни покривач блокира оптичке сателите недељама. SAR је посебно ефикасан за мерење влажности земљишта, откривање голих наспрам вегетацијских површина и процену биомасе крошњи путем анализе интензитета повратног расејања.

5. Даљинска детекција дроном пружа просторну резолуцију на центиметарском нивоу коју сателити не могу да постигну. Дронови опремљени мултиспектралним или RGB камерама лете на малој висини како би произвели изузетно детаљне мапе појединачних поља.

У програмима за праћење угљеника, дронови се користе за валидацију сателитских посматрања на локалном нивоу и за процене на малим или фрагментираним пољима где је величина пиксела сателита превелика да би се разликовале границе управљања. Главне сателитске платформе које подржавају праћење угљеника укључују следеће:

• Лендсат (НАСА/УСГС): Резолуција од 30 метара са учесталошћу поновних посета од 16 дана. Његова историјска архива која датира још из 1972. године чини га окосницом дугорочне анализе промена коришћења земљишта и основног мапирања.
• Сентинел-1 и Сентинел-2 (ЕСА): Сентинел-2 пружа мултиспектралне снимке од 10 метара са поновним прегледом сваких 5 дана, што га чини идеалним за сезонско праћење усева. Сентинел-1 SAR допуњује оптичке податке током облачних периода.
• МОДИС (НАСА): Резолуција од 250-500 метара са дневним глобалним покривањем. Користи се за анализу продуктивности вегетације и промена у коришћењу земљишта великих размера, у временским серијама, у читавим регионима.
• ПланетСкоуп: Комерцијална констелација која пружа дневне снимке резолуције од 3 метра, омогућавајући детекцију вежби на подобластима појединачних пољопривредних операција.

Како GeoPard подржава програме угљеничних кредита

GeoPard Agriculture је платформа за прецизну пољопривреду која комбинује сателитске снимке, радарске податке и аналитику топографије како би помогла пољопривредницима да примене и прате праксе које генеришу верификоване угљеничне кредите. Она интегрише угљенично земљорадњу директно у свакодневно управљање пољопривредом, уместо да је третира као засебну активност.

1. Пракса имплементације вођена сателитским подацима

ГеоПард користи сателитске и радарске податке за идентификацију зона поља са ниским учинком погодних за покривне усеве, агрошумарство или смањење обраде земљишта. Његово решење за праћење усева води одлуке о ротацији које побољшавају структуру земљишта и повећавају дугорочни капацитет складиштења угљеника.

Топографска аналитика утврђује која пољска подручја имају највише користи од одређених врста покривних усева, елиминишући нагађања из праксе која директно покреће секвестрацију угљеника.

2. Смањење емисија и праћење MRV

За смањење емисије CO2, GeoPard подржава усвајање методе нулте обраде земљишта и управљање остацима тако што помаже пољопривредницима да се одрекну конвенционалног поремећаја земљишта. За смањење N2O, омогућава 4R управљање хранљивим материјама, применом правог ђубрива, у правој количини, времену и месту, смањујући вишак азота који се претвара у азот-оксид у земљишту.

Што се тиче MRV-а, слојеви сателитских података компаније GeoPard креирају континуирани, временски обележени запис о активностима на терену током целе вегетационе сезоне. Ови просторни докази подржавају захтеве за мерење и извештавање, дајући независним верификаторима објективне податке како би потврдили да су се наведене праксе заиста догодиле.

Директним повезивањем свакодневних пољопривредних одлука са мерљивим исходима угљеника, GeoPard омогућава пољопривредницима свих размера да са поверењем учествују у програмима угљеничних кредита.

Како даљинска детекција омогућава угљеничне кредите: корак по корак

1. Мапирање основних података

Пре него што пројекат емисије угљеника може да изда било какве кредите, мора да успостави веродостојну почетну вредност, квантификовани снимак тога колико угљеника подручје пројекта већ садржи и које праксе управљања земљиштем су тренутно на снази. Ова почетна вредност је референца у односу на коју се мере сва будућа побољшања.

Даљинска детекција омогућава мапирање основних линија кроз неколико интегрисаних анализа. Мапирање вегетације коришћењем NDVI и података индекса површине листа идентификује постојеће типове усева, густину биомасе и обрасце вегетације.

Историјска анализа коришћења земљишта коришћењем вишедеценијске архиве компаније Landsat открива да ли је поље било под конвенционалном обрадом, травњацима или мешовитим усевима у последњих десет до двадесет година. Ова историја је важна јер нивои угљеника у земљишту одражавају кумулативно управљање током деценија, а не само текућу сезону.

Мапирање својстава земљишта комбинује хиперспектралне сателитске податке са узорцима земљишта са терена како би се добиле просторно континуиране мапе органског угљеника у земљишту, текстуре и садржаја глине. Идентификација граница пројекта користи GPS-регистроване сателитске снимке за дефинисање тачних географских граница угљеничног пројекта, што је захтев за све главне регистре угљеника, укључујући Verra и Gold Standard.

2. Вежбање верификације

Регистри угљеника захтевају континуиране доказе да се одрживе праксе заиста примењују, а не само тврде. Даљинска детекција пружа ове доказе кроз анализу временских серија сателитских снимака током читавих вегетационих сезона.

i. Детекција покровних усева користи зимске вегетационе индексе за идентификацију активно растућег покривача тла између циклуса комерцијалних усева. Поље са покривним усевима показује значајно веће вредности NDVI током вансезоне у поређењу са голим пољем.

Истраживање објављено у Националном центру за биотехнолошке информације (2024) користећи податке Sentinel-2 у Јужној Дакоти постигло је тачност класификације већу од 80% за откривање присуства покровних усева и интензитета обраде земљишта на пољима кукуруза и соје.

Студија ScienceDirect-а (2024) је распоредила MRV цевовод преко 553.743 хектара и измерено смањење емисија 398.408,5 tCO2e током три узастопна издања угљеничних кредита, приписујући смањења првенствено покривању увођења усева и смањењу интензитета обраде земљишта. Сателитски системи за мерење и проверу сада могу да раде на нивоу целих пољопривредних региона, а не само на појединачним пројектним локацијама.

ii. Верификација нулте обраде ослања се на праћење површине земљишта између жетве и садње. Након жетве без орања, остаци остају на површини, а вредности NDVI остају умерено повишене због рефлексије остатака. Обрађено поље показује нагле промене у текстури површине и спектралном потпису које се могу детектовати на сателитским снимцима од 10-30 метара. SAR подаци допуњују оптичку анализу детекцијом промена влажности земљишта повезаних са механичким поремећајима.

iii. Праћење задржавања остатака усева користи краткоталасне инфрацрвене опсеге за процену процента остатака усева који покривају земљиште након жетве. Остаци имају јасан спектрални потпис у поређењу са голим земљиштем, што омогућава индексима покривености остацима добијеним из сателита да процене да ли је покривено 30%, 50% или 70% површине, прагове који директно одређују подобност и обим кредита у многим методологијама.

iv. Праћење плодореда Прати промене у типу усева током више сезона користећи спектралне временске серије података. Различите културе имају јединствене фенолошке отиске прстију, образац озелењавања, врхунца раста и старења током вегетационе сезоне. Сентинел-2-ова учесталост поновних посета од 5 дана довољно прецизно бележи ову динамику да разликује кукуруз од соје и пшенице током узастопних година.

3. Процена биомасе и залиха угљеника

Мерење залиха угљеника захтева претварање видљивих својстава вегетације и земљишта у квантитативне процене ускладиштеног угљеника. Даљинска детекција снабдева овај процес кроз вишеструке токове података.

Надземна биомаса (AGB) Процена користи висину вегетације из LiDAR података, густину крошње из оптичких снимака и индекс површине лишћа (LAI) изведен из рефлексије блиског инфрацрвеног зрачења. Ови улази доводе алометријске једначине које производе процене биомасе у тонама по хектару. Садржај угљеника се обично израчунава као приближно 47-50% тежине суве биомасе, фактора конверзије који су IPCC и FAO потврдили за стотине врста.

Органски угљеник у земљишту (SOC) Процена је сложенија јер се угљеник испод земље не може директно посматрати одозго. Даљинска детекција доприноси кроз хиперспектралне снимке који детектују спектралне потписе органске материје у земљишту на голим или слабо вегетацијским пољима, и кроз податке о влажности земљишта добијене помоћу SAR-а који утичу на брзину промета угљеника.

Ови подаци даљинског очитавања комбиновани су са моделима заснованим на процесима као што су RothC или CENTURY, који симулирају како се органска материја разлаже и стабилизује под различитим климатским и управљачким условима.

Кредибилитет угљеничног кредита у потпуности зависи од прецизности мерења које стоји иза њега. Даљинска детекција помера верификацију угљеника од скупе теренске вежбе у континуирани, подацима заснован ревизорски траг.

Алгоритми машинског учења, укључујући случајне шуме, појачавање градијента и моделе дубоког учења, све се више користе за интеграцију улаза даљинске детекције са теренским мерењима.

Истраживање објављено у PeerJ (2024) показало је да модели машинског учења који комбинују мултиспектралне сателитске индексе са ограниченим узорковањем земљишта могу предвидети органски угљеник у земљишту са конкурентном тачношћу, смањујући број деструктивних узорака земљишта потребних за валидацију пројекта.

Мерење, извештавање и верификација (MRV): Основа угљеничних кредита

МРВ (Мерење, Извештавање и Верификација) је оквир управљања који одваја веродостојне угљеничне кредите од непроверљивих тврдњи. Сваки већи регистар угљеника захтева да пројекти прате одобрени МРВ протокол. Даљинска детекција је постала саставни део све три фазе.

1. Мерење: Прикупљање података

Мерење подразумева прикупљање сирових података из којих се израчунавају количине угљеника. У сателитским програмима, ово почиње аутоматским прикупљањем мултиспектралних и SAR снимака у редовним интервалима током вегетационог периода.

Истраживања дроновима пружају податке високе резолуције са тла у кључним фенолошким фазама. Циљане кампање узорковања земљишта прикупљају мерења на терену како би се калибрисале и валидирале процене садржаја угљеника добијене са сателита. Алгоритми за процену биомасе раде на комбинованим подацима како би се добиле вредности залиха угљеника на нивоу терена.

2. Извештавање: Претварање мерења у кредите

Извештавање трансформише обрађене податке у формални пакет документације који се доставља регистру угљеника. То укључује табеле за обрачун угљеника, просторне мапе пројектних активности, доказе о примени праксе и моделиране промене залиха угљеника током периода верификације.

Потребна је усклађеност са међународним стандардима, укључујући ISO 14064-2 и смернице GHG Protocol-а. Архива сателитских временских серија служе као записи заштићени од неовлашћеног мењања који поткрепљују сваку пријављену цифру.

3. Верификација: Независна потврда

Велике стране које проверавају раднике прегледају достављену документацију и независно процењују да ли су пријављени резултати емисије угљеника стварни, додатни (што значи да се не би догодили без пројекта) и трајни.

Докази добијени даљинским очитавањем, укључујући архиве сателитских снимака и снимања дроновима, пружају верификаторима објективне податке за упоређивање са тврдњама пројекта. Анализа временских серија открива недоследности, као што је пољопривредник који тврди да је обрађивао земљиште без обраде земљишта за поље које показује спектралне потписе механичких поремећаја.

Откривање превара путем алгоритама за промену тачака све се више уграђује у дигиталне MRV платформе како би се означиле аномалије пре него што дођу до фазе верификације.

Према подацима које је објавио Marq Stats (2026), конвергенција сателитских снимака високе резолуције и машинског учења смањила је трошкове MRV по фарми за 70-90% између 2018. и 2025. године, што омогућава компанији Indigo Carbon да управља са преко 8 милиона регистрованих хектара преко 28 америчких држава са 85% смањење административног терета прикупљања података.

Смањење трошкова на овим нивоима значи да мали пољопривредници и средња предузећа сада могу да учествују у програмима кредита за емисију угљеника који су раније били доступни само великим произвођачима робе.

4. Како MRV одређује стварну вредност угљеничног кредита

МРВ није само захтев за усклађеност. То је оно што одређује да ли угљенични кредит има стварну тржишну вредност или не. Купци, инвеститори и регулатори сви одређују цене угљеничних кредита на основу тога колико се поуздано може верификовати основни угљеник. Кредит са слабим МРВ-ом се тргује са попустом или се у потпуности одбија.

Без веродостојног мерења, провере и верификације (MRV), угљенични кредити постају ствар нагађања. Пољопривредник би могао да тврди да су покривни усеви засађени када то није било тако. Инвеститор пројекта би могао да прецени добитке угљеника из земљишта. Купци би могли несвесно да финансирају пројекте који не доносе никакву стварну корист за климу. MRV попуњава сваку од ових празнина захтевајући документоване, проверљиве и стандардизоване доказе у сваком кораку.

За пољопривреднике, снажно MRV иде у њихову корист. Оно уклања терет самосталног извештавања и замењује га доказима поткрепљеним сателитима које ниједан регистар или купац не може оспорити. Тај прелазак са верификације засноване на поверењу на верификацију засновану на подацима је оно што омогућава малим пољопривредницима да се такмиче на истим тржиштима угљеника као и велики агробизниси.

За тржиште угљеника у целини, кредибилно извештавање, мерење и верификација (MRV) је оно што разликује истинску акцију у области климе од „зеленог вошинга“. Свака тона CO2 која се рачуна два пута, процењује лабаво или тврди без доказа слаби цео систем.

Даљинско очитавање, мерење и верификација (MRV) попуњава ту празнину тако што мерење чини објективним, извештавање стандардизованим, а верификација независном. Зато угљенични кредити подржани сателитским MRV-ом сада имају премију цене од 15-25% на добровољним тржиштима — купци плаћају више јер је теже оспорити науку која стоји иза кредита.

Предности даљинског истраживања за програме угљеничних кредита

Предности даљинског очитавања у односу на искључиво теренско праћење угљеника су значајне и увећавају се како се програми проширују како би покрили веће површине.

1. Праћење великих размера постаје изводљиво уз знатно мање трошкове. Једна Сентинел-2 сцена покрива 100 пута 100 километара, пратећи хиљаде фарми у једном пролазу без икаквог учешћа посаде на земљи.
2. Верификација је бржа и захтева мање рада. Програми угљеника који су раније захтевали месеце теренских посета могу да заврше практичну верификацију у року од неколико дана користећи аутоматизоване сателитске анализе.
3. Транспарентност се повећава за купце, регистре и инвеститоре. Сателитске архиве стварају објективан, репродуцибилан запис о томе шта се дешавало на терену током периода пројекта, независно од интереса било које заинтересоване стране.
4. Људске грешке су смањене. Аутоматизована класификација слика и моделирање угљеника примењују конзистентне алгоритме у свим областима пројекта, елиминишући варијације које уносе различити теренски проценитељи користећи различите методе узорковања.
5. Поверење инвеститора расте. Институционални купци све више захтевају квантитативну, подацима поткрепљену кредитну валидацију пре него што уложе капитал у пројекте угљеника. Кредити поткрепљени даљинским очитавањем са ознакама Основни принципи угљеника (CCP) сада су важећи. 15-25% премије цена, према подацима Савета за интегритет добровољног тржишта угљеника за 2025. годину.

Боље доношење одлука долази до сваке заинтересоване стране. Пољопривредници добијају просторно експлицитне повратне информације о томе која поља добро или лоше функционишу у погледу угљеничних исхода. Програмери пројеката могу доделити ресурсе за праћење зонама високог ризика. Регистри могу дати приоритет напорима верификације на основу аутоматизованог откривања аномалија.

Изазови и ограничења на тржиштима угљеника

Даљинска детекција је моћна, али не и неограничена. Разумевање њених тренутних ограничења је неопходно за дизајнирање програма за угљеник који остају научно одбрањиви.

1. Облачност остаје стална препрека за оптичке сателитске сензоре у тропским и монсунски погођеним пољопривредним регионима. Током кључних периода вегетације, узастопна посматрања без облака могу бити немогућа, што ствара празнине у евиденцији праћења. SAR делимично надокнађује ово, али интегрисање скупова података са више сензора додаје сложеност обраде.
2. Угљеник испод земље не може се директно посматрати из свемира. Процена органског угљеника у земљишту путем даљинске детекције увек зависи од модела, ослањајући се на површинске спектралне показатеље и симулације засноване на процесима које носе инхерентну несигурност.
3. Просторна резолуција ограничава детекцију праксе на малим размерама поља. У регионима у којима доминира мала пољопривреда са пољима мањим од једног хектара, чак и пиксели Sentinel-2 од 10 метара могу да прелазе вишеструке границе управљања, што отежава јасну атрибуцију праксе.
4. Валидација података са терена остаје обавезна. Сателитски модели захтевају калибрацију помоћу узорка земљишта на терену и теренских посматрања. Ниједна тренутна методологија даљинског истраживања не елиминише у потпуности потребу за подацима са терена.

Стандардизација у програмима за угљеник је још један изазов. Различити регистри прихватају различите методологије даљинског очитавања, различите сателитске платформе и различите приступе моделирању. Кредит валидиран коришћењем једне методологије можда неће бити признат од стране купца који послује по другом стандарду, што ствара фрагментацију тржишта која ограничава ликвидност кредита и учешће пољопривредника.

Будућност даљинског истраживања на тржиштима угљеника

Темпо иновација у сателитској технологији, вештачкој интелигенцији и дигиталној пољопривредној инфраструктури сугерише да ће ограничења данашњих система даљинског очитавања бити постепено решавана током наредне деценије.

Вештачка интелигенција и машинско учење већ трансформишу процену угљеника. Модели дубоког учења обучени на милионима сателитских пиксела могу да идентификују обрасце обраде земљишта, врсте усева и промене у пракси са већом тачношћу и уз ниже трошкове по пољу него било која претходна метода.

Модели Frontier објављени у Remote Sensing of Environment (2024) показали су да хиперспектрални модели машинског учења могу да предвиде органски угљеник у земљишту на континенталним размерама са конкурентном тачношћу када се тренирају на просторно различитим спектралним библиотекама земљишта.

Комерцијалне сателитске констелације високе резолуције, укључујући PlanetScope-ово дневно покривање од 3 метра и предстојеће системе веома високе резолуције, омогућавају праћење подтеренских пракси програмима који раде на нивоу појединачних фарми.

Фузија података са дронова и сателита омогућава слојевити приступ праћењу: сателити пружају континуирано покривање, док дронови пружају детаље валидације када и где је то најпотребније.

• Интеграција Интернета ствари омогућава да се подаци сензора тла у реалном времену из мрежа сонди за влажност и угљеник на терену директно уносе у цевоводе за калибрацију даљинског снимања, смањујући ослањање на периодично ручно узорковање тла.
• Дигитални близанци за пољопривредне пејзаже се појављују као начин симулације динамике угљеника на целој фарми коришћењем комбинованих података о даљинском очитавању, времену и земљишту. Ова симулациона окружења омогућавају програмерима пројеката да моделирају сценарије “шта ако” за различите комбинације пракси пре него што се определе за методологију.
• Праћење угљеника омогућено блокчејном повезује сателитски верификоване догађаје угљеника са непроменљивим записима у главној књизи, пружајући купцима комплетан ревизорски траг од посматрања на терену до повлачења кредита.
• Аутоматизоване MRV платформе замењују ручне токове рада за достављање података. Компаније попут „Агрене“ у Данској користе податке посматрања Земље за праћење промена у управљању земљиштем на хиљадама фарми у ЕУ, при чему се угљенични кредити издају на основу континуиране сателитске анализе у складу са Уредбом ЕУ о угљеничној пољопривреди (ЕУ 2024/3012).

Праћење угљеника у готово реалном времену, са учесталошћу поновних сателитских посета која се приближава свакодневној и анализама које обрађују снимке у року од неколико сати након снимка, ускоро ће омогућити откривање промена у пракси, као што је повратак пољопривредника на обраду земљишта усред пројекта, пре него што дође до значајног губитка угљеника. Глобалне сателитске констелације и растућа инфраструктура за прераду чине ову могућност доступном за главне регистре угљеника до краја 2020-их.

Закључак

Како даљинска детекција омогућава угљеничне кредите своди се на једну основну предност: она претвара невидљиво у мерљиво. Угљеник ускладиштен у земљишту и вегетацији не може се директно измерити или избројати. Али пољопривредне праксе које одређују колико угљеника пејзаж садржи, укључујући шта се сади, како се земљиштем управља и како се биомаса дистрибуира, све остављају детектујуће спектралне и структурне потписе које сателити, LiDAR системи и SAR платформе могу да посматрају, снимају и квантификују.

Од мапирања основних података до верификације у пракси, од процене биомасе до документације о мерењу, испитивању и верификацији (MRV), даљинска детекција пружа научну основу која је тржиштима угљеника потребна да би функционисала са интегритетом. Веза између прецизне пољопривреде и тржишта угљеника никада није била јача. Пољопривредници који усвајају праксе управљања засноване на подацима не само да побољшавају своју продуктивност. Они генеришу врсту проверљивих, просторно експлицитних доказа о угљенику које регистри, купци и регулатори све више захтевају.

Праћење евапотранспирације помоћу даљинске детекције представља један од најзначајнијих напредака у пољопривредној науци о водама у последње две деценије. Комбиновањем сателитских термичких података, вегетационих индекса и физике енергетског биланса, научници и пољопривредници сада могу да процене колико воде напушта површину земље на милионима хектара — без иједног сензора са земље.

Ова могућност мења начин на који агрономи заказују наводњавање, како владе прате сушу и како истраживачи квантификују водни отисак читавих речних сливова. Пољопривреда троши отприлике 70% свих глобалних залиха слатке воде, али већина ове воде се никада директно не мери на нивоу поља – критична празнина коју праћење евапотранспирације помоћу даљинске детекције брзо затвара.

Шта је евапотранспирација?

Евапотранспирација (ЕТ) је комбиновани процес кроз који вода прелази са површине земље у атмосферу. Има две компоненте које делују истовремено: испаравање, директно претварање течне воде из земљишта, водених површина и површина биљака у водену пару; и транспирацију, биолошко кретање воде коју апсорбује корење биљака, транспортује навише кроз стабло и ослобађа као пара кроз ситне поре у листовима које се називају стомате.

Заједно, ова два процеса чине највећи проток воде који напушта копнени екосистем. У већини пољопривредних пејзажа, ЕТ враћа између 60 и 80 процената свих падавина назад у атмосферу. Та бројка чини ЕТ доминантном променљивом у билансу воде на копну — утицајнијом од отицања или дубоког процеђивања у већини обрађених окружења.

Етерични изотоп се налази у центру хидролошког циклуса, повезујући површину земље, биосферу и атмосферу. Када су стопе етеричног изотопног изотопног изданака високе, влажност земљишта се брже смањује, речни базни протоци се смањују, а стопе обнављања водоносног слоја опадају. Када се етерични изотоп успори — због стреса изазваног сушом, старења усева или промене коришћења земљишта — последице се осећају кроз доступност воде низводно.

У климатској науци, ЕТ је примарни механизам спрезања између циклуса угљеника и воде. Биљке отварају своје стомате да би апсорбовале CO2 за фотосинтезу, и тиме истовремено ослобађају водену пару. Било каква промена у глобалном вегетацијском покривачу, температури или концентрацији CO2 помера планетарну равнотежу ЕТ-а и враћа се у регионалне обрасце падавина.

Зашто је праћење евапотранспирације приоритет управљања водама?

Прецизни подаци о наводњавању доносе боље одлуке у више сектора. У пољопривреди, познавање стварне потрошње воде усева на нивоу поља говори менаџеру за наводњавање тачно колико воде треба да примени, када да је примени и где се развијају дефицити пре него што се појави видљиви стрес код усева.

Ова прецизност спречава и прекомерно наводњавање, које троши воду и испирање хранљивих материја, и недовољно наводњавање, што смањује принос.

1. Распоред наводњавања: Распоред наводњавања заснован на ЕТ-у замењује нагађања физиком. Када пољопривредник зна да поље кукуруза у јулу губи 7 мм воде дневно због ЕТ-а, може да надокнади тај тачно дефицит уместо да наводњава у фиксном календарском интервалу.

2. Праћење суше: Континуирани пад стварне ЕТ у односу на референтну ЕТ (оно што би испарило при неограниченом снабдевању водом) сигнализира настајући стрес изазван сушом. Даљинска детекција бележи овај сигнал недељама пре него што губитак приноса постане видљив голим оком.

3. Планирање водних ресурса: Обрачун вода на нивоу слива захтева ЕТ податке на нивоу слива. Сателитско ЕТ праћење пружа ову просторну покривеност по цени која је знатно нижа од цене мреже земаљских станица.

4. Процена климатских промена: Дугорочни трендови ЕТ-а откривају како загревање температура и променљиви обрасци падавина мењају потрошњу воде у екосистему — подаци који информишу планирање адаптације на регионалном и националном нивоу.

5. Праћење здравља екосистема: Стопе ерозије у мочварама, транспирација шума и потрошња воде на травњацима осетљиво реагују на еколошке поремећаје. Ерозија даљинског очитавања бележи ове промене на великим, неприступачним пределима.

Који фактори утичу на евапотранспирацију?

Евапотранспирација (ЕТ) је обликована комбинацијом климатских услова, карактеристика пејзажа и биологије биљака. У наставку је преглед кључних фактора који су укључени.

1. Врста земљишта. Састав земљишта игра значајну улогу у задржавању воде и испаравању. Песковита или шљунковита земљишта имају тенденцију да задрже мање воде, а више је ослобађају испаравањем, док иловаста или глиновита земљишта боље задржавају влагу.

2. Температура ваздуха. Температура директно утиче на брзину ЕТ-а. Топлији ваздух има већи капацитет да задржи влагу, а повећана топлота убрзава претварање воде у пару, чиме се повећава евапотранспирација.

3. Сунчево зрачење. Поред самог стварања топлоте, сунчево зрачење укључује варијације у нивоима енергије, фреквенцији и албеду — све то утиче на ЕТ. Ови фактори се разликују у зависности од локације и доба године, а њихово прецизно мерење често захтева напредну технологију.

4. Влажност. Релативна влажност (RH) односи се на количину водене паре присутне у ваздуху у односу на његов максимални капацитет. Када је влажност висока, ваздух апсорбује мање додатне влаге, што успорава ET. Супротно томе, сувљи ваздух може апсорбовати више паре, што доводи до веће стопе евапотранспирације.

5. Биљни покривач. Различите биљне врсте на различите начине интерагују са водом. Неке ефикасно складиште воду током сушних периода, док је друге брже губе. На стопе заливања водом (ЕТ) утичу и старост биљке, њено здравље и дубина корена — дубљи корени омогућавају усевима да дуже издрже без наводњавања. Ове физиолошке разлике значе да ЕТ може значајно да варира у зависности од врсте усева, што захтева прилагођене стратегије наводњавања.

6. Брзина ветра. Ветар је главни покретач и испаравања и транспирације. Он распршује слој влажног ваздуха који се накупља изнад вегетације, повећавајући ЕТ. Такође помаже дифузији паре кроз поре биљака, појачавајући транспирацију. Међутим, изузетно јаки, суви ветрови понекад могу ометати дифузију паре, благо смањујући ЕТ у одређеним условима.

Кључни концепти евапотранспирације

ET(0) одражава капацитет атмосфере да покрене губитак воде и искључиво је заснован на клими. ET(c) мери воду изгубљену од здравих, добро наводњаваних усева који расту у идеалним условима са својим пуним потенцијалом приноса. Када се усеви суочавају са неоптималним управљањем или еколошким изазовима, ET(c) се мора модификовати да би се добио ET(c adj). Евапотранспирација усева се разуме кроз три различита концепта:

1. ЕТ(0) — Референтна евапотранспирација
2. ET(c) — Евапотранспирација под стандардним условима
3. ET(c adj) — Евапотранспирација под нестандардним условима

1. Референтна евапотранспирација — ET(0)

ET(0) представља брзину којом вода испарава са добро заливене референтне површине — обично моделиране као идеализовани травнати покривач који испуњава одређене критеријуме.

Ова мера обухвата потребе атмосфере за испаравањем независно од врсте усева, фазе раста или пољопривредних пракси. Пошто се претпоставља да је референтна површина потпуно влажна, услови земљишта су искључени из прорачуна — елиминишући потребу за дефинисањем посебних прагова испаравања за сваки усев у свакој фази раста.

ET(0) је у потпуности вођен климатским варијаблама, а типичне вредности варирају у зависности од агроклиматских зона, иако ове бројке служе само као опште референтне вредности.

2. Евапотранспирација под стандардним условима — ET(c)

ET(c) квантификује воду коју ослобађа здрав, добро негован усев узгајан на великим, адекватно наводњаваним пољима под повољним временским условима, који ради на врхунцу продуктивности. Изводи се множењем референтног ET коефицијентом усева K(c):

ЕТ(ц) = ЕТ(0) × К(ц)

3. Евапотранспирација под нестандардним условима — ET(c adj)

ET(c adj) узима у обзир одступања у стварном свету од идеалних услова за раст. Фактори као што су притисак штеточина и болести, недостатак или вишак воде, салинитет земљишта и лоша плодност земљишта могу проузроковати да се стварна потрошња воде усева значајно разликује од ET(c). Коефицијент стреса воде K(s) се уводи поред коефицијента усева како би се обухватили ови ефекти:

ЕТ(ц адј) = ЕТ(0) × К(ц) × К(с)

Традиционалне методе мерења евапотранспирације

Пре даљинског очитавања, научници су мерили ЕТ путем директне физичке инструментације. Свака метода добро функционише на одређеној скали, али носи значајне компромисе који ограничавају широку пољопривредну примену. Неке од најбољих техника мерења ЕТ са земље су:

1. Лизиметар: Лизиметар (велики контејнер напуњен земљом и усевом који расте, постављен у равни са земљом) мери ЕТ мерењем блока тла током времена. Када се контролишу падавине и сакупља дренажна течност, разлика у маси између временских корака једнака је стварном ЕТ.

Лизиметри пружају најтачнија доступна ЕТ мерења, али коштају стотине хиљада долара по јединици, покривају само неколико квадратних метара и не могу да представљају просторну варијабилност стварног поља.

2. Систем вртложне коваријансе: Систем вртложне коваријансе мери ЕТ израчунавањем коваријансе између вертикалне брзине ветра и концентрације водене паре изнад крошње дрвећа користећи сензоре са брзим одзивом. Покрива “отисак” од неколико стотина метара до неколико километара, што га чини далеко репрезентативнијим од лизиметра.

Међутим, инсталација и одржавање флуксних торњева коштају од 50.000 до 300.000 америчких долара, а глобална FLUXNET мрежа има само око 900 активних локација — што је превише мало да би се пратио пољопривредни ЕТ на националном нивоу.

3. Метода Боуеновог коефицијента: Боуенова метода коефицијента процењује ЕТ мерењем односа осетљивог топлотног флукса (загревање ваздуха) и латентног топлотног флукса (ЕТ) користећи градијенте температуре и влажности изнад крошње дрвећа. Једноставнија је од коваријансе вртложних услова, али захтева хомогене услове преузимања и не може се користити на сложеном терену.

4. ET прорачуни засновани на метеоролошким станицама Користећи ФАО Пенман-Монтеитову једначину, израчунајте референтни ЕТ (ЕТ0) из података о температури ваздуха, влажности, брзини ветра и зрачењу. Ова метода се широко користи за заказивање наводњавања, али производи референтни ЕТ, а не стварни ЕТ, јер претпоставља добро заливени референтни усев, а не стварни усев на пољу.

Централни проблем са свим методама заснованим на земљи је размера. Један лизиметар представља неколико квадратних метара. Мерни торањ покрива највише неколико стотина хектара. Али модерно управљање пољопривредним водама захтева ЕТ податке на нивоу терена преко читавих речних сливова – просторни изазов који само даљинска детекција може да реши.

Основе даљинског истраживања за праћење ванземаљског простора

Даљинска детекција, у контексту ЕТ мониторинга, је прикупљање и анализа података добијених са сателита или авиона како би се проценио проток воде који напушта површину земље без физичког додира те површине.

Овај приступ функционише зато што биљке и земљиште размењују енергију са атмосфером на начине који се могу детектовати из свемира — посебно кроз емисију топлотног инфрацрвеног зрачења. Када биљка ефикасно транспирира, она користи долазну сунчеву енергију за испаравање воде уместо за загревање. Крошња са одговарајућом влажношћу земљишта остаје релативно хладна.

Насупрот томе, крошња која је под стресом од воде затвара стоме да би сачувала воду, а пошто мање латентне топлоте (ЕТ) троши долазну енергију, температура површине крошње расте. Ово је основни физички сигнал који термална даљинска детекција бележи.

Кључни физички принципи који леже у основи процене сателитског ЕТ-а

То енергетски биланс је управљајући оквир. На било којој копненој површини, нето зрачење (Rn) које долази од сунца и атмосфере мора бити једнако збиру три понора енергије: топлотног флукса земљишта (G), осетљивог топлотног флукса (H, који загрева ваздух) и латентног топлотног флукса (LE, који покреће ET). Записано као једначина: Rn = G + H + LE. Проценом Rn, G и H из сателитских података, модел изводи LE — а самим тим и ET — као резидуал.

1. Температура површине земљишта (LST) мерено у термалном инфрацрвеном опсегу је примарна величина која се користи за процену осетљивог топлотног флукса H. Топлија површина преноси више топлоте у ваздух (висок H), остављајући мање енергије за ET (ниска LE). Хладнија, добро наводњавана површина има нижи H и виши LE.

2. Индекси вегетације попут NDVI-ја, бележе колико зеленог, фотосинтетски активног биљног материјала покрива површину, што контролише брзину транспирације. Густа, зелена крошња транспирира више од голог тла или ретке састојине.

3. Нето зрачење израчунава се из флукса краткоталасног и дуготаласног зрачења, које даљинска детекција процењује на основу података о површинском албеду, вегетацијском покривачу и топлотној емисији.

Сателитско праћење евапотранспирације није замена за истину на терену — то је једини алат који може да пружи просторно континуиране податке о потрошњи воде на нивоу где се заправо доносе пољопривредне и хидролошке одлуке.

Предност даљинског очитавања у односу на методе са земље није само просторна покривеност. Сателитски подаци пружају синоптичка, поновљива мерења у веома хетерогеним пределима — нешто што ниједна земаљска мрежа не би могла да понови по упоредивим трошковима.

Извори података даљинске детекције за процену ЕТ

Процена ЕТ из свемира захтева комбиновање података са више типова сензора. Ниједан сателит не пружа све улазне податке потребне комплетном ЕТ моделу, тако да оперативни ЕТ производи обично спајају податке са неколико платформи.

1. Сателитске платформе за процену ЕТ

i. Landsat (USGS/NASA) ради континуирано од 1972. године и пружа мултиспектралне и термалне снимке просторне резолуције од 30 метара са циклусом поновног прегледа од 16 дана. Његова дуга архива чини га неопходним за историјску ЕТ анализу и праћење усева. Већина ЕТ модела енергетског биланса - укључујући SEBAL и METRIC - првобитно су дизајнирани око података Landsat-а.

ii. Sentinel-2 (ESA) нуди мултиспектралне снимке од 10 метара са временом поновног прегледа од 5 дана за израчунавање индекса вегетације високе резолуције. Иако не садржи термални опсег, допуњује Landsat пружајући чешће NDVI, EVI и LAI податке веће резолуције за ET моделе засноване на вегетацији.

iii. МОДИС (Спектрорадиометар за снимање средње резолуције, НАСА) пружа дневну глобалну покривеност резолуцијом од 250 м до 1 км. Његова грубља просторна резолуција ограничава примену на терену, али га чини идеалним за континентално и глобално праћење ЕТ-а путем производа попут MOD16.

iv. ЕКОСТРЕС (НАСА) је постављен на Међународној свемирској станици и пружа термалне инфрацрвене податке резолуције 70 метара са циклусом поновног прегледа од 1 до 5 дана. ECOSTRESS је посебно дизајниран за мерење стреса усева од воде и ET на нивоу блиског поља — празнину у могућностима коју MODIS и ранији сателити нису могли да попуне.

против VIIRS (Visible Infrared Imaging Radiometer Suite, NOAA/NASA) на сателитима Suomi NPP и JPSS наставља глобално наслеђе дневног покривања MODIS-а са побољшаном калибрацијом сензора, подржавајући оперативне ET производе на регионалном до глобалном нивоу.

2. Посматрања ванземаљских летелица помоћу беспилотних летелица и дрона

Беспилотне летелице (UAV, или дронови) опремљене термалним камерама и мултиспектралним сензорима могу мапирати ЕТ у просторној резолуцији испод метра изнад појединачних поља. Термална камера постављена на дрон директно мери температуру крошњи, а када се комбинује са метеоролошким подацима са земље, производи ЕТ мапе у резолуцији коју ниједан сателит не може да парира.

• Термовизијске дронове открију подручја биљака са стресом од воде унутар поља пре него што се појави било какав видљиви симптом, омогућавајући наводњавање променљивом брзином на нивоу унутар поља.
• Мултиспектрални сензори на дроновима израчунавају NDVI и EVI у центиметарској резолуцији, додајући ET моделе засноване на коефицијентима усева за прецизно заказивање поља.
• ЕТ мапирање високе резолуције из беспилотних летелица је посебно вредно за специјализоване усеве - воће, винограде, поврће - где је варијабилност унутар поља велика, а трошкови водног стреса велики.

Кључне променљиве даљинског очитавања које се користе у ЕТ мониторингу

Свака променљива извучена из сателитских података доприноси одређеном делу слагалице процене ЕТ. Разумевање шта свака променљива мери и зашто је важна помаже практичарима да одаберу прави модел и правилно интерпретирају резултате.

1. Нормализовани индекс разлике вегетације (NDVI) се израчунава као (NIR – црвена) / (NIR + црвена) користећи рефлексију блиског инфрацрвеног и црвеног опсега. Креће се од -1 до +1, при чему густа зелена вегетација обично има вредност између 0,6 и 0,9. NDVI приказује густину крошње и зеленило, што је директно у корелацији са површином листа и капацитетом транспирације.

2, Побољшани индекс вегетације (EVI) додаје плаву траку како би се смањиле атмосферске интерференције и ефекти позадине земљишта који деградирају NDVI у густо вегетираним или често облачним регионима. EVI је осетљивији од NDVI у подручјима са високом биомасом и користи се у MOD16 ET алгоритму.

3. Индекс површине листа (LAI) квантификује укупну површину листа са једне стране по јединици површине тла. Директно контролише транспирацију одређивањем колика површина листа размењује водену пару са атмосфером. LAI добијен из сателита је кључни улаз у многе физички засноване ET моделе.

4. Албедо површине је део долазног сунчевог зрачења који се рефлектује од површине. Он контролише колико сунчеве енергије површина апсорбује, што заузврат одређује колико енергије је доступно за покретање ЕТ-а. Тамно, влажно земљиште има низак албедо (апсорбује више енергије); површина без песка има висок албедо (рефлектује више).

5. Влажност земљишта из микроталасних сензора ограничава ЕТ моделе тако што указује на то да ли је довољно воде доступно у кореновој зони да би се подржала потреба за транспирацијом. Када влажност земљишта падне испод критичног прага, стварни ЕТ пада испод потенцијалне брзине чак и ако је енергија доступна.

Бастијансен и др. (како је прегледано у Frontiers in Remote Sensing, 2026) открили су да је SEBAL, валидиран у више од 30 земаља, постиже Тачност 85% за дневне процене ET и тачност 95% за сезонске процене ET на терену.

Сезонска тачност од 95% значи да се обрачун воде усева у целом наводњавачком округу може поуздано спроводити коришћењем само сателитских података, елиминишући потребу за густим мрежама земаљских станица.

Модели за процену евапотранспирације

1. Модели енергетског биланса

Модели енергетског биланса израчунавају ET као резидуал површинског енергетског буџета: ET = Rn – G – H. Сваки модел се разликује по начину на који процењује осетљиви топлотни флукс H, који је рачунски најзахтевнија и на грешке осетљива компонента.

i. Алгоритам равнотеже површинске енергије за земљиште (SEBAL) је развио Бастијансен 1998. године и остаје један од најшире примењених сателитских ЕТ модела на глобалном нивоу. SEBAL користи три основна параметра изведена из сателита: температуру површине земљишта (T0), површинску хемисферичну рефлексију (албедо r0) и NDVI.

Да би проценио осетљиви топлотни флукс, SEBAL идентификује два сидрена пиксела — “врући пиксел” (суво огољено земљиште, где је ET близу нуле) и “хладни пиксел” (добро заливени усев, где је ET на свом максимуму) — и интерполира H преко сцене у односу на ове екстреме. Ова функција самокалибрације чини SEBAL мање осетљивим на апсолутне грешке калибрације у метеоролошким улазима.

ii. Мапирање евапотранспирације у високој резолуцији са интернализованом калибрацијом (METRIC) модел се надовезује на SEBAL, али додаје аутоматску калибрацију у односу на референтну ET израчунату са метеоролошке станице. METRIC је погоднији за регионе са комплетним мрежама метеоролошких података и широко је усвојен за оперативно управљање наводњавањем у западном делу Сједињених Држава.

iii. Систем површинског енергетског биланса (SEBS) користи теорију турбулентног флукса за процену осетљивог топлотног флукса из сателитски добијених LST података, храпавости површине и брзине ветра. SEBS је физички ригорознији од SEBAL-а, али захтева додатне улазне податке, што га чини погоднијим за истраживање него за оперативно управљање фармама.

Избор ЕТ модела није само техничка одлука — то је одлука о томе на које питање покушавате да одговорите. Вежба рачуноводства воде на нивоу слива и алат за заказивање наводњавања на нивоу терена захтевају фундаментално различите нивое просторне резолуције и временске учесталости.

iv. Енергетски биланс из два извора (TSEB) модел третира земљиште и крошњу као два одвојена извора ЕТ, сваки са својим температурним и енергетским билансом. Овај приступ је тачнији за ретку вегетацију или мешовите покриваче земљишта где модел са једним извором може поистоветити испаравање земљишта са транспирацијом биљака.

2. ЕТ модели засновани на вегетационом индексу

Нису сви ЕТ модели захтевали термалне снимке. Модели засновани на вегетационом индексу процењују ЕТ кроз приступ коефицијенту усева (Kc x ET0), где је коефицијент усева Kc изведен из NDVI или EVI, а референтни ET (ET0) долази са метеоролошке станице. Методологија FAO-56 формализује овај приступ и широко се користи за заказивање наводњавања јер не захтева податке о термалним опсезима.

Модели машинског учења, укључујући Случајна шума, Вештачке неуронске мреже (АНМ), и архитектуре дубоког учења, све се више примењују на процену ЕТ учењем сложених нелинеарних односа између улазних података добијених са сателита (LST, NDVI, албедо, LAI) и ЕТ мерења флуксног торња.

Студија из 2023. године објављена у часопису Remote Sensing of Environment открила је да модел случајне шуме, обучен на MODIS-у и метеоролошким улазима, предвиђа дневни ET са R2 од 0,87 и RMSE од 0,51 mm/дан у различитим биомима — што је конкурентно традиционалним моделима енергетског биланса, али захтева далеко мање напора за параметризацију.

Студија објављена у часопису Taylor and Francis Open (2021) открила је да је SEBAL алгоритам, примењен на снимке Landsat 8 изнад региона узгоја кукуруза у Адани, у Турској, произвео процене ET са коефицијент корелације R = 0,91 у односу на ФАО Пенман-Монтеитову методу и RMSE од само 1,14 мм/дан.

SEBAL-ова тачност на теренском нивоу значи да сателитски добијени ЕТ може заменити или значајно смањити потребу за скупим инсталацијама лизиметара у оперативним системима за управљање наводњавањем.

Сателитски ЕТ производи доступни за оперативну употребу

Неколико глобалних и регионалних ЕТ производа сада преводи улазе даљинске детекције у спремне за употребу слојеве ЕТ података. Практичари више не морају да покрећу сопствене моделе енергетског биланса — могу директно да приступе овим унапред израчунатим скуповима података.

1. Производ MOD16 ET (НАСА) користи MODIS податке са Пенман-Монтејтовим алгоритмом вођеним MODIS подацима о покривености земљишта, LAI, EVI и метеоролошким подацима глобалне реанализе. Пружа 8-дневне и месечне ET композитне податке са резолуцијом од 500 метара широм света. MOD16 је погодан за студије на нивоу пејзажа, али је превише груб за појединачно управљање тереном.

2. SSEBop Модел (Simplified Surface Energy Balance operational - Поједностављени оперативни биланс површинске енергије), који је развио USGS, поједностављује изазов калибрације топлих/хладних пиксела SEBAL-а коришћењем унапред дефинисаних температурних граница изведених из дугорочних климатолошких података. SSEBop оперативно ради на резолуцији од 30 метара користећи Landsat податке и чини један од шест модела унутар OpenET ансамбла.

3. OpenET платформа, лансиран 2021. године и функционисан као јавно-приватна сарадња коју су предводили НАСА, Амерички геолошки центар (USGS), Калифорнијски државни универзитет у заливу Монтереј, Фонд за заштиту животне средине и Институт за истраживање пустиња, пружа ЕТ податке на терену са резолуцијом од 30 метара широм западног дела Сједињених Држава.

Значајна студија објављена у часопису Nature Water у јануару 2024. године, која упоређује процене OpenET-а са мерењима са 152 земаљске локације флукса, потврдила је да OpenET постиже високу тачност за једногодишње усеве попут пшенице, кукуруза, соје и пиринча - посебно у сушним регионима где несташица воде чини прецизност наводњавања најкритичнијом.

4. ВаПОР портал (ФАО) пружа ЕТ податке за Африку и Блиски исток у резолуцији од 30 метара, 100 метара и 250 метара, посебно дизајниране да подрже анализу продуктивности пољопривредне воде у регионима у развоју са оскудним подацима.

5. СЈАЈ (Глобални модел испаравања земљишта из Амстердама) раздваја ЕТ сигнал на транспирацију, испаравање голог тла, губитак пресретања и компоненте испаравања отворених вода, на основу података о влажности земљишта са микроталаса и сателитских производа вегетације. Одличан је у разлагању ЕТ сигнала на биолошке и физичке компоненте.

Примене даљинског истраживања

1. Прецизно наводњавање и управљање водом усева

Најнепосреднија примена сателитских ЕТ података је заказивање наводњавања. Када пољопривредник приступи недељним ЕТ мапама на нивоу поља, може да израчуна дефицит наводњавања - разлику између стварног ЕТ и ефективних падавина - и да примени тачно ту количину воде. Ово елиминише хроничну навику прекомерног наводњавања која троши воду без повећања приноса.

У калифорнијској делти Сакраменто-Сан Хоакин, менаџери водних ресурса користе OpenET како би помогли пољопривредницима да се придржавају државних прописа који захтевају тачно извештавање о потрошњи воде.

Висока тачност сателитских ЕТ података за једногодишње усеве пружа правно одбрањиву основу за обрачун воде коју ниједна метода са земље не би могла да пружи при таквој просторној покривености.

Студија из 2024. године објављена у часопису „Пољопривредно управљање водама“ (Ott et al., 2024; Desert Research Institute) проценила је OpenET у односу на податке о мерењу наводњавања у сливовима подземних вода Неваде.

У Дајмонд Валију, процене ОпенЕТ-а су показале само Разлика 7% у односу на податке о потрошњи воде са мерења, демонстрирајући оперативну поузданост за регулаторно управљање подземним водама.

Маргина грешке од 7% на нивоу слива значи да сателитски ET подаци могу заменити скупу мерну инфраструктуру у регионима где су подземне воде критично исцрпљене.

2. Процена суше и системи раног упозоравања

Праћење суше је још једна примена са великим утицајем. Индекс евапоративног напрезања (ESI), изведен из термичких података ECOSTRESS и MODIS, мери однос стварног ET и потенцијалног ET.

Када ЕСИ значајно падне испод 1,0, то сигнализира да биљке доживљавају водни стрес — поуздан рани индикатор пољопривредне суше, често откривен 4 до 8 недеља пре него што губитак приноса усева постане мерљив.

Национални центар за ублажавање суше Министарства пољопривреде САД интегрише индексе суше засноване на сателитским временским подацима у оперативне мапе за праћење суше које користе државне владе, агенције за осигурање усева и органи за управљање ванредним ситуацијама. Ова интеграција чини одговор на сушу бржим и боље циљаним него приступи засновани само на календару или падавинама.

3. Управљање водним ресурсима на нивоу слива

Обрачун воде на нивоу слива захтева знање колико воде напушта површину земље као ЕТ на милионима хектара. Управо то је оно што сателитски ЕТ производи попут MOD16, GLEAM и WaPOR пружају на глобалном нивоу.

• Агенције за управљање резервоарима користите ЕТ податке за процену приноса воде из слива — разлике између падавина и ЕТ — што одређује колико воде заправо стиже до река и акумулација.
• Надлежни органи за прекограничне речне сливове применити сателитски ЕТ за независну проверу националног извештавања о потрошњи воде без потребе за приступом националним мрежама података са земље.
• Руководиоци наводњавачких округа користите ЕТ за праћење потрошње по врсти усева у целим подручјима услуга, подржавајући праведну расподелу воде и усклађеност са прописима.

4. Примене у области животне средине и екологије

Праћење вантелесног распада мочвара помоћу сателитских података квантификује потрошњу воде у екосистему у неприступачним мочварама, тресетиштима и естуаријима где се сензори са земље не могу распоредити. Праћење вантелесног распада шума открива како крчење шума, пошумљавање и шумски пожари мењају водни биланс читавих сливова — кључни подаци за обрачун угљеника у шумама и планирање снабдевања водом.

Евапотранспирација је невидљива нит која повезује сваку биљку на Земљи са глобалним циклусом воде. Даљинска детекција је једини алат који имамо да је видимо у размерама које су важне за управљање водама.

Процена тачности и валидација сателитских ЕТ производа

Ниједан ЕТ производ није користан без ригорозне валидације. Стандардни приступ упоређује сателитске ЕТ процене са мерењима из торњева за коваријансни флукс вртложних вештачких структура — најтачније доступне тачне податке о ЕТ-у на нивоу пејзажа.

Глобални Флукснет мрежа пружа отворени приступ подацима о флуксним торњевима са стотина локација у различитим биомима. Програмери ЕТ производа упоређују своје резултате модела са FLUXNET мерењима како би израчунали статистичке метрике учинка, укључујући

• R2 (коефицијент корелације),
• RMSE (средња квадратна грешка) и
• Пристрасност (систематско прецењивање или потцењивање).

Валидација се врши одвојено за различите типове покривача земљишта, климатске зоне и годишња доба, јер тачност ЕТ модела значајно варира у зависности од ових услова.

Модели енергетског биланса попут SEBAL и METRIC генерално најбоље функционишу у полусушним пољопривредним пејзажима са ведрим небом. Перформансе се погоршавају у влажним тропским шумама, сложеном планинском терену и подручјима са честим облачним покривачем.

Студија тачности OpenET-а објављена у часопису Nature Water упоредила је шест ET модела са мерењима из 152 локације флуксних торњева широм Сједињених Држава, откривши да је OpenET ансамбл постигао најјаче перформансе посебно за једногодишње усеве у сушним западним регионима - подручјима где је управљање наводњавањем економски и еколошки најкритичније.

Водопривредни менаџери у сушним регионима могу са високом поузданошћу да примене OpenET податке за усклађеност са прописима о наводњавању и праћење буџета за воду, замењујући скупу инфраструктуру за мерење.

Изазови у даљинском очитавању ЕТ праћења

Упркос брзом напретку, неколико техничких и оперативних изазова ограничава тачност и применљивост сателитског праћења ЕТ-а.

1. Ограничења облачности: Оптичко и термално даљинско очитавање захтева услове без облака. У влажним тропским регионима или током сезоне монсуна, дуготрајни облачни покривач може створити празнине у подацима од недеља до месеци, прекидајући временски континуитет који је потребан за управљање наводњавањем.

2. Ограничења просторне резолуције: МОДИС, временски најчешћи сателит, пружа ЕТ податке са резолуцијом од 500 метара — прегрубим за поља мања од око 25 хектара. Ландсатова резолуција од 30 метара одговара већини пољопривредних поља, али долази са циклусом поновног прегледа од 16 дана, што пропушта брзе промене у стресу од воде.

3. Компромиси у вези са временском резолуцијом: Висока просторна резолуција (Landsat, Sentinel-2, ECOSTRESS) и висока временска резолуција (MODIS, VIIRS) постоје у обрнуто пропорционалној вези. Премошћавање овог јаза захтева технике фузије података.

4. Претпоставке модела у хетерогеним пејзажима: Модели енергетског биланса са једним извором претпостављају униформну крошњу, која се распада у реткој вегетацији, мешовитим системима узгоја усева или урбано-пољопривредним интерфејсима где се температуре земљишта и биљака нагло разликују.

5. Доступност података у регионима у развоју: Подаци са земаљских метеоролошких станица потребни за ограничавање ЕТ модела су оскудни у већем делу подсахарске Африке, Јужне Азије и Централне Азије - управо у регионима где је побољшано управљање водама најхитније потребно.

Нове технологије и будућност у ЕТ мониторингу

Неколико конвергентних технолошких достигнућа спремно је да драматично прошири тачност, покривеност и доступност даљинског сензорског ЕТ праћења у наредних пет до десет година.

1. Вештачка интелигенција, машинско учење и фузија података

Модели дубоког учења обучени на великим скуповима података са више сензора почињу да надмашују класичне моделе енергетског биланса у одређеним пејзажима. Конволуционе неуронске мреже могу истовремено да интегришу податке са Landsat, Sentinel-2, MODIS и метеоролошке реанализе, учећи просторно-временске ЕТ обрасце које ниједан модел са једним сензором не обухвата.

У међувремену, алгоритми за фузију података — најзначајнији приступ STARFM (Spatial and Temporal Adaptive Reflectance Fusion Model) — комбинују Landsat снимке високе резолуције са дневним MODIS подацима како би се произвеле синтетичке дневне ET мапе резолуције од 30 метара, ефикасно решавајући просторно-временски компромис који тренутно ограничава примене прецизне пољопривреде.

2. Термални сателити високе резолуције и сазвежђа CubeSat

Следећа генерација наменских термалних сателита за посматрање Земље испоручиваће термалне снимке испод 30 метара са учесталошћу свакодневних посета.

Планиране мисије, укључујући наследника Landsat Next-а и комерцијалне термалне констелације CubeSat-а, елиминисаће историјски компромис између просторних детаља и временске фреквенције који је ограничавао праћење ET-а на нивоу поља.

Како је наведено у извештају Future Market Insights (2025), очекује се да ће тржиште услуга даљинског истраживања – процењено на 22,87 милијарди америчких долара у 2025. години – достићи 84,28 милијарди америчких долара до 2035. године, значајно вођено ширењем констелације сателита на ниској околини Земље (LEO).

3. Дигитални близанци за управљање водама

Дигитални оквири близанаца — динамичке виртуелне реплике пољопривредних пејзажа које се ажурирају готово у реалном времену са сателитских и IoT сензорских података — интегришу даљинско очитавање ЕТ-а као основни ток података. Ови системи синхронизују сателитске ЕТ мапе, податке сензора влажности земљишта, временске прогнозе и моделе раста усева како би симулирали будући статус воде на пољима и аутоматски прописали наводњавање.

Софтвер и алати за праћење ЕТ

Богат скуп платформи сада чини анализу даљинске детекције путем ЕТ технологије доступном практичарима без дубоког стручног знања о програмирању.

1. Google Earth Engine (GEE) је платформа за геопросторно рачунарство заснована на облаку која садржи комплетне архиве Landsat, MODIS, Sentinel и ECOSTRESS, заједно са унапред изграђеним ET алгоритмима. Аналитичари могу да покрећу ET прорачуне на основу година података за целе регионе без преузимања било каквих слика локално. GEE је постала доминантна истраживачка платформа за ET мапирање великих подручја.

2. OpenET платформа пружа веб интерфејс где сваки регистровани корисник може приступити подацима о ЕТ-у на нивоу поља за пољопривредно земљиште широм западног дела Сједињених Држава. Корисници могу да извозе дневне, месечне или сезонске ЕТ резимее за појединачна поља или целе водопривредне округе, без потребе за знањем програмирања.

3. ВаПОР портал (ФАО) пружа сличан интерфејс за преузимање ЕТ података кликом миша за Африку и Блиски исток, са директним везама до индикатора продуктивности пољопривредне воде.

4. Токови рада у Пајтону и Р-у Користећи библиотеке као што су Rasterio, Xarray, Geopandas (Python) или Terra, Raster (R) омогућава истраживачима да изграде прилагођене ET процесе обраде који интегришу сателитске податке са локалним метеоролошким записима, моделима усева и базама података о наводњавању.

Студије случаја за даљинско истраживање ЕТ праћење

1. Управљање наводњавањем у сушним регионима

У региону водоносног слоја високих равница у Сједињеним Државама - једној од најинтензивније наводњаваних пољопривредних зона на Земљи - истраживачи из Института за истраживање пустиња показали су да подаци OpenET-а интегрисани са скуповима података о клими могу да процене запремину пумпања подземних вода са довољном тачношћу да подрже регулаторно управљање опадајућим нивоима водоносног слоја.

Студија је упоредила процене сателитског ЕТ са записима пумпи са мерења, проналазећи одступање мање од 17% у већини испитиваних сливова - ниво тачности довољан за управљање водним правима.

2. Прецизна пољопривреда свих врста усева

Даљинско очитавање ЕТ праћења је имплементирано за заказивање наводњавања памука коришћењем SEBAL и METRIC модела за мапирање стварног ЕТ на појединачним пољима током вегетационе сезоне.

Студије објављене у часопису Astrophysics Data System (2020) показале су да су оба модела открила стварни ЕТ већи од очекиваног током раних фаза усева због високог испаравања са огољеног тла – налаз који је стандардни приступ коефицијента усева систематски пропустио, што је довело до прекомерног наводњавања у том критичном периоду.

3. Обрачун воде на нивоу слива

ФАО-ова WaPOR платформа је коришћена за спровођење анализе продуктивности воде у свим системима наводњавања у Етиопији, Египту и Јордану, квантификујући ЕТ по јединици произведене биомасе усева.

Ове анализе су идентификовале поља са продуктивношћу воде испод просека слива, пружајући просторну базу доказа за циљане програме проширења како би се побољшала ефикасност наводњавања у подручјима са слабијим учинком.

Најбоље праксе за избор приступа праћењу ЕТ-а

Избор праве комбинације сателитских података, ЕТ модела и стратегије валидације зависи од конкретног питања на које се одговара, расположивих ресурса и прихватљивог нивоа несигурности.

1. Прво дефинишите просторну и временску скалу. Месечно обрачунавање воде на нивоу слива захтева другачији алат од дневног заказивања наводњавања на нивоу поља. Ускладите резолуцију и учесталост поновних посета сателитске платформе са потребама управљања пре него што одаберете било који модел.

2. Ускладите модел са типом пејзажа. Модели енергетског биланса попут SEBAL и METRIC најбоље функционишу у полусушним пејзажима где доминирају усеви и са ведрим небом. Модели засновани на вегетационом индексу боље функционишу у регионима са ограниченом доступношћу термичких података. Модели машинског учења најбоље функционишу када су доступни велики, локално валидирани скупови података за обуку.

3. Увек проверите локално. Чак и најтачнији глобални ЕТ производ треба да буде валидиран у односу на најмање један локални флуксни торњ или скуп података лизиметра пре оперативног примене. Метрике учинка из објављених студија ретко се тачно преносе на нове локације и врсте усева.

4. Планирајте за празнине у облачности. У влажним или тропским регионима, планирајте стратегије фузије података или попуњавања празнина од самог почетка. Ослањање на један термални сателит са циклусом поновних посета од 16 дана произвешће неприхватљиве празнине у подацима током критичних периода раста усева.

5. Користите отворене платформе где год је то могуће. Google Earth Engine, OpenET и WaPOR пружају приступ валидираним, добро документованим ET производима без икаквих трошкова. Израда прилагођеног ET модела од нуле ретко је оправдана осим ако то не захтевају јединствени локални услови.

6. Интегришите ЕТ податке са постојећим системима управљања фармама. ЕТ подаци су највреднији када се директно уносе у софтвер за заказивање наводњавања, алате за подршку одлучивању или базе података о рачуноводству воде, уместо да постоје као самостални сателитски излаз.

Закључак

Праћење евапотранспирације помоћу даљинске детекције еволуирало је од експерименталне истраживачке дисциплине до кључног оперативног алата за управљање пољопривредним водама. Комбинација све прецизнијих сателитских ЕТ производа, платформи отвореног приступа попут OpenET-а и WaPOR-а и фузије података засноване на вештачкој интелигенцији уклања баријере које су некада ограничавале сателитско ЕТ праћење на добро финансиране истраживачке институције.

Тренутне могућности су значајне: модели енергетског биланса валидирани у 30 или више земаља, сателитски ЕТ производи који постижу сезонску тачност бољу од 90% за главне једногодишње усеве и платформе засноване на облаку које пружају ЕТ податке на нивоу поља сваком пољопривреднику или менаџеру вода са интернет конекцијом. Ове могућности се већ користе за управљање усклађеношћу са прописима о наводњавању на реци Колорадо, за праћење исцрпљивања подземних вода у водоносном слоју Високих равница и за побољшање продуктивности пољопривредне воде широм Африке путем FAO WaPOR система.

Пиринач храни више од 3,5 милијарди људи широм света, али мање од 60% подручја за узгој пиринча има тачне, ажуриране мапе узгоја, према ажурирању глобалног атласа пиринча Међународног института за истраживање пиринча (IRRI) за 2024. годину. Мапирање образаца узгоја пиринча и културног типа коришћењем даљинске детекције брзо смањује ову празнину пружањем просторно прецизних, временски конзистентних података у размерама које ниједно теренско истраживање не може да парира.

Од разликовања наводњаваних низија са двоструком обрадом у вијетнамској делти Меконга до идентификације поља напајаних кишом у једној сезони у подсахарској Африци, сателитски и радарски системи сада пружају обавештајне податке који су пољопривредницима, владама и агенцијама за безбедност хране потребни за планирање са поверењем. Како вештачка интелигенција и рачунарство у облаку убрзавају обраду података, очекује се да ће праћење пиринча у готово реалном времену постати глобални стандард до 2027. године.

Зашто је пиринач важан и зашто је његово праћење тешко

1. Производња пиринча и једначина глобалне безбедности хране

Пиринач је главна калоријска намирница за више од половине светске популације, а његов значај се протеже далеко изван индивидуалне исхране. Глобална производња пиринча достигла је приближно 520 милиона метричких тона млевеног пиринча у 2024. години, према подацима ФАО, при чему Азија чини скоро 90% те производње.

Сваки значајан поремећај у снабдевању пиринчем, било да је у питању суша, поплава, појава штеточина или неуспех политике, изазива брзе шокове цена хране који несразмерно погађају најсиромашнија домаћинства у свету.

Одржавање безбедности хране у овим размерама захтева више од пуког узгоја довољног броја пиринча. Потребно је тачно знати где се пиринач гаји, колико пута годишње се свако поље обрађује и које се пољопривредне праксе користе. Владама су потребни ови подаци како би распоредиле инфраструктуру за наводњавање, субвенционисале ресурсе и изградиле резерве за хитне случајеве.

Изазов је у томе што се пиринач узгаја у изузетно фрагментираним пејзажима, од терасастих падина на Филипинима до пространих наводњаваних равница у Кини, што конвенционална истраживања по пољу логистички и финансијски чини непрактичним на националном или регионалном нивоу.

2. Потреба за систематским праћењем образаца узгоја пиринча

Обрасци узгоја пиринча, односно број сезона узгоја пиринча годишње и начин на који су распоређени по пределу, стално се мењају. Климатска варијабилност скраћује периоде узгоја у неким регионима, док их у другима проширује. Економски сигнали подстичу пољопривреднике са једне на двоструку производњу када се доступност воде и тржишне цене ускладе.

Без систематског праћења, планери раде на основу података пописа који могу бити застарели пет или више година, што доводи до хроничне погрешне расподеле воде, субвенција за ђубриво и руралних кредита. Даљинска детекција нуди решење за овај јаз у праћењу тако што пружа доследна, поновљива посматрања у целим земљама за само неколико дана.

Уместо да се ослањају на самопријављивање пољопривредника или анкете пописивача, сателитски системи директно посматрају пејзаж, бележећи како се пиринчана поља мењају кроз поплаве, пресађивање, вегетативни раст и жетву током сваке сезоне у години.

3. Шта даљинска детекција доноси пољопривредном мапирању

Даљинска детекција је наука о прикупљању информација о објектима или подручјима из даљине, обично коришћењем сензора постављених на сателитима, авионима или беспилотним летелицама (БПЛ). У пољопривредним контекстима, сензори мере енергију коју рефлектују или емитују усеви, земљиште и вода на различитим таласним дужинама електромагнетног спектра.

Пошто различити типови земљишног покривача различито рефлектују енергију у различитим фазама раста, сателитски снимци могу разликовати поље пиринча од поља кукуруза, и поплављену пресађену парцелу пиринча од суве парцеле директно сејане, са прецизношћу која се повећава како се технологија сензора побољшава. Мапирање обрасца усева пиринча и културног типа коришћењем даљинске детекције служи четирима међусобно повезаним циљевима.

• Прво, производи просторно експлицитне инвентаре места где се пиринач узгаја у сезонским и годишњим временским скалама.
• Друго, класификује колико циклуса усева се дешава годишње у сваком мапираном подручју, разликујући системе са једним, двоструким и троструким усевима.
• Треће, идентификује коришћене агротехничке праксе, као што је да ли се поље пресађује или сеје директно, или да ли се управљање водом контролише или се напаја кишницом.
• Четврто, генерише основне податке који се користе за прогнозирање производње, буџетирање воде, планирање климатских прилагођавања и системе прецизне пољопривреде.

Разумевање система узгоја пиринча и културних типова

1. Шта заправо значи образац узгоја пиринча

Образац узгоја пиринча описује временски распоред узгоја пиринча у оквиру календарске године на датој локацији. Он обухвата не само да ли се пиринач гаји, већ и колико пута, када свака сезона почиње и завршава се, и која култура, ако постоји, следи или претходи пиринчу на истом пољу. Мапирање ових образаца широм региона даје планерима динамичну слику интензитета коришћења земљишта и потражње за ресурсима коју један снимак никада не би могао да пружи.

2. Системи узгоја пиринча са једним усевом

У системима са једним усевом (монокултура), пољопривредници узгајају једну сезону пиринча годишње, обично усклађену са монсунским кишним сезонама или једним контролисаним циклусом наводњавања. Ови системи доминирају у регионима где доступност воде, радна снага или клима ограничавају могућност друге сезоне.

Системи са једним усевом имају тенденцију да имају дуже периоде раста по сезони, често са традиционалним или побољшаним сортама дугог трајања, и несразмерно су напајани кишом, што их чини веома осетљивим на време и расподелу падавина.

3. Системи двоструког усева пиринча

Системи двоструког усева производе две жетве пиринча годишње са истог поља. Најчешћи су широм југоисточне и јужне Азије, укључујући делту Црвене реке у Вијетнаму, поплавне равнице Бангладеша и наводњаване округе индијског Пенџаба.

Временски размак између две сезоне је узак, често мањи од 30 дана, тако да идентификација подручја са двоструким усевом из сателитских података захтева густа временска посматрања како би се открила два пуна фенолошка циклуса у току једне године.

4. Системи троструког узгоја пиринча

Трострука жетва, са три жетве пиринча годишње, практикује се у ограниченим подручјима где су и доступност воде и температура повољни током целе године. Делта Меконга у јужном Вијетнаму и делови провинције Гуангдонг на југу Кине подржавају системе троструке жетве.

Иако максимизирају интензитет коришћења земљишта, системи са три усева носе значајне изазове у вези са плодношћу земљишта и сузбијањем штеточина. Даљинска идентификација ових поља је технички захтевна јер кратки периоди угара између усева сабијају фенолошке сигнале у уске временске оквире.

5. Гајење пиринча на кишници

Пиринач узгајан кишом, који се гаји искључиво захваљујући падавинама без вештачког снабдевања водом, чини приближно 45% укупне површине пиринча у свету, према подацима Међународног института за истраживање пиринча (IRRI). То је доминантан систем у подсахарској Африци, планинским подручјима јужне и југоисточне Азије и поплавним равницама зависним од кише.

Системи напајани кишом су веома осетљиви на варијабилност падавина, што се претвара у флуктуације приноса од 30-50% између влажних и сушних година у неким регионима. Са становишта даљинске детекције, пиринач напајан кишом је теже мапирати јер је сигнал поплаве слабији и неправилнији него на управљаним наводњаваним пољима.

6. Гајење пиринча под наводњавањем

Наводњавани системи за пиринач примају воду кроз канале, пумпе или управљане резервоаре, што омогућава пољопривредницима да контролишу време садње и жетве са значајном прецизношћу. Наводњавани пиринач тренутно заузима само око 55% глобалне површине пиринча, али доприноси 75% укупној производњи пиринча, што одражава предност приноса због безбедности воде.

Намерно поплављивање наводњаваних поља ствара јак и конзистентан радарски повратни сигнал који сателитски сензори поуздано детектују, чинећи наводњавани пиринач једном од најтачније мапираних врста усева на свету.

7. Системи пиринча у брдима и низијама

Пиринач у планинским подручјима се гаји на непоплављеним, добро дренираним земљиштима, често на падинама или терасама у Азији и Африци. Пошто ова поља никада нису намерно поплављена, недостаје им водени сигнал који омогућава препознавање пиринча у низијским подручјима помоћу радара, што приморава истраживаче да се ослањају само на спектралне обрасце вегетације.

Низијски пиринач, насупрот томе, гаји се на равним или плитко поплављеним пољима где се вода акумулира природним путем или путем наводњавања. Низијски системи доминирају регионима азијских пиринчаних котлина и примарни су циљ већине мапирања великих размера.

Морфолошки контраст између планинских и низијских поља, укључујући облик поља, топографски положај и структуру крошњи, пружа додатне просторне знакове које анализа слика заснована на објектима може ефикасно искористити.

8. Директна сетва у односу на пресађени пиринач

Пресађени пиринач подразумева узгој садница у расаднику током 25 до 30 дана, а затим њихово ручно или механички премештање на главно поље. Директна сетва пиринча, насупрот томе, подразумева распршивање или сетву семена директно у припремљено поље без фазе расадника.

Ове две методе производе мерљиво различите временске потписе у сателитским подацима: пресађена поља показују оштро, синхронизовано озелењавање отприлике три недеље након поплаве, док поља директно сејана показују постепенији развој крошње од дана сетве. Ова фенолошка разлика, суптилна али стварна, може се открити пажљивом анализом временских серија вегетационих индекса.

Алати и технологије даљинског очитавања за мапирање пиринча

1. Физички принцип даљинског истраживања

Свака биљка рефлектује, апсорбује и преноси сунчево зрачење у обрасцима који су одређени биохемијом њеног листа, структуром крошње и садржајем воде. Зелено лишће снажно апсорбује црвену светлост за фотосинтезу, док рефлектује велики део енергије блиског инфрацрвеног (NIR) зрачења. Поплављена земљишта, насупрот томе, апсорбују скоро сво долазно зрачење.

Ови контрастни одговори стварају предвидљиве спектралне потписе које сензори на сателитима могу да снимају са доследним временом, омогућавајући аналитичарима да прате стање усева, фазу раста и одлуке о управљању на нивоу поља без икакве посете пољу.

2. Оптичко даљинско очитавање

Оптички сензори детектују рефлектовано сунчево зрачење, производећи слике које веома подсећају на оно што би људско око видело када би се проширило на инфрацрвене таласне дужине. Три оптичке платформе доминирају у истраживању мапирања пиринча.

Ландсат (серија сателита којима управљају НАСА и Амерички геолошки сервис од 1972. године) пружа слике просторне резолуције од 30 метара са циклусом поновних посета од 16 дана. Његова дуга временска архива чини га неопходним за проучавање промена површина пиринча током деценија. Међутим, понављање од 16 дана значи да се неки фенолошки догађаји у краткој вегетационој сезони могу пропустити између посматрања.

Сентинел-2 (којим управља Европска свемирска агенција, лансиран 2015. и 2017. године као констелација са два сателита) побољшава Ландсат са резолуцијом од 10-20 метара и циклусом поновних посета екватору од 5 дана. Ова два побољшања заједно омогућавају финије разграничење поља и боље фенолошко узорковање, а најновије студије мапирања пиринча високе прецизности, укључујући оне објављене у ISPRS Journal of Photogrammetry and Remote Sensing 2024. године, користе Sentinel-2 као примарни оптички извор података.

МОДИС (Спектрорадиометар за снимање средње резолуције), који се налази на НАСА-иним сателитима Terra и Aqua, пружа резолуцију од 250-500 метара са дневним капацитетом за поновно извршавање. Иако је превише груб за мапирање појединачних поља, MODIS остаје вредан за процене интензитета усева на националном и континенталном нивоу где је висока просторна резолуција мање критична од временске густине.

3. Радарско даљинско очитавање

Радар са синтетичком апертуром (SAR) је технологија заснована на радару која преноси микроталасне импулсе ка површини Земље и мери енергију расејану назад до сензора. За разлику од оптичких сензора, SAR ради независно од облачности и сунчевог осветљења, што значи да подједнако добро прикупља податке у облачној монсунској ноћи као и у ведром дану сушне сезоне.

Ова особина је од кључне важности за мапирање пиринча у тропској Азији, где оптички сензори рутински губе недеље вегетацијске сезоне због опструкције облака.

Сентинел-1 (ESA) преноси микроталасну енергију C-опсега (таласне дужине приближно 5,6 цм) и пружа бесплатне, глобалне SAR податке са резолуцијом од 10 метара са циклусом понављања од 6-12 дана. Пиринчана поља интерагују са SAR сигналима на препознатљив начин:

• Поплављена поља делују као скоро савршено огледало, рефлектујући већину радарске енергије даље од сензора (што ствара ниске вредности повратног расејања), док
• Растућа крошња пиринча све више расејава енергију назад ка сензору како се густина биљака и површина листа повећавају.

Ова путања повратног расејања током времена, ниска током поплава и пресађивања, порастом кроз вегетативне фазе и поновним опадањем након класјања, формира радарски фенолошки потпис јединствен за пиринач.

Нгујен и др. (Даљинска детекција животне средине, 2023) су открили да је класификација временских серија Сентинел-1 SAR-а постигнута Укупна тачност 92.3% у мапирању сезона узгоја пиринча у три провинције у вијетнамској делти Меконга, укључујући подручја са три усева где оптички подаци нису били доступни током више од 60% периода раста због облачности.

У тропским регионима узгоја пиринча, методе засноване на SAR-у нису само алтернатива оптичком очитавању, већ су често једина поуздана опција за мапирање сезоне по сезону током монсунских месеци.

4. Интеграција података са више сензора

Ниједан сензор не нуди идеалну комбинацију просторних детаља, временске густине и продора облака. Најтачнији системи за мапирање пиринча стога интегришу више типова сензора у оквиру једног аналитичког оквира.

Заједничка архитектура упарује Sentinel-1 SAR за временско праћење без облака са оптичким подацима Sentinel-2 за спектрално богатство током ведрих периода и користи MODIS као сидро грубе резолуције за детекцију фенолошких образаца на регионалном нивоу.

Када се ови токови података алгоритамски споје, комбиновани скуп података може да разреши границе усева, детектује датуме пресађивања и додели класификације културних типова са нивоом сигурности који ниједан појединачни сензор не постиже сам.

Идентификација образаца узгоја пиринча из сателитских података

1. Временски сигнали фаза раста пиринча

Пиринач пролази кроз добро дефинисан низ фаза раста: припрема земљишта и поплављивање, пресађивање или сетва, бокоћење (развој више стабљика из једне биљке), почетак раста метлице, клијање (појава цвета који носи зрно) и жетва.

Свака фаза производи мерљиву промену у оптичким и радарским карактеристикама поља. Аналитичари користе ове специфичне сигнатуре фазе, снимљене као временске серије спектралних индекса или SAR повратно расејање, да би реконструисали шта се догодило на сваком пољу и када, без икаквог претходног знања пољопривредника.

2. Мапирање пиринча засновано на фенологији

Мапирање засновано на фенологији (коришћење времена биолошких догађаја за класификацију усева) је доминантан приступ за детекцију пиринча на великим површинама. Метод функционише тако што се математичке криве уклапају у временске серије података, а затим се идентификују поља где се временски образац поклапа са карактеристичном кривом раста пиринча. Кључни датуми догађаја извучени из овог процеса уклапања укључују

• почетак вегетационе сезоне (обично се обележава наглим повећањем вредности вегетационог индекса након поплава),
• врхунац вегетационе сезоне (индекс максималне површине листа), и
• крај сезоне (брз пад при жетви).

Број таквих циклуса откривених у календарској години директно одређује да ли је поље класификовано као једноструко, двоструко или троструко обрађено.

3. Процена интензитета усева

Интензитет усева, број сезона усева завршених годишње на јединици земљишта, један је од најрелевантнијих резултата мапирања образаца усева пиринча за политику. Једноставан, али моћан приступ израчунава колико пута се спектрални или повратни врх расејања сличан пиринчу јавља у годишњем временском низу пиксела.

Када се комбинују са просторним филтерима за уклањање лажних детекција изазваних мочварама, воденим површинама или сезонским поплавама, ови циклуси бројања производе мапе пиринча са једним, двоструким и троструким усевима које се могу валидирати у односу на теренска истраживања и регионалне статистике.

4. Сезонско и годишње мапирање дистрибуције пиринча

Сезонске мапе (једна мапа по вегетационој сезони годишње) приказују не само где се пиринач гаји, већ и када расте на свакој локацији. Годишње групе сезонских мапа затим откривају комплетан календар усева у региону, укључујући просторну расподелу пиринча ране сезоне у односу на пиринач касне сезоне, што има директне импликације на распоред воде, управљање притиском штеточина и логистику жетве.

5. Откривање плодореда који укључују пиринач

У многим азијским системима узгоја пиринча, пољопривредници наизменично гаје пиринач са пшеницом, поврћем, махунаркама или периодима угара унутар истог поља током узастопних сезона. Даљинска детекција детектује ове ротације анализирајући целокупне годишње временске серије, а не било коју појединачну сезону одвојено.

Поље класификовано као пиринач у влажној сезони, али као пшеница у сушној сезони, показује јасан временски образац са два врха у подацима вегетационог индекса, при чему спектралне карактеристике сваког врха идентификују одговарајућу врсту усева. Мапирање ових ротација је важно за процену здравља земљишта, моделирање потражње за наводњавањем и програме диверзификације прихода.

Како GeoPard покреће мапирање образаца узгоја пиринча

Мапирање образаца усева пиринча захтева континуирано посматрање из више извора током целе вегетационе сезоне, а то је управо оно што ГеоПард пружа. Комбиновањем снимака са Ландсат-8, Сентинел-2 и Планет у једну платформу, ГеоПард прати поља сваког другог дана са резолуцијом до 3 метра, осигуравајући да се критични догађаји у вези са пиринчем, попут поплава пре пресађивања, озелењавања садница и жетве, никада не пропусте због празнина у облацима.

Фузија више сензора платформе показала је побољшање тачности 4% у односу на приступе са једним сензором, што директно пооштрава раздвајање између система пиринча са једним усевом, двоструким усевом и троструким усевом.

За идентификацију културног типа, GeoPard-ов пакет вегетационих индекса, укључујући NDWI за детекцију површинских поплава, EVI2 за време биомасе крошњи и LAI за густину крошњи, обухвата спектралну биографију која раздваја наводњавани пресађени пиринач од система напајаних кишом или директно сетвених система.

Током облачних монсунских дана када оптичко снимање потпуно откаже, ГеоПардов интегрисани слој радарских података одржава праћење вегетације непрекидно, очитавајући SAR повратно расејање које је дефинитиван потпис поплављеног пиринча у време пресађивања.

Алат „Упореди слојеве“ омогућава агрономима да поставе до четири синхронизована слоја података један поред другог, што олакшава раздвајање типова култура пиринча упоређивањем сигнала поплава NDWI са вишегодишњим трендовима вегетације и мапама продуктивности земљишта.

Подржана преко 30 година сателитских снимака, платформа открива дугорочне обрасце интензитета усева на нивоу поља. Ти увиди се затим директно преносе на мапе варијабилне примене стопа за ђубриво, семе и заштиту усева, претварајући мапе типова културе пиринча у конкретне прописе за управљање на нивоу поља.

Мапирање типова култура пиринча помоћу даљинске детекције

1. Спектралне карактеристике различитих културних пракси

Културни тип, специфична комбинација управљачких пракси примењених на пиринчано поље, обликује временску еволуцију спектралног потписа тог поља. Поплављени пресађени пиринач, на пример, почиње сезону са оптичким одговором којим доминира вода (ниска рефлексија у свим видљивим опсезима), након чега следи нагла промена како се успоставља крошња садница.

Пиринач директно сетвен у непоплављене леје показује постепеније повећање вегетационог сигнала од почетка клијања, без почетног периода поплаве који оптички и SAR сензори лако детектују.

2. Разликовање наводњаваног и кишног пиринча

Наводњавана и пиринчана поља која се напајају кишом разликују се на два уочљива начина: време и редовност поплава и доследност њихове сезонске фенологије. Наводњавана поља имају тенденцију да се поплаве по распореду, показују мању годишњу варијабилност у датумима пресађивања и одржавају константну густину крошње контролисаним управљањем водом.

Поља напајана кишом показују већу временску варијабилност између година, могу искусити стрес од воде средином сезоне који се може уочити као аномални падови вредности вегетационог индекса, а понекад не успевају да заврше пуну вегетациону сезону током сушних година.

Вишегодишња анализа временских серија обухвата ову структуру варијабилности, омогућавајући алгоритмима класификације да одвоје наводњавана подручја од подручја напајаних кишом са тачношћу која обично прелази 85% у добро калибрисаним системима.

3. Мапирање пресађеног и директно сејаног пиринча

Најпоузданији показатељ за разликовање пресађеног од директно сејаног пиринча у SAR подацима је време и трајање почетног периода поплаве са ниским повратним расејањем.

Пресађена пиринчана поља се поплављују 2-4 недеље пре него што се саднице пресаде, стварајући продужени прозор таме на радарском нивоу на почетку сезоне.

Поља са директном сетвом или не показују прозор плављења (сува сетва) или показују веома кратак период (влажна сетва), а пораст повратног расејања је и ранији у односу на датум сетве и структурно се разликује по свом нагибу. Ове временске карактеристике могу се аутоматски издвојити коришћењем алгоритама примењених на густе временске серије SAR-а.

4. Детекција управљачких пракси коришћењем даљинског истраживања

Поред методе пресађивања и водног режима, даљинска детекција може да открије одређене праксе управљања водама, као што је наизменично влажење и сушење (AWD), техника која се користи за смањење емисије метана и потрошње воде повременим исушивањем пиринчаних поља.

Поља са AWD технологијом показују осцилујуће обрасце повратног расејања SAR сигнала током вегетативног периода, што одражава поновљене циклусе поплава и одводњавања, док континуирано поплављена поља показују стабилнију путању повратног расејања. Ова могућност је посебно вредна за праћење усвајања климатски паметних пракси употребе пиринча у националним инвентарима гасова стаклене баште.

5. Индикатори управљања водама на пиринчаним пољима

Детекција површине воде путем SAR-а је веома осетљива, способна да идентификује загушену воду на дубини од само неколико центиметара испод крошње пиринча. Ова осетљивост омогућава аналитичарима да мапирају статус поплава по пољу у кључним тачкама вегетационе сезоне, подржавајући одлуке о распореду наводњавања и ране процене штете од поплава.

Када се мапе површине воде из више датума временски сложе, оне дају динамички потпис управљања водама за свако поље који служи као вредан улаз за моделе класификације културних типова.

Технике и методе: Од индекса до дубоког учења

1. Вегетацијски индекси за праћење пиринча

Вегетацијски индекси су математичке комбинације вредности рефлексије на различитим таласним дужинама, дизајниране да појачају сигнал биљне биомасе и здравља, а истовремено смањују шум од позадине земљишта, атмосферских ефеката и геометрије осветљења. Три индекса су кључна за рад на мапирању пиринча.

i. NDVI (Нормализовани индекс разлике вегетације) израчунава се као (NIR – црвена) / (NIR + црвена) и најшире је коришћени индекс у праћењу пиринча. Прати зеленило крошње од успостављања садница до старења, са вредностима које обично расту од скоро нуле при пресађивању до 0,6-0,8 на врхунцу вегетативног раста.

ii. EVI (Индекс побољшане вегетације) ефикасније коригује ефекте атмосферских аеросола и позадинску буку земљишта од NDVI, што га чини пожељнијим у окружењима са високим оптерећењем аеросолима, као што је током сезона сагоревања биомасе уобичајених у тропској Азији.

iii. LSWI (Индекс површинских вода копна) укључује краткоталасну инфрацрвену рефлексију за детекцију садржаја воде и у крошњи биљака и на површини земљишта, што га чини веома осетљивим на поплаве које карактеришу узгој пиринча у низијама и пружа робустан сигнал за детекцију почетка вегетације.

2. Анализа временских серија

Једна сателитска слика приказује стање пиринчаног поља у једном тренутку, али прича о пиринчаном пољу је написана у низу тих тренутака. Анализа временских серија повезује многа запажања, обично једну слику сваких 5-16 дана током целе године, и издваја временске метрике као што су датум почетка сезоне, врхунац NDVI-а, стопа озелењавања и датум жетве.

Ове метрике заједно описују потпуно фенолошко понашање поља и далеко су дијагностичкије за идентификацију типа усева него било које посматрање на основу једног датума. Статистичке методе, укључујући хармонијску регресију и динамичко временско искривљавање (DTW), се често користе за усклађивање и упоређивање временских серија података у различитим годинама и регионима.

3. Машинско учење за класификацију пиринча

Машинско учење је трансформисало обим и тачност мапирања образаца узгоја пиринча аутоматизацијом идентификације сложених, нелинеарних односа између спектрално-временских података и услова на терену.

i. Случајна шума (RF) је ансамбл метода која гради стотине независних стабала одлучивања, свако обучено на случајном подскупу карактеристика, и агрегира њихове гласове за коначну класификацију. Отпорна је на бучне податке за обуку, ефикасно обрађује високодимензионалне просторе карактеристика и пружа променљиве оцене важности које помажу аналитичарима да разумеју које временске или спектралне карактеристике утичу на одлуке о класификацији.

ii. Машина вектора подршке (SVM) проналази оптималну границу раздвајања између класа у простору високодимензионалних карактеристика. SVM добро функционише када су подаци за обуку ограничени, што га чини корисним у регионима са оскудним подацима где је прикупљање основних истина скупо.

iii. Дубоко учење, посебно конволуционе неуронске мреже (CNN) и рекурентне неуронске мреже (RNN), као што су архитектуре дугорочне краткорочне меморије (LSTM), могу истовремено да уче и просторне обрасце унутар појединачних слика и временске обрасце у низовима слика. Класификатори засновани на LSTM-у примењени на временске серије сателита постигли су најсавременију тачност у задацима мапирања пиринча, а неколико студија је пријавило укупну тачност изнад 90% на регионалним размерама.

Сјао и др. (Међународни часопис за примењено посматрање Земље и геоинформацију, 2025) показали су да је LSTM модел дубоког учења обучен на Sentinel-1 и Sentinel-2 спојеним временским серијама података мапирао типове култура пиринча у три земље Јужне Азије са... укупна тачност од 91,7% и капа коефицијент од 0,89, што је надмашило Случајну шуму за 6,4 процентна поена под истим условима података за обуку.

За мапирање типова културе пиринча великих површина где је могуће прикупљање података за обуку, класификатори дубоког учења засновани на LSTM-у сада су референтна метода и требало би да буду подразумевани избор за нове националне програме мапирања.

4. Анализа слике заснована на објектима (OBIA)

Анализа слике заснована на објектима (OBIA) функционише тако што групише суседне пикселе са сличним спектралним и просторним карактеристикама у објекте (сегменте) пре него што их класификује, уместо да класификује сваки пиксел засебно.

У мапирању пиринча, OBIA је вредна јер може да укључи облик, текстуру и контекст у класификацију, разликујући пиринчано поље од слично обојеног воденог тела на основу правилне правоугаоне геометрије поља.

OBIA је посебно ефикасан при веома високој просторној резолуцији, као што су подаци са комерцијалних сателита резолуције 1-5 метара или снимци беспилотних летелица.

5. Технике за откривање промена

Детекција промена идентификује подручја где се коришћење земљишта променило између два или више датума. У праћењу система пиринча, детекција промена служи двема сврхама: праћењу годишњег ширења или смањења површина под пиринчем као одговор на климатске или економске покретаче и идентификовању промена средином сезоне као што су неуспех усева, напуштање или неочекиване поплаве.

Детекција двовременских промена (директно поређење два датума) је једноставна, али подложна фенолошким разликама између година. Детекција вишевременских промена у оквиру комплетних годишњих низова је робуснија и може да раздвоји стварну промену коришћења земљишта од сезонских фенолошких варијација.

Процена тачности и валидација

1. Прикупљање основних података

Сваки производ за мапирање пиринча захтева валидацију у односу на независно прикупљена теренска посматрања. Подаци о истини на терену обично укључују ГПС-референциране теренске посете где обучени пописивачи бележе врсту усева, фазу раста, статус управљања водама и метод успостављања на статистички репрезентативном узорку локација. Ова посматрања се прикупљају тако да се временски поклапају са сателитским снимцима и искључују се из обуке модела и користе се искључиво за процену тачности.

2. Метрике тачности класификације

За примене специфичне за пиринач, F1-резултат, који уравнотежује тачност произвођача и корисника за сваку класу, све се више приказује заједно са Капа као информативнији резиме учинка са једним бројем. Стандардне метрике за процену тачности мапе укључују

• укупна тачност (проценат свих тачака валидације које су исправно класификоване),
• произвођачева тачност (вероватноћа да је поље дате истинске класе исправно мапирано, аналогно присећању),
• тачност корисника (вероватноћа да је поље мапирано на дату класу заправо та класа, аналогно прецизности), и
• Капа коефицијент (мера слагања коригована за случајно слагање, где вредности изнад 0,80 указују на јако слагање).

3. Валидација мапа образаца усева и културних типова

Валидација мапа образаца усева захтева вишевременске податке о стварности на терену, са теренским посетама на више тачака током календара усева како би се потврдило колико је сезона заправо убрано годишње на свакој локацији за валидацију.

Валидација културног типа, разликовање пресађених од директно сејаних или наводњаваних од оних које се напајају кишницом, захтевнија је јер ове разлике нису увек визуелно очигледне на терену и захтевају интервјуе са пољопривредницима или директно посматрање управљачких догађаја током осетљивих периода у вегетационом периоду.

Национална пољопривредна статистика, иако се често агрегира на нивоу покрајине или округа, пружа додатни слој валидације за процене површине, омогућавајући упоређивање укупних података на мапама са званичним пријављеним подацима.

Примене у целом пољопривредном систему

1. Пољопривредно планирање и развој политике

Мапе образаца гајења пиринча добијене даљинским очитавањем дају министарствима пољопривреде просторну резолуцију која им је потребна за дизајнирање циљаних интервенција. Региони идентификовани као региони са једном културом и кишом могу бити приоритетни за развој наводњавања малих размера; подручја са три културе и опадајућим приносима могу се истражити због деградације земљишта или смањења нивоа подземних вода.

2. Процена производње пиринча

Комбиновањем мапа површина пиринча добијених даљинским очитавањем са моделима за процену приноса, као што су симулације раста усева вођене метеоролошким подацима, добијају се прогнозе производње на субнационалном и националном нивоу недељама или месецима пре жетве.

Контролна табла за безбедност хране Азијске развојне банке и Глобални систем за информисање и рано упозоравање (GIEWS) ФАО-а укључују податке о површинама под пиринчем добијене са сателита како би генерисали процене производње пре жетве са доказаним повећањем тачности у односу на приступе засноване на анкетама.

3. Управљање водним ресурсима

Наводњавани пиринач је највећи потрошач слатке воде у Азији, чинећи отприлике 40% укупног повлачења пољопривредне воде у земљама попут Индије и Бангладеша.

Највреднији резултат сателитског мапирања пиринча није сама мапа, већ одлука коју она омогућава, да ли да се изгради канал, затвори бунар или преусмери субвенција.

Прецизно познавање места где се гаји наводњавани пиринач, колико сезона се наводњава и која поља користе ефикасне праксе управљања водама као што је AWD директно подржава планирање речних сливова, заказивање рада акумулација и процене одрживости подземних вода.

4. Праћење безбедности хране

Системи раног упозоравања на несигурност хране зависе од брзог откривања неуспеха усева. Када подручја са пиринчем не успеју да заврше потпуни циклус раста, сателитско праћење детектује аномалију као одсутан или скраћени фенолошки врхунац унутар очекиваног сезонског прозора. FEWS NET (Мрежа система за рано упозоравање на глад), коју подржава USAID, користи сателитске податке о вегетацији, укључујући праћење специфично за пиринач, како би генерисала упозорења о безбедности хране широм Азије и Африке.

5. Процена утицаја климатских промена

Дугорочне архиве мапа образаца узгоја пиринча које обухватају 20 или више година података са Ландсата откривају како су се површине узгоја пиринча, годишња доба и приноси мењали као одговор на промене температуре и режима падавина. Ове мапе историјских трендова пружају емпиријске доказе о утицајима климатских промена на системе узгоја пиринча и служе као улазни подаци за пројектовање будућег пољопривредног ризика у различитим сценаријима загревања.

7. Примене у прецизној пољопривреди

На нивоу фарме, мапирање типа културе пиринча добијено помоћу беспилотних летелица у комбинацији са подацима о земљишту и води на нивоу поља подржава прецизне управљачке одлуке као што су примена ђубрива са променљивим стопама, извиђање штеточина специфичних за локацију и оптимизовано заказивање датума садње. Ове примене тренутно брзо сазревају у Јапану, Јужној Кореји и деловима Кине, где је узгој пиринча високо механизован и доступна је инфраструктура података за повезивање резултата даљинске детекције са системима управљања фармама.

Изазови и ограничења која ограничавају мапирање пиринча

1. Облачност и доступност података

Упорна облачност током сезоне монсуна, када се узгаја велики део пиринча у Азији, озбиљно ограничава број употребљивих оптичких посматрања. На неким локацијама, контаминација облацима смањује доступна посматрања Sentinel-2 током критичног периода пресађивања и раног вегетативног периода на мање од два месечно. SAR подаци ублажавају, али не елиминишу овај проблем, јер обилне падавине могу привремено заситити радарски сигнал.

2. Мешовити пиксели и мале величине поља

У регионима где су пиринчана поља мања од просторне резолуције сензора, један пиксел снима мешавину пиринчаног и непиринчаног земљишног покривача, што класификацију чини двосмисленом. Висорански системи пиринча на брдовитом терену и поља величине баште у деловима Индонезије и Филипина рутински производе мешовите пикселе чак и при резолуцији од 10 метара коју је направио Sentinel-2, што ограничава употребу метода заснованих на пикселима у овим окружењима.

3. Спектрална и временска сличност међу врстама усева

Неки усеви, посебно шећерна трска, јута и одређени травњаци, производе фенолошке криве сличне пиринчу у временским серијама NDVI или EVI, што доводи до забуне у класификацији. Детекција поплава заснована на SAR-у смањује ову забуну за низијски пиринач, али брдски системи пиринча без поплављених поља остају тешки за одвајање од спектрално сличних усева без додатних теренских података или помоћних географских уноса.

4. Временска ограничења резолуције

Мапирање образаца усева пиринча и културног типа помоћу даљинске детекције захтева густо временско узорковање, идеално најмање једно посматрање сваких 8-10 дана током целе вегетационе сезоне. Када облачност или празнине у сателитској орбити смање ову временску густину, аутоматизовани алгоритми за детекцију могу у потпуности пропустити краткотрајне сорте пиринча или брзе сезоне троструке усеве.

5. Ограничења података са земље

Висококвалитетни обележени подаци за обуку, теренска посматрања упарена са познатим врстама усева и праксама управљања, остају скупи и логистички тешки за прикупљање у обиму потребном за обуку и валидацију националних система картографије. У многим земљама са нижим приходима које производе пиринач, људски и финансијски капацитети за систематско прикупљање података са терена представљају највеће ограничење за побољшање тачности картографије.

Нови трендови и будућност праћења пиринча

1. Праћење пиринча помоћу беспилотних летелица и дрона

Беспилотне летелице (БПЛО) опремљене мултиспектралним и термалним сензорима сада пружају снимке појединачних фарми на центиметарском нивоу, разјашњавајући границе поља, редове усева, па чак и здравствено стање појединачних биљака. БПЛО функционишу као мост између мапирања сателитских размера и посматрања појединачних биљака, пружајући податке ултра високе резолуције са терена потребне за обуку и валидацију сателитских модела у фрагментираним пејзажним окружењима.

2. Вештачка интелигенција и дубоко учење за класификацију пиринча

Конволуционе неуронске мреже примењене на временске серије сателитских снимака, у комбинацији са трансформаторским архитектурама прилагођеним из обраде природног језика, тренутно постижу највећу тачност класификације пиринча икада забележену.

Оквир PRISM (Фенолошки систем за идентификацију усева пиринча користећи податке из више извора) који су објавили истраживачи на Универзитету Вагенинген 2024. године показао је да самонадгледано учење на необележеним сателитским архивама може претходно да обучи моделе класификације пиринча који захтевају само минимално обележене податке са тла за фино подешавање, драматично смањујући оптерећење теренским истраживањем.

3. Системи за праћење пиринча у скоро реалном времену

Оперативни системи за праћење пиринча у готово реалном времену аутоматски обрађују долазне сателитске податке, ажурирају мапе пиринча у интервалима од 10-16 дана и достављају упозорења о датумима садње, догађајима са недостатком воде и времену жетве директно на владине контролне табле или мобилне апликације које користе пољопривредници и саветници.

Тајландско Министарство за пиринач и Вијетнамско Министарство пољопривреде користе прототипове система ове врсте, а Међународни институт за истраживање пиринча подржава сличан развој капацитета у Бангладешу и Камбоџи.

4. Интеграција сателитских и IoT података

Сензори Интернета ствари (IoT) распоређени у пиринчаним пољима, мерећи влажност земљишта, ниво воде, температуру и микроклиму крошњи, генеришу континуирана посматрања на нивоу тла која допуњују и калибришу податке даљинског снимања сателита.

Када се IoT сензорске мреже и сателитска посматрања комбинују у оквирима за фузију података, резултујући систем за праћење може да детектује стрес воде, почетак поплава и притисак болести са већим поуздањем и ранијим временом него што било који извор пружа независно.

5. Дигитална пољопривреда и паметна пољопривреда

Конвергенција сателитског мапирања пиринча, IoT сензора и подршке за одлучивање вођене вештачком интелигенцијом ствара темеље паметног узгоја пиринча, где су управљачке одлуке, од времена наводњавања до примене ђубрива, информисане просторно експлицитним, скоро реалновременским токовима података, а не календарским правилима.

Пилот програми у јапанској префектури Нигата и кинеској провинцији Хејлунгђанг показали су да прецизно управљање пиринчем засновано на даљинском очитавању може смањити трошкове улагања за... 15-25% уз одржавање или побољшање приноса, према прелиминарним извештајима са теренских испитивања из 2024. године.

Закључак

Мапирање образаца усева пиринча и културног типа коришћењем даљинске детекције сазрело је од академске истраживачке дисциплине до оперативног алата који користе владе, међународне агенције и агротехнолошке платформе широм Азије и шире. Вишесензорски приступи временских серија који комбинују оптичке и SAR податке, обрађене помоћу класификатора машинског учења и дубоког учења, сада рутински пружају мапе подручја пиринча на националном нивоу са укупном тачношћу која прелази 85-90%. Ове мапе не само да одређују где пиринач расте, већ и колико пута годишње, под којим водним режимом и којим методом успостављања.

Прелазак са једноставног мапирања површина пиринча на класификацију културних типова је оно што трансформише производ покривености земљишта у средство пољопривредне интелигенције. Сазнање да је регион прешао са пресађеног на директно сетвени пиринач током деценије сигнализира промене на тржишту рада и истовремено смањење нивоа подземних вода. Познавање које су подручја напајана кишом најрањивија на сушне периоде у раној сезони, идентификоване према њиховим временским спектралним обрасцима, омогућава унапред позиционирани одговор на сушу, а не реактивно олакшавање катастрофа. Даљинска детекција омогућава овај ниво просторне интелигенције уз делић трошкова еквивалентних програма истраживања терена.

Кромпир је једна од најважнијих прехрамбених култура на свету, служећи као основна намирница за милионе људи. Прво, познавање начина на који биљке кромпира расту и могућност предвиђања њиховог приноса помаже пољопривредницима да ефикасније управљају наводњавањем, ђубрењем и сузбијањем штеточина.

Друго, прерађивачи хране и складишта могу боље планирати логистику и радну снагу када имају поуздане процене приноса. Међутим, традиционалне методе – попут физичког ходања кроз поља и ручног мерења биљака – одузимају много времена и склоне су људским грешкама.

Стога су се научници окренули даљинском очитавању, које користи камере и сензоре на сателитима, дроновима или ручним уређајима, како би пратили раст кромпира и брже и прецизније прогнозирали принос.

Разумевање прогноза приноса кромпира

Током протекле две деценије, интересовање за примену даљинске детекције у истраживању кромпира значајно је порасло. Заправо, систематски преглед је идентификовао 79 студија објављених између 2000. и 2022. године на ову тему, од 482 првобитно прегледана чланка.

Да би се осигурала транспарентност и репродуктивност, аутори су следили утврђене смернице (Kitchenham & Charters 2007; PRISMA framework), претражујући осам главних база података – Google Scholar, ScienceDirect, Scopus, Web of Science, IEEE Xplore, MDPI, Taylor & Francis и SpringerLink – користећи термине попут “предвиђање приноса кромпира” И “даљинска детекција”.”

Сходно томе, укључена су само оригинална истраживања на енглеском језику која су користила податке даљинске детекције за праћење раста или процену приноса. Штавише, подаци из сваког одабраног рада су издвојени према четири кључна питања:

• Која је платформа за мерење коришћена (сателит, беспилотна летелица или земаљска)?
• Који вегетациони индекси или спектралне карактеристике су процењени?
• Које особине усева су праћене (биомаса, површина листа, хлорофил, азот)?
• Колико тачно се може предвидети коначни принос кртола (коефицијент детерминације, R²)?

Ова питања су помогла рецензентима да мапирају тренутно стање и идентификују празнине на које би се будућа истраживања могла фокусирати.

Платформе за даљинско истраживање и вегетацијски индекси

Истраживачи су користили три главне врсте платформи за даљинско истраживање, свака са својим предностима и ограничењима. Прво, оптички сателити као што су Sentinel‑2 (просторна резолуција 10 м, поновна посета од 5 дана) и Landsat 5–8 (30 м, поновна посета од 16 дана) нуде широку покривеност и често бесплатан приступ подацима.

Друго, сателити попут MODIS/TERRA/Aqua (250–1000 m, свакодневно до дводневног поновног прегледа) и комерцијални системи попут PlanetScope-а (3 m, дневно, коштају око $218 на 100 km²) омогућавају чешће праћење или праћење веће резолуције, иако трошкови могу бити фактор.

Треће, беспилотне летелице (БПЛО) које носе мултиспектралне или хиперспектралне камере пружају веома високу резолуцију (до неколико центиметара по пикселу) и могу се користити по потреби, али покривају мање површине и захтевају више логистике.

Коначно, сензори на земљи — као што су ручни NDVI мерачи и SPAD хлорофил мерачи — дају тачкаста мерења која су веома прецизна, иако су временски захтевна када се користе на великим пољима.

Вегетацијски индекси (ВИ) преводе сирове вредности рефлексије у значајне процене особина биљака. Најчешћи индекси у студијама кромпира укључују:

• NDVI (Нормализовани индекс разлике вегетације): (NIR – црвена) / (NIR + црвена)
• GNDVI (зелени NDVI): (NIR – зелена) / (NIR + зелена)
• NDRE (Нормализована разлика црвене ивице): (NIR – црвена ивица) / (NIR + црвена ивица)
• OSAVI (Оптимизовани индекс вегетације прилагођен земљишту): 1,16 × (NIR – црвена) / (NIR + црвена + 0,16)
• EVI (Индекс побољшане вегетације), CI црвена ивица, CI зелена и још много тога. .

Ови индекси се бирају на основу њихове осетљивости на покривеност крошње, садржај хлорофила и позадину земљишта. Сходно томе, они служе као основа за процену здравља биљака и предвиђање приноса.

Праћење раста кромпира и предвиђање приноса

Даљинским очитавањем, истраживачи прате кључне особине усева кромпира - надземну биомасу (AGB), индекс површине листа (LAI), садржај хлорофила у крошњи (CCC) и статус азота у листу - а затим их повезују са коначним приносом кртола.

Прво, процена AGB-а само коришћењем VI-ова може бити изазовна када је покрив крошње густ, јер се многи индекси засићују; стога, комбиновање VI-ова са висином биљке или карактеристикама текстуре у моделима машинског учења често побољшава тачност.

Друго, процена LAI — укупне површине листа на једној страни по површини тла — достигла је вредности R² до 0,84 коришћењем података временских серија са хиперспектралних и сателитских мултиспектралних сензора беспилотних летелица.

Треће, процене CCC, изведене из индекса као што су CIred‑edge, CIgreen, TCARI/OSAVI и TCARI + OSAVI, достигле су R² ≈ 0,85 током вегетативне фазе, што указује на јаку корелацију са лабораторијски измереним хлорофилом.

Коначно, статус азота у листовима, виталан за здрав раст, предвиђен је са R² у распону од 0,52 до 0,95 када се користе сензори са земље плус регресиони или модели случајне шуме.

Када је у питању предвиђање приноса гомоља, истичу се два главна приступа моделирању:

Емпиријски регресиони модели: Овде се један VI — најчешће NDVI, GNDVI или NDRE — уклапа у тачне податке о приносу. Пријављене вредности R² за NDVI у односу на принос крећу се од 0,23 до 0,84 (медијана ≈ 0,67), док се корелације NDRE–принос крећу од 0,12 до 0,85 (медијана ≈ 0,61).

Модели машинског учења: То укључује случајну шуму, машине вектора подршке и неуронске мреже које комбинују вишеструке VI, спектралне опсеге и неспектралне факторе као што су време, земљиште и управљање. Такви модели су у неким студијама подигли R² на 0,93.

Штавише, време прикупљања података значајно утиче на тачност предвиђања. У вишеструким студијама, мерења VI обављена 36–55 дана након садње (DAP) дала су највеће корелације са коначним приносом кртола.

Ова фаза се поклапа са максималним покривањем тла и почетком формирања кртола, што структуру биљке чини најиндикативнијом за коначни принос. Неке од кључних пронађених статистика:

• Од 482 идентификованих студија, 79 студија (2000–2022) испунило је критеријуме за преглед.
• Фокусне области: предвиђање приноса (37 %), статус азота у листовима (21 %), AGB (15 %), LAI (15 %), CCC (12 %).
• Најчешће коришћене сателитске платформе: Sentinel‑2, Landsat, MODIS; комерцијалне: PlanetScope.
• R² опсези: NDVI–принос (0,23–0,84), NDRE–принос (0,12–0,85), GNDVI–принос (0,26–0,75).

Препоруке за предвиђање приноса кромпира

На основу ових налаза, стручњаци из праксе би прво требало да изаберу одговарајућу платформу за своје циљеве. За регионалне прогнозе приноса, бесплатни подаци Sentinel‑2 пружају поуздану покривеност са резолуцијом од 10 метара и распоредом поновних посета од 5 дана.

Да би се прецизирале локалне процене, летови беспилотних летелица заказани око 36–55 дана након садње бележе критичну динамику крошње и побољшавају калибрацију сателитских модела. Земљани сензори се најбоље користе за провере на лицу места и за калибрацију даљинских посматрања, посебно када се комбинују спектрални подаци са теренским мерењима.

Што се тиче вегетационих индекса, стручњаци би требало да дају приоритет NDVI, NDRE и CI _{црвене ивице} за предвиђање коначног приноса, јер они доследно показују јаке корелације.

Приликом процене садржаја хлорофила и азота, комбиновање индекса црвене ивице са индикаторима висине (VI) прилагођеним земљишту – као што су TCARI/OSAVI – даје најтачније резултате. За процену биомасе, интегрисање VI са карактеристикама висине или текстуре биљке у оквирима машинског учења додатно повећава тачност.

Што се тиче моделирања, једноставне линеарне или нелинеарне регресије коришћењем једног индекса су ефикасне када су подаци о стварним подацима ограничени. Међутим, када је доступно више индекса и помоћних података (време, земљиште, управљање), методе машинског учења као што су случајне шуме или неуронске мреже нуде супериорне перформансе. Важно је напоменути да је време снимања око 36–55 дана након садње кључно, јер овај прозор доследно пружа највећу тачност предвиђања.

Закључак

Закључно, даљинска детекција нуди брз, флексибилан и прецизан алат за праћење раста кромпира и предвиђање приноса кртола. Избором одговарајуће платформе, одабиром најинформативнијих вегетационих индекса, временом прикупљања података око 36–55 DAP и применом одговарајућих техника моделирања, истраживачи и стручњаци могу значајно побољшати прогнозе приноса.

Овај приступ не само да штеди време већ и подржава паметније управљачке одлуке, што у крајњој линији користи пољопривредницима, агрономима и целом ланцу снабдевања кромпиром.

Референца: Мукииби, А., Мацхакаире, АТБ, Франке, АЦ. и др. Систематски преглед вегетационих индекса за праћење раста кромпира и предвиђање приноса кртола помоћу даљинске детекције. Кромпир Рес. 68, 409–448 (2025). https://doi.org/10.1007/s11540-024-09748-7