Категорія: Дистанційне зондування

Технологія дистанційного зондування фундаментально змінила те, як ми вимірюємо, контролюємо та управляємо живою масою земної поверхні нашої планети. Біомаса землі, розрахована за допомогою дистанційного зондування, більше не є дослідницькою цікавістю, обмеженою університетськими лабораторіями, а тепер є критично важливим операційним інструментом, який використовується урядами, лісовими установами, вченими-аграріями та дослідниками клімату по всьому світу.

Дистанційне зондування лише на ринку сільського господарства оцінювалося в $3,8 млрд у 2025 році і прогнозується, що він зросте до $9,6 мільярда до 2034 року на CAGR 10.9%, згідно з галузевим звітом Dataintelo за 2026 рік. Значна частина цього зростання зумовлена попитом на достовірні дані про біомасу для підтримки вуглецевого обліку, точного землеробства та моніторингу навколишнього середовища.

Що таке земельна біомаса?

Біомаса землі (загальна суха маса всього органічного матеріалу на визначеній території) вимірюється в метричних одиницях, таких як тонн на гектар (т/га) або мегаграмів на гектар (Мг/га), де 1 Mg дорівнює 1 метричній тонні. Він являє собою накопичений продукт фотосинтезу — вуглець, який рослини, дерева та інші організми захопили з атмосфери та зафіксували у фізичній матерії.

Це один із найпотужніших показників здоров'я екосистеми, накопичення вуглецю та продуктивності сільськогосподарських культур, проте традиційні наземні методи вимірювання вже давно є занадто повільними, дорогими та просторово обмеженими для задоволення потреб сучасного землекористування.

Надземна біомаса (AGB) та підземна біомаса (BGB)

Вчені поділяють біомасу на дві основні категорії. Надземна біомаса (НГБ) охоплює все, що росте над поверхнею ґрунту — стебла, стовбури, гілки, листя та мертву деревину. Підземна біомаса (ПГБ) охоплює кореневі системи та інший підземний органічний матеріал. У більшості лісових екосистем ПГБ становить приблизно 20–30% загальної біомаси, і його вимірювання залишається набагато складнішим, ніж оцінка AGB.

Біомасу також класифікують на живу біомасу (активно зростаючий, метаболічно активний рослинний матеріал) та мертву біомасу (стояча або опала мертва деревина, сухий опад). Обидва типи зберігають вуглець і роблять внесок у загальний вуглецевий пул ландшафту, але вони по-різному реагують на пожежі, хвороби та втручання господаря.

Як екологічний показник, біомаса займає унікально потужне місце. Високі значення біомаси сигналізують про продуктивні, здорові екосистеми з високим потенціалом поглинання вуглецю. Тенденції зниження біомаси свідчать про вирубку лісів, посуху, деградацію ґрунту або надмірний збір врожаю. Для сільськогосподарських робітників надземна біомаса безпосередньо корелює з потенціалом врожайності зерна, що робить її одним із найбільш практичних показників у точному землеробстві.

Навіщо розраховувати біомасу землі за допомогою дистанційного зондування?

Традиційна оцінка біомаси спирається на польові вимірювання: дослідники збирають урожай на пробних ділянках, сушать рослинний матеріал у печах і зважують його, щоб визначити суху масу на одиницю площі. Цей деструктивний, трудомісткий процес працює в масштабі ділянки, але стає абсолютно непрактичним, коли вам потрібні дані про біомасу для національного лісу, річкового басейну або континентальної сільськогосподарської зони. Ключові обмеження наземних польових досліджень

1. Просторове охоплення суворо обмежене. Польова бригада може реально виміряти біомасу на кількох десятках ділянок за сезон. Супутник охоплює мільйони гектарів одним естакадом, що унеможливлює моніторинг ландшафтного масштабу без дистанційного зондування.

2. Польові дослідження є дорогими та повільними. Розгортання навченого персоналу у віддалених лісах або на великих сільськогосподарських ландшафтах вимагає значних бюджетів, логістичної координації та часу, і все це погано масштабується зі збільшенням площ обстежуваних ділянок.

3. Деструктивний відбір проб шкодить екосистемі. Збирання врожаю на ділянках для зважування біомаси знищує саме досліджувану рослинність, що несумісне з довгостроковими програмами моніторингу, які потребують повторних вимірювань в одному й тому ж місці.

4. Часова частота занадто низька. Польові групи зазвичай обстежують ділянку щонайбільше раз на рік. Супутники можуть відвідувати те саме місце кожні кілька днів, що дозволяє постійно моніторити сезонні зміни біомаси та швидко реагувати на такі події, як пожежа чи посуха.

Дистанційне зондування одночасно враховує всі ці обмеження. Один супутниковий знімок Sentinel-2 охоплює 290 км² на сцену о 10-метрова просторова роздільна здатність, що забезпечує повторювані дані про рослинність від стіни до стіни без граничних витрат на кожен додатковий гектар. Застосування, що залежать від точних даних про біомасу землі, є широким:

• Вуглецевий облік та REDD+: Міжнародні кліматичні рамки вимагають перевірених оцінок запасів вуглецю в лісах. Карти біомаси на основі дистанційного зондування забезпечують просторове охоплення та частоту оновлення, які самі по собі національні лісові інвентаризації забезпечити не можуть.
• Сільськогосподарський моніторинг: Біомаса сільськогосподарських культур на різних стадіях росту прогнозує кінцевий врожай, впливає на графік поливу та попереджає про стрес на ранній стадії, перш ніж він призведе до втрати продуктивності.
• Лісове господарство: Обсяг деревини, запаси палива для оцінки ризику лісових пожеж та оцінка біорізноманіття залежать від достовірних оцінок біомаси на великих лісових площах.
• Екологічний менеджмент: Моніторинг деградації земель, оцінка водно-болотних угідь та виявлення інвазивних видів використовують зміну біомаси як основний сигнал.

Як дистанційне зондування вимірює біомасу землі: фізичні принципи

Кожна система дистанційного зондування — оптичний супутник, радар чи лазер — збирає інформацію про рослинність, вимірюючи, як електромагнітна енергія взаємодіє з рослинним матеріалом. Розуміння цієї взаємодії є ключем до розуміння того, чому дистанційне зондування взагалі може оцінювати біомасу.

Рослини по-різному відбивають, поглинають та передають електромагнітне випромінювання залежно від їхнього внутрішнього хімічного складу, вмісту води, структури листя та архітектури крони. Хлорофіл (зелений пігмент, який забезпечує фотосинтез) сильно поглинає червоне та синє хвилі, відбиваючи при цьому зелене та ближнє інфрачервоне випромінювання.

Таким чином, здорова, густа рослинність демонструє характерний спектральний малюнок: низький коефіцієнт відбиття в червоному діапазоні, високий коефіцієнт відбиття в ближньому інфрачервоному діапазоні. Цей малюнок, який називається спектральною сигнатурою, можна виміряти з космосу, а його інтенсивність корелює з кількістю рослинного матеріалу на одиницю площі.

Від спектральних сигналів до значень біомаси

Датчики фіксують спектральну сигнатуру та обчислюють індекси рослинності (математичні співвідношення, що визначають, наскільки сильно сигнал рослинності проявляється на заданому зображенні). Потім ці індекси пов'язуються з біомасою за допомогою статистичних моделей або моделей машинного навчання, які калібруються з використанням польових вимірювань біомаси. Результатом є просторово безперервна карта біомаси — кожен піксель на зображенні отримує прогнозоване значення біомаси.

Робочий процес обробки даних дотримується чіткої послідовності. Необроблені супутникові дані надходять з геометричними спотвореннями та атмосферними перешкодами. Попередня обробка виправляє ці помилки. Індекси рослинності обчислюються на основі скоригованих зображень. Зразки біомаси, виміряні в польових умовах, служать основою для калібрування моделі. Потім перевірена модель застосовується до всього зображення для створення остаточної карти біомаси.

Додаткові фізичні сигнали, окрім спектрального відбиття, несуть інформацію про біомасу. Висота крони — наскільки висока рослинність — є потужним предиктором AGB (аномальної біомаси). Густота рослин (кількість стебел на гектар) визначає, скільки світла перехоплюється. Шорсткість поверхні (виявлена радаром) відображає структурну складність крони. Датчики, які вимірюють ці структурні властивості, а не лише відбиття, часто забезпечують вищу точність оцінки біомаси.

Типи дистанційного зондування, що використовуються для оцінки біомаси

Жоден окремий датчик не домінує в оцінці біомаси в усіх екосистемах та масштабах. Вчені та практики поєднують кілька типів датчиків залежно від цільової рослинності, бюджету, необхідної точності та географічного покриття.

Найточніші карти біомаси сьогодні створюються не на основі одного датчика, а шляхом інтелектуального поєднання оптичних, радіолокаційних та лідарних даних, кожен з яких заповнює сліпі зони інших.

1. Оптичні супутникові знімки: мультиспектральні та гіперспектральні

Оптичні датчики фіксують відбите сонячне світло в дискретних спектральних діапазонах, зазвичай охоплюючи видимий діапазон довжин хвиль (синій, зелений, червоний) та ближній інфрачервоний (NIR) діапазони. Мультиспектральні зображення (дані з 4–10 спектральних діапазонів) формують основу більшості операційних програм картографування біомаси в усьому світі, значною мірою завдяки безперервним потокам даних від місій Sentinel-2 та Landsat.

Гіперспектральні зображення (дані сотень вузьких, суміжних спектральних смуг) забезпечують набагато точнішу спектральну деталізацію. Вони розрізняють рослинні пігменти, вміст води та хімічний склад листя на рівні, недоступному для мультиспектральних датчиків.

Це робить його особливо корисним для виявлення незначних відмінностей у щільності біомаси на луках та сільськогосподарських угіддях. Основним обмеженням гіперспектральних зображень є хмарність: оптичні датчики не можуть бачити крізь хмари, що спричиняє значні прогалини в даних у вологих тропічних регіонах, де оцінка біомаси є найважливішою.

До поширених супутників, що використовуються для оптичного картографування біомаси, належать Landsat 8/9 (роздільна здатність 30 метрів, 16-денний повторний огляд), Sentinel-2 (роздільна здатність 10 метрів, 5-денний повторний огляд) та PlanetScope (роздільна здатність 3 метри, щоденний повторний огляд для комерційних застосувань).

2. Радар (SAR): бачення крізь хмари та крони дерев

Синтетичний апертурний радар (SAR) — система, яка випромінює мікрохвильові імпульси та вимірює енергію, що відбивається від поверхні землі, — повністю вирішує проблему хмарності. Мікрохвильова енергія проходить крізь хмари та серпанок без перешкод, що робить SAR датчиком вибору для моніторингу тропічних лісів, де постійна хмарність робить оптичні зображення практично непридатними для використання.

Сигнали SAR також проникають у крони рослинності, взаємодіючи з деревними стеблами та гілками, а не лише з верхньою поверхнею листя. Чим довша довжина хвилі радара, тим глибше проникає сигнал. L-діапазон SAR (довжина хвилі близько 23 см, використовується ALOS-2 PALSAR-2) проникає в нижній полог і взаємодіє з великою деревною біомасою, що робить його особливо придатним для оцінки AGB тропічних лісів.

C-діапазон SAR (довжина хвилі близько 5 см, використовується Sentinel-1) є більш чутливим до структури поверхневого пологу та широко використовується для моніторингу біомаси сільськогосподарських культур.

Дослідження, опубліковане в Журнал лісових досліджень (Springer Nature, 2021) виявили, що дані SAR як L-діапазону ALOS-2, так і C-діапазону Sentinel-1 дозволили провести задовільні оцінки запасів вуглецю, причому загальні запаси вуглецю в досліджуваній зоні середземноморського лісу досягли приблизно 130 т/га по надземній, підземній поверхнях, сухостої, підстилці та ґрунтових калюжах разом узятих.

3. LiDAR: золотий стандарт для структурного картографування біомаси

LiDAR (система виявлення та визначення відстані) випромінює лазерні імпульси та вимірює точний час, необхідний для їх відбиття від цільової поверхні. Цей час безпосередньо перетворюється на тривимірні хмари точок (щільні карти точного місця відбиття кожного лазерного імпульсу), які показують висоту крони, структуру крони та висоту землі з точністю до сантиметра.

Висота дерев є одним із найсильніших предикторів надземної біомаси — вищі дерева несуть експоненціально більше біомаси, ніж нижчі. Моделі висоти, отримані за допомогою LiDAR, у поєднанні з польовими алометричними рівняннями (видоспецифічними математичними співвідношеннями між висотою, діаметром і масою дерева), дають оцінки біомаси, які послідовно перевершують оптичні або радіолокаційні підходи в лісистих ландшафтах.

Місія NASA «Дослідження динаміки глобальної екосистеми» (GEDI) — багатопроменевий хвильовий лідарний прилад, встановлений на Міжнародній космічній станції, — являє собою першу спеціально розроблену космічну систему лідарного аналізу для оцінки глобальної біомаси. GEDI збирає дані від 51,6° пн. ш. до 51,6° пд. ш., охоплюючи основні тропічні та помірні лісові зони світу.

4. Дистанційне зондування на основі дронів: польовий масштаб з високою роздільною здатністю

Безпілотні літальні апарати (БПЛА), які зазвичай називають дронами, поєднують супутникові та польові вимірювання. Дрон, оснащений RGB-камерами, знімає зображення з сантиметровою роздільною здатністю, що дозволяє розрізняти окремі рослини.

Мультиспектральні датчики дронів обчислюють точні індекси рослинності в масштабі ділянки. Дрони, оснащені LiDAR, генерують щільні хмари точок, які дозволяють оцінювати біомасу зі структурною точністю повітряного LiDAR за значно меншу вартість.

Для сільськогосподарських робітників картографування біомаси за допомогою дронів є особливо практичним. Один політ над полем пшениці або кукурудзи на стадії вегетативного росту створює карту щільності біомаси, яка позначає ділянки з обмеженням врожайності — зони з низьким рівнем біомаси, яким може знадобитися додаткове добриво або зрошення, перш ніж шкода стане незворотною.

Індекси рослинності, що використовуються для оцінки біомаси

Індекси рослинності – це математичний місток між необробленими значеннями спектрального відбиття та біологічною інформацією про густоту та здоров'я рослин. Кожен індекс використовує певну частину електромагнітного спектру, де рослинність поводиться особливо.

NDVI (Нормалізований індекс різниці рослинності) є найбільш широко застосовуваним. Він ділить різницю між коефіцієнтами відбиття в ближньому інфрачервоному (NIR) та червоному діапазонах на їх суму: NDVI = (NIR – Червоний) / (NIR + Червоний). Значення коливаються від -1 до +1, при цьому здорова густа рослинність зазвичай має показник від 0,6 до 0,9.

NDVI тісно корелює з індексом листової площі (LAI — загальна площа листя з одного боку на одиницю площі земної поверхні) і, отже, з фотосинтетичною здатністю та накопиченням біомаси.

• EVI (Покращений індекс рослинності) коригує атмосферні впливи та перешкоди ґрунтового фону, що робить його надійнішим, ніж NDVI, у тропічних лісах з високою біомасою та районах зі світлим або відкритим ґрунтом.
• SAVI (індекс рослинності, скоригований на ґрунт) включає коефіцієнт корекції яскравості ґрунту, що особливо важливо в посушливих та напівпосушливих сільськогосподарських умовах, де голий ґрунт між рядами культур сильно впливає на спектральний сигнал.
• GNDVI (Індекс зеленої нормалізованої різниці рослинності) замінює зелений колір відбиття на червоний у формулі NDVI, що робить її чутливішою до коливань концентрації хлорофілу та корисною для моніторингу біомаси сільськогосподарських культур у пізній період, коли крони вже повністю зімкнуті.

Індекс листової площі (LAI) заслуговує на особливу увагу, оскільки він є як результатом дистанційного зондування, так і прямим фактором накопичення біомаси. Рослини з вищим LAI перехоплюють більше сонячної радіації, фіксують більше вуглецю та виробляють більше біомаси. Карти LAI, отримані за допомогою дистанційного зондування, згенеровані з часових рядів MODIS або Sentinel-2, безпосередньо враховуються в моделях росту сільськогосподарських культур, які моделюють формування врожайності та кінцеву біомасу, придатну для збору врожаю.

Ключові джерела даних для оцінки біомаси землі

Вибір правильного джерела даних залежить від масштабу дослідження, типу рослинності, необхідної просторової роздільної здатності та доступного бюджету. Нижче наведено основні потоки даних, які наразі використовуються для картографування біомаси оперативного та дослідницького рівня. Безкоштовні супутникові дані з відкритим доступом від Landsat та сузір'я Sentinel демократизували картографування біомаси, зробивши його доступним для дослідників та агентств, які не мають бюджету на комерційні зображення.

i. Landsat (NASA/USGS): Понад 50 років безперервного збору даних, роздільна здатність 30 метрів, вільний доступ. Часові ряди Landsat дозволяють проводити історичний аналіз змін біомаси, починаючи з 1970-х років, забезпечуючи неперевершений контекст для моніторингу вирубки лісів та деградації земель.

ii. Sentinel-2 (ЄКА): Роздільна здатність 10 метрів у ключових спектральних діапазонах, 5-денний повторний огляд, безкоштовний доступ. Sentinel-2 є сучасним стандартом для моніторингу біомаси сільськогосподарських культур та регіональної оцінки лісів завдяки поєднанню роздільної здатності та частоти.

iii. Sentinel-1 (ЄКА): С-діапазон SAR, всепогодні можливості, вільний доступ. Sentinel-1 є основним радіолокаційним джерелом для моніторингу тропічної зони, що постраждала від хмар, та біомаси сільськогосподарських культур у районах, де прогалини в оптичних даних є постійною проблемою.

iv. MODIS (NASA): Роздільна здатність 250 м–1 км, щоденне глобальне покриття. Часові ряди MODIS ідеально підходять для виявлення змін біомаси в континентальному масштабі та сезонного моніторингу, хоча груба роздільна здатність обмежує їх корисність у фрагментованих ландшафтах.

проти PlanetScope: Роздільна здатність 3 метри, щоденний перегляд, комерційна підписка. PlanetScope забезпечує моніторинг біомаси на рівні окремого поля, підтримуючи застосування точного землеробства, де важлива просторова мінливість підполя.

vi. Лідар NASA GEDI: Діаметр зони покриття 25 метрів, глобальне охоплення тропічних та помірних поясів, безкоштовні дані. GEDI є основним космічним джерелом даних про висоту пологу та щільність AGB у глобальному масштабі.

vii. ICESat-2 (NASA): Лідарний сканер з підрахунком фотонів та глобальним покриттям, особливо потужний для вимірювання висоти пологів у високоширотних лісах та виявлення дрібномасштабних змін висоти.

Кроки для розрахунку біомаси землі за допомогою дистанційного зондування

Оцінка біомаси землі за допомогою даних дистанційного зондування відбувається за структурованим робочим процесом. Кожен крок залежить від точності попереднього. Скорочення процесу попередньої обробки або польової валідації призводить до помилок у кінцевій карті біомаси.

i. Виберіть відповідні зображення: Виберіть датчик, просторову роздільну здатність та часовий період залежно від цільової екосистеми та мети дослідження. Моніторинг лісової біомаси зазвичай вимагає даних Sentinel-1 або GEDI; моніторинг біомаси сільськогосподарських культур зазвичай використовує Sentinel-2 або мультиспектральні знімки з дронів.

ii. Попередня обробка зображень: Застосуйте атмосферну корекцію для перетворення необроблених цифрових чисел на значення відбиття поверхні. Виконайте геометричну корекцію, щоб забезпечити точне вирівнювання зображення з реальними координатами. Видаліть забруднені хмарами пікселі та замініть їх за допомогою часового композиційного зображення, де це необхідно.

iii. Розрахуйте індекси рослинності: Обчисліть NDVI, EVI, SAVI, GNDVI або інші відповідні індекси з скоригованих смуг відбиття поверхні. Для даних LiDAR отримайте показники висоти пологового покриву (максимальну висоту, висоту 95-го процентиля, середню висоту) з хмари точок.

iv. Зібрати зразки польової біомаси: Виміряйте надземну біомасу на репрезентативних ділянках у межах досліджуваної території, використовуючи деструктивний збір врожаю або алометричні рівняння, що застосовуються до вимірювань діаметра та висоти дерев. Ці польові значення є базовими даними, на яких базується модель.

v. Побудувати моделі прогнозування: Виконайте регресійний аналіз польових вимірювань біомаси відносно спільно розташованих змінних дистанційного зондування (індекси рослинності, метрики висоти пологу, значення зворотного розсіювання SAR). Використовуйте регресійний аналіз, метод випадкового лісу, метод опорних векторів або нейронну мережу залежно від складності взаємозв'язку та обсягу доступних навчальних даних.

vi. Перевірка результатів моделі: Використовуйте набір даних для перевірки (польові діаграми, що не використовуються в навчанні моделі) для оцінки точності прогнозування. Повідомте про RMSE (середньоквадратичну помилку), R² (коефіцієнт детермінації) та зміщення. Уточніть модель, якщо точність недостатня.

vii. Створення карт біомаси: Застосуйте перевірену модель до повного зображення, створивши просторово безперервну карту щільності біомаси, де кожен піксель містить прогнозоване значення біомаси в Mg/ga або t/ga.

Моделі та методи, що використовуються для оцінки біомаси

Вибір моделі суттєво впливає як на точність, так і на узагальнюваність системи оцінки біомаси. Простіші моделі є більш прозорими та надійніше переносяться на нові місця. Складні моделі машинного навчання витягують більшу точність з великих навчальних наборів даних, але можуть надмірно адаптуватися до місцевих умов.

Емпіричні регресійні моделі встановлюють прямий математичний зв'язок між польовою біомасою та змінними дистанційного зондування, наприклад, лінійну регресію між NDVI та врожайністю сухої речовини сільськогосподарських культур. Ці моделі легко інтерпретувати та швидко обчислювати, але вони погано працюють, коли спектрально-біомасна залежність нелінійна або коли значення біомаси охоплюють дуже широкий діапазон.

Методи машинного навчання долають ці обмеження, вивчаючи складні, нелінійні залежності з даних. Випадковий ліс (ансамбль дерев рішень, який усереднює прогнози по сотнях окремих дерев) наразі є найширше використовуваним алгоритмом для оцінки біомаси як у лісовому, так і в сільському господарстві.

Дослідження, опубліковане в Рубежі в рослинництві (грудень 2024 р.) продемонстрували, що метод Random Forest, застосований до GEDI та даних дистанційного зондування з багатьох джерел, дав оцінки біомаси ялиново-ялицевих лісів зі значно вищим R², ніж підходи з односенсорною регресією.

• Машина опорних векторів (SVM): Знаходить оптимальну межу розділення між класами біомаси у багатовимірному просторі ознак. SVM добре працює з малими та середніми навчальними наборами даних та є стійким до перенавчання за умови належної регуляризації.
• Нейронні мережі та глибоке навчання: Згорткові нейронні мережі (ЗНМ) та гібридні архітектури CNN-LSTM одночасно обробляють просторові та часові шаблони у зображеннях. Дослідження 2024 року, опубліковане в Дистанційне зондування (MDPI) Порівняння моделей RF, CNN та CNN-LSTM для оцінки лісової біомаси в Ханчжоу, Китай, виявило, що моделі глибокого навчання враховують просторовий контекст, який методи одноточкової регресії повністю пропускають.
• Гібридні моделі: Поєднуйте фізичні моделі рослинності (які імітують ріст рослин на основі радіації та надходження води) зі статистичними або машинно-навчальними калібрувальними шарами. Ці підходи набувають дедалі більшої популярності, оскільки вони створюють фізично реалістичні оцінки біомаси, які узагальнюються в різних регіонах, не покладаючись виключно на локальні навчальні дані.

Фактори, що впливають на точність оцінки біомаси

Навіть найкраща комбінація датчика та моделі створює ненадійні карти біомаси, коли якість базових даних низька або коли фізичне середовище створює джерела шуму. Розуміння цих факторів, що обмежують точність, є важливим для будь-кого, хто розробляє програму картографування біомаси.

1. Насичення сигналу густого лісу: У тропічних лісах з високою біомасою оптичні та C-діапазонні SAR-сигнали насичуються — вони перестають зростати, навіть коли біомаса продовжує зростати. NDVI насичується при значеннях AGB вище приблизно 150–200 мг/га, що робить його ненадійним у пралісових тропічних лісах, де біомаса може сягати 400–600 Мг/га. L-діапазон SAR та LiDAR насичуються при набагато вищих рівнях біомаси та є кращими в цих середовищах.

2. Сезонні коливання: Коефіцієнт відбиття рослинності різко змінюється протягом сезонів. Значення NDVI з пшеничного поля у квітні відображає принципово інший стан біомаси, ніж те саме поле у серпні. Моделі повинні враховувати сезонну динаміку або калібруватися окремо для кожної фенологічної стадії.

3. Вплив хмарності: Оптичні датчики втрачають дані скрізь, де є хмари. У вологих тропічних регіонах забруднення хмарами може вплинути на більше ніж 70% отримання зображень у певному році, що вимагає альтернатив радарам або лідарам або багаторічних стратегій композиції.

4. Змішані пікселі: За помірної просторової роздільної здатності (30–250 м) один піксель зображення часто містить суміш типів сільськогосподарських культур, оголеного ґрунту та води. Спектральний сигнал відображає середнє значення всіх цих поверхонь, що розбавляє сигнал рослинності та вносить систематичну похибку в прогнози біомаси.

5. Вплив місцевості: Похилий рельєф змінює геометрію як сонячного освітлення, так і кут огляду датчика, змінюючи значення відбиття, що реєструються датчиком. Топографічна корекція є обов'язковою в гірських районах, перш ніж будь-яка модель біомаси може бути надійно застосована.

Застосування картографування земельної біомаси в різних секторах

Карти біомаси землі, створені за допомогою даних дистанційного зондування, використовуються для практичного прийняття рішень у надзвичайно широкому спектрі секторів, від урядової звітності про клімат до управління індивідуальними фермерськими господарствами.

Лісові управління використовуйте карти біомаси для визначення пріоритетів лісозаготівельних ділянок, оцінки сталого врожаю та документування відповідності стандартам сертифікації. Карти біомаси від стіни до стіни замінюють дорогі вибіркові лісові інвентаризації в регіонах, де доступ до польових ресурсів логістично ускладнений або надмірно дорогий.

Оцінка запасів вуглецю є одним з найбільш економічно значущих застосувань. Кожен мг надземної біомаси містить приблизно 0,47 мг вуглецю (стандартний коефіцієнт перетворення IPCC). Таким чином, точні карти біомаси безпосередньо перетворюються на перевірені вуглецеві інвентаризації, які лежать в основі платежів REDD+ та добровільних вуглецевих ринкових кредитів. Перевірена карта біомаси, що охоплює концесію тропічного лісу площею 500 000 гектарів, може представляти сотні мільйонів доларів вуглецевих активів.

• Точне землеробство: Карти біомаси сільськогосподарських культур, отримані за допомогою знімків з дронів або Sentinel-2, виявляють мінливість росту рослин на підполях, що дозволяє вносити добрива та зрошувати зі змінною нормою, що знижує виробничі витрати та захищає врожайність.
• Оцінка палива для лісових пожеж: Мертвий ліс та суха трав'яниста біомаса представляють собою паливне навантаження, доступне для пожеж. Карти палива, отримані за допомогою дистанційного зондування, керують призначеними програмами спалювання та плануванням стримування лісових пожеж у пожежонебезпечних ландшафтах.
• Збереження біорізноманіття: Рослинність з високим вмістом біомаси та складною структурою зазвичай підтримує більшу видове різноманіття. Карти біомаси допомагають визначити пріоритетні зони охорони природи та відстежувати відновлення відновлених середовищ існування з часом.
• Планування біоенергетики: Уряди та енергетичні компанії використовують дані дистанційного зондування біомаси для оцінки сталого постачання сільськогосподарських відходів та деревної біомаси для виробництва біоенергії, гарантуючи, що темпи збору врожаю не перевищують можливості регенерації екосистеми.

Переваги дистанційного зондування для розрахунку біомаси

Картування біомаси на основі дистанційного зондування пропонує поєднання можливостей, з якими не може зрівнятися жоден наземний підхід. Ці переваги пояснюють, чому за останнє десятиліття технологія перейшла з експериментального стану в операційний у десятках країн.

Неруйнівне вимірювання, мабуть, є найважливішою перевагою. Дистанційне зондування збирає інформацію про рослинність без її вирубки, зрізання чи порушення. Це дозволяє проводити повторні вимірювання в одному й тому ж місці, що є важливим для виявлення змін біомаси з часом — показника, який має найбільше значення для обліку вуглецю та моніторингу екосистеми.

• Масштабне покриття з низькими граничними витратами: Після налаштування датчика та конвеєра обробки даних вартість додавання ще одного мільйона гектарів до обстеження біомаси практично дорівнює нулю. Така структура витрат є зворотною до польових обстежень, де витрати лінійно масштабуються з площею.
• Часті часові оновлення: Sentinel-2 повертається до будь-якої точки на Землі кожні 5 днів. Така частота дозволяє моніторити біомасу протягом усього вегетаційного періоду, фіксуючи динамічні зміни, які однорічні польові дослідження повністю пропускають.
• Можливості історичного аналізу: Архів Landsat містить знімки з 1972 року. Дослідники можуть реконструювати історичні траєкторії біомаси, щоб кількісно визначити кумулятивне вирубування лісів, оцінити відновлення екосистеми після порушення або встановити базові умови до порушення для вимог про компенсацію.
• Покращений процес прийняття рішень землеустроювальниками: Просторово-чіткі карти біомаси показують, де в межах ландшафту біомаса накопичується, зменшується або стабільна, надаючи землекористувачам просторову точність для цілеспрямованих втручань там, де вони матимуть найбільший вплив.

Обмеження та проблеми оцінки біомаси за допомогою дистанційного зондування

Картографування біомаси дистанційним зондуванням є потужним методом, але воно має реальні технічні обмеження, які фахівці повинні розуміти, перш ніж покладатися на результати для прийняття важливих рішень.

Насичення сигналу в густих лісах залишається невирішеною проблемою для оптичних та радіолокаційних датчиків C-діапазону. Коли крони дерев змикаються, а біомаса накопичується вище певного порогу, спектральний сигнал або сигнал зворотного розсіювання більше не збільшуються зі збільшенням біомаси.

LiDAR дозволяє уникнути цієї проблеми, оскільки вимірює фізичну структуру, а не спектральне відбиття, але збір даних за допомогою повітряного LiDAR залишається дорогим, а космічний LiDAR, такий як GEDI, забезпечує розріджені, не суміжні сліди, а не покриття від стіни до стіни.

• Перевірка поля обов'язкова: Жодна модель дистанційного зондування не дає достовірних оцінок біомаси без калібрування та перевірки на відповідність фактичним польовим вимірюванням. Якість польових даних безпосередньо визначає якість кінцевої карти, а збір репрезентативних польових даних у неоднорідних ландшафтах є одночасно дорогим та технічно складним.
• Атмосферні ефекти потребують ретельної корекції: Аерозолі, водяна пара та озон розсіюють і поглинають вхідне та відбите сонячне випромінювання, змінюючи спектральний сигнал, перш ніж він досягне датчика. Неправильна або неповна атмосферна корекція призводить до систематичних помилок, які поширюються на весь робочий процес оцінки біомаси.
• Обробка даних вимагає спеціалізованих знань: Робота з часовими рядами дистанційного зондування у великих масштабах вимагає знання геоінформаційних систем (ГІС), мов програмування, таких як Python або R, та хмарних геопросторових платформ, таких як Google Earth Engine. Цей технічний бар'єр обмежує впровадження серед агрономів та землекористувачів без досвіду в галузі обробки даних.
• Невизначеність моделі зростає з відстанню від навчальних даних: Модель біомаси, калібрована в бразильському лісі Амазонки, може погано працювати при перенесенні на структурно відмінний західноафриканський ліс, навіть якщо обидва класифікуються як тропічні вологі ліси. Регіональні набори даних калібрування є важливими для підтримки точності в географічно різноманітних досліджуваних районах.

Майбутні тенденції в оцінці біомаси за допомогою дистанційного зондування

Технологічний ландшафт для картографування наземної біомаси швидко розвивається. Кілька збіжних тенденцій суттєво покращать точність, доступність та операційну масштабованість оцінки біомаси протягом наступних п'яти-десяти років.

Картографування біомаси на основі штучного інтелекту є найбільш трансформаційним розвитком, що зараз відбувається. Архітектури глибокого навчання, зокрема згорткові та трансформаторні моделі, одночасно обробляють повну спектральну, просторову та часову інформацію в часових рядах супутників, витягуючи сигнали біомаси, які простіші моделі не можуть виявити.

Інтеграція штучного інтелекту та машинного навчання в дистанційне зондування зросла на 35% між 2021 та 2026 роками, згідно з Business Research Insights, фундаментально змінюючи підхід до аналізу даних про рослинність у великих масштабах.

Місія Європейського космічного агентства BIOMASS, запущена у 2024 році, несе перший космічний радіолокаційний приймач P-діапазону, спеціально розроблений для моніторингу біомаси тропічних лісів. Сигнали P-діапазону (довжина хвилі близько 70 см) проникають глибоко в лісові пологи, досягаючи деревних стовбурів і великих гілок, до яких не можуть дістатися радари з короткими довжинами хвиль.

Дослідження, опубліковане в Наукові звіти (квітень 2023 р.) продемонстрували, що P-діапазонний TomoSAR (томографічний SAR — метод, який реконструює тривимірну структуру лісу за кількома проходами радара) дав багатообіцяючі оцінки AGB у густих тропічних лісах Французької Гвіани, що дає уявлення про те, що місія BIOMASS забезпечить в операційній діяльності.

• Масштабне об'єднання даних з кількох датчиків: Алгоритми, які автоматично поєднують потоки оптичних, радіолокаційних та лідарних даних, зважуючи кожен датчик відповідно до його надійності в певній екосистемі та сезоні, переходять від експериментальних прототипів до операційних інструментів, розгорнутих на хмарних платформах.
• Моніторинг біомаси в режимі реального та майже реального часу: Хмарні геопросторові платформи, такі як Google Earth Engine та Microsoft Planetary Computer, тепер дозволяють безперервно, автоматизовано обробляти потоки вхідних супутникових даних. Сповіщення про вирубку лісів майже в режимі реального часу, які спрацьовують протягом 24–48 годин після подій втрати лісів, вже працюють у кількох тропічних країнах.
• Цифрові двійники для точного землеробства: Інтеграція даних про біомасу, отриманих за допомогою дистанційного зондування, з ґрунтовими датчиками, погодними моделями та моделями моделювання сільськогосподарських культур створює цифрових двійників фермерського господарства — віртуальні копії реальних полів, які дозволяють фермерам тестувати сценарії управління, перш ніж впроваджувати їх у реальному світі.
• Інтеграція точного землеробства: Злиття доступних датчиків дронів, супутникових часових рядів та аналітики на основі штучного інтелекту вперше робить моніторинг біомаси в польових масштабах фінансово доступним для окремих фермерів, а не лише для дослідницьких установ та державних установ.

1. Який супутник найкраще підходить для оцінки біомаси? Не існує єдиного найкращого супутника для всіх ситуацій. Sentinel-2 є найбільш широко використовуваним для картографування сільськогосподарських культур та лісової біомаси середньої роздільної здатності. GEDI LiDAR надає найточніші дані про висоту пологів для лісової AGB. Sentinel-1 SAR є кращим вибором у тропічних районах, уражених хмарами. Найкращий операційний підхід поєднує кілька датчиків.

2. Чи можуть дрони точно оцінювати біомасу? Так. Дрони, оснащені мультиспектральними камерами або датчиками LiDAR, можуть оцінювати біомасу сільськогосподарських культур та лісів на невеликих площах з дуже високою просторовою роздільною здатністю. Оцінки біомаси сільськогосподарських культур на основі дронів зазвичай досягають кореляції R² = 0,80–0,95 з польовими вимірюваннями, коли польоти приурочені до відповідних стадій росту, а спектральні датчики належним чином відкалібровані.

3. Наскільки точна оцінка біомаси за допомогою дистанційного зондування? Точність значно варіюється залежно від типу датчика, екосистеми та підходу до моделі. У лісах помірного поясу з хорошим покриттям LiDAR карти біомаси можуть досягати значень RMSE 20–40 Мг/га. У густих тропічних лісах лише оптичні підходи можуть показувати значення RMSE 60–100 Мг/га через насичення сигналу. Моделі об'єднання кількох датчиків постійно перевершують підходи з одним датчиком.

4. Чому оцінка біомаси важлива для зміни клімату? Ліси та сільськогосподарські ландшафти зберігають величезну кількість вуглецю у своїй біомасі. Вирубка лісів та деградація земель вивільняють цей накопичений вуглець у вигляді CO₂ в атмосферу, прискорюючи зміну клімату. Точні карти біомаси забезпечують основу для перевірки запасів вуглецю, моніторингу втрати лісів та кількісної оцінки ефективності програм лісовідновлення та охорони природи в рамках міжнародних кліматичних програм, таких як REDD+.

5. Чи може дистанційне зондування оцінити підземну біомасу? Дистанційне зондування не може безпосередньо виміряти підземну біомасу. Однак, підземну біомасу зазвичай оцінюють за загальноземною біомасою (AGB), використовуючи коефіцієнти співвідношення коренів до пагонів, отримані в результаті польових досліджень та опубліковані такими організаціями, як IPCC. Видоспецифічні співвідношення коренів до пагонів коливаються від 0,15 до 0,40 у більшості лісових екосистем, що дозволяє непряму оцінку BGB скрізь, де існують карти AGB.

Висновок

Розрахунок біомаси землі за допомогою дистанційного зондування рішуче перейшов від спеціалізованого дослідницького методу до операційної можливості з прямим впливом на виробництво продуктів харчування, управління лісами та кліматичну політику. Поєднання безкоштовних супутникових даних, доступних платформ хмарних обчислень та дедалі потужніших інструментів машинного навчання зробило картографування біомаси в масштабі ландшафту можливим для дедалі більшої кількості організацій у всьому світі.

Роль дистанційного зондування в моніторингу клімату лише зростатиме, оскільки ринки вуглецю розширюються, зобов'язання щодо моніторингу вирубки лісів посилюються, а попит на перевірені дані про запаси вуглецю зростає в усьому світі. Завдяки тому, що супутникова місія BIOMASS вже в експлуатації, GEDI продовжує розширювати свій глобальний набір даних, а моделі штучного інтелекту значно покращують точність оцінок завдяки об'єднанню даних кількох датчиків, стало можливим точно знати, де біомаса накопичується, зменшується або залишається стабільною на поверхні Землі.

Ринки вуглецю перейшли від нішевих політичних експериментів до основних інструментів фінансування кліматичних змін. Ринок добровільних вуглецевих кредитів для сільського господарства був оцінений у 36,1 млн доларів США у 2024 році і очікується, що він зросте до 648,3 млн доларів США до 2034 року на 31.9% сукупний річний темп зростання, згідно з даними Global Market Insights Inc. Сільське господарство перебуває в центрі цього розширення, оскільки ґрунти, сільськогосподарські культури та методи управління земельними ресурсами є величезними, вимірюваними поглиначами вуглецю.

Проблема завжди полягала у вимірюванні: як надійно кількісно визначити вуглець, що зберігається на мільйонах гектарів сільськогосподарських угідь? Дистанційне зондування, наука про збір даних про поверхню Землі з літаків, дронів та супутників без фізичного контакту, – це відповідь, на яку чекав ринок вуглецю. Воно привносить масштаб, швидкість та наукову точність у моніторинг вуглецю в сільському господарстві.

Що таке вуглецеві кредити та чому вони важливі?

Вуглецевий кредит – це сертифікат, що підлягає торгівлі та відображає скорочення або видалення однієї метричної тонни еквіваленту вуглекислого газу (CO2e) з атмосфери. Кредити бувають двох типів: кредити на скорочення викидів вуглецю, які представляють собою уникнення викидів, та кредити на видалення вуглецю, які представляють собою CO2, активно витягнутий з атмосфери та накопичений.

Ринки вуглецю функціонують як економічні механізми, що встановлюють ціну на викиди парникових газів. Коли компанія не може зменшити свої викиди внутрішньо, вона може придбати вуглецеві кредити з проектів, які усувають або запобігають еквівалентній кількості викидів.

Це створює фінансові стимули для таких видів діяльності, як секвестрація вуглецю в ґрунті, лісовідновлення та покращене управління земельними ресурсами. Система регулюється вуглецевими реєстрами, стандартами сертифікації та сторонніми верифікаторами, які гарантують, що кожен кредит представляє реальну, вимірювану кліматичну користь.

1. Як генеруються вуглецеві кредити в сільському господарстві

Сільськогосподарські вуглецеві кредити створюються за допомогою структурованого процесу, який починається з розробки проекту та завершується внесенням перевірених кредитів до реєстру. Ось типова послідовність:

1. Фермер або розробник проекту обирає відповідні методи сталого ведення сільського господарства та визначає межі проекту.
2. Затверджену методологію вибирають з реєстру вуглецю, такого як Verra (VM0042) або Gold Standard.
3. Базовий запас вуглецю встановлюється для вимірювання початкової точки до зміни практики.
4. Практики впроваджуються та контролюються протягом усього періоду проекту, зазвичай від трьох до п'яти років.
5. Незалежні сторонні верифікатори оцінюють, чи були впроваджені певні практики та чи є заявлені переваги викидів вуглецю реальними та додатковими.
6. Перевірені вуглецеві кредити видаються та виставляються на продаж на добровільних або ринках відповідності.

Секвестрація вуглецю в ґрунті за допомогою природоохоронних практик є основним механізмом у проектах на сільськогосподарських угіддях. Такі методи, як покривні культури, скорочений обробіток ґрунту та точне управління поживними речовинами, збільшують кількість органічного вуглецю, що зберігається в сільськогосподарських ґрунтах, які в іншому випадку схильні втрачати вуглець через обробіток ґрунту та ерозію.

Сільськогосподарські ґрунти містять приблизно втричі більше вуглецю, ніж атмосфера. Це робить сільськогосподарські угіддя одними з найбільш доступних та масштабованих поглиначів вуглецю на планеті. Сільськогосподарські угіддя та луки швидко реагують на зміни в управлінні: перехід від традиційного обробітку ґрунту до нульового може призвести до збільшення вмісту органічного вуглецю в ґрунті протягом одного-двох вегетаційних періодів.

Фермери отримують пряму вигоду від доходів від вуглецевих кредитів. Проекти з видобутку вуглецю з ґрунту зараз становлять приблизно 8-10% добровільного ринку вуглецю, оцінений у 425-530 млн доларів США, згідно з ринковими даними за 2025 рік.

Цей потік доходів доповнює доходи фермерських господарств, одночасно покращуючи здоров'я ґрунту, утримання води та довгострокову продуктивність. Агробізнес та харчові компанії, що беруть участь у вуглецевих програмах, також отримують довіру у звітності про сталий розвиток ланцюга поставок.

Зв'язок між вуглецевими кредитами та точним землеробством

Точне землеробство – це підхід до управління фермерським господарством, який використовує просторові дані та передові технології для прийняття рішень на рівні підполя, а не розглядає всю ферму як єдине ціле. Він поєднує приймачі GPS (глобальна система позиціонування), датчики ґрунту IoT (інтернет речей), камери, встановлені на дронах, та супутникові знімки для надання детальної інформації про стан сільськогосподарських культур, властивості ґрунту та потреби в ресурсах, що стосуються конкретного місця розташування.

Результатом є управління фермерським господарством на основі даних. Замість застосування єдиної норми добрив по всьому полю, система точного землеробства визначає зони з різними потребами в поживних речовинах і відповідно застосовує змінні норми.

Це зменшує відходи сировини, знижує експлуатаційні витрати та забезпечує вимірювані екологічні переваги, які можна кількісно визначити для програм вуглецевих кредитів. Прецизійні інструменти сприяють вуглецевим викидам кількома шляхами.

• Оптимізація внесення добрив зменшує викиди закису азоту (N2O), парникового газу, який приблизно в 273 рази сильніший за CO2, протягом 100-річного періоду. Внесення азоту зі змінною нормою може скоротити викиди N2O до 20-30% порівняно з рівномірним внесенням, згідно з дослідженням, опублікованим в Європейському журналі агрономії.
• Покращення графіків зрошення за допомогою датчиків вологості ґрунту зменшує споживання енергії на насосних станціях та обмежує ущільнення ґрунту, що разом зменшує вуглецевий слід зрошення.
• Підтримка здоров'я ґрунту шляхом скорочення обробітку ґрунту зберігає агрегатну структуру ґрунту, захищаючи органічну речовину, яка утримує вуглець на місці протягом тривалого часу.
• Зменшення використання палива завдяки плануванню маршруту руху техніки за допомогою GPS-навігації знижує споживання дизельного палива, що безпосередньо зменшує викиди CO2 під час польових робіт.

1. Сталі методи ведення сільського господарства, що генерують вуглецеві кредити

Не всі види сільськогосподарської діяльності відповідають вимогам для отримання вуглецевих кредитів. Затверджені методи повинні демонстративно збільшувати викиди вуглецю в ґрунті, зменшувати викиди або робити те й інше. Наступні методи мають встановлені методології в рамках основних вуглецевих реєстрів.

i. Обрізка обкладинки передбачає посадку нетоварних культур у міжсезоння, щоб зберегти живе коріння в ґрунті. Коріння безперервно виділяє цукри, що живлять ґрунтові мікроби, які перетворюють органічну речовину на стабільний гумус, довгоживучу форму ґрунтового вуглецю. Покривні культури також запобігають ерозії, яка фізично видаляє верхній шар ґрунту та вуглець у ньому.

ii. Нульовий обробіток ґрунту та скорочений обробіток ґрунту мінімізувати порушення ґрунту, зберігаючи фізичну структуру ґрунту. Традиційний обробіток ґрунту швидко окислює вуглець ґрунту, піддаючи органічну речовину впливу повітря. Дослідження, опубліковане в журналі Soil and Tillage Research, показало, що довгострокове впровадження безорної обробки збільшує концентрацію органічного вуглецю ґрунту у верхніх 30 см в середньому на 10-30% порівняно з традиційним обробітком ґрунту протягом десятирічного періоду.

iii. Зберігання рослинних залишків зберігає післязбиральну біомасу на поверхні поля, а не спалює чи видаляє її. Розкладаючись, рослинні залишки надходять у ґрунт органічною речовиною та живлять мікробні спільноти, відповідальні за фіксацію вуглецю. Супутникові знімки дозволяють вимірювати відсоток покриття рослинними залишками після збору врожаю з вимірною точністю.

Дистанційне зондування не просто спостерігає за сільським господарством згори. Воно перетворює розрізнені дані на рівні полів на єдиний, науково обґрунтований запис про те, як управляється земля та скільки вуглецю вона утримує.

iv. Точне управління поживними речовинами використовує технологію змінної норми внесення добрив там, де це необхідно, у потрібних кількостях та у потрібний час. Це зменшує накопичення надлишку азоту, який ґрунтові бактерії перетворюють на закис азоту, безпосередньо зменшуючи викиди парникових газів від виробництва сільськогосподарських культур.

v. Агролісівництво та багаторічні культури поглинати вуглець як над землею в деревній біомасі, так і під землею за допомогою розгалужених, довгоживучих кореневих систем. Деревні культури можуть зберігати вуглець протягом десятиліть, що робить їх цінними кандидатами для проектів вуглецевих кредитів, які вимагають постійного використання.

Роль дистанційного зондування у вимірюванні вуглецевого кредиту

Програми вуглецевих кредитів вимагають доказів. Реєстри не можуть приймати самостійно повідомлені заяви фермера про те, що покривні культури були висаджені або що обробка ґрунту була скорочена. Верифікація вимагає об'єктивних, відтворюваних та перевірених даних, бажано з джерел, які не можна маніпулювати постфактум. Дистанційне зондування забезпечує саме це.

Супутникові та дронні спостереження охоплюють величезні території одночасно, пропонуючи рівень просторового охоплення, з яким польові дослідження просто не можуть зрівнятися економічно. Ринок супутників для вимірювання вуглецю в сільському господарстві був оцінений у 3,2 млрд доларів США у 2025 році і, за прогнозами, досягне 8,7 млрд доларів США до 2034 року на 12.8% сукупний річний темп зростання, що сигналізує про те, як централізований супутниковий моніторинг став частиною кліматичних програм у всьому світі.

У звіті «Атлас сталого розвитку» (2026) було виявлено, що супутникові системи верифікації зменшили витрати на вимірювання вуглецю в ґрунті на 40% порівняно з традиційним польовим відбором проб, при цьому інвестиції в цифрові рішення для моніторингу та перевірки (MRV) досягають 2,3 млрд доларів США у 2025 році. Фермери та розробники проектів тепер мають доступ до достовірного моніторингу вуглецю без непомірних витрат на гектар, пов'язаних з повторними кампаніями з відбору проб ґрунту.

1. Технології дистанційного зондування, що використовуються в вуглецевих програмах

Залежно від масштабу, типу культури та мети вимірювання вуглецю використовується кілька типів датчиків. Кожен з них має свої переваги.

1. Мультиспектральні датчики фіксують відбите світло в дискретних діапазонах довжин хвиль, включаючи видимий червоний, ближній інфрачервоний та короткохвильовий інфрачервоний діапазони. Вони обчислюють індекси рослинності, такі як NDVI (нормований індекс різниці рослинності) – коефіцієнт, який порівнює відбивну здатність ближнього інфрачервоного діапазону з відбивною здатністю червоного діапазону.

Здорова, густа рослинність відбиває більше ближнього інфрачервоного діапазону та поглинає більше червоного світла, що створює високе значення NDVI. NDVI широко використовується як показник щільності біомаси та фотосинтетичної активності, які корелюють із поглинанням вуглецю.

2. Гіперспектральні датчики фіксують сотні вузьких, суміжних смуг довжин хвиль замість кількох широких. Ця точніша спектральна роздільна здатність дозволяє їм виявляти тонкі відмінності в біохімії рослин, включаючи вміст хлорофілу, воду в листі та концентрацію лігніну.

Ці властивості тісно пов'язані з вмістом вуглецю в надземній частині та можуть бути використані для моделювання біомаси сільськогосподарських культур з більшою точністю, ніж широкосмугові мультиспектральні дані.

3. LiDAR (виявлення та визначення дальності світла) випромінює тисячі лазерних імпульсів на секунду на поверхню землі та вимірює час, необхідний для повернення кожного імпульсу. Результатом є детальна тривимірна хмара точок ландшафту, що фіксує висоту рослинності, щільність пологу та топографію місцевості.

Біомаса оцінюється шляхом поєднання цих структурних вимірювань з алометричними рівняннями – математичними співвідношеннями, які перетворюють висоту та об’єм на суху масу та вміст вуглецю. Дослідження, опубліковане в ScienceDirect у 2025 році, показало, що вимірювання секвестрації вуглецю на основі LiDAR досягло значно нижчих показників помилок, ніж традиційні методи польової інвентаризації для лісових сільськогосподарських угідь та агролісових систем.

4. SAR (радар із синтетичною апертурою) передає мікрохвильову енергію та вимірює енергію, відбиту від поверхні. На відміну від оптичних датчиків, SAR проникає крізь хмарний покрив і працює вночі, що робить його цінним у тропічних сільськогосподарських регіонах, де постійна хмарність блокує оптичні супутники протягом тижнів. SAR особливо ефективний для вимірювання вологості ґрунту, виявлення голих та вкритих рослинністю поверхонь та оцінки біомаси пологів за допомогою аналізу інтенсивності зворотного розсіювання.

5. Дистанційне зондування на основі дронів забезпечує просторову роздільну здатність на сантиметровому рівні, з якою не можуть зрівнятися супутники. Дрони, оснащені мультиспектральними або RGB-камерами, літають на низькій висоті, створюючи надзвичайно детальні карти окремих полів.

У вуглецевих програмах дрони використовуються для локальної перевірки супутникових спостережень та для оцінок на невеликих або фрагментованих полях, де розмір пікселів супутника занадто великий, щоб розрізнити межі управління. Основні супутникові платформи, що підтримують моніторинг вуглецю, включають наступне:

• Landsat (NASA/USGS): Роздільна здатність 30 метрів з частотою повторних відвідувань 16 днів. Його історичний архів, що датується 1972 роком, робить його основою довгострокового аналізу змін землекористування та базового картографування.
• Sentinel-1 та Sentinel-2 (ЄКА): Sentinel-2 надає 10-метрові мультиспектральні зображення з 5-денним повторним переглядом, що робить його ідеальним для сезонного моніторингу сільськогосподарських культур. Sentinel-1 SAR доповнює оптичні дані в хмарні періоди.
• МОДІС (НАСА): Роздільна здатність 250-500 метрів із щоденним глобальним покриттям. Використовується для масштабного аналізу продуктивності рослинності та змін у землекористуванні в часових рядах у цілих регіонах.
• ПланетаСкоп: Комерційне сузір'я, що забезпечує щоденні знімки з роздільною здатністю 3 метри, що дозволяє проводити практичне виявлення на підпольових ділянках окремих сільськогосподарських підприємств.

Як GeoPard підтримує програми вуглецевого кредитування

GeoPard Agriculture — це платформа точного землеробства, яка поєднує супутникові знімки, дані радіолокацій та аналітику топографії, щоб допомогти фермерам впроваджувати та контролювати методи, що генерують перевірені вуглецеві кредити. Вона інтегрує вуглецеве землеробство безпосередньо в повсякденне управління фермерським господарством, а не розглядає його як окремий вид діяльності.

1. Впровадження практики на основі супутникових даних

GeoPard використовує супутникові та радіолокаційні дані для виявлення низькопродуктивних польових зон, придатних для покривних культур, агролісівництва або скорочення обробітку ґрунту. Його рішення для моніторингу посівів допомагає приймати рішення щодо сівозміни, що покращує структуру ґрунту та збільшує довгострокову здатність до зберігання вуглецю.

Топографічна аналітика точно визначає, які польові ділянки отримують найбільшу користь від певних видів покривних культур, усуваючи здогадки з практики, яка безпосередньо призводить до поглинання вуглецю.

2. Скорочення викидів та відстеження MRV

Для скорочення викидів CO2 GeoPard підтримує впровадження нульового обробітку ґрунту та управління пожнивними залишками, допомагаючи фермерам перейти від традиційного порушення ґрунту. Для скорочення викидів N2O він забезпечує управління поживними речовинами 4R, вносячи правильні добрива, з правильною нормою, вчасно та в потрібному місці, зменшуючи надлишок азоту, який перетворюється на закис азоту в ґрунті.

Що стосується MRV, шари супутникових даних GeoPard створюють безперервний запис польової діяльності з мітками часу протягом вегетаційного періоду. Ці просторові дані підтверджують вимоги до вимірювань та звітності, надаючи стороннім верифікаторам об'єктивні дані для підтвердження того, що заявлені практики дійсно мали місце.

Безпосередньо пов’язуючи щоденні рішення щодо сільського господарства з вимірюваними результатами викидів вуглецю, GeoPard робить практичним для фермерів будь-якого масштабу можливість впевнено брати участь у програмах вуглецевих кредитів.

Як дистанційне зондування дозволяє отримувати вуглецеві кредити: крок за кроком

1. Базове картування

Перш ніж вуглецевий проект зможе видати будь-які кредити, він повинен встановити достовірний базовий рівень, кількісний знімок того, скільки вуглецю вже міститься в зоні проекту, та які методи управління земельними ресурсами діють на даний момент. Цей базовий рівень є орієнтиром, відносно якого оцінюються всі майбутні покращення.

Дистанційне зондування дозволяє створювати базове картографування за допомогою кількох інтегрованих аналізів. Картографування рослинності з використанням даних NDVI та індексу площі листя визначає існуючі типи сільськогосподарських культур, щільність біомаси та закономірності вегетаційного періоду.

Історичний аналіз землекористування з використанням багаторічного архіву Landsat показує, чи оброблялося поле традиційним способом, пасовищами чи змішаними культурами протягом останніх десяти-двадцяти років. Ця історія важлива, оскільки рівень вуглецю в ґрунті відображає кумулятивне управління протягом десятиліть, а не лише поточного сезону.

Картування властивостей ґрунту поєднує гіперспектральні супутникові дані з наземними зразками ґрунту для створення просторово безперервних карт вмісту органічного вуглецю, текстури та глини в ґрунті. Ідентифікація меж проекту використовує супутникові знімки, зареєстровані за допомогою GPS, для визначення точних географічних меж вуглецевого проекту, що є вимогою для всіх основних вуглецевих реєстрів, включаючи Verra та Gold Standard.

2. Перевірка практики

Для створення реєстрів викидів вуглецю потрібні постійні докази того, що сталий розвиток справді впроваджується, а не просто заявляє про нього. Дистанційне зондування забезпечує ці докази за допомогою аналізу часових рядів супутникових знімків протягом усіх вегетаційних періодів.

i. Виявлення покривних культур використовує зимові вегетаційні індекси для визначення активно зростаючого ґрунтового покриву між циклами товарних культур. Поле з покривними культурами демонструє значно вищі значення NDVI протягом міжсезоння порівняно з голим полем.

Дослідження, опубліковане в Національному центрі біотехнологічної інформації (2024), з використанням даних Sentinel-2 у Південній Дакоті, досягло точності класифікації, що перевищує 80% для виявлення наявності покривних культур та інтенсивності обробітку ґрунту на кукурудзяних та соєвих полях.

У дослідженні ScienceDirect (2024) було розгорнуто трубопровід MRV по всій 553 743 гектари та виміряне скорочення викидів 398 408,5 т CO2e протягом трьох послідовних випусків вуглецевих кредитів, пояснюючи скорочення головним чином впровадженням сільськогосподарських культур та зменшенням інтенсивності обробітку ґрунту. Супутникові системи моніторингу, звітності та перевірки тепер можуть працювати в масштабах цілих сільськогосподарських регіонів, а не лише окремих проектних ділянок.

ii. Перевірка нульового обробітку ґрунту спирається на моніторинг поверхні ґрунту між збором врожаю та посадкою. Після безоранки польові залишки залишаються на поверхні, а значення NDVI залишаються помірно підвищеними через відбивну здатність залишків. Зоране поле демонструє різкі зміни текстури поверхні та спектральної сигнатури, які можна виявити на супутникових знімках з довжиною 10-30 метрів. Дані SAR доповнюють оптичний аналіз, виявляючи зміни вологості ґрунту, пов'язані з механічними порушеннями.

iii. Моніторинг утримання рослинних залишків використовує короткохвильові інфрачервоні діапазони для оцінки відсотка пожнивних залишків, що покривають ґрунт після збору врожаю. Залишки мають чітку спектральну сигнатуру порівняно з голим ґрунтом, що дозволяє індексам покриття залишками, отриманим із супутників, оцінити, чи покрита поверхня 30%, 50% або 70%, порогові значення, які безпосередньо визначають право на отримання допомоги та обсяг кредитів у багатьох методологіях.

iv. Моніторинг сівозміни відстежує зміни типу культури протягом кількох сезонів, використовуючи спектральні дані часових рядів. Різні культури мають унікальні фенологічні ознаки, характер позеленіння, піку росту та старіння протягом вегетаційного періоду. 5-денна частота повторних відвідувань Sentinel-2 фіксує цю динаміку достатньо точно, щоб розрізняти кукурудзу від сої та пшениці протягом послідовних років.

3. Оцінка біомаси та запасів вуглецю

Вимірювання запасів вуглецю вимагає перетворення спостережуваних властивостей рослинності та ґрунту на кількісні оцінки запасеного вуглецю. Дистанційне зондування забезпечує цей процес за допомогою кількох потоків даних.

Надземна біомаса (AGB) Оцінка використовує висоту рослинності з даних LiDAR, щільність пологу з оптичних зображень та індекс листової площі (LAI), отриманий на основі коефіцієнта відбиття в ближньому інфрачервоному діапазоні. Ці вхідні дані задають алометричні рівняння, які дають оцінки біомаси в тоннах на гектар. Вміст вуглецю зазвичай розраховується приблизно як 47-50% ваги сухої біомаси, коефіцієнта перетворення, підтвердженого для сотень видів МГЕЗК та ФАО.

Органічний вуглець ґрунту (SOC) Оцінка є складнішою, оскільки вуглець під землею не можна безпосередньо спостерігати зверху. Дистанційне зондування сприяє цьому за допомогою гіперспектральних зображень, які виявляють спектральні сигнатури органічної речовини ґрунту на голих або слабозарослих полях, а також за допомогою даних про вологість ґрунту, отриманих за допомогою SAR, які впливають на швидкість обертання вуглецю.

Ці дані дистанційного зондування поєднуються з моделями на основі процесів, такими як RothC або CENTURY, які моделюють розкладання та стабілізацію органічної речовини за різних кліматичних та господарських умов.

Достовірність вуглецевого кредиту повністю залежить від точності вимірювання, що лежить в його основі. Дистанційне зондування перетворює перевірку вуглецевих викидів з дорогої польової процедури на безперервний, керований даними аудиторський журнал.

Алгоритми машинного навчання, включаючи випадкові ліси, градієнтне підвищення та моделі глибокого навчання, все частіше використовуються для інтеграції даних дистанційного зондування з польовими вимірюваннями.

Дослідження, опубліковане в PeerJ (2024), продемонструвало, що моделі машинного навчання, що поєднують мультиспектральні супутникові індекси з обмеженим відбором проб ґрунту, можуть прогнозувати вміст органічного вуглецю в ґрунті з конкурентною точністю, зменшуючи кількість деструктивних проб ґрунту, необхідних для валідації проекту.

Вимірювання, звітність та верифікація (MRV): Основи вуглецевих кредитів

MRV (Вимірювання, Звітування та Верифікація) – це структура управління, яка розділяє достовірні вуглецеві кредити від неперевірених заяв. Кожен великий вуглецевий реєстр вимагає, щоб проекти відповідали затвердженому протоколу MRV. Дистанційне зондування стало невід'ємною частиною всіх трьох етапів.

1. Вимірювання: Збір даних

Вимірювання включає збір необроблених даних, на основі яких розраховуються кількості вуглецю. У супутникових програмах це починається з автоматичного отримання мультиспектральних та SAR-знімків через регулярні проміжки часу протягом вегетаційного періоду.

Дослідження за допомогою дронів надають наземні дані високої роздільної здатності на ключових фенологічних стадіях. Цільові кампанії з відбору проб ґрунту збирають польові вимірювання для калібрування та перевірки оцінок вмісту вуглецю, отриманих зі супутників. Алгоритми оцінки біомаси працюють на основі об'єднаних даних для отримання значень запасів вуглецю в польовому масштабі.

2. Звітність: Перетворення вимірювань у кредити

Звітність перетворює оброблені дані на офіційний пакет документації, що подається до реєстру вуглецю. Це включає електронні таблиці обліку вуглецю, просторові карти проектної діяльності, докази впровадження практики та змодельовані зміни запасів вуглецю протягом періоду верифікації.

Необхідно дотримуватися міжнародних стандартів, включаючи ISO 14064-2 та керівні принципи Протоколу про викиди парникових газів. Архів часових рядів супутникових даних слугує захищеними від несанкціонованого втручання записами, що підтверджують кожен звітний показник.

3. Перевірка: Незалежне підтвердження

Сторонні верифікатори переглядають надану документацію та незалежно оцінюють, чи є заявлені вуглецеві результати реальними, додатковими (тобто вони не відбулися б без проекту) та постійними.

Дані дистанційного зондування, включаючи архіви супутникових знімків та знімки з дронів, надають верифікаторам об'єктивні дані для порівняння із заявами проекту. Аналіз часових рядів виявляє невідповідності, такі як заява фермера про нульову обробку ґрунту на полі, яке демонструє спектральні ознаки механічних порушень.

Виявлення шахрайства за допомогою алгоритмів точок зміни все частіше вбудовується в цифрові платформи MRV для позначення аномалій до того, як вони досягнуть етапу перевірки.

Згідно з даними, опублікованими Marq Stats (2026), конвергенція супутникових знімків високої роздільної здатності та машинного навчання знизила вартість моніторингу, збору та перевірки даних на кожне господарство на 70-90% між 2018 і 2025 роками, що дозволить Indigo Carbon керувати понад 8 мільйонів зареєстрованих акрів у 28 штатах США з 85% зменшення адміністративного навантаження на збір даних.

Зниження витрат у такому масштабі означає, що дрібні фермери та середні підприємства тепер можуть брати участь у програмах вуглецевих кредитів, які раніше були доступні лише великим виробникам сировинних товарів.

4. Як MRV визначає реальну вартість вуглецевого кредиту

MRV (Міністерство звітності та перевірки) – це не просто вимога до дотримання вимог. Саме вона визначає, чи має вуглецевий кредит реальну ринкову вартість. Покупці, інвестори та регулятори встановлюють ціну на вуглецеві кредити на основі того, наскільки впевнено можна перевірити базовий вуглець. Кредит зі слабким MRV торгується зі знижкою або взагалі відхиляється.

Без достовірного моніторингу, звітності та перевірки (MRV) вуглецеві кредити стають здогадками. Фермер може стверджувати, що покривні культури були посаджені, хоча це не було так. Розробник проекту може переоцінити приріст вуглецю з ґрунту. Покупці можуть несвідомо фінансувати проекти, які не приносять реальної користі для клімату. MRV усуває кожну з цих прогалин, вимагаючи документованих, перевірених та стандартизованих доказів на кожному кроці.

Для фермерів надійний MRV працює на їхню користь. Він знімає тягар самостійної звітності та замінює його доказами, підтвердженими супутниковими даними, які жоден реєстр чи покупець не може заперечити. Саме цей перехід від перевірки на основі довіри до перевірки на основі даних дозволяє дрібним фермерам конкурувати на тих самих ринках вуглецю, що й великі агробізнеси.

Для ринку вуглецю в цілому, достовірний звіт про моніторинг, звітування та оцінку (MRV) – це те, що відрізняє справжні дії щодо зміни клімату від грінвошингу. Кожна тонна CO2, яку враховують двічі, оцінюють неточно або заявляють без доказів, послаблює всю систему.

Система моніторингу та перевірки на основі дистанційного зондування усуває цю прогалину, роблячи вимірювання об'єктивними, звітність стандартизованою, а перевірку незалежною. Ось чому вуглецеві кредити, що підтримуються супутниковим моніторингом та перевірки на основі даних, тепер мають цінову премію 15-25% на добровільних ринках — покупці платять більше, тому що наукову основу кредиту важче заперечити.

Переваги дистанційного зондування для програм вуглецевого кредитування

Переваги дистанційного зондування над виключно польовим моніторингом вуглецю є суттєвими та посилюються, оскільки програми масштабуються, щоб охопити більшу площу.

1. Масштабний моніторинг стає можливим за значно меншу вартість. Одна сцена Sentinel-2 охоплює 100 на 100 кілометрів, контролюючи тисячі ферм за один прохід без участі наземної служби.
2. Верифікація відбувається швидше та є менш трудомісткою. Вуглецеві програми, які раніше вимагали місяців польових виїздів, можуть завершити практичну верифікацію протягом кількох днів за допомогою автоматизованих конвеєрів супутникового аналізу.
3. Прозорість підвищується для покупців, реєстрів та інвесторів. Супутникові архіви створюють об'єктивний, відтворюваний запис того, що відбувалося на полі протягом періоду проекту, незалежно від інтересів будь-яких зацікавлених сторін.
4. Зменшення людського фактора. Автоматизована класифікація зображень та вуглецеве моделювання застосовують узгоджені алгоритми на всіх ділянках проекту, що усуває варіації, що виникають через те, що різні польові оцінювачі використовують різні методи відбору проб.
5. Довіра інвесторів зростає. Інституційні покупці дедалі частіше вимагають кількісної, підтвердженої даними перевірки кредитоспроможності, перш ніж вкладати капітал у вуглецеві проекти. Кредити, підкріплені дистанційним зондуванням, з маркуванням Core Carbon Principles (CCP) тепер є популярними. 15-25% цінові премії, згідно з даними Ради доброчесності добровільного ринку вуглецю за 2025 рік.

Краще прийняття рішень доступне кожному зацікавленому боку. Фермери отримують просторово чіткий зворотний зв'язок про те, які поля показують хороші або погані результати щодо викидів вуглецю. Розробники проектів можуть розподілити ресурси моніторингу для зон високого ризику. Реєстри можуть пріоритезувати зусилля з перевірки на основі автоматичного виявлення аномалій.

Проблеми та обмеження на ринках вуглецю

Дистанційне зондування є потужним, але не безмежним. Розуміння його поточних обмежень є важливим для розробки вуглецевих програм, які залишаються науково обґрунтованими.

1. Хмарний покрив залишається постійною перешкодою для оптичних супутникових датчиків у тропічних та мусонних сільськогосподарських регіонах. Протягом ключових періодів вегетаційного періоду послідовні спостереження без хмар можуть бути неможливими, що створює прогалини в записах моніторингу. SAR частково компенсує це, але інтеграція наборів даних з кількох датчиків додає складності обробці.
2. Підземний вуглець неможливо безпосередньо спостерігати з космосу. Оцінка органічного вуглецю ґрунту за допомогою дистанційного зондування завжди залежить від моделі, спираючись на поверхневі спектральні показники та моделювання на основі процесів, які несуть у собі невизначеність.
3. Просторова роздільна здатність обмежує виявлення практик на невеликих полях. У регіонах, де переважає дрібне сільське господарство з полями меншими за один гектар, навіть 10-метрові пікселі Sentinel-2 можуть перетинати межі кількох господарських одиниць, що ускладнює чітку атрибуцію практик.
4. Перевірка наземних даних залишається обов'язковою. Супутникові моделі потребують калібрування за допомогою польових зразків ґрунту та польових спостережень. Жодна з сучасних методологій дистанційного зондування не усуває потребу в наземних даних повністю.

Стандартизація вуглецевих програм є ще одним викликом. Різні реєстри приймають різні методології дистанційного зондування, різні супутникові платформи та різні підходи до моделювання. Кредит, підтверджений за допомогою однієї методології, може не бути визнаний покупцем, який працює за іншим стандартом, що створює фрагментацію ринку, яка обмежує ліквідність кредитів та участь фермерів.

Майбутнє дистанційного зондування на вуглецевих ринках

Темпи інновацій у супутникових технологіях, штучному інтелекті та цифровій сільськогосподарській інфраструктурі свідчать про те, що обмеження сучасних систем дистанційного зондування будуть поступово усунені протягом наступного десятиліття.

Штучний інтелект та машинне навчання вже трансформують оцінку викидів вуглецю. Моделі глибокого навчання, навчені на мільйонах супутникових пікселів, можуть визначати схеми обробітку ґрунту, типи культур та зміни в методах роботи з більшою точністю та з меншими витратами на кожне поле, ніж будь-який попередній метод.

Моделі Frontier, опубліковані в Remote Sensing of Environment (2024), продемонстрували, що гіперспектральні моделі машинного навчання можуть прогнозувати вміст органічного вуглецю в ґрунті в континентальних масштабах з конкурентною точністю, якщо їх навчати на просторово різноманітних спектральних бібліотеках ґрунту.

Комерційні супутникові сузір'я високої роздільної здатності, включаючи 3-метрове щоденне покриття PlanetScope та майбутні системи дуже високої роздільної здатності, роблять моніторинг польової практики доступним для програм, що працюють на рівні окремих ферм.

Об'єднання даних з дронів та супутників дозволяє використовувати багаторівневий підхід до моніторингу: супутники забезпечують безперервне покриття, а дрони надають деталі перевірки, коли і де це найбільше потрібно.

• Інтеграція Інтернету речей дозволяє надсилати дані ґрунтових датчиків у режимі реального часу з мереж польових зондів вологості та вуглецю безпосередньо до калібрувальних трубопроводів дистанційного зондування, зменшуючи залежність від періодичного ручного відбору проб ґрунту.
• Цифрові двійники для сільськогосподарських ландшафтів з'являються як спосіб моделювання динаміки вуглецю на всій фермі, використовуючи комбіновані дані дистанційного зондування, погоди та ґрунту. Ці середовища моделювання дозволяють розробникам проектів моделювати сценарії “що, якщо” для різних комбінацій практик, перш ніж дотримуватися методології.
• Відстеження викидів вуглецю за допомогою блокчейну пов'язує події вуглецевого аналізу, підтверджені супутниками, з незмінними записами реєстру, надаючи покупцям повний аудиторський журнал від польових спостережень до вирахування кредиту.
• Автоматизовані платформи MRV замінюють ручні робочі процеси подання даних. Такі компанії, як Agrena у Данії, використовують дані спостереження за Землею для моніторингу змін у землекористуванні на тисячах ферм у ЄС, при цьому вуглецеві кредити видаються на основі безперервного супутникового аналізу відповідно до Регламенту ЄС про вуглецеве сільське господарство (ЄС 2024/3012).

Моніторинг вуглецю майже в режимі реального часу, зі збільшенням частоти супутникових повторних візитів до щоденного використання та аналітичними каналами, що обробляють зображення протягом кількох годин після отримання, незабаром дозволить виявляти зміни в практикі, такі як повернення фермера до обробітку ґрунту посеред проекту, до того, як відбудуться значні втрати вуглецю. Глобальні супутникові сузір'я та розширення інфраструктури обробки роблять цю можливість доступною для основних реєстрів вуглецю до кінця 2020-х років.

Висновок

Те, як дистанційне зондування дозволяє отримувати вуглецеві кредити, зводиться до однієї основної переваги: воно перетворює невидиме на вимірюване. Вуглець, що зберігається в ґрунтах і рослинності, не можна безпосередньо зважити чи підрахувати. Але сільськогосподарські методи, які визначають, скільки вуглецю містить ландшафт, включаючи те, що висаджується, як оброблюється ґрунт і як розподіляється біомаса, залишають помітні спектральні та структурні сигнатури, які супутники, системи LiDAR та платформи SAR можуть спостерігати, записувати та кількісно визначати.

Від базового картографування до практичної перевірки, від оцінки біомаси до документації MRV, дистанційне зондування забезпечує наукову основу, необхідну для цілісного функціонування ринків вуглецю. Зв'язок між точним землеробством та ринками вуглецю ще ніколи не був таким сильним. Фермери, які впроваджують методи управління на основі даних, не лише підвищують свою продуктивність. Вони створюють ті перевірені, просторово чіткі вуглецеві докази, яких дедалі більше вимагають реєстри, покупці та регуляторні органи.

Моніторинг евапотранспірації за допомогою дистанційного зондування є одним із найважливіших досягнень у сільськогосподарській водній науці за останні два десятиліття. Поєднуючи теплові дані, отримані зі супутників, індекси рослинності та фізику енергетичного балансу, вчені та фермери тепер можуть оцінити, скільки води стікає з поверхні землі на мільйонах гектарів — без жодного наземного датчика.

Ця можливість змінює те, як агрономи планують зрошення, як уряди відстежують посуху, а як дослідники кількісно визначають водний слід цілих річкових басейнів. Сільське господарство споживає приблизно 701 TP3T усіх світових запасів прісної води, проте більша частина цієї води ніколи безпосередньо не вимірюється на польовому рівні — критична прогалина, яку швидко заповнює моніторинг евапотранспірації за допомогою дистанційного зондування.

Що таке евапотранспірація?

Евапотранспірація (ЕТ) – це комбінований процес, за допомогою якого вода переміщується з поверхні землі в атмосферу. Він має два компоненти, що діють одночасно: випаровування, пряме перетворення рідкої води з ґрунту, водойм та поверхні рослин на водяну пару; та транспірацію, біологічне переміщення води, що поглинається корінням рослин, транспортується вгору через стебло та вивільняється у вигляді пари через крихітні пори в листках, які називаються продихами.

Разом ці два процеси пояснюють найбільший потік води, що залишає наземну екосистему. У більшості сільськогосподарських ландшафтів ЕТ повертає від 60 до 80 відсотків усіх опадів назад в атмосферу. Цей показник робить ЕТ домінуючою змінною у водному балансі суші — більш впливовою, ніж стік або глибоке фільтрування у більшості сільськогосподарських угідь.

Ефект вітрового потепління (ЕТ) знаходиться в центрі гідрологічного циклу, пов'язуючи поверхню землі, біосферу та атмосферу. Коли показники ЕТ високі, волога ґрунту виснажується швидше, зменшуються базові потоки річок, а швидкість поповнення водоносного горизонту падає. Коли ЕТ сповільнюється — через посуху, старіння сільськогосподарських культур або зміни у землекористуванні — наслідки впливають на доступність води нижче за течією.

У кліматології етнос (ET) є основним механізмом зв'язку між циклами вуглецю та води. Рослини відкривають продихи, щоб поглинати CO2 для фотосинтезу, і при цьому одночасно вивільняють водяну пару. Будь-яка зміна глобального рослинного покриву, температури або концентрації CO2 зміщує планетарний баланс ET і впливає на регіональні схеми опадів.

Чому моніторинг евапотранспірації є пріоритетом управління водними ресурсами?

Точні дані про етимологію (ET) сприяють прийняттю кращих рішень у багатьох секторах. У сільському господарстві знання фактичного використання води сільськогосподарськими культурами на рівні поля повідомляє менеджеру з іригації, скільки саме води потрібно вносити, коли її вносити та де виникає дефіцит, перш ніж у культури з'явиться видимий стрес.

Така точність запобігає як надмірному поливу, який призводить до марнування води та вимивання поживних речовин, так і недостатньому поливу, який знижує врожайність.

1. Графік поливу: Планування зрошення на основі ET замінює здогадки фізикою. Коли фермер знає, що кукурудзяне поле в липні втрачає 7 мм води на день через ET, він може поповнити саме цей дефіцит, замість того, щоб зрошувати з фіксованим календарним інтервалом.

2. Моніторинг посухи: Стійке зниження фактичної ЕТ відносно еталонної ЕТ (те, що випарувалося б за необмеженого водопостачання) сигналізує про появу стресу від посухи. Дистанційне зондування фіксує цей сигнал за кілька тижнів до того, як втрата врожайності стає помітною для ока.

3. Планування водних ресурсів: Облік водних ресурсів на рівні басейну вимагає даних про етнічні перепади на рівні водозбору. Супутниковий моніторинг етнічних перепадів забезпечує таке просторове покриття за ціною, що значно менша за вартість мережі наземних станцій.

4. Оцінка зміни клімату: Довгострокові тенденції етнічного потепління показують, як підвищення температури та зміна структури опадів змінюють водокористування екосистемою — дані, які допомагають у плануванні адаптації на регіональному та національному рівнях.

5. Моніторинг здоров'я екосистеми: Швидкість перетворення води на водно-болотні угіддя, транспірація лісами та використання води луками чутливо реагують на екологічні порушення. Дистанційне зондування перетворення води фіксує ці зміни на великих, важкодоступних ландшафтах.

Які фактори впливають на евапотранспірацію?

Евапотранспірація (ЕТ) формується поєднанням кліматичних умов, характеристик ландшафту та біології рослин. Нижче наведено розбивку ключових факторів, що беруть участь.

1. Тип ґрунту. Склад ґрунту відіграє значну роль в утриманні та випаровуванні води. Піщані або гравійні ґрунти, як правило, утримують менше води та виділяють більше її через випаровування, тоді як суглинні або багаті на глину ґрунти краще утримують вологу.

2. Температура повітря. Температура безпосередньо впливає на швидкість перетворення води на пару. Тепліше повітря має більшу здатність утримувати вологу, а підвищена температура прискорює перетворення води на пару, тим самим збільшуючи евапотранспірацію.

3. Сонячна радіація. Окрім простого генерування тепла, сонячне випромінювання включає зміни рівнів енергії, частоти та альбедо — все це впливає на ET. Ці фактори відрізняються залежно від місця розташування та пори року, і для їх точного вимірювання часто потрібні передові технології.

4. Вологість. Відносна вологість (RH) – це кількість водяної пари в повітрі відносно його максимальної місткості. Коли вологість висока, повітря поглинає менше додаткової вологи, що уповільнює процес випаровування. І навпаки, сухіше повітря може поглинати більше пари, що призводить до вищих показників випаровування.

5. Рослинний покрив. Різні види рослин по-різному взаємодіють з водою. Деякі ефективно зберігають воду в посушливі періоди, тоді як інші втрачають її швидше. На швидкість зрошення також впливають вік рослини, її стан здоров'я та глибина коренів — глибше коріння дозволяє культурам довше обходитися без поливу. Ці фізіологічні відмінності означають, що зрошення може значно відрізнятися залежно від типу культур, що вимагає адаптованих стратегій зрошення.

6. Швидкість вітру. Вітер є основним рушієм як випаровування, так і транспірації. Він розсіює шар вологого повітря, який накопичується над рослинністю, збільшуючи ET. Він також сприяє дифузії пари через пори рослин, посилюючи транспірацію. Однак надзвичайно сильні, сухі вітри іноді можуть перешкоджати дифузії пари, дещо знижуючи ET за певних умов.

Ключові концепції евапотранспірації

ET(0) відображає здатність атмосфери спричиняти втрату води та залежить виключно від клімату. ET(c) вимірює втрату води здоровими, добре зрошуваними культурами, що ростуть в ідеальних умовах з повним потенціалом врожайності. Коли культури стикаються з неоптимальним управлінням або екологічними проблемами, ET(c) необхідно змінити, щоб отримати ET(c adj). Евапотранспірація культур розуміється через три різні концепції:

1. ET(0) — Еталонна евапотранспірація
2. ET(c) — Евапотранспірація за стандартних умов
3. ET(c adj) — Евапотранспірація за нестандартних умов

1. Еталонна евапотранспірація — ET(0)

ET(0) представляє швидкість, з якою вода випаровується з добре зволоженої контрольної поверхні, яка зазвичай моделюється як ідеалізований трав'яний покрив, що відповідає певним критеріям.

Цей показник враховує потребу атмосфери у випаровуванні незалежно від типу культури, стадії росту чи сільськогосподарських практик. Оскільки вважається, що контрольна поверхня повністю зволожена, ґрунтові умови виключаються з розрахунку, що усуває необхідність визначати окремі пороги ET для кожної культури на кожній стадії росту.

ET(0) повністю залежить від кліматичних змінних, а типові значення варіюються залежно від агрокліматичних зон, хоча ці цифри слугують лише загальними орієнтирами.

2. Евапотранспірація за стандартних умов — ET(c)

ET(c) кількісно визначає кількість води, що виділяється здоровою, добре підживленою культурою, вирощеною на великих, належним чином зрошуваних полях за сприятливих погодних умов, що працює з піковою продуктивністю. Він визначається шляхом множення еталонного ET на коефіцієнт культури K(c):

ET(c) = ET(0) × K(c)

3. Евапотранспірація за нестандартних умов — ET(c adj)

ET(c adj) враховує реальні відхилення від ідеальних умов вирощування. Такі фактори, як тиск шкідників та хвороб, дефіцит або надлишок води, засоленість ґрунту та низька родючість ґрунту, можуть призвести до того, що фактичне споживання води культурою суттєво відрізняється від ET(c). Коефіцієнт водного стресу K(s) вводиться поряд з коефіцієнтом культури для врахування цих ефектів:

ET(c adj) = ET(0) × K(c) × K(s)

Традиційні методи вимірювання евапотранспірації

До появи дистанційного зондування вчені вимірювали ЕТ за допомогою прямих фізичних приладів. Кожен метод добре працює в певному масштабі, але має значні недоліки, які обмежують широке застосування в сільському господарстві. Деякі з найкращих наземних методів вимірювання ЕТ:

1. Лізиметр: Лізиметр (великий контейнер, заповнений ґрунтом та вирощуваною культурою, встановлений врівень із землею) вимірює ЕТ, зважуючи блок ґрунту з часом. Коли опади контролюються та збирається дренажна система, різниця в масі між часовими кроками дорівнює фактичному ЕТ.

Лізиметри забезпечують найточніші вимірювання ET з усіх доступних, але вони коштують сотні тисяч доларів за одиницю, охоплюють лише кілька квадратних метрів і не можуть відобразити просторову мінливість реального поля.

2. Коваріаційна система вихрових коливань: Система вихрової коваріації вимірює ET, обчислюючи коваріацію між вертикальною швидкістю вітру та концентрацією водяної пари над пологом рослин за допомогою швидкодіючих датчиків. Вона охоплює “слід” від кількох сотень метрів до кількох кілометрів, що робить її набагато репрезентативнішою, ніж лізиметр.

Однак встановлення та обслуговування веж-мірників потоку коштує від 50 000 до 300 000 доларів США, а глобальна мережа FLUXNET має лише близько 900 активних сайтів — надто малої кількості для моніторингу сільськогосподарського ЕТ у національному масштабі.

3. Метод коефіцієнта Боуена: Метод коефіцієнта Боуена оцінює ET шляхом вимірювання співвідношення потоку явного тепла (нагрівання повітря) до потоку прихованої теплової енергії (ET) з використанням градієнтів температури та вологості над кроною дерев. Він простіший, ніж метод вихрової коваріації, але вимагає однорідних умов вибору та не може використовуватися на складному рельєфі.

4. Розрахунки ET на основі даних метеостанції Використовуючи рівняння Пенмана-Монтейта ФАО, обчисліть опорну ET (ET0) на основі даних про температуру повітря, вологість, швидкість вітру та радіацію. Цей метод широко використовується для планування зрошення, але дає опорну ET, а не фактичну ET, оскільки він припускає добре политу опорну культуру, а не фактичну культуру на полі.

Центральною проблемою всіх наземних методів є масштаб. Один лізиметр представляє кілька квадратних метрів. Вежа-вимірювач потоку охоплює в кращому випадку кілька сотень гектарів. Але сучасне управління сільськогосподарськими водними ресурсами вимагає даних ET на рівні полів по всіх річкових басейнах — просторова проблема, яку може вирішити лише дистанційне зондування.

Основи дистанційного зондування для моніторингу позаземного простору

Дистанційне зондування, в контексті моніторингу ET, – це збір та аналіз даних, отриманих із супутників або літаків, для оцінки потоку води, що залишає поверхню землі, фізично не торкаючись цієї поверхні.

Цей підхід працює, оскільки рослини та ґрунти обмінюються енергією з атмосферою способами, які можна виявити з космосу, зокрема, через випромінювання теплового інфрачервоного випромінювання. Коли рослина ефективно провітрюється, вона використовує сонячну енергію, що надходить, для випаровування води, а не для нагрівання. Полог із достатньою вологістю ґрунту залишається відносно прохолодним.

Натомість, полог рослин, що страждає від нестачі води, закриває продихи для збереження води, і оскільки менше прихованої теплоти (ЛТ) споживає надходить енергії, температура поверхні пологу підвищується. Це фундаментальний фізичний сигнал, який фіксує теплове дистанційне зондування.

Ключові фізичні принципи, що лежать в основі оцінки супутникового ET

У "The енергетичний баланс є керівною структурою. На будь-якій поверхні землі чисте випромінювання (Rn), що надходить від сонця та атмосфери, має дорівнювати сумі трьох поглиначів енергії: теплового потоку ґрунту (G), потоку відчутного тепла (H, який нагріває повітря) та потоку прихованої теплової енергії (LE, який зумовлює ET). Записується як рівняння: Rn = G + H + LE. Оцінюючи Rn, G та H за супутниковими даними, модель отримує LE — і, отже, ET — як залишок.

1. Температура поверхні землі (LST), виміряний у тепловому інфрачервоному діапазоні, є основною спостережуваною величиною, яка використовується для оцінки потоку відчутного тепла H. Гарячіша поверхня передає більше тепла повітрю (високий H), залишаючи менше енергії для ET (низький LE). Холодніша, добре зрошувана поверхня має нижчий H та вищий LE.

2. Індекси рослинності такі як NDVI, фіксують, скільки зеленого, фотосинтетично активного рослинного матеріалу покриває поверхню, що контролює швидкість транспірації. Щільний зелений полог транспірує більше, ніж голий ґрунт або розріджене деревостан.

3. Чиста радіація розраховується на основі потоків короткохвильового та довгохвильового випромінювання, які дистанційне зондування оцінює на основі даних про альбедо поверхні, рослинний покрив та теплове випромінювання.

Супутниковий моніторинг евапотранспірації не замінює наземних даних — це єдиний інструмент, який може надавати просторово безперервні дані про використання води в масштабі, де фактично приймаються сільськогосподарські та гідрологічні рішення.

Перевага дистанційного зондування над наземними методами полягає не лише в просторовому охопленні. Супутникові дані забезпечують синоптичні, повторювані вимірювання в дуже неоднорідних ландшафтах — те, що жодна наземна мережа не могла б відтворити за порівнянну вартість.

Джерела даних дистанційного зондування для оцінки ET

Оцінка ET з космосу вимагає поєднання даних з кількох типів датчиків. Жоден окремий супутник не забезпечує всіх вхідних даних, необхідних для повноцінної моделі ET, тому операційні продукти ET зазвичай об'єднують дані з кількох платформ.

1. Супутникові платформи для оцінки ET

i. Landsat (USGS/NASA) працює безперервно з 1972 року та надає 30-метрові просторові мультиспектральні та теплові зображення з 16-денним циклом повторного перегляду. Його довгий архів робить його незамінним для історичного аналізу ET та моніторингу врожаю. Більшість моделей ET енергетичного балансу, включаючи SEBAL та METRIC, спочатку були розроблені на основі даних Landsat.

ii. Sentinel-2 (ЄКА) пропонує 10-метрові мультиспектральні зображення з 5-денним часом повторного перегляду для розрахунку індексу рослинності високої роздільної здатності. Хоча він не має теплового діапазону, він доповнює Landsat, надаючи частіші дані NDVI, EVI та LAI з вищою роздільною здатністю для моделей ET на основі рослинності.

iii. MODIS (Спектрорадіометр середньої роздільної здатності, NASA) забезпечує щоденне глобальне покриття з роздільною здатністю від 250 м до 1 км. Його грубіша просторова роздільна здатність обмежує застосування в польових масштабах, але робить його ідеальним для континентального та глобального моніторингу позаземного простору за допомогою таких продуктів, як MOD16.

iv. ЕКОСТРЕС (NASA) встановлено на Міжнародній космічній станції та надає теплові інфрачервоні дані з роздільною здатністю 70 метрів з циклом повторного огляду від 1 до 5 днів. ECOSTRESS був спеціально розроблений для вимірювання водного стресу сільськогосподарських культур та ET у ближньому польовому масштабі — прогалину в можливостях, яку MODIS та попередні супутники не могли заповнити.

проти VIIRS (Набір радіометрів видимого інфрачервоного зображення, NOAA/NASA) на супутниках Suomi NPP та JPSS продовжує глобальну спадщину щоденного покриття MODIS з покращеним калібруванням датчиків, підтримуючи оперативні продукти ET на регіональному та глобальному рівнях.

2. Спостереження позаземних просторів за допомогою БПЛА та дронів

Безпілотні літальні апарати (БПЛА або дрони), оснащені тепловізійними камерами та мультиспектральними датчиками, можуть картографувати ЕТ з просторовою роздільною здатністю субметра над окремими полями. Тепловізійна камера, встановлена на дроні, безпосередньо вимірює температуру пологів, і в поєднанні з наземними метеорологічними даними вона створює ЕТ-карти з роздільною здатністю, з якою не може зрівнятися жоден супутник.

• Тепловізійні дрони виявляти ділянки рослин, що страждають від нестачі вологи, на полі до появи будь-яких видимих симптомів, що дозволяє здійснювати зрошення зі змінною нормою в межах поля.
• Мультиспектральні датчики на дронах обчислюють NDVI та EVI з роздільною здатністю в сантиметрах, надаючи дані моделям ET на основі коефіцієнтів врожаю для точного планування польових робіт.
• Високороздільне картування ET з БПЛА особливо цінний для спеціалізованих культур — деревних плодів, виноградників, овочів — де мінливість у межах поля висока, а витрати на водний стрес великі.

Ключові змінні дистанційного зондування, що використовуються в моніторингу ET

Кожна змінна, отримана з супутникових даних, вносить певний вклад у оцінку ET. Розуміння того, що кожна змінна вимірює та чому вона важлива, допомагає практикам вибрати правильну модель та правильно інтерпретувати результати.

1. Нормалізований індекс різниці рослинності (NDVI) розраховується як (NIR – червоний) / (NIR + червоний) з використанням коефіцієнта відбиття в ближньому інфрачервоному та червоному діапазонах. Він коливається від -1 до +1, при цьому густа зелена рослинність зазвичай має значення від 0,6 до 0,9. NDVI відображає щільність пологу та зеленість, що безпосередньо корелює з площею листя та транспіраційною здатністю.

2, Розширений індекс рослинності (EVI) додає синю смугу для зменшення атмосферних перешкод та впливу ґрунтового фону, які погіршують NDVI в густо зарослих рослинних регіонах або регіонах з частою хмарністю. EVI є чутливішим, ніж NDVI, в районах з високим вмістом біомаси та використовується в алгоритмі MOD16 ET.

3. Індекс площі листя (LAI) кількісно визначає загальну площу одностороннього листка на одиницю площі землі. Він безпосередньо контролює транспірацію, визначаючи, яка частина поверхні листка обмінюється водяною парою з атмосферою. LAI, отриманий із супутників, є ключовим вхідним показником у багатьох фізично обґрунтованих моделях ET.

4. Альбедо поверхні – це частка сонячної радіації, що відбивається поверхнею. Він контролює, скільки сонячної енергії поглинає поверхня, що, у свою чергу, визначає, скільки енергії доступно для руху позаземного випромінювання (ET). Темний, вологий ґрунт має низьке альбедо (поглинає більше енергії); гола піщана поверхня має високе альбедо (відбиває більше).

5. Вологість ґрунту Дані, отримані від мікрохвильових датчиків, обмежують моделі ET, вказуючи, чи достатньо води доступно в кореневій зоні для задоволення потреб у транспірації. Коли вологість ґрунту падає нижче критичного порогу, фактична ET падає нижче потенційної швидкості, навіть якщо енергія доступна.

Бастіаанссен та ін. (як оглянуто в Frontiers in Remote Sensing, 2026) виявили, що SEBAL, підтверджений у понад 30 країн, досягає Точність 85% для щоденних оцінок ET та точність 95% для сезонних оцінок ET у польовому масштабі.

Сезонна точність 95% означає, що облік води для сільськогосподарських культур по всьому зрошувальному району може бути надійно проведений з використанням лише супутникових даних, що усуває необхідність у щільних мережах наземних станцій.

Моделі оцінки евапотранспірації

1. Моделі енергетичного балансу

Моделі енергетичного балансу розраховують ET як залишок від бюджету поверхневої енергії: ET = Rn – G – H. Кожна модель відрізняється тим, як вона оцінює потік відчутного тепла H, який є найбільш обчислювально вимогливим та чутливим до помилок компонентом.

i. Алгоритм балансу поверхневої енергії для суші (SEBAL) була розроблена Бастіаанссеном у 1998 році та залишається однією з найбільш широко застосовуваних супутникових моделей ET у світі. SEBAL використовує три основні параметри, отримані з супутників: температуру поверхні землі (T0), напівсферичне відбиття поверхні (альбедо r0) та NDVI.

Для оцінки потоку відчутного тепла SEBAL визначає два опорні пікселі — “гарячий піксель” (сухий голий ґрунт, де ET близький до нуля) та “холодний піксель” (добре полита культура, де ET максимальний) — та інтерполює H по всій сцені відносно цих екстремумів. Ця функція самокалібрування робить SEBAL менш чутливим до абсолютних помилок калібрування метеорологічних даних.

ii. Картування евапотранспірації з високою роздільною здатністю за допомогою інтерналізованої калібрування Модель (METRIC) базується на SEBAL, але додає автоматичне калібрування відносно еталонного ET, розрахованого за даними метеостанції. METRIC краще підходить для регіонів з повними мережами метеорологічних даних і широко застосовується для оперативного управління зрошенням на заході Сполучених Штатів.

iii. Система балансу поверхневої енергії (SEBS) використовує теорію турбулентного потоку для оцінки потоку відчутного тепла на основі даних LST, отриманих зі супутників, шорсткості поверхні та швидкості вітру. SEBS є більш фізично складним методом, ніж SEBAL, але вимагає додаткових вхідних даних, що робить його більш придатним для досліджень, ніж для оперативного управління фермерським господарством.

Вибір моделі ET – це не просто технічне рішення, це рішення щодо того, на яке питання ви намагаєтеся відповісти. Облік води на рівні басейну та інструмент планування зрошення на рівні поля вимагають принципово різних рівнів просторової роздільної здатності та часової частоти.

iv. Енергетичний баланс з двох джерел Модель (TSEB) розглядає ґрунт і полог як два окремих джерела випаровування, кожне з яких має свій власний температурний та енергетичний баланс. Цей підхід є більш точним для розрідженої рослинності або змішаних земних покривів, де модель з одним джерелом може поєднувати випаровування ґрунту з транспірацією рослин.

2. Моделі ET на основі індексу рослинності

Не всі моделі ET потребують тепловізійних зображень. Моделі на основі індексу рослинності оцінюють ET через підхід до коефіцієнта врожаю (Kc x ET0), де коефіцієнт врожаю Kc визначається на основі NDVI або EVI, а еталонний ET (ET0) береться з метеостанції. Методологія FAO-56 формалізує цей підхід і широко використовується для планування зрошення, оскільки не вимагає даних про теплові діапазони.

Моделі машинного навчання, зокрема Випадковий ліс, Штучні нейронні мережі (ШНМ), та архітектури глибокого навчання все частіше застосовуються для оцінки ET шляхом вивчення складних нелінійних взаємозв'язків між вхідними даними, отриманими від супутників (LST, NDVI, альбедо, LAI), та вимірюваннями ET вежі потоку.

Дослідження 2023 року, опубліковане в журналі «Дистанційне зондування навколишнього середовища», показало, що модель «Випадковий ліс», навчена на основі даних MODIS та метеорологічних даних, передбачала щоденний ET з R2 0,87 та RMSE 0,51 мм/день у різних біомах — що є конкурентоспроможним з традиційними моделями енергетичного балансу, але вимагає набагато менших зусиль щодо параметризації.

Дослідження, опубліковане в Taylor and Francis Open (2021), показало, що алгоритм SEBAL, застосований до знімків Landsat 8 над регіоном вирощування кукурудзи в Адані, Туреччина, дав оцінки ET з коефіцієнт кореляції R = 0,91 порівняно з методом Пенмана-Монтейта ФАО та середньоквадратичною помилкою (RMSE) лише 1,14 мм/день.

Точність SEBAL у польових масштабах означає, що отримані за допомогою супутників дані з переносу повітря можуть замінити або суттєво зменшити потребу в дорогих лізиметричних установках в операційних системах управління зрошенням.

Супутникові ET-продукти, доступні для оперативного використання

Кілька глобальних та регіональних продуктів ET тепер перетворюють дані дистанційного зондування на готові до використання шари даних ET. Фахівцям-практикам більше не потрібно запускати власні моделі енергетичного балансу — вони можуть отримати доступ до цих попередньо обчислених наборів даних безпосередньо.

1. Продукт MOD16 ET (NASA) використовує дані MODIS з алгоритмом Пенмана-Монтейта, що базується на даних MODIS про земний покрив, LAI, EVI та метеорологічних даних глобального повторного аналізу. Він надає 8-денні та щомісячні композитні дані ET з роздільною здатністю 500 метрів по всьому світу. MOD16 добре підходить для досліджень ландшафтного масштабу, але є занадто грубим для управління окремими польовими даними.

2. SSEBop Модель спрощеного операційного балансу поверхневої енергії (Simplified Surface Energy Balance), розроблена Геологічною службою США (USGS), спрощує калібрування гарячих/холодних пікселів SEBAL, використовуючи попередньо визначені температурні межі, отримані з довгострокових кліматологічних даних. SSEBop працює з роздільною здатністю 30 метрів, використовуючи дані Landsat, і утворює одну з шести моделей в ансамблі OpenET.

3. Платформа OpenET, запущений у 2021 році та реалізований у рамках державно-приватної співпраці під керівництвом NASA, USGS, Каліфорнійського державного університету в затоці Монтерей, Фонду захисту навколишнього середовища та Інституту досліджень пустель, надає дані про позаземне середовище в польових масштабах з роздільною здатністю 30 метрів по всій західній частині Сполучених Штатів.

Знакове дослідження, опубліковане в Nature Water у січні 2024 року, в якому порівнювалися оцінки OpenET з вимірюваннями, отриманими на 152 наземних станціях потоку, підтвердило, що OpenET досягає високої точності для однорічних культур, таких як пшениця, кукурудза, соя та рис, особливо в посушливих регіонах, де дефіцит води робить точність зрошення найважливішою.

4. Портал WaPOR (ФАО) надає дані про етнічні умови для Африки та Близького Сходу з роздільною здатністю 30 метрів, 100 метрів та 250 метрів, спеціально розроблені для підтримки аналізу продуктивності сільськогосподарських вод у регіонах, що розвиваються, з дефіцитом даних.

5. БЛИСК (Глобальна модель випаровування з суші, Амстердам) розділяє ЕТ на транспірацію, випаровування з оголеного ґрунту, втрати перехоплення та випаровування з відкритої води, що базується на даних мікрохвильового випромінювання вологості ґрунту та супутникових даних про рослинність. Вона чудово розділяє сигнал ЕТ на біологічні та фізичні компоненти.

Застосування дистанційного зондування

1. Точне зрошення та управління вологою сільськогосподарських культур

Найбезпосереднішим застосуванням супутникових даних ET є планування зрошення. Коли фермер отримує доступ до щотижневих карт ET у масштабі поля, він може розрахувати дефіцит зрошення — різницю між фактичною кількістю ET та ефективною кількістю опадів — і застосувати саме цей об'єм води. Це усуває хронічну звичку надмірного поливу, яка марнує воду, не збільшуючи врожайність.

У дельті річок Сакраменто-Сан-Хоакін у Каліфорнії керівники водних ресурсів використовують OpenET, щоб допомогти фермерам дотримуватися державних норм, що вимагають точної звітності про використання води.

Висока точність супутникових даних ET для однорічних культур забезпечує юридично обґрунтовану основу для обліку води, яку жоден наземний метод не міг би забезпечити при такому просторовому охопленні.

У дослідженні 2024 року, опублікованому в журналі «Управління сільськогосподарськими водними ресурсами» (Ott et al., 2024; Desert Research Institute), було проведено оцінку OpenET на основі даних вимірюваного зрошення в басейнах ґрунтових вод Невади.

У Даймонд-Веллі оцінки OpenET показали лише Різниця 7% від даних лічильника використання води, що демонструє експлуатаційну надійність регуляторного управління підземними водами.

Похибка 7% на рівні басейну означає, що супутникові дані ET можуть замінити дорогу вимірювальну інфраструктуру в регіонах, де підземні води критично виснажені.

2. Системи оцінки посухи та раннього попередження

Моніторинг посухи – це ще одне застосування з високим рівнем впливу. Індекс випарного напруження (ESI), отриманий з теплових даних ECOSTRESS та MODIS, вимірює співвідношення фактичного ET до потенційного ET.

Коли показник ESI значно падає нижче 1,0, це сигналізує про те, що рослини відчувають водний стрес — надійний ранній показник сільськогосподарської посухи, який часто можна виявити за 4–8 тижнів до того, як втрати врожайності стають вимірними.

Національний центр пом'якшення наслідків посухи Міністерства сільського господарства США інтегрує індекси посухи на основі супутникових даних про посуху в оперативні карти моніторингу посухи, що використовуються урядами штатів, агентствами зі страхування врожаю та органами управління надзвичайними ситуаціями. Ця інтеграція робить реагування на посуху швидшим та цілеспрямованішим, ніж підходи, що базуються лише на календарі або опадах.

3. Управління водними ресурсами на рівні басейну

Облік водних ресурсів на рівні басейну вимагає знання того, скільки води залишає поверхню землі у вигляді ET на мільйонах гектарів. Саме це забезпечують супутникові ET-продукти, такі як MOD16, GLEAM та WaPOR, у глобальному масштабі.

• Агентства з управління водосховищами використовувати дані ET для оцінки водозбірного дебіту — різниці між опадами та ET — що визначає, скільки води фактично досягає річок та водосховищ.
• Органи транскордонного річкового басейну застосовувати супутникові технології для незалежної перевірки національної звітності про використання води без необхідності доступу до національних мереж наземних даних.
• Керівники зрошувальних районів використовувати ET для відстеження споживання води за типом культури на всій території обслуговування, підтримуючи справедливий розподіл води та дотримання нормативних вимог.

4. Екологічні та екологічні застосування

Моніторинг ЕТ водно-болотних угідь за допомогою супутникових даних кількісно визначає використання води екосистемами в важкодоступних болотах, торфовищах та естуаріях, де неможливо розгорнути наземні датчики. Моніторинг ЕТ лісів показує, як вирубка лісів, лісовідновлення та лісові пожежі змінюють водний баланс цілих водозбірних басейнів — критично важливі дані для обліку вуглецю в лісах та планування водопостачання.

Евапотранспірація – це невидима нитка, що пов'язує кожну рослину на Землі з глобальним кругообігом води. Дистанційне зондування – єдиний інструмент, який у нас є, щоб побачити це в масштабі, важливому для управління водними ресурсами.

Оцінка точності та валідація продуктів супутникового ET

Жоден продукт ET не є корисним без ретельної валідації. Стандартний підхід порівнює оцінки ET супутників з вимірюваннями, отриманими за допомогою веж вихрової коваріаційної вібрації — найточніших доступних наземних даних для ET у ландшафтному масштабі.

Глобальний FLUXNET Мережа надає дані про потокові вежі з відкритого доступу з сотень ділянок у різних біомах. Розробники продуктів ET порівнюють результати своїх моделей з вимірюваннями FLUXNET для розрахунку статистичних показників ефективності, включаючи

• R2 (коефіцієнт кореляції),
• RMSE (середньоквадратична помилка) та
• Упередженість (систематичне переоцінювання або недооцінювання).

Валідація виконується окремо для різних типів земного покриву, кліматичних зон та сезонів, оскільки точність моделі ET суттєво варіюється залежно від цих умов.

Моделі енергетичного балансу, такі як SEBAL та METRIC, зазвичай найкраще працюють у напівпосушливих сільськогосподарських ландшафтах з ясним небом. Продуктивність погіршується у вологих тропічних лісах, складному гірському рельєфі та районах з частою хмарністю.

Дослідження точності OpenET, опубліковане в Nature Water, порівняло шість моделей ET з вимірюваннями, отриманими 152 місця для встановлення веж з потоком по всій території Сполучених Штатів, виявивши, що ансамбль OpenET досяг найвищих результатів саме для однорічних культур у посушливих західних регіонах — районах, де управління зрошенням є найбільш економічно та екологічно критичним.

Водокористувачі в посушливих регіонах можуть використовувати дані OpenET з високою впевненістю для дотримання вимог зрошення та відстеження водного бюджету, замінюючи дорогу вимірювальну інфраструктуру.

Проблеми дистанційного моніторингу позаземних просторів

Незважаючи на швидкий прогрес, кілька технічних та операційних проблем обмежують точність та застосовність супутникового моніторингу позаземного простору.

1. Обмеження хмарності: Оптичне та теплове дистанційне зондування вимагає безхмарних умов. У вологих тропічних регіонах або під час сезонів мусонів постійна хмарність може створювати прогалини в даних від тижнів до місяців, порушуючи часову безперервність, необхідну для управління іригацією.

2. Обмеження просторової роздільної здатності: MODIS, супутник з найбільшою часовою частотою спостережень, надає дані про земну поверхню з роздільною здатністю 500 метрів — занадто груба для полів площею менше 25 гектарів. 30-метрова роздільна здатність Landsat підходить для більшості сільськогосподарських полів, але має 16-денний цикл повторного огляду, що не враховує швидкі зміни водного стресу.

3. Компроміси щодо часової роздільної здатності: Висока просторова роздільна здатність (Landsat, Sentinel-2, ECOSTRESS) та висока часова роздільна здатність (MODIS, VIIRS) існують у зворотній залежності. Подолання цього розриву вимагає методів об'єднання даних.

4. Модельні припущення в неоднорідних ландшафтах: Моделі енергетичного балансу з одним джерелом передбачають однорідний полог, який розпадається на розрідженій рослинності, змішаних системах вирощування сільськогосподарських культур або на інтерфейсах між містом та сільським господарством, де температура ґрунту та рослин різко відрізняється.

5. Наявність даних у регіонах, що розвиваються: Дані наземних метеостанцій, необхідні для обмеження моделей ET, є недостатніми на більшій частині Африки на південь від Сахари, у Південній Азії та Центральній Азії — саме в тих регіонах, де найбільш терміново потрібне покращення управління водними ресурсами.

Новітні технології та майбутнє моніторингу позаземних процесів

Кілька збіжних технологічних розробок готові значно розширити точність, охоплення та доступність дистанційного зондування ET-моніторингу протягом наступних п'яти-десяти років.

1. Штучний інтелект, машинне навчання та об'єднання даних

Моделі глибокого навчання, навчені на великих багатосенсорних наборах даних, починають перевершувати класичні моделі енергетичного балансу в певних ландшафтах. Згорткові нейронні мережі можуть одночасно інтегрувати дані Landsat, Sentinel-2, MODIS та метеорологічного реаналізу, вивчаючи просторово-часові закономірності ET, які не фіксує жодна односенсорна модель.

Тим часом, алгоритми об'єднання даних — найвідоміший з яких — підхід STARFM (модель просторового та часового адаптивного відбиття) — поєднують зображення Landsat високої роздільної здатності з щоденними даними MODIS для створення синтетичних щоденних карт ET з роздільною здатністю 30 метрів, ефективно вирішуючи просторово-часовий компроміс, який наразі обмежує застосування точного землеробства.

2. Теплові супутники високої роздільної здатності та сузір'я CubeSat

Наступне покоління спеціалізованих супутників теплового спостереження Землі надаватиме теплові зображення з глибиною менше 30 метрів із щоденною частотою повторного огляду.

Заплановані місії, включаючи наступника Landsat Next та комерційні теплові сузір'я CubeSat, усунуть історичний компроміс між просторовою деталізацією та часовою частотою, який обмежував моніторинг польових просторових коливань.

Як зазначається у звіті Future Market Insights (2025), ринок послуг дистанційного зондування, оцінений у 22,87 млрд доларів США у 2025 році, за прогнозами, досягне 84,28 млрд доларів США до 2035 року, значною мірою завдяки розширенню сузір'я супутників на низькій навколоземній орбіті (LEO).

3. Цифрові двійники для управління водними ресурсами

Структури цифрових двійників — динамічні віртуальні репліки сільськогосподарських ландшафтів, що оновлюються майже в режимі реального часу з даних супутників та датчиків Інтернету речей — інтегрують дистанційне зондування ET як основний потік даних. Ці системи синхронізують супутникові карти ET, дані датчиків вологості ґрунту, прогнози погоди та моделі росту сільськогосподарських культур для моделювання майбутнього стану вологи на полях та автоматичного призначення зрошення.

Програмне забезпечення та інструменти для моніторингу ЕТ

Багатий набір платформ тепер робить аналіз ET дистанційного зондування доступним для практиків без глибоких знань програмування.

1. Двигун Google Планета Земля (GEE) — це хмарна геопросторова обчислювальна платформа, яка містить повні архіви Landsat, MODIS, Sentinel та ECOSTRESS разом із попередньо створеними алгоритмами ET. Аналітики можуть виконувати розрахунки ET для багаторічних даних для цілих регіонів, не завантажуючи жодних зображень локально. GEE стала домінуючою дослідницькою платформою для картографування ET великих територій.

2. Платформа OpenET надає веб-інтерфейс, де будь-який зареєстрований користувач може отримати доступ до даних ET у масштабі полів для сільськогосподарських угідь на заході Сполучених Штатів. Користувачі можуть експортувати щоденні, щомісячні або сезонні зведення ET для окремих полів або цілих водогосподарських районів без необхідності знання програмування.

3. Портал WaPOR (ФАО) надає аналогічний інтерфейс завантаження ET з функцією «вкажи та клацни» для Африки та Близького Сходу з прямими посиланнями на показники продуктивності сільськогосподарських вод.

4. Робочі процеси Python та R Використовуючи такі бібліотеки, як rasterio, xarray, geopandas (Python) або terra, raster (R) дозволяє дослідникам створювати власні конвеєри обробки ET, які інтегрують супутникові дані з локальними метеорологічними записами, моделями сільськогосподарських культур та базами даних зрошення.

Тематичні дослідження дистанційного моніторингу позаземного простору

1. Управління зрошенням у посушливих регіонах

У водоносному горизонті Високих рівнин Сполучених Штатів — одній з найбільш інтенсивно зрошуваних сільськогосподарських зон на Землі — дослідники з Інституту дослідження пустель продемонстрували, що дані OpenET, інтегровані з кліматичними наборами даних, можуть оцінювати обсяги відкачування підземних вод з достатньою точністю для підтримки регуляторного управління зниженням рівня водоносного горизонту.

Дослідження зіставило оцінки супутникового ET із записами вимірювальних насосів, виявивши відхилення менше ніж 17% у більшості досліджуваних басейнів — рівень точності, достатній для управління водними правами.

2. Точне землеробство для різних видів сільськогосподарських культур

Для планування зрошення бавовни було впроваджено дистанційний моніторинг ET з використанням моделей SEBAL та METRIC для відображення фактичного ET на окремих полях протягом вегетаційного періоду.

Дослідження, опубліковані в Системі даних астрофізики (2020), показали, що обидві моделі виявили вищу, ніж очікувалося, фактичну температуру повітря (ET) на ранніх стадіях вирощування культур через високий рівень випаровування з оголеного ґрунту — результат, який стандартний підхід до коефіцієнтів вирощування культур систематично не враховував, що призводило до надмірного поливу в цей критичний період.

3. Облік водних ресурсів у масштабі водозбору

Платформа WaPOR ФАО була використана для проведення аналізу продуктивності води в іригаційних системах в Ефіопії, Єгипті та Йорданії, кількісно визначаючи ЕТ на одиницю виробленої біомаси сільськогосподарських культур.

Ці аналізи виявили поля з продуктивністю води нижче середньої по басейну, що забезпечило просторову базу доказів для цільових програм розширення для підвищення ефективності зрошення в районах з низькою продуктивністю.

Найкращі практики вибору підходу до моніторингу ЕТ

Вибір правильної комбінації супутникових даних, моделі ET та стратегії валідації залежить від конкретного питання, на яке потрібно відповісти, доступних ресурсів та прийнятного рівня невизначеності.

1. Спочатку визначте просторову та часову шкалу. Щомісячний облік води в масштабі басейну вимагає іншого інструменту, ніж щоденне планування зрошення в масштабі поля. Перш ніж вибирати будь-яку модель, узгодьте роздільну здатність та частоту повторних відвідувань супутникової платформи з потребами управління.

2. Зіставте модель з типом ландшафту. Моделі енергетичного балансу, такі як SEBAL та METRIC, найкраще працюють у напівпосушливих ландшафтах з переважанням сільськогосподарських культур та ясним небом. Моделі на основі індексу рослинності краще працюють у регіонах з обмеженою доступністю теплових даних. Моделі машинного навчання найкраще працюють, коли доступні великі, локально перевірені навчальні набори даних.

3. Завжди перевіряйте локально. Навіть найточніший глобальний продукт ЕТ повинен бути перевірений принаймні на одному локальному наборі даних вежі потоку або лізиметра перед експлуатаційним розгортанням. Показники ефективності з опублікованих досліджень рідко точно переносяться на нові місця та типи культур.

4. Враховуйте прогалини в хмарності. У вологих або тропічних регіонах плануйте об'єднання даних або стратегії заповнення прогалин з самого початку. Покладання на один тепловий супутник з 16-денним циклом повторного відвідування призведе до неприйнятних прогалин у даних протягом критичних періодів росту сільськогосподарських культур.

5. Використовуйте відкриті платформи, де це можливо. Google Earth Engine, OpenET та WaPOR надають безкоштовний доступ до перевірених, добре задокументованих продуктів ET. Створення власної моделі ET з нуля рідко виправдане, якщо цього не вимагають унікальні місцеві умови.

6. Інтегруйте дані ET з існуючими системами управління фермерським господарством. Дані ET є найбільш цінними, коли вони безпосередньо надходять до програмного забезпечення для планування зрошення, інструментів підтримки рішень або баз даних обліку води, а не існують як окремий супутниковий вихідний сигнал.

Висновок

Моніторинг евапотранспірації за допомогою дистанційного зондування перетворився з експериментальної дослідницької дисципліни на критично важливий операційний інструмент для управління водними ресурсами в сільському господарстві. Поєднання дедалі точніших супутникових ЕТ-продуктів, платформ відкритого доступу, таких як OpenET та WaPOR, та об'єднання даних на основі штучного інтелекту усуває бар'єри, які колись обмежували супутниковий ЕТ-моніторинг добре фінансованими дослідницькими установами.

Поточні можливості є значними: моделі енергетичного балансу, перевірені у 30 або більше країнах, супутникові продукти ET, що досягають сезонної точності, кращої за 90%, для основних однорічних культур, та хмарні платформи, які надають дані ET у польових масштабах будь-якому фермеру чи керівнику водних ресурсів з підключенням до Інтернету. Ці можливості вже використовуються для управління дотриманням вимог зрошення на річці Колорадо, для моніторингу виснаження підземних вод у водоносному горизонті Високих рівнин та для підвищення продуктивності сільськогосподарських вод по всій Африці через систему FAO WaPOR.

Рис годує понад 3,5 мільярда людей у світі, проте менше ніж 60% рисообробних районів мають точні, актуальні карти вирощування, згідно з оновленням глобального рисового атласу Міжнародного інституту дослідження рису (IRRI) за 2024 рік. Картографування структури посівів рису та культурного типу за допомогою дистанційного зондування швидко усуває цю прогалину, надаючи просторово точні, часово узгоджені дані в масштабах, з якими не може зрівнятися жодне наземне дослідження.

Від визначення зрошуваних низовин з подвійним обробленням у дельті Меконгу у В'єтнамі до визначення богарних полів з односезонним обробленням у країнах Африки на південь від Сахари, супутникові та радіолокаційні системи тепер надають інформацію, необхідну фермерам, урядам та агентствам продовольчої безпеки для впевненого планування. Оскільки штучний інтелект та хмарні обчислення прискорюють обробку даних, очікується, що моніторинг рису майже в режимі реального часу стане світовим стандартом до 2027 року.

Чому рис важливий і чому його моніторинг складний

1. Виробництво рису та рівняння глобальної продовольчої безпеки

Рис є основним продуктом харчування для більш ніж половини населення світу, і його значення виходить далеко за рамки індивідуального харчування. Світове виробництво рису досягло приблизно 520 мільйонів метричних тонн шліфованого рису у 2024 році, згідно з даними ФАО, причому на Азію припадає майже 901 TP3T цього виробництва.

Будь-яке значне переривання поставок рису, чи то через посуху, повінь, спалах шкідників чи провал політики, викликає швидкі цінові шоки на продукти харчування, які непропорційно впливають на найбідніші домогосподарства світу.

Підтримка продовольчої безпеки в такому масштабі вимагає більше, ніж просто вирощування достатньої кількості рису. Потрібно точно знати, де вирощується рис, скільки разів на рік обробляється кожне поле та які сільськогосподарські методи використовуються. Урядам потрібні ці дані для розподілу іригаційної інфраструктури, субсидування ресурсів та створення резервів на випадок надзвичайних ситуацій.

Проблема полягає в тому, що рис вирощується в надзвичайно фрагментованих ландшафтах, починаючи від терасованих схилів пагорбів на Філіппінах і закінчуючи величезними зрошуваними рівнинами в Китаї, що робить традиційні польові обстеження логістично та фінансово недоцільними на національному чи регіональному рівнях.

2. Необхідність систематичного моніторингу структури посівів рису

Структура вирощування рису, тобто кількість сезонів вирощування рису на рік та те, як він розподіляється по ландшафту, постійно змінюється. Мінливість клімату скорочує періоди вирощування в одних регіонах, а в інших — розширює. Економічні сигнали спонукають фермерів від одно- до дворазового вирощування, коли доступність води та ринкові ціни збігаються.

Без систематичного моніторингу планувальники працюють з даними перепису, які можуть бути застарілими на п'ять або більше років, що призводить до хронічного неправильного розподілу води, субсидій на добрива та сільських кредитів. Дистанційне зондування пропонує рішення цієї прогалини в моніторингу, забезпечуючи послідовні, повторювані спостереження по всій країні протягом кількох днів.

Замість того, щоб покладатися на самозвіти фермерів чи опитування лічильників, супутникові системи безпосередньо спостерігають за ландшафтом, фіксуючи, як змінюються рисові поля внаслідок затоплення, пересадки, росту рослин та збору врожаю протягом кожного сезону року.

3. Що дистанційне зондування дає сільськогосподарському картографуванню

Дистанційне зондування — це наука про отримання інформації про об'єкти або ділянки на відстані, зазвичай за допомогою датчиків, встановлених на супутниках, літаках або безпілотних літальних апаратах (БПЛА). У сільськогосподарському контексті датчики вимірюють енергію, відбиту або випромінювану сільськогосподарськими культурами, ґрунтом і водою на різних довжинах хвиль електромагнітного спектру.

Оскільки різні типи земного покриву по-різному відображають енергію на різних стадіях росту, супутникові знімки можуть відрізнити рисове поле від кукурудзяного, а також затоплену пересаджену рисову ділянку від сухої з прямим посівом, з точністю, яка зростає в міру вдосконалення сенсорних технологій. Картування схеми посіву рису та культурного типу за допомогою дистанційного зондування служить чотирьом взаємопов'язаним цілям.

• По-перше, він створює просторово чіткі інвентаризації місць вирощування рису в сезонних та річних часових масштабах.
• По-друге, він класифікує, скільки циклів вирощування культур відбувається на рік у кожній картографованій області, розрізняючи системи з одним, двома та трьома культурами.
• По-третє, воно визначає використані агротехнічні методи, такі як пересадка чи прямий посів на полі, контрольоване чи дощове зрошення.
• По-четверте, він генерує базові дані, які враховуються в прогнозуванні виробництва, бюджетуванні водних ресурсів, плануванні адаптації до зміни клімату та системах точного землеробства.

Розуміння систем вирощування рису та культурних типів

1. Що насправді означає схема вирощування рису

Схема вирощування рису описує часову домовленість про вирощування рису протягом календарного року в певному місці. Вона фіксує не лише те, чи вирощується рис, але й скільки разів, коли починається та закінчується кожен сезон, а також яка культура, якщо така є, йде після рису або передує йому на тому самому полі. Картування цих схем по регіону дає планувальникам динамічну картину інтенсивності землекористування та попиту на ресурси, яку ніколи не зможе надати один знімок.

2. Системи монокультурного вирощування рису

У системах з однією культурою (монокультурою) фермери вирощують один сезон рису на рік, зазвичай узгоджений із сезоном мусонних дощів або одним контрольованим циклом зрошення. Ці системи домінують у регіонах, де доступність води, робоча сила або клімат обмежують можливість другого сезону.

Системи з однією культурою, як правило, мають довші періоди вегетації за сезон, часто з традиційними або вдосконаленими сортами тривалого зберігання, і вони непропорційно сильно зрошуються богаром, що робить їх дуже чутливими до часу та розподілу опадів.

3. Системи подвійного посіву рису

Системи подвійного вирощування дають два врожаї рису на рік з одного поля. Вони найпоширеніші в Південно-Східній та Південній Азії, включаючи дельту Червоної річки у В'єтнамі, заплави Бангладеш та зрошувані райони Пенджабу в Індії.

Часовий проміжок між двома сезонами невеликий, часто менше 30 днів, тому для виявлення зон подвійного посіву за супутниковими даними потрібні щільні спостереження часових рядів, щоб виявити два повні фенологічні цикли протягом одного року.

4. Системи вирощування рису з трьома врожаями

Потрійне вирощування культур, з трьома врожаями рису на рік, практикується в обмежених районах, де як доступність води, так і температура залишаються сприятливими цілий рік. Дельта Меконгу на півдні В'єтнаму та частини провінції Гуандун на півдні Китаю підтримують системи потрійного вирощування культур.

Хоча трикультурні системи максимізують інтенсивність землекористування, вони створюють значні проблеми з родючістю ґрунту та боротьбою зі шкідниками. Дистанційна ідентифікація цих полів є технічно складною, оскільки короткі періоди парування між культурами стискають фенологічні сигнали у вузькі вікна.

5. Вирощування рису на богарних землях

За даними Міжнародного науково-дослідного інституту рису (IRRI), рис, вирощений виключно на опадах без штучного водопостачання, займає приблизно 451 TP3T від загальної площі рисових культур у світі. Це домінуюча система в Африці на південь від Сахари, високогірних районах Південної та Південно-Східної Азії та заплавах, що залежать від дощу.

Богарні системи дуже вразливі до мінливості кількості опадів, що призводить до коливань врожайності на 30-501 TP3T між вологими та сухими роками в деяких регіонах. З точки зору дистанційного зондування, богарний рис важче картографувати, оскільки сигнал затоплення слабший і більш нерівномірний, ніж на зрошуваних полях з керованими методами.

6. Зрошуване вирощування рису

Зрошувані рисові системи отримують воду через канали, насоси або керовані резервуари, що дозволяє фермерам контролювати терміни посадки та збору врожаю зі значною точністю. Зрошуваний рис наразі займає лише близько 551 TP3T світової площі рисових плантацій, але вносить 751 TP3T у загальний обсяг виробництва рису, що відображає перевагу врожайності завдяки водній безпеці.

Навмисне затоплення зрошуваних полів створює сильну та стабільну радіолокаційну сигнатуру зворотного розсіювання, яку супутникові датчики надійно виявляють, що робить зрошуваний рис одним із найточніше картографованих видів сільськогосподарських культур у світі.

7. Рисові системи на високогір'ях та низовинах

Рис, вирощений на високогір'ях, вирощується на незатоплюваних, добре дренованих ґрунтах, часто на схилах пагорбів або терасах в Азії та Африці. Оскільки ці поля ніколи навмисно не затоплюються, їм бракує водного сигналу, який дозволяє ідентифікувати рис на низовинах за допомогою радара, що змушує дослідників покладатися лише на спектральні структури рослинності.

Натомість, низинний рис вирощують на рівнинних або неглибоко затоплених полях, де вода накопичується природним шляхом або завдяки зрошенню. Низовинні системи домінують у рисових котловинах Азії та є основною метою більшості масштабних картографічних зусиль.

Морфологічний контраст між високогірними та низинними полями, включаючи форму поля, топографічне положення та структуру пологу, надає додаткові просторові підказки, які може ефективно використовувати об'єктно-орієнтований аналіз зображень.

8. Рис прямим посівом проти рису з пересадкою

Пересаджений рис передбачає вирощування розсади в розсаднику протягом 25-30 днів, а потім ручне або механічне переміщення її на основне поле. Рис прямого посіву, навпаки, передбачає розкидання або висів насіння безпосередньо в підготовлене поле без стадії розсадника.

Ці два методи дають помітно різні часові сигнатури в супутникових даних: поля з пересадкою демонструють різке, синхронізоване озеленення приблизно через три тижні після затоплення, тоді як поля з прямим посівом демонструють більш поступовий розвиток пологу з дня посіву. Цю фенологічну різницю, ледь помітну, але реальну, можна виявити за допомогою ретельного аналізу часових рядів вегетаційних індексів.

Інструменти та технології дистанційного зондування для картографування рису

1. Фізичний принцип дистанційного зондування

Кожна рослина відбиває, поглинає та пропускає сонячне випромінювання за моделями, що визначаються біохімією її листя, структурою крони та вмістом води. Зелене листя сильно поглинає червоне світло для фотосинтезу, відбиваючи водночас значну частину енергії ближнього інфрачервоного (БІЧ) діапазону. Затоплені ґрунти, навпаки, поглинають майже все вхідне випромінювання.

Ці контрастні реакції створюють передбачувані спектральні сигнатури, які датчики на супутниках можуть реєструвати з однаковим синхронізацією, що дозволяє аналітикам відстежувати стан культури, стадію росту та рішення щодо управління на рівні поля, навіть не відвідуючи поле.

2. Оптичне дистанційне зондування

Оптичні датчики виявляють відбите сонячне випромінювання, створюючи зображення, які дуже нагадують те, що побачить людське око, якщо розширити їх на інфрачервоні довжини хвиль. Три оптичні платформи домінують у дослідженнях картографування рису.

Лендсат (серія супутників, що експлуатуються NASA та USGS з 1972 року) забезпечує зображення з просторовою роздільною здатністю 30 метрів та 16-денним циклом повторного перегляду. Його тривалий часовий архів робить його незамінним для дослідження змін рисових площ протягом десятиліть. Однак 16-денне повторення означає, що деякі фенологічні події протягом короткого вегетаційного періоду можуть бути пропущені між спостереженнями.

Страж-2 (керується Європейським космічним агентством, запущений у 2015 та 2017 роках як подвійне супутникове узорання) покращує Landsat, маючи роздільну здатність 10-20 метрів та 5-денний цикл повторного відвідування екватора. Ці два вдосконалення разом дозволяють точніше розмежувати поля та краще проводити фенологічний відбір проб, а найновіші дослідження високоточних картографічних досліджень рису, включаючи ті, що опубліковані в ISPRS Journal of Photogrammetry and Remote Sensing у 2024 році, використовують Sentinel-2 як основне джерело оптичних даних.

МОДІС (Спектрорадіометр середньої роздільної здатності), встановлений на борту супутників NASA Terra та Aqua, забезпечує роздільну здатність 250-500 метрів з можливістю щоденного повторного огляду. Хоча MODIS занадто грубий для картографування окремих полів, він залишається цінним для оцінки інтенсивності сільськогосподарських культур у національному та континентальному масштабах, де висока просторова роздільна здатність менш критична, ніж часова щільність.

3. Радіолокаційне дистанційне зондування

Радар із синтезованою апертурою (SAR) — це технологія на основі радара, яка передає мікрохвильові імпульси до поверхні Землі та вимірює енергію, розсіяну назад до датчика. На відміну від оптичних датчиків, SAR працює незалежно від хмарності та сонячного освітлення, тобто він отримує дані однаково добре як у хмарну мусонну ніч, так і в ясний день сухого сезону.

Ця властивість є критично важливою для картографування рису в тропічній Азії, де оптичні сенсори регулярно втрачають тижні вегетаційного періоду через хмарні перешкоди.

Страж-1 (ЄКА) передає мікрохвильову енергію C-діапазону (довжина хвилі приблизно 5,6 см) та надає безкоштовні глобальні дані SAR з роздільною здатністю 10 метрів з циклом повторення 6-12 днів. Рисові поля взаємодіють із сигналами SAR особливим чином:

• Затоплені поля діють як майже ідеальне дзеркало, відбиваючи більшу частину радіолокаційної енергії від датчика (що призводить до низьких значень зворотного розсіювання), тоді як
• Зростаючий рисовий полог все більше розсіює енергію назад до датчика, оскільки щільність рослин і площа листя збільшуються.

Ця траєкторія зворотного розсіювання з часом, низька під час затоплення та пересадки, зростаюча протягом вегетаційних стадій та знову знижуюча після колосіння, формує радіолокаційну фенологічну сигнатуру, унікальну для рису.

Нгуєн та ін. (Дистанційне зондування навколишнього середовища, 2023) виявили, що класифікація часових рядів Sentinel-1 SAR досягла Загальна точність 92.3% у картографуванні сезонів вирощування рису в трьох провінціях дельти річки Меконг у В'єтнамі, включаючи райони з потрійним посівом, де оптичні дані були недоступні протягом понад 60% вегетаційного періоду через хмарність.

У тропічних регіонах вирощування рису методи на основі SAR є не просто альтернативою оптичному зондуванню, вони часто є єдиним надійним варіантом для сезонного картографування протягом мусонних місяців.

4. Інтеграція даних з кількох датчиків

Жоден окремий датчик не пропонує ідеального поєднання просторової деталізації, часової щільності та проникнення хмар. Тому найточніші системи картографування рису інтегрують кілька типів датчиків в єдину аналітичну структуру.

Спільна архітектура поєднує SAR Sentinel-1 для безхмарного часового відстеження з оптичними даними Sentinel-2 для спектрального насичення в ясні періоди та використовує MODIS як орієнтир грубої роздільної здатності для виявлення фенологічних закономірностей у регіональному масштабі.

Коли ці потоки даних алгоритмічно об'єднуються, об'єднаний набір даних може розпізнавати межі культур, визначати дати пересадки та призначати класифікації типів культур з рівнем впевненості, якого жоден окремий датчик не може досягти самостійно.

Визначення моделей вирощування рису за супутниковими даними

1. Тимчасові ознаки стадій росту рису

Рис проходить чітко визначену послідовність стадій росту: підготовка ґрунту та заливання, пересадка або посів, кущіння (розвиток кількох стебел з однієї рослини), утворення волоті, колосіння (поява квіткової головки, що дає зерно) та збір урожай.

Кожен етап призводить до вимірюваної зміни оптичних та радіолокаційних характеристик поля. Аналітики використовують ці специфічні для кожного етапу сигнатури, отримані у вигляді часових рядів спектральних індексів або зворотного розсіювання SAR, для реконструкції того, що сталося на кожному полі та коли, без будь-яких попередніх знань від фермера.

2. Картування рису на основі фенології

Картування на основі фенології (використання часу біологічних подій для класифікації сільськогосподарських культур) є домінуючим підходом до виявлення рису на великих площах. Метод працює шляхом підбору математичних кривих до даних часових рядів, а потім визначення полів, де часова закономірність відповідає характерній кривій росту рису. Ключові дати подій, отримані в результаті цього процесу підбору, включають

• початок вегетаційного періоду (зазвичай визначається різким збільшенням значень вегетаційного індексу після повені),
• пік вегетаційного періоду (максимальний індекс листової поверхні), та
• кінець сезону (стрімке зниження врожаю).

Кількість таких циклів, виявлених протягом календарного року, безпосередньо визначає, чи класифікується поле як таке, що обробляється одинарно, подвійно чи потрійно.

3. Оцінка інтенсивності посівів

Інтенсивність посівів, тобто кількість сільськогосподарських сезонів, що завершуються на рік на одиниці землі, є одним із найважливіших для політики результатів картографування структури посівів рису. Простий, але потужний підхід обчислює кількість разів, коли рисоподібний спектральний пік або пік зворотного розсіювання виникає в річному часовому ряді пікселя.

У поєднанні з просторовими фільтрами для видалення хибних виявлень, спричинених водно-болотними угіддями, водоймами або сезонними повенями, ці циклічні підрахунки створюють карти рису з одним, двома та трьома врожаями, які можна перевірити за даними польових досліджень та регіональної статистики.

4. Картографування сезонного та річного розподілу рису

Сезонні карти (одна карта на вегетаційний період на рік) фіксують не лише де вирощується рис, але й коли він росте в кожному місці. Щорічні стеки сезонних карт потім розкривають повний календар вирощування врожаю регіону, включаючи просторовий розподіл раннього та пізнього рису, що має прямі наслідки для графіків водопостачання, управління тиском шкідників та логістики збору врожаю.

5. Виявлення сівозмін, пов'язаних з рисом

У багатьох азійських рисових системах фермери чергують рис з пшеницею, овочами, бобовими або періодами парування в межах одного поля протягом послідовних сезонів. Дистанційне зондування виявляє ці сівозміни, аналізуючи повний річний часовий ряд, а не будь-який окремий сезон окремо.

Поле, класифіковане як рисове у вологий сезон, але як пшеничне у сухий сезон, демонструє чітку двопікову часову закономірність у даних індексу вегетації, причому спектральні характеристики кожного піку визначають відповідний тип культури. Картування цих сівозмін має значення для оцінки стану ґрунту, моделювання попиту на зрошення та програм диверсифікації доходів.

Як GeoPard забезпечує картографування моделей вирощування рису

Картування характеру посівів рису вимагає безперервного спостереження з багатьох джерел протягом усього вегетаційного періоду, і саме це забезпечує GeoPard. Об'єднуючи зображення Landsat-8, Sentinel-2 та Planet в єдину платформу, GeoPard моніторить поля через день з роздільною здатністю до 3 метрів, гарантуючи, що критичні події з рисом, такі як затоплення перед пересадкою, позеленіння розсади та збір врожаю, ніколи не будуть пропущені через прогалини в хмарності.

Багатосенсорне поєднання платформи продемонструвало покращення точності 4% порівняно з односенсорними підходами, що безпосередньо загострює розмежування між системами вирощування рису з однією, двома та трьома культурами.

Для ідентифікації культурного типу набір індексів рослинності GeoPard, включаючи NDWI для виявлення поверхневих повеней, EVI2 для визначення часу біомаси пологу та LAI для визначення щільності пологу, фіксує спектральну біографію, яка відрізняє зрошуваний пересаджений рис від систем богарного або прямого посіву.

У хмарні мусонні дні, коли оптичне зображення повністю не працює, інтегрований рівень радіолокаційних даних GeoPard забезпечує безперебійне відстеження рослинності, зчитуючи зворотне розсіювання SAR, яке є остаточною ознакою затопленого рисового поля під час пересадки.

Інструмент «Порівняння шарів» дозволяє агрономам розміщувати поруч до чотирьох синхронізованих шарів даних, що спрощує розділення типів рисових культур шляхом порівняння сигналів повені NDWI з багаторічними тенденціями вегетації та картами продуктивності ґрунту.

Спираючись на понад 30 років супутникових знімків, платформа показує довгострокові моделі інтенсивності посівів на рівні поля. Ці дані потім безпосередньо враховуються на картах внесення змінних норм добрив, насіння та захисту рослин, перетворюючи карти типів культур рису на конкретні рекомендації щодо управління на рівні поля.

Картування типів рисових культур за допомогою дистанційного зондування

1. Спектральні характеристики різних культурних практик

Культурний тип, специфічне поєднання методів управління, що застосовуються до рисового поля, формує часову еволюцію спектральної сигнатури цього поля. Наприклад, пересаджений рис, затоплений водою, починає сезон з оптичної реакції, в якій домінує вода (низький коефіцієнт відбиття у всіх видимих діапазонах), після чого відбувається різка зміна, коли формується розсадний полог.

Рис, посіяний прямим посівом у незатоплене насіннєве ложе, демонструє більш поступове збільшення сигналу вегетації з початку проростання, без початкового періоду затоплення, який легко виявляють оптичні та SAR-сенсори.

2. Розрізнення зрошуваного та богарного рису

Зрошувані та богарні рисові поля відрізняються двома помітними ознаками: часом та регулярністю повеней, а також послідовністю їхньої сезонної фенології. Зрошувані поля, як правило, затоплюються за графіком, демонструють меншу щорічну мінливість у датах пересадки та підтримують постійну густоту пологу завдяки контрольованому управлінню водними ресурсами.

Богарні поля демонструють більшу часову мінливість між роками, можуть відчувати водний стрес у середині сезону, що виявляється як аномальні зниження значень вегетаційного індексу, а іноді не завершують повний вегетаційний період у посушливі роки.

Багаторічний аналіз часових рядів фіксує цю структуру мінливості, дозволяючи алгоритмам класифікації відокремлювати зрошувані та богарні райони з точністю, яка зазвичай перевищує 85% у добре каліброваних системах.

3. Картування пересадженого та прямого посіву рису

Найнадійнішим показником для розрізнення пересадженого рису від рису прямого посіву в даних SAR є час і тривалість початкового періоду затоплення з низьким зворотним розсіюванням.

Пересаджені рисові поля затоплюються на 2-4 тижні перед пересадкою розсади, створюючи розширене вікно затемнення на початку сезону.

Поля з прямим посівом або не мають вікна затоплення (сухий посів), або мають дуже короткий період затоплення (мокрий посів), а наростання зворотного розсіювання відбувається раніше відносно дати сівби та структурно відрізняється за своїм нахилом. Ці часові характеристики можна витягти автоматично за допомогою алгоритмів, що застосовуються до щільних часових рядів SAR.

4. Виявлення управлінських практик за допомогою дистанційного зондування

Окрім методу пересадки та водного режиму, дистанційне зондування може виявляти певні методи управління водними ресурсами, такі як чергування зволоження та сушіння (AWD) – метод, який використовується для зменшення викидів метану та споживання води шляхом періодичного осушення рисових полів.

Поля AWD демонструють коливальні картини зворотного розсіювання SAR протягом вегетаційного періоду, що відображає повторювані цикли повені-стоку, тоді як безперервно затоплені поля демонструють більш стабільну траєкторію зворотного розсіювання. Ця можливість особливо цінна для моніторингу впровадження кліматично розумних практик вирощування рису в національних інвентаризаціях парникових газів.

5. Показники управління водними ресурсами на рисових полях

Виявлення поверхні води за допомогою SAR є високочутливим і здатним ідентифікувати водозбір на глибині кількох сантиметрів під пологом рису. Ця чутливість дозволяє аналітикам картографувати стан затоплення полів у ключові моменти вегетаційного періоду, що допомагає приймати рішення щодо планування зрошення та ранньої оцінки збитків від повені.

Коли карти водної поверхні з кількох дат об'єднуються в часовому діапазоні, вони дають динамічну сигнатуру управління водними ресурсами для кожного поля, яка служить цінним вхідним даним для моделей класифікації культурних типів.

Методи та методики: від індексів до глибокого навчання

1. Індекси рослинності для моніторингу рису

Індекси рослинності – це математичні комбінації значень відбиття на різних довжинах хвиль, призначені для посилення сигналу біомаси та здоров'я рослин, одночасно зменшуючи шум від фону ґрунту, атмосферних впливів та геометрії освітлення. Три індекси є центральними для роботи з картографування рису.

i. NDVI (Нормалізований індекс різниці рослинності) розраховується як (ближній інфрачервоний випромінювання – червоний) / (ближній інфрачервоний випромінювання + червоний) і є найширше використовуваним показником у моніторингу рису. Він відстежує зеленість крони від моменту утворення розсади до старіння, причому значення зазвичай зростають від майже нуля під час розсадження до 0,6-0,8 на піку вегетативного росту.

ii. ІРВ (Покращений індекс рослинності) ефективніше, ніж NDVI, коригує вплив атмосферних аерозолів та фоновий шум ґрунту, що робить його кращим у середовищах з високим аерозольним навантаженням, наприклад, під час сезонів спалювання біомаси, поширених у тропічній Азії.

iii. Індекс поверхневих вод суші (LSWI) включає короткохвильове інфрачервоне відбиття для виявлення вмісту води як у полозі рослин, так і на поверхні ґрунту, що робить його дуже чутливим до повеней, що характеризують вирощування рису в низовинах, і забезпечує надійний сигнал для виявлення початку вегетаційного періоду.

2. Аналіз часових рядів

Один супутниковий знімок фіксує стан рисового поля в певний момент часу, але історія рисового поля пишеться в послідовності цих моментів. Аналіз часових рядів об'єднує багато спостережень, зазвичай одне зображення кожні 5-16 днів протягом цілого року, та витягує часові показники, такі як дата початку сезону, піковий NDVI, швидкість позеленіння та дата збору врожаю.

Ці показники разом описують повну фенологічну поведінку поля та є набагато більш діагностичними для ідентифікації типу культури, ніж будь-яке спостереження за одну дату. Статистичні методи, включаючи гармонічну регресію та динамічне викривлення часу (DTW), зазвичай використовуються для узгодження та порівняння даних часових рядів за різні роки та регіони.

3. Машинне навчання для класифікації рису

Машинне навчання змінило масштаб і точність картографування посівів рису, автоматизувавши ідентифікацію складних, нелінійних зв'язків між спектрально-часовими даними та польовими умовами.

i. Випадковий ліс (RF) – це ансамблевий метод, який будує сотні незалежних дерев рішень, кожне з яких навчається на випадковій підмножині ознак, та агрегує їхні голоси для остаточної класифікації. Він стійкий до шумних навчальних даних, ефективно обробляє багатовимірні простори ознак та надає змінні оцінки важливості, які допомагають аналітикам зрозуміти, які часові або спектральні ознаки впливають на рішення щодо класифікації.

ii. Метод опорних векторів (SVM) знаходить оптимальну розділову межу між класами у багатовимірному просторі ознак. SVM добре працює, коли навчальні дані обмежені, що робить його корисним у регіонах з дефіцитом даних, де збір базових даних є дорогим.

iii. Глибоке навчання, зокрема згорткові нейронні мережі (ЗНМ) та рекурентні нейронні мережі (РНМ), такі як архітектури довгої короткочасної пам'яті (LSTM), можуть одночасно вивчати як просторові шаблони в окремих зображеннях, так і часові шаблони в послідовностях зображень. Класифікатори на основі LSTM, що застосовуються до часових рядів супутників, досягли найсучаснішої точності в завданнях картографування рису, причому кілька досліджень повідомляють про загальну точність вище 90% у регіональних масштабах.

Сяо та ін. (Міжнародний журнал прикладного спостереження за Землею та геоінформації, 2025) продемонстрували, що модель глибокого навчання LSTM, навчена на об'єднаних даних часових рядів Sentinel-1 та Sentinel-2, відобразила типи культур рису в трьох країнах Південної Азії з загальна точність 91,7% та коефіцієнт каппа 0,89, що перевершує Випадковий ліс на 6,4 відсоткових пункти за тих самих умов навчальних даних.

Для картографування типів культур рису на великих площах, де можливий збір навчальних даних, класифікатори глибокого навчання на основі LSTM зараз є еталонним методом і повинні бути вибором за замовчуванням для нових національних програм картографування.

4. Об'єктно-орієнтований аналіз зображень (OBIA)

Об'єктно-орієнтований аналіз зображень (OBIA) працює шляхом групування сусідніх пікселів з подібними спектральними та просторовими характеристиками в об'єкти (сегменти) перед їх класифікацією, а не класифікує кожен піксель окремо.

У картографуванні рису OBIA цінний, оскільки може враховувати форму, текстуру та контекст у класифікації, відрізняючи рисове поле від водойми подібного кольору на основі правильної прямокутної геометрії поля.

OBIA особливо ефективний при дуже високій просторовій роздільній здатності, такій як дані з комерційних супутників з роздільною здатністю 1-5 метрів або зображення з БПЛА.

5. Методи виявлення змін

Виявлення змін визначає ділянки, де землекористування змінилося між двома або більше датами. У моніторингу рисових систем виявлення змін служить двом цілям: відстежує щорічне розширення або скорочення рисових посівних площ у відповідь на кліматичні або економічні чинники та виявляє зміни в середині сезону, такі як неврожаї, занепад або неочікувані повені.

Виявлення двочасових змін (порівняння двох дат безпосередньо) є простим, але вразливим до фенологічних відмінностей між роками. Виявлення багаточасових змін у повних річних сумах є більш надійним і може відокремити справжні зміни землекористування від сезонних фенологічних варіацій.

Оцінка та перевірка точності

1. Збір достовірних даних

Кожен продукт картографування рису потребує перевірки на відповідність незалежно зібраним польовим спостереженням. Дані наземного аналізу зазвичай включають польові виїзди з прив'язкою до GPS, де навчені лічильники фіксують тип культури, стадію росту, стан управління водними ресурсами та метод встановлення на статистично репрезентативній вибірці місць. Ці спостереження збираються так, щоб вони збігалися за часом із супутниковими даними, і вони виключаються з навчання моделі та використовуються виключно для оцінки точності.

2. Показники точності класифікації

Для застосувань, специфічних для рису, F1-оцінка, яка врівноважує точність виробника та користувача для кожного класу, все частіше використовується разом з Каппою як більш інформативний одночисловий показник продуктивності. Стандартні показники для оцінки точності карти включають

• загальна точність (відсоток усіх точок перевірки, правильно класифікованих),
• точність виробника (ймовірність того, що поле заданого класу істинності правильно відображається, аналогічно відтворенню),
• точність користувача (ймовірність того, що поле, що відображається в заданому класі, насправді є цим класом, аналогічно точності), та
• коефіцієнт Каппа (міра узгодженості, скоригована на випадкову узгодженість, де значення вище 0,80 вказують на сильну узгодженість).

3. Перевірка карт культурних типів та схем вирощування рослин

Для перевірки карт схем сільськогосподарських культур потрібні багаточасові наземні дані, а також польові виїзди в кілька точок протягом календаря сільськогосподарських культур для підтвердження того, скільки сезонів фактично збиралося врожаю на рік на кожній ділянці перевірки.

Валідація культурного типу, яка розрізняє пересаджені від прямих посівів або зрошувані від богарних, є більш вимогливою, оскільки ці відмінності не завжди візуально очевидні в польових умовах і вимагають інтерв'ю з фермерами або безпосереднього спостереження за господарськими подіями протягом чутливих періодів вегетації.

Національна сільськогосподарська статистика, хоча часто агрегується на рівні провінції чи району, забезпечує додатковий рівень перевірки оцінок площі, дозволяючи звіряти загальні дані на карті з офіційними даними.

Застосування в усій сільськогосподарській системі

1. Планування та розробка сільськогосподарської політики

Карти схем посівів рису, отримані за допомогою дистанційного зондування, надають міністерствам сільського господарства просторову роздільну здатність, необхідну для розробки цілеспрямованих заходів. Регіони, визначені як однокультурні богарні, можуть бути пріоритетними для розвитку дрібномасштабного зрошення; райони з трьома культурами та зниженням врожайності можуть бути досліджені на предмет деградації ґрунту або виснаження ґрунтових вод.

2. Оцінка виробництва рису

Поєднання карт рисових площ, отриманих за допомогою дистанційного зондування, з моделями оцінки врожайності, такими як моделювання росту сільськогосподарських культур на основі метеорологічних даних, дозволяє створювати прогнози виробництва на субнаціональному та національному рівнях за тижні або місяці до збору врожаю.

Інформаційна панель продовольчої безпеки Азійського банку розвитку та Глобальна система інформації та раннього попередження (GIEWS) ФАО використовують дані про площі рисових посівів, отримані зі супутників, для створення оцінок виробництва до збору врожаю з продемонстрованим підвищенням точності порівняно з підходами на основі опитувань.

3. Управління водними ресурсами

Зрошуваний рис є найбільшим споживачем прісної води в Азії, на його частку припадає приблизно 401 TP3T від загального обсягу забору сільськогосподарської води в таких країнах, як Індія та Бангладеш.

Найціннішим результатом супутникового картографування рису є не сама карта, а рішення, яке вона дозволяє прийняти: будувати канал, закривати свердловину чи перенаправляти субсидію.

Точне знання того, де вирощується зрошуваний рис, скільки сезонів його зрошують та які поля використовують ефективні методи управління водними ресурсами, такі як AWD, безпосередньо допомагає планувати річкові басейни, складати графіки роботи водосховищ та оцінювати стійкість підземних вод.

4. Моніторинг продовольчої безпеки

Системи раннього попередження про відсутність продовольчої безпеки залежать від швидкого виявлення неврожаїв. Коли рисові площі не завершують повний цикл вирощування, супутниковий моніторинг виявляє аномалію як відсутній або усічений фенологічний пік у межах очікуваного сезонного вікна. Мережа систем раннього попередження про голод (FEWS NET), що підтримується USAID, використовує супутникові дані про рослинність, включаючи моніторинг, пов'язаний з рисом, для генерування сповіщень про продовольчу безпеку в Азії та Африці.

5. Оцінка впливу зміни клімату

Довгострокові архіви карт посівів рису, що охоплюють 20 або більше років даних Landsat, показують, як змінювалися площі вирощування рису, сезони та врожайність у відповідь на зміну температури та режимів опадів. Ці карти історичних трендів надають емпіричні докази впливу зміни клімату на рисові системи та слугують вхідними даними для прогнозування майбутніх сільськогосподарських ризиків за різних сценаріїв потепління.

7. Застосування точного землеробства

У масштабі фермерського господарства картографування типів культури рису, отримане за допомогою БПЛА, у поєднанні з даними про ґрунт та воду на рівні поля підтримує прийняття точних управлінських рішень, таких як внесення добрив зі змінною нормою, виявлення шкідників на конкретних ділянках та оптимізоване планування дат посіву. Ці програми зараз швидко розвиваються в Японії, Південній Кореї та деяких частинах Китаю, де вирощування рису є високомеханізованим, а інфраструктура даних доступна для зв'язку результатів дистанційного зондування із системами управління фермерським господарством.

Проблеми та обмеження, що обмежують картографування рису

1. Хмарність та доступність даних

Стійка хмарність під час сезону мусонів, коли вирощується значна частина рису в Азії, суттєво обмежує кількість доступних оптичних спостережень. У деяких місцях забруднення хмарами зменшує доступні спостереження Sentinel-2 протягом критичного періоду пересадки та ранньої вегетації до менш ніж двох на місяць. Дані SAR пом'якшують, але не усувають цю проблему, оскільки сильні опади можуть тимчасово перенасичувати радіолокаційний сигнал.

2. Змішані пікселі та малі розміри поля

У регіонах, де рисові поля менші за просторову роздільну здатність сенсора, один піксель фіксує суміш рисового та нерисового земного покриву, що робить класифікацію неоднозначною. Високогірні рисові системи в горбистій місцевості та рисові поля садового масштабу в деяких частинах Індонезії та Філіппін регулярно створюють змішані пікселі навіть за 10-метрової роздільної здатності Sentinel-2, що обмежує використання піксельних методів у цих середовищах.

3. Спектральна та часова схожість між видами сільськогосподарських культур

Деякі культури, зокрема цукрова тростина, джут та певні луки, мають фенологічні криві, подібні до рису, у часових рядах NDVI або EVI, що призводить до плутанини в класифікації. Виявлення повеней на основі SAR зменшує цю плутанину для низинного рису, але високогірні рисові системи без затоплених полів залишаються важкими для розрізнення від спектрально подібних культур без додаткових польових даних або допоміжних географічних даних.

4. Обмеження часової роздільної здатності

Картування характеру посівів рису та культурного типу за допомогою дистанційного зондування вимагає щільної часової вибірки, в ідеалі принаймні одне спостереження кожні 8-10 днів протягом усього вегетаційного періоду. Коли хмарність або прогалини на орбіті супутників зменшують цю часову щільність, короткочасні сорти рису або швидкозмінні трициклічні сезони посівів можуть бути повністю пропущені автоматизованими алгоритмами виявлення.

5. Обмеження наземних даних

Високоякісні марковані навчальні дані, польові спостереження, зіставлені з відомими типами сільськогосподарських культур та методами управління, залишаються дорогими та логістично складними для збору в масштабах, необхідних для навчання та перевірки національних систем картографування. У багатьох країнах з низьким рівнем доходу, що виробляють рис, людські та фінансові можливості для систематичного збору наземних даних є найбільшим обмеженням для підвищення точності картографування.

Нові тенденції та майбутнє моніторингу рису

1. Моніторинг рису за допомогою БПЛА та дронів

Безпілотні літальні апарати (БПЛА), оснащені мультиспектральними та тепловими датчиками, тепер надають зображення окремих ферм із сантиметровою точністю, визначаючи межі полів, ряди посівів і навіть стан здоров'я окремих рослин. БПЛА функціонують як місток між картографуванням у супутниковому масштабі та спостереженням за окремими рослинами, забезпечуючи наземні дані надвисокої роздільної здатності, необхідні для навчання та перевірки супутникових моделей у фрагментованих ландшафтних умовах.

2. Штучний інтелект та глибоке навчання для класифікації рису

Згорткові нейронні мережі, застосовані до часових рядів супутникових знімків, у поєднанні з трансформаторними архітектурами, адаптованими з обробки природної мови, наразі досягають найвищої точності класифікації рису, коли-небудь зареєстрованої.

Структура PRISM (Система ідентифікації рисових культур на основі фенології з використанням багатоджерельних даних), опублікована дослідниками з Університету Вагенінгена у 2024 році, продемонструвала, що самостійне навчання на немаркованих супутникових архівах може попередньо навчити моделі класифікації рису, що вимагають лише мінімальних маркованих наземних даних для точного налаштування, що значно зменшує навантаження на польові дослідження.

3. Системи моніторингу рису майже в режимі реального часу

Оперативні системи моніторингу рису, що працюють майже в режимі реального часу, автоматично обробляють вхідні супутникові дані, оновлюють карти рису з інтервалом 10-16 днів і надсилають сповіщення про дати посадки, випадки дефіциту води та терміни збору врожаю безпосередньо на урядові інформаційні панелі або мобільні додатки, що використовуються фермерами та консультантами.

Департамент рису Таїланду та Міністерство сільського господарства В'єтнаму використовують прототипи таких систем, а Міжнародний науково-дослідний інститут рису підтримує розвиток аналогічного потенціалу в Бангладеш та Камбоджі.

4. Інтеграція супутникових даних та даних Інтернету речей

Датчики Інтернету речей (IoT), розміщені на рисових полях, вимірюють вологість ґрунту, рівень води, температуру та мікроклімат пологів, генеруючи безперервні спостереження на рівні землі, які доповнюють та калібрують дані дистанційного зондування супутників.

Коли мережі датчиків Інтернету речей та супутникові спостереження поєднуються в рамках об'єднання даних, отримана система моніторингу може виявляти водний стрес, початок повеней та тиск захворювань з більшою впевненістю та раніше, ніж будь-яке з джерел забезпечується окремо.

5. Цифрове сільське господарство та розумне фермерство

Поєднання супутникового картографування рису, зондування Інтернету речей та підтримки рішень на основі штучного інтелекту створює основи розумного рисоводства, де управлінські рішення, від термінів поливу до внесення добрив, приймаються на основі просторово чітких потоків даних майже в режимі реального часу, а не на основі календарних правил.

Пілотні програми в префектурі Ніїґата (Японія) та провінції Хейлунцзян (Китай) продемонстрували, що точне управління вирощуванням рису за допомогою дистанційного зондування може зменшити виробничі витрати на... 15-25% при збереженні або покращенні врожайності, згідно з попередніми звітами польових випробувань за 2024 рік.

Висновок

Картографування характеру посівів рису та культурного типу за допомогою дистанційного зондування перетворилося з академічної дослідницької дисципліни на операційний інструмент, що використовується урядами, міжнародними агентствами та агротехнологічними платформами по всій Азії та за її межами. Багатосенсорні підходи часових рядів, що поєднують оптичні та SAR-дані, оброблені за допомогою машинного та глибокого навчання класифікаторів, тепер регулярно надають карти рисових площ у національному масштабі із загальною точністю, що перевищує 85-90%. Ці карти визначають не лише де росте рис, але й скільки разів на рік, за якого водного режиму та за допомогою якого методу вирощування.

Перехід від простого картографування рисових районів до класифікації культурних типів перетворює продукт земного покриву на актив сільськогосподарської інформації. Знання того, що регіон протягом десятиліття перейшов від пересадженого до прямого посіву рису, сигналізує про зміни на ринку праці та виснаження рівня ґрунтових вод одночасно. Знання того, які богарні райони є найбільш вразливими до посух на початку сезону, ідентифіковані за їхніми часовими спектральними моделями, дозволяє заздалегідь реагувати на посуху, а не реактивно допомагати у разі стихійних лих. Дистанційне зондування робить цей рівень просторової інформації можливим за частку вартості еквівалентних програм наземного обстеження.

Картопля є однією з найважливіших продовольчих культур у світі, яка служить основним продуктом харчування для мільйонів людей. По-перше, знання того, як ростуть рослини картоплі, та здатність прогнозувати їхню врожайність допомагає фермерам ефективніше керувати зрошенням, удобренням та боротьбою зі шкідниками.

По-друге, переробники харчових продуктів та складські приміщення можуть краще планувати логістику та робочу силу, маючи надійні оцінки врожайності. Однак традиційні методи, такі як фізичне обходження полів та вимірювання рослин вручну, є трудомісткими та схильними до людських помилок.

Тому вчені звернулися до дистанційного зондування, яке використовує камери та датчики на супутниках, дронах або портативних пристроях, щоб швидше та точніше контролювати ріст картоплі та прогнозувати врожайність.

Розуміння прогнозів врожайності картоплі

Протягом останніх двох десятиліть інтерес до застосування дистанційного зондування в дослідженнях картоплі значно зріс. Фактично, систематичний огляд виявив 79 досліджень, опублікованих між 2000 і 2022 роками на цю тему, з 482 спочатку перевірених статей.

Щоб забезпечити прозорість та відтворюваність, автори дотримувалися встановлених рекомендацій (Kitchenham & Charters 2007; PRISMA framework), здійснюючи пошук у восьми основних базах даних — Google Scholar, ScienceDirect, Scopus, Web of Science, IEEE Xplore, MDPI, Taylor & Francis та SpringerLink — використовуючи такі терміни, як “прогнозування врожайності картоплі” ТА “дистанційне зондування”.”

Відповідно, було включено лише оригінальні дослідження англійською мовою, які використовували дані дистанційного зондування для моніторингу росту або оцінки врожайності. Крім того, дані з кожної вибраної статті були вилучені відповідно до чотирьох ключових питань:

• Яку зондувальну платформу було використано (супутникову, БПЛА чи наземну)?
• Які індекси рослинності або спектральні ознаки були оцінені?
• Які характеристики культури контролювалися (біомаса, площа листя, хлорофіл, азот)?
• Наскільки точно можна передбачити кінцевий урожай бульб (коефіцієнт детермінації, R²)?

Ці питання допомогли рецензентам окреслити сучасний стан справ та виявити прогалини, на яких можна зосередити майбутні дослідження.

Платформи дистанційного зондування та індекси рослинності

Дослідники використовували три основні типи платформ дистанційного зондування, кожна з яких має свої переваги та обмеження. По-перше, оптичні супутники, такі як Sentinel‑2 (просторова роздільна здатність 10 м, 5-денний повторний огляд) та Landsat 5–8 (30 м, 16-денний повторний огляд), пропонують широке покриття та часто безкоштовний доступ до даних.

По-друге, супутники, такі як MODIS/TERRA/Aqua (250–1000 м, щоденний або дводенний повторний огляд) та комерційні системи, такі як PlanetScope (3 м, щоденно, вартість близько $218 на 100 км²), дозволяють проводити частіший або з вищою роздільною здатністю моніторинг, хоча витрати можуть бути важливим фактором.

По-третє, безпілотні літальні апарати (БПЛА) з мультиспектральними або гіперспектральними камерами забезпечують дуже високу роздільну здатність (до кількох сантиметрів на піксель) і можуть використовуватися на вимогу, але вони охоплюють менші площі та потребують більшої логістики.

Зрештою, наземні датчики, такі як портативні вимірювачі NDVI та вимірювачі хлорофілу SPAD, забезпечують точкові вимірювання з високою точністю, хоча вони й займають багато часу при використанні на великих полях.

Індекси рослинності (ВІ) перетворюють необроблені значення відбивної здатності на змістовні оцінки характеристик рослин. Найпоширеніші індекси в дослідженнях картоплі включають:

• NDVI (Нормалізований індекс різниці рослинності): (БІР – червоний) / (БІР + червоний)
• GNDVI (зелений NDVI): (ближній інфрачервоний діапазон – зелений) / (ближній інфрачервоний діапазон + зелений)
• NDRE (Нормалізована різниця червоного краю): (БІЧ – червоний край) / (БІЧ + червоний край)
• OSAVI (Оптимізований індекс рослинності з урахуванням ґрунту): 1,16 × (ближній інфрачервоний діапазон – червоний) / (ближній інфрачервоний діапазон + червоний + 0,16)
• EVI (Покращений індекс рослинності), CIred‑edge (червоний край), CIgreen (зелений) та інші. .

Ці індекси обираються на основі їхньої чутливості до покриву пологу, вмісту хлорофілу та ґрунтового фону. Отже, вони слугують основою для оцінки здоров'я рослин та прогнозування врожайності.

Моніторинг росту картоплі та прогнозування врожайності

За допомогою дистанційного зондування дослідники відстежують ключові характеристики врожаю картоплі — надземну біомасу (AGB), індекс площі листя (LAI), вміст хлорофілу в полозі (CCC) та стан азоту в листках — а потім пов'язують ці показники з кінцевим урожаєм бульб.

По-перше, оцінка AGB (загальнодобувної гібридизації) лише за допомогою VI може бути складною, коли покрив пологу щільний, оскільки багато індексів насичуються; тому поєднання VI з висотою рослин або текстурними характеристиками в моделях машинного навчання часто підвищує точність.

По-друге, оцінка LAI — загальної площі листя з одного боку на ділянку землі — досягла значень R² до 0,84 за допомогою даних часових рядів як гіперспектральних БПЛА, так і супутникових мультиспектральних датчиків.

По-третє, оцінки CCC, отримані з таких індексів, як CIred‑edge, CIgreen, TCARI/OSAVI та TCARI + OSAVI, досягли R² ≈ 0,85 протягом вегетативної стадії, що вказує на сильну кореляцію з лабораторно виміряним хлорофілом.

Нарешті, стан азоту в листках, життєво важливий для здорового росту, був прогнозований з R² у діапазоні від 0,52 до 0,95 при використанні наземних датчиків плюс регресійні або випадкові лісові моделі.

Коли йдеться про прогнозування врожайності бульб, виділяються два основні підходи до моделювання:

Моделі емпіричної регресії: Тут один VI — найчастіше NDVI, GNDVI або NDRE — підганяється до еталонних даних врожайності. Зазначені значення R² для NDVI відносно врожайності коливаються від 0,23 до 0,84 (медіана ≈ 0,67), тоді як кореляція NDRE–врожайність коливається від 0,12 до 0,85 (медіана ≈ 0,61).

Моделі машинного навчання: до них належать випадковий ліс, методи опорних векторів та нейронні мережі, що поєднують кілька ВІ, спектральні діапазони та неспектральні фактори, такі як погода, ґрунт та управління. У деяких дослідженнях такі моделі підвищили R² до 0,93.

Більше того, час збору даних значно впливає на точність прогнозування. У численних дослідженнях вимірювання ВІ, проведені через 36–55 днів після посадки (DAP), показали найвищу кореляцію з кінцевим урожаєм бульб.

Ця стадія збігається з максимальним покривом ґрунту та початком утворення бульб, що робить структуру рослини найбільш індикаторною для кінцевого врожаю. Деякі ключові статистичні дані:

• 79 досліджень (2000–2022) відповідали критеріям огляду з 482 виявлених.
• Фокусні області: прогнозування врожайності (37 %), рівень азоту в листках (21 %), AGB (15 %), LAI (15 %), CCC (12 %).
• Найбільш використовувані супутникові платформи: Sentinel‑2, Landsat, MODIS; комерційні: PlanetScope.
• Діапазон R²: NDVI – вихід (0,23–0,84), NDRE – вихід (0,12–0,85), GNDVI – вихід (0,26–0,75).

Рекомендації щодо прогнозування врожайності картоплі

Ґрунтуючись на цих висновках, фахівці повинні спочатку вибрати відповідну платформу для своїх цілей. Для регіональних прогнозів врожайності безкоштовні дані Sentinel‑2 забезпечують надійне покриття з роздільною здатністю 10 м та 5-денним графіком повторних відвідувань.

Для уточнення локальних оцінок, польоти БПЛА, заплановані приблизно через 36–55 днів після посадки, фіксують критичну динаміку крони та покращують калібрування супутникових моделей. Наземні датчики найкраще використовувати для вибіркових перевірок та калібрування дистанційних спостережень, особливо при поєднанні спектральних даних з польовими вимірюваннями.

Щодо вегетаційних індексів, фахівці повинні надавати пріоритет NDVI, NDRE та CI _red-edge для прогнозування кінцевої врожайності, оскільки вони постійно демонструють сильну кореляцію.

Під час оцінки вмісту хлорофілу та азоту, поєднання індексів червоного краю з скоригованими за ґрунтом показниками вібрації (ВІ), такими як TCARI/OSAVI, дає найточніші результати. Для оцінки біомаси інтеграція ВІ з висотою рослин або характеристиками текстури в рамках машинного навчання ще більше підвищує точність.

Що стосується моделювання, прості лінійні або нелінійні регресії з використанням одного індексу є ефективними, коли наземні дані обмежені. Однак, коли доступні кілька індексів та допоміжні дані (погода, ґрунт, управління), методи машинного навчання, такі як випадковий ліс або нейронні мережі, забезпечують чудову продуктивність. Важливо, що час отримання зображень приблизно через 36–55 днів після посадки є вирішальним, оскільки це вікно постійно забезпечує найвищу точність прогнозування.

Висновок

На завершення, дистанційне зондування пропонує швидкий, гнучкий та точний інструментарій для моніторингу росту картоплі та прогнозування врожайності бульб. Вибираючи відповідну платформу, найбільш інформативні вегетаційні індекси, встановлюючи час збору даних приблизно на 36–55 днів після літнього віку та застосовуючи відповідні методи моделювання, дослідники та практики можуть значно покращити прогнози врожайності.

Такий підхід не лише заощаджує час, але й сприяє прийняттю більш розумних управлінських рішень, що зрештою приносить користь фермерам, агрономам та всьому ланцюжку постачання картоплі.

Посилання: Mukiibi, A., Machakaire, ATB, Franke, AC. та ін. Систематичний огляд вегетаційних індексів для моніторингу росту картоплі та прогнозування врожайності бульб за допомогою дистанційного зондування. Картопляні дослідження. 68, 409–448 (2025). https://doi.org/10.1007/s11540-024-09748-7