Odhady biomasy a produkce pomocí dálkového průzkumu Země

Odhady biomasy a produkce pomocí dálkového průzkumu Země

Odhady biomasy a produkce pomocí dálkového průzkumu Země
Jakub Brom (LAE ZF JU a ENKI o.p.s.)
Úvod
Rostlinný pokryv Země a jeho produkční charakteristiky představují velmi významnou
součást globálního biogeochemického cyklu. Vegetace a potažmo primární produkce je díky
procesu fotosyntézy významným a prvním organickým vstupem do procesů probíhajících
v ekosystémech. Monitoring globální terestrické primární produkce je významný z hlediska
zhodnocení trendů v chování biosféry, v pochopení její úlohy v biosférickém cyklu uhlíku a
ve zkoumání vlastností a charakteristik zemědělské produkce (Turner et al. 2005). Jednou
skupinou metod, pomocí kterých lze hodnotit produkční charakteristiky vegetace jsou metody
dálkového průzkumu Země (DPZ).
Rostlinný povrch Země je často prvním povrchem se kterým se setkává energie, která
je využívána v DPZ. Naše schopnost interpretovat rostlinný povrch je často klíčová k poznání
její distribuce, tak jako pedologických a geologických vlastností, které obvykle nejsou přímo
patrné, ale jsou nepřímo zjevné z rozdílů v charakteru a distribuci vegetačního krytu
(Campbell 2002).
DPZ může být využit pro sledování ploch s pěstovanými plodinami, pro detekci
nemocí a poškození rostlin hmyzem a pro prognózy optimální sklizně plodin. Jako další lze
uvést mapování lesních porostů, zahrnující sledování zásob dřeva, kvality porostů, napadení
porostů škůdci apod.
Praktický význam DPZ spočívá v mapování a monitorování změn v hlavních
ekologických regionech v prostorovém a dlouhodobém měřítku – například mapování
deštných tropických lesů jako činitele ovlivňující klima a jako zdroj genetické diverzity.
V této práci jsem se ve stručnosti pokusil přiblížit metody dálkového průzkumu Země
a jejich využití v ekologických a produkčních studiích. Vzhledem k rozsahu práce a ke
specifické náročnosti disciplíny DPZ jsem se přiklonil spíše k jednoduchému popisu metody a
k vysvětlení základních principů ve studiu rostlin a vegetace pomocí DPZ. Otázku zpracování
dat DPZ záměrně nepopisuji. Na jednotlivé příklady využití DPZ odkazuji v přiloženém
seznamu použité literatury.
Stručně o dálkovém průzkumu Země
Rozvoj dálkového průzkumu Země úzce souvisí s fyzikálními objevy v oblasti teorie
vlnění, s historií letectví, s historií fotografie i s historií dobývání kosmu (Dobrovolný 1998),
začátek vlastní aplikace DPZ pak můžeme hledat okolo roku 1800 ve spojitosti s počátky
fotografie (Campbell 2002). Dálkový průzkum prošel významným vývojem a dnes je
důležitým nástrojem k pochopení procesů probíhajících na zemském povrchu.
Do současné doby byla podána celá řada definicí dálkového průzkumu. Z běžného
pohledu lze dálkový průzkum definovat jako „získávání informací na dálku“ (Campbell
2002), v užším pohledu vychází ze sledování zemského nebo vodního povrchu
prostřednictvím odražené nebo emitované elektromagnetické energie, lze jej tedy definovat
jako: „činnost k získávání informací o zemském a vodním povrchu využívající obrazových
dat získaných z výškové perspektivy za využití elektromagnetického záření v jednom nebo
více pásmech elektromagnetického vlnění, odraženého nebo emitovaného zemským
povrchem“ (Campbell 2002).
2
DPZ je jednou z moderních geoinformačních technologií. Je to systém, který se
sestává ze dvou subsystémů. První tvoří subsystém sběru a přenosu dat, druhý potom
subsystém jejich analýzy a interpretace (Dobrovolný 1998).
Podle fyzikální podstaty lze rozdělit metody DPZ na konvenční a nekonvenční
(Dobrovolný 1998). Konvenčními metodami vznikají snímky fotografické, které vznikají tzv.
centrální projekcí na citlivých fotografických vrstvách. Obraz na celé ploše vzniká najednou
na celé ploše expozice. Nekonvenčními metodami vznikají snímky postupně za pomoci
přístrojů na měření radiace – radiometrů a snímacích rozkladových zařízení – skenerů, které
snímají zemský povrch po úzkých řádcích.
Principy metod DPZ vycházejí z fyzikálních zákonitostí teorie vlnění a základních
zákonů záření.
Distanční snímání zemského povrchu je založeno na poznatku, že objekty či jevy,
které se na tomto povrchu nacházejí, určitým charakteristickým způsobem ovlivňují své okolí.
Objekty tedy o sobě vydávají prostřednictvím tzv. silových polí informace, které lze zjistit na
dálku měřením jejich charakteristik. Tímto silovým polem je elektromagnetické záření.
Energie elektromagnetického záření se prostorem šíří ve tvaru elektromagnetické vlny.
Základními charakteristikami elektromagnetického záření jsou jeho vlnová délka a frekvence.
Elektromagnetické záření se může v přírodě vyskytovat ve spojitém spektru, jehož
rozsah je téměř 20 řádů. Jeho součástí jsou v rámci konvenčního rozdělení např. X-paprsky,
UV záření, viditelné záření, infračervené záření, mikrovlnné záření, ale i televizní a rádiové
vlny.
Z hlediska využití v dálkovém průzkumu lze rozlišit 6 základních oblastí
elektromagnetického záření (Dobrovolný 1998):
• ultrafialové záření (0,1 – 0,4 µm)
• viditelné záření (0,4 – 0,7 µ)
• infračervené záření blízké (0,7 – 1,4 µm)
• infračervené záření střední (1,4 – 3 µm)
• tepelné záření (3 µm až 1 mm)
• mikrovlnné záření (1 mm až 1 m)
Je potřeba poznamenat, že toto rozdělení je hrubé a různí autoři se poněkud liší, viz
např. Lillesand et al. 2004, Campbell 2002.
Vlastní podstata metod DPZ je založena na rozdílném spektrálním chování
pozorovaných objektů. Sluneční záření dopadající na zemský povrch je z části absorbováno,
z části vedeno do nižších vrstev a z části odraženo zpět do atmosféry. Intenzita odraženého
záření závisí na řadě faktorů a lze ji charakterizovat tzv. spektrální odrazivostí (Dobrovolný
1998, Lillesand et al. 2004). Každá látka na zemském povrchu se vyznačuje svojí vlastní
spektrální charakteristikou. Pro daný objekt lze sestavit závislost mezi jeho odrazivostí a
vlnovou délkou a průběh této závislosti bude pro objekt víceméně typický. Tato
charakteristika, někdy označovaná jako spektrální křivka odrazivosti je projevem tzv.
spektrálního chování objektů (Dobrovolný 1998) a má pro stejnou třídu objektů vždy typický
průběh. V závislosti na fyzikálním stavu objektů lze pak hovořit o „pásu“ odrazivosti.
Studium množství odraženého či emitovaného záření v určitých vlnových délkách tedy
umožňuje poznat spektrální chování objektů. Z něho lze jednak rozpoznat jednotlivé objekty
či jevy, jednak jejich specifické vlastnosti.
Data o uvedených objektech či jevech mohou být poskytována v obrazové (snímky) i
neobrazové formě (např. graf).
Pro účely dálkového průzkumu je využívána celá řada zařízení zaznamenávající
intenzitu elektromagnetického záření. Tato zařízení jsou zpravidla umístěna na různých
typech nosičů, nejčastěji na letadlech nebo družicích (Dobrovolný 1998). Z hlediska
konvenčních metod DPZ lze jmenovat např. exponování filmu ve fotografické komoře.
3
Z hlediska nekonvenčních metod je využívána celá řada zařízení, např. televizní systémy
(jako přechodný způsob mezi konvenčními a nekonvenčními metodami u prvních typů družic)
a dále mechanooptický (starší typ zařizení) a elektrooptický skener, které jsou založeny na
základní součásti – radiometru. Radiometr měří radiaci z určité elementární plochy zemského
povrchu v určitém intervalu spektra. Kromě již jmenovaných jsou využívána další zařízení,
jako jsou např. digitální fotoaparáty či aktivní nebo neaktivní radarové systémy.
Obr. 1. Schématické
(Campbell 2002).
znázornění
procesu
DPZ Obr. 2. Ukázka spektrálních charakteristik (a) zdrojů
energie, (b) atmosférické transmitance a (c) obecného
systému DPZ. Osa vlnové délky je v logaritmickém
měřítku. (Lillesand et al. 2004).
Spektrální chování listu
Mnoho aplikací dálkového průzkumu pro studium vlastností vegetace vychází ze
znalosti spektrálních charakteristik jednotlivých listů rostlin, které jsou z tohoto pohledu
nejvýznamnějším rostlinným orgánem.
Ve viditelné oblasti spektra připadá největší spektrální odezva na chlorofyl. Chlorofyl
umožňuje rostlinám absorbovat sluneční záření pro zajištění fotosyntézy. Chlorofyl
neabsorbuje všechno záření rovnoměrně, ale přijímá zejména modrou a červenou část spektra,
při absorpci 70 až 90% dopadajícího záření v této části, zelená část je pak z větší části
odrážena.
V blízké infračervené oblasti spektra je odraz řízen především strukturami houbového
parenchymu. Kutikula s pokožkou jsou kompletně prostupné pro IČ záření, kterého odrážejí
velmi malé množství. Radiace přicházející na svrchní část listu je úplně rozptylována tkáněmi
mezofylu a v mezibuněčných prostorech. Velmi málo z této části záření je pohlcováno
mezofylem, zbytek je odražen nebo propouštěn listem.
Na hranici viditelného záření klesá absorpce červeného světla chlorofylem a výrazně
narůstá množství odraženého záření.
V delších vlnových délkách (nad 1,3 µm) jsou spektrální vlastnosti listu ovlivňovány
především obsahem vody v listu.
Pomocí studia spektrálních vlastností listů, potažmo asimilační plochy rostlin je
možné hodnotit řadu charakteristik, jako je obsah pigmentů (např. Curran et al. 1995, Gamon
et Surfus 1999, Carter et Knapp 2001, Richardson et al. 2002), obsah vody (např. Peñuelas et
4
Inoue 1999, Yu et al. 2000, Tian et al. 2001), růstové charakteristiky (Yang et Chen 2004),
chemismus (např. Albrechtová et al. 2001, Soukupová et al. 2002, Levizou et al. 2005) apod.
Poznání spektrálních charakteristik jednotlivých listů je velmi důležité pro studium
vegetačního krytu, kde je situace poněkud komplikovanější, vzhledem k různému postavení
listů, stavu jejich vývoje a růstové fáze, druhové variabilitě složení porostů apod.
Obr. 3. Absorpční spektrum chlorofylu (Campbell
2002).
Obr. 4. Typická spektrální reflektance živého listu
(Campbell 2002).
Studium rostlinného krytu pomocí DPZ
Životní formy rostlin nebo jejich fyziognomie popisují fyzikální formy rostlin.
Například obecné fyziognomie mohou zahrnovat „stromy“, „keře“, „byliny“ atd.
Fyziognomie je důležitá, protože představuje ekologickou roli rostlin v přírodě a vztahy
s prostředím a ostatními rostlinami (Campbell 2002).
Ačkoli je důležitá identifikace dominantních rostlin v každé skupině, náš pohled je
často směřován na dělení rostlinných společenstev na základě jejich strukturálních forem než
na samotném floristickém přístupu. Je potřeba poznamenat, že žádný z přístupů nemůže být
univerzálnější než ostatní v závislosti na rozlišení a účelu. Floristická klasifikace je vhodná
pokud je velké rozlišení při vysokém detailu mapování, tak, že umožňuje identifikaci
jednotlivých rostlin. Dalším z přístupů ke klasifikaci vegetace, uvažuje vegetaci jako
nejjednodušší sledovanou součást environmentálních komplexů zahrnující vegetaci, půdu,
klima a topografii. Tento přístup klasifikuje regiony jako ekologické zóny, ekoregiony. Ve
velmi širokém měřítku je ekologická klasifikace založena na klimatických charakteristikách a
široké škále vlastností vegetace, tradičně podložené informacemi DPZ (Campbell 2002).
Ekologická klasifikace může být použita v různých škálách pro analýzy, které
vyžadují zhodnocení dalších aspektů pro možná politická plánování, wildlife management
nebo zásoby biologických zdrojů.
Zájem o zhodnocení vegetace a jejího stavu z vesmíru je datován zpět do roku 1972,
kdy plodiny byly považovány za strategickou komoditu, ale vláda USA si neuvědomovala
katastrofickou situaci v Sovětském svazu. Předpověď úrody a sklizně prostřednictvím satelitů
se stala politickou a finanční prioritou pro zajištění programů satelitního sledování Země
(Schutz et Engman 2000).
Polní sledování mnoha plodin odhalilo velmi specifické vlastnosti reflektance
obsažené v červené/blízké-infračervené oblasti elektromagnetického spektra. V blízké
infračervené oblasti je u zdravé vegetace odraz větší než u ostatních objektů kryjících zemský
povrch.
5
Zjišťování přítomnosti vegetace prostřednictvím multispektrálních metod DPZ
vychází z porovnání reflektivity v blízké infračervené a červené části spektra (Schutz et
Engman 2000).
Obr. 5. Reflexní křivky pro vegetaci, vodu a půdu bez vegetace (Lillesand et al. 2004).
Pro hodnocení a měření vlastností vegetace, její biomasy a kondice na základě
digitálního zpracování dat DPZ byly navrženy tzv. vegetační indexy.
Lze vymezit dvě skupiny vegetačních indexů: Difference vegetation index (DVI) a
Ratio vegetation index (RVI).
DVI = NIR − R
RVI =
NIR
R
kde NIR je blízké infračervené (0,75 – 0,90 µm) a R je červené pásmo spektra (0,63 – 0,70
µm) (Schutz et Engman 2000).
Nejlépe poznaným indexem je normalizovaný vegetační index – Normalized
Difference Vegetation Index (NDVI), definovaný jako:
NDVI =
NIR − R
NIR + R
Tento index se jeví jako využitelný v široké mapovací škále prostřednictvím DPZ, při
různém prostorovém rozlišení. Význam NDVI vychází z úrovně indikace fotosyntetické
aktivity sledované vegetace. Základní prostorové NDVI analýzy indikují výskyt a aktivitu
vegetace v prostoru (Schutz et Engman 2000), ale i stresové odezvy vegetace na nedostatek
vody a dusíku (Li et al. 2001, Osborne et al. 2002).
Výstupy výzkumu vegetace vycházejí z rozdílných vegetačních indexů, které jsou
navrženy jako vylepšení a zdokonalení NDVI. Jsou sestaveny za účelem redukce efektů, jako
jsou nevegetační vlivy, osvětlenost, typ půdy a půdní vlhkost.
Vegetační indexy jsou využitelné např. pro vyhodnocení produktivity zemědělských
ploch, změny využití krajiny a lokalizaci lesních holosečí.
Pomocí vegetačních indexů a dalších přístupů DPZ je z hlediska produkčních
ekologických charakteristik možné v rámci velkoplošných celků odhadovat a hodnotit např.
6
primární produkci (Liu et al. 2002, Cao et al. 2004, Daolan et al. 2004, Turner et al. 2005),
biomasu (Foody et al. 2001), LAI (Sánchez-Azofeifa et al 20031, Hoffman et Blomberg
2004), aktuální evapotranspiraci a její intenzitu (Jacobs et al. 2002, Chen et al. 2002),
druhovou pestrost rostlinných společenstev (Fairbanks et McGwire 2004), poškození porostů
stresovými faktory (Albrechtová et al. 2001, Entecheva Campbell et al. 2004) apod.
Vyhodnocení těchto charakteristik pak může sloužit jako podklad k managementovým
přístupům v zemědělstí, lesnictví, ochraně přírody, ale i k úvahám o změnách vegetačního
krytu na zemském povrchu v souvislosti s vlivem člověka. Dálkový průzkum Země se tak
stává i nástrojem pro politické otázky.
Obr. 5. Reflexní pásy pro opadavý listnatý a jehličnatý strom (Lillesand et al. 2004).
Citovaná literatura
Albrechtová, J., Rock B. N., Soukupová J., Entcheva P., Šolcová B., Polák T. 2001:
Biochemical, histochemical, structural ad reflectance markers of damage in Norway spruce
from the Krušné hory Mts. used for interpretation of remote sensing data. Journal of Forest
Science, 47: 26-33.
Campbell J. B. 2002: Introduction to remote sensing, 3th edition. The Guilford Press, London.
pp. 620.
Cao M., Prince S. D., Small J., Goetz S. J. 2004: Remotely sensed interaual variations and
trends in terestrial net primary productivity 1981-2000. Ecosystems, 7: 233-242.
1
Sánchez-Azofeifa et al. (2003) hovoří o hodnocení LAI jako o druhé prioritě výzkumu neotropických suchých
(dry) lesů, společně s dalšími biofyzikálními vlastnostmi prostřednictvím DPZ a dvourozměrného reflektančního
funkčního modelu (bidirectional reflectance function model). První prioritou je pak zlepšení senzorů
a technických prvků družicové techniky, využívané pro průzkum těchto ploch a třetí prioritou je identifikace
jednotlivých druhů stromů pomocí hyperspektrálních dat, za účelem vymezení nových výzkumných ploch
a zlepšení ochrany biodiverzity.
7
Carter G. A., Knapp A. K. 2001: Leaf optical properties in higher plants: linking spectral
characteristics to stress and chlorophyll concentration. American Journal of Botany, 88:
677-684.
Curran P. J., Windham W. R., Gholz H. L. 1995: Exploring the relationship between
reflectance red edge and chlorophyll concentration in shlash pine leaves. Tree Physiology,
15: 203-206.
Dobrovolný P. 1998: Dálkový průzkum Země, digitální zpracování obrazu. Přírodovědecká
fakulta Masarykovy univerzity, katedra geografie. pp. 208.
Entecheva Campbell P. K., Rock B. N., Martin M. E. 2004: Detection of initial damage in
Norway spruce canopies using hyperspectral airborne data. International Journal of
Remote Sensing, 25: 5557-5583.
Fairbanks D. H. K., McGwire K. C. 2004: Pattern of floristic richness in vegetation
communities of California: regional scale analysis with multi-temporal NDVI. Global
Ecology and Biogeography, 13: 221-235.
Fairbanks D. H. K., McGwire K. C. 2004: Patterns of floristic richness in vegetation
communities of California: regional scale analysis with multi-temporal NDVI. Global
Ecology and Biogeography. 13: 221–235.
Foody G. M., Cutler M. E., McMorrow J., Pelz D., Tangki H., Boyd D. S., Douglas I. 2001:
Mapping the biomass of Bornean tropical rain forest from remotely sensed data. Global
Ecology and Biogeography, 10: 379-387.
Gamon J. A., Surfus J. S. 1999: Assessing leaf pigment content and activity with a
reflectometer. New Phytologist, 143: 105-117.
Hoffmann C. M., Blomberg M. 2004: Estimation of leaf area index of Beta vulgaris L. based
on optical remote sensing data. Journal of Agronomy & Crop Science, 190: 197-204.
Chen J. H., Kan C. H., Tan C. H., Shih S. F. 2002: Use of spectral information for wetland
evapotranspiration assessment. Agricultural Water Management, 55: 239-248.
Jacobs J. M., Myers D. A., Anderson M. C., Diak G. R. 2002: GOES surface insolation to
estimate wetlands evapotranspiration. Journal of Hydrology, 266: 53-65.
Levizou E., Drilias P., Psaras G. K., Manetas Y. 2005: Nondestructive assessment of leaf
chemistry and physiology through spestral reflectance measurements may be misleading
when change in trichome density co-occur. New Phytologist, 165: 463-472.
Li H., Lascano R. J., Barnes E. M., Booker J., Wilson L. T., Bronson K. F., Segarra E. 2001:
Multispectral reflectance of cotton related to plant growth, soil water and texture, and site
elevation. Agronomy Journal, 93: 1327-1337.
Lillesand T. M., Kiefer R. W., Chipman J. W. 2004: Remote sensing and image interpretation,
5th edition. John Wiley & Sons, Inc. pp. 763.
Liu J., Chen J. M., Cihlar J., Chen W. 2002: Net primary productivity mapped for Canada at
1-km resolution. Global Ecology and Biogeography, 11: 115-129.
Osborne S. L., Schepers J. S., Francis D. D., Schlemmer M. R. 2002: Use of spectral radiance
to estimate in-season biomas and grain yield in nitrogen- and water-stressed corn. Crop
Science, 42: 165-171.
Peñuelas J., Inoue Y. 1999: Reflectance indices indicative of changes in water and pigment
contents of peanut and wheat leaves. Photosynthetica, 36: 355-360.
Richardson A. D., Duigan S. P., Berlin G. P. 2002: An evaluation of noninvasive methods to
estimate foliar chlorophyll content. New Phytologist, 153: 185-194.
Sánchez-Azofeifa G. A., Castro K. L., Rivard B., Kalascka M. R. 2003: Remote sensing
research priorities in tropical dry forest environments. Biotropica, 35: 134-142.
Schutz G. A., Engman E. T. 2000: Remote sensing in hydrology and water management.
Springer Verlag, Berlin. pp. 483.
8
Soukupová J., Rock B. N., Albrechtová J. 2002: Spectral characteristics of lignin and soluble
phenolics in the near infrared – a comparative study. International Journal of Remote
Sensing, 23: 3039-3055.
Tian Q., Tong Q., Pu R., Guo X., Zhao C. 2001: Spectroscopic determination of wheat water
status using 1650-1850 nm spectral absorption features. International Journal of Remote
Sensing, 22: 2329-2338.
Turner D. P., Ritts W. D., Cohen W. B., Maeirsperger T. K., Gower S. T., Kirschbaum A. A.,
Running S. W., Zhao M., Wofsy S. C., Dunn A. L., Law B. E., Campbell J. L., Oechel W.
C., Kwon H., Meyers T. P., Small E. E., Kurc S. A., Gamon J. A. 2005: Site evaluation of
satellite-based global terrestrial gross primary production and net primary production
monitoring. Global Change Biology 11: 666-684.
Yang C. M., Chen R. K. 2004: Modeling rice growth with hyperspectral reflectance data.
Crop Science, 44: 1283-1290.
Yu G. R., Miwa T., Nakayama K., Matsuoka N., Kon H. 2000: A proposal for universal
formulas for estimating leaf water status of hebaceous and woody plants based on spectral
reflectance properties. Plant and Soil, 227: 47-58.
Zheng D., Prince S., Hame T. 2004: Estimating net primary production of boreal forests in
Finland and Sweden from field data and remote sensing. Journal of Vegetation Science,
15: 161-170.
9