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 znázornění procesu DPZ (Campbell 2002). 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 NIR + R 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 2003 1, 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. Citovaná literatura Obr. 5. Reflexní pásy pro opadavý listnatý a jehličnatý strom (Lillesand et al. 2004). 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