BASF
BASF
BASF

AGRA

Monitoring vlhkosti poľnohospodárskej pôdy nástrojmi diaľkového prieskumu Zeme

07. 07. 2022 Mgr. Monika Lörincová a kol. Precizní zemědělství Zobrazeno 1996x

Voda má v prírode a pre život človeka nenahraditeľný význam a je jednou zo základných podmienok poľnohospodárskej produkcie, spolu s pôdou, teplom, svetlom a živinami. Nedostatok vody v kritickej fáze vegetačného obdobia môže významne obmedziť rast poľnohospodárskych plodín, ich schopnosť prijímať živiny a vytvárať úrodu.

Varistar

V našich podmienkach je najvýznamnejším zdrojom vody pre poľnohospodárske plochy stále zrážková voda. Oblasť strednej Európy je z hľadiska klimatických podmienok charakteristická pomerene rovnomerným rozložením zrážok počas celého roka, napriek tomu sa čoraz častejšie vyskytujú významne rozdiely v ročnom chode množstva a dostupnosti vody pre rastliny. Rovnako aj obdobia viac alebo menej významného sucha, ktoré sa vyskytujú počas vegetačnej sezóny, už nie sú ničím výnimočným. Zo všetkých faktorov je práve sucho najviac limitujúcim činiteľom produkcie rastlín.

Momentálny obsah vody v pôde predstavuje vlhkosť pôdy, ktorá sa vyjadruje v percentách k hmotnosti alebo objemu suchej zeminy. Jej priestorová, ako aj časová variabilita je značne heterogénna. Poznanie priestorovej variability vlhkosti pôdy umožní poľnohospodárom identifikovať lokality s potrebou dodatočných závlah v prípade výskytu suchšieho obdobia a prispôsobiť zavlažovania konkrétnemu stavu daných lokalít. To v konečnom dôsledku môže znížiť náklady poľnohospodára spojené so zavlažovaním.

Efektívnym spôsobom, ako túto priestorovú diferenciáciu na konkrétnych lokalitách identifikovať, je použitie nástrojov diaľkového prieskumu Zeme.

Diaľkový prieskum Zeme a jeho nástroje

Diaľkový prieskum Zeme (DPZ) je vedecká disciplína a zároveň technológia, ktorá sa primárne zaoberá získavaním informácií o javoch alebo objektoch na zemskom povrchu, bez nutnosti byť s nimi v priamom kontakte. V kvalite snímania nastal od počiatkov DPZ veľký posun, prevažne v kvalite výsledných snímok a v spôsobe ich získavania. V súčasnosti máme k dispozícii digitálne snímky s rozlíšením niekoľko cm, ktorých snímanie prebieha z lietadiel, UAV (bezpilotných leteckých systémov) či z vesmíru - z družíc a satelitov. Údaje získané

DPZ sú aktuálne využívané do takej miery, že sa stali základom strategických modelovaní, prírodných a kultúrnych odhadov a určovaní koncepcie celkového rozvoja a bezpečnosti štátov. Využiteľnosť metód DPZ stúpa aj vo vzťahu k štúdiu pôdneho krytu, a to najmä v oblastiach poľnohospodárstva a ochrany pôdy. Vzrastá potreba čo najdôkladnejšie poznať priestorové rozloženie parametrov pôdy a na tomto základe stavať najmä manažment pôdnych zdrojov a ochrany, ale aj tvorbu globálnych pedologických databáz.

DPZ metódy sú v tomto ohľade alternatívou k manuálnemu odberu vzoriek, ktorý, ak ide o väčšie skúmané plochy, si vyžaduje vysoký ľudský aj finančný kapitál a je aj časovo veľmi náročný.

Keďže pôda je komplex viacerých zložiek, jej celková odrazivosť (množstvo a charakter odrazeného elektromagnetického žiarenia), teda tzv. spektrálny prejav pôdy, bude výsledkom kombinácie čiastkových hodnôt odrazivosti/spektrálnych prejavov jej zložiek. Inak povedané, to, ako pôda odráža elektromagnetické (EMG) žiarenie, záleží na tom, ako interagujú s EMG žiarením jej jednotlivé zložky. Vo všeobecnosti je odrazivosť samotnej pôdy pomerne stabilná, keďže faktory vplývajúce na odrazivosť pôdy (pôdna vlhkosť, zrnitosť pôdy, obsah organickej hmoty a oxidu železitého) sú menej vyhranené, sú komplexnejšie, variabilnejšie a najmä sú vzájomne prepojené.

Pôdna vlhkosť je výrazne prepojená s pôdnou zrnitosťou. Zároveň vieme, že pôdna vlhkosť znižuje pôdnu odrazivosť. Pôdy s vyšším obsahom piesočnatých častíc majú zvyčajne nízke hodnoty pôdnej vlhkosti, majú teda relatívne vysokú odrazivosť, naopak ílovité pôdy majú hodnoty odrazivosti nízke. Odrazivosť bude teda konzistentná len v určitom rozsahu podmienok. Je preto dôležité, aby bol analytik s týmito podmienkami oboznámený a zohľadnil ich pri výskume.

V konečnom dôsledku treba zohľadniť aj fakt, že odrazivosť pôdy pochádza z jej horných vrstiev. Informácie získané na základe spektrálneho prejavu nám tak poskytujú obraz len o vrchných približne 30 cm pôdy a výsledky DPZ tak nemusia verne odzrkadľovať vlastnosti väčšiny objemu skúmanej pôdy.

V našom prípade stanovovania vlhkosti pôdy nástrojmi DPZ bola použitá metóda multispektrálneho snímkovania. Jej podstatou je, že EMG žiarenie odrazené od Zeme je snímané súčasne vo viacerých spektrálnych pásmach, teda na viacerých spektrálnych kanáloch. Multispektrálne snímanie bolo pôvodne výlučne len záležitosťou satelitných systémov. Modernizáciou sa ale multispektrálne kamery zmenšovali, stávali finančne dostupnejšími a dnes sú už tak kompaktné, že sú často využívané pri snímaní pomocou bezpilotných leteckých zariadení (UAV). UAV sú výhodné aj v tom, že dokážu lietať v rozličných výškach, čo spolu s typom senzora, ktorý nesú, dáva predpoklad získavania rôznych typov údajov. Zásluhou UAV sa takto zjednodušuje prístup k dátam aj pre menšie lokálne projektové skupiny a štúdie.

Aj nami prezentovaný metodický postup využíva bezpilotné letecké zariadenia - drony. Podľa účelu snímania sme použili konkrétne dva typy UAV odlišujúce sa typom kamery a možnosťami snímania. Snímanie skúmaného areálu prebehlo s použitím UAV DJI Phantom 4 Pro, kamerou snímajúcou vo viditeľnom spektre EMG žiarenia a následne UAV DJI Matrice 200 s kamerou Parrot Sequoia na tvorbu multispektrálnych snímok. Kamera sníma súčasne 4 spektrálne pásma - zelené (GRE = 550 nm), červené (RED = 660 nm), hraničné červené (REG = 735 nm) a blízke infračervené (NIR = 790 nm) v rozlíšení 1 280 × 960 pixelov.

Výber územia a prípravne práce

Mapovanie vlhkosti pôdy bolo uskutočnené na poľnohospodárskej lokalite v katastrálnom území obce Janovce (okres Bardejov, Prešovský kraj; obr. 1). V rámci prípravných prác bol areál zosnímaný prostredníctvom UAV DJI Phantom 4 Pro, kamerou snímajúcou vo viditeľnom spektre EMG žiarenia a získané snímky spracované v prostredí softvéru Agisoft PhotoScan, metódou SfM (Structure from Motion). Výsledkom tohto spracovania bol digitálny model reliéfu (DMR) a ortofotosnímky.

Na ich podklade sa v prostredí GIS vykonala PCA analýza (principal component analysis), ktorá previedla pôvodné korelované prvky na množinu lineárne nekorelovaných prvkov, teda hlavných komponentov. Takto boli identifikované na skúmanom areály homogénne plochy. Na daných plochách sa prostredníctvom neriadenej klasifikácie identifikovali navzájom heterogénne areály, určila ich výmera a percentuálny podiel na celkovej výmere.

Na základe týchto údajov bolo v skúmanom areály rozmiestnených 50 vzoriek v 6 triedach naklasifikovaných areálov (farebná klasifikácia tried vzoriek na obrázku 2 identifikuje homogénne oblasti z pohľadu topografie terénu a farebného prejavu pôdy vo viditeľnom spektre). Poloha vzoriek sa stanovila manuálnym výberom v rámci pravidelnej gridovej siete na rastri klasifikovaných heterogénnych plôch. Túto fázu spracovania je možné nahradiť pravidelnou vzorkovacou sieťou, ktorá by ale v takom prípade mala byť hustejšia, čo zvyšuje nároky na odber pôdnych vzoriek v teréne.

Obr. 1: Poloha skúmanej lokality
Obr. 1: Poloha skúmanej lokality

 Obr. 2: Klasifikácia tried pôdnych vzoriek (farba bodu reprezentuje príslušnosť lokality k homogénnej triede stanovenej na základe neriadenej klasifikácie)
Obr. 2: Klasifikácia tried pôdnych vzoriek (farba bodu reprezentuje príslušnosť lokality k homogénnej triede stanovenej na základe neriadenej klasifikácie)

Multispektrálne snímkovanie, odber a analýza vzoriek

Na polohové zameranie miesta odberu určených 50 vzoriek bolo použité RTK GNSS zariadenie Topcon HiPerHR (obr. 3). Z každého miesta odberu vzorky bolo z hĺbky 30 cm odobraných pôdnym vrtákom 10–15 g zeminy do označenej hliníkovej vysúšačky (označenie ID). Následne bola v laboratóriu stanovovaná pôdna vlhkosť gravimetrickou metódou.

Obr. 3: Polohová lokalizácia miesta odberu vzoriek
Obr. 3: Polohová lokalizácia miesta odberu vzoriek

Analýzy multispektrálných snímok

Analýza multispektrálnych snímok bola založená na analýze úrovní odrazivosti elektromagnetického žiarenia, prebratých z konkrétnych bodov odberu pôdnych vzoriek, zameraných RTK GNNS prístrojom a exportovaných do MS Excel. Samotné snímanie bolo uskutočnené s priestorovým rozlíšením multispektrálných snímok 3 cm. Takáto úroveň rozlíšenia je značne detailná, a preto boli analýzy vykonané aj na prevzorkovaných snímkach so zníženým rozlíšenia na 1 a 2 m. Úprava rozlíšenia bola vykonaná pre všetky 4 spektrálne pásma - červené (RED), zelené (GRE), hraničné červené (Red Edge - REG) a blízke infračervené pásmo (NIR), v kalibrovanom (rádiometrická kalibrácia snímok) aj nekalibrovanom stave za účelom zistenia, v akom rozlíšení a spektrálnom pásme vykazuje pôdna vlhkosť najvyššiu závislosť so spektrálnym prejavom.

Prvotné analýzy ukazovali nulové korelácie pôdnej vlhkosti so spektrálnym prejavom v rastri s rozlíšením 3 cm, preto bola analýza vykonaná aj pre rozlíšenie 1 m a 2 m. V nižších priestorových rozlíšeniach sa v prípade pôdnej vlhkosti už prejavila určitá miera závislosti.

Najvyššie hodnoty závislostí (koeficient korelácie a F test) sa ukazujú v rastri prevzorkovanom na veľkosť pixela 1 m. Následne sa zisťovalo, v ktorom spektrálnom pásme v určenom priestorovom rozlíšení 1 m má pôdna vlhkosť najvyššie závislosti. Platí, že odrazivosť pôdy je vo všeobecnosti nižšia vo viditeľnej časti spektra a rastie so zvyšujúcou sa vlnovou dĺžkou až k hraničným vlnovým dĺžkam blízkeho infračerveného spektrálneho pásma, čo sa nám potvrdilo, keďže pôdna vlhkosť mala najvyššie spektrálne závislosti práve v (nekalibrovanom) blízkom infračervenom spektre (korelačný koeficient 0,396). Ide o mierny stupeň závislosti.

Samotné štatistické vyhodnocovanie závislostí spočívalo v lineárnych regresných a korelačných analýzach, ktoré boli spracované v prostredí MS Excel. Skúmala sa závislosť medzi dvoma kvantitatívnymi štatistickými znakmi - pôdnou vlhkosťou a hodnotami odrazivosti pôdy v spomínaných štyroch spektrálnych pásmach. Nezávislou premennou v analýze boli hodnoty odrazivosti, závislou premennou hodnota pôdnej vlhkosti.

Výstup tejto analýzy má tri časti - regresnú analýzu, korelačnú analýzu a ANOVA výstup. Z každej časti analýzy boli vybrané premenné ukazujúce na mieru závislosti skúmaných údajov. Kľúčovou premennou korelačnej analýzy sú korelačný koeficient (Multiple R) vyjadrujúci silu závislosti a koeficient determinácie (R Square) určujúci stupeň príčinnej závislosti medzi dvoma premennými. ANOVA výstup pozostáva z Fisherovho testu nulovej hypotézy (predpoklad, že nami zvolená závislosť nie je správna) so zvolenou hladinu významnosti α = 0,05. Ak sú zistené koeficienty korelácie medzi skúmanými znakmi štatisticky významné, následne sa hodnotí, aká je medzi nimi súvislosť z hľadiska regresie, teda do akej miery dokážeme odhadnúť hodnoty závislej premennej na základe hodnôt nezávislej premennej, čo predstavuje poslednú z analýz - regresnú analýzu. V rámci nej sú dôležité hlavne hodnota lokujúcej konštanty Intercept (b0), teda hodnota závislej premennej (ak nezávislá premenná je nulová) a hodnoty regresného koeficientu X Variable (b1), ktorá vyjadruje, o koľko sa zmení hodnota závislej premennej, ak sa hodnota nezávislej premennej zvýši o jednu mernú jednotku.

Na základe údajov z regresnej a korelačnej analýzy sme vzťahom regresnej funkcie v tvare y = b0 + b1 × x prepočítali z hodnôt x (hodnoty odrazivosti) hodnoty y (pôdnej vlhkosti) pre každý pixel rastra a vizualizovali výsledky v podobe mapy distribúcie pôdnej vlhkosti (obr. 4): y = 14,714 + 0,000119 × x

Vizuálne znázornenie vlhkostného režimu pôdy (obr. 4) jasne znázorňuje tendenciu zvyšovania hodnôt pôdnej vlhkosti v smere sklonu svahu. Relatívne vysoké hodnoty pôdnej vlhkosti sa ukazujú v pásoch pravdepodobného stekania dažďovej vody, a teda aj dráhy vodnej erózie. Na preverenie exaktnosti údajov získaných regresnou funkciou bola vykonaná validácia. Prebrané číselné údaje o odrazivosti z presných miest odberu vzoriek novozískaných rastrov v rozlíšení 1 m  boli porovnané s údajmi o pôdnej vlhkosti, získaných manuálnymi laboratórnymi analýzami odobraných pôdnych vzoriek a vykonaná medzi nimi jednoduchá korelačná analýza. Výsledky ukazujú opäť mierny stupeň korelácie (korelačný koeficient 0,456) (graf 1). Porovnanie pôvodných a prepočítaných hodnôt pôdnej vlhkosti, prevzatých z miest odberu pôdnych vzoriek, ukazuje, že vo všeobecnosti boli priemerné hodnoty pôdnych vlastností oboch analýz značne podobné a líšili sa v priemere o 0,936 %. Ide teda o relatívne presné dáta.

Graf 1: Závislosť odrazivosti pôdnej vlhkosti od meranej pôdnej vlhkosti
Graf 1: Závislosť odrazivosti pôdnej vlhkosti od meranej pôdnej vlhkosti

Obr. 4: Distribúcia hodnôt pôdnej vlhkosti
Obr. 4: Distribúcia hodnôt pôdnej vlhkosti

Záver

Veľký potenciál v tejto sfére má oblasť precízneho poľnohospodárstva. Na základe geopriestorových technológií a dát, DPZ, GNSS a aj s využitím snímania z UAV je možné jednoducho, flexibilne a rýchlo identifikovať pôdne plochy s konkrétnymi sledovanými vlastnostiam a vyhodnotiť tak ich vhodnosť na pestovanie špecifických plodín a aké zásahy si vyžadujú za účelom kvantifikácie produkcie.

Vo svetle perspektívneho zhoršovania sa problému sucha do budúcna, ako aj nárastu dopytu po potravinách, predstavený postup umožňuje orientačné zisťovanie pôdnej vlhkosti s použitím DPZ. Ide o prípadnú alternatívu k časovo a finančne náročnému in situ odberu pôdnych vzoriek a k následnému zisťovaniu pôdnych vlastností laboratórnymi analýzami.

Vyššie vstupné náklady pre poľnohospodárske subjekty, ktoré by sa rozhodli prejsť na tento spôsob monitoringu pôdnych vlastností, sú kompenzované jednoduchosťou v porovnaní s klasickými metódami. Zároveň je veľkou výhodou možnosť rýchlo a efektívne reagovať na menlivé a na monitoring náročné pôdne vlastnosti, medzi ktoré patrí skúmaná pôdna vlhkosť.

Dlhodobý monitoring pôdnej vlhkosti metódami DPZ umožňujú adresné nastavenie organizácie závlahy poľnohospodárskych plôch, ktoré by bolo v prvom rade efektívne a samozrejme aj ekologické v zmysle šetrenia vody, s ohľadom na predpokladané požiadavky na budúce pestovanie plodín.

Napriek znižovaniu cien technológií, ktoré si vyžaduje popísaná metodika hodnotenia pôdnej vlhkosti, ide stále o značné náklady, ktoré môžu byť prekážkou ich nasadenia v procesoch pestovania poľnohospodárskych plodín. Veľké poľnohospodárske subjekty by však určite mali zvážiť rentabilitu vstupných nákladov v súvislosti so šetrením nákladov pri cielenej aplikácii agrotechnických operácií.

Skúmanie priestorovej diferenciácie samotnej vlhkosti pôdy nástrojmi DPZ prezentovaným postupom sa dá využiť iba v období, keď je poľnohospodárska pôda bez vegetácie. Avšak dokáže identifikovať lokality, ktoré budú mať vysokú úroveň predispozície na rapídne vysychanie v obdobiach s dlhšou absenciou zrážok. Zároveň technologická konfigurácia potrebná pri analýze pôdnej vlhkosti umožní flexibilný monitoring stavu pestovaných plodín vo vegetačnom období prostredníctvom odvodzovania vegetačných indexov, ktorých tvorba je výrazne jednoduchšia ako prezentovaný postup stanovovania pôdnej vlhkosti.

Táto publikácia vznikla vďaka podpore v rámci Operačného programu Integrovaná infraštruktúra pre projekt: Údajová a vedomostná podpora pre systémy rozhodovania a strategického plánovania v oblasti adaptácie poľnohospodárskej krajiny na klimatické zmeny a minimalizáciu degradácie poľnohospodárskych pôd č. 313011W580, spolufinancovaný zo zdrojov Európskeho fondu regionálneho rozvoja.

 

Mgr. Monika Lörincová1, RNDr. Štefan Koco, PhD1,2., Ing. Stanislav Torma, PhD.2
1
Prešovská univerzita v Prešove, 2Výskumný ústav pôdoznalectva a ochrany pôdy, pracovisko Prešov

Související články

Architektura porostu a zakládání plodin do širších řádků

29. 02. 2024 Ing. Martina Poláková; Spolek pro inovace a udržitelné zemědělství, z.s. Precizní zemědělství Zobrazeno 401x

Drony nachádzajú čoraz väčšie uplatnenie v poľnohospodárstve

30. 01. 2024 Ing. Matej Komár; Blumeria consulting s.r.o. Precizní zemědělství Zobrazeno 618x

Precizní zemědělství a cílené aplikace postřiků v praxi SIUZ

24. 11. 2023 Ing. Martina Poláková; Spolek pro inovace a udržitelné zemědělství, z.s. Precizní zemědělství Zobrazeno 1251x

Lokálně cílená kontrola zaplevelení

17. 11. 2023 Doc. Ing. Milan Kroulík, Ph.D., Doc. Ing. Václav Brant, Ph.D., Ing. Josef Chára; Česká zemědělská univerzita v Praze Precizní zemědělství Zobrazeno 1038x

Přesné hranice a jejich využití v autopilotech Raven

28. 09. 2023 Ing. Michal Krutiš; AGRI-PRECISION s.r.o. Precizní zemědělství Zobrazeno 843x

Další články v kategorii Precizní zemědělství

detail