Anglicky: A Systematic Review on Case Studies of Remote-Sensing-Based Flood Crop Loss Assessment
Zdroj: Rahman, M.S.; Di, L. A Systematic Review on Case Studies of Remote-Sensing-Based Flood Crop Loss Assessment. Agriculture 2020, 10, 131.
Klíčová slova: "povodeň; plodiny; odhad ztrát; dálkový průzkum země; odhad škod"
Dostupný z: https://www.mdpi.com/2077-0472/10/4/131
Povodně jsou jedním z nejvýznamnějších přírodních rizik, které způsobují značné škody na úrodě po celém světě. Kromě toho mohou dopady změny klimatu prohloubit ztráty na produkci plodin způsobené častými záplavami.
V minulosti bylo hodnocení ztrát na plodinách způsobených povodněmi založeno na průzkumech a výsledky zůstávaly velmi zobecněné. Počet případových studií se v poslední době zvýšil díky dostupnosti dat z dálkového průzkumu Země. Hlavními zdroji optických dat dálkového průzkumu Země pro hodnocení povodňových škod jsou spektroradiometry MODIS (Moderate Resolution Imaging Spectroradiometer) a Landsat. Článek se zabývá silnými a slabými stránkami různých přístupů k hodnocení škod. Cílem je přezkoumat metody používané ke sběru dat, zhodnotit časoprostorová měřítka vybraných případových studií a identifikovat problémy a příležitosti dat dálkového průzkumu Země při vyhodnocování ztrát na povodňových plodinách. Tato studie seskupuje přístupy k hodnocení do tří širokých kategorií: přístup založený na intenzitě povodní, přístup založený na stavu plodin a kombinace těchto přístupů. Hodnocení je nejefektivnější, pokud jsou informace o povodni a stavu plodin začleněny do modelů hodnocení škod.
V posledních letech se pro hodnocení škod na plodinách hojně využívají vegetační indexy (VI) založené na dálkovém průzkumu Země, včetně NDVI, EVI a LAI. Mnoho případových studií se také opírá o data mikrovlnného dálkového průzkumu, a to z důvodu neschopnosti optického dálkového průzkumu vidět skrze mraky. Nedávná dostupnost volných dat radaru se syntetickou aperturou (SAR) z družice Sentinel-1 pomůže pokročit v hodnocení povodňových škod na plodinách a překonat tento problém.
V některých nedávných studiích byly pro hodnocení škod použity také přístupy strojového učení a těžba dat z časových řad dálkového průzkumu Země, což je výhodné, protože tyto modely nejsou závislé na historických datech z minulých let.
Budoucí studie by se mohly zaměřit na přístupy založené na strojovém učení pro hodnocení škod na plodinách s využitím několika proměnných, včetně intenzity povodní, stavu plodin a fenologických fází. Například modely strojového učení mohou být pro předpověď škod vyškoleny na úrovních škod spojených s různou délkou trvání povodní a fenologickými fázemi minulých povodní.
Celkově lze říci, že s příchodem nových technologií, metod, zpracování dat a softwaru a počítačových systémů se postupy vyhodnocování a ověřování ztrát pravděpodobně stanou jednoduššími.
Zpracovali: Vincent Onckelet (Plan4all z.s.) a Hana Kubíčková (Plan4all z.s.)
