Doc. Mgr. Jitka Kumhálová, Ph.D.
Výnos zemědělských plodin ovlivňuje mnoho faktorů, mezi které patří topografie, vlastnosti půdy, způsob hospodaření, hnojení, načasování a efektivita agrotechnických opatření a také meteorologické podmínky, zejména množství srážek, teplota vzduchu a množství slunečního záření během vegetačního období (Balážová a kol. 2021, Rataj a kol. 2022). Podle studií autorů Kajla a kol. (2015), kteří zkoumali příčiny ztrát na výnosech plodin, tvoří abiotické faktory 50 %, z nichž 20 % jsou vysoké teploty, 7 % nízké teploty, 9 % sucho, 10 % salinita a zbývající 4 % jsou jiné abiotické stresory. Rostoucí průměrná teplota je známkou změny klimatu a způsobuje opakující se četnost extrémů počasí ovlivňujících zemědělskou produkci a výnosy (Fuglie, 2021); jen v období 1850-1900 a 2006-2015 se průměrná povrchová teplota zvýšila o 1,53°C (IPCC, 2020). V důsledku extrémních změn počasí v oblastech, kde se mohou objevit jarní mrazíky, může dojít k poškození porostu a následné ztrátě výnosů (Zhong a kol. 2008). Challinor a kol. (2005) uvedli, že teplota je jedním z hlavních parametrů v modelech pro odhad výnosu plodin. K optimalizaci produkce a predikci růstu se v současnosti používají různé modely (např. Rapacz a kol. 2022), ale jejich hlavní nevýhodou může být omezená schopnost předpovídat klimatické extrémy (Barlow et al. 2015), a často také vyžadují množství vstupních dat (Persson a kol. 2017). Relativně přesné informace o stavu porostu a fenologii lze získat pomocí dálkového průzkumu Země (DPZ; Vaghela a kol. 2020), přičemž je možné je buď vizualizovat nebo pracovat čistě s hodnotami odrazivosti a následně je použít například pro odhad dusíku (N) v porostu a následné odvození variabilní aplikační dávky nebo výpočet či odhad ekonomických škod. Každý rostlinný orgán je citlivý na nežádoucí vlivy v jiné míře, avšak pomocí dálkového průzkumu Země je možné sledovat pouze horní část porostu. Z tohoto hlediska je tedy exponovaná nadzemní část rostlin důležitější a je schopna poskytnout informace o zdravotním stavu a vitalitě rostlin na daném místě s ohledem na prostorové rozlišení pořízeného snímku.
Výsledné hodnoty odrazivosti získané skenováním porostů pomocí DPZ jsou zpravidla ovlivněny různými charakteristikami monitorovaných plodin. Patří mezi ně především struktura vegetace, obsah fotosyntetických pigmentů, nutriční stav nebo obsah vody. Z tohoto důvodu je DPZ velmi cenným nástrojem jak pro sledování efektivity agrotechnických opatření, tak také případné snížení nežádoucích dopadů na životní prostředí pomocí odhadu parametrů plodin jako je například obsah chlorofylu a dusíku nebo stav nadzemní biomasy. Běžnou technikou pro hodnocení parametrů plodin je vypočítat a analyzovat vegetační indexy (VI). Vegetační indexy jsou kombinací informací o odrazivosti v různých vlnových délkách. Obvykle se VI počítají ze dvou až čtyř vlnových délek a jsou citlivé na různé parametry plodin v závislosti na oblastech použitého spektra (Gabriel a kol., 2017). Proto jsou identifikace nejcitlivější spektrální oblasti a výběr nejvhodnějšího a zároveň cenově dostupného senzoru důležité parametry pro optimalizaci strategií hospodaření na zemědělské půdě (Prey a Schmidhalter, 2019).
Spektrální křivka odrazivosti zdravé vegetace se vyznačuje nízkými hodnotami ve viditelné části spektra a vysokou odrazivostí v blízké infračervené oblasti spektra (NIR). Naopak spektrální křivka odrazivosti pro holou půdu vykazuje vyšší odrazivost ve viditelné části spektra a nižší odrazivost v NIR v porovnání se zelenou vegetací. Z tohoto důvodu se vegetační indexy založené na poměru červené a NIR oblasti spektra běžně používají pro odhad biomasy. Na tomto principu je založen běžně používaný Normalizovaný Diferenční Vegetační Index (NDVI). Pro odhad biomasy je ale vhodnější použít místo červené zelenou část spektra, protože zde zpravidla nepůsobí efekt saturace, kdy se při vysoké hodnotě listové plochy a množství listových pigmentů sníží citlivost NDVI (zatímco se hodnota odrazivosti v NIR pásmu zvyšuje, v RED pásmu dochází ke stejné absorpci záření).
Protože většina listového dusíku je uložena v chlorofylu, používají se běžně metody hodnocení obsahu chlorofylu během celé vegetační sezóny založené na odrazivosti ve viditelné a NIR části spektra pro účely predikce obsahu N obsaženého v rostlinách a v zrnu. Jeho množství se ovšem mění v závislosti na různých faktorech jako je například fenologická fáze, odrůda, prostředí nebo zde může také hrát roli N uložený do jiných orgánů či složek, což může vést k nekonzistentním výsledkům. Nejpřesnějších výsledků při odhadu N se dosahuje pomocí hyperspektrálních senzorů se SWIR částí spektra (Berger a kol. 2020).
Při použití vegetačních indexů pro zjištění obsahu N v rostlinách vyvstává několik problémů. Jedním z nich je, že většina indexů byla vyvinuta pro odhad obsahu chlorofylu nebo nadzemní biomasy bez ohledu na možný nežádoucí vliv okolí při snímání. Optimální procento N závisí na objemu biomasy a mění se s fenologickým vývojem plodiny, proto pro přesné určení N v plodinách je zapotřebí znát nejen stav nadzemní biomasy, ale také růstovou fázi (Sadras a Lemaire, 2014). Velkým problémem je bezesporu vliv půdního pozadí, protože agrotechnická opatření řešící variabilní dávku hnojení jsou obvykle stanovena již v raných fázích růstu, kdy je porost řídký (Basso a kol. 2009). Proto se velmi často používají indexy, které kompenzují vliv půdního pozadí jako je např. index TSARI či OSAVI.
Hodnotu odrazivosti ovlivňují jak již zmiňovaný dusík obsažený v orgánech rostliny, tak i obsah vody. Kombinace těchto parametrů může vykazovat nepřesnosti při skenování porostů, což následně může stěžovat detekci stresových stavů (Cossani a Sadras, 2018). Z tohoto důvodu je nutné identifikovat spektrální indikátory (vlnové délky), které jsou citlivé na stav plodiny, ale nejsou ovlivněny obsahem vody a naopak. Schopnost odhadu parametrů porostu jako je např. obecně vitalita či obsah dusíku pomocí VI je snížena při vodním stresu (Kusnierek a Korsaeth, 2015). Řešením pro rozlišení obsahu N a vody v porostu může být kombinace informací krátko a středně-vlnné části spektra s tepelnou částí spektra. Jako spolehlivá metoda k detekci vodního stresu rostlin slouží stanovení rozdílu teplot povrchu porostu a vzduchu. Tyto parametry však nestačí, protože teplotu rostlin ovlivňují i jiné faktory daného prostředí. Pro přesnější výpočet vodního stresu navrhli Idso a kol. (1981) tzv. Crop Water Stress Index (CWSI), kdy normalizovali teplotní rozdíl povrchu porostu a vzduchu deficitem tlaku par (Vapour Pressure Deficit, VPD), což umožňuje srovnání stavu porostu v různých podmínkách prostředí a termínech. CWSI index lze také použít pro stanovení dávky zavlažování na základě výpočtu referenčních hodnot, které jsou nezbytné k přesnému výpočtu a stanovení míry vodního či tepelného stresu rostlin. Výpočet je založen na následující rovnici:
kde Tc (°C) je naměřená povrchová teplota porostu, Ta (°C) je teplota vzduchu, Tcl (°C) je teplota porostu dobře transpirujících nebo nestresovaných rostlin (minimální Tc), Tcu (°C) je teplota netranspirujícího, stresovaného porostu (maximální Tc). Termín (Tcu – Ta) a (Tcl – Ta) jsou horní a spodní teplotní limity.
Pro praktické použití CWSI je potřeba zajistit několik požadavků (dle Gonzalez-Dugo a kol. 2013): (1) stanovit aktuální vodní deficit porostu pomocí termálních snímků; (2) zajistit dostatečně vysoké prostorové rozlišení (co nejmenší velikost pixelu) výsledného obrazu, aby nedocházelo k mísení informací z rostlin a půdy; (3) komplexní vyhodnocení celých pozemků během jedné mise; a (4) rychlé a flexibilní získání a zpracování dat pro stanovení aktuálního stavu porostu.
Obecně vzato, snímky z bezpilotních prostředků mohou reflektovat aktuální stav vody v porostu, který závisí na stavu zavlažování či dostupnosti vody rostlinami. Tyto informace mohou být užitečné pro identifikaci prostorové variability porostu či pro detekci problematických míst souvisejících se zavlažovacím systémem. Časové řady snímků představují v tomto případě mnohem ucelenější datovou sadu, která poskytne přehled o vývoji stavu rostlin v porostu v rámci vegetační sezóny či zavlažovacího cyklu. Bohužel z praktického hlediska vyplývá, že jakékoliv pořízení snímků termální kamerou je nákladné i při použití co nejlevnější techniky, a vyžaduje určité znalosti, jak snímek zpracovat a následně správně interpretovat.
Stav vody v porostu může být zjistitelný i dalšími způsoby, které indikují problémy tohoto typu na základě obdobných reakcí porostů. Mezi ně patří různé zobrazovací a analytické metody jako např. automatizované fenotypování, sledování účinnosti fotosyntézy, akumulace sekundárních metabolitů či detekce strukturálních modifikací porostu. Fyziologické reakce rostlin na nedostatek vody jsou již dobře známé. Rostliny reagují na nedostatek vody několika mechanismy, které umožňují adaptaci na pomalý nebo rychlý nedostatek vody, přičemž zvláštní pozornost je věnována nárůstu CO2 (uzavření průduchů a následné snížení koncentrace CO2 v chloroplastech) (Matese a kol. 2018).
Jak již bylo zmíněno výše, v zemědělské praxi se v posledních desetiletích tradičně využívají družicové snímky v optické části spektra. Velkou nevýhodou těchto snímků je však jejich nedostatečná dostupnost a využitelnost během vegetační sezóny kvůli značné oblačnosti nad územím České republiky. Z tohoto důvodu se nabízí využití radarových (SAR) snímků jako potenciálního zdroje informací pro plánování agrotechnických zásahů a zjištění stavu a vývoje porostu v lokálně specifických zónách.
V současné době jsou již celkem významně do rozhodovacích procesů v agronomické praxi zapojeny produkty programu Copernicus Evropské kosmické agentury (ESA). Primárně se jedná především o družicové snímky Sentinel 2 operující v optické části spektra mimo tepelnou oblast, a sekundárně Sentinel 1, jako výsledek snímání v mikrovlnné části spektra, kde je ovšem stále obtížná interpretace výsledných produktů pro využití v agronomické praxi. Výhoda těchto snímků je jejich častá frekvence snímání a relativně dobré prostorové rozlišení. Jak uvádí Tůma a kol. (2022), při výběru družicových snímků Sentinel 1 je potřeba zohlednit danou orbitu kvůli stanoveným principům snímání a vlastností pořízeného snímku. Tím se výsledný výběr použitelných snímků zužuje, nicméně existuje záruka, že výsledné časové křivky nebudou ovlivněny fluktuací hodnot.
Z odborné literatury a zemědělské praxe plyne, že nejvíce využívaným indexem v mikrovlnné části spektra je tzv. radarový vegetační index (RVI), ale také se velmi často používají čistě duální polarizace VV, HH, VH a HV. Polarizace vyjadřuje uspořádání a pravidelnost elektrické a magnetické složky elektromagnetické vlny v rovině kolmé na směr šíření. Pokud vektor elektrické intenzity kmitá ve směru kolmém k zemskému povrchu, vlnění je vertikálně polarizované (V), kmitání ve směru rovnoběžném se zemským povrchem je horizontálně polarizované (H). Radar může vysílat a přijímat mikrovlnné záření o stejné či jiné polarizaci, než vysílá (HV nebo VH), s alternující polarizací (HH, HV se střídá s VV, VH) nebo signál může být plně polarizovaný (HH, VV, HV a VH).
Polarizace může být tedy buď křížová (cross-polarizace; HV, VH) nebo se může jednat o tzv. co-polarizaci (HH nebo VV). Signál z cross-polarizovaných kanálů (HV a VH) je citlivý na strukturální parametry, kde při vícenásobném odrazu je výsledná hodnota vysoká, zatímco u jediného odrazu, např. od holé půdy, je výsledná hodnota nízká. Na druhou stranu co-polarizované kanály (HH či VV) jsou citlivější na obsah vody nebo drsnost povrchu (půdy, porostu) (Moreira a kol. 2013).
Jak je patrné z odborné literatury (např. Harfenmeister a kol. 2019), hodnoty zpětného rozptylu polarizace VV klesají s nárustem biomasy, a to z důvodu zeslabení signálu vlivem rozvoje vertikální struktury rostlin (prodlužovací růst). Oproti tomu je VH polarizace obecně citlivější na objem (tedy i strukturu) vegetace a není tolik ovlivněna vertikální členitostí, protože ze své podstaty je výsledná hodnota ovlivněna dvousměrným rozptylem (VH) na stonku rostlin. V raných růstových fázích jsou výsledné hodnoty také velmi ovlivněny změnami v půdní vlhkosti pozemku. V dubnu a květnu nastupují u obilovin růstové fáze BBCH 30–39 a BBCH 41–49, kdy se jednak prodlužuje stonek a také se vyvíjí praporcový list. V této fázi dochází i k nárůstu pokryvnosti listové plochy až na 100 % v důsledku nárůstu delších a silnějších listů. V růstové fází vývoje praporcového listu dosahují hodnoty zpětného rozptylu polarizace VV minima. Toto období je charakteristické maximem hodnot listové plochy (LAI) s vysokým množstvím vlhké biomasy, která taktéž tlumí signál až na minimum typické pro danou plodinu. V následující růstové fází „metání“ (BBCH 51-59) opět hodnoty zpětného odrazu rostou, a to v obou polarizacích, což je způsobeno především změnou struktury povrchu porostu. Významnou roli hraje bezesporu i obsah vody v porostu, kdy v pozdních fenologických fázích s klesajícím obsahem vody a snížením LAI stabilně klesají i hodnoty zpětného odrazu.
Kim a Van Zyl (2009) uvádí, že RVI byl primárně navržen k identifikaci vegetace pomocí HV, HH, HV a VV SAR kanálů a v tomto kontextu ukázal relativně přesné výsledky při hodnocení parametrů biomasy (Shang a kol. 2013; Wiseman a kol. 2014). Hodnota indexu se u holých půd blíží k nule a roste s produkcí biomasy, přičemž může dosáhnout hodnot blížící se nebo přesahující hodnotu jedna. Pro duálně polarizované senzory SAR, jako je u družice Sentinel 1, byly navrženy alternativní rovnice využívající kanály VH a VV (Trudel a kol. 2012; Mandal a kol. 2020). Nejčastěji používaná rovnice je podle Charbonneau a kol. (2005):
kde σ° je tzv. backscatter coefficient (sigma nought); VH vertikální/horizontální polarizace; a VV vertikální/vertikální polarizace.
Při zpracování SAR snímků je nezbytné zohlednit několik základních kroků, které jsou:
(1) radiometrická kalibrace;
(2) Multi-temporal Speckle Filtering – vybrat vhodný filtr pro částečné potlačení šumu na snímku;
(3) Range – Doppler Terrain Correction – korekce modelu terénu;
a (4) samotný výpočet indexu.
SAR snímky v různé podobě by při vhodném zpracování a cíleném využití mohly celkem spolehlivě doplnit informace o stavu porostu. Stejně jako běžně využívané indexy či samotná spektrální pásma z optické části spektra jsou schopny predikovat a celkem jasně popsat stav, strukturu a vitalitu porostu, tak i informace z mikrovlnné části spektra mohou přispět k doplnění a ucelení informací o strukturálních parametrech biomasy, obsahu vody či drsnosti povrchu.
Mapy odvozené ze snímků družice Sentinel 1 v mikrovlnné části spektra mohou představovat alternativu pro stanovení např. míry poškození či odhadu vitality porostu k již hojně využívaným snímkům v optické části spektra. Z odborné literatury plyne, že radarové snímky není možné používat pro hodnocení porostu po jednotlivých pixelech, a tak se většinou jejich hodnocení vztahuje k celým dílčím půdním blokům.
Použitá literatura:
Balážová, K., Chyba, J., Kumhálová, J., Mašek, J., Petrásek, S. (2021). Monitoring of khorasan (Triticum turgidum ssp. turanicum) and modern kabot spring wheat (triticum aestivum) varieties by uav and sensor technologies under different soil tillaged. Agronomy, 11(7), 1348.
Barlow, K.M., Christy, B.P., O’Leary, G.J., Riffkin, P.A., Nuttall, J. G. (2015). Simulating the impact of extreme heat and frost events on wheat crop production: A review. Field Crops Research, 171, 109-119.
Basso, B., Cammarano, D., Grace, P.R., Cafiero, G., Sartori, L., Pisante, M., Landi, G., de Franchi, S., Basso, F. (2009). Criteria for Selecting Optimal Nitrogen Fertilizer Rates for Precision Agriculture. Italian Journal of Agronomy, 4(4), 147-158.
Berger, K., Verrelst, J., Féret, J.B., Hank, T., Wocher, M., Mauser, W. Camps-Valls, G. (2020). Retrieval of Aboveground Crop Nitrogen Content with a Hybrid Machine Learning Method. International Journal of Applied Earth Observation and Geoinformation, 92.
Cossani, C.M., Sadras, V.O. (2018). Water-Nitrogen Colimitation in Grain Crops. Vol. 150, 1st. Ed. Elsevier Inc.
Fuglie, K.O. (2021). Climate change upsets agriculture. Natural Climate Change, 11(4), 294–295.
Gabriel, J. L., Zarco-Tejada, P.J., López-Herrera, P.J., Pérez-Martín, E., Alonso-Ayuso, M., Quemada, M. (2017). Airborne and Ground Level Sensors for Monitoring Nitrogen Status in a Maize Crop. Biosystems Engineering, 160, 124-133.
Gonzalez-Dugo, V., Zarco-Tejada, P., Nicolas, E., Nortes, P.A., Alarcon, J.J., Intrigliolo, D.S., Fereres, E. (2013). Using high resolution UAV thermal imagery to assess the variability in the water status of five fruit tree species within a commercial orchard. Precision Agriculture, 14, 660–678.
Harfenmeister, K., Spengler, D., Weltzien, C. (2019). Analyzing Temporal and Spatial Characteristics of Crop Parameters Using Sentinel-1 Backscatter Data. Remote Sensing, 11, 1569.
Challinor, A., Wheeler, T., Craufurd, P., Slingo, J. (2005). Simulation of the impactof high temperature stress on annual crop yields. Agric. For. Meteorol., 135,180–189.
Charbonneau, F., Trudel, M., Fernandes, R. (2005). Use of dual polarization and multi-Incidence SAR for soil permeability mapping. Advanced Synthetic Aperture Radar (ASAR), St-Hubert, Canada.
Idso, S.B., Jackson, R.D., Pinter, P.J., Reginato, R.J., Hatfield, J.L. (1981). Normalizing the Stress-Degree-Day Parameter for Environmental Variability. Agricultural Meteorology, 24(C):45-55.
Kajla, M., Yadav, V.K., Hkokhar, J., Singh, S., Chhokar, R.S., Meena, R.P., Sharma, R.K. (2015). Increase in wheat production through management of abiotic stresses: A review. Journal of Applied and Natural Science, 7(2), 1070-7080.
Kim, Y., Van Zyl., J.J. (2009). “A Time-Series Approach to Estimate Soil Moisture Using Polarimetric Radar Data.” IEEE Transactions on Geoscience and Remote Sensing 47(8), 2519–27.
Kusnierek, K., Korsaeth, A. (2015). Simultaneous Identification of Spring Whaet Nitrogen and Water Status Using Visible and Near Infrared spektra and Powered Partial Least Squares Regression. Computers and Electronics in Agriculture, 117, 200-213.
Mandal, D., Kumar, V., Ratha, D., Dey, S., Bhattacharya, A., Lopez-Sanchez, J.M., McNairn, H., Rao, Y.S. (2020). Dual Polarimetric Radar Vegetation Index for Crop Growth Monitoring Using Sentinel-1 SAR Data. Remote Sensing of Environment 247(January).
Matese, A., Baraldi, R. Berton, A., Cesaraccio, C., Di Gennaro, S.F., Duce, P., Facini, O., Mameli, M.G., Piga, A., Zaldei, A. (2018). Estimation of Water Stress in Grapevines Using Proximal and Remote Sensing Methods. Remote Sensing, 10, 114.
Moreira, A., Prats-Iraola, P., Younis, M., Krieger, G., Hajnsek, I., Papathanassiou, K.P. (2013). A Tutorial on Synthetic Aperture Radar. IEEE Geoscience and Remote Sensing Magazine 1(1), 6–43.
Persson, T., Bergjord Olsen, A.K., Nkurunziza, L., Sindhöj, E., Eckersten, H. (2017). Estimation of crown temperature of winter wheat and the effect on Simulation of frost tolerance. Journal of Agronomy and Crop Science, 203(2), 161-176.
Prey, L., Schmidhalter, U. (2019). Simulation of Satellite Refelctance Data Using High-Frequency Ground Based Hyperspectral Canopy Measurements for in-Season Estimation of Grain Yield and Grain Nitrogen Status in Winter Wheat. ISPRS Journal of Photogrammetry and Remote Sensing, 149, 176-187.
Rapacz, M., Macko-Podgórni, A., Jurczyk, B., Kuchar, L. (2022). Modeling wheat and triticale winter hardiness under current and predicted winter scenarios for Central Europe: A focus on deacclimation. Agricultural and Forest Meteorology, 313, 108739.
Rataj, V., Kumhálová, J., Macák, M., Barát, M., Galambošová, J., Chyba, J., Kumhála, F. (2022). Long-Term Monitoring of Different Field Traffic Management Practices in Cereals Production with Support of Satellite Images and Yield Data in Context of Climate Change. Agronomy, 12(1), 128.
Sadras, V.O., Lemaire, G. (2014). Quantifying Crop Nitrogen Status for Comparisons of Agronomic Practices and Genotypes. Field Crops Research, 164(1), 54-64.
Shang, J., Jiao, X., McNairn, H., Kovacs, J., Walters, D., Ma, B., Geng, X. (2013). Tracking Crop Phenological Development of Spring Wheat Using Synthetic Aperture Radar (SAR) in Northern Ontario, Canada. 2013 2nd International Conference on Agro-Geoinformatics: Information for Sustainable Agriculture, Agro-Geoinformatics 2013, 517–21.
Trudel, M., Charbonneau, F., Leconte, R. (2012). Using RADARSAT-2 Polarimetric and ENVISAT-ASAR Dual-Polarization Data for Estimating Soil Moisture over Agricultural Fields. Canadian Journal of Remote Sensing 38(4), 514–27.
Tůma, L., Kumhálová, J., Kumhála, F. Krepl, V. (2022). The noise‑reduction potential of Radar Vegetation Index for crop management in the Czech Republic. Precision Agriculture, 23(2), 450-469.
Vaghela, B.N., Solanki, H.A., Kalubarme, M.H. (2020). Winter wheat growth assessment using Temporal Normalized Phenology Index (TNPI) in Bhuj Taluka, Gujarat State, India. Remote Sensing Applications: Society and Environment, 20, 100422.
Wiseman, G., McNairn, H., Homayouni, S., Shang, J. (2014). RADARSAT-2 Polarimetric SAR Response to Crop Biomass for Agricultural Production Monitoring. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 7(11), 4461–71.
Zhong, X.L., Mei, X.R., Li, Y.Z., Yoshida, H., Zhao, P., Wang, X., et al. (2008). Changes in frost resistance of wheat young ears with development during jointing stage. Journal of Agronomy and Crop Science, 194, 343–349.
