Kvantitativní odhad vybraných biofyzikálních

parametrů porostů zemědělských plodin na podkladě

družicových dat Sentinel-2 a jeho využití pro tvorbu

aplikačních map precizního zemědělství

Certifikovaná metodika

RNDr. Jan Mišurec, Ph.D.1

Mgr. Jiří Tomíček1

Ing. Petr Lukeš, Ph.D.2

Ing. Karel Klem, Ph.D.2

1 Gisat s.r.o., Milady Horákové 547/57, Praha-7, 170 00

2 Ústav výzkumu globální změny AV ČR v.v.i., Bělidla 986/4a, Brno, 603 00

2019

1

Dedikace

Tato metodika vznikla v rámci řešení projektu TH02030248: Využití družicových dat Copernicus

pro efektivní monitoring stavu a managementu vybraných rostlinných agrosystémů který byl

podpořen v rámci programu Epsilon Technologické Agentury České republiky (TA ČR).

Oponenti

doc. Mgr. Jitka Kumhálová, Ph.D.

Katedra využití strojů

Technologická fakulta

Česká zemědělská univerzita v Praze

Kamýcká 129, Praha 6 – Suchdol, 165 00

Poděkování

Autorský kolektiv by na tomto místě rád poděkoval lidem, bez jejichž podpory a pomoci by vývoj

popisované metodiky nebyl možný.

Martina Martincová (Poděbradská Blata a.s.)

Ing. Jiří Hlaváček (Pěstitel Stratov s.r.o.)

Ing. Jan Foldyna

Mgr. Markéta McEwan (Gisat s.r.o,)

Bc. Lucie Jakešová (Gisat s.r.o.)

Bc. Lukáš Fajmon (ÚVGZ AV ČR v.v.i.)

Mgr. Tomáš Purket (ÚVGZ AV ČR v.v.i.)

Mgr. Barbora Veselá (ÚVGZ AV ČR v.v.i.)

dr. Rahul Raj, Ph.D. (ÚVGZ AV ČR v.v.i.)

2

Obsah

1. Cíle metodiky ............................................................................................................................................ 3

2. Vlastní popis metodiky ......................................................................................................................... 4

2.1. Úvod ..................................................................................................................................................................... 4

2.1.1. Teorie kvantitativního odhadu biofyzikálních parametrů vegetace ............................... 6

2.2. Sběr referenčních pozemních dat ............................................................................................................ 7

2.2.1. Organizace pozemních kampaní pro sběr referenčních dat................................................ 8

2.2.2. Měření obsahu chlorofylu .................................................................................................................. 9

2.2.3. Měření obsahu vody, specifické listové plochy a hmotnosti ............................................ 10

2.2.4. Měření indexu listové plochy ........................................................................................................ 11

2.2.5. Měření spektrálních charakteristik porostů ........................................................................... 13

2.3. Předzpracování družicových dat Sentinel-2..................................................................................... 15

2.4. Parametrizace modelu přenosu záření PROSAIL ........................................................................... 16

2.4.1. Odhad hodnot strukturálních parametru N ............................................................................ 17

2.4.2. Odhad parametrů popisujících architekturu listoví a strukturu porostu ................... 17

2.4.3. Vliv kvetení řepky .............................................................................................................................. 18

2.5. Kvantitativní odhad biofyzikálních parametrů porostů .............................................................. 19

2.5.1. Tvorba databáze simulovaných spektrálních signatur ...................................................... 19

2.5.2. Výpočet biofyzikálních parametrů z družicových dat Sentinel-2 .................................. 20

2.5.3. Maskování pixelů družicových dat postižených oblačností ............................................. 23

2.5.4. Omezení výpočtu obsahu chlorofylu a vody na porosty o dostatečné zapojenosti 23

2.6. Validace výsledků odhadu biofyzikálních parametrů .................................................................. 23

2.6.1. Validace odhadu biofyzikálních parametrů pomocí pozemních měření .................... 23

2.6.2. Srovnání s odbornou literaturou a zhodnocení výsledků validace ............................... 26

2.7. Tvorba aplikačních map ............................................................................................................................ 27

2.7.1. Definice vymezení management zón ......................................................................................... 27

2.7.2. Stanovení počtu management zón .............................................................................................. 30

2.7.3. Přenositelnost určení management zón mezi zemědělskými pozemky ..................... 31

2.8. Srovnání novosti postupů ........................................................................................................................ 32

3. Popis uplatnění metodiky ................................................................................................................. 33

4. Ekonomické aspekty uplatnění metodiky................................................................................... 34

5. Seznam použité související literatury........................................................................................... 34

6. Seznam publikací, které předcházely metodice ....................................................................... 36

7. Použité přístrojové a softwarové vybavení a externí datové vstupy ................................ 37

3

1. Cíle metodiky

Sledování stavu vegetace prostřednictvím družicových dat je důležitá aplikace dat dálkového

průzkumu Země. Vlastnosti vegetace jsou ovšem typicky popisovány pouze pomocí tzv.

vegetačních indexů, které jsou založeny na aritmetické kombinaci odrazivosti vegetace v několika

spektrálních pásmech. Přestože vegetační indexy mohou o stavu porostů leccos napovědět, jejich

hodnoty jsou v případě multispektrálních dat v naprosté většině případů ovlivněny několika

různými charakteristikami vegetace současně (např. obsahem listových pigmentů, zapojeností

porostu, množstvím biomasy, prostorovou orientací listoví apod.). Z tohoto důvodu je následná

interpretace hodnot vegetačních indexů velmi obtížná. Oproti tomu jsou biofyzikální parametry

mnohem specifičtějšími indikátory stavu vegetace, neboť mají přímou souvislost s jednotlivými

biologickými a fyzikálními procesy souvisejícími s vegetací.

Cílem této metodiky je souhrnný popis postupu výpočtu biofyzikálních parametrů zemědělských

plodin na podkladě družicových dat Sentinel-2 s využitím modelu přenosu záření včetně

zhodnocení jeho spolehlivosti pomocí referenčních pozemních dat. Součástí metodiky je

kompletní popis jednotlivých fází zahrnujících sběr referenčních dat (sekce 2.2), předzpracování

družicových dat Sentinel-2 (sekce 2.3) až po vlastní řešení kvantitativního odhadu hodnot

biofyzikálních parametrů (sekce 2.4, 2.5 a 2.6) a jejich následné využití pro tvorbu aplikačních

map využitelných v rámci precizního zemědělství (sekce 2.7). Popis metodiky obsahuje rovněž

výsledky

S ohledem na spektrální charakteristiku družicových dat Sentinel-2, na jejichž využití je celá

metodika založena, je prováděn kvantitativní odhad hodnot následujících tří biofyzikálních

parametrů:

Obsah chlorofylu (Cab): vyjadřuje obsah fotosynteticky aktivních pigmentů v listoví vztažený na

listovou plochu (μg/cm2). Množství listových pigmentů přitom úzce souvisí s celkovou

fotosyntetickou aktivitou rostlin. Kromě toho koreluje s množstvím dusíku v listech. Odhad

obsahu chlorofylů tak může být použit jako jeden z hlavních vstupů pro tvorbu aplikačních map

pro variabilní aplikace, např. pro sledování aktuálního zdravotního stavu porostů, nebo ke

zhodnocení dopadů provedených agrotechnických opatření. V průběhu dozrávání (např. obilniny,

řepka apod.) dochází k přirozenému úbytku obsahu chlorofylu, díky čemuž je možné sledovat

nejen aktuální úroveň zralosti, ale i tzv. selektivní dozrávání plodin.

Obsah vody (Cw): je vyjádřen parametrem Equivalent Water Thickness (cm) představující výšku

vrstvy, kterou by voda obsažená v listech vytvořila na ploše listu. Výsledek je proto vyjádřen

v centimetrech [cm]. Jedná se o dynamický parametr popisující aktuální zásobenost porostů

vodou. Díky tomu je možné sledovat případné ohrožení rostlin nedostatkem vody (např.

v důsledku sucha). Podobně jako v případě obsahu chlorofylu lze i obsah vody použít ke studiu

zdravotního stavu porostů a aktuální úrovně zralosti.

Index listové plochy (LAI): je definován jako jednostranná plocha listoví vztažená na

jednotkovou plochu povrchu. Jedná se tedy o bezrozměrnou veličinu (resp. její jednotkou by byly

m2/m2). Index listové plochy je důležitým parametrem k určování mnoha dalších biologických a

fyzikálních procesů souvisejících s vegetací, neboť popisuje plochu, na níž dochází k příjmu

slunečního záření rostlinou a její interakci se zemskou atmosférou. Pomocí hodnot indexu listové

plochy lze sledovat především zapojenost porostu a nárůst množství biomasy v čase, čehož lze

následně využít při přípravě podkladů pro variabilní aplikaci hnojiv při produkčním a

kvalitativním hnojení, a následně též pro sledování jejich dopadů.

Kritickou fází při návrhu metodiky odhadu kvantitativních parametrů je parametrizace použitého

modelu přenosu záření, spočívající zejména ve správném popisu struktury porostů, která se mezi

4

různými zemědělskými plodinami může poměrně zásadně lišit (např. obilniny vs. cukrovka vs.

kukuřice). Z tohoto důvodu byl použitý model přenosu záření parametrizován specificky pro

různé zemědělské plodiny (respektive skupiny plodin) tak, aby poskytoval vždy co

nejoptimálnější výsledky. Plodinami (skupinami plodin), uvažovanými pro parametrizaci

použitého modelu přenosu záření, byly:

ozimé obiloviny (pšenice ozimá, ječmen ozimý, žito ozimé, triticale ozimé…)

jarní obiloviny (pšenice jarní, ječmen jarní, žito jarní, triticale jarní, oves…)

řepka

pícniny (vojtěška, jetel, jetelotravní a vojtěškotravní směsi…)

cukrovka

kukuřice

Tento přístup na jednu stranu poněkud omezuje aplikaci popisované metodiky pouze pro výše

uvedené plodiny, tyto však pokrývají v současné době přibližně 93 % rozlohy veškeré orné půdy

v České republice (viz. Obrázek 1).

Obrázek 1: Struktura zemědělských plodin pěstovaných v ČR a jejich podíl na rozloze orné půdy (zdroj: SZIF).

2. Vlastní popis metodiky

2.1. Úvod

Družicová data představují efektivní nástroj pro bezkontaktní a nedestruktivní sběr informací o

vlastnostech zemského povrchu, který je realizován prostřednictvím studia interakce

elektromagnetického záření s objektem zájmu. Metody sběru informací o zemském povrchu

prostřednictvím elektromagnetického záření jsou pak souhrnně označovány jako dálkový

průzkum Země (DPZ). Z hlediska způsobu, jakým je interakce elektromagnetického záření se

zemským povrchem studována, je možné rozlišit pasivní dálkový průzkum, při kterém je

využíváno povrchem odražené sluneční záření či případně tepelné záření Země, a aktivní dálkový

5

průzkum založený na vlastním umělé zdroji elektromagnetického záření (např. radar v

mikrovlnné či lidar v optické části spektra). V případě popisované metodiky je využíván pasivní

dákový průzkum využívající data zachycující elektromagnetické záření v optické doméně, která je

omezena rozsahem vlnových délek v intervalu cca 400 – 2500 nm. Množství odraženého záření je

pak sledováno na několika dílčích vlnových délkách (resp. intervalech vlnových délek)

odpovídajících jednotlivým spektrálním pásmům elektromagnetického záření. Hovoříme pak o

tzv. multispektrálních datech a jejich spektrálních signaturách.

Důležitou skutečností přitom je, že spektrální signatura povrchu přímo souvisí s jeho fyzikálními

(případně dalšími) vlastnostmi. Změna vlastností povrchu tak současně vyvolá i změnu spektrální

signatury. Vzájemný vztah spektrální signatury povrchu a jeho fyzikálních vlastností je pak

klíčovým faktorem umožňujícím kvantitativní odhad charakteristik zemského povrchu. V případě

vegetace, která je hlavním objektem zájmu této metodiky, jsou sledovány zejména charakteristiky

popisující fyziologický stav (tj. např. obsahy listových barviv, vody, sušiny apod.), a dále pak

vlastnosti související se strukturou porostů (např. zapojenost porostu, prostorové orientace

listoví apod.). Veškeré tyto vlastnosti jsou pak souhrnně označovány jako biofyzikální

parametry. Obdobně jako u ostatních typů zemského povrchu i zde existují funkční závislosti

mezi hodnotami biofyzikálních parametrů a spektrální signaturou porostu. Ukázka takových

závislostí je uvedena na Obrázek 2.

Obrázek 2: Ukázka závislosti spektrálních charakteristik vegetace na změně hodnot hlavních biofyzikálních parametrů. Grafy znázorňují změnu odrazivosti vegetace v různých vlnových délkách při měnícím se obsahu chlorofylu (vlevo nahoře), vody (vpravo nahoře) a indexu listové plochy (dole).

6

2.1.1. Teorie kvantitativního odhadu biofyzikálních parametrů vegetace

Kvantitativní odhad biofyzikálních parametrů vegetace může být založen na dvou odlišných

přístupech. Prvním z těchto přístupů je tzv. empirické modelování, které je založeno na přímé

korelaci mezi spektrální signaturou porostu (zjištěnou z dat DPZ) a jeho biofyzikálními

charakteristikami (zjištěnými pomocí pozemních měření). Vzájemný vztah spektrálních a

biofyzikálních charakteristik je pak popsán pomocí regresní rovnice. Empirické modelování tak

představuje jednoduchý a rychlý nástroj pro odhad charakteristik vegetace, která však na druhé

straně trpí několika nedostatky. Tím nejzásadnějším je skutečnost, že vztahy mezi spektrálními a

biofyzikálními charakteristikami vegetace popsané pomocí empirického regresního modelu jsou

místně specifické a nelze je tak aplikovat v jiných podmínkách, než v jakých byly vytvořeny.

Obdobně jsou pak tyto vztahy i časově specifické (tj. vytvořený empirický model je možné

aplikovat pouze na data pořízená ve stejném, či přinejmenším podobném termínu, v jakém byl

proveden sběr pozemních dat). Roli zde hraje i struktura vegetace, kdy empirický vztah mezi

spektrálními a biofyzikálními charakteristikami odvozený pro vegetaci o určité architektuře

porostu nelze jednoduše použít na porosty s odlišnou architekturou. Kromě toho klade použití

empirického modelování značné nároky na sběr referenčních pozemních dat, kterých musí být

dostatečné množství k vytvoření robustního statistického modelu (v tomto ohledu nejde jen o

pouhé množství referenčních měření, ale také o to, zda tato měření pokrývají dostatečně velký

gradient hodnot zájmových biofyzikálních parametrů).

Druhou možností, která je v praxi aplikována v rámci metodiky popisované v tomto dokumentu,

je využití modelů přenosu záření (tzv. radiative transfer models - RTMs). Modely přenosu záření

představují nástroj pro fyzikální popis šíření elektromagnetického záření a jeho interakce

s vegetačním porostem, přičemž berou v potaz biofyzikální vlastnosti porostu, jeho strukturu,

světelné podmínky v době snímkování apod. Výstupem modelu je pak simulovaná spektrální

signatura porostu odpovídající určité sestavě vstupních parametrů popisujících vlastnosti

porostu (tj. např. obsah listových pigmentů a vody, zapojenost a architektura porostu apod.).

Databáze simulovaných spektrálních signatur a jim odpovídajících hodnot biofyzikálních

parametrů vygenerovaná pomocí modelu přenosu záření je pak použita jako vzor pro natrénování

příslušného algoritmu, který je následně aplikován na spektrální signatury extrahované

z nasnímaných dat DPZ. Využití modelů přenosu záření má oproti použití empirických modelů

mnoho výhod. Tou nejvýznamnější je skutečnost, že řešení je založeno na obecně platných

fyzikálních zákonech, které nejsou místně a časově specifické. Na druhou stranu je použití modelu

přenosu záření komplexnější a časově náročnější proces v porovnání s empirickým modelováním.

Kritickou fází je parametrizace modelu, při které jsou hledány optimální hodnoty vstupních

parametrů tak, aby modelem simulovaná spektrální signatura co nejlépe odpovídala pozorované

realitě. Každý model navíc představuje určitou míru generalizace skutečnosti, díky čemuž

simulované spektrální signatury porostů nemusí plně odpovídat reálným signaturám. Obecný

princip odhadu hodnot biofyzikálních charakteristik vegetace s využitím modelu přenosu záření

je zobrazen na Obrázek 3.

7

Obrázek 3: Ukázka přístupu k odhadu biofyzikálních charakteristik porostů zemědělských plodin s využitím modelu přenosu záření.: sběr pozemních dat pro parametrizaci modelu a validaci výsledků (zelené prvky), parametrizace modelu a tvorba databáze simulovaných spektrálních signatur porostů (modré prvky), vlastní výpočet zájmových biofyzikálních parametrů pomocí umělé neuronové sítě (oranžové prvky), zpracování družicových dat a informace o plodině pěstované na zájmovém pozemku (žluté prvky).

2.2. Sběr referenčních pozemních dat

Pozemní data hrají při vývoji jakékoliv metodiky pro odhad kvalitativní a zejména pak

kvantitativní informace z dat dálkového průzkumu Země naprosto nezastupitelnou úlohu. Úlohu

pozemních dat je pak v rámci popisované metodiky možné rozdělit do tří hlavních oblastí:

Získat referenční data pro zhodnocení radiometrické kvality družicových dat Sentinel-2

(viz sekce 2.3).

Získat podklady pro reprezentativní parametrizaci modelu přenosu záření PROSAIL (viz sekce 2.4).

Získat referenční data pro validaci odhadu biofyzikálních charakteristik porostů zemědělských plodin na podkladě družicových dat Sentinel-2 (viz sekce 2.6).

8

Veškerá pozemní měření byla realizována na pozemcích spolupracujících zemědělských podniků

Poděbradská Blata a.s. (2017, 2018), Pěstitel Stratov s.r.o. (2017, 2018) a ZAS Podchotucí a.s.

(2018).

2.2.1. Organizace pozemních kampaní pro sběr referenčních dat

Vzhledem k odlišné fenologii (a tím i vývoji struktury porostů jednotlivých zájmových plodin) je

nutné stanovit optimální termíny sběru pozemních dat, a to tak, aby jimi byly reprezentovány

nejdůležitější růstové fáze jednotlivých plodin. Jako pomocný podklad byly v tomto případě

využity temporální křivky vegetačního indexu NDVI odvozené z časových řad družicových dat

Sentinel-2 a Landsat-8. Výběr konkrétního termínu je pak dán i aktuálním počasím, které musí být

vhodné pro sběr pozemních dat. Termíny pozemních kampaní realizovaných v rámci vývoje této

metodiky jsou uvedeny na Obrázek 4.

Obrázek 4: Vývoj hodnot vegetačního indexu NDVI porostů zemědělských plodin v čase a termíny sběru referenčních pozemních dat (čárkovaně). Časové profily indexu NDVI představují průměry hodnot za všechny zemědělské pozemky, na nichž byl realizován sběr pozemních dat.

Z hlediska dalšího využití pozemních referenčních dat je velmi důležité, aby získané hodnoty byly

na jednu stranu reprezentativní, avšak současně aby pokrývaly dostatečný gradient hodnot

sledovaných parametrů. Tento aspekt je možné zajistit opakovaným měřením v různých

9

růstových fázích porostů (viz výše), avšak značný vliv má i výběr vhodných referenčních pozemků

a umístění referenčních bodů (na nichž jsou jednotlivá měření prakticky realizována) v rámci

těchto pozemků. Výběr referenčních pozemků byl proto konzultován se zástupci spolupracujících

zemědělských podniků s ohledem na jejich dlouhodobou znalost růstových podmínek

jednotlivých plodin. Na každém pozemku pak bylo vymezeno minimálně pět referenčních bodů se

vzájemnými rozestupy 40 metrů (tj. dvojnásobek velikosti pixelu družicových dat Sentinel-2),

jejichž poloha byla zaměřena pomocí GPS přístroje. Lokalizace těchto bodů byla přitom volena tak,

aby pokud možno co nejvíce pokrývala relativní gradienty stavu porostů v rámci daného

pozemku. Pro detekci gradientů stavu porostů byla vždy využita vrstva vegetačního indexu NDVI

odvozeného z poslední použitelné družicové scény (Landsat-8 nebo Sentinel-2) pořízené před

začátkem dané pozemní kampaně. Způsob vymezení referenčních bodů je znázorněn na Obrázek

5. Veškerá měření (jejichž popis je uveden v sekcích 3.2 – 3.6) pak byla provedena v prostoru 20

x 20 metrů v okolí daného referenčního bodu (tj. tak, aby pokrývala plochu pixelu družicových dat

Sentinel-2 v rámci něhož se referenční bod nacházel).

Souhrn všech pozemních měření realizovaných v rámci vývoje této metodiky je následující:

2017: 18 pozemků (7x pšenice ozimá, 4x ječmen ozimý, 5x řepka ozimá, 1x vojtěška, 1x cukrovka, 1x kukuřice); 188 referenčních bodů.

2018: 21 pozemků (3x pšenice ozimá, 2x ječmen jarní, 6x vojtěška, 4x cukrovka, 4x

kukuřice); 246 referenčních bodů.

Obrázek 5: Ukázka způsobu vymezení referenčních bodů pro sběr pozemních dat v souvislosti s podchycením relativních gradientů stavu porostů na podkladě vegetačního indexu NDVI.

2.2.2. Měření obsahu chlorofylu

Měření obsahu chlorofylu bylo realizováno prostřednictvím přístroje Force-A Dualex [1]. V okolí

každého referenčního bodu bylo provedeno vždy 10 měření, která byla následně zprůměrována.

Jedná se o ruční přístroj, který měří nedestruktivně vegetační index, který má silnou korelaci

s laboratorně určenou hodnotou chlorofylu. Principiálně přístroj měří propustnost listoví

v úzkých vlnových délkách citlivých na změnu obsahu chlorofylu.

10

2.2.3. Měření obsahu vody, specifické listové plochy a hmotnosti

Obsah vody v listoví porostů je určován gravimetricky, tj. na základě rozdílu čerstvé a suché

hmotnosti odebraných vzorků listů. Vzorky jsou ihned po odebrání přepraveny do mobilní

laboratoře, kde je pomocí laboratorních vah určena jejich čerstvá hmotnost (FW), a současně je

pomocí stolního skeneru pořízen sken (viz Obrázek 6) k určení plochy listů, tvořících daný

vzorek, z nichž je pak celková plocha listů určena jako:

𝐿𝐴𝑃 = 𝑁 ∙6.4516

𝐷𝑃𝐼2

Kde: LAP…celková plocha listů vzorku, N…počet pixelů reprezentujících listy, DPI…rozlišení

použitého skeneru, hodnota 6.4516 představuje koeficient přepočtu čtverečních palců na

čtvereční centimetry (1 čtvereční palec = 6.4516 cm2).

Odebrané vzorky jsou následně umístěny do sušičky, kde se suší po dobu nejméně 48 hodin při

teplotě 70°C. Po vysušení vzorků je pomocí laboratorních vah stanovena jejich suchá hmotnost

(DW). Obsah vody je pak určen jako:

𝐶𝑤 =𝐹𝑊 − 𝐷𝑊

𝐿𝐴𝑃

Kde: FW…čerstvá hmotnost vzorku, DW…suchá hmotnost vzorku, LAP…celková plocha listů

vzorku.

Vedle obsahu vody je pak určena i specifická listová plocha (Specific Leaf Area – SLA [cm2/g]),

respektive specifická listová hmotnost (Specific Leaf Weight – SLW [g/cm2]) určující vztah mezi

suchou hmotností listu a jeho plochou. Specifická listová hmotnost pak odpovídá obsahu sušiny

(Cm), které je jedním z parametrů použitého modelu přenosu záření PROSAIL (viz sekce 2.4).

𝑆𝐿𝐴 =𝐿𝐴𝑃

𝐷𝑊; 𝑆𝐿𝑊 =

𝐷𝑊

𝐿𝐴𝑃=

1

𝑆𝐿𝐴

Kde: SLA…specifická listová plocha, SLW…specifická listová hmotnost, LAP celková plocha listů

vzorku, DW…suchá hmotnost listů vzorku.

Obrázek 6: Ukázka skenu vzorku listu (vlevo) a jeho transformace do podoby binární masky (vpravo).

11

2.2.4. Měření indexu listové plochy

Měření indexu listové plochy bylo provedeno jednak prostřednictvím digitálních hemisférických

fotografií, a dále pak pomocí přístroje Delta-T SunScan. Důvodem pro tento postup byla

skutečnost, že každá z uvedených metod je vhodná pro jiné růstové fáze plodin.

Měření indexu listové plochy přístrojem SunScan

Měření indexu listové plochy prostřednictvím přístroje Delta-T SunScan [2] je vhodné v případě

vyšších a zapojených porostů, kdy se použití digitálních hemisférických fotografií jeví jako

problematické. Naopak jako nevhodné se jeví v případě raných růstových fází s nízkými a

nezapojenými porosty, kdy porost nedokáže dostatečně překrýt čidlo senzoru, čímž dochází

k podhodnocení měřených hodnot LAI. Na každém referenčním bodu bylo pořízeno 5 měření,

která byla následně zprůměrována. Současně pak bylo na každém bodě provedeno i kalibrační

měření mimo porost, jehož hodnota pak byla použita k opravě hodnot naměřených v porostu.

Měření indexu listové plochy pomocí digitálních hemisférických fotografií

Měření indexu listové plochy prostřednictvím digitálních hemisférických fotografií (DHP) je

vhodné zejména v případě nižších a méně zapojených porostů. Naopak jako nepříliš vhodné se

jeví v případě vzrostlých a zapojených porostů. Důvodem je skutečnost, že „mezery“ (gaps)1

detekované na hemisférických fotografiích mohou ve skutečnosti představovat místa zakrytá zastíněnými listy nacházejícími se v hlubších vrstvách porostu, což má za následek podhodnocení

určené hodnoty indexu listové plochy.

Obrázek 7: Ukázka digitálních hemisférických fotografií. Vlevo: hustý a zapojený porost pšenice ozimé (LAI = 3.7), vpravo: řídký a málo zapojený porost ozimé pšenice (LAI = 1.8). Oba snímky byly pořízeny 31.3. 2017.

Na každém z referenčních bodů bylo pořízeno vždy celkem 8 hemisférických fotografií pomocí

digitálního fotoaparátu Canon EOS 700D [3] vybaveného objektivem Sigma 4.5 mm f/2.8 „Circular

Fisheye“ [4]. Vzorkovací schéma jednotlivých fotografií je znázorněno na Obrázek 8. Fotografie

byly pořizovány z pevného stativu s osou snímání kolmo k povrchu (tzv. z nadiru). Na pořízených

fotografiích byly nejprve odmaskovány části zakryté např. částmi stativu apod., které by jinak

výpočet indexu listové plochy zkreslovaly. V dalším kroku byly fotografie nejprve segmentovány

1 Výpočet indexu listové plochy z hemisférických fotografií je založen na tzv. gap fraction method spočívající

ve sledování prostorové distribuce mezer ve vegetačním pokryvu.

12

pomocí nástrojů pro segmentaci obrazu, a následně pak klasifikovány do podoby binární masky

vegetace. Jednotlivé sekvence osmi snímků (vztahující se k jednotlivým referenčním bodům) pak

byly zpracovány pomocí software CanEye [5], jehož výstupem jsou hodnoty efektivního (LAIe) a

skutečného (LAI) indexu listové plochy. Před zahájením zpracování hemisférických fotografií byla

provedena kalibrace software CanEye spočívající ve stanovení optického středu a projekční

funkce použitého hemisférického objektivu. Postup této procedury je detailně popsán

v dokumentaci software CanEye.

Obrázek 8: Schéma prostorového rozložení digitálních hemisférických fotografií (červeně) v rámci plochy odpovídající pixelu družicových dat Sentinel-2 a daný referenční body (modře).

Integrace měření hodnot indexu listové plochy

Jak již bylo uvedeno výše, měření indexu listové plochy bylo v případě nízkých a málo zapojených

porostů provedeno prostřednictvím hemisférických fotografií, zatímco v případě dospělých,

vysoce zapojených porostů byl využit přístroj SunScan. Ve všech ostatních případech byly

současně realizovány oba typy měření. Díky tomu bylo možné porovnat vzájemný vztah výsledků

stanovení LAI získaných oběma metodami. Touto analýzou bylo zjištěno, že mezi hodnotami LAI

určenými pomocí digitálních hemisférických fotografií a hodnotami, určených na základě měření

přístrojem SunScan existuje silný lineární vztah (r = 0.79, viz Obrázek 9). Na základě tohoto

lineárního vztahu pak byla aplikována transformace hodnot LAI získaných pomocí přístroje

SunScan tak, aby byla zajištěna jejich maximální kompatibilita s hodnotami zjištěnými

z digitálních hemisférických fotografií:

𝐿𝐴𝐼𝑡 = 0.77 ∙ 𝐿𝐴𝐼𝑆𝑆 + 1.54

Kde: LAIt…transformovaná hodnota indexu listové plochy, LAISS…hodnota indexu listové plochy

zjištěná na podkladě měření přístrojem SunScan

13

Obrázek 9: Vzájemný vztah hodnot indexu listové plochy (LAI) určených pomocí digitálních hemisférických fotografií (DHP) a přístroje Delta-T SunScan.

Originální hodnoty LAI získané na podkladě zpracování digitálních hemisférických fotografií byly

společně s transformovanými měřeními přístrojem SunScan integrovány do jedné společné

datové sady, která následně sloužila jako podklad pro validaci odhadu hodnot LAI z družicových

dat Sentinel-2 (viz sekce 2.6).

2.2.5. Měření spektrálních charakteristik porostů2

Spektrální signatury porostů zahrnující odrazivost v rozsahu vlnových délek 350 – 2500 nm byly

získány pomocí spektroradiometru ASD FieldSpec 4 HiRes [6] spojeného s optickým vláknem o

úhlu záběru 25°. Pro každý referenční bod byla realizována sekvence 20 měření (rozmístěných po

obvodu čtverce o rozměrech cca 5 x 5 m). Tato měření byla následně zprůměrována zejména kvůli

potlačení šumu v naměřených spektrech. Na začátku a konci každé sekvence byla provedena

kalibrační měření spočívající v měření odrazivosti terče vyrobeného ze speciálního materiálu

(Spectralon), jehož odrazivost se blíží 100 % ve všech měřených vlnových délkách a úhlech

pozorování. Naměřená spektra pak byla převzorkována z originálního spektrálního rozlišení 1 nm

na spektrální rozlišení družicových dat Sentinel-2. Pro tento účel byly využity charakteristiky

jednotlivých spektrálních kanálů senzoru MSI (Sentinel-2) definované pomocí tzv. Spectral

Response Functions (SRF) [8] poskytované Evropskou kosmickou agenturou (ESA). Výsledná

transformovaná spektra pak byla využita jako reference pro zhodnocení kvality atmosférické

korekce družicových dat Sentinel-2 (viz sekce 2.3), a dále pak ke zhodnocení kvality simulací

spektrálních charakteristik porostů získaných prostřednictvím modelu přenosu záření PROSAIL

(viz sekce 2.4).

2.2.6. Měření spektrálních charakteristik na úrovni listu3

Spektrální charakteristiky na úrovni jednotlivých listů popisující odrazivost (reflektanci) a

propustnost (transmitanci) v rozsahu vlnových délek 350 – 2500 nm byly získány pomocí

spektroradiometru ASD FieldSpec 4HiRes a integrační sféry ASD RTS-3ZC [7]. Vzorky listů byly

2 Tento typ měření byl realizován pouze v případě vybraných terénních kampaní. 3 Tento typ měření byl realizován pouze v případě vybraných terénních kampaní.

14

ihned po odběru transportovány ke zpracování, kde byla postupně měřena odrazivost a

propustnost z obou stran listu. Mezi měřeními jednotlivých vzorků pak byla prováděna měření

kalibračního terče (Spectralon). Naměřená spektra pak byla dále využita při parametrizaci

modelu PROSAIL pro stanovení optimálních hodnot strukturálního parametru N (viz sekce 2.4.1).

Obrázek 10: Přehled metod sběru pozemních referenčních dat. A - měření obsahu chlorofylu, B - určování hmotnosti a listové plochy vzorků, C - měření indexu listové plochy (SunScan), D - měření indexu listové plochy (DHP), E - měření spektrálních charakteristik na úrovni porostu (ASD Fieldspec), F – měření spektrálních charakteristik na úrovni listů (ASD Fieldspec).

15

2.3. Předzpracování družicových dat Sentinel-2

Optická družicová data Sentinel-2 jsou dostupná zdarma a to včetně archivních dat. Jedním

z prvních kroků, které je potřeba při zahájení práce s družicovými daty provést, je jejich

předzpracování do podoby vhodné pro aplikaci kvantitativního odhadu biofyzikálních parametrů.

Toto předzpracování zahrnuje zejména atmosférickou korekci dat (tj. kalibraci dat na odrazivost

na úrovni povrchu) a generování masky platných hodnot (k odmaskování pixelů zakrytých

oblačností, stíny, sněhem apod.). Oba tyto kroky byly provedeny pomocí modulu SEN2COR [9]

který je součástí softwarového balíku SNAP pro zpracování družicových dat Sentinel-2 a je zdarma

poskytován Evropskou kosmickou agenturou (ESA). Data jsou tímto procesem

přetransformována z původní úrovně L1C na úroveň L2A4.

Před vlastní aplikací algoritmu pro kvantitativní odhad zájmových biofyzikálních parametrů bylo

nejprve potřeba ověřit kvalitu atmosféricky korigovaných dat Sentinel-2, tj. zda spektrální

signatury porostů extrahované z těchto dat odpovídají referenčním spektrálním signaturám

zjištěným přímo na místě pomocí pozemního spektroradiometru ASD Fieldspec-4 (viz sekce

2.2.5). Referenční spektrální signatury naměřené pomocí pozemního radiometru bylo nejprve

nutné převzorkovat z původního rozlišení 1 nm na spektrální rozlišení senzoru MSI (Sentinel-2),

přičemž byly použity tzv. Spectral Response functions (SRFs) definující radiometrické

charakteristiky jednotlivých spektrálních pásem senzoru MSI. Spektrální signatura pixelu

odpovídajícího danému referenčnímu bodu byla vždy srovnána s průměrem měření pozemním

spektroradiometrem pořízených na ploše odpovídající tomuto pixelu. Přitom byly použity vždy

takové družicové scény, které svým datem pořízení co nejvíce odpovídaly termínům sběru

referenčních pozemních dat (viz Tabulka 1). Na základě získaných výsledků je pak možné

konstatovat, že zjištěná radiometrická kvalita družicových dat Sentinel-2 atmosféricky

korigovaných pomocí algoritmu SEN2COR je na velmi dobré úrovni a plně vyhovuje požadavkům

kvantitativního odhadu biofyzikálních parametrů. Ukázka srovnání spektrálních signatur

extrahovaných z dat Sentinel-2 a referenčních pozemních měření je zobrazena na Obrázek 11.

Problematickým aspektem je generování masky platných hodnot, jejíž kvalita byla v mnoha

případech shledána jako nedostatečná.

Sběr in-situ dat Referenční družicová scéna Rozdíl

29. - 31.3. 2017 1.4. 2017 +3 až +1 den

17. – 19.5. 2017 21.5. 2017 (PB) 14.5. 2017 (ST)

+4 až +2 dny -3 až -5 dní

19. – 21.6. 2017 20.6. 2017 -1 až +1 den

4. – 5.4. 2018 6.4. 2018 +2 až +1 den

27. – 30.4. 2018 26.4. 2018 -1 až -4 dny

21.5. 2018 21.5. 2018 +0 dní

20. – 21.6. 2018 20.6. 2018 +0 až +1 den

26.7. 2018 28.7. 2018 +2 dny

Tabulka 1: Přehled termínů sběru pozemních dat a jim odpovídajících referenčních družicových scén Sentinel-2.

4 V současné době je však již možné stahovat družicová data Sentinel-2 ze serverů ESA již přímo v úrovni

zpracování L2A.

16

Obrázek 11: Ukázka srovnání spektrálních signatur extrahovaných z družicových dat Sentinel-2 (modře) a referenčních měření pomocí pozemního spektroradiometru ASD Fieldspec-4 (oranžově): ozimá pšenice 18.5. 2017 (vlevo nahoře), jarní ječmen 18.5. 2017 (vpravo nahoře), ozimá řepka 18.5. 2017 (vlevo uprostřed), vojtěška 18.5. 2017 (vpravo uprostřed), cukrovka 20.6. 2017 (vlevo dole), kukuřice 20.6. 2017 (vpravo dole).

2.4. Parametrizace modelu přenosu záření PROSAIL

Model PROSAIL (Verhoef, 1984) představuje nástroj pro simulaci spektrálních signatur

vegetačních porostů prostřednictvím teorie přenosu záření a jeho interakce s vegetací. Vstupem

modelu je sestava parametrů popisujících biofyzikální a strukturální charakteristiky porostu a

podmínky pozorování (viz Tabulka 2). Výstupem modelu je pak simulovaná spektrální křivka

popisující průběh odrazivosti daného porostu v rozsahu vlnových délek 400 – 2500 nm. V rámci

vývoje popisované metodiky byla využívána implementace modelu PROSAIL v jazyce Python (tzv.

PyPROSAIL).

17

Model PROSAIL se skládá ze dvou modelů, které na sebe bezprostředně navazují. Prvním z těchto

modelů je PROSPECT (Jacquemoud a Baret (1990); Feret et al. (2008)) zajišťující simulaci

spektrálních charakteristik na úrovni jednotlivých listů. Výstup modelu je pak přebírán modelem

SAIL, který zohledňuje vliv struktury (architektury) porostu, pozadí a geometrie

osvětlení/pozorování porostu, a transformuje tak simulace z úrovně listu (leaf level) na úroveň

porostu (canopy level).

PR

OSA

IL P

RO

SPE

CT biochemické charakteristiky listu

obsah chlorofylu (Cab), obsah karotenoidů (Cx), obsah hnědých barviv (Cb), obsah vody (Cw), obsah sušiny (Cm)

vnitřní struktura listu strukturální parametr (N)

SAIL

struktura/architektura porostu index listové plochy (LAI), prostorová distribuce listoví (LIDFA, LIDFB), hostpot (hspot)

pozadí odrazivost půdy (Rsoil)

geometrie osvětlení/pohledu azimut Slunce (SA), zenitová vzdálenost Slunce (SZ), pohledové úhly (OA, OZ), podíl difúzní složky na dopadajícím slunečním záření (Skyl)

Tabulka 2: Přehled vstupních parametrů modelu přenosu záření PROSAIL.

2.4.1. Odhad hodnot strukturálních parametru N

Strukturální parametr N popisuje v rámci modelu PROSPECT vliv vnitřní struktury (mezofylu)

listu na jeho optické vlastnosti. Hodnota tohoto parametru souvisí s optickou tloušťkou listu,

která ve svém důsledku ovlivňuje vzájemný poměr odrazivosti (reflektance - R) a propustnosti

(transmitance - T) listu. Vyšší hodnota parametru N tak odpovídá větší optické tloušťce listu, a

tím i nižší propustnosti a vyšší odrazivosti. Jelikož parametr N nepředstavuje žádnou exaktní

fyzikální veličinu, nelze jeho hodnotu stanovit přímým měřením. Je však možné ji získat nepřímo

na základě znalosti odrazivosti a propustnosti referenčních vzorků listoví, pro které jsou současně

známy hodnoty zbývajících parametrů Cab, Cx, Cb, Cw a Cm5. Tyto parametry jsou zafixovány na

hodnotách zjištěných v průběhu sběru referenčních dat a model PROSPECT je dále cyklicky

spouštěn s různými hodnotami parametru N. Přitom je sledován poměr simulované odrazivosti a

propustnosti RSIM/TSIM, který je porovnáván s poměrem RREF/TREF určeným z referenčního měření

spektrálních charakteristik listu (viz sekce 2.2.6). Tímto způsobem je pak možné odvodit

optimální hodnotu parametru N pro daný vzorek. Výše popsaným způsobem byly odvozeny

optimální hodnoty parametru N pro všechny zájmové plodiny.

2.4.2. Odhad parametrů popisujících architekturu listoví a strukturu porostu

Parametrizace představuje proces, při kterém jsou optimalizovány hodnoty těch vstupních

parametrů modelu, které nelze zjistit přímým měřením a to tak, aby byla zajištěna nejlepší možná

shoda mezi modelem simulovanou spektrální křivkou porostu a referenční spektrální signaturou

extrahovanou buď z družicových dat Sentinel-2, případně pak referenčních spekter porostů

naměřených pomocí pozemního spektroradiometru. Hodnoty parametrů charakterizujících

vlastnosti porostu, které jsou pro daný referenční bod známy prostřednictvím výsledků sběru

referenčních in-situ dat (N, Cab, Cx, Cw, Cm, LAI), stejně tak jako parametry související s geometrií

pozorování (OZ, OA, SZ, SA) jsou zafixovány. Hodnoty ostatních (optimalizovaných) parametrů

(LIDFA, LIDFB, hspot, Rsoil) se mění v předem definovaném rozsahu hodnot při opakovaném

5 Jelikož byly analyzovány čerstvé zelené listy, byl obsah hnědých barviv nastaven na 0; obsah karotenoidů

pak byl zafixován na poměru Cx = 0.1 x Cab.

18

spouštění modelu PROSAIL. Výsledná spektrální signatura je (po převzorkování na spektrální

rozlišení družicových dat Sentinel-2) pro každou kombinaci vstupních parametrů srovnána

s referenční signaturou, která je pro daný referenční bod extrahována ze scény Sentinel-2, jejíž

termín pořízení nejlépe odpovídá termínu sběru referenčních in-situ dat. Rozdíl mezi

simulovanou a referenční signaturou je pak vyjádřen pomocí střední kvadratické chyby (RMSE)

určené jako:

𝑅𝑀𝑆𝐸 = √∑(𝑅𝑏𝑖 − 𝑅𝑅𝐸𝐹𝑏𝑖)

2

8

Kde: RREFbi…odrazivost ve spektrálním kanále bi simulovaná spektrální signatury,

RSIMbi…odrazivost ve spektrálním kanále bi referenční spektrální signatury.

Tímto způsobem je pak vybráno 10 kombinací vstupních parametrů, jejichž výsledná RMSE je

nejnižší. Výsledné hodnoty dílčích parametrů jsou pak určeny jako vážený průměr hodnot z těchto

kombinací, kdy jednotlivé váhy jsou určeny jako w = 1/RMSE.

Proces parametrizace byl proveden specificky pro jednotlivé zájmové plodiny/skupiny plodin.

Díky tomu je pak možné pracovat vždy s takovým nastavením modelu, které je pro danou

plodinu/skupinu plodin nejoptimálnější.

2.4.3. Vliv kvetení řepky

Přítomnost květů má zásadní vliv na celkovou spektrální signaturu řepkového porostu ve

srovnání se stavem před vykvetením/po odkvětu. Použitý model přenosu záření PROSAIL bohužel

neumožňuje zohlednit přítomnost květu v porostu přímo, jelikož vegetační pokryv je v rámci

modelu uvažován jako homogenní vrstva tvořená „zelenou“ biomasou. Vliv květů na celkovou

signaturu porostu je ovšem natolik zásadní, že není možné jej ignorovat, neboť v takovém případě

by docházelo ke značnému zkreslení výsledků odhadu hodnot zájmových biofyzikálních

parametrů.

Řešení tohoto problému je založeno na předpokladu, že celková odrazivost kvetoucího porostu

(Rc) se skládá ze dvou složek: odrazivosti květů (Rf) a odrazivosti zelené biomasy (Rg). Tyto dvě

složky jsou pak v určitém vzájemném poměru, který je dán parametrem w:

𝑅𝑐 = 𝑤 ∙ 𝑅𝑓 + (1 − 𝑤) ∙ 𝑅𝑔

Rc…celková odrazivost kvetoucího porostu, Rf…odrazivost květů, Rg…odrazivost zelené biomasy,

w…vliv odrazivosti květu na celkové odrazivosti porostu.

Pro vybrané pozemky s porosty řepky byly nejprve odebrány spektrální signatury porostů ze

snímků, pořízených v době těsně před vykvetením. Tyto signatury byly považovány za složku Rg,

neboť lze předpokládat, že množství zelené biomasy porostů se do doby vykvetení již příliš

nezmění. Následně byly odebrány spektrální signatury stejných porostů, a to ze snímků

pořízených v době vrcholu kvetení. Tato spektra pak byla považována za složku Rc. Spektrum

samotného řepkového květu (Rf) bylo získáno destruktivním odběrem a měřením pomocí

pozemního radiometru ASD Fieldspec-4. Optimální hodnota parametru w pak byla určena pomocí

tzv. meritové funkce hodnotící míru shody simulace a referenčního měření.

Spektrum květu řepky a jeho vliv na celkovou signaturu porostu (daný hodnotou parametru w) je

pak využit při vlastním odhadu zájmových biofyzikálních parametrů porostů (viz sekce 2.5), kdy

je odlišen scénář pro kvetoucí a nekvetoucí porosty řepky. Informaci o kvetení řepky pak lze zadat

buď jako uživatelský vstupní parametr nebo je založena na automatické analýze spekter

19

řepkového porostu extrahovaných ze zpracovávaných družicových dat (v případě, že informace o

kvetení řepky není zadána uživatelem).

Obrázek 12: Ukázka vzájemného srovnání spektrální signatury kvetoucího porostu ozimé řepky extrahované z družicových dat Sentinel-2 (fialově) a simulací spektrálních signatur porostů řepky pomocí modelu přenosu záření PROSAIL bez (zeleně) a s (žlutě) uvažováním vlivu kvetení.

2.5. Kvantitativní odhad biofyzikálních parametrů porostů

2.5.1. Tvorba databáze simulovaných spektrálních signatur

Základní součástí odhadu biofyzikálních parametrů (Cab, Cw a LAI) je databáze obsahující

spektrální signatury porostů zájmových zemědělských plodin simulované pro různé kombinace

biofyzikálních a strukturních parametrů při současné změně různých vnějších podmínek (poloha

slunce na obloze, vlhkost půdy apod.). Pro simulace spektrálních signatur byl použit model

PROSAIL optimalizovaný pro jednotlivé plodiny/skupiny plodin (viz sekce 2.4). Databáze pak

slouží jako zdroj referenčních dat, na jehož základě probíhá proces učení umělé neuronové sítě

(Artificial Neural Network - ANN) použité k vlastnímu výpočtu odhadu jednotlivých biofyzikálních

parametrů.

Databázi tvoří 6 samostatných databázových tabulek (tzv. Look-up Tables - LUTs) uložených

v databázi PostgreSQL odpovídajících jednotlivým zájmovým plodinám případně skupinám

plodin. Každá z tabulek obsahuje 550 000 simulací spektrálních signatur transformovaných na

spektrálních rozlišení senzoru MSI družic Sentinel-2. Součástí každého záznamu je i kombinace

hodnot jednotlivých vstupních parametrů modelu PROSAIL, které daná spektrální signatura

odpovídá. Seznam atributů LUT tabulek je uveden v Tabulka 3.

Při vlastním výpočtu odhadu biofyzikálních charakteristik zemědělských plodin je vždy potřeba

zohlednit světelné podmínky, které panovaly v době pořízení družicové scény, na jejímž podkladě

má být výpočet proveden. Osvětlení povrchu je definováno pomocí hodnot azimutu (OA) a

zenitové vzdálenosti (OZ) slunce. Nejprve byl zjištěn maximální (teoreticky možný) rozsah hodnot

těchto dvou parametrů pro území České republiky, přičemž tyto hodnoty se vždy vztahovaly

k času přeletu družic Sentinel-2 přes území ČR. Tyto rozsahy byly následně rozděleny do intervalů

po 5° (OA: 25°, 30°, 35°, 40°, 50°, 55°, 60°, 65°, 70°; OZ: 150°, 155°, 160°, 165°, 170°). Tímto

způsobem bylo vygenerováno 50 platných kombinací hodnot OA a OZ. Pro každou z těchto

kombinací pak bylo nasimulováno vždy 11 000 spektrálních signatur.

20

Hodnoty vstupních parametrů modelu PROSAIL popisujících zájmové biofyzikální charakteristiky

(Cab, Cw a LAI) a architekturu porostu (LIDFA, LIDFB a hspot) byly pro každou dílčí simulaci

vygenerovány náhodně v předem definovaném intervalu a s daným statistickým rozdělením

hodnot. Pro parametry Cab, Cw a LAI bylo zvoleno uniformní rozdělení, tak, aby ve výsledné

databázi byly všechny úrovně těchto tří parametrů zastoupeny přibližně se stejnou četností.

Distribuční funkce pro hodnoty parametrů LIDFA, LIDFB a hspot pak byly určeny pro jednotlivé

plodiny v průběhu procesu parametrizace (viz sekce 2.4). Hodnoty strukturálního parametru N a

obsahu sušiny (Cm) byly optimalizovány podle výsledků vyhodnocení referenčních in-situ dat,

hodnoty parametrů Cb, Cx a Skyl byly nastaveny na základě expertních znalostí. Na základě analýzy

referenčních in-situ dat bylo rovněž ošetřeno zachování vzájemných funkčních vztahů mezi

určitými parametry. Jednalo se především o vzájemný vztah obsahu chlorofylu (Cab), vody (Cw) a

hnědých pigmentů (Cb), kdy bylo nutné předejít vzniku nereálných kombinací těchto hodnot

(které by v případě čistě náhodného generování hodnot mohly nastat). Pro spektrální odrazivost

pozadí byla uvažována spektra půdy s relativní vlhkostí od 0 do 100 %.

LUT

Biochemické charakteristiky listu Cab (obsah chlorofylu), Cx (obsah karotenoidů), Cb (obsah hnědých barviv), Cw (obsah vody), Cm (obsah sušiny)

Vnitřní struktura listu N (strukturální parametr)

Struktura/architektura porostu LAI (index listové plochy), LIDFA, LIDFB (prostorové distribuce listoví), hspot (hotspot)

Pozadí Rsoil (odrazivost půdy)

Geometrie osvětlení/pohledu SA (azimut slunce), SZ (zenitová vzdálenost slunce), OA a OZ

(pohledové úhly)

Spektrální charakteristiky porostu na úrovni rozlišení družicových dat Sentinel-2

b2, b3, b4, b5, b6, b7, b8A, b11 a b12 (simulovaná odrazivost porostu ve spektrálních kanálech senzoru MSI družic Sentinel-2)

Tabulka 3: Přehled atributů LUT tabulek.

2.5.2. Výpočet biofyzikálních parametrů z družicových dat Sentinel-2

Implementace vlastního výpočtu odhadu biofyzikálních parametrů porostů zemědělských plodin

je založená na technologii umělých neuronových sítí (Artificial Neural Network - ANN). Jedná se o

robustní přístup patřící do skupiny algoritmů tzv. strojového učení (machine learning)

kombinující relativně vysokou rychlost a spolehlivost výpočtu. Použití neuronové sítě se skládá

ze dvou kroků. První z nich představuje proces učení (fungující na principu zpětné vazby), jehož

cílem je nastavit neuronovou síť tak, aby na výstupu dávala co nejpřesnější výsledky. Vstupem pro

proces učení je databáze simulovaných spektrálních signatur a jim odpovídajících hodnot

zájmových biofyzikálních parametrů. Protože je odhad biofyzikálních parametrů porostů

realizován vždy pro konkrétní zemědělský pozemek, jsou z databáze nejprve vybrány pouze

záznamy odpovídající plodině (případně skupině plodin), která se na daném pozemku nachází.

Neuronová síť je tak vždy „naučena“ na tu plodinu, které se nachází na zájmovém pozemku.

V dalším kroku jsou vybrány pouze ty záznamy, které odpovídají uvažovanou polohou slunce

(danou hodnotami parametrů OA a OZ) situaci v čase pořízení družicové scény Sentinel-2, na

kterou bude výpočet následně aplikován. Informace o poloze slunce v čase pořízení scény jsou

automaticky načítány z příslušných metadatových záznamů. Vlastní proces učení následně běží

iterativně do doby, než a) chyba na výstupu sítě klesne pod zadanou mez a v dalším zadaném počtu iterací učení nedojde ke zlepšení výsledku nebo b) je dosažen maximální počet iterací učení.

Druhým krokem nasazení (nyní již „natrénované“) neuronové sítě je vlastní odhad hodnot

jednotlivých biofyzikálních parametrů. Vstupem do neuronové sítě jsou v tomto případě

spektrální signatury porostů extrahované z jednotlivých pixelů reálných družicových dat

Sentinel-2, z nichž jsou následně odhadovány hodnoty obsahu chlorofylu (Cab), vody (Cw) a indexu

listové plochy (LAI) daného porostu. Tyto hodnoty jsou pak zapisovány do samostatných

21

rastrových datových vrstev. Aby bylo zabráněno výskytu chybových odlehlých hodnot ve

výstupních datových vrstvách, je pro každý parametr stanovena nejnižší a nejvyšší přípustná

hodnota (Cab: 2 – 80 µg/cm2; Cw: 0.0005 – 0.0700 mm; LAI: 0.1 - 10), jejichž stanovení vycházelo

z analýzy získaných referenčních dat a rešerše odborné literatury. V případě, že se na výstupu

neuronové sítě vyskytne hodnota nižší než nejnižší přípustná hodnota, je tato automaticky

nahrazena nejnižší přípustnou hodnotou. Analogicky je pak postupováno v případech, kdy se na

výstupu neuronové sítě vyskytne hodnota vyšší, nežli je nejvyšší přípustná hodnota.

Konkrétní technický návrh a implementace řešení odhadu biofyzikálních parametrů porostů byl

předmětem rozsáhlých analýz, jejichž cílem byl zejména výběr nejvhodnější metody normalizace

spektrálních signatur pomocí níž lze docílit zvýraznění nebo naopak potlačení signálu vybraných

spektrálních kanálů, které mají pozitivní nebo naopak rušivý vliv na odhad hodnot daného

biofyzikálního parametru. Výběr spektrálních kanálů použitých pro odhad jednotlivých

biofyzikálních parametrů je uveden v Tabulka 4. Další součástí pak byla analýza nejvhodnější

konfigurace použité neuronové sítě skládající např. z určení optimálního počtu neuronů či

stanovení pravidel pro učení sítě. Detailní popis těchto analýz je však díky svému rozsahu již mimo

rámec tohoto dokumentu.

Biofyzikální parametr Použité spektrální pásma Sentinel-2

Obsah chlorofylu (Cab) B03 (560 nm), B04 (665 nm), B05 (705 nm), B06 (740 nm), B07 (783 nm), B8A (865 nm), B11 (1610 nm), B12 (2190 nm)

Obsah vody (Cw) B03 (560 nm), B04 (665 nm), B05 (705 nm), B06 (740 nm), B07 (783 nm), B8A (865 nm), B11 (1610 nm), B12 (2190 nm)

Index listové plochy (LAI) B07 (783 nm), B8A (865 nm), B11 (1610 nm), B12 (2190 nm)

Tabulka 4: Výběr spektrálních pásem družicových dat Sentinel-2 použitých pro odhad jednotlivých biofyzikálních parametrů.

Obrázek 13: Ukázka výsledků kvantitativního odhadu obsahu chlorofylu (20.6. 2017).

22

Obrázek 14: Ukázka výsledků kvantitativního odhadu obsahu vody (20.6. 2017).

Obrázek 15: Ukázka výsledků kvantitativního odhadu indexu listové plochy (20.6. 2017).

23

2.5.3. Maskování pixelů družicových dat postižených oblačností

Optická družicová data jsou v mnoha případech zatížena výskytem oblačnosti a dalších jevů (stíny,

sníh apod.), které obecně způsobují, že některé pixely obrazu nelze použít k určování vlastností

zemského povrchu. Tyto chybové pixely je pak nutné z obrazu odstranit, neboť jejich použití by

mělo za následek vznik chybných hodnot odhadu jednotlivých biofyzikálních parametrů.

K detekci těchto pixelů je využívána datová vrstva SCL (Scene Classification Layer), která je

standartní součástí družicových dat Sentinel-2 na úrovni L2A (tj. po provedení atmosférických

korekcí). Vrstvu SCL je možné jednoduše reklasifikovat do podoby binární masky vymezující

pouze pixely s platnou spektrální signaturou.

2.5.4. Omezení výpočtu obsahu chlorofylu a vody na porosty o dostatečné

zapojenosti

Výpočet odhadu obsahu chlorofylu a vody v porostech má smysl pouze v případech, kdy na

celkové spektrální signatuře daného pixelu družicové scény Sentinel-2 převažuje vliv vegetace

nad vlivem pozadí (půdy). V případě řídkých a velmi málo zapojených porostů je totiž spektrální

signatura příslušného pixelu tvořena především půdou, což má za následek vznik nerealistických

hodnot odhadu obsahu chlorofylu a vody. Z tohoto důvodu bylo aplikováno pravidlo, že obsah

chlorofylu a vody je určován pouze v případě, že porost vykazuje na daném pixelu družicového

snímku hodnotu LAI vyšší než 1.0 (vliv vegetace začíná v takovém případě převažovat nad vlivem

půdy v pozadí).

2.6. Validace výsledků odhadu biofyzikálních parametrů

2.6.1. Validace odhadu biofyzikálních parametrů pomocí pozemních měření

Pro ověření spolehlivosti postupu kvantitativního odhadu biofyzikálních parametrů porostů

zemědělských plodin byl celý proces aplikován na družicové scény Sentinel-2, jejichž datum

pořízení co nejvíce odpovídalo termínům sběru referenčních pozemních dat (termíny pořízení

těchto družicových scén jsou uvedeny v Tabulka 1). Z vytvořených družicových produktů byly

v bodech pozemních měření extrahovány hodnoty jednotlivých biofyzikálních parametrů (Cab, Cw,

LAI), které byly následně porovnány s referenčními hodnotami. Pro validaci přitom byla použita

pouze ta pozemní měření, které předtím nebyla použita v procesu parametrizace modelu

PROSAIL. Před dalším vyhodnocením bylo provedeno odstranění odlehlých hodnot (odstraněno

bylo vždy 5 % nejvyšších a nejnižších hodnot). Na základě vzájemného srovnání hodnot

extrahovaných z družicových dat s referenčními hodnotami byly spočítány následující

charakteristiky míry přesnosti zisku kvantitativních parametrů vegetace:

Odmocnina střední kvadratické chyby (RMSE): charakterizuje absolutní rozdíl

referenčních a odhadovaných hodnot. Vyjádřena je vždy v jednotkách daného

biofyzikálního parametru.

Relativní střední kvadratická chyba (RRMSE): vyjadřuje podíl zjištěné RMSE na průměru referenčních hodnot.

Pearsonův korelační koeficient (r): vyjadřuje sílu vzájemného vztahu mezi referenčními a predikovanými hodnotami, přičemž indikuje, zda je pozorovaný rozdíl

predikovaných a referenčních hodnot spíše náhodný nebo má spíše systematický

charakter.

24

Koeficient determinace (R2): vyjadřuje podíl variability predikovaných hodnot, který je vysvětlen vztahem k hodnotám referenčním. Je určen jako druhá mocnina hodnoty

Pearsonova korelačního koeficientu.

Zjištěné hodnoty těchto ukazatelů jsou uvedeny v Tabulka 5. Vzájemné srovnání hodnot

jednotlivých biofyzikálních parametrů a jim příslušných referenčních (in-situ) hodnot je uvedeno

na Obrázek 16.

Biofyzikální parametr RMSE RRMSE r R2

Obsah chlorfylu (Cab) 9.58 μg/cm2 24 % 0.40 0.16

Obsah vody (Cw) 0.0113 cm 74 % 0.37 0.14

Index listové plochy – DHP (LAI) 1.17 34 % 0.83 0.69

Index listové plochy – SunScan (LAI) 1.04 29 % 0.75 0.56

Index listové plochy – DHP+SunSCan (LAI) 1.26 36 % 0.77 0.60

Tabulka 5: Souhrnné výsledky validace odhadu zájmových biofyzikálních parametrů.

Provedené srovnání hodnot založených na analýze družicových dat s pozemními hodnotami však

nelze chápat jako validaci v pravém slova smyslu, kdy referenční data považujeme buď za zcela

prostá chyb či případně předpokládáme, že přesnost referenčních dat je výrazně vyšší než

přesnost dat validovaných. V tomto případě je totiž nutné brát v úvahu skutečnost, že obě dvě

datové sady jsou zatíženy specifickými chybami (v případě pozemních měření považovaných zde

za referenci namátkou např. způsob přepočtu měření přístroje Dualex na obsah chlorofylu, chyby

v určení obsahu vody dané nepřesností stanovení celkové plochy a hmotnosti vzorků, spolehlivost

generování binární masky pokryvnosti vegetace z hemisférických fotografií apod.). Spíše než jako

validaci v pravém slova smyslu je tak potřeba uvedenou analýzu chápat jako srovnání dvou

různých datových sad s různým způsobem pořízení. S ohledem na další využití biofyzikálních produktů odvozených z družicových dat pak absolutní velikost chyby vůči pozemním měřením

není příliš důležitá. Důležitější je naopak síla vzájemného vztahu mezi predikovanými a

pozemními daty tak, aby bylo možné popsat různé úrovně jednotlivých biofyzikálních

charakteristik v různých částech zemědělského pozemku, případně mezi jednotlivými

zemědělskými pozemky navzájem. Z tohoto pohledu je proto žádoucí, aby případné rozdíly mezi

predikovanými a pozemními hodnotami měli spíše systematický a nikoliv náhodný charakter.

25

Obrázek 16: Srovnání hodnot jednotlivých biofyzikálních parametrů odhadnutých na podkladě družicových dat Sentinel-2 a referenčních hodnot získaných prostřednictvím pozemních měření. A – obsah chlorofylu, B – obsah vody, C – index listové plochy (měření pomocí hemisférických fotografií), D – index listové plochy (měření přístrojem SunScan), E – index listové plochy (měření pomocí hemisférických fotografií doplněné o měření přístrojem SunScan). OZIM – ozimé obiloviny, JARN – jarní obiloviny, REPK – řepka, PICN – pícniny, CUKR – cukrovka, KUKR – kukuřice.

26

2.6.2. Srovnání s odbornou literaturou a zhodnocení výsledků validace

Aby bylo možné objektivně zhodnotit úspěšnost odhadu hodnot zájmových biofyzikálních

parametrů, byly zjištěné hodnoty validačních charakteristik porovnány s výsledky publikovanými

v odborné literatuře. Přitom byla primární pozornost věnována publikacím, jejichž autoři

využívali podobné metodické postupy, a to jak na úrovni použitých vstupních dat (Sentinel-2), tak

na úrovni vlastního způsobu výpočtu (využití modelu přenosu záření a algoritmů strojového

učení).

V případě chlorofylu bylo dosaženo celkové RMSE 9.54 μg/cm2 (RRMSE 24 %). Vztah

predikovaných a in-situ hodnot vykazuje lineární vztah charakterizovaný korelačním

koeficientem r = 0.40 (R2 = 0.16). Tato hodnota je sice v porovnání s výsledky stanovení indexu

listové plochy nízká, avšak přesto stále statisticky signifikantní (p < 0.05). Dosažené výsledky je

možné porovnat například s hodnotami uváděnými v Xie et al. (2019), kdy je autory používán

nástroj pro výpočet biofyzikálních parametrů vegetace integrovaný v rámci platformy Evropské

kosmické agentury SNAP. Tento nástroj je stejně jako postup popisovaný v tomto dokumentu

založen na využití modelu PROSAIL a umělé neuronové sítě (více viz sekce 8.1). V případě porostů

ozimé pšenice je autory uváděna hodnota RMSE 12.69 μg/cm2 (hodnota RMSE odhadu obsahu

chlorofylu pouze pro ozimou pšenici je v případě postupu popisovaného v tomto dokumentu

rovna 9.59 μg/cm2). Jinou možnost srovnání nabízejí výsledky uvedené v Danner et al. (2017).

Autoři v tomto případě aplikovali obsah odhadu chlorofylu s využitím modelu PROSAIL na spektrální signatury porostů ozimé pšenice transformované do podoby, jaké bude poskytovat

družice EnMap. Průměrná odchylka vůči pozemním referenčním hodnotám je v tomto případě

udávána jako 11.86 μg/cm2 (2014), respektive 7.17 μg/cm2 (2014/2015). Použité spektrální

signatury vegetace však mají v tomto případě mnohem vyšší spektrální rozlišení ve srovnání se

signaturami, které lze získat z dat Sentinel-2.

Relativně nejlepších výsledků (z hlediska vztahu mezi predikovanými a in-situ hodnotami) bylo

dosaženo v případě odhadu indexu listové plochy. Hodnota korelačního koeficientu byla v tomto

případě obecně vysoká v případě všech tří uvažovaných způsobů validace, tj. digitálních

hemisférických fotografiích (r = 0.83, R2 = 0.69), měřeními přístrojem SunScan (r = 0.75, R2 = 0.56)

a jejich vzájemnou kombinací (r = 0.77, R2 = 0.60). Tato silná závislost mezi referenčními a

predikovanými hodnotami pak (z pohledu následného využití dat) vyvažuje mírně horší hodnoty

absolutního srovnání predikovaných a referenčních hodnot. Hodnoty RMSE se v tomto případě

pohybovaly mírně nad 1.0 m2/m2: digitální hemisférické fotografie: 1.17 m2/m2 (34%), SunScan

1.04 m2/m2 (29 %), jejich kombinace 1.26 (36 %). Dosažené výsledky je pak opět možné srovnat

s hodnotami, uváděnými v odborné literatuře. V případě Xie et al. (2019) je autory uváděna

hodnota RMSE pro odhad indexu listové plochy 1.53 m2/m2. Etzberger a Richter (2012) uvádějí

souhrnnou hodnotu RMSE 1.46 m2/m2. Publikovány jsou rovněž hodnoty RMSE určené specificky

pro různé zemědělské plodiny, z nichž některé jsou shodné s těmi, které jsou uvažovány v rámci

zde popisované metodiky: vojtěška (RMSE = 1.39 m2/m2), cukrovka (2.24 m2/m2), kukuřice (1.43

m2/m2). Hodnoty zjištěné v rámci postupu popisovaného v tomto dokumentu je pak možné

považovat za mírně lepší: vojtěška (0.64 m2/m2, 0.78 m2/m2, 0.93 m2/m2)6; cukrovka (1.05 m2/m2,

0.73 m2/m2, 0.93 m2/m2); kukuřice (0.95 m2/m2, 1.30 m2/m2, 1.44 m2/m2). V případě Etzberger a

Richter (2012) jsou k odhadu hodnot indexu listové plochy opět použity simulace modelu

PROSAIL, avšak současně je nutno konstatovat, že vlastní výpočet není aplikován na reálná data

Sentinel-2, avšak pouze na jejich simulace. Výsledky odhadu hodnot indexu listové plochy pomocí

družicových dat Sentinel-2 jsou publikovány rovněž v Djamai et al. (2019) přičemž je udávána

souhrnná hodnota RMSE 0.98 m2/m2. Velmi nízké hodnoty RMSE (0.43 m2/m2) jsou pak uváděny

6 Hodnoty jsou uváděny v pořadí: digitální hemisférické fotografie, SunScan, jejich kombinace

27

v Pan et al. (2019), kdy je autory opět využíván postup založený na kombinaci modelu PROSAIL a

umělé neuronové sítě, přičemž výpočet je následně aplikován na družicová data Sentinel-2.

Uváděné hodnoty se vztahují k porostům ozimé pšenice. Hodnoty RMSE pro ozimou pšenici

zjištěné v rámci postupu popisovaného v tomto dokumentu jsou pak pro srovnání 1.08 m2/m2

(DHP), 0.81 (SunScan) a 0.99 (jejich kombinace).

Nejproblematičtějším parametrem se ukazuje být obsah vody. Přestože síla vztahu mezi

predikovanými a in-situ hodnotami je při souhrnném hodnocení podobná hodnotě zjištěné pro

obsah chlorofylu (r = 0.37), hodnota RMSE je v tomto případě vysoká (0.0113 cm, 78 %).

Podrobnějším rozborem výsledků srovnání predikovaných a referenčních hodnot lze ovšem

současně zjistit, že velikost pozorovaných rozdílů mezi hodnotami odvozenými z družicových dat

Sentinel-2 a pozemními měřeními se velmi liší mezi jednotlivými pozemními kampaněmi.

V nejlepších případech tak bylo možné dosáhnout i výrazně vyšších hodnot korelačního

koeficientu: r = 0.70 (20. - 21.6. 2017), r = 0.85 (4. - 5.4 2018.), r = 0.93 (21.6. 2018), r = 0.78 (26.7.

2018), zatímco v jiných případech byla hodnota koeficientu velmi nízká. Hodnoty obsahu vody

zjištěné pozemním měřením vykazují v některých případech až extrémní variabilitu, přičemž

mnohdy je paradoxně možné hodnoty odvozené z družicových dat Sentinel-2 považovat za

realističtější než výsledky pozemních měření, které jsou považovány za referenci. Při celkovém

hodnocení úspěšnosti a spolehlivosti provedeného odhadu obsahu vody tak vyvstává především

otázka kvality použitých referenčních měření. V případě odborné literatury bohužel nebylo

možné nalézt žádnou publikaci hodnotící spolehlivost odhadu obsahu vody za pomoci

srovnatelného metodického postupu, neboť obsah vody je ve většině publikací vyjadřován na

úrovni porostu (tj. jako LAI × Cw) a nikoliv na úrovni listu. Jako velmi orientační je možné použít

výsledky publikované v Mridha et al. (2015), kdy je využívána kombinace modelu PROSAIL a

umělé neuronové sítě, avšak výpočet je aplikován na data nízkého prostorového rozlišení MODIS.

Vztah mezi predikovanými a referenčními hodnotami je v tomto případě vyjádřen pomocí

koeficientu determinace (R2) o hodnotě 0.20.

2.7. Tvorba aplikačních map

2.7.1. Definice vymezení management zón

Datové vrstvy kvantitativního odhadu jednotlivých biofyzikálních charakteristik porostů jsou

v další fázi zpracování využity pro tvorbu tzv. aplikačních map využitelných v oblasti precizního

zemědělství. Koncept precizního zemědělství je založen na využití informací o heterogenitě stavu

porostu na různých částech zemědělského pozemku, a to tak, aby bylo možné přistupovat k těmto

dílčím částem individuálně (zejména z hlediska aplikace hnojiv a ochranných prostředků). Oproti

jednotné dávce aplikované rovnoměrně na celý pozemek se v případě využití konceptu precizního

zemědělství velikost dávky přizpůsobuje aktuálnímu stavu porostu a zvolené strategii.

Princip tvorby aplikačních map je založen na vymezení management zón sdružujících části

porostu s podobnými vlastnostmi. Vstupem pro vymezení těchto management zón jsou v tomto

případě právě výsledky kvantitativního odhadu biofyzikálních charakteristik. Oproti obdobným

řešením, založeným na analýze jednoduchých vegetačních indexů (např. NDVI apod.) je zde

výhoda především v tom, že případné rozdíly v charakteru porostu v dílčích částech pozemku je

možné přesněji specifikovat (tj. je možné říci „v čem konkrétně“ se porosty liší). To má pak značné

důsledky např. pro použití některých ochranných látek, které je možné aplikovat pouze na

dostatečně proschlé porosty.

V případě využití obrazových dat dálkového průzkumu je vymezení management zón velmi často

založeno na prostém shlukování (clusterizaci) pixelů nesoucích podobné hodnoty použitého

indikátoru stavu porostu (vegetačního indexu ale i jiných parametrů) – viz např. Gavioli et al.

28

(2019), Zhang et al. (2010), Saifuzzaman et al. (2019) aj.. Tento přístup ovšem trpí celou řadou

nedostatků, k nimž patří zejména stanovení optimálního počtu management zón a srovnatelnost

management zón mezi různými zemědělskými pozemky (se stejnou pěstovanou plodinou a

stejnými klimatickými podmínkami). Z tohoto důvodu je definice jednotlivých zón založena na

statistické analýze obvyklých hodnot jednotlivých biofyzikálních charakteristik. Pro tuto analýzu

bylo vybráno celkem 4333 zemědělských pozemků pro roky 2016 – 2019 (2016: 1064 pozemků,

2017: 1097 pozemků, 2018: 1078 pozemků, 2019: 1094 pozemků). Hlavními kritérii pro výběr

pozemků byla a) znalost pěstované plodiny v daném roce, b) rovnoměrné pokrytí všech šesti

zájmových plodin (skupin plodin) a c) rovnoměrné pokrytí jednotlivých klimatických regionů

České republiky. Výsledný výběr pozemků je demonstrován na Obrázek 17. Pro každý z těchto

pozemků pak byly vygenerovány datové vrstvy odhadu jednotlivých biofyzikálních charakteristik

a to vždy pro celou vegetační sezónu dané plodiny. Tyto vrstvy tak zachycují vývoj jednotlivých

charakteristik po celou dobu růstu plodiny na daném pozemku. Data byla následně roztříděna do

desetidenních period (tj. v každém kalendářním měsíci vždy 1. – 10., 11. – 20. a 21. – 30./31.). Pro

každou kombinaci biofyzikální parametr (B) – plodina (P) – klimatický region (K) – desetidenní

perioda (T10) byla určena řada percentilů po 5 % (tj. Q0.05, Q0.10, Q0.15…Q0.95) pomocí níž je možné

hodnoty flexibilně rozdělit do 1 – 20 zón. Princip vymezení jednotlivých zón je demonstrován na

Obrázek 18. Jako výchozí je uvažován scénář, při kterém jsou jednotlivé zóny definovány pomocí

percentilů Q0.25, Q0.50 a Q0.75 (tj. pomocí kvartilů). Pro zonaci aktuálních dat je tak vždy nalezena

odpovídající kombinace BPKT10 pomocí které jsou pixely obrazových dat roztříděny do

jednotlivých zón. Jako poslední krok je aplikován tzv. sítový filtr (sieve filter) sloužící k odstranění

drobných izolovaných plošek (nejmenší velikost souvislé zóny byla stanovena na 0.4 ha).

Následující podsekce jsou věnovány srovnání popisované metodiky zonace zemědělských

pozemků s metodikou, založenou na pouhé clusterizaci hodnot (viz výše).

29

Obrázek 17: Přehled referenčních zemědělských pozemků pro určení normálových hodnot jednotlivých biofyzikálních parametrů a jejich vývoje v čase.

30

Obrázek 18: Ukázka sezónního vývoje indexu listové plochy (LAI) zájmových zemědělských plodin (skupin plodin) v klimatickém regionu T2 a principu vymezení jednotlivých management zón pomocí kvantilů Q0.25, Q0.50 a Q0.75.

2.7.2. Stanovení počtu management zón

V případě zonace založené na clusterizaci hodnot není počet vymezených zón nijak exaktně

stanoven, a je tak buď pevně dán anebo je zvolen na základě odhadu operátora systému.

Výsledkem (zejména v případě nízké heterogenity porostu) pak může být situace, že daný

pozemek je sice rozdělen do zadaného počtu zón, avšak mezi těmito zónami reálně neexistují

výraznější rozdíly ve stavu porostu. Ukázka takové situace je demonstrována na Obrázek 19.

Obrázek zachycuje pozemek s kvalitním a velmi homogenním porostem ozimé pšenice (termín

pořízení zdrojových dat Sentinel-2 byl v tomto případě 26.4. 2018) s průměrnou hodnotou LAI

31

5.33 ± 0.31. Pomocí metody založené na clusterizaci dat byly vymezeny čtyři zóny, přičemž zóna

s nejnižšími hodnotami vykazovala průměr 4.47 ± 0.42, zatímco zóna s nejvyššími hodnotami

vykazovala průměr 5.59 ± 0.19. Přitom však z hlediska dlouhodobého normálu pro dané období a

klimatický region hodnoty LAI kolem 4.5 u ozimé pšenice rozhodně neindikují zhoršený stav

porostu, a proto je v případě použití této metody celý pozemek zařazen do třídy indikující nejlepší

kvalitu porostu.

Obrázek 19: Ukázka problematiky stanovení počtu management zón. Vymezení management zón na pozemku s homogenním a kvalitním porostem ozimé pšenice pomocí metodiky založené na clusterizaci hodnot indexu listové plochy (vlevo) a s využitím dlouhodobých statistik (vpravo).

2.7.3. Přenositelnost určení management zón mezi zemědělskými pozemky

Druhým problematickým aspektem metodik založených na clusterizaci dat v rámci jednoho

zemědělského pozemku je neporovnatelnost vymezených management zón mezi několika

různými pozemky (za předpokladu, že je na nich pěstována stejná plodina). Tato skutečnost je

demonstrována na Obrázek 20. Obrázek zachycuje dva pozemky s porostem kukuřice (zdrojová

data Sentinel-2 byla pořízena 18.6. 2018). V případě pozemku A se jednalo o méně kvalitní, pouze

částečně zapojený porost vykazující značnou míru variability v rámci daného pozemku. V případě

pozemku B šlo o kvalitní a homogenně zapojený porost. Při použití metodiky založené na

clusterizaci byly na obou pozemcích vymezeny čtyři management zóny. Z obrázku je patrné, že

zóna s nejvyšší zapojeností porostu vykazovala v případě pozemku A hodnotu 2.11. Současně ale

vykazuje zóna s nejnižší zapojeností v případě pozemku B hodnotu 2.14. Dochází tak k paradoxní

situaci, kdy zóna vyjadřující nejméně kvalitní porost v rámci jednoho pozemku reálně vykazuje

vyšší hodnoty LAI než zóna vyjadřující relativně nejkvalitnější porost v rámci jiného pozemku. Při

použití metodiky založené na statistické analýze dlouhodobých normálů tento problém odpadá,

neboť na všechny pozemky (v rámci daného klimatického regionu a s porosty stejné plodiny) jsou

aplikována shodná pravidla pro vymezení dílčích management zón. V příkladu uvedeném na obrázku jsou pro pozemek A stále vymezeny čtyři management zóny, zatímco v případě pozemku

B je díky nízké variabilitě celý pozemek zahrnut do zóny, indikující nejlepší stav porostu.

Výše uvedené příklady byly demonstrovány na datové vrstvě indexu listové plochy, avšak stejné

principy jsou aplikovány i na obě dvě zbývající vrstvy (obsah chlorofylu a obsah vody).

32

Obrázek 20: Ukázka problematiky srovnatelnosti management zón mezi pozemky. Nahoře: Vymezení management zón na pozemku s méně kvalitním a pouze částečně zapojeným porostem kukuřice (A) pomocí metody založené na clusterizaci hodnot indexu listové plochy (vlevo nahoře) respektive s využitím dlouhodobých statistik (vpravo nahoře). Dole: Vymezení management zón na pozemku s kvalitním a zapojeným porostem kukuřice (B) pomocí metody založené na clusterizaci hodnot indexu listové plochy (vlevo dole) respektive s využitím dlouhodobých statistik (vpravo dole).

2.8. Srovnání novosti postupů

Evropská kosmická agentura (ESA), která je primárním poskytovatelem družicových dat Sentinel-

2 současně poskytuje i softwarové vybavení (tzv. „procesory“) k jejich následnému zpracování.

Tyto nástroje pak jsou integrovány do společné platformy SNAP (Sentinel Application Platform)

[10]. Jedním z takových modulů je i procesor pro výpočet biofyzikálních charakteristik vegetace

(L2B Biophysical Processor). Protože jak data Sentinel-2, tak i platforma SNAP jsou poskytovány

zdarma, stal se odhad biofyzikálních parametrů vegetace dostupným široké skupině uživatelů.

Kromě platformy SNAP byl tento procesor rovněž implementován v rámci systému pro

monitoring zemědělských porostů SEN2AGRI (http://esa-sen2agri.org). Detailní popis procesoru

je možné nalézt ve Weiss a Baret (2016). Výstupem tohoto software jsou odhady hodnot indexu

listové plochy (LAI), frakce absorbovaného fotosynteticky aktivního záření (fAPAR) a vegetačního

zápoje (fCOVER). Vlastní výpočet je založen využití modelu přenosu záření PROSAIL v kombinaci

s umělou neuronovou sítí, a je tak velmi podobný postupu popisovanému v rámci tohoto

dokumentu. Oproti řešení popisovanému v tomto dokumentu zde ovšem existuje několik

zásadních rozdílů:

33

Řešení v rámci platformy SNAP není optimalizováno pro monitoring zemědělských plodin a proto je zde použito pouze obecné parametrizace modelu PROSAIL. Parametrizace

modelu PROSAIL tak není optimalizována pro konkrétní zemědělské plodiny. Tento

přístup sice na jednu stranu zajišťuje mnohem širší možnosti nasazení software (které je

v případě postupu popisovaného v tomto dokumentu omezeno jen na určité typy plodin),

avšak na druhou stranu není schopen zajistit nejoptimálnější možné řešení pro danou

plodinu (rozdíly ve struktuře a architektuře porostů různých plodin dané například

prostorovou orientací listoví jsou zde prakticky ignorovány).

Řešení v rámci platformy SNAP nijak nezohledňuje jevy, které mají zásadní vliv na spektrální signaturu porostů, avšak které není schopen popsat model PROSAIL (např. vliv

kvetení řepky).

Oproti řešení v rámci platformy SNAP jsou pomocí postupu popisovaného v rámci tohoto

dokumentu určovány odlišné biofyzikálních charakteristiky porostů (Cab a Cw místo fAPAR

a fCOVER).

Řešení v rámci platformy SNAP neobsahuje postup pro vymezování dílčích management zón

zemědělských pozemků tak, jak je tomu v případě metodiky popisované v tomto dokumentu.

3. Popis uplatnění metodiky

Cílovými uživateli výstupů popisované metodiky jsou primárně subjekty podnikající

v zemědělské prvovýrobě (zemědělské podniky zaměřené na rostlinnou výrobu). Současně je

však možné předpokládat využití i u dalších subjektů poskytující služby pro rostlinnou produkci

a to včetně služeb poradenských.

Přínosy výsledků popisovaných metodických postupů a jejich využití v praxi byly v průběhu

vývoje průběžně konzultovány se zástupci spolupracujících zemědělských podniků.

V současné době (2019) je metodika připravována ve spolupráci se společností CleverFarm a.s.

(www.cleverfarm.cz) pro operační využití při průběžném sledování vývoje zemědělských

porostů, kdy rozšiřuje portfolio nabízených služeb pro podporu precizního zemědělství

(https://www.cleverfarm.cz/precizni-zemedelstvi). Jedná se přitom zejména o využití v oblasti

variabilních aplikací hnojiv a ochranných prostředků.

Kromě využití v rámci konceptu precizního zemědělství byly v rámci konzultací s cílovými

uživateli popisované metodiky (tj. zemědělskými podniky) nalezeny následující oblasti možného

využití:

Monitoring zapojenosti porostu a nárůstu množství biomasy v čase. Zajištění podkladů pro odhad celkového výnosu.

Monitoring aktuální zásobenosti porostů vodou.

Management sklizně - sledování tzv. selektivního dozrávání porostů daného různou rychlostí dozrávání v jednotlivých částech zemědělského pozemku, případně sledování

stupně zralosti mezi jednotlivými pozemky (s porosty stejné plodiny). Zajištění podkladů

pro odhad optimálního termínu sklizně.

Management aplikace ochranných prostředků. Zajištění podkladů pro odhad optimálního termínu aplikace ochranných prostředků.

34

4. Ekonomické aspekty uplatnění metodiky

Hlavní ekonomické přínosy využívání připravovaných služeb zemědělskými podniky jsou spojeny

s úsporou nákladů na straně vstupů (zejména při variabilní aplikaci hnojiv a ochranných

prostředků). Pro kvantifikaci celkového potenciálu úspor pro zemědělskou výrobu v České

republice je možné vyjít z předpokladu, že metody precizního zemědělství budou primárně

uplatňovány v případě větších podniků a na pozemcích s výměrou cca nad 10 ha. Na základě

interní analýzy bylo zjištěno, že v současné době existuje v České republice přibližně 2900

zemědělských podniků, které hospodaří na alespoň pěti pozemcích větších než 10 ha. To

představuje téměř 60 000 zemědělských pozemků s celkovou výměrou přes přibližně 1 800 000

ha. Průměrná velikost pozemků obhospodařovaných takovými podniky pak činí zhruba 625 ha.

Na základě dosavadních zkušeností a expertních odhadů se při aplikaci postupů precizního

zemědělství dosažené úspory na vstupech do zemědělské výroby pohybují v intervalu 200 – 700

Kč/ha. Pokud bychom tedy uvažovali, že zavedením této metodiky do praxe by došlo k úspoře na

spodní hranici (tj. 200 Kč/ha), pak by celkový finanční přínos pro průměrný zemědělský podnik

představoval částku 125 000 Kč ročně.

Další ekonomický přínos je možné identifikovat v oblasti navýšení příjmů v důsledku vyšší

produkce a vyššího výnosu díky cílenému hospodaření na pozemcích vhodných pro uplatnění

postupů precizního zemědělství. Pro tuto oblast však zatím není k dispozici dostatek podkladů a

zkušeností, takže seriózní odhad potenciálního přínosu při uplatnění výše uvedených služeb zatím

není možné zpracovat.

Obrázek 21: Histogram znázorňující vztah mezi počtem zemědělských podniků a rozlohou obhospodařovaných zemědělských pozemků (vlevo), histogram znázorňující vztah počtu zemědělských podniků a potenciálních celkových úspor nákladů za předpokladu uvažování úspory 200 Kč/ha (vpravo).

5. Seznam použité související literatury

Literatura použitá v rámci metodiky:

Danner M., Berger K., Wocher, M., Mauser W., Hank T. (2017): Retrieval of Biophysical Variables

from Multi-Angular Canopy Spectroscopy, Remote Sensing, 9 (726), 21 pp.

Djamai N., Fernandes R., Weiss M., McNairn H., Goïta K. (2019): Validation of the Sentinel-2

Simplified Level-2 Product Prototype Processor (SL2P) for mapping cropland biophysical

variables using Sentinel-2/MSI and Landsat-8/OLI data, Remote Sensing of Environment, 225,

416-430.

Feret J.B., Francois C., Asner G.P., Gitelson A.A., Martin R.E., Bidel L.P.R., Ustin S.L., LeMaire G.,

Jacquemoud S. (2008): PROSPECT-4 and 5: Advances in the leaf optical properties model

separating photosynthetic pigments, Remote Sensing of Environment, 112(6), 3030-3043.

35

Gavioli A., de Souza E.G., Bazzi C.L., Schenatto K., Betzek N.M. (2019): Identification of management

zones in precision agriculture: An evaluation of alternative cluster analysis methods, Biosystems

Engineering, 181, 86 – 102.

Jacquemoud S., Baret F. (1990): PROSPECT – A model of leaf optical properties spectra, Remote

Sensing of Environment, 34(2), 75 – 91.

Mridha N., Sahoo R.N., Sehgal V.K., Krishna G., Pargal S., Pradhan S., Gupta V.K., Kumar D.N. (2015):

Comparative evaluationof inversion approaches of the radiative transfer model for estimation of

crop biophysical parametrs, International Agrophysics, 29, 201 – 212.

Pan H., Chen Z., Ren J., Li H., Wu S. (2019): Modeling winter wheat Leaf Area Index and Canopy

Water Content with different approqaches using Sentinel-2 Mulstispectral Instrument data, IEEE

Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 12(2), 482 – 492.

Verhoef (1984): Light Scattering by Leaf Layers with Application to Canopy Reflectance Modeling:

The SAIL Model, Remote Sensing of Environment, 16, 125 – 141.

Saifuzzaman M., Adamchuk V., Buelvas R., Biswas A., Prasher S., Rabe N., Aspinall D., Ji W. (2019):

Clustering tool for integration of satellite remote sensing imagery and proximal soil sensing data,

Remote Sensing, 11(9), 18 pp.

Weiss M., Baret F. (2016): S2ToolBox Level 2 products: LAI, fAPAR, fCOVER, [on-line]:

http://step.esa.int/docs/extra/ATBD_S2ToolBox_L2B_V1.1.pdf

Xie Q., Dash J., Huete A., Jiang A., Yin G., Ding Y., Peng D., Hall C., Brown L., Shi Y., Ye H., Dong, Y.,

Huang, W. (2019): Retrieval of crop biophysical parametrs from Sentinel-2 remote sensing

imagery, International Journal of Applied Earth Obsrvation and Geoinformation, 80, 187 – 195.

Zhang X., Shi L., Jia X., Seielstad G., Helgason C. (2010): Zone mapping application for precision-

farming: a decision support tool for variable rate application, Precision Agriculture, 11, 103 – 114.

Další související literatura:

Určování biofyzikálních charakteristik vegetace pomocí empirického modelování:

Ahmadian N., Ghasemi S., Wigneron J. P., Zo litz R. (2016): Comprehensive study of the biophysical parameters of agricultural crops based on assessing Landsat 8 OLI and Landsat 7 ETM+ vegetation indices. GIScience & Remote Sensing, 53(3), 337-359.

Frampton W. J., Dash J., Watmough G., Milton E., J. (2013): Evaluating the capabilities of Sentinel-2 for quantitative estimation of biophysical variables in vegetation. ISPRS journal of photogrammetry and remote sensing 82, 83-92.

Jackson T. J., Chen D., Cosh M., Li F., Anderson M., Walthall Ch., Doriaswamy P., Hunt E. R. (2004): Vegetation water content mapping using Landsat data derived normalized difference water index for corn and soybeans. Remote Sensing of Environment, 92(4), 475-482.

Yilmaz M., Hunt Jr E. R., Jackson T. J. (2008): Remote sensing of vegetation water content from equivalent water thickness using satellite imagery. Remote Sensing of Environment, 112(5), 2514-2522.

Určování biofyzikálních charakteristik vegetace s využitím modelů přenosu záření:

Clevers J., Kooistra L., Van Den Brande M. (2017): Using Sentinel-2 data for retrieving LAI and leaf and canopy chlorophyll content of potato crop. Remote Sensing, 9(5), 488.

36

Richter K., Altzberger C., Vuolo F., D’Urso G. (2010): Evaluation of Sentinel-2 spectral sampling for radiative transfer model based LAI estimation of wheat, sugar beet and maize. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 4(2), 458-464.

Richter K., Hank T. B., Vuolo F., Mauser W., D’Urso G. (2012): Optimal exploitation of the Sentinel-2 spectral capabilities for crop leaf area index mapping. Remote sensing, 2012, 4(3), 561-582.

Wei C., Huang J., Mansaray L., Li Z., Liu W., Han J. (2017): Estimation and mapping of winter oilseed rape LAI from high spatial resolution satellite data based on a hybrid method. Remote Sensing, 9(5), 488.

Ostatní:

Atzberger C. (2013): Advances in remote sensing of agriculture: Context description, existing operational monitoring systems and major information needs. Remote sensing, 5(2), 949-981.

Guoxiang L., Dawei Z. (2013): Estimating production of winter wheat by remote sensing and unified ground network. I. System verification. Elsevier, 137 – 148.

Han J., Wei C., Chen Y., Liu W., Song P., Zhang D., Wang A., Song X., Wang X., Huang J. (2017): Mapping above-ground biomass of winter oilseed rape using high spatial resolution satellite data at parcel scale under waterlogging conditions. Remote sensing, 9(3), 238.

Steven M. D., Malthus T. J., Demetriades-Shah T. H., Danson F. M., Clark J. A. (2013): High-spectral resolution indices for crop stress. In: Applications of remote sensing in agriculture. Elsevier, 209 – 228.

6. Seznam publikací, které předcházely metodice

Publikace v odborných periodikách:

Klem K., Záhora J., Zemek F., Trunda P., Tůma I., Novotná K., Hodaňová P., Rapantová B., Hanuš J.,

Vavříková J., Holub P. (2018): Interactive effects of water deficit and nitrogen nutrition on winter

wheat. Remote sensing methods for their detection. Agricultural watr management, 210, 171 –

184.

Klem K., Rajsnerová P., Novotná K., Míša P., Křen J., (2014): Changes in vertical distribution of

spectral reflectance within spring barley canopy as an indicator of nitrogen nutrition, canopy

structure and yield parameters. Agriculture (Polnohospodárstvo), 60(2), 50 – 59.

Prezentace metodiky na odborných konferencích:

Mišurec J., Tomíček J., Jakešová L., Tučková K., Lukeš P., Klem K.: Sběr in-situ dat pro potřeby

modelování biofyzikálních a produkčních parametrů zemědělských plodin a jejich využití pro

tvorbu produktů na podkladě dat Sentinel-2 [přednáška], 7. uživatelské fórum Copernicus v ČR,

Praha, Česká republika, 7. – 8.6. 2018.

Mišurec J., Lukeš P., Tomíček J., Klem K., Jakešová L., Tučková K.: Kvantitativní analýza

biofyzikálních parametrů zemědělských plodin s využitím multispektrálních dat Copernicus

[přednáška], Konference GIS ESRI v ČR 2018, Praha, Česká republika, 7. – 8.11. 2018.

Mišurec J., Tomíček J., Lukeš P., Klem K., Tučková K., Jakešová L.: Estimation of crop biophysical

and productivity properties using radiative transfer and spectral information analysis [posterová

prezentace], 11th EAESeL Workshop on Imaging Spectroscopy, Brno, Česká republika, 6. – 8.2.

2019.

37

Mišurec J., Tomíček J., Lukeš P., Klem K., Tučková K., Jakešová L.: Retrieval of biophysical and

productivity characteristics using radiative transfer and Sentinel-2 data [posterová prezentace],

Living Planet Symposium 2019, Milano, Itálie, 13. – 17.5. 2019.

Tomíček J., Mišurec J., Lukeš P., Klem K., Tučková K., Jakešová L.: Estimation of crop biophysical

and productivity properties using radiative transfer and spectral information analysis [posterová

prezentace], Advanced training course for Land remote sensing with the focus on Agriculture,

Louvain, Belgie, 16. – 20.9. 2019.

7. Použité přístrojové a softwarové vybavení a externí datové

vstupy

[1] Force-A Dualex chlorophyll meter:

http://www.dynamax.com/products/optics-for-polyphenol/dualex-scientific-polyphenol-

chlorophyll-meter

[2] Delta-T SunScan:

https://www.delta-t.co.uk/product/sunscan/

[3] Canon EOS 700D:

https://www.canon.cz/for_home/product_finder/cameras/digital_slr/eos_700d/

[4] Sigma 4.5 mm f/2.8 Circular Fisheye:

https://www.sigmaphoto.com/lenses/fisheye-lenses/4-5mm-f2-8-ex-dc-hsm-circular-fisheye-

28607

[5] CanEye:

https://www6.paca.inra.fr/can-eye

[6] ASD Fieldspec-4 HiRes:

https://www.malvernpanalytical.com/en/products/product-range/asd-range/fieldspec-

range/fieldspec4-hi-res-high-resolution-

spectroradiometer?creative=332029566126&keyword=&matchtype=b&network=g&device=c&

gclid=CjwKCAjwtuLrBRAlEiwAPVcZBoIR5iLVZaRi5JWpm7nNkGPSQpvy5s4pCR00A2Yf9Fo6eW

wVMgKe3xoC5gUQAvD_BwE

[7] ASD RTS-3ZC integration sphere:

https://www.photonics.com/Products/RTS-3ZC_Integrating_Sphere_Accessory_/pr25047

[8] Sentinel-2 Spectral Response Functions (SRFs):

https://earth.esa.int/web/sentinel/user-guides/sentinel-2-msi/document-library/-

/asset_publisher/Wk0TKajiISaR/content/sentinel-2a-spectral-responses

[9] SEN2COR Atmospheric correction plug-in:

https://step.esa.int/main/third-party-plugins-2/sen2cor/

[10] Sentinel Application Platform (SNAP):

https://step.esa.int/main/toolboxes/snap/

38

Příloha: ukázky odhadu biofyzikálních parametrů zemědělských porostů

Obrázek 22: Ukázka odhadu obsahu chlorofylu pro porosty ozimé pšenice v různém stupni zralosti (20.6. 2017)

Obrázek 23: Ukázka odhadu obsahu vody pro porost jarního ječmene. Napříč zemědělským pozemkem vede staré zazemněné říční rameno Labe. Půda je v tomto místě vlhčí, což se výrazně projeví jak na rychlostí dozrávání porostu, tak na jeho obsahu vody.

39

Obrázek 24: Ukázka odhadu indexu listové plochy pro porosty ozimé pšenice. Srovnání hustého (zapojeného) a řídkého (nezapojeného) porostu (1.4. 2017).