Anna Jarocińska Zastosowanie modeli transferu promieniowania w
advertisement
UNIWERSYTET WARSZAWSKI Wydział Geografii i Studiów Regionalnych Anna Jarocińska Zastosowanie modeli transferu promieniowania w hiperspektralnych badaniach stanu roślinności łąk Rozprawa doktorska przygotowana pod kierunkiem: Prof. dr hab. Jana R. Olędzkiego Warszawa, 2012 1 Podziękowania Podziękowania składam promotorowi – Panu Profesorowi Janowi R. Olędzkiemu za ukierunkowanie pracy, konsultacje i pomocną krytykę. Serdecznie dziękuję dr hab. Bogdanowi Zagajewskiemu za motywowanie do poszerzania wiedzy i poszukiwań oraz życzliwość. Chciałabym także podziękować Koleżankom i Kolegom z Katedry Geoinformatyki i Teledetekcji za wszelką pomoc. Szczególnie dziękuję Mamie i Piotrowi. Bez Waszego wsparcia i cierpliwości ta praca nie powstałaby. 2 Spis treści 1. Cel pracy i problem badawczy................................................................................................6 1.1. Cel pracy ..........................................................................................................................6 1.2. Badania łąk na terenie Polski ...........................................................................................7 1.3. Zastosowanie teledetekcji w badaniach łąkarskich ........................................................13 2. Dotychczasowe badania z zakresu monitorowania stanu roślinności ..................................17 2.1. Hiperspektralne badania roślinności na świecie ............................................................17 2.2. Wykorzystanie modeli transferu promieniowania .........................................................21 2.2.1. Modele transferu promieniowania w korekcji atmosferycznej obrazów teledetekcyjnych ................................................................................................................24 2.2.2. Wykorzystanie modeli transferu promieniowania w badaniach roślinności ...........25 2.2.2.1. Modelowanie roślinności na poziomie pojedynczych liści ..............................27 2.2.2.2. Modelowanie roślinności na poziomie pokrywy roślinności............................29 3. Charakterystyka środowiska badanych terenów ...................................................................36 3.1. Charakterystyka badanych terenów ...............................................................................36 3.1.1. Pogórze Karpackie...................................................................................................36 3.1.2. Równiny Środkowopolskie .....................................................................................38 3.2. Charakterystyka roślinności badanych łąk .....................................................................41 4. Metodyka badań ....................................................................................................................45 4.1. Modelowanie odbicia promieniowania od pojedynczych liści ......................................45 4.1.1. Model PROSPECT ..................................................................................................45 4.1.2. Pomiary terenowe i zastosowanie modelu PROSPECT ..........................................51 4.2. Modelowanie odbicia promieniowania od roślinności w zakresie pokrywy roślinnej ..56 4.2.1. Model 4SAIL ...........................................................................................................56 4.2.2. Łączony model PROSAIL .......................................................................................58 4.2.2.1. Pomiary terenowe i zastosowanie modelu PROSAIL ......................................66 4.3. Weryfikacja i opracowanie wyników badań ..................................................................73 5. Skuteczność modelowania charakterystyk spektralnych ......................................................78 5.1. Symulacja charakterystyk spektralnych na poziomie pojedynczych liści z użyciem modelu PROSPECT ..............................................................................................................78 5.1.1. Skuteczność modelu PROSPECT w modelowaniu charakterystyk spektralnych łąk badanych poligonów w wybranych zakresach widma ......................................................79 5.1.1.1. Modelowanie na podstawie danych PROSPECT-1 ..........................................80 5.1.1.2. Modelowanie na podstawie danych PROSPECT-2 ..........................................88 5.1.1.3. Ogólna ocena skuteczności modelu PROSPECT w modelowaniu charakterystyk spektralnych łąk badanych poligonów w wybranych zakresach widma .......................................................................................................................................96 3 5.1.2. Skuteczność modelu PROSPECT w modelowaniu charakterystyk spektralnych łąk według ich rodzajów..........................................................................................................96 5.1.2.1. Modelowanie na podstawie danych PROSPECT-1 ..........................................97 5.1.2.2. Modelowanie na podstawie danych PROSPECT-2 ..........................................98 5.1.2.3. Ogólna ocena skuteczności modelu PROSPECT w modelowaniu charakterystyk spektralnych łąk według ich rodzajów ................................................100 5.1.3. Skuteczność modelu PROSPECT w modelowaniu charakterystyk spektralnych łąk według parametrów biofizycznych..................................................................................100 5.1.3.1. Indeks powierzchni projekcyjnej liści (LAI) ..................................................101 5.1.3.2. Ilość biomasy świeżej .....................................................................................102 5.1.3.3. Zawartość wody ..............................................................................................103 5.1.3.4. Ogólna ocena skuteczności modelu PROSPECT w modelowaniu parametrów biofizycznych ...............................................................................................................104 5.1.4. Skuteczność modelu PROSPECT w modelowaniu charakterystyk spektralnych według teledetekcyjnych wskaźników roślinności ..........................................................104 5.1.4.1. Znormalizowany różnicowy wskaźnik zieleni (Normalized Difference Vegetation Index) .........................................................................................................105 5.1.4.2. Krawędziowy czerwony wskaźnik roślinności (Red Edge Normalized Difference Vegetation Index) .......................................................................................106 5.1.4.3. Znormalizowany różnicowy wskaźnik ligniny (Normalized Difference Lignin Index) ...........................................................................................................................107 5.1.4.4. Wskaźnik absorpcji celulozy (Cellulose Absorption Index) ...........................108 5.1.4.5. Wskaźnik kanału wody (Water Band Index) ..................................................109 5.1.4.6. Ogólna ocena skuteczności modelu PROSPECT w modelowaniu teledetekcyjnych wskaźników roślinności ...................................................................110 5.2. Symulacja charakterystyk spektralnych na poziomie pokrywy roślinnej z użyciem modelu PROSAIL ...............................................................................................................110 5.2.1. Skuteczność modelu PROSAIL w modelowaniu charakterystyk spektralnych łąk badanych poligonów w wybranych zakresach widma ....................................................111 5.2.1.1. Modelowanie na podstawie danych PROSAIL-1 ...........................................112 5.2.1.2. Modelowanie na podstawie danych PROSAIL-2 ...........................................119 5.2.1.3. Ogólna ocena skuteczności modelu PROSAIL w modelowaniu charakterystyk spektralnych łąk badanych poligonów w wybranych zakresach widma .....................126 5.2.2. Skuteczność modelu PROSAIL w modelowaniu charakterystyk spektralnych łąk według ich rodzajów........................................................................................................126 5.2.2.1. Modelowanie na podstawie danych PROSAIL-1 ...........................................127 5.2.2.2. Modelowanie na podstawie danych PROSAIL-2 ...........................................128 5.2.2.3. Ogólna ocena skuteczności modelu PROSAIL w modelowaniu charakterystyk spektralnych łąk według ich rodzajów.........................................................................130 4 5.2.3. Skuteczność modelu PROSAIL w modelowaniu charakterystyk spektralnych łąk według parametrów biofizycznych..................................................................................130 5.2.3.1. Indeks powierzchni projekcyjnej liści (LAI) ..................................................130 5.2.3.2. Ilość biomasy świeżej .....................................................................................132 5.2.3.3. Zawartość wody ..............................................................................................133 5.2.3.4. Ogólna ocena skuteczności modelu PROSAIL w modelowaniu parametrów biofizycznych ...............................................................................................................134 5.2.4. Skuteczność modelu PROSAIL w modelowaniu charakterystyk spektralnych według teledetekcyjnych wskaźników roślinności ..........................................................134 5.2.4.1. Znormalizowany różnicowy wskaźnik zieleni (Normalized Difference Vegetation Index) .........................................................................................................134 5.2.4.2. Krawędziowy czerwony wskaźnik roślinności (Red Edge Normalized Difference Vegetation Index) .......................................................................................135 5.2.4.3. Znormalizowany różnicowy wskaźnik ligniny (Normalized Difference Lignin Index) ...........................................................................................................................136 5.2.4.4. Wskaźnik absorpcji celulozy (Cellulose Absorption Index) ...........................137 5.2.4.5. Wskaźnik kanału wody (Water Band Index) ..................................................138 5.2.4.6. Ogólna ocena skuteczności modelu PROSAIL w modelowaniu teledetekcyjnych wskaźników roślinności ...................................................................139 5.3. Podsumowanie .............................................................................................................139 6. Dyskusja wyników ..............................................................................................................145 6.1. Koncepcja przeprowadzonych badań ...........................................................................145 6.2. Przedmiot badań ...........................................................................................................146 6.3. Zastosowana metoda ....................................................................................................148 6.4. Omówienie rezultatów badań .......................................................................................149 6.5. Trudności w modelowaniu wartości współczynnika odbicia na terenie niejednorodnych łąk ........................................................................................................................................152 6.6. Zalety przeprowadzonych badań ..................................................................................154 6.7. Propozycja udoskonalenia skuteczności modeli transferu promieniowania do badania łąk ........................................................................................................................................155 Literatura cytowana ................................................................................................................158 Spis rycin ................................................................................................................................176 Spis tabel .................................................................................................................................180 Spis załączników.....................................................................................................................182 Załączniki................................................................................................................................184 5 1. Cel pracy i problem badawczy 1.1. Cel pracy Badanie stanu roślinności, w tym monitoring pokrywy roślinnej, jest istotnym problemem w skali globalnej, regionalnej i lokalnej. Monitorowanie zmian w szacie roślinnej pozwala na określenie zmian czasowych zachodzących w innych komponentach środowiska mających wpływ na rośliny, takich jak gleba czy stosunki wodne. Zastosowanie teledetekcji w badaniach roślinności datuje się niemal od początku rozwoju tej dyscypliny. Powodem tego była i jest możliwość szybkiego zbierania synoptycznych danych o szacie roślinnej oraz uzyskanie na ich podstawie wielu nowych informacji. Podstawą tych badań jest rejestracja promieniowania elektromagnetycznego odbijanego od roślin. Początkowo w badaniach tych posługiwano się jednocześnie całym zakresem widma widzialnego, traktowanego jako całość (Trafas, 1967; Sayn-Wtttgenstein, Aldred, 1967; Ciołkosz, 1968), następnie stosowano metody oparte na wykorzystaniu zakresu podczerwieni (Northrop, Johnson, 1970; Ciołkosz, 1975) i techniki wielospektralne (Kumar, Silva, 1977; Mizgalski, 1983; Ciołkosz, Dąbrowska-Zielińska, 1993), a ostatnio, dzieląc widmo na wąskie zakresy spektralne, wykorzystuje się metody hiperspektralne (Curan, Dungan, Macler, Plummer, Peterson, 1992; Zagajewski, 2010). W monitoringu roślinności z wykorzystaniem danych teledetekcyjnych są stosowane dwie metody: statystyczna i modelowanie (Jacquemoud, 1993; Kumar, Schmidt, Dury, Skidmore, 2006). W przypadku pierwszej z nich konieczne jest przeprowadzanie jednocześnie pomiarów terenowych podczas wykonywania zobrazowania. Aby pozyskać informacje o parametrach biofizycznych roślin na podstawie obrazu, konieczne jest skorelowanie zmierzonych w terenie zmiennych z danymi z pułapu lotniczego lub satelitarnego, nie ma bowiem możliwości bezpośredniego pozyskania tych informacji z charakterystyk spektralnych. Dlatego wprowadzono drugą metodę badawczą – modelowanie z wykorzystaniem modeli transferu promieniowania. W wyniku ich zastosowania możliwe jest obliczenie parametrów biofizycznych roślin na podstawie wartości odbicia spektralnego. Te informacje pozwalają na określenie stanu roślin, a także prognozowanie plonów. Celem niniejszych badań jest ocena skuteczności modeli transferu promieniowania do określania stanu szaty roślinnej łąk występujących na terenie Polski. W badaniach 6 przetestowano dwa modele transferu promieniowania, służące do symulowania odbicia promieniowania od pojedynczych liści i szaty roślinnej traktowanej jako jednolita pokrywa roślinna, z punktu widzenia poprawności symulowania krzywych odbicia spektralnego. Badania odbywały się na obszarach łąkowych, które ze względu na duże zróżnicowanie wewnętrzne, są trudne do modelowania. Zbadano i oceniono istotność czynników wpływających na skuteczność symulowania odbicia spektralnego od zróżnicowanej pod względem składu gatunkowego roślinności łąkowej. Podjęto także próbę oceny przydatności obliczonych wartości odbicia do pozyskiwania teledetekcyjnych wskaźników roślinności i relacji tak obliczonych wskaźników do ich wartości uzyskanych na podstawie danych z bezpośrednich pomiarów terenowych. Modele transferu promieniowania (Radiative Transfer Models – RTM) są stosowane do wielu siedlisk roślinnych. Jeśli symulacja danych hiperspektralnych jest skuteczna, modele po odwróceniu mogą być używane także do pozyskiwania informacji o parametrach biometrycznych i biofizycznych roślin z krzywych odbicia spektralnego. Jest to najbardziej skuteczna i wiarygodna metoda pozyskiwania danych. Tym samym przy zastosowaniu odpowiedniego modelu można obliczyć parametry określające stan roślinności, na przykład zawartość w roślinach chlorofilu, wody, a także szacować biomasę. Modele transferu promieniowania są bardzo rzadko stosowane do symulowania charakterystyk spektralnych roślin łąkowych. Przeprowadzone badania pozwoliły określić, jak dokładna jest symulacja odbicia spektralnego, i wykazały, jak dalece modele transferu promieniowania mogą być także wykorzystane do pozyskiwania danych o cechach roślinności łąkowej o zróżnicowanej strukturze występującej na terenie Polski. 1.2. Badania łąk na terenie Polski Dane hiperspektralne są pozyskiwane z poziomu naziemnego oraz pułapów lotniczego i satelitarnego. Dane charakteryzują się wysoką rozdzielczością spektralną. Według A. F. H Goetza, G. Vane’a, J. E. Solomona i B. N. Rocka (1985) powinny być rejestrowane w co najmniej 40 kanałach spektralnych o szerokości połówkowej od 10 do 20 nm. Obecnie rozdzielczość spektralna skanerów hiperspektralnych wynosi poniżej 10 nm i obejmuje zakres od widma widzialnego do środkowej podczerwieni (Zagajewski, 2010; www.enmap.org, www.ga.gov.au/earth-observation/satellites-and-sensors/eo-1-satellite.html). W przypadku naziemnych badań spektrometrycznych rozdzielczość urządzeń przystosowanych do pomiarów hiperspektralnych jest wyższa niż w skanerach lotniczych bądź satelitarnych. Dlatego obrazy hiperspektralne mają mniejszą rozdzielczość spektralną 7 niż dane z pomiarów naziemnych. Ograniczenie liczby kanałów jest wskazane ze względu na dużą objętość danych i trudności w przetwarzaniu tak dużych plików. Szczegółowe dane o wielkości odbicia spektralnego pozwalają na dokładniejszą analizę roślinności niż w przypadku danych wielospektralnych. Przy użyciu danych hiperspektralnych można badać obszary antropogeniczne, szczególnie cenne są jednak w badaniach roślinności. Wysoka rozdzielczość spektralna pozwala na badania właściwości biochemicznych roślin, a także ich struktury (Ustin, Roberts, Gamon, Asner, Green, 2004). Każdy obiekt absorbuje i odbija różną ilość promieniowania w zależności od długości fali elektromagnetycznej. Za pomocą analizy charakterystyk spektralnych, czyli wartości współczynnika odbicia zmierzonego w poszczególnych długościach fali elektromagnetycznej, możliwe jest bardzo precyzyjne badanie poszczególnych obiektów. Techniki hiperspektralne są stosowane w badaniach roślinności ze względu na możliwość określania budowy roślin, ich chemizmu, struktury komórkowej, biomasy, zawartości wody i kondycji roślin (Jensen, 1983). Krzywe odbicia spektralnego roślin zielonych, w tym łąk, są do siebie zbliżone ze względu na główne substancje absorbujące i odbijające promieniowanie, które występują w roślinach zielonych. Światło przechodzące przez liście ulega odbiciu, absorpcji i transmisji albo kombinacji tych trzech procesów. Według L. Kumara, K. Schmidta, S. Dury’ego i A. Skidmore’a (2006) na optyczne właściwości liści roślin wpływają takie czynniki, jak: szorstkość powierzchni i współczynnik załamania światła przez wosk kutykularny, ilość i rozmieszczenie pigmentów w liściach, wewnętrzna struktura liści i zawartość wody. Każdy z tych czynników oddziałuje na różne zakresy widma elektromagnetycznego z właściwą sobie specyfiką. Na przykład, szorstkość powierzchni i wosk kutykularny1 wpływają na odbicie od górnej powierzchni liścia, pigmenty na absorbcję określonych zakresów promieniowania ultrafioletowego i widzialnego, struktura liścia na wewnętrzne rozproszenie światła, a zawartość wody wpływa na absorpcję promieniowania podczerwonego. Na wielkość odbicia wpływ ma zarówno struktura, jak i skład chemiczny obiektu. Na ogół dane hiperspektralne obejmują zakres optycznych widma, czyli od około 0,4 do 2,5 µm. W zakresie widzialnym od 0,4 do 0,7 µm na wielkość odbicia wpływa zawartość pigmentów fotosyntetycznych, głównie chlorofilu, ksantofilu i karotenoidów (Ustin, Roberts, Gamon, 1 Wosk kutykularny – znajduje się na kutykuli, czyli cienkiej warstwie pokrywającej zewnętrzną ścianę komórek epidermy chroniącą rośliny przed wpływem środowiska zewnętrznego i utratą wody (Szweykowska, Szweykowski, 2008). 8 Asner, Green, 2004). Chlorofil zawarty w liściach odbija światło zielone, a pochłania czerwone i niebieskie. Im większa jest zawartość chlorofilu, tym większe odbicie w świetle zielonym. W rejonie bliskiej podczerwieni, od 0,7 do 1,1 µm, występuje duże odbicie, na które ma wpływ struktura wewnętrzna roślin – odbicie od miękiszu gąbczastego jest duże, mniejsze natomiast od miękiszu palisadowego. W zakresie od 0,87 do 1,24 µm na absorpcję promieniowania wpływa woda i główne pierwiastki budujące liście. W średniej podczerwieni (1,1-2,5 µm) występuje silna absorpcja i niewielkie odbicie, co jest związane z zawartością wody w liściach. Jeśli liście są suche, to na wielkość odbicia wpływa zawartość podstawowych pierwiastków budujących roślinę. Główne substancje biochemiczne budujące liście wpływające na wielkość odbicia to: celuloza, hemiceluloza, lignina, skrobia, azot oraz komponenty: białka i pigmenty (Tretyn, 2007). Chlorofil, który jest niezbędny do fotosyntezy, absorbuje światło w zakresach 0,43, 0,66 µm (chlorofil a) i 0,46, 0,64 µm (chlorofil b). Białka, zawierające większość azotu, absorbują promieniowanie w następujących długościach fali: 1,5, 1,68, 1,74, 1,94, 2,05, 2,17, 2,29 i 2,47 µm. Celuloza absorbuje w zakresie 1,22, 1,48, 1,93, 2,1, 2,28, 2,34, 2,48 µm i podczerwień termalną. Od 10 do 35% suchej masy roślinnej stanowi lignina, pochłaniająca promieniowanie w zakresie 1,45, 1,68, 1,93, 2,27, 2,33, 2,38, 2,5 µm i w przedziale 2,052,14 µm. Skrobia absorbuje promieniowanie o następujących długościach: 0,99, 1,22, 1,45, 1,56, 1,7, 1,77, 1,93, 2,1, 2,32 i 2,48 µm. Wymienione pięć substancji wywiera dominujący wpływ na kształt i wartości krzywej odbicia spektralnego roślinności zielonej. Powyższe czynniki determinują kształt krzywej odbicia spektralnego, dlatego na podstawie wartości odbicia można wnioskować o zawartości poszczególnych substancji budujących rośliny. W związku z tym dane o dużej rozdzielczości spektralnej są przydatne do analiz roślinności, w tym także roślinności łąkowej. Przedmiotem badań przedstawionych w tej pracy są łąki, czyli grunty zajęte pod uprawę traw lub innych upraw zielnych, naturalnych lub powstałych w wyniku działalności rolniczej. Łąka jest bezdrzewnym zbiorowiskiem roślinnym, na którym rośnie zwarte runo traw z domieszką innych roślin jednoliściennych, wieloletnich ziół i mszaków (Nawara, 2006). Istnienie łąk warunkuje systematyczne wykaszanie. Charakterystyczną cechą tych zbiorowisk jest to, że korzenie i rozłogi roślinności tworzą darń, dzięki której łąka może się odradzać po każdym skoszeniu i przerwie zimowej. Przy systematycznym koszeniu skład roślin utrwala się. Łąki wraz z pastwiskami składają się na użytki zielone. Trwałe użytki zielone, które są porośnięte stale roślinnością, a nie występują na gruntach ornych jako płodozmian, zajmują 9 w Polsce około 3 mln ha, co stanowi około 10% powierzchni kraju i ponad 20% powierzchni użytków rolnych (Kucharski, 2009). Nie wszystkie trwałe użytki zielone stanowią powierzchnię produkcyjną, część bowiem jest zaniedbana bądź występuje na terenach niedostępnych lub na torfowiskach – terenach trudnych do eksploatacji jako użytki zielone. Pomijając tego typu powierzchnie, szacuje się, że około 70% użytków jest wykorzystywanych – koszonych lub wypasanych. W porównaniu z innymi państwami Europy, jak i rolą, jaką spełniają w kształtowaniu krajobrazu, ich udział w powierzchni kraju jest mały. Dlatego istotne jest ich utrzymanie, a także określanie ich stanu. Łąki użytkowane są głównie kośnie, a pozyskiwaną z nich zieloną biomasę suszy się na siano lub zakisza. W Polsce przeważającą część plonów stanowi siano. Plony z łąk stanowią główne źródło pokarmu dla hodowlanych zwierząt roślinożernych. Biomasę z łąk można także wykorzystać do celów energetycznych. Terminy koszenia zależą od stopnia rozwoju roślin. W ciągu roku można uzyskać od jednego do trzech pokosów na łące, co zależy od rodzaju gleby, nawożenia mineralnego i nawadniania. Ponadto zbiorowiska trawiaste mogą służyć jako pastwiska. Na terenie Polski gospodarka na trwałych użytkach zielonych jest prowadzona ekstensywnie, co jest widoczne w niskim poziomie plonów w postaci siana i zielonej masy. Potencjał łąk i pastwisk jest niedostatecznie niewykorzystywany (Jankowska-Huflejt, Domański, 2008). Łąki pełnią ważne funkcje gospodarcze i ekologiczne. Oczyszczają powietrze, kształtują mikroklimat: łagodzą wahania temperatury i wilgotności powietrza (Nawara, 2006). Łąki w Polsce są zróżnicowane pod względem fitosocjologicznym i morfologicznym. Stanowią wartościowe siedliska rodzimych gatunków roślin i zwierząt, co ma związek z ich często naturalnym lub półnaturalnym charakterem. Flora łąk na terenie Polski liczy około 400 różnych roślin naczyniowych i kilkadziesiąt gatunków mszaków (Kucharski, 2009). Łąki stanowią także magazyn wód powierzchniowych i podziemnych. Chronią glebę przed erozją wodną i wietrzną. Hamują mineralizację gleb torfowych i torfowo-murszowych. Ze względu na antropogeniczne pochodzenie łąki należą do środowisk zagrożonych, bo zarówno nadmierne użytkowanie, jak i zaniechanie degradują środowisko, a doprowadzenie do poprzedniego stanu jest trudne (Kucharski, 2009). Przy braku użytkowania łąki zarastają roślinnością krzewiastą i drzewiastą. Także nadmierny wypas i koszenie powoduje szybsze wyczerpywanie się składników pokarmowych, zubożenie środowiska i sprawia, że rośliny nie mogą się odnowić. Jako pierwsze giną rośliny późno kwitnące, głównie dwuliścienne. Zbyt niskie koszenie 10 uniemożliwia szybkie odrastanie roślin, a także nie pozwala na osiedlanie się ptaków. Na różnorodność biologiczną łąk wpływa nie tylko koszenie, ale także nawożenie, które ma decydujący wpływ na ich skład gatunkowy. Większe nawożenie powoduje rozprzestrzenianie się roślin występujących w środowisku żyznym, co szczególnie dotyczy traw. Zaprzestanie nawożenia powoduje stopniowe wycofywanie się niektórych gatunków roślin preferujących siedliska żyzne. Nawożenie negatywnie wpływa na torfowiska i łąki bagienne, które są zasilane wodą bogatszą w azot. Zbyt intensywne nawożenie i herbicydy zanieczyszczają glebę i niszczą środowisko. Także zbyt duża ilość zwierzęcych odchodów powoduje eutrofizację środowiska. Na stan łąk ma wpływ stosowanie ciężkich maszyn, ponieważ zmieniają one stosunki wodno-powietrzne w glebie i mogą zniszczyć strukturę roślinności. Zwiększenie mechanizacji jest związane z komasacją gruntów i znacznie ułatwia zbiór siana, z drugiej zaś strony likwiduje zróżnicowanie środowiska łąkowego, a tym samym powoduje spadek bioróżnorodności tych terenów. Siedliska łąkowe ulegają degradacji przez przesuszenie i skażenie środowiska. Obniżenie poziomu wód gruntowych, szczególnie na glebach organicznych, powoduje mineralizację podłoża, co zwiększa eutrofizację siedlisk. Z przesuszonych siedlisk wycofują się rośliny wilgociolubne. Szczególnie ze względu na zmianę stosunków wodnych łąk (przez meliorację osuszającą) są one zaorywane i zamieniane na pola uprawne, co prowadzi do nieodwracalnej zmiany ekosystemu. Podjęte w niniejszym opracowaniu badania, w których wykorzystano modele transferu promieniowania jako innowacyjną metodę badawczą, mają ułatwić rozwiązanie problemu monitorowania zbiorowisk trawiastych występujących na terenie Polski. W przypadku łąk szczególnie istotna jest możliwość łatwego pozyskiwania informacji o biomasie, ponieważ to ona wskazuje na przyszłe plony. Ze względu na wymienione wcześniej zagrożenia istotne jest także badanie kondycji roślinności łąkowej. Tematyka łąkarska jest dość często podejmowana przez polskich badaczy. Badania z tego zakresu można podzielić ze względu na tematykę i na stosowane techniki. Na ogół w badaniach wykonywanych w Polsce stosowano tradycyjne metody obserwacji – badania terenowe. Stosowane były również, choć stosunkowo rzadko, metody teledetekcyjne (Bochenek, 1990; Lewiński, Gruszczyńska, 1992; Ciołkosz, Dąbrowska-Zielińska, 1993; Kozłowska, Rogowski, Banaszek, 1994; Kozłowska, Dąbrowska-Zielińska, Ostrowski, Ciołkosz, Stankiewicz, Bochenek, 2000; Dąbrowska-Zielińska, Kowalik, Gruszczyńska, 11 Hościło, 2003; Kozłowska, Kosiński, Kwiecień, Ziaja, 2004; Budzyńska, DąbrowskaZielińska, Turlej, Małek, Bartold, 2011). W zakresie tematyki badawczej można wyróżnić opracowania dotyczące gleb na terenach łąkowych, badania siedliskowe w aspekcie składu florystycznego i jego zmian oraz stanu roślinności, badane bywa również użytkowanie łąk. Częste są opracowania poświęcone stosunkom wodnym, melioracjom i ich wpływowi na rozwój łąk. Najwięcej badań obejmuje nawożenie łąk, czynniki środowiskowe i ich wpływ na produktywność łąk. Ze względu na cel niniejszego opracowania najistotniejsze są publikacje dotyczące stanu roślinności i szacowania plonów. Przykładem badań roślinności łąkowej były analizy zmian we florze pod wpływem czynników antropogenicznych (Kryszak, 2004; Kamiński, Chrzanowski, 2009) lub w zależności od rodzaju koszenia łąk (Kamiński, 2004; Radkowski, Kuboń, 2006), a także całego użytkowania terenów łąkarskich (Borawska-Jarmułowicz, 2004; Kiryluk, 2008). W wielu opracowaniach jest omawiane zagadnienie, w jaki sposób zaniechanie użytkowania łąk wpływa na skład florystyczny (Grzegorczyk, Grabowski, 2010). Inną kategorią badań są analizy kondycji roślinności na obszarze łąkowym. Przykładem badań jest analiza stresu wodnego różnych gatunków traw w kontrolowanych warunkach szklarniowych (Olszewska, Grzegorczyk, Olszewski, Bałuch-Małecka, 2010). Szczególnie wiele uwagi w literaturze przedmiotu jest poświęcane zagadnieniu plonowania, a także czynnikom wpływającym na wielkość plonów, np. ze względu na nawożenie, skład florystyczny i sposób użytkowania (Kitczak, Czyż, 2003). Stwierdzano, że na łące kośnej zbiera się wyższy plon niż na łące przemiennie użytkowanej, a także znacznie większy jest udział roślin motylkowych Badano także produkcyjność łąk w zależności od składu gatunkowego mieszanki i intensywności nawożenia (Bałuch-Małecka, Olszewska, 2008). Na podstawie poletka testowego określano, w jaki sposób nawożenie wpływa na plony z łąk podsiewanych konkretną mieszanką roślin (Dradrach, Zdrojewski, 2008). Badano plony z łąk na terenach torfowych (Prokopowicz, Kowalczyk, 2007), a także plonowanie w zależności od nawożenia i nawadniania na glebach torfowo-murszowych (Prokopowicz, Jurczyk, 2008) i górskich (Kasperczyk, Szewczyk, 2006; Nadolna, Paszkiewicz-Jasińska, 2007; Kasperczyk, Kacprzyk, 2008). Część opracowań dotyczyła wpływu naturalnego nawożenia i gospodarowania w gospodarstwach ekologicznych na wielkość produkcji (Prokopowicz, Jankowska-Huflejt, 2007). Ponadto opisywano wpływ zaniechania nawożenia na zawartość poszczególnych pierwiastków w wodach i glebach łąk (Burzyńska, 2009). 12 1.3. Zastosowanie teledetekcji w badaniach łąkarskich Do teledetekcyjnego badania właściwości pokrywy roślinnej są stosowane dwa podejścia: statystyczne i modelowanie (Jacquemoud, 1993; Kumar, Schmidt, Dury, Skidmore, 2006). W podejściu statystycznym koreluje się parametry roślinne określone w czasie pomiarów naziemnych z wartością odbicia. Tego typu badania są długotrwałe i kosztochłonne. Dotychczas w Polsce badania teledetekcyjne łąk, jak i innych zbiorowisk roślinności odbywały się przy zastosowaniu podejścia statystycznego. Najczęściej dotyczyły one badania kondycji roślinności, szacowania parametrów biofizycznych i klasyfikacji łąk. Do badania stanu użytków zielonych wykorzystywano obrazy satelitarne AVHRR NOAA i lotnicze, które korelowano z danymi naziemnymi (Bochenek, 1990). Na podstawie wartości wskaźników teledetekcyjnych szacowano wskaźnik LAI, wielkość biomasy i wilgotność gleby. Badano zależności temperatury radiacyjnej pozyskanej z pułapu lotniczego i satelitarnego (Lewiński, Gruszczyńska, 1992) od parametrów biofizycznych roślin pobranych z poziomu naziemnego (LAI, biomasa świeża i wilgotność gleby). Temperatura radiacyjna była opracowana na podstawie obrazów AVHRR NOAA. Autorzy otrzymali dobre korelacje temperatury z biomasą świeżą i parametrem LAI z pomiarów terenowych. Badano także zastosowanie obrazów satelitarnych do określania produktywności łąk (Ciołkosz, Dąbrowska-Zielińska, 1993). W badaniach wykorzystano obrazy z NOAA, na podstawie których wyznaczono temperaturę radiacyjną, wskaźnik NDVI i określono LAI. Zajmowano się także modelem określającym plony z łąk z zastosowaniem obrazów satelitarnych (Kozłowska, Dąbrowska-Zielińska, Ostrowski, Ciołkosz, Stankiewicz, Bochenek, 2000). Ponadto badano warunki środowiskowe i kondycję łąk, wykorzystując temperaturę radiacyjną (Łabędzki, 2003). Na podstawie badań terenowych i wskaźnika NDVI obliczonego z obrazów satelity Landsat TM analizowano możliwości badania wilgotności siedlisk łąkowych (Kozłowska, Rogowski, Banaszek, 1994). Badania wykazały, że nie da się bezpośrednio wyznaczyć stopnia wilgotności z obrazów satelitarnych, możliwe jest jednak wyznaczenie w przypadku niektórych rodzajów siedlisk zależności wskaźnika od wilgotności. Wskaźnik NDVI używany był także do badania użytkowania i uwilgotnienia łąk (Kozłowska, Kosiński, Kwiecień, Ziaja, 2004). Zajmowano się odróżnianiem różnych siedlisk użytków zielonych. Na podstawie obrazów satelitarnych Landsat i obliczonego na ich podstawie wartości wskaźnika NDVI 13 i jego rozkładu przestrzennego opracowano mapę przedstawiającą różne formy użytkowania ziemi, w tym rodzaje łąk (Kosiński, Kozłowska, 2003). Wykorzystując wskaźnik NDVI obliczony z obrazów z satelity Landsat opracowano algorytm półautomatycznej klasyfikacji obiektowej do klasyfikacji łąk (Kosiński, Hoffmann-Niedek, 2008). Z użyciem danych teledetekcyjnych opracowano metody monitorowania bagien Biebrzańskich (Dąbrowska-Zielińska, Kowalik, Gruszczyńska, Hościło, 2003). Na podstawie danych z satelitów Landsat, SPOT, NOAA/AVHRR i ERS-2.ATSR obliczono teledetekcyjne wskaźniki roślinności określające stopień rozwoju roślin i uwilgotnienie łąk. Wykonano klasyfikację łąk na obrazów danych z Landsata i danych mikrofalowych ERS-2. Używając danych radarowych i wymienionych wskaźników określono wilgotność siedlisk. Następnie badano związek wartości LAI, które posłużyły do szacowania biomasy, ze wskaźnikami stopnia rozwoju roślin. Dla tych terenów opracowano ponadto metodę pozyskiwania parametru LAI, a tym samym monitoringu łąk (Budzyńska, Dąbrowska-Zielińska, Turlej, Małek, Bartold, 2011). Na podstawie obrazów satelitarnych przeprowadzono klasyfikację zbiorowisk roślinnych i obliczono teledetekcyjne wskaźniki roślinności i gęstość strumieni ciepła. Opracowano empirycznie zależność LAI od wskaźników roślinności i na tej podstawie obliczono wartości zmiennej biofizycznej na terenach bagien. Zastosowano także algorytmy do obliczania wilgotności gleby na podstawie obrazów mikrofalowych. Najczęściej poruszanymi zagadnieniami w badaniach teledetekcyjnych łąk są określanie kondycji roślin i próby oszacowania parametrów roślinnych, takich jak powierzchnia projekcyjna liści i biomasa. Pozyskanie informacji o parametrach przestrzennych możliwe jest jedynie przez związek ze wskaźnikami obliczanymi na podstawie obrazów satelitarnych lub lotniczych. Konieczne jest także wykonanie jednoczesnych pomiarów terenowych, co znacznie wydłuża czas badań. Badania terenowe są szczególnie istotne w przypadku pozyskiwania informacji o zawartości biomasy. Drugim sposobem badania roślinności metodami teledetekcyjnymi jest modelowanie z użyciem równania transferu promieniowania odbicia od liści i pokrywy roślinnej (Jacquemoud, Ustin, Verdebout, Schmuck, Anderoli, Hosgood, 1996). Modele transferu promieniowania umożliwiają bezpośrednie pozyskiwanie parametrów biofizycznych z danych teledetekcyjnych. Modele RTM są modelami fizyczno-matematycznymi, które na podstawie praw fizycznych opisują, co dzieje się z promieniowaniem w atmosferze i w kontakcie z pokrywą roślinną. Modele opierają się na charakterystyce transferu energii w formie promieniowania elektromagnetycznego. Rozprzestrzenianie się promieniowania przez 14 określone medium jest uwarunkowane procesami absorpcji, emisji i rozproszenia (Kumar, Schmidt, Dury, Skidmore, 2006). Modele RTM są używane od kilkudziesięciu lat do symulowania pokrywy roślinnej, a po wykonaniu inwersji modelu do badania parametrów biofizycznych. Danymi wejściowymi są zmienne biofizyczne i biometryczne roślin, np. zawartość barwników, powierzchnia projekcyjna liści, zawartość wody, masy suchej, natomiast wyjściowymi krzywe odbicia spektralnego. Po dopasowaniu parametrów modelu i sprawdzeniu, czy możliwe jest uzyskanie prawidłowych krzywych odbicia spektralnego, jest przeprowadzane odwrócenie modelu. Wtedy do modelu są wczytywane dane spektrometryczne (terenowe, lotnicze lub satelitarne), a wynikiem są wybrane parametry biofizyczne i biometryczne. Przedstawiony sposób pozyskiwania tych parametrów jest bardziej wiarygodny niż metody statystyczne. Dotychczas na terenie Polski modele transferu promieniowania nie były wykorzystywane do badań roślinności łąkowej. Na ogół modele RTM są używane do badania roślinności homogenicznej ze względu na konieczność uogólnienia roślinności. Łąki także w badaniach światowych są rzadko modelowane, co jest związane ze znacznym zróżnicowaniem wewnętrznym tego środowiska. Łąki na terenie Polski mają często charakter naturalny lub półnaturalny, tym samym są one bardziej zróżnicowane niż łąki uprawiane. W znacznej części badań z użyciem tych modeli wykorzystuje się jedynie podstawowe badania terenowe wykonywane w trakcie zobrazowania. Część danych wejściowych jest uzyskiwana z poziomu naziemnego, cześć z pułapu lotniczego, a pozostałe są szacowane lub nadawane odgórnie. Dlatego użycie jednolitych badań terenowych zapewnia większą dokładność modelowania. Monitoring łąk jest bardzo istotnym zagadnieniem. Duży potencjał tkwi w danych teledetekcyjnych, które umożliwiają wiarygodne pozyskiwanie informacji dla dużego terenu w znacznie krótszym czasie niż przy użyciu tradycyjnych metod badawczych. W przypadku badań klasycznych i teledetekcyjnych bardzo często poruszanym zagadnieniem jest szacowanie parametrów biofizycznych pozwalających na prognozowanie plonów. Przy wykorzystaniu danych teledetekcyjnych jedynie zastosowanie modeli transferu promieniowania pozwala bezpośrednio z danych spektrometrycznych uzyskać informacje o parametrach biofizycznych. W pracy zostanie sprawdzone, czy możliwe jest zastosowanie modeli transferu promieniowania do symulowania spektrum zróżnicowanej roślinności łąkowej, która występuje na obszarze Polski, i określenie, jakie czynniki mogą wpływać na skuteczność 15 modelowania. Przy pozytywnych wynikach będą możliwe dalsze badania – inwersja modelu i obliczenie parametrów biofizycznych, a także zastosowanie modeli do obrazów z pułapu lotniczego i satelitarnego. 16 2. Dotychczasowe badania z zakresu monitorowania stanu roślinności 2.1. Hiperspektralne badania roślinności na świecie Dane hiperspektralne są przydatne do określania stanu i kondycji roślinności. Dalej zaprezentowano przykłady zastosowań danych hiperspektralnych w badaniach roślinności, z nastawieniem na obszary łąkowe. W niniejszym przeglądzie ustosunkowano się do wykorzystania danych hiperspektralnych z kilku punktów widzenia. Przedstawiono zastosowanie tych danych do monitorowania roślinności i jej stanu, do klasyfikacji terenu i w modelach określających parametry biofizycznych roślin, do określania rozwoju roślin i prognozowania plonów. W Polsce po raz pierwszy lotnicze dane hiperspektralne ze skanera DAIS 7915 do monitorowania stanu roślinności w Tatrach wykorzystali B. Zagajewski, M. Sobczak, M. Wrzesień (2004) i M. Sobczak, A. Folbrier, A. Kozłowska, M. Krówczyńska, P. Pabjanek, M. Wrzesień i B. Zagajewski (2005). Na podstawie danych terenowych i lotniczych utworzyli oni biblioteki spektralne zbiorowisk roślinnych. Wykorzystując biofizyczne zmienne zmierzone w terenie, określono kondycję roślinności. Dane hiperspektralne były również używane do rozpoznania stanu roślinności na obszarze Beskidu Niskiego (Jarocińska, Zagajewski, 2008). W tym przypadku zastosowano je do obliczania teledetekcyjnych wskaźników roślinności: NDVI, SAVI, LAI i fAPAR. Korzystając z danych lotniczych i pomiarów terenowych, M. Zwijacz-Kozica (2010) wykonała kartowanie stanu kosodrzewiny na obszarze Doliny Gąsienicowej w Tatrach. W badaniach tych określano rozkład wartości parametrów biometrycznych i kondycję zarośli kosodrzewiny. Dane ze skanera DAIS 7915 wraz z pomiarami terenowymi zastosowano także do badania skażenia roślinności metalami ciężkimi (Zagajewski, Lechnio, Sobczak, 2007). Dane hiperspektralne stosowano do badania różnic właściwości spektralnych pszenicy w zależności od nawożenia (Piekarczyk, Sulewska, 2010). Na podstawie tych badań, z użyciem teledetekcyjnych wskaźników roślinności, prognozowano następnie plony. Do monitorowania sosny zwyczajnej na obszarze Puszczy Niepołomickiej użyto obrazów ze skanera AISA (Wężyk, Wertz, Waloszek, 2003). Z połączenia obrazów hiperspektralnych i pomiarów laboratoryjnych uzyskano informacje na temat zawartości chlorofilu w igłach sosen. Ponadto dane hiperspektralne na terenie Polski były także stosowane w badaniach zawartości chlorofilu w wodach śródlądowych (Osińska-Skotak, 2009). 17 Znacznie szerzej do badania roślinności wykorzystuje się dane o wysokiej rozdzielczości spektralnej na świecie. Na obszarze Szwecji wykorzystano dane pozyskane w pomiarach terenowych do wykrywania i określania stopnia zainfekowania pszenicy przez grzyby (Muhammed, Larsolle, 2003). Terenowe dane hiperspektralne było również używane na terenie USA do wykrywania infekcji ziemniaków (Zhang, Qin, Liu, Ustin, 2003). Naziemne i lotnicze dane hiperspektralne często służyły do obliczania teledetekcyjnych wskaźników roślinności. Wskaźniki te łączą dane teledetekcyjne z biofizycznymi charakterystykami roślin (Jensen, 1983; Ustin, Roberts, Gamon, Asner, Green, 2004). Wskaźniki na podstawie danych hiperspektralnych znajdują zastosowanie w badaniu produkcji biomasy, przewidywaniu produktywności i prognozowaniu plonów (Haboudane, Miller, Pattey, Zarco-Tejada, Strachan, 2004; Ustin, Roberts, Gamon, Asner, Green, 2004). Wskaźniki bazujące na wąskich zakresach widma elektromagnetycznego pozwalają na badanie kondycji roślinności, a także zawartości poszczególnych substancji w roślinach. Na podstawie wskaźników obliczonych z danych hiperspektralnych określano stan drzew cytrusowych (Ye, Sakai, Okamoto, Garciano, 2008); wykrywano uszkodzenia w uprawach bawełny (Yang, Everitt, Fernandez, 2010); skażenia metalami ciężkimi trzciny pospolitej w Chinach (Liu, Chen, Wua G., Wua W., 2010). Naziemne obrazy hiperspektralne wykorzystywano do badania stresu wodnego jabłoni, z użyciem wskaźników określających kondycję roślin, zawartość chlorofilu, ilość światła użytego w procesie fotosyntezy, zawartość suchej masy i wody (Kim, Glenn, Park, Ngugi, Lehman, 2011). W uprawach ryżu określano zawartość azotu i kondycję roślin (Tian, Yao, Yang, Cao, Hannaway, Zhu, 2011). Obrazy hiperspektralne pozyskiwane z pułapu lotniczego w połączeniu z danymi naziemnymi były używane do identyfikowania gatunków drzew w obszarach Parku Narodowego Yellowstone w USA (Aspinall, 2002). Z użyciem laboratoryjnych danych hiperspektralnych odróżniano gatunki drzew w lasach namorzynowych (Vaiphasa C., Ongsomwang, Vaiphasa T., Skidmore, 2005). Wśród badanych siedlisk analizowano także zbiorowiska trawiste. Na terenie pastwisk na wybrzeżu Morza Śródziemnego badano ilość biomasy i zawartość azotu za pomocą teledetekcyjnych wskaźników roślinności obliczonych z hiperspektralnych terenowych pomiarów spektrometrycznych (Fava, Colombo, Bocchi, Meroni, Sitzia, Fois, Zucca, 2009). Określano biofizyczne parametry roślin łąkowych na terenach objętych pożarem przy użyciu teledetekcyjnych wskaźników roślinności obliczonych z naziemnych danych spektrometrycznych (Rahman, Gamon, 2004). Wskaźniki wykorzystano także do badania 18 stanu i rozwoju roślin łąkowych na terenie wyspy Horn w zatoce Meksykańskiej (Lucas, Carter, 2008). Hiperspektralne spektrometryczne dane naziemne używane były do badania trawników i boisk porośniętych trawą (Schut, Ketelaars, Meuleman, Kornet, Lokhorst, 2002). Dane ze spektroradiometru GER 3700 posłużyły do określania rozwoju traw w zależności od nawożenia (Mutanga, Skidmore, van Wieren, 2003). Badania przeprowadzono na poletkach testowych w warunkach szklarniowych przy różnym nawożeniu azotem. Badano także zawartość azotu na obszarze sawann w Afryce z wykorzystaniem obrazu ze skanera hiperspektralnego HyMap (Mutanga, Skidmore, 2004). Pomimo podobieństwa krzywej odbicia spektralnego wszystkich roślin, pojedyncze gatunki i zbiorowiska różnią się między sobą wielkością odbicia w wybranych zakresach. Jest to związane ze zróżnicowaną zawartością w roślinach poszczególnych pierwiastków, wody, a także różną ich budową. Dlatego dane hiperspektralne znajdują zastosowanie także w klasyfikacji zbiorowisk roślinnych. W Polsce obrazy hiperspektralne ze skanera DAIS 7915 i ROSIS wykorzystywano do klasyfikacji roślinności z użyciem tradycyjnych klasyfikatorów oraz metodą sieci neuronowych. Badania takie prowadzono na obszarze górskim w Tatrach (Zagajewski, Kozłowska, Krówczyńska, Sobczak, Wrzesień, 2005; Zagajewski, 2010), a także w Beskidzie Niskim (Olesiuk, Zagajewski, 2008). Podobne analizy przeprowadzono w okolicach Krakowa (Hejmanowska, 2007); klasyfikację form użytkowania terenu w tych okolicach na podstawie obrazu hiperspektralnego ze skanera Hyperion umieszczonego na satelicie EO-1 porównano z klasyfikacją wykonaną na obrazie wielospektralnym ze skanera ALI. Ponadto obrazy ze skanera Hyperion były wykorzystywane do klasyfikacji drzewostanów metodą Spectral Angle Mapper (Bartold, 2008). Dane hiperspektralne były używane także do klasyfikowania zbiorowisk łąkowych. Za pomocą obrazu hiperspektralnego rozpoznawano łąkowe zbiorowiska roślinne w Bawarii (Schmidtlein, Sassin, 2004). Klasyfikacja obrazu HyMap była użyta do wykrywania wodnych roślin inwazyjnych w delcie rzeki San Joaquin i Sacramento w stanie Kalifornia w USA (Underwood, Mulitsch, Greenberg, Whiting, Ustin, Kefauver, 2006). Dane z lotniczego skanera CASI-2 posłużyły do klasyfikacji roślinności łąkowej metodą Spectral Unmixing w Kalifornii w USA (Miao, Gong, Swope, Pu, Carruthers, Anderson, Heaton, Tracy, 2006). Wykorzystując dane hiperspektralne, badano rodzaje łąk Japonii i występujące na nich gatunki roślin (Tomimatsu, Itano, 2009). Analizowano zmiany w wielkości odbicia w całym spektrum i w wartościach teledetekcyjnych wskaźników roślinności. Obrazy hiperspektralne 19 wykorzystywano do klasyfikowania podmokłych łąk w Japonii pod kątem występowania gatunków zagrożonych (Ishii, Lu, Funakoshi, Shimizu, Omasa, Washitani, 2009). W czasie badań wyróżniano różne rodzaje siedlisk łąkowych. Dane hiperspektralne stosowano w badaniach parametrów biofizycznych roślin, a także do modelowania produktywności zbiorowisk roślinnych. Lotnicze obrazy hiperspektralne umożliwiły analizę właściwości i funkcjonowania ekosystemów, identyfikacji gatunków, określania zawartości pierwiastków chemicznych, badania właściwości biogeochemicznych oraz procesu fotosyntezy (Ustin, Roberts, Gamon, Asner, Green, 2004). Używając tego typu dane, mierzono zawartość azotu w naziemnych częściach drzew w lesie i szacowano produktywność zbiorowiska (Smith, Ollinger, Martin, Aber, Hallett, Goodale, 2002). Przewidywanie plonów jest zagadnieniem często poruszanym w badaniach teledetekcyjnych. Do szacowania wartości parametrów biofizycznych pastwisk była używana metoda z wykorzystaniem modeli PLS (Kawamura, Watanabe, Sakanoue, Inoue, 2008). Do kalibracji stosuje się różne zakresy widma. W badaniach wykorzystano krzywe odbicia spektralnego pozyskane z odpowiednich zakresów spektrum elektromagnetycznego zarejestrowanych spektrometrem ASD FieldSpec Pro FR. Szacowano także ilość biomasy z pastwisk na podstawie danych zarejestrowanych spektrometrem ASD FieldSpec FR (Zhao, Starks, Brown, Phillips, Coleman, 2007). Obliczane wskaźniki korelowano z parametrami biofizycznymi charakteryzującymi biomasę. Ponadto, na podstawie danych ze spektrometru obrazującego InSpector V10, określano zawartość poszczególnych pierwiastków w roślinności łąk (Suzuki, Tanaka, Kato, Okamoto, Kataoka, Shimada, Sugiura, Shima, 2008). Do prognozowania plonów i pozyskiwania parametrów biofizycznych są używane modele transferu promieniowania. Badania z zastosowaniem modeli zostaną przedstawione w dalszej części pracy. Zaprezentowano przegląd prac, w których stosowano dane hiperspektralne w badaniach roślinności. Wysokorozdzielcze dane, zarówno obrazy jak i pomiary naziemne, mogą być z powodzeniem stosowane do monitorowania roślinności. Najczęściej w badaniach używa się zakresu widma optycznego od 0,35 do 2,5 µm. Dane o odbiciu o wysokiej rozdzielczości spektralnej pozwalają na pozyskiwanie bardziej szczegółowych informacji niż z danych wielospektralnych. Dane hiperspektralne były używane do klasyfikacji obrazów, w tym do badania typów roślinności. Często stosuje się je do określania kondycji roślinności, określania stresu wodnego roślin, ich faz rozwoju. Z wykorzystaniem modeli możliwe jest rozpoznawanie 20 struktury roślinności, powierzchni liści i prognozowanie ilości biomasy, a tym samym plonów. Określano też zawartość poszczególnych substancji w roślinach – barwników (w tym chlorofilu), wody, suchych części roślin (np. ligniny, celulozy). W badaniach brano pod uwagę różne typy roślinności: uprawy – zboża, rośliny okopowe i plantacje drzew, a także, choć nieco rzadziej, naturalne – łąki i lasy. Dane hiperspektralne mogą być używane do obliczania teledetekcyjnych wskaźników roślinności i jako dane wejściowe do modeli. Przy pozyskiwaniu parametrów biofizycznych z pokrywy roślinnej bardzo przydatne są modele transferu promieniowania, za pomocą których można je wyliczać bezpośrednio z danych o wysokiej rozdzielczości spektralnej. 2.2. Wykorzystanie modeli transferu promieniowania Modele transferu promieniowania (Radiative Transfer Model – RTM) są modelami fizyczno-matematycznymi, które na podstawie praw fizycznych opisują, co dzieje się z promieniowaniem w atmosferze i w kontakcie z pokrywą roślinną. Modele te wykorzystują charakterystykę transferu energii w formie promieniowania elektromagnetycznego, a tym samym równanie transferu promieniowania. Rozprzestrzenianie się promieniowania przez określone medium jest uwarunkowane procesami absorpcji, emisji i rozproszenia (Kumar, Schmidt, Dury, Skidmore, 2006). Promieniowanie elektromagnetyczne jest związane z czterema procesami: odbiciem, absorbcją, transmisją i rozproszeniem. Niezależnie od ośrodka, przez który przechodzi promieniowanie, do każdego z nich może być zastosowane równanie transferu promieniowania, które opisuje interakcje między obiektem a promieniowaniem. Na podstawie prawa Plancka można opisać promieniowanie słoneczne jako promieniowanie emitowane przez ciało doskonale czarne o temperaturze 6000 K. Energia słoneczna, która dociera do Ziemi po przejściu przez atmosferę, jest absorbowana i odbijana, co może być opisane przy wykorzystaniu prawa Stefana-Boltzmanna. Całe promieniowanie, mierzone przez sensor w zakresie optycznym, składa się z promieniowania odbitego od powierzchni, promieniowania rozproszonego przy powierzchni i od niej odbitego oraz promieniowania rozproszonego w atmosferze (Carli, 2006). Najprostsze równanie transferu promieniowania opisujące, jak promieniowanie elektromagnetyczne wchodzi w interakcję z substancją, może być określone w odniesieniu do ośrodka, który jest jednorodny. Intensywność promieniowania (intensity of radiation) w czasie jego propagacji w substancji ulega osłabieniu ze względu na ekstynkcję i emisję. 21 Najprostsze równanie transferu promieniowania uwzględniające dwa wspomniane procesy ma następującą postać: ; gdzie: I σ – intensywność promieniowania (intensity of radiation), σ – długość fali, x – współrzędna wzdłuż kierunku promieniowania (propagacji), µσ – współczynnik ekstynkcji, ρ – gęstość ośrodka, jσ – współczynnik emisyjności na jednostkę masy. Podstawowym procesem, który wpływa na osłabienie promieniowania w ośrodku, jest ekstynkcja, która obejmuje procesy absorpcji i rozpraszania. W czasie absorpcji fotony są pochłaniane, a w drugim procesie rozpraszane w sposób chaotyczny. Ekstynkcja zależy od długości fali i rozmiaru cząsteczek. Absorpcja jest określona przez współczynnik absorpcji i prawo Plancka. W przypadku jednorodnego ośrodka, gdzie nie występuje rozpraszanie, a lokalne warunki energetyczne są niezmienne, zmiany natężenia są związane z różnicą między intensywnością promieniowania źródła i intensywnością promieniowania ciała, a równanie transferu promieniowania ma postać: ; gdzie: I σ – intensywność promieniowania (intensity of radiation), σ – długość fali, x – współrzędna wzdłuż kierunku promieniowania (propagacji), ασ – współczynnik absorpcji określający, ile promieniowania jest odchylane przez absorpcję od pierwotnej wiązki na określonej drodze, Bσ(T) – prawo Plancka, określające emisję światła przez ciało doskonale czarne. Jeśli w ośrodku występuje rozpraszanie, to może ono wzmacniać lub osłabiać intensywność promieniowania. Wtedy równanie transferu promieniowania ma postać: ; gdzie: I σ – intensywność promieniowania (intensity of radiation), 22 σ – długość fali, x – współrzędna wzdłuż kierunku promieniowania (propagacji), ασ – współczynnik absorpcji określający, ile promieniowania jest odchylane przez absorpcję od pierwotnej wiązki na określonej drodze, Bσ(T) – prawo Plancka, określające emisję światła przez ciało doskonale czarne, sσ – współczynnik rozpraszania opisujący, ile promieniowania jest odchylane przez rozpraszanie od pierwotnej wiązki na określonej drodze, -sσ×Iσ – człon określający stratę promieniowania (osłabienie intensywności) przez rozpraszanie, sσ×Jσ – człon określający zysk promieniowania (wzmocnienie intensywności) dzięki rozpraszaniu. Jeśli właściwości fizyczne i optyczne ośrodka nie są stałe, to współczynnik absorpcji i temperatura lokalna zależą od miejsca w ośrodku (współrzędnej x, która określa położenie na drodze strumienia promieniowania). W przypadku ośrodków zróżnicowanych, jakim jest roślinność, konieczne jest uwzględnienie tego założenia, co bardzo utrudnia rozwiązanie równania. Równanie transferu promieniowania w przypadku zróżnicowanego ośrodka ma postać: ∫ ; gdzie: I σ – intensywność promieniowania (intensity of radiation), σ – długość fali, x – współrzędna wzdłuż kierunku promieniowania (propagacji), Bσ(T) – prawo Plancka, określające emisję światła przez ciało doskonale czarne, L – położenie na drodze strumienia promieniowania, τσ – grubość optyczna, czyli parametr opisujący zmianę natężenia promieniowania elektromagnetycznego podczas jego przechodzenia przez ośrodek. Grubość optyczna jest proporcjonalna do grubości fizycznej ośrodka i jego właściwości optycznych. Ze względu na trudności w rozwiązaniu tego równania często dziali się je na dwa składniki: promieniowanie bezpośrednie i rozproszone. Istnieje wiele metod rozwiązywania równania, na ogół jednak są to przybliżenia. Zawsze wtedy konieczne jest zdefiniowanie warunków brzegowych modelu. Ośrodki takie jak atmosfera lub pokrywa roślinna są bardzo złożone. Równanie transferu promieniowania w tych ośrodkach musi uwzględniać ich zróżnicowanie. Dlatego 23 nie może być stosowane tylko jedno równanie, ale ich zestaw, który jest nazywany modelem transferu promieniowania. Modele opisują, w jaki sposób promieniowanie jest odbijane, pochłaniane i rozpraszane przez ośrodek, przy uwzględnieniu jego specyfiki. Modele transferu promieniowania są stosowane w teledetekcji środowiska do korekcji obrazów teledetekcyjnych oraz modelowania odbicia od liści i od pokrywy roślinnej. 2.2.1. Modele transferu promieniowania w korekcji atmosferycznej obrazów teledetekcyjnych W badaniach teledetekcyjnych na ogół wykorzystuje się promieniowanie odbite od obiektu. W przypadku zobrazowań satelitarnych i lotniczych przechodzi ono przez atmosferę, która w różnym stopniu zakłóca sygnał. W atmosferze znajdują się gazy, pyły i większe cząstki, które pochłaniają lub rozpraszają promieniowanie. Promieniowanie w zależności od zakresu fali w atmosferze może być pochłonięte lub częściowo rozproszone, pochłonięte i odbite od substancji w atmosferze. Część tego promieniowania odbitego i rozproszonego jest rejestrowana przez sensor, prowadzając tym samym do zniekształcenia danych spektralnych charakteryzujących badany obiekt. Dlatego w przypadku danych optycznych konieczne jest wykonywanie korekcji atmosferycznej, czyli usunięcie „zakłócającego” wpływu atmosfery. Po przeprowadzeniu tej korekcji wartości luminancji na górnej granicy atmosfery są przeliczane na jej wartość na powierzchni Ziemi, a wartości pikseli są zmieniane z ilości energii docierającej do sensora na współczynnik odbicia. Korekcja atmosferyczna może być wykonywana na dwa sposoby. W czasie korekcji względnej jest porównywany sygnał naziemny lub inny referencyjny z sygnałem zarejestrowanym na obrazie. Korekcja bazuje na obrazie i ewentualnie pomiarach terenowych. W metodach bezwzględnych wykorzystuje się modele transferu promieniowania do określenia rzeczywistego stanu atmosfery w momencie wykonywania zobrazowania. Korekcja wykonywana jest na podstawie pomiarów parametrów atmosferycznych w momencie wykonywania zobrazowania lub na standardowych modelach atmosfery. Rozprzestrzenianie się promieniowania przez atmosferę jest uwarunkowane procesami absorpcji, rozproszenia i emisji, które są uwzględniane w odpowiednich modelach stosowanych przy korekcji atmosferycznej. Modele, które opisują atmosferę i jej parametry nazywane są kodami radiacyjnymi. Najbardziej popularne kody radiacyjne to MODTRAN i 6S (Schlapfer, 2009). 24 Kod 6S (Second Simulation of the Satellite Signal in the Solar Spectrum) oblicza transmitancję i radiancję atmosferyczną w zakresie od 0,30 do 3,7 µm. Ma wbudowane cztery moduły dotyczące typów aerozoli: kontynentalny, morski, miejski, pustynny. Uwzględniają one zawartość w atmosferze: ozonu, tlenu, pary wodnej, dwutlenku węgla, metanu i tlenku azotu. Kod 6S jest używany do korekcji obrazów wielospektralnych. W Polsce badano wpływ zmian parametrów wejściowych na model korekcji atmosferycznej 6S (Bojanowski, 2005). W pracy określono, jakie parametry mają największy wpływ na poprawność korekcji i jakiej wielkości błąd generuje ich niewłaściwa wartość. Drugi kod, MODTRAN (Moderate Resolutnion LOWTRAN) oblicza transmitancję i radiancję atmosferyczną przy wysokiej rozdzielczości spektralnej w zakresie od 0,05 do 500 μm (Berk, Bernsterin, Anderson, Acharya, Robertson, Shettle, Matthew, Alder-Golden, 1998, Guanter, Richter, Kaufmann, 2009). Także ma wbudowane 4 moduły dotyczące aerozoli i uwzględnia następujące gazy: tlen, ozon, para wodna, dwutlenek węgla, tlenek węgla, metan, dwutlenek siarki, tlenki azotu i amoniak. Jest stosowany do korekcji obrazów hiperspektralnych optycznych i termalnych oraz kalibracji skanerów. Kod może być także wykorzystywany do korekcji obrazów wielospektralnych (Richter, Schläpfer, Müller, 2006). Jest używany w programie ATCOR (Richter, Schläpfer, 2002). 2.2.2. Wykorzystanie modeli transferu promieniowania w badaniach roślinności Jak zostało wspomniane wcześniej do badania właściwości pokrywy roślinnej używane są dwa podejścia: statystyczne i modelowanie (Jacquemoud, 1993; Kumar, Schmidt, Dury, Skidmore, 2006). Modelowanie odbicia w obrębie roślin wykorzystuje równania transferu promieniowania (RTM) (Jacquemoud, Ustin, Verdebout, Schmuck, Anderoli, Hosgood, 1996). W modelowaniu z użyciem RTM zbiorowiska roślinne lub pojedyncze rośliny są opisane jako jednorodne warstwy. Roślinność może być traktowana jako warstwa składająca się z liści i przestrzeni między nimi. Zarówno pojedyncze liście, jak i cały baldachim roślinności można opisać za pomocą trzech parametrów: odbicia, absorpcji i transmisji. Modele transferu promieniowania mogą być dostosowywane do różnego typu powierzchni i warunków, ponieważ są w nich uwzględniane procesy fizyczne wyjaśniające wpływ parametrów biofizycznych na wielkość odbicia. Aby określić, w jaki sposób światło przechodzi przez liście, opracowano szereg modeli, które można podzielić na opisowe (descriptive) i bazujące na prawach fizycznych (physically-based) (Kumar, Schmidt, Dury, Skidmore, 2006). 25 Pierwsza grupa obejmuje modele używane w analizach teoretycznych. Ich największą wadą jest brak możliwości inwersji modelu, co uniemożliwia pozyskanie zmiennych biofizycznych z krzywych odbicia spektralnego. Do drugiej grupy należą modele oparte na równaniu transferu promieniowania i teorii P. Kubelki i F. Munka (1931, za Abdul-Rahman, Chen, 2005) oraz modele określające roślinność jako płaskie płaszczyzny (plate models). Umożliwiają one przeprowadzanie procedur inwersyjnych. Teoria Kubelki i Munka określa właściwości optyczne ośrodka oraz współczynniki absorpcji i rozproszenia (Kubelka, Munk, 1931, za Abdul-Rahman, Chen, 2005). Zakłada ona, że promieniowanie padające na powierzchnię obiektu może być rozproszone jedynie w dwóch kierunkach – w górę i w dół. Odbicie zależy od grubości ośrodka, współczynników odbicia i rozproszenia oraz odbicia od tła. W teorii liść jest opisany jako warstwa materiału absorbującego i rozpraszającego (Kumar, Schmidt, Dury, Skidmore, 2006). Modele tego typu są najbardziej skuteczne w przypadku, gdy padający strumień promieniowania jest jednolicie rozpraszany we wszystkich kierunkach. Modele te były rozwijane do lat 60. XX wieku; początkowo nie brano w nich pod uwagę zmienności promieniowania w obrębie pokrywy roślinnej, co było związane z nieuwzględnieniem różnych kątów padania promieni słonecznych. W latach 70. zaproponowano bardziej złożone modele, uwzględniające obecność kwiatów i gałęzi. Rozwinięciem tych modeli jest model SAIL, który uwzględnia także różnorodne rozmieszczenie liści (Verhoef, 1984). Model typu plate traktuje liście jak płaskie struktury, opisywane jest odbicie i rozproszenie promieniowania. W pierwszych modelach liść był opisywany jako jedna warstwa o danych współczynnikach załamania i absorpcji. W kolejnych zostało uwzględnione także powietrze między warstwami liści. Aby polepszyć rezultaty, używając wypreparowanych liści, ustalono specyficzne współczynniki absorpcji wody, pigmentów niefotosyntetyzujących i chlorofilu. W ten sposób opracowano model PROSPECT (Jacquemoud, Baret, 1990). W większość modeli zakłada się jednakowe we wszystkich kierunkach odbicie i transmisję od igieł i liści oraz od gleby (Verhoef, Bach, 2007). Wszystkie fragmenty pokrywy roślinnej i gleba powinny być jednorodne, natomiast wszelkie elementy, takie jak korzenie, gałęzie, kwiaty nie są uwzględniane. Ponadto model nie może zawierać zbyt wielu parametrów wejściowych, ponieważ niemożliwa byłaby jego inwersja. Modele charakteryzujące roślinność różnią się danymi wejściowymi i wyjściowymi, poziomem analizy, wprowadzanymi modyfikacjami uwzględniającymi zakłócenia i rodzajem 26 roślinności, do jakiego można je zastosować. Parametrami wejściowymi modeli są zmienne biofizyczne (np. zawartość chlorofilu, wody, biomasa, geometria pokrywy roślinnej, liści), a wyjściowymi na ogół krzywe odbicia spektralnego. Modele mogą dotyczyć roślinności na dwóch poziomach: pokrywy roślinnej i liści. Dane wyjściowe z modeli opisujących rośliny na poziomie pojedynczych liści są często wykorzystywane jako dane wejściowe do modeli pokrywy roślinnej. RTM mogą uwzględniać różnego rodzaju zakłócenia przez wprowadzanie elementów korygujących, np. usuwające efekt nadmiernego odbicia (hot spot). Są dostosowywane do wykorzystania przy badaniu różnych powierzchni, takich jak łąki i lasy. Modele transferu promieniowania są coraz szerzej stosowane w badaniach roślinności. Wynika to z automatyzacji procesu inwersji modeli na podstawie danych hiperspektralnych. W Polsce badania roślinności, wykorzystujące dane zarówno wielospektralne jak i hiperspektralne, do tej pory odbywały się wyłącznie przy użyciu podejścia statystycznego, (np. Dąbrowska-Zielińska, Budzyńska, Lewiński, Hościło, Bojanowski, 2009). RTM mogą być używane do symulowania pomiarów spektrometrycznych, a także, po przeprowadzeniu inwersji, do pozyskiwania parametrów biofizycznych z krzywych odbicia spektralnego. Pozyskiwanie parametrów biofizycznych z danych hiperspektralnych polega na odwróceniu modelu tak, aby na wyjściu były zmienne biofizyczne. Duża liczba danych wejściowych do modelu utrudnia jego dalsze przekształcenia, a tym samym użytkowanie modelu. Skuteczność inwersji zależy do wielu czynników: od ilości informacji użytej w badaniach, czyli od ilości krzywych odbicia spektralnego wykorzystanych do inwersji; od jakości danych spektrometrycznych, czyli od rozdzielczości radiometrycznej, spektralnej, ilości zakłóceń; od wybrania odpowiedniego modelu, który jest dostosowany do struktury roślin oraz od samej inwersji – jej rodzaju i założonych zmiennych biofizycznych (Weiss, Baret, Myneni, Pragnère, Knyazikhin, 2000). Powyższe informacje wskazują, że istotnym aspektem badań jest wybór modelu, a także jego dopasowanie do środowiska na podstawie danych dobrej jakości. 2.2.2.1. Modelowanie roślinności na poziomie pojedynczych liści Modele RTM, które opisują roślinność na poziomie liści i charakteryzują wielokierunkowe odbicie i rozproszenie, najczęściej należą do kategorii plate models. Definiują one wewnętrzną strukturę rośliny jako płaszczyzny złożone z liści i powietrza, nie biorą natomiast pod uwagę atmosfery (Kumar, Schmidt, Dury, Skidmore, 2006). Model LIBERTY jest przeznaczony do charakterystyki igieł drzew iglastych, w szczególności sosny (Dawson, Curran, Plummer, 1999). Może on być używany do badań laboratoryjnych i terenowych. Uwzględnia zawartość chlorofilu, wody, celulozy, ligniny 27 i białka mierzonych na jednostkę powierzchni. Definiowane są także parametry strukturalne, takie jak średnica komórki, grubość igieł i międzykomórkowe przestrzenie powietrzne. Model oblicza odbicie i transmitancję w przypadku pojedynczych igieł i pęków. Innym modelem jest model LEAFMOD – Leaf Experimental Absorptivity Feasibility MODel, który bardzo upraszczając, dobrze symuluje rośliny iglaste (Ganapol, Johnson, Hammer, Hlavka, Peterson, 1998). Do modelowania liści najczęściej jest używany model PROSPECT, który został wykorzystany w niniejszym badaniach (Jacquemoud, Baret, 1990). Jest on jednym z najpopularniejszych na świecie modeli obliczających charakterystyki spektralne roślin (Jacquemoud, Ustin, Verdebout, Schmuck, Anderoli, Hosgood, 1996; Jacquemoud, Bacour, Poilvé, Frangi, 2000; Haboudane, Miller, Tremblay, Zarco-Tejada, Dextraze, 2002; Verhoef, Bach, 2003; Feret, Frençois, Asner, Gitelson, Martin, Bidel, Ustin, le Maire, Jacquemoud, 2008; Darvishzadeh, Skidmore, Atzberger, van Wieren, 2008). Charakteryzuje się niewielką liczbą parametrów wejściowych, jest dość prosty w zastosowaniu, a jednocześnie efektywny. Na ogół jest stosowany do jednolitych powierzchni, takich jak zboża. Z czasem zaczęto wprowadzać modyfikacje modelu umożliwiające badanie bardziej złożonych formacji roślinnych. Model ten bardzo rzadko jest stosowany do roślinności niejednorodnej. Używany on jest jako samodzielny moduł lub jako kombinacja z innymi algorytmami charakteryzującymi cały baldachim roślinności. Samodzielnie model PROSPECT był stosowany do celów aplikacyjnych w badaniach parametrów biofizycznych na poziomie pojedynczych liści, w szczególności zawartości chlorofilu (Feret, Frençois, Asner, Gitelson, Martin, Bidel, Ustin, le Maire, 2008) i wody (Ceccato, Flasse, Tarantola, Jacquemoud, Grégorie, 2001). Użyto go do badania zawartości chlorofilu w igłach w lasach sosnowych na terenie Kanady (Zarco-Tejada, Miller, Harron, Hu, Noland, Goel, Mohammed, Sampson, 2004). W badaniach tych wykonywano pomiary laboratoryjne i terenowe, a także zobrazowanie z wykorzystaniem skanera CASI. Dokonano inwersji modelu, aby uzyskać parametry biofizyczne na poziomie pojedynczych igieł. Badano możliwości modelu w zakresie symulowania danych opisujących roślinność, szczególnie hiperspektralnych (Jacquemoud, Baret, 1990; Jacquemoud, Ustin, Verdebout, Schmuck, Anderoli, Hosgood, 1996), analizowano wartości współczynnika absorpcji w zakresie poszczególnych długości fali (Fourty, Baret, Jacquemoud, Schmuck, Verdebout, 1996). Najczęściej wykorzystywany jest jako model obliczający parametry wejściowe do innych modeli. Może być łączony z modelami rolniczymi, czyli szacującymi rozwój roślin 28 i plony (Blackburn, Ferwerda, 2008), a także z innymi modelami transferu promieniowania opisującymi pokrywę roślinną. Bez połączenia z modelem opisującym pokrywę roślinności może być używany jedynie na podstawie danych pobranych na poziomie naziemnym. Szczegółowe wykorzystanie modelu PROSPECT razem z modelem SAIL i jego odmianami będzie przedstawione w dalszej części pracy. 2.2.2.2. Modelowanie roślinności na poziomie pokrywy roślinności Druga kategoria modeli to modele opisujące pokrywę roślinną. W zbiorowiskach roślinnych promieniowanie odbijane jest zarówno od samej roślinności, zwłaszcza liści, a także od gleby, czyli tła, oraz od niezielonych elementów roślin, takich jak gałęzie, kwiaty, które wpływają na wielkość odbicia (Verhoef, Bach, 2003). Poza tym liście są zacienione w znacznym stopniu przez inne liście i odbicie od liści osłoniętych jest inne niż od odsłoniętych. Na przykład, w rejonach wysokiej absorpcji odbicie może być znacznie mniejsze niż od pojedynczego liścia ze względu na zacienianie. Ponadto wewnątrz baldachimu roślinności zachodzi wielokrotne odbicie wiązki promieniowania od pojedynczych liści, które nie występuje w przypadku modelowania odbicia od pojedynczych liści. Należy zwrócić uwagę na fakt dużej różnorodności modeli transferu promieniowania od całych zbiorowisk roślinnych. Jest to związane z różnorodnością ekosystemów roślinnych. W zależności od badanego środowiska w modelach wprowadzane są modyfikacje ułatwiające naśladowanie rzeczywistych warunków. Wśród modeli opisujących pokrywę rośliną i najbardziej popularny jest SAIL i jego modyfikacje. Jedna z nich została wybrana do zastosowania w tym opracowaniu – 4SAIL. Model SAIL (Scattering by Arbitrarily Inclined Leaves) jest jednowymiarowy, pod względem obliczeniowym mało wymagający, z niewielką liczbą parametrów wejściowych (Verhoef, 1984; 1985). Służy do opisu struktur baldachimu roślinności. Model ma wiele odmian: GeoSAIL, 2M-SAIL, SAILH, 4SAIL, GeoSail, 4SAIL2, FLSAIL, FluorSAIL (Verhoef, 1984; Verhoef, Bach, 2007). Model SAIL opracowany przez Vouta Verhoefa (1984, 1985) jest modelem najprostszym, na którym bazują pozostałe. W modelu uwzględnia się jedną warstwę roślinności, bez korekcji efektu hot spot, a także bez automatycznego usuwania błędów i niewłaściwych wartości (Verhoef, Bach, 2007). W działaniu (obliczeniach) jest dość powolny. Jedną z pierwszych modyfikacji jest SAILH, który uwzględnia efekt nadmiernego odbicia (Kuusk, 1994). Efekt hot spot jest korygowany przez wprowadzenie parametru, który 29 porównuje rozmiar liści do średniej wysokości pokrywy roślinności. Model opisuje roślinność jako jedną warstwę. Warstwa jest nieskończenie długa, a jej granice są równoległe. Model jest dość prosty i jest dość często stosowany wraz z PROSPECT. Służy do opisywania poziomo jednorodnej roślinności (Haboudane, Miller, Tremblay, Zarco-Tejada, Dextraze, 2002). Kolejną modyfikacją jest GeoSAIL, który jest dwuwarstwową wersją SAIL (Verhoef, Bach, 2003). Służy do opisywania roślinności zróżnicowanej pionowo, wielowarstwowej (Jacquemoud, Verhoef, Baret, Bacour, Zarco-Tejada, Asner, François, Ustin, 2009). Jest on kombinacją modelu SAIL z podejściem geometrycznym (Verhoef, Bach, 2003). Poza samym modelem SAIL uwzględnia także efekt nadmiernego odbicia (hot spot). W modelu zakłada się, że w obu warstwach funkcja określająca nachylenie liści (Leaf Inclination Distribution Function) i rozmiar efektu hot spot są takie same. W modelu wprowadzona jest modyfikacja określająca zawartość wysuszonych liści. Ponadto model zawiera podprogram opisujący odbicie od gleby, który uwzględnia wilgotność gleby i jej wpływ na odbicie od górnej warstwy gleby. Zbliżonym modelem do GeoSAIL jest 2M-SAIL (Weiss, Troufleau, Baret, Chauki, Prévot, Olioso, Bruguier, Brisson, 2001). W modelu znacznie dokładniej opisana jest struktura roślinności przez nachylenie liści. Jest on określony jako model wielowarstwowy. Kolejna wersja modelu SAIL++ także wprowadza korekcję efektu hot spot (Verhoef, 2002). Model ten jest także bardziej precyzyjny obliczeniowo niż poprzednie wersje algorytmu. Następny model 4SAIL jest szybszy w działaniu operacyjnym i dokładniejszy niż poprzednie (Verhoef, Jia, Xiao, Su, 2007); także uwzględnia efekt nadmiernego odbicia. Ma również wprowadzoną aplikację termalną – modelującą promieniowanie termalne. Model GeoSail powstał do opisywania roślinności nieciągłej poziomo (Huemmrich, 2001). Model składa się z modelu SAIL i programu modelującego bardziej zróżnicowaną powierzchnię, np. lasów. Kolejny model do opisania roślinności zróżnicowanej poziomo to dwuwarstwowy, czterostrumieniowy 4SAIL2 (Verhoef, Bach, 2007). W modelu uwzględnia się kształt koron drzew, a także inne niż idealnie rozproszone odbicie od gleby. Najpierw obliczane są charakterystyki wyizolowanej dolnej warstwy roślinności, następnie dodawane dane dla warstwy górnej i w końcu obliczone są łączne właściwości całej warstwy. Następnie zastosowany jest moduł, który modyfikuje odbicie ze względu na to, że korony drzew nie są płaszczyzną, tylko stanowią sferyczne uwypuklenia. 4SAIL2 uwzględnia udział suchych i zielonych liści. Do modelowania pokrywy roślinnej są wykorzystywane także inne modele, geometryczno-optyczne, które również można poddawać inwersji. Model, który jest 30 dostosowany do złożonych i zróżnicowanych ekosystemów, to model Forest LIGHT Interaction Model – FLIGHT (North, 1996). Jest to model trójwymiarowy, w odróżnieniu od modelu jednowymiarowego, jakim jest SAIL. W połączeniu z modelem LIBERTY uwzględniają między innymi LAI, zwartość pokrywy, odbicie na poziomie liści, zawartość wody i ligniny lub celulozy. Model umożliwia obrazowanie złożonych struktur i wielokrotnego odbicia na terenie lasów iglastych, ponieważ uwzględniana jest zmienność każdej korony drzewa. Wykorzystywany był między innymi do porównywania wartości wskaźników roślinności na terenie lasów iglastych południowo-wschodniej Szwajcarii (Verrelst, Jia, Xiao, Su, 2008). Do tego samego środowiska dostosowany jest model RSADU (Kumar, Schmidt, Dury, Skidmore, 2006). W modelu LCM2 – Leaf/Canopy Model uwzględnia się biochemię i morfologię liści, ich grubość, odbicie od tła gleby oraz budowę pokrywy roślinnej (Ganapol, Johnson, Hlavka, Peterson, Bond, 1999). Powstały także inne modele opisujące roślinność – KUUSK, IAPI i NADI (Bacour, Jacquemoud, Tourbier, Dechambre, Frangi, 2002). Kolejnym modelem charakteryzującym pokrywę roślinności jest ACRM, dostosowany do roślinności jednorodnej (Weihs, Suppan, Richter, Petritsch, Hasenauer, Schneider, 2008). W modelu uwzględnia się dwie warstwy roślinności. Danymi wejściowymi są: LAI, kąt nachylenia liści, rozmiar liści, biochemiczne parametry liścia i odbicie od gleby. Łączony jest z modelem PROSPECT, który dostarcza informacji o biochemicznych właściwościach liści. Modele dotyczące szaty roślinnej, ze względu na trudności w przeprowadzeniu inwersji, są rzadko używane bez modeli opisujących pojedyncze liście. W przypadku SAIL są trzy zmienne wejściowe, które zależą od długości fali elektromagnetycznej: odbicie od liści, transmitancja przez liście i odbicie od gleby. Trudno jest uzyskać dane po inwersji, gdy trzy z nich są zależne od długości fali (Verstraete, Pinty, 2001). Odwrócenie samego modelu na poziomie szaty roślinnej – SAIL wymaga posiadania danych z różnych kątów obserwacji (Jacquemoud, Verhoef, Baret, Bacour, Zarco-Tejada, Asner, François, Ustin, 2009). W praktyce procedura ta jest czasochłonna i niepraktyczna, dlatego łączy się modele opisujące całą pokrywę roślinną z modelami dotyczącymi odbicia od pojedynczych liści. Jednym z najczęstszych połączeń jest kombinacja modelu PROSPECT na poziomie liści z SAIL na poziomie pokrywy (Kumar, Schmidt, Dury, Skidmore, 2006; Jacquemoud, Verhoef, Baret, Bacour, Zarco-Tejada, Asner, François, Ustin, 2009; Verhoef, Bach, 2003). Tego typu kombinacje mają dużo danych wejściowych, natomiast nie są brane pod uwagę niektóre zmienne opisujące pokrywę roślinną. Duża liczba zmiennych może powodować trudności w przeprowadzaniu inwersji. 31 Kombinacja modelu PROSPECT i SAIL nazywana jest PROSAIL. Model ten był używany do badania wielu zbiorowisk roślinnych: buraków cukrowych, ziemniaków, zbóż, w tym pszenicy, kukurydzy, lasów, w tym konkretnych gatunków drzew: buka, dębu, klonu cukrowego, plantacji oliwek, a także zbiorowisk trawiastych (Jacquemoud, Verhoef, Baret, Bacour, Zarco-Tejada, Asner, François, Ustin, 2009). W badaniach stosowano naziemne dane ze spektrometrów ASD, GER i innych, a także obrazów ze skanerów lotniczych: DASI, CASI, POLDER oraz sknerów satelitarnych: HYPERION, MERIS, MODIS i innych. Model często był stosowany do pozyskiwania parametrów biofizycznych roślinności po przeprowadzeniu inwersji. Najczęściej badano cechy, które mają ścisły związek z kondycją roślinności, a także ilością biomasy, czyli zawartość chlorofilu i wielkość powierzchni projekcyjnej liści – LAI. Już w połowie lat 90. XX wieku jedna z modyfikacji modelu SAIL – SAILH, w połączeniu z PROSPECT była stosowana do symulacji krzywych odbicia spektralnego od buraków cukrowych (Jacquemoud, Baret, Andrieu, Danson, Jaggard, 1995). W badaniach została opracowana procedura inwersji połączonego modelu korzystającego z danych zebranych w terenie, dotyczących zawartości chlorofilu, wody i LAI. W przypadku tego samego środowiska symulowano krzywe odbicia spektralnego (Andrieu, Baret, Jacquemoud, Malthus, Steven, 1997). Autorzy zajmowali się dopasowywaniem parametrów wejściowych odpowiednich do danego typu roślinności, szczególnie tych, które nie są możliwe do zmierzenia w terenie. W badaniach buraków cukrowych porównywano także skuteczność modelowania z użyciem PROSAIL w zależności od sposobu pozyskiwania parametrów wejściowych (Duke, Guérif, 1998). Badano skuteczność 4 różnych modeli: SAILH, IAPI, KUUSK i NADI w połączeniu z modelem PROSPECT do określania parametrów biofizycznych upraw kukurydzy i soi (Jacquemoud, Bacour, Poilvé, Frangi, 2000). Najlepsze wyniki uzyskiwano w przypadku modeli SAILH i KUUSK. Model PROSPECT w połączniu z SAILH (modyfikacją SAIL), po inwersji był używany do szacowania zawartości chlorofilu w zbożach (Haboudane, Miller, Tremblay, Zarco-Tejada, Dextraze, 2002) oraz w plantacjach drzew oliwnych (Zarco-Tejada, Miller, Morales, Berjón, Agüera, 2004). Oba modele stosowano do określania zawartości wody w roślinach (Zarco-Tejada, Rueda, Ustin, 2003). Zawartość wody w roślinach określono na podstawie pomiarów terenowych. Używając charakterystyk spektralnych, otrzymanych ze skanera MODIS, wykonano inwersję modelu. Z przeprowadzonej procedury uzyskano 32 parametry strukturalne liści, ilość masy suchej roślin i zawartość wody w roślinach, którą porównano z danymi terenowymi. Stosując w wymienionych modelach dane hiperspektralne ze skanera CASI szacowano wartość LAI do celów rolnictwa precyzyjnego na podstawie teledetekcyjnych wskaźników roślinności w przypadku upraw: kukurydzy, pszenicy i soi (Haboudane, Miller, Pattey, Zarco-Tejada, Strachan, 2004). Wielkość LAI szacowano także z użyciem modelu SAIL i PROSPECT na obszarze plantacji topoli (Meroni, Colombo, Panigada, 2004) i kukurydzy (Koetz, Baret, Poilvé, Hill, 2005). Modele PROSECT i SAIL wraz z modelem odbicia od gleby posłużyły do pozyskiwania wartości LAI, które były użyte do monitorowania wzrostu pszenicy i szacowania plonów (Migdall, Bach, Bobert, Wehrhan, Mauser, 2009). Modeli RTM używano w badaniach stresu wodnego na obszarze południowej Hiszpanii (Suárez, Zarco-Tejada, Berni, Gonzáles-Dugo, Fereres, 2009). Modele PROSPECT razem z SAILH posłużyły do symulowania odbicia od kukurydzy, a z modelem FLIGHT 3D do opisywania drzew oliwnych i brzoskwini, a następnie określania parametrów roślin. Poza modelem SAILH używane są też inne modele z tej grupy. Model 2M-SAIL był stosowany do modelowania odbicia spektralnego zbóż (Weiss, Troufleau, Baret, Chauki, Prévot, Olioso, Bruguier, Brisson, 2001). Modelu GeoSail używano głównie do modelowania charakterystyk spektralnych lasów, np. razem z PROSPECT do określania zagrożenia pożarowego na terenie Szwajcarskiego Parku Narodowego (Köts, Schaepman, Morsdorf, Bowyer, Itten, Allgöwer, 2004). Modeli tych używano do pozyskiwania danych odnośnie do parametrów biofizycznych i określania kondycji lasów na terenie Szwajcarii. Korzystano w tym przypadku z danych terenowych oraz danych ze skanerów DAIS7915 i HyMap (Schaepman, Koetz, Schaepman-Strub, Itten, 2005). Model 4SAIL2 był stosowany do badania plantacji eukaliptusa (le Maire, Marsden, Verhoef, Ponzoni, Seen, Bégué, Stape, Nouvellon, 2011). Po przeprowadzeniu inwersji, na podstawie danych wieloczasowych, był używany do pozyskiwania wartości LAI. Kolejne badania dotyczą technicznych aspektów tworzenia modeli lub przeprowadzania inwersji. Badano skuteczność inwersji modeli PROSPECT i SAIL na podstawie danych z sensora AVIRIS (Jacquemoud, 1993). Najlepsze wyniki inwersji uzyskano w przypadku parametrów biofizycznych liści – zawartości wody i chlorofilu, nieco gorsze w odniesieniu do parametrów określających budowę baldachimu roślinności – LAI i średniego kąta nachylenia liści, najgorsze natomiast w przypadku wskaźnika opisującego promieniowanie wykorzystywane w procesie fotosyntezy (APAR). 33 Przeprowadzano badania nowego sposobu inwersji modelu PROSPECT i SAILH, oparte na metodzie segmentacji (Atzberger, 2004). Badano efektywny sposób przeprowadzania inwersji z użyciem look-up tables na modelach PROSPECT, PROSAIL i DART (Hedley, Roeslfsema, Phinn, 2009). Sposoby przeprowadzania inwersji na obszarze jednorodnych upraw jęczmienia były badane z użyciem PROSAIL na podstawie danych lotniczych ze skanera HyMap (Vohland, Mader, Dorigo, 2010). Analizowano także różne możliwości tej procedury do pozyskiwania zmiennych biofizycznych z upraw kukurydzy (Combal, Baret, Weiss, Trubuil, Macé, Pragnère, Myneni, Knyazikhin, Wang, 2002). Modele bardzo rzadko były stosowane do opisywania zróżnicowanych zbiorowisk łąkowych. Modele PROSPECT i SAIL były użyte do badania parametrów biofizycznych i geometrii odbicia promieniowania na preriach z wysokimi trawami na obszarze stanu Kansas (Gao, Lesht, 1997). Model PROSAIL, złożony z modelu PROSPECT i SAILH, był stosowany do wyznaczania wartości chlorofilu i parametru LAI na zróżnicowanej roślinności łąkowej na obszarze Parku Narodowego Majella w Abruzji we Włoszech (Darvishzadeh, Skidmore, Schlerf, Atzberger, 2008). Modele transferu promieniowania z wykorzystaniem danych hiperspektralnych terenowych i lotniczych ze skanera HyMap posłużyły do modelowania LAI na obszarze zbiorowisk trawiastych w krajach śródziemnomorskich (Darvishzadeh, Atzberger, Skidmore, Schlerf, 2011). Do szacowania tego samego parametru biofizycznego używany był PROSAIL na obszarze półsuchych stepów w Chinach (Zhang, Zhao, 2009). Połączenie modelu PROSPECT i SAILH było wykorzystane do szacowania wilgotności łąk i badania zagrożenia pożarowego (Yerba, Chuvieco, Riaño, 2008). Teren badań obejmował łąki i zarośla na obszarach suchych w krajach śródziemnomorskich. Modele były stosowane do symulacji krzywych odbicia spektralnego na podstawie danych terenowych. Używając ich, obliczono teledetekcyjne wskaźniki roślinności. Ten sposób postępowania porównano z wynikami uzyskanym z obrazów MODIS. Te same dwa modele wykorzystano do pozyskiwania informacji o zawartości wody w roślinach (Clevers, Kooistra, Schaepman, 2010). Badano dwa obszary Holandii – łąki zalewane z roślinnością naturalną i ekstensywnie wypasane podmokłe pastwiska. W badaniach model PROSAIL był stosowany do symulacji danych spektrometrycznych, a następnie do kalibracji wskaźnika wilgotności do rzeczywistej zawartości wody w roślinach. W przeglądzie badań przedstawiono modele transferu promieniowania używane do badań roślinności. Najbardziej popularnym modelem, za pomocą którego możliwe jest obliczenie wielkości odbicia od pojedynczych liści, jest PROSPECT. Na poziomie pokrywy 34 roślinnej bardzo często używane są modele z grupy SAIL, szczególnie wersja SAILH. W opisie nie uwzględniono wszystkich modeli, szczególnie w przypadku modeli opisujących roślinność na poziomie baldachimu. Skupiono się jedynie na analizie algorytmów z grupy SAIL oraz tych, które są najbardziej popularne, a także na wykorzystaniu RTM do badań zbiorowisk trawiastych. Przytoczone badania są jedynie przykładami zastosowań. Na ogół modele RTM są używane do badania roślinności jednorodnej. Modele PROSPECT jak i SAIL są rzadko stosowane do modelowania odbicia od roślinności łąkowej. Jest to związane ze znacznym zróżnicowaniem wewnętrznym tego środowiska, co sprawia, że wyniki uzyskiwane za pomocą tych modeli są mało dokładne. Ponadto w znacznej części badań z użyciem modeli wykorzystuje się jedynie podstawowe badania terenowe wykonywane w trakcie rejestracji obrazów lotniczych bądź satelitarnych. Część z nich pozyskiwana jest z poziomu naziemnego, a cześć z pułapu lotniczego. Takie postępowanie może prowadzić do zwiększenia błędów modelowania. Dlatego użycie jednolitych badań terenowych, gdzie wszystkie dane dla badanych parametrów są pobierane w tym samym czasie, powinno przyczynić się do zwiększenia dokładności modelowania. 35 3. Charakterystyka środowiska badanych terenów Do prowadzonych badań wytypowano tereny położone w południowej Polsce na terenie Pogórza Karpackiego (14.1) i środkowej – na obszarze Równin Środkowopolskich (5): Mazowsza Północnego (5.6), Doliny Środkowej Wisły (5.7) i Mazowsza Środkowego (5.10) (Olędzki, 2007). 3.1. Charakterystyka badanych terenów 3.1.1. Pogórze Karpackie Tereny badań na obszarze Pogórza Karpackiego zlokalizowany był w pobliżu Gorlic, nieopodal Szymbarku. Pod względem regionalnym (Olędzki, 2007) znajdują się one na terenie mikroregionu Pogórza Gorlickiego (14.1.17) na pograniczu z Beskidem Magurskim (14.2.14). W dalszych częściach opracowania na określenie lokalizacji tych poligonów będzie stosowana nazwa tereny/poligony pogórskie. Na badanym obszarze dominuje krajobraz niskich grzbietów górskich, garbów pogórskich o połogich stokach i den dolinnych (Bochenek, 2006). Zaznacza się tu piętrowość klimatu umiarkowanie ciepłego i chłodnego (Starkel, 1973). W budowie geologicznej w podłożu znajdują się piaskowce i łupki krośnieńskie. Występują tu również łupki i piaskowce inoceramowe i czarne łupki z rogowcami, margle i piaskowce grybowskie. Wśród utworów powierzchniowych można wyróżnić utwory lessowate, gliny i piaski. Wytworzyły się na nich głównie gleby brunatne wyługowane, kwaśne (Gil, 1979). Pod względem hydrologicznym jest to obszar znajdujący się w zlewni Ropy. Zwierciadło wód podziemnych zalega na bardzo zróżnicowanej głębokości i zmienia się wraz z wielkością opadów (Bochenek, 2006). Na opisywanym obszarze roślinność można podzielić na zbiorowiska piętra pogórza – umiarkowanie ciepłego i piętra regla dolnego – umiarkowanie chłodnego (Gil, 1979; Starkel, 1973; Bochenek, 2006). Granicą między nimi jest zasięg grądu wysokiego i buczyny karpackiej. Roślinność podzielono na dwie grupy: dolinną – o cechach niżowych i stokową – o cechach przejściowych; są to zbiorowiska pogórskie do górskich. Na badanym terenie występują półnaturalne darniowe zbiorowiska łąkowe na niezabagnionych glebach mineralnych i organiczno-mineralnych (Dorochowicz, Olędzki, 2009). Są one rozpowszechnione zarówno w dolinach, jak i na wierzchowinach pogórskich. 36 W zlewni Bystrzanki powierzchnie poszczególnych form użytkowania terenu są zróżnicowane przestrzennie. Według badań wykonanych przez Katedrę Geoinformatyki i Teledetekcji WGiSR UW, w roku 2006 w zlewni Bystrzanki, reprezentującej użytkowanie ziemi na terenach pogórskich, największą powierzchnię zajmowały lasy – 39,8%, następnie łąki i pastwiska – 30,5%; grunty orne stanowiły 14,3%, sady oraz powierzchnie zabudowane – 8,4%, a najmniejszą powierzchnię zajmowały zakrzaczenia i ciągi drzew – 6,5%. Wśród roślin uprawnych występują głównie zboża jare i ozime, rośliny okopowe i koniczyna. Ryc. 1. Lokalizacja poligonów pomiarowych na Pogórzu Karpackim. Dolna część zlewni Bystrzanki. Zdjęcie wykonane 14 lipca 2009 roku o godzinie 14:39. Foto. J. R. Olędzki Fig. 1. Localization of research polygons in Carpathian Mountains; Bystrzanka catchement. Photography: J. R. Olędzki (14.07.2009, 14:39) Tereny pomiarowe zostały zlokalizowane w obrębie garbu pogórskiego Taborówki (3 poligony – oznaczone literą T), w dolinie Bystrzanki w pobliżu jej ujścia do Ropy oraz na stokach Wiatrówek (4 poligony – oznaczone są literą P) (ryc. 1.). Zbiorowiska łąkowe 37 na terenach pomiarowych były złożone z co najmniej 4 gatunków roślin. W większości były to łąki rajgrasowe, wykształcone na siedliskach świeżych. Dominowały rośliny z rodziny wiechlinowatych: rajgras (w tym rajgras wyniosły – Arrhenatherum elatius), stokłosa (w tym stokłosa bezostna – Bromus inermis), a także perz właściwy (Elymus repens) i wiechlina łąkowa (Poa pratensis). Spoza rodziny wiechlinowatych duży udział miała koniczyna łąkowa (Trifolium pratense). 3.1.2. Równiny Środkowopolskie Tereny badawcze na obszarze Równin Środkowopolskich wybrane zostały w pobliżu Warszawy (ryc. 2.). Pod względem regionalnym znajdują się one na terenie Mazowsza Północnego (5.6), w mikroregionie Ziemi Zakroczymsko-Serockiej (5.6.4); Doliny Środkowej Wisły (5.7) – w mikroregionach: Nadzalewowych Tarasów Dęblińsko-Markoskich (5.7.3) i Rynny Karczewskiej (5.7.4) i Mazowsza Środkowego (5.10), w mikroregionie Równiny Mszczonowskiej (5.10.11) (Olędzki, 2007). W dalszej części opracowania tereny te będą nazwane Mazowszem, terenami równinnymi bądź nizinnymi. Ryc. 2. Rozmieszczenie obszarów badawczych z poligonami pomiarowymi na terenie Równin Środkowopolskich. W podkładzie obraz zaczerpnięty z Geoportalu Fig. 2. Study area with research polygons in Mazowsze Plain. Photo from Geoportal 38 Tereny badawcze na obszarze Mazowsza Północnego charakteryzują się monotonną rzeźbą z wyjątkiem ostańców wzgórz morenowych i kemowych (Richling, 2003). Pod względem geomorfologicznym obszar należy do Wysoczyzny Nasielskiej, gdzie występują moreny czołowe i ślady odpływów glacjofluwialnych ułożone równoleżnikowo (Wałdykowski, Zgorzelski, 2003). Na tym terenie występują gliny zwałowe, żwiry i nagromadzenia głazów oraz iły warwowe z okresu zlodowaceń środkowopolskich (Dobak P., 2003). Występują tu głównie gleby brunatne właściwe i wyługowane, wytworzone na piaskach słabogliniastych i gliniastych, oraz gleby torfowe (Wicik, 2003). Pod względem geobotanicznym obszar przynależy do Okręgu Wysoczyzny Ciechanowskiej (Solon, 2003). Dolinę Środkowej Wisły budują rozległe tarasy zalewowe i tarasy akumulacyjne z wydmami, w znaczącej części zajęte przez kompleksy leśne. Poziomy tarasowe stopniowo przechodzą w wysoczyznę (Wałdykowski, Zgorzelski, 2003). Utwory czwartorzędowe znajdujące się na tym obszarze to holoceńskie mady, piaski i żwiry rzeczne oraz piaski ekstraglacjalne z okresu zlodowaceń środkowopolskich (Dobak P., 2003). Wytworzyły się tam mady oraz gleby rdzawe i bielicowe na piaskach luźnych i słabogliniastych (Wicik, 2003). Obszar pod względem geobotanicznym należy do Okręgu Nadwiślańskiego PuławskoWarszawskiego (Solon, 2003). Mazowsze Środkowe w części objętej badaniami pod względem geomorfologicznym jest charakteryzowane jako faliste, zdenudowane wysoczyzny morenowe (Richling, 2003). Średnia wysokość obszarów wysoczyznowych sięga 200 m (Wałdykowski, Zgorzelski, 2003). Wśród utworów powierzchniowych występują piaski, gliny zwałowe, żwiry i nagromadzenia głazów z czasu zlodowaceń środkowopolskich (Dobak P., 2003; Olędzki, 2007). Wytworzyły się na tym obszarze gleby płowe, brunatne wyługowane i opadowe glejowe na piaskach naglinowanych i glinach zwałowych lekkich oraz brunatne właściwe i wyługowane na piaskach słabogliniastych i gliniastych (Wicik, 2003). Pod względem geobotanicznym obszar należy do Okręgu Wysoczyzny Rawskiej (Solon, 2003). Klimat w tej części Równin Środkowopolskich jest określany jako umiarkowany ciepły, przejściowy między morskim i kontynentalnym (Olszewski, 2003). Najchłodniej jest na północo-wschodzie regionu, najcieplej na południo-zachodzie. Średnia temperatura roczna wynosi około 8o C. Długość okresu wegetacyjnego wynosi 210-215 dni. Opady atmosferyczne wahają się w okolicach 500-550 mm rocznie. Wody podziemne występują na głębokości do 5 m (Dobak D., 2003). Gleby są tu określone jako urodzajne, zwłaszcza w dolinie Wisły (Wicik, 2003). 39 Ziemia jest użytkowana głównie rolniczo, w tym pod użytki zielone. Występują one na terenach, gdzie gleba jest mniej urodzajna lub wody gruntowe zalegają płytko. Na obszarach wilgotnych i lekko zabagnionych występują łąki trzęślicowe, koszone najczęściej raz pod koniec sezonu wegetacyjnego (Solon, 2003). Szeroko rozpowszechnione są łąki wilgotne i mokre dwu- oraz wielokośne, rosnące na obszarach dobrze nawożonych i zmeliorowanych. Na madach w dolinach rzek występują łąki selernicowe, które są dostosowane do zmieniającego się poziomu wód gruntowych i zalewania. Łąki świeże, czyli grądowe, dwu- i wielokośne występują na żyznych glebach mineralnych. Zbiorowiska te są bardzo zróżnicowane i rozpowszechnione. Równie pospolite są murawy pastwiskowe, które powstają w wyniku intensywnego wypasania. Podłoże ubogie porastają murawy bliźniaczkowe. Badane łąki na Mazowszu można również określić jako zróżnicowane pod względem struktury – na ogół porastały je przynajmniej 4 różne gatunki roślin. Dominowały gatunki z rodziny wiechlinowatych: mietlica pospolita (Agrostis capillaris), kupkówka pospolita (Dactylis glomerata), tymotka łąkowa (Phleum pratense), wiechlina zwyczajna (Poa trivialis). Ponadto poza trawami występowały rośliny o liściach innej budowy – motylkowe (np. koniczyna łąkowa – Trifolium pratense) oraz zioła i chwasty, np. babka lancetowata (Plantago lanceolata) i zwyczajna (Plantago maior), szczaw zwyczajny (Rumex acetosa). Część z wymienionych gatunków roślin, jak tymotka łąkowa, świadczy o tym, że łąki są użytkowane ekstensywnie (Kucharski, 2009). Jak wspomniano, pomiary terenowe w obrębie Równin Środkowopolskich odbywały się na terenie 3 mikroregionów. Wyodrębniono tu 50 poligonów pomiarowych. Na terenie Ziemi Zakroczymsko-Serockiej (5.6.4) wyznaczono 16 poligonów – oznaczonych symbolem S (Olędzki, 2007). Pomiary wykonywano 4, 17 i 26 sierpnia 2010. Na Mazowszu Środkowym (5.10) – Równinie Mszczonowskiej (5.10.11) wyróżniono 29 poligonów pomiarowych i oznaczono literą R. Pomiary wykonywano w lipcu 2010 roku. W obrębie Doliny Środkowej Wisły wyróżniono 5 poligonów pomiarowych, oznaczonych literą D. Jeden poligon – D1, znajdował się na obszarze Rynny Karczewskiej (5.7.4), użytkowanej głównie jako użytki zielone (Olędzki, 2007). Pozostałe 4 poligony znajdowały się na Nadzalewowych Tarasach Dęblińsko-Markoskich (5.7.3). Pomiary terenowe na obu mikroregionach odbywały się 12 sierpnia 2010 roku. 40 3.2. Charakterystyka roślinności badanych łąk Przedmiotem badań są zbiorowiska trawiaste. Łąki tworzone są głównie przez roślinność trawiastą, czyli gatunki wiechlinowate i turzycowate. W Polsce występuje około 160 gatunków traw (Nawara, 2006). Roślinność łąkowa, jeśli jest uprawiana na paszę, składa się głównie z wiechlinowatych i roślin motylkowych. Ponadto, na łąkach występują także gatunki zielne. Wiechlinowate, czyli trawy, mają największe znaczenie ze względów gospodarczych i ekologicznych na terenie łąk. Trawy według kryterium morfologicznego dzieli się na wysokie, średnio wysokie i niskie (Burs, Jankowska-Huflejt, Wróbel, Zastawny, 2004). Wysokie mają ponad 1 m wysokości. Są bardzo wartościowe ze względów rolniczych: mają dużą biomasę, a ich wysokość ułatwia zbiór. Należą do nich: wyczyniec łąkowy (Alopecurus pratensis), tymotka łąkowa (Phleum pratense), kupkówka pospolita (Dactylis glomerata), stokłosa bezostna (Bromus inermis) i rajgras wyniosły (Arrhenatherum elatius). Trawy średnio wysokie i niskie także zwiększają plon z łąk. Należy do nich np. wiechlina łąkowa (Poa pratensis). Na obszarze łąk występują także turzycowate zbliżone w budowie do traw, ale różniące się pod względem szczegółów morfologicznych. Na terenie Polski występuje ich około 120 gatunków. Rośliny, które zwiększają biomasę łąk i podnoszą zawartość białka w paszy, to gatunki motylkowe (Burs, Jankowska-Huflejt, Wróbel, Zastawny, 2004). Rośliny mają głęboki system korzeniowy i dlatego chronią glebę przed erozją. Duże znaczenie dla rolnictwa ma koniczyna biała (Trifolium repens), komonica zwyczajna (Lotus corniculatus), a nieco mniejsze lucerna siewna (Medicago sativa), koniczyna łąkowa (Trifolium pratense) i wyka ptasia (Vicia cracca). Kolejną grupą występującą na terenie łąk są zioła i chwasty, czyli rośliny dwuliścienne. Ze względu rolniczego zioła nigdy nie są wysiewane, ale ich niewielki udział (do 5%), jest pożądany ze względu na ich właściwości lecznicze. Czerpią one wartościowe substancje podnoszące wartość pasz, z głębszych warstw gleby. Do roślin tego typu należy mniszek lekarski (Taraxacum officinale), szałwia łąkowa (Salvia pratensis), babka lancetowata (Plantago lanceolata), krwawnik pospolity (Achillea millefolium) i inne. Inne rośliny dwuliścienne, poza ziołami, obniżają wartość pasz i stanowią chwasty. Należą do nich: śmiałek darniowy (Deschampsia caespitosa), jaskry (Ranunculaceae), barszcz zwyczajny (Heracleum sphondylium), pokrzywa zwyczajna (Urtica dioica) i inne. 41 Łąki są dzielone w zależności od sposobu powstania na naturalne, półnaturalne i antropogeniczne (Stypiński, 2009). Łąki naturalne powstają tam, gdzie ze względu na warunki przyrodnicze nie mogą wykształcić się inne zbiorowiska, np. lasy. Do takich grup należą hale, murawy kserotermiczne, stepy. Użytki zielone półnaturalne powstały w wyniku działalności człowieka, czyli przez koszenie lub wypasanie zbiorowisk. Użytki zielone antropogeniczne zostały od początku założone przez człowieka i poddawane intensywnym zabiegom. Mają one prostą strukturę i najczęściej niewiele gatunków roślin. Badane w pracy łąki należą do kategorii półnaturalnych. Badane łąki można określić jako ekstensywnie użytkowane. Na ich terenie występowały rośliny wiechlinowate, które stanowią główny składnik budujący roślinność, a także motylkowe, których zadaniem jest zwiększanie biomasy, a tym samym plonów i wzrost zawartości azotu w paszy (Burs, Jankowska-Huflejt, Wróbel, Zastawny, 2004). W przypadku zbiorowisk trawiastych, które są ekstensywnie użytkowane, charakterystyczne jest występowanie między innymi: tymotki łąkowej (Phleum pratense), wyki ptasiej (Vicia cracca), krwawnika pospolitego (Achillea millefolium), barszczu zwyczajny (Heracleum sphondylium) i koniczyny białej (Trifolium repens) (Kucharski, 2009). Wymienione gatunki były często na badanych obszarach. Łąki można również podzielić ze względu na siedliska, na jakich występują. Łąki grądowe występują na siedliskach świeżych i umiarkowanie wilgotnych w pobliżu rzek; ich istnienie warunkują dostateczne opady (Bański, 2007; Stypiński, 2009). Jest to najbardziej zróżnicowany typ łąk; są one rozmieszczone na terenie całego kraju. Do tej kategorii należą wszystkie badane poligony. Bardzo bogate gatunkowo łęgi, czyli łąki zalewowe, są położone na tarasach zalewowych i mają zmienne warunki wodne. Na terenach z występującymi płytko wodami gruntowymi znajdują się łąki bagienne z utrudnionym odpływem wody. Badane łąki pod względem składu gatunkowego, typu siedliska i intensywności użytkowania można określić jako półnaturalne świeże (Kucharski, 2009). Występują one zarówno na niżu, jak i na obszarze pogórzy. Rozwinęły się na glebach brunatnych, madach i glebach organicznych. Poziom wody gruntowej jest zmienny, ale woda nie stagnuje na ich powierzchni. W zależności od położenia łąki można podzielić na niżowe dolinne, niżowe pozadolinowe i górskie. Badane łąki można przypisać do dwóch grup: pogórskie (na Pogórzu Karpackim) oraz nizinne, czyli niżowe pozadolinowe i niżowe dolinne (na Równinie Środkowopolskiej). Do pierwszej grupy można przypisać zarówno łąki położone na wierzchowinie pogórskiego garbu Wiatrówek, jak i w dnie doliny Bystrzanki. Przy 42 naziemnych pomiarach terenowych nie stwierdza się istotnych różnic w rejestrowanych wartościach odbicia między łąkami górskimi a nizinnymi. Pewne rozbieżności mogłyby wystąpić w przypadku rejestracji danych z pułapu lotniczego lub satelitarnego, kiedy różne nachylenie stoku może modyfikować wartości współczynnika odbicia. Struktura poszczególnych rodzajów łąk występujących na terenach nizinnych i pogórskich była dosyć podobna, można jednak zauważyć, że na terenach nizinnych występowało nieco większe zróżnicowanie fitosocjologiczne. Modele transferu promieniowania uogólniają symulowane środowisko. Im bardziej zróżnicowana jest jego struktura, tym trudniejsze jest symulowanie krzywych odbicia spektralnego. Dlatego występowanie wielu gatunków roślin, szczególnie o różnej budowie, oraz obecność innych gatunków poza trawami może obniżać skuteczność modelowania. Znaczna większość badanych łąk była właśnie porośnięta wieloma gatunkami roślin o budowie innej niż trawy: gatunkami motylkowymi, ziołami i roślinami kwitnącymi. Część z łąk można także opisać jako podsiewane, czyli zawierające hodowlane rośliny motylkowe, główne koniczynę łąkową. Przez dodanie roślin tego typu zwiększana jest biomasa, a tym samym plony z łąk. Ich udział na terenie łąk użytkowanych może sięgać nawet do 50% (Burs, Jankowska-Huflejt, Wróbel, Zastawny, 2004). Dodanie roślin motylkowych zmienia strukturę roślinności i wygląd łąk, co może wpływać na skuteczność modelowania odbicia promieniowania. Koszenie jest jednym z głównych czynników wpływających na powstawanie zbiorowisk łąkowych (Kucharski, 2009). Rośliny w tym procesie tracą większość swojej powierzchni asymilacyjnej. Koszenie jest przeprowadzane cyklicznie, a rośliny przystosowują się do tego zabiegu. Koszenie, jego termin, częstość i wysokość pokosu mają wpływ na rośliny występujące na łące. Im częściej się kosi, tym większy jest udział roślin niskich. Zbyt wczesne koszenie może doprowadzić do gorszego rozwoju roślin późno zakwitających. Także zbyt niskie koszenie usuwa zbyt dużą część roślin. Łąki ekstensywnie użytkowane koszone są dwa razy w roku, między 1 czerwca a 30 września. Badane łąki podzielono na 3 kategorie w zależności od użytkowania i ilości biomasy: uprawiane o dużej biomasie, uprawiane o zredukowanej biomasie i nieuprawiane. Do łąk uprawianych zaliczano łąki, które są koszone co najmniej raz w sezonie wegetacyjnym. Do łąk nieuprawianych włączono łąki niekoszone w ciągu ostatniego roku. Łąki uprawiane były bardzo zróżnicowane pod względem struktury i roślinności. Do grupy tej zaliczono 43 43 poligony pomiarowe. Były to łąki dość intensywnie wykorzystywane2 i łąki koszone jedynie po to, aby nie zarosły innego typu roślinnością. Sytuacja ta wskazała na konieczność wyróżnienia wśród tych łąk grupy poligonów z łąkami uprawianymi o zredukowanej biomasie (skoszonymi) i uprawianymi o dużej biomasie (nieskoszonymi). Łąki uprawiane o dużej biomasie zdefiniowano jako łąki, które są uprawiane, ale dawno nieskoszone i nie ma na nich śladów koszenia. Łąki uprawiane o zredukowanej biomasie to takie, gdzie roślinność dopiero odrasta po ostatnim koszeniu. Według zaleceń programu rolnośrodowiskowego wysokość koszenia na łąkach ekstensywnie użytkowanych powinna wynosić od 5 do 15 cm (Kucharski, 2009), w przypadku łąk intensywnie użytkowanych wysokość koszenia może wynosić około 5-7 cm (Burs, Jankowska-Huflejt, Wróbel, Zastawny, 2004). Mniejsza wysokość nie jest zalecana ze względu na wysychanie gleby, możliwość zanieczyszczenia plonów glebą i wolniejszym odnawianiem się roślinności. W zależności od rodzaju łąki możliwe są dwa sposoby koszenia – ręczne lub mechaniczne (Radkowski, Kuboń, 2006). Koszenie mechaniczne może odbywać się z użyciem kosiarek; wówczas wysokość koszenia waha się od 3 do 12 cm, w zależności od rodzaju zastosowanego sprzętu. Po rozważeniu przytoczonych informacji przyjęto, że łąki uprawiane o zredukowanej biomasie mają wysokość pokrywy roślinnej mniejszą niż 20 cm. Łącznie wykonano pomiary na 57 poligonach pomiarowych. Zbadano 30 łąk uprawianych o dużej biomasie, 13 poligonów uprawianych o zredukowanej biomasie i 14 nieuprawianych. Lista poligonów wraz z przypisanymi im kategoriami łąk została zamieszczona w załączniku 1. 2 Łąki koszone 3 razy w sezonie wegetacyjnym, z których plony są wysokie. 44 4. Metodyka badań 4.1. Modelowanie odbicia promieniowania od pojedynczych liści 4.1.1. Model PROSPECT W modelowaniu odbicia promieniowania od roślinności na poziomie pojedynczych liści użyto modelu PROSPECT. Model oblicza wartość odbicia i transmitancji w zakresie widma EM od 0,4 do 2,5 µm (Jacquemoud, Baret, 1990; Jacquemoud, Ustin, Verdebout, Schmuck, Anderoli, Hosgood, 1996; Feret, Frençois, Asner, Gitelson, Martin, Bidel, Ustin, le Maire, Jacquemoud, 2008). Odbicie promieniowania od roślin zależy od właściwości chemicznych i fizycznych liści. Przy tworzeniu modelu brano pod uwagę parametry roślin takie, jak zawartość wody, pigmentów, głównie chlorofilu, białka, celulozy i jej pochodnych, ligniny, skrobi oraz masę liści (Jacquemoud, Ustin, Verdebout, Schmuck, Anderoli, Hosgood, 1996). Według założeń modelu, liść i jego właściwości są takie same z obu stron, jednakowe pod względem biochemicznym, a odbicie od liścia jest rozproszone w tym samym stopniu we wszystkich kierunkach. W modelu nie jest uwzględniana zawartość białek, celulozy i ligniny, co może powodować trudności w modelowaniu zawartości tych substancji. Innymi wadami modelu mogą być trudności w przeprowadzaniu inwersji, szczególnie w przypadku, gdy w roślinności występują suche liście. W modelu wartości odbicia i transmitancji są obliczane z użyciem trzech elementów: maksymalnego kąta padania, współczynnika załamania i współczynnika przenikania (Jacquemoud, Baret, 1990; Baret, Vanderbilt, Steven, Jacquemoud, 1994). Współczynnik załamania jest zmienny i zależy od wewnętrznej struktury liścia. Jest większy w przypadku komórek z dużą ilością wody (około 1,4), mniejszy w przypadku wody, a w powietrzu wynosi 1. Współczynnik załamania może być określany za pomocą dwóch składowych: części rzeczywistej i urojonej; obie opisują rozproszenie i absorpcję promieniowania przez liście. Rzeczywista część współczynnika załamania zmienia się bardzo nieznacznie w zależności od długości fali (Baret, Vanderbilt, Steven, Jacquemoud, 1994). Głównym źródłem zróżnicowania jest urojona część współczynnika załamania, która jest związana ze współczynnikiem absorpcji. Właściwości optyczne liści są połączone z właściwościami biochemicznymi przez współczynnik absorpcji, zmieniający wartość w zależności od długości fali. W modelu ustalany jest specyficzny współczynnik absorpcji (K) danych substancji, zależny od długości fali, ale niezależny od gatunku roślin. Służy on do obliczenia danych wyjściowych. W zakresie widma EM od 0,4 do 0,8 µm na jego wartość ma wpływ głównie 45 pigmenty (chlorofil a i b, karotenoidy i taniny), natomiast na zakres 0,8-2,5 µm w znacznej mierze oddziałuje woda. Na podstawie parametrów biofizycznych i specyficznych współczynników absorpcji obliczany jest łączny współczynnik absorpcji dotyczący jednej warstwy w liściu (Jacquemoud, Ustin, Verdebout, Schmuck, Anderoli, Hosgood, 1996; le Maire, Francois, Dufrêne, 2004): gdzie: λ – długość fali, ke(λ) – absorpcja, jaka występuje w liściu, związana z innymi elementami poza chlorofilem, karotenoidami, wodą i materią suchą, Kab, Kar, Km, Kw – specyficzne współczynniki absorpcji poszczególnych substancji: chlorofilu, karotenoidów, materii suchej i wody, które zostały obliczone w wyniku badań spektrometrycznych na etapie tworzenia modelu (Jacquemoud, Ustin, Verdebout, Schmuck, Anderoli, Hosgood, 1996), N – parametr strukturalny. Powyższy wzór jest podany na podstawie najnowszej wersji modelu PROSPECT-5. Wartości specyficznych współczynników absorpcji zostały tu opracowane na podstawie literatury oraz przez inwersję modelu PROSPECT (Fourty, Baret, Jacquemoud, Schmuck, Verdebout, 1996; Baret, Fourty, 1997). W modelu zakłada się, że roślinność składa się z wielu prostych warstw liści o specyficznych właściwościach absorpcyjnych i refrakcyjnych oddzielonych od siebie warstwami powietrza (Jacquemoud, Baret, 1990). Liczba warstw materii w liściu jest oznaczona jako N, natomiast liczba warstw powietrza jest równa N-1. Niedyfuzyjny charakter wiązki światła padającego dotyczy jedynie pierwszej wierzchniej warstwy liści. Promieniowanie pada na nią pod określonym kątem, podczas gdy w przypadku niższych warstw wewnątrz liścia zakłada się, że promieniowanie rozchodzi się w każdym kierunku tak samo. Oddzielnie jest obliczana transmitancja i odbicie w odniesieniu do pierwszej warstwy, a inaczej w przypadku pozostałych warstw. Ostatecznie transmitancję i odbicie oblicza się z użyciem 4 zmiennych: maksymalnego kąta padania, współczynnika załamania, współczynnika przenikania i parametru strukturalnego opisującego liczbę warstw w liściu (N). Pierwsza wersja modelu PROSPECT była opublikowana w roku 1990. Była opracowana na przykładzie odbicia promieniowania od liści kukurydzy (Jacquemoud, Baret, 46 1990). W modelu wykorzystano 3 dane wejściowe – zawartość chlorofilu, wody i parametr strukturalny N. Absorpcja była opisywana funkcją określoną przez ilość pigmentów i zawartość wody. Kolejna, poprawiona wersja zawierała także ilość masy suchej (Fourty, Baret, Jacquemoud, Schmuck, Verdebout, 1996). W tym przypadku badania przeprowadzono na podstawie 70 próbek liści z 50 różnych gatunków – drzew i roślin zielnych. Uwzględniono w nim także różnicę w odbiciu między świeżymi i suchymi liśćmi. Następna wersja modelu PROSPECT-3 zawierała zmodyfikowane wartości maksymalnego kąta padania (Jacquemoud, 2004, za: Barry, Newnham, Stone, 2009). Wersja PROSPECT-4 różniła się od poprzednich uzupełnionym współczynnikiem absorpcji chlorofilu – wzrasta on wraz z długością fali w zakresie od 0,4 do 0,7 µm, a szczególnie między 0,4 a 0,5 µm. Modele różnią się także wartościami maksymalnymi kąta padania promieniowania. Do prezentowanych w pracy badań wybrano model PROSPECT-5, czyli najnowszą wersję algorytmu. Głównym ulepszeniem modelu jest dodanie do danych wejściowych kolejnych pigmentów – karotenoidów. Model ma kilka etapów działania, a pierwszym z nich jest kalibracja (Feret, Frençois, Asner, Gitelson, Martin, Bidel, Ustin, le Maire, Jacquemoud, 2008). Używane są do niej informacje określone przez twórców modelu za pomocą danych eksperymentalnych: parametr określający szorstkość powierzchni liści, współczynnik załamania zależny od długości fali i specyficzny współczynnik absorpcji głównych substancji występujących w liściach. Zakłada się, że wymienione dane są niezmienne bez względu na gatunek roślin, co jednak jest prawdziwe jedynie w przypadku współczynnika absorpcji. Następnie odbywa się określanie kąta promieniowania padającego na powierzchnię liści. Odbicie bywa przypadkowe, ponieważ ich powierzchnia nie jest płaska. W poprzednich wersjach programu założono, że promieniowanie padające na rośliny ma średnio nachylenie około 60o. W wersji najnowszej wprowadzono funkcję, która oblicza szorstkość baldachimu roślinności i modyfikuje wartości transmitancji. Specyficzne współczynniki absorpcji łączą właściwości optyczne promieniowania i biochemiczne liści. Parametry wejściowe do modelu PROSPECT-5 to: parametr opisujący strukturę liści – zwartość warstw liści (N), zawartość chlorofilu a i b (Cab) i karotenoidów (Car), zawartość materii suchej (Cm) i masa wody w liściach (Cw) (Feret, Frençois, Asner, Gitelson, Martin, Bidel, Ustin, le Maire, Jacquemoud, 2008). Dane wraz z jednostkami zamieszczono w tabeli 1; wszystkie z nich mogą być zmierzone w terenie, z wyjątkiem parametru N. Zawartość chlorofilu (Cab) i karotenoidów (Car) jest podana w μg na cm2 (Jacquemoud, Ustin, Verdebout, Schmuck, Anderoli, Hosgood, 1996; Feret, Frençois, Asner, Gitelson, Martin, Bidel, Ustin, le Maire, Jacquemoud, 2008). Ilość barwnika jest mierzona 47 w jednostkach masy (µg), a następnie oblicza się stosunek tej ilości do powierzchni liści (w cm2), którą w tym przypadku uzyskano ze wskaźnika powierzchni projekcyjnej liści LAI. Tab. 1. Dane wejściowe do modelu PROSPECT-5 Tab. 1. PROSPECT-5 input parametrs Cab Jednostka Units μg/ cm2 Car μg/ cm2 Symbol Cm g/cm Cw cm N - 2 Opis Description Zawartość chlorofilu (Chlorophyll content) Zawartość karotenoidów (Carotenoid content) Zawartość materii suchej (Dry matter content) Zawartość wody w liściach (Equiwalent Water Thickness) Parametr strukturalny liści (Leaf structure parameter) Zawartość materii suchej (Cm) to stosunek wysuszonej masy liści (w gramach) do powierzchni projekcyjnej liści – LAI (Feret, Frençois, Asner, Gitelson, Martin, Bidel, Ustin, le Maire, Jacquemoud, 2008). Parametr Cm bywa określany jako masa liści na powierzchnię (LMA – leaf mas per area) (Feret, François, Gitelson, Asner, Barry, Panigada, Richardson, Jacquemoud, 2011). Wartość Cm jest wyrażona w gramach. Ilość wody (Cw) jest określana za pomocą Equivalent Water Thickness (Jacquemoud, Ustin, Verdebout, Schmuck, Anderoli, Hosgood, 1996; Feret, Frençois, Asner, Gitelson, Martin, Bidel, Ustin, le Maire, Jacquemoud, 2008). Jest to frakcja całkowitej zawartości wody w roślinie, czyli miara grubości wody, jaka byłaby wymagana do naśladowania elementów absorbujących wodę mierzonych w zakresie 0,58-1,1 µm. Jest określana na podstawie ilości wody w roślinie (cm3) w stosunku do powierzchni liści (cm2) (Yilmaz, Hunt, Jackson, 2008). Zawartość wody oblicza się na podstawie różnicy wagi między biomasą świeżą a suchą. Ilość wody jest przeliczana na zawartość procentową, a następnie na zawartość wody w 1 cm3. Wartość jest dzielona przez powierzchnię projekcyjną liści podaną w cm2. Ostatnią informacją wejściową jest parametr strukturalny N, który określa złożoność struktury wewnętrznej, komórkowej liści (Jacquemoud, Baret, 1990, Jacquemoud, Ustin, Verdebout, Schmuck, Anderoli, Hosgood, 1996; Feret, Frençois, Asner, Gitelson, Martin, Bidel, Ustin, le Maire, Jacquemoud, 2008). Jest to liczba jednolitych warstw roślinności, jakie występują w roślinie. Parametr jest ściśle powiązany z ułożeniem komórek wewnątrz liścia. Opisuje siłę rozpraszania wewnętrznego materiału budującego liście; jest pośrednio związany z ich strukturą fizyczną (Barry, Newnham, Stone, 2009). Parametr jest niezależny od długości fali. Wahania parametru N mają duże znaczenie w przypadku określania wartości 48 transmitancji, a mniejsze – współczynnika odbicia. Najniższa wielkość parametru to 1, najwyższa w literaturze nie występuje (Jacquemoud, Baret, 1990), ale na ogół zamyka się on w zakresie od 1 do 4 (Jacquemoud, Ustin, Verdebout, Schmuck, Anderoli, Hosgood, 1996). Autorzy modelu w jednej z publikacji podali zakres od 1 do 3 (Feret, François, Gitelson, Asner, Barry, Panigada, Richardson, Jacquemoud, 2011). W przypadku roślin jednoliściennych o zwartej strukturze komórkowej parametr wynosi od 1 do 1,5, a roślin dwuliściennych z miękiszem gąbczastych od 1,5 do 2,5. Wartości powyżej 2,5 przyjmuje w przypadku roślin z dużą ilością liści o niezorganizowanej strukturze wewnętrznej. Na ogół w badaniach jest podawany użyty zakres wartości parametru. Parametr strukturalny N można obliczyć z Specific Leaf Area (SLA), czyli powierzchni liści na jednostkę masy suchej materii, mierzonej w cm2 na gram (Ceccato, Flasse, Tarantola, Jacquemoud, Grégorie, 2001). Autorzy modelu podają następujący wzór: . Inny wzór na obliczenie N z SLA zaproponowali F. Veroustraele i V. Gond (Ceccato, Flasse, Tarantola, Jacquemoud, Grégorie, 2001): √ . Żaden ze wzorów nie daje pełnej możliwości prawidłowego określenia parametru, a przy niewielkich wartościach SLA równanie nie może być zastosowane. Dlatego często ten parametr wyznacza się empirycznie (Ceccato, Flasse, Tarantola, Jacquemoud, Grégorie, 2001). W tabeli 2 zamieszczono zakresy wartości parametrów wejściowych do modelu PROSPECT, które były stosowane w innych badaniach z użyciem tego modelu. Model PROSPECT-5 został pobrany ze strony PROSAIL (http://teledetection.ipgp.jussieu.fr/prosail/). Wersja modelu została udostępniona na stronach Institut de Physique du Globe de Paris przez jednego z jego twórców – Stéphane’a Jacquemouda. Zamieszczone są tam kody źródłowe podprogramów, z których, po odpowiednim połączeniu i dopisaniu części kodu, można utworzyć program. W programie bazowano na informacjach zawartych w publikacjach dotyczących modelu (Jacquemoud, Baret, 1990; Jacquemoud, Ustin, Verdebout, Schmuck, Anderoli, Hosgood, 1996; Feret, Frençois, Asner, Gitelson, Martin, Bidel, Ustin, le Maire, Jacquemoud, 2008). Obliczanie transmitancji przy trójwymiarowym kącie padania bazuje na opracowaniach F. Sterna (1964) i W. A. Allena (1973). 49 Tab. 2. Zakresy wartości danych wejściowych dotyczących różnych typów roślinności stosowane w badaniach z użyciem modelu PROSPECT. Oznaczenia: BD – brak danych, a – chlorofil a, b – chlorofil b, śr. – średnia. Tab. 2. PROSPECT input parameters values for different vegetation types. Letter signs: BD – no data, a – chlorophyll a, b – chlorophyll b, śr. – average. Typ roślinności Vegetation type Różne rodzaje/ Differed species Liściaste drzewa/ Deciduous trees Cel badań Aim of the research Badania metodyczne/ Methodology Badanie zawartości chlorofilu/ Chlorophyll content analysis Zakresy danych wejściowych Input data values Cab Car Cw Cm N Autorzy Authors BD BD 0,0048 0,0467 0,0022 0,0083 BD Baret, Fourty, 1997 10-100 BD BD BD 1,2-1,7 Damarez, GastelluEtchegorry, 2000 0,0020,04 1-4 Ceccato, Flasse, Tarantola, Jacquemoud, Grégorie, 2001 1,252,25 le Maire, Francois, Dufrêne, 2004 Różne rodzaje (w tym drzewa i zboża) / Differed species (including trees and cereals) Badanie zawartości wody/ Water content analysis 33 BD 0,0001 -0,07 Drzewa liściaste/ Deciduous trees Badanie zawartości chlorofilu/ Chlorophyll content analysis 10-90 BD 0,02 20-140 Rośliny ze strefy zwrotnikowej/ Tropical plants Badania metodyczne/ Methodology śr. 9-12 śr. 0,0116 0,0275 śr. 0,0025 0,0125 BD Różne rodzaje/ Different species Badania metodyczne/ Methodology 0-25,3 0,0043 0,0275 0,0017 0,0331 BD Drzewa i zboża/ Trees and cereals Symulacja danych/ Data simulation 2,5-25 0,0040,024 0,0020,014 1,1-2,3 a – śr. 25-37 b – śr. 9-13 a - 0,376,8 b– 0,229,9 10-110 Feret, Asner, François, Martin, Ustin, Jacquemoud, 2007 Feret, Frençois, Asner, Gitelson, Martin, Bidel, Ustin, le Maire, Jacquemoud, 2008 Feret, François, Gitelson, Asner, Barry, Panigada, Richardson, Jacquemoud, 2011 Model PROSPECT_5 składa się z 3 podprogramów (ryc. 3.). Pierwszy z nich (o nazwie dataSpec_P5) ustala długości fali, jakie będą używane w programie (od 0,4 do 2,5 µm), i nadaje początkowe wartości współczynnika załamania każdej długości fali. Następnie w podprogramie ustalane są wartości współczynnika załamania i absorpcji, właściwe dla chlorofilu, karotenoidów, wody i materii suchej. Wartości te są określone dla każdej długości fali w zakresie od 0,4 do 2,5 µm. W odniesieniu do danej zmiennej 50 biofizycznej i długości fali współczynniki są stałe. W przypadku zakresu chlorofilu określone są współczynniki w zakresie od 0,4 do 0,8 µm, karotenoidów – od 0,4 do 0,6 µm. W odniesieniu do zawartości wody i materii suchej dane są informacje w zakresie od 0,4 do 2,5 µm. Drugi podprogram (tav_abs) oblicza transmitancję na powierzchni liści przy danym trójwymiarowym kącie padania; nie wymaga on żadnych danych wejściowych, poza danymi z podprogramu dataSpec_P5. Ryc. 3. Schemat działania programu PROSPECT-5 Fig. 3. Functional diagram of the PROSPECT-5 Ostatni podprogram to właściwy program PROSPECT (prospect_5). Używane są w nim wymienione wcześniej moduły. Wczytywane są do niego dane wejściowe: N, Cab, Car, Cw i Cm. Pierwszym etapem jest obliczenie łącznego współczynnika absorpcji (k) na podstawie wartości poszczególnych parametrów przemnażanych przez współczynniki absorpcji. Następnie są obliczane wartości współczynnika odbicia i transmitancji w przypadku jednej warstwy (N) w zależności od wartości obliczonego wcześniej parametru. Drugim etapem jest obliczenie współczynników odbicia i transmitancji pozostałych warstw. Obliczanie odbywa się pojedynczo w zakresie każdej długości fali. Dane wyjściowe stanowi tablica składająca się z trzech kolumn, w których jest podana: długość fali, wartość odbicia i transmitancji. 4.1.2. Pomiary terenowe i zastosowanie modelu PROSPECT Pomiary terenowe do modelu PROSPECT odbywały się na 22 poligonach znajdujących się na Pogórzu Karpackim i na Mazowszu. Informacje o wykorzystanych poligonach przedstawiono w tabeli 3. 51 Tab. 3. Zestawienia danych odnośnie pomiarów terenowych zastosowanych w modelu PROSPECT Tab. 3. Test polygons data set for PROSPECT analysis Położenie poligonu Location of polygon Lp. No. Nazwa poligonu Poligon symbol Data Date Godzina Time 1 T1 24.07.2009 10:00 Pogórze Gorlickie, wierzchowina 2 T6 24.07.2009 10:30 Pogórze Gorlickie, wierzchowina 3 T9 24.07.2009 12:15 Pogórze Gorlickie, wierzchowina 4 P1.2 23.07.2009 09:30 Pogórze Gorlickie, wierzchowina 5 P2.1 23.07.2009 11:30 Pogórze Gorlickie, dolina Bystrzanki 6 P2.2 23.07.2009 12:00 Pogórze Gorlickie, dolina Bystrzanki 7 P2.3 23.07.2009 12:30 Pogórze Gorlickie, dolina Bystrzanki 8 R12 22.07.2010 12:20 9 R13 22.07.2010 12:30 10 R16 23.07.2010 11:35 11 R20 22.07.2010 10:30 12 R22 23.07.2010 11:45 13 R30 23.07.2010 11:05 14 R31 23.07.2010 11:10 15 S10 16 S11 17 S12 18 S14 26.08.2010 10:20 19 S18 26.08.2010 12:10 20 D1 12.08.2010 09:50 21 D4 12.08.2010 11:45 22 D5 12.08.2010 12:15 4.08.2010/ 17.08.2010* 4.08.2010/ 17.08.2010* 4.08.2010/ 17.08.2010* 13:00 13:40 13:30 Równina Mszczonowska w okolicach Radziejowic Równina Mszczonowska w okolicach Radziejowic Równina Mszczonowska w okolicach Radziejowic Równina Mszczonowska w okolicach Radziejowic Równina Mszczonowska w okolicach Radziejowic Równina Mszczonowska w okolicach Radziejowic Równina Mszczonowska w okolicach Radziejowic Ziemia Zakroczymsko-Serocka w okolicach Serocka Ziemia Zakroczymsko-Serocka w okolicach Serocka Ziemia Zakroczymsko-Serocka w okolicach Serocka Ziemia Zakroczymsko-Serocka w okolicach Serocka Ziemia Zakroczymsko-Serocka w okolicach Serocka Dolina Środkowej Wisły w powiecie otwockim Dolina Środkowej Wisły w powiecie garwolińskim Dolina Środkowej Wisły w powiecie garwolińskim Współrzędne geograficzne Coordinates 49° 38,416'N 21° 6,913'E 49° 38,52'N 21° 6,934'E 49° 38,342'N 21° 6,909'E 49° 37,875'N 21° 6,461'E 49° 38,004'N 21° 6,983'E 49° 37,987'N 21° 7,003'E 49° 38,009'N 21° 7,017'E 52° 00,259N 20° 36,015E 52° 00,257N 20° 35,991E 52° 00,241N 20° 35,910E 52° 00,124N 20° 36,398E 52° 00,089N 20° 35,891E 51° 59,615N 20° 35,553E 51° 59,615N 20° 35,553E 52° 33,169N 20° 59,882E 52° 33,509N 20° 59,217E 52° 33,517N 20° 59,182E 52° 33,266N 20° 58,288E 52° 33,3N 20° 58,038E 52° 2,36N 21° 16,585E 51° 44,289N 21° 28,197E 51° 44,299N 21° 28,197E * – w tym dniu wykonywano pomiary spektrometryczne * – spectral measurements were performed on this day Na Pogórzu Gorlickim pomiary wykonano 23 i 24 lipca 2009 na obszarze 7 poligonów. Każdy z nich miał wielkość co najmniej 10000 m2. Trzy poligony znajdowały się na wierzchowinie garbu pogórskiego Taborówka, jeden na wierzchowinie Wiatrówek 52 i trzy w dnie doliny rzeki Bystrzanki. Poligony zostały wybrane na podstawie zróżnicowania roślinności. Na każdym z poligonów wybrano obszar reprezentatywny wielkości około 25 m2, gdzie dokonywano szczegółowych pomiarów. Obszar badawczy na Mazowszu obejmował 15 poligonów, zlokalizowanych w trzech różnych regionach geograficznych. Punkty zostały dobrane tak, aby reprezentowały najbardziej zróżnicowane kategorie łąk. Na każdym z poligonów również wybrano pole o powierzchni około 25 m2, który reprezentował całą badaną powierzchnię, i na nim wykonywano pomiary. Na Równinie Mszczonowskiej pomiary wykonywano na terenie 7 poligonów, w dniach 22 i 23 lipca 2010, na Ziemi Zakroczymsko-Serockiej również na 7 poligonach 4, 17 i 26 sierpnia 2010 i w Dolinie Środkowej Wisły na 3 poligonach 8 sierpnia 2010 roku. W czasie badań terenowych na każdym z wyznaczonych poligonów na Mazowszu i pogórzu Gorlickim pobrano krzywe odbicia spektralnego, dane wejściowe do modelu PROSPECT, współrzędne geograficzne oraz wykonano dodatkowe pomiary. Pomiary krzywych odbicia spektralnego wykonano przy użyciu spektrometru ASD FieldSpec 3 FR w świetle naturalnym. Spektrometr mierzy współczynnik odbicia w 1151 kanałach spektralnych o szerokości połówkowej około 3 nm w zakresie od 350 do 2500 µm, następnie rozdzielczość spektralna podwyższana jest tak, aby pomiary współczynnika odbicia były pobierane co 1 µm. Przed pomiarem na każdym z poligonów dokonywano kalibracji przez pomiar wzorca bieli i czerni. Nie w każdym przypadku kalibracja spektrometru była udana, dlatego w zakresach absorpcji wody pomiary są zafałszowane. W czasie pomiarów na Pogórzu Gorlickim błąd wystąpił w zakresie od 1,81 do 1,95 µm, natomiast na Mazowszu w trzech zakresach: 1,35-1,4, 1,81-1,945 i 2,45-2,5 µm. W celu ujednolicenia pomiarów i ułatwienia porównania krzywych odbicia spektralnego z każdego poligonu pobrano co najmniej 10 krzywych odbicia spektralnego, a następnie uśredniono je, aby dla każdego z poligonów powstała jedna krzywa odbicia spektralnego reprezentująca cały poligon. Pomiary wejściowe do modelu PROSPECT obejmowały pomiary chlorofilu, masy suchej i zawartości wody. Zawartość chlorofilu mierzono za pomocą urządzenia CCM-200 Chlorophyll Content Meter, które nieinwazyjnie mierzy wskaźnik Chlorophyll Content Index. Urządzenie określa wartość wskaźnika na podstawie wielkość odbicia w dwóch zakresach: pierwszy to zakres absorpcji chlorofilu w świetle czerwonym, a drugi z zakresu bliskiej podczerwieni, który kompensuje inne czynniki, takie jak grubość liścia (http://www.optisci.com/ccm200.htm). Na każdym poligonie wykonano po 10 pomiarów chlorofilu, które następnie uśredniono. Wykonano pomiary tak, aby liczba próbek każdego 53 z gatunków była proporcjonalna do jej udziału w pokrywie roślinnej. Podobnego sprzętu używano w analizie zawartości chlorofilu przy określaniu danych wejściowych do modelu PROSAIL (Botha, Leblon, Zebarth, Watmough, 2007; Darvishzadeh, Skidmore, Schlerf, Atzberger, 2008). Zawartość wody i masa sucha były określone przez zważenie biomasy świeżej i suchej. Na każdym poligonie wybrano obszar reprezentujący go o wielkości 0,25 m2, z którego ścięto biomasę. Świeża biomasa została zważona, a następnie wysuszona i ponownie zważona jako biomasa sucha. Wykonano także pomiary powierzchni projekcyjnej liści (Leaf Area Index). Pomiary LAI wykonane były urządzeniem LAI-2000 Plant Canopy Analyzer, które liczy powierzchnię projekcyjną liści na 1 m2. Urządzenie porównuje ilość promieniowania rozproszonego, które dociera do urządzenia nad pokrywą roślinną, z ilością promieniowania rozproszonego docierającego do urządzenia pod baldachimem. Wyniki pomiarów z obu obszarów badawczych zostały przeliczone na dane wejściowe we właściwych jednostkach. Zawartość chlorofilu z wartości CCI zostały przeliczone za ilość w mikrogramach według wzoru: Cab=36,625×CCI+624,31, który był ustalony empirycznie w badaniach dla tego instrumentu. Zależność tę ustalono na podstawie ponad 200 losowo wybranych punktów. Mierzono zawartość chlorofilu instrumentem, a potem badano laboratoryjnie zawartość chlorofilu w μg w tej samej roślinie. Następnie obliczona zawartość chlorofilu z każdego poligonu pomiarowego została podzielona przez powierzchnię liści w cm2, która była uzyskana z pomiarów Leaf Area Index. Zawartość karotenoidów przeliczono na podstawie zależności karotenoidów w stosunku do chlorofilu w zdrowych roślinach. Przeliczono je na podstawie wzoru: Car=Cab/5. Zawartość masy suchej obliczono, dzieląc ilość masy suchej w gramach przez wartość LAI w cm2. Zawartość wody obliczono na podstawie różnicy wagi między biomasą świeżą a suchą. Ilość wody zważoną w pomiarach przeliczono na zawartość w procentach i zawartość wody w 1 cm3, a następnie na cm, dzieląc przez powierzchnię projekcyjną liści w cm2. Ostatnią daną wejściową jest parametr strukturalny N, który był na początku obliczany na podstawie wartości SLA. W badaniach wykorzystano obydwa wymienione wcześniej wzory (str. 49). Parametr SLA został wyliczony z danych o powierzchni projekcyjnej liści, gdzie LAI jest mierzony na 1 m2, a masa sucha została pobrana z powierzchni 0,25 m2. Po obliczeniu parametru SLA został obliczony N za pomocą obydwu wzorów. W obu sposobach obliczania wartość danych wahała się od 0,9 do 1, co oznacza, że żaden ze wzorów 54 nie może być zastosowany, ponieważ minimalną wartością parametru N jest 1 (Jacquemoud, Baret, 1990). Następnie na podstawie danych z literatury wartość wyznaczono jako 1, ze względu na przewagę traw w zbiorowiskach (Jacquemoud, Baret, 1990). W czasie modelowania wartość współczynnika odbicia okazała się jednak zbyt mała, na co wpływa głównie wartość parametru strukturalnego (Damarez, Gastellu-Etchegorry, 2000; Ceccato, Flasse, Tarantola, Jacquemoud, Grégorie, 2001). Wartości parametru N określono empirycznie w odniesieniu do każdego poligonu indywidualnie. Nie było możliwe założenie jednej wartości dotyczącej wszystkich poligonów, co jest prawdopodobnie związane z dość dużym zróżnicowaniem badanego środowiska. Program PROSPECT składał się z 3 podprogramów, które wcześniej opisano. Konieczne było dopisanie fragmentu kodu łączącego wszystkie podprogramy, zapisującego wynik w postaci tablicy opisującej każdą modelowaną krzywą odbicia spektralnego. Następnie wykonano modelowanie przy użyciu dwóch zestawów danych. W pierwszym zestawie (zestaw PROSPECT-1) utworzono krzywe odbicia spektralnego na podstawie danych obliczonych bezpośrednio z pomiarów terenowych. Empirycznie dopasowano w każdym poligonie jedynie parametr strukturalny. Po analizie uzyskanych krzywych odbicia spektralnego stwierdzono, że wygenerowane spektra znacząco różnią się od danych uzyskanych z pomiarów terenowych. Szczególnie widoczne było znaczne niedoszacowanie parametru określającego zawartość wody, a także zbyt duża zawartość chlorofilu. Dlatego wygenerowano drugi zestaw krzywych (zestaw PROSPECT-2), w którym empirycznie dopasowano parametr określający zawartość chlorofilu, a tym samym karotenoidów, ponieważ parametry są ze sobą związane, i zawartość wody. W przypadku każdego poligonu zastosowano te same wartości parametru N, co w przypadku pierwszego zestawu PROSPECT-1. Niezmieniona została wartość parametru określającego zawartość masy suchej, ponieważ bezpośrednio przekłada się on na ilość wysuszonej masy, czyli masę siana. W badaniach innych autorów dane wejściowe często były ustalane jako stałe ściśle określone lub jako przedziały danych. Ze względu na trudności w pobieraniu dużej ilości danych nie wszystkie są mierzone w terenie. Procedura taka była stosowana także w modelowaniu z użyciem PROSPECT (Ceccato, Flasse, Tarantola, Jacquemoud, Grégorie, 2001; ZarcoTejada, Miller, Harron, Hu, Noland, Goel, Mohammed, Sampson, 2004). W badaniach prowadzonych przez innych autorów symulowano krzywe, używając parametrów określonych przez przedział wartości (le Maire, Francois, Dufrêne, 2004). 55 Tab. 4. Zakres wartości parametrów wejściowych do modelu PROSPECT dla dwóch różnych zestawów danych Tab. 4. The value ranges of input parameters for the two different PROSPECT data sets Oznaczenie parametru Parameter Dane wejściowe Input data Cab Jednostki Units μg/cm2 Car μg/cm2 6-76 6-33 Cw cm 0,0004-0,0101 0,0079-0,0564 Cm g/cm N - 2 PROSPECT-1 PROSPECT-2 29-382 28-164 0,0048-0,0933 1-4,5 Zakres parametrów obu zestawów został zamieszczony w tabeli 4. Dane wejściowe do modeli dotyczących każdego z poligonów zostały zamieszczone w załączniku 2 (zestaw PROSPECT-1) i załączniku 3 (zestaw PROSPECT-2). 4.2. Modelowanie odbicia promieniowania od roślinności w zakresie pokrywy roślinnej 4.2.1. Model 4SAIL Ryc. 4. Modelowanie odbicia promieniowania od pokrywy roślinności według modelu SAIL. Na podstawie: Verhoef, 1984 Fig. 4. The 4-stream radiative transfer modeling – SAIL model. On the basis of: Verhoef, 1984 Model SAIL (Scattering by Arbitrarily Inclined Leaves) służy do modelowania współczynnika odbicia spektralnego na poziomie pokrywy roślinności (Verhoef, 1984, 1985). Opisuje różne typy interakcji w promieniowaniu dochodzącym, przechodzącym, 56 rozproszonym i odbitym. Model uwzględnia odbicie od roślin i gleby. Opisuje pokrywę roślinności jako warstwę składającą się z pojedynczych warstw, wewnątrz których wszystkie komponenty są losowo i równomiernie zmieszane. Model SAIL definiuje 4 strumienie energetyczne (ryc. 4): promieniowanie słoneczne padające na powierzchnię poziomą roślinności, promieniowanie rozproszone dochodzące i odbite od pokrywy roślinności oraz promieniowanie dochodzące do sensora pod odpowiednim kątem, zgodnie z teorią Suitsa (1972, za Verhoef, 1984). Określa ona, że modelowanie roślinności składa się ze zdefiniowania i rozwiązania 4 równań. Poniżej określono liniowe równania różniczkowe opisujące wymienione 4 strumienie promieniowania (Verhoef, 1984): ⁄ ; ⁄ ⁄ ⁄ ; ; ; gdzie: x – wymiar przestrzenny w pionie, określa względną grubość warstw pokrywy roślinności, od 0 na górnej granicy warstwy roślinności do 1 na dolnej granicy, Es – emitancja energetyczna Słońca, której strumień pada na płaszczyznę poziomą, E_ – natężenie promieniowania rozproszonego skierowanego w dół, E+ – natężenie promieniowania rozproszonego skierowanego w górę, Eo – luminacja energetyczna strumienia energetycznego płynącego w kierunku sensora, k – współczynnik załamania strumienia promieniowania w kierunku Słońca, s, s’,σ ,-σ, υ, u – współczynniki rozproszenia, a – współczynnik absorpcji strumienia promieniowania rozproszonego, w – dwukierunkowy współczynnik rozproszenia promieniowania od Es do Eo, K – współczynnik załamania strumienia promieniowania w kierunku sensora. Wymienione współczynniki są obliczane na podstawie gęstości, rozmieszczenia i nachylenia liści oraz odbijanego od nich promieniowania i transmitancji. Strumienie energetyczne: Es, E_, E+, Eo są zdefiniowane na jednostkę powierzchni górnej pokrywy 57 roślinności i są zależne od długości fali. Do rozwiązywania równań zastosowano układ współrzędnych, który wykorzystuje orientację liści, pozycję Słońca i sensora. Kierunki są określone przez kąt azymutalny (φ) i zenitalny (θ). Do modelu dodana jest modyfikacja korygująca efekt nadmiernego odbicia, czyli hot spot (Kuusk, 1991). W czasie tej korekcji w modelu uwzględnione jest rozmieszczenie liści, kąt zenitalny obserwacji i rozmiar liści. W modelu wprowadzono funkcję określającą dwukierunkowe odbicie (BRDF – Bidirectional Reflectance Distribution Function), która określa natężenie odbicia w zależności od kąta obserwacji i oświetlenia pokrywy roślinności. W modelu zakłada się, że: (1) roślinność jest jednorodna w pionie i w poziomie; (2) transmitancja przez liście jest rozproszona równomiernie we wszystkich kierunkach; (3) odbicie od liści i gleby jest rozproszone (Verhoef, 1984, Jacquemoud, Baret, Hanocq, 1992; Gastellu-Etchegorry, Zagolski, Romier, 1996; Verhoef, Bach, 2007; Verhoef, Jia, Xiao, Su, 2007); (4) azymutalne rozmieszczenie liści jest losowe; (5) wszystkie liście w pokrywie roślinności są małe i płaskie (Verhoef, 1984). Model nie uwzględnia odbicia od innych elementów roślinności, takich jak gałęzie czy kwiaty i dlatego powinien być używany do dość jednorodnych powierzchni. Również w przypadku, gdy występują znaczne prześwity tła, czyli gleby, modelowanie może nie przebiegać prawidłowo (Gastellu-Etchegorry, Zagolski, Romier, 1996). Morfologia roślinności jest opisana za pomocą powierzchni projekcyjnej liści (LAI) oraz funkcji określającej ich orientację i nachylenie. Do opisania struktury wprowadzono także parametr określający grubość warstwy roślinnej – wysokość pokrywy (H). 4.2.2. Łączony model PROSAIL Ze względu na trudności w inwersji samego modelu SAIL najczęściej łączy się go z modelem na poziome pojedynczych liści – PROSPECT. Powstały model PROSAIL jest od lat stosowany w badaniach roślinności. Przegląd badań wykonanych za jego pomocą został zaprezentowany w artykule twórców modelu (Jacquemoud, Verhoef, Baret, Bacour, ZarcoTejada, Asner, François Ustin, 2009). PROSAIL umożliwia symulację krzywych odbicia spektralnego do analiz skuteczności modelowania, testowania wskaźników roślinności itp. Po przeprowadzaniu inwersji on był używany do badania parametrów biofizycznych, szczególnie zawartości chlorofilu, wody, masy suchej i LAI. PROSAIL jest częściej stosowany niż inne modele, ze względu na dobre rezultaty i dokładność oraz dobrą dostępność. Ponadto, mimo dużej liczby danych wejściowych, model jest stosunkowo nieskomplikowany. 58 W przeglądzie literatury wspomniano o kilku wersjach modelu SAIL różniących się danymi wejściowymi, wprowadzonymi modyfikacjami i ulepszeniami, a także rodzajem roślinności, do której mogą być zastosowane (Verhoef, Bach, 2007). Do niniejszych badań wybrano wersję 4SAIL (Verhoef, Xiao, Jia, Su, 2007). Jest to modyfikacja poprzedniego modelu – SAILH. 4SAIL jest modelem hybrydowym, uwzględnia efekt hot spot, w obliczeniach jest dokładniejszy i szybszy niż poprzednie wersje modelu SAIL (Verhoef, Bach, 2007). Na ogół stosowany jest raczej do jednolitych baldachimów roślinności, takich jak zboża. Tab. 5. Parametry wejściowe do modelu PROSAIL Tab. 5. Input parametrs to PROSAIL model 4SAIL PROSPECT-5 Model Oznaczenie Nazwa zmiennej zmiennej Input variable Abbreviation Cab Zawartość chlorofilu (Chlorophyll content) Car Zawartość karotenoidów (Carotenoid content) Udział brązowych pigmentów (tanin) w roślinie Cbrown (Brown pigment content/fraction brown leaf area) Cw Ilość wody (Equivalent Water Thickness) Cm Zawartość masy suchej (Dry matter content) Parametr strukturalny liści (Leaf structure N parameter/structure coefficient) LAI Powierzchnia projekcyjna liści (Leaf Area Index) Średni kąt nachylenia liści (Average leaf angl angle/mean leaf inclination angle) Parametr określający jasność gleby (Soil factor/ posil soil brightness parameter) Parametr określający stosunek promieniowania skyl rozproszonego do bezpośredniego (Ratio of diffuse to total incydent radiation) hspot Parametry określające efekt nadmiernego odbicia (Hot spot size parameter) ihot tts tto psi Kąt zenitalny Słońca (Solar zenith angle) Kąt zenitalny urządzenia pomiarowego (Observer zenith angle) Kąt azymutalny urządzenia pomiarowego (Azimuth/Relative azimuth angle) Jednostki Units μg/cm2 μg/cm2 cm g/cm2 m2/m2 Stopnie/degrees % m/m Stopnie/degrees Stopnie/degrees Stopnie/degrees Model 4SAIL ma następujące parametry wejściowe opisujące rośliny i glebę: dane spektrometryczne (krzywa odbicia i transmitancji dla pojedynczych liści), dane biofizyczne roślin (powierzchnia projekcyjna liści LAI, zawartość brązowych pigmentów, średni kąt nachylenia liści) oraz zmienne opisujące glebę (parametr jasności tła gleby), geometrię 59 odbicia promieniowania (kąt zenitalny Słońca, kąty widzenia sensora – zenitalny i azymutalny), a także dodatkowe informacje, takie jak stosunek promieniowania rozproszonego do bezpośredniego, parametry określające wielkość efektu hot spot. Parametry te wraz z jednostkami zostały zmieszone w tabeli 5. Krzywa odbicia i transmitancji pochodzi z modelu PROSPECT, który symuluje odbicie od roślin na poziomie pojedynczych liści. PROSAIL składa się z kilku podprogramów PROSPECT i SAIL, do modelu są więc wczytywane parametry pochodzące z obu modeli. W przypadku modelu PROSECT są to parametry poprzednio opisane, czyli zawartość chlorofilu (Cab), karotenoidów (Car), wody (Cw) i masy suchej (Cm) oraz parametr strukturalny (N). Dodatkowym elementem jest parametr określający udział brązowych pigmentów (Cbrown). Zawartość brązowych pigmentów (Cbrown) w roślinach określa, jaka jest zawartość pigmentów odpowiedzialnych za starzenie się rośliny, czyli dla uproszczenia – pigmentów innych niż chlorofil (Verhoef, Bach, 2003; Houborg, Soegaard, Boegh, 2007; Duveiller, Weiss, Baret, Defourny, 2011). Zmienna opisuje absorpcję światła przez te pigmenty. Im mniejsza jest zawartość zielonego pigmentu, tym większy jest udział innych barwników, takich jak karotenoidy. Bywa także określany jako zawartość materii wysuszonej, starzejącej się (Verhoef, Bach, 2007). Parametr nie ma jednostek. Jego wielkość waha się od 0, gdy nie występuje absorpcja promieniowania przez pigmenty inne niż chlorofil, do maksymalnie 6 w przypadku roślinności wysuszonej (Houborg, Anderson, Daughtry, 2009). Praktycznie wartości wahają się od 0 w przypadku zielonych roślin z dużą zawartością wody do 3 – roślin o dużej zawartości pigmentów brązowych. Na ogół wartość tego parametru jest ustalana arbitralnie, a nie mierzona w terenie (Verger, Baret, Camacho, 2011). W przypadku danych syntetycznych przyjmowano zakres wartości od 0 do 1,5 (Verger, Baret, Camacho, 2011). Często parametr dla roślinności zielonej jest ustalany jako stały nieco powyżej 0, np. 0,0005 (Houborg, Soegaard, Boegh, 2007). W przypadku zielonych liści kukurydzy parametr wynosił 0, a wyschniętych 0,7 (Verhoef, Bach, 2007). Danymi z modelu SAIL są wartości parametrów opisujących morfologię roślinności, w tym powierzchnia projekcyjna liści (Leaf Area Index), która określa, jaka jest powierzchnia liści na daną jednostkę terenu. Jest to jeden z kluczowych parametrów biofizycznych roślin, które określają ilość biomasy. Im bujniejsza jest roślinność, tym większa jego wartość, w przypadku roślin łąkowych wartość mieści w zakresie się od bliskiej 0 do 7,5 (Darvishzadeh, Skidmore, Schlerf, Atzberger, 2008, Darvishzadeh, Skidmore, Atzberger, van Wieren, 2008). 60 Nachylenie liści opisywane jest w modelu funkcją Leaf Inclination Distribution Function (Jacquemoud, Verhoef, Baret, Bacour, Zarco-Tejada, Asner, François Ustin, 2009, Houborg, Soegaard, Boegh, 2007). Parametr ten jest silnie związany z kątem obserwacji (Verhoef, Bach, 2003). Najczęściej, w zależności od budowy roślin, jest opisywany za pomocą dwóch parametrów: LIDFa i LIDFb (Verhoef, Bach, 2007). Pierwszy z nich określa średnie nachylenie wszystkich liści, a drugi opisuje zróżnicowanie i podobieństwo kąta nachylenia liści. W części modeli, w tym w wersji 4SAIL, średni kąt nachylenia liści (angl) jest podawany w stopniach od 0 do 90o. Wartość 0o oznacza, że wszystkie liście są ułożone horyzontalnie, czyli równolegle do powierzchni terenu, natomiast wartość bliska 90o występuje w przypadku roślin o liściach ustawionych pionowo. Kolejne parametry dotyczą tła, czyli odbicia promieniowania od gleby. Może to być współczynnik odbicia spektralnego od gleby uzyskany w czasie pomiarów terenowych. W przypadku wybranego modelu dane są ograniczone do jednego parametru (psoil), opisywanego jak parametr jasności gleby (le Maire, François, Soudani, Berveiller, Pontailler, Bréda, Genet, Davi, Dufrêne, 2008). Parametr ten zależy od typu gleby, zawartości wilgoci i powierzchniowej szorstkości; najczęściej jest wyznaczany jako stały. Ma on wpływ na odbicie w zakresie od 0,45 do 0,9 µm. Autorzy modelu określili, że w przypadku gleby wilgotnej wartość wynosi 0, a suchej 1 (Verhoef, 1984, 1985; Verhoef, Bach, 2007). W opracowaniach modelu stosowane są jednak także inne zakresy. W przypadku modelowania odbicia promieniowania od standardowej pokrywy roślinnej użyto wartości 1, natomiast zakres wartości tego parametru wynosi od 0,5 do 2 (Bacour, Jacquemoud, Tourbier, Dechambre, Frangi, 2002). W odniesieniu do łąk był używany zakres od 0,5 do 1,5 (Darvishzadeh, Skidmore, Schlerf, Atzberger, 2008).W przypadku symulacji krzywych odbicia spektralnego użyto zakresów od 0 do 1 (le Maire, François, Soudani, Berveiller, Pontailler, Bréda, Genet, Davi, Dufrêne, 2008) lub od 0,5 do 1,5 (Combal, Baret, Weiss, Trubuil, Macé, Pragnère, Myneni, Knyazikhin, Wang, 2002). Następny parametr (skyl) określa stosunek intensywności promieniowania rozproszonego do promieniowania bezpośredniego, mierzonego na jednostkę powierzchni (Yao, Liu, Liu, Li, 2008, Jacquemoud, Verhoef, Baret, Bacour, Zarco-Tejada, Asner, François Ustin, 2009). Jest on jedynym parametrem opisującym stan atmosfery w momencie pomiaru (Vohland, Mader, Dorigo, 2010). Jego wartość zależy od długości fali, a także od kąta zenitalnego Słońca, ma on jednak minimalne znaczenie dla modelowania i na ogół ustalany jest jako parametr stały (Jacquemoud, 1993; Darvishzadeh, Skidmore, Schlerf, Atzberger, 2008; Vohland, Mader, Dorigo, 2010; Darvishzadeh, Atzberger, Skidmore, Schlerf, 2011). 61 Może być oszacowywany na podstawie widzialności poziomej (Botha, Leblon, Zebarth, Watmough, 2007).W zależności od wersji modelu najczęściej jest wyznaczany na poziomie 0,1 (Atzberger, 2004; Darvishzadeh, Skidmore, Schlerf, Atzberger, 2008; Vohland, Mader, Dorigo, 2010; Darvishzadeh, Atzberger, Skidmore, Schlerf, 2011). W wersji modelu 4SAIL wartość tego parametru jest podawana w procentach. Jako wzorcową podano wartość 70% (http://teledetection.ipgp.jussieu.fr/prosail/). W procentach wprowadzano także wartości tego parametru w badaniach drzew; w tym przypadku zastosowano stałą wartość 80% (le Maire, François, Soudani, Berveiller, Pontailler, Bréda, Genet, Davi, Dufrêne, 2008). Kolejne parametry służą do określania wielkości efektu hot spot, czyli nadmiernego odbicia – hspot i ihot. Pierwszy z nich to iloraz rozmiaru liści do wysokości pokrywy roślinnej; obie wartości są podawane w metrach (Kuusk, 1991; Verhoef, 1985; Darvishzadeh, Skidmore, Schlerf, Atzberger, 2008). Jest on zależny od struktury rośliny. Rozmiar liści jest określany za pomocą projekcji długości liścia rzutowanej na płaszczyznę poziomą – długości cienia liścia w momencie, gdy promień jest prostopadły do płaszczyzny pokrywy roślinnej (Verhoef, Bach, 200; Jacquemoud, Bacour, Poilvé, Frangi, 2000). Wartość minimalna to 0,001, a maksymalna 1 (Verger, Baret, Camacho, 2011). W przypadku roślin o niewielkich liściach wartości tego parametru są mniejsze i zwiększają się wraz z powiększaniem wielkości liści. W przypadku roślinności łąkowej używano wartości od 0,05 do 0,1 (Darvishzadeh, Atzberger, Skidmore, Schlerf, 2011). Jako wzorcową wartość w symulacji krzywych używano 0,25 (Bacour, Jacquemoud Tourbier, Dechambre, Frangi, 2002). Częściej jednak wartość parametru jest bliższa 0 i wynosi 0,01 (Bsaibes, Courault, Baret, Weiss, Olioso, Jacob, Hagolle, Marloie, Bertrand, Desfond, Kzemipour, 2009). W przypadku drzew eukaliptusa parametr przybierał wartość 0,05 (le Maire, Marsden, Verhoef, Ponzoni, Seen, Bégué, Stape, Nouvellon, 2011), a drzew topoli od 0,005 do 0,25 (Meroni, Colombo, Panigada, 2004). W odniesieniu do drzew z lasów równikowych używano wartości 0,25 (Feret, François, Gitelson, Asner, Barry, Panigada, Richardson, Jacquemoud, 2011). Drugi parametr (ihot) ustalany jest jako stała wartość równa 1. Przyjęta wartość odnosi się do standardowej pokrywy roślinnej i jest założona przez twórców tej wersji modelu (http://teledetection.ipgp.jussieu.fr/prosail/; Verhoef, Bach, 2007). Ostatnie parametry dotyczą geometrii odbicia: kąta zenitalnego Słońca (tts) oraz kątów widzenia sensora – zenitalnego (tto) i azymutalnego (psi). Kąt zenitalny Słońca jest wyznaczany na podstawie czasu pomiarów – daty i godziny. Kąty widzenia sensora zenitalny i azymutalny określają jego położenie w stosunku do powierzchni roślinnej. 62 W tabeli 6 podano przykładowe zakresy wybranych danych wejściowych do modelu PROSAIL zastosowane w badaniach. Tab. 6. Zakresy danych wejściowych dla różnych typów roślinności stosowane w badaniach z użyciem modelu PROSAIL. Oznaczenia: BD – brak danych, Dow. – wartość dowolna. Tab. 6. PROSAIL input parameters values for different vegetation types. Letter signs: BD – no data, Dow. – unlimited value Rodzaj roślinności Type of vegetation Wybrane dane wejściowe Input parametrs Autorzy Authors Cab Cbro wn Cw Cm N LAI angl hspot 15-55 BD 0,010,02 0,005 -0,01 1,51,9 0,37,5 40-70 0,050,1 Darvishzadeh, Skidmore, Schlerf, Atzberger, 2008 40 BD 0,010,1 0,002 BD 0,5-6 BD 0-0,1 Clevers, Kooistra, Schaepman, 2010 35 BD 0,015 0,01 1,5 2 57 0,25 Jacquemoud, Bacour, Poilvé, Frangi, 2000 1-80 BD 0,015 0,01 1-2,5 0-7 5-85 0,01-1 20100 BD 0,005 0,025 20%× Cw 1-2,5 0-8 20-75 0,05-1 50-70 BD 0,011 0,014 0,005 1,482 BD BD BD Verhoef, Bach, 2003 25-75 BD 0,04 0,01 2 0,63,2 27-70 BD Atzberger, 2004 1-75 BD 0,000 10,085 16,65 0,001 -6 BD BD Bowyer i Danson, 2004 62-75 BD BD 3,78 1,783,99 3058,43 0,1 20-70 BD 0,005 -0,03 0,001 40,05 0,035 0,038 0,003 -0,02 1-1,5 0,5-6 40-70 0,0010,25 Ziemniaki / Potatoes 0-100 BD 0,004 -0,04 0,002 -0,02 1-2 0,000 1-4 30-85 0-1 Lasy / Forest 35-80 BD BD 0,020,05 BD 0,258,7 BD BD Łąki/ Meadows Łąki (trawy, krzewy)/ Grassland (grasses and bushes) Dowolny gatunek / Any spicies Dowolny gatunek / Any spicies Dowolny gatunek / Any spicies Zboża, kukurydza, lucerna / Cereals, corn, alfalfa Dowolny gatunek / Any spicies Dowolny gatunek / Any spicies Lasy liściaste / Deciduous trees Topola / Poplar Bacour, Jacquemoud Tourbier, Dechambre, Frangi, 2002 Combal, Baret, Weiss, Trubuil, Macé, Pragnère, Myneni, Knyazikhin, Wang, 2002 Koetz, Schaepman, Morsdorf, Bowyer, Itten, Allgöwer, 2004 Meroni, Colombo, Panigada, 2004 Botha, Leblon, Zebarth, Watmough, 2007 Koetz, Sun, Morsdorf, Ranon, Kneubühler, Itten, Allgöwer, 2007 63 Rodzaj roślinności Type of vegetation Kukurydza/ Maize Drzewa liściaste / Deciduous trees Wybrane dane wejściowe Input parametrs Autorzy Authors Cab Cbro wn Cw Cm N LAI angl hspot 0-58 0-0,7 00,02 0,005 -0,01 1,482 Dow. BD BD Verhoef, Bach, 2007 60 0,2 0,009 0,005 2 Dow. BD 0,05 Verhoef, Bach, 2007 BD 1,12,3 3-8,6 27 BD le Maire, François, Soudani, Berveiller, Pontailler, Bréda, Genet, Davi, Dufrêne, 2008 Bsaibes, Courault, Baret, Weiss, Olioso, Jacob, Hagolle, Marloie, Bertrand, Desfond, Kzemipour, 2009 Casa, Baret, Buis, Lopez-Lozano, Pascucci, Palombo, Jones, 2010 Drzewa / Trees 10110 BD 0,004 0,024 Zboże, kukurydza, ryż, łąka / Crops, maize, rice, meadow 60 BD BD 0,007 5 1,2 0-6 20, 58, 70 0,01 Kukurydza / Maize 40 0 0,012 0,005 1,5 Dow. Dow. 0,1 Jęczmień / Barley 20-80 BD 0,008 0,045 1,3 0,1-8 20-70 BD Vohland, Mader, Dorigo, 2010 20-70 0-0,2 Dow. 0,002 30,01 0,003 0,011 1,21,8 Dow. 30-80 0,10,5 Duveiller, Weiss, Baret, Defourny, 2011 5-90 0-1,5 BD 1-2,5 0-8 20-80 0,0011 Pszenica ozima / Winter wheat Dowolny gatunek / Any spicies 0,002 -0,02 Verger, Baret, Camacho, 2011 Do modelowania krzywych odbicia spektralnego skorzystano z modelu PROSAIL (wersja 5B) pobranego ze strony http://teledetection.ipgp.jussieu.fr/prosail/. Model składa się z podprogramów należących do modelu PROSPECT-5 i 4SAIL (Jacquemoud, Verhoef, Baret, Bacour, Zarco-Tejada, Asner, François Ustin, 2009). Ta wersja modelu PROSAIL została opracowana przez Jean-Baptiste’a Fereta (Feret, Frençois, Asner, Gitelson, Martin, Bidel, Ustin, le Maire, Jacquemoud, 2008). Poza modelem PROSPECT, który został opisany wcześniej, w programie został wykorzystany model 4SAIL (Verhoef, Xiao, Jia, Su, 2007). Współczynnik absorpcji brązowych pigmentów został opracowany przez Frederica Bareta. Funkcja określająca rozmieszczenie liści o różnym nachyleniu została zaczerpnięta z publikacji G. S. Campbella (1990). Do modelowania promieniowania bezpośredniego i rozproszonego wykorzystano informacje z publikacji C. François, C. Ottlé, A. Olioso, L. Prévot, N. Bruguier, Y. Ducros (2002). 64 Ryc. 5. Schemat działania modelu PROSAIL złożonego z PROSPECT-5 i 4SAIL Fig. 5. Functional diagram of the PROSAIL (combination of PROSPECT-5 and 4SAIL) Program składa się z kilku podprogramów i modułów (ryc. 5.). Model PROSPECT ma 3 części. Pierwsza Tav_abs oblicza średnią transmitancję na poziomie liścia przy danym kącie trójwymiarowym. Program dataSpect_P5B określa długości fali i współczynniki załamania poszczególnych substancji. Właściwy model to podprogram Prospect_5B wersja 5. Wprowadzane są do niego dane wejściowe N, Cab, Car, Cbrown, Cw, Cm. Na ich podstawie i podprogramów tav_abs i dataSpec_P5B jest obliczana wartość transmitancji i odbicia w zakresie od 0,4 do 2,5 µm na poziomie pojedynczych liści. Kolejny podprogram dotyczy wyłącznie rozmieszczenie liści: LIDF – składa się z dwóch części: pierwsza (Campbell) oblicza funkcję dystrybucji kąta nachylenia liści z wykorzystaniem średniego kąta nachylenia liści, a druga (calc_LIDF_ellipsoidal) funkcję rozmieszczenia liści. Następny podprogram (Volscatt) określa promieniowanie rozproszone. Ustala funkcję rozproszenia objętościowego i współczynniki dla danego kąta zenitalnego Słońca, kąta 65 zenitalnego i azymutalnego obserwatora oraz kąta nachylenia liści. Oblicza także dwukierunkowy współczynnik rozproszenia. Używa danych wejściowych opisujących geometrię odbicia (tts, tto i psi). W kolejnej części MODULE_PRO4SAIL jest kilka modułów, które nie stanowią właściwej części programu, a jedynie są elementami spajającymi oprogramowanie i przygotowującymi dane wejściowe do podprogramów. Model PRO4SAIL to właściwy model 4-SAIL. Korzysta z modułów umieszczonych w MODULE_PRO4SAIL. Do programu wczytuje się wszystkie dane wejściowe do modelu PROSAIL. Przeprowadzana jest procedura z programu PROSPECT_5B, w kolejnych krokach przetwarzane są procedury calc_LIDF_ellipsoidal i Volscatt. Następnie są określane wszystkie współczynniki wymienione w równaniach SAIL. Kolejnym krokiem jest uwzględnienie wartości LAI, a następnie jest definiowana formuła do korekcji efektu hot spot. Potem wprowadzane są równania określające 4 strumienie promieniowania. Wszystkie zastosowane parametry wejściowe są zmieniane na podstawie przeprowadzonych obliczeń i zapisywane jako nowe dane wejściowe. Main_PROSAIL bazuje na trzech elementach zawartych w podprogramach wykorzystywanych przez PRO4SAIL: właściwościach optycznych liści, opisywanych przez PROSPECT-5, funkcji rozmieszczenia liści oraz informacji o odbiciu promieniowania, modelowanym przez 4SAIL. Wprowadzone są dane parametrów modyfikujące odbicie – skyl, psoil oraz dane parametrów opisujących efekt hot spot – ihot i hspot. Na wyjściu z programu jest krzywa odbicia spektralnego na poziomie pokrywy roślinnej. 4.2.2.1. Pomiary terenowe i zastosowanie modelu PROSAIL Pomiary terenowe do modelu PROSAIL odbywały się wyłącznie na terenie Mazowsza na obszarze 50 poligonów. Szczegółowe dane odnośnie do tych poligonów przedstawiono w tabeli 7. Tab. 7. Zestawienia danych dotyczących pomiarów terenowych zastosowanych w modelu PROSAIL Tab. 7. Test polygons data set for PROSAIL analysis Lp. Nazwa poligonu No. Polygon name Data Date Godzina Time 1 R1 22.07.2010 09:50 2 R5 23.07.2010 10:00 3 R6 23.07.2010 10:10 4 R7 23.07.2010 10:20 Położenie poligonu Location of polygon Równina Mszczonowska w okolicach Radziejowic Równina Mszczonowska w okolicach Radziejowic Równina Mszczonowska w okolicach Radziejowic Równina Mszczonowska w okolicach Radziejowic Współrzędne geograficzne Coordinates 52° 00,107''N 20° 36,472''E 51° 59,916'N 20° 36,423'E 51° 59,851'N, 20° 36,366'E 51° 59,749'N 20° 36,315'E 66 Lp. Nazwa poligonu No. Polygon name Data Date Godzina Time 5 R8 23.07.2010 11:25 6 R9 22.07.2010 11:40 7 R10 22.07.2010 11:50 8 R11 22.07.2010 12:00 9 R12 22.07.2010 12:20 10 R13 22.07.2010 12:30 11 R14 22.07.2010 12:40 12 R15 22.07.2010 12:50 13 R16 23.07.2010 11:35 14 R17 22.07.2010 11:25 15 R18 22.07.2010 10:55 16 R19 22.07.2010 10:40 17 R20 22.07.2010 10:30 18 R21 23.07.2010 11:50 19 R22 23.07.2010 11:45 20 R23 23.07.2010 12:10 21 R24 23.07.2010 12:20 22 R25 23.07.2010 11:10 23 R26 23.07.2010 10:40 24 R27 23.07.2010 10:30 25 R28 23.07.2010 10:45 26 R29 23.07.2010 10:55 27 R30 23.07.2010 11:05 28 R31 23.07.2010 11:10 29 R32 23.07.2010 12:30 30 S1 31 S2 32 S3 4.08.2010/ 10.08.2010* 4.08.2010/ 10.08.2010* 4.08.2010/ 10.08.2010* 09:30 09:50 10:30 Położenie poligonu Location of polygon Równina Mszczonowska w okolicach Radziejowic Równina Mszczonowska w okolicach Radziejowic Równina Mszczonowska w okolicach Radziejowic Równina Mszczonowska w okolicach Radziejowic Równina Mszczonowska w okolicach Radziejowic Równina Mszczonowska w okolicach Radziejowic Równina Mszczonowska w okolicach Radziejowic Równina Mszczonowska w okolicach Radziejowic Równina Mszczonowska w okolicach Radziejowic Równina Mszczonowska w okolicach Radziejowic Równina Mszczonowska w okolicach Radziejowic Równina Mszczonowska w okolicach Radziejowic Równina Mszczonowska w okolicach Radziejowic Równina Mszczonowska w okolicach Radziejowic Równina Mszczonowska w okolicach Radziejowic Równina Mszczonowska w okolicach Radziejowic Równina Mszczonowska w okolicach Radziejowic Równina Mszczonowska w okolicach Radziejowic Równina Mszczonowska w okolicach Radziejowic Równina Mszczonowska w okolicach Radziejowic Równina Mszczonowska w okolicach Radziejowic Równina Mszczonowska w okolicach Radziejowic Równina Mszczonowska w okolicach Radziejowic Równina Mszczonowska w okolicach Radziejowic Równina Mszczonowska w okolicach Radziejowic Ziemia Zakroczymsko-Serocka w okolicach Serocka Ziemia Zakroczymsko-Serocka w okolicach Serocka Ziemia Zakroczymsko-Serocka w okolicach Serocka Współrzędne geograficzne Coordinates 52° 00,08'N 20° 36,195'E 52° 00,288'N 20° 36,119'E 52° 00,285'N 20° 36,097'E 52° 00,276'N 20° 36,077'E 52° 00,259'N 20° 36,015'E 52° 00,257'N 20° 35,991'E 52° 00,241'N 20° 35,958'E 52° 00,240'N 20° 35,949'E 52° 00,241'N 20° 35,910'E 52° 00,291'N 20° 36,236'E 52° 00,293'N 20° 36,316'E 52° 00,237'N 20° 36,386'E 52° 00,124'N 20° 36,398'E 52° 00,089'N 20° 35,890'E 52° 00,089'N 20° 35,891'E 52° 00,181'N 20° 35,808'E 52° 00,181'N 20° 35,713'E 52° 00,295'N 20° 36,251'E 51° 53,523'N 20° 36,153'E 51° 59,515'N 20° 36,146'E 51° 59,527'N 20° 36,073'E 51° 59,589'N 20° 35,688'E 51° 59,615'N 20° 35,553'E 51° 59,615'N 20° 35,553'E 51° 59,615'N 20° 35,553'E 52° 30,518'N 21° 02,044'E 52° 30,559'N 21° 2, 017'E 52° 31,552'N 21° 2,207'E 67 Lp. Nazwa poligonu No. Polygon name Data Date 4.08.2010/ 10.08.2010* 4.08.2010/ 17.08.2010* 4.08.2010/ 10.08.2010* 4.08.2010/ 17.08.2010* 4.08.2010/ 17.08.2010* 4.08.2010/ 17.08.2010* 4.08.2010/ 17.08.2010* 4.08.2010/ 17.08.2010* Godzina Time 33 S4 34 S5 35 S7 36 S8 37 S10 38 S11 39 S12 40 S13 41 S14 26.08.2010 10:20 42 S15 26.08.2010 10:55 43 S16 26.08.2010 11:36 44 S17 26.08.2010 11:17 45 S18 26.08.2010 12:10 46 D1 12.08.2010 09:50 47 D2 12.08.2010 10:50 48 D3 12.08.2010 11:00 49 D4 12.08.2010 11:45 50 D5 12.08.2010 12:15 14:00 11:40 11:00 11:00 13:00 13:40 13:30 13:50 Położenie poligonu Location of polygon Ziemia Zakroczymsko-Serocka w okolicach Serocka Ziemia Zakroczymsko-Serocka w okolicach Serocka Ziemia Zakroczymsko-Serocka w okolicach Serocka Ziemia Zakroczymsko-Serocka w okolicach Serocka Ziemia Zakroczymsko-Serocka w okolicach Serocka Ziemia Zakroczymsko-Serocka w okolicach Serocka Ziemia Zakroczymsko-Serocka w okolicach Serocka Ziemia Zakroczymsko-Serocka w okolicach Serocka Ziemia Zakroczymsko-Serocka w okolicach Serocka Ziemia Zakroczymsko-Serocka w okolicach Serocka Ziemia Zakroczymsko-Serocka w okolicach Serocka Ziemia Zakroczymsko-Serocka w okolicach Serocka Ziemia Zakroczymsko-Serocka w okolicach Serocka Dolina Środkowej Wisły w powiecie otwockim Dolina Środkowej Wisły w powiecie otwockim Dolina Środkowej Wisły w powiecie garwolińskim Dolina Środkowej Wisły w powiecie garwolińskim Dolina Środkowej Wisły w powiecie garwolińskim Współrzędne geograficzne Coordinates 52° 32,643'N 21° 01538'E 52° 32,749'N 21° 01,673'E 52° 31,464'N 21° 01,833'E 52° 31,482'N 21° 01,079'E 52° 33,169'N 20° 59,882'E 52° 33,509'N 20° 59,217'E 52° 33,517'N 20° 59,182'E 52° 33,529'N 20° 59,176'E 52° 33,266'N 20° 58,288'E 52° 33,278'N 20° 58,198'E 52° 33,288'N 20° 58,135'E 52° 33,281'N 20° 58,196'E 52° 33,3'N 20° 58,038'E 52° 2,36'N 21° 16,585'E 51° 45,073'N 21° 27,063'E 51° 45,953'N 21° 27,039'E 51° 44,289'N 21° 28,197'E 51° 44,299'N 21° 28,197'E * – w tym dniu wykonywano pomiary spektrometryczne * – spectral measurements were performed on this day Każdy z 50 poligonów miał minimalne rozmiary 5 na 5 m. Pomiary przeprowadzano na wybranej powierzchni 25 m2 reprezentatywnej dla całego poligonu. Pobrano dane stanowiące dane wejściowe do modelu PROSAIL. Na każdym z poligonów wykonywano te same pomiary terenowe, które stanowiły podstawę do obliczania parametrów wejściowych do modelu, referencyjne krzywe odbicia spektralnego oraz pomiary dodatkowe. Tak samo jak w przypadku pomiarów do modelu PROSPECT, pobrano krzywe odbicia spektralnego roślin przy użyciu spektrometru FieldSpec 3 FR w świetle naturalnym. Pobierano od 10 do 25 krzywych odbicia spektralnego, które następnie uśredniano. 68 Charakterystyki spektralne pobierano z całego obszaru poligonu co 0,5 m. W ten sposób krzywa była reprezentatywna dla całego poligonu. Wykonano także takie same pomiary jak w przypadku pomiarów do modelu PROSPECT: zawartość chlorofilu przy użyciu Chlorophyll Content Meter, biomasę świeżą z 0,25 m2 i pomiary Leaf Area Index za pomocą urządzenia LAI Plant Canopy Analizer. Pomiary LAI wykonywano za każdym razem 15 razy pod powierzchnią roślinności i 3 razy nad nią. Dwa parametry oceniono wizualnie: średni kąt nachylenia liści i udział suchych części roślin, który świadczy o zawartości brązowych pigmentów. Średni kąt nachylania liści był oceniany w zależności od rodzaju roślinności i udziału roślin wiechlinowatych. Im większy był udział roślin trawistych, tym większy był kąt nachylenia liści – zbliżał się do 90o. Udział części suchych wizualnie oceniono w procentach na podstawie próbki, która została pobrana do określania biomasy świeżej. Określono średni rozmiar liści przez zmierzenie długości co najmniej 10 liści. Zmierzono także średnią wysokość pokrywy roślinnej (H). Przy zróżnicowanej wysokości, co miało miejsce w przypadku wszystkich łąk nieuprawianych i części uprawianych o zróżnicowanej budowie, uśredniano wysokości z co najmniej 5 pomiarów. Wśród pomiarów dodatkowych rejestrowano dane odnośnie do lokalizacji poligonu za pomocą urządzenia GPS. W każdym punkcie zapisano datę i godzinę pomiaru. Określono także występujące na terenie gatunki roślin i typ zbiorowiska. Wszystkie dane zostały zgromadzone w bazie danych. Następnie obliczono dane wejściowe do modelu PROSAIL. Część parametrów mogła być od razu wprowadzona do modelu, część wymagała zmian w jednostkach, inne były obliczane, a 4 parametry przyjęto jako stałe (wartości ustalono na podstawie literatury). Poniżej opisano metodę pozyskiwania kolejnych parametrów wejściowych. Tak samo jak w przypadku pomiarów do modelu PROSPECT, obliczono zawartość chlorofilu (Cab) i karotenoidów (Car) w μg na cm2, ilość wody w roślinie w cm (Cw) i masy suchej w g/cm2 (Cm). Podobnie oszacowano początkowe wartości parametru strukturalnego N (Darvishzadeh, Skidmore, Schlerf, Atzberger, 2008; Clevers, Kooistra, Schaepman, 2010). Powierzchnia projekcyjna liści była określona przez Leaf Area Index podawany w m2/m2. Parametr nie wymagał żadnych zmian, ponieważ w takiej postaci dane były pobierane w terenie przy użyciu LAI-2000 Plant Canopy Analyzer. Średni kąt nachylenia liści (angl) także nie wymagał dodatkowych przekształceń. 69 Następnie oszacowano zakres parametru określającego zawartość brązowych pigmentów w liściach (Cbrown). W roślinności łąkowej, szczególnie na terenach, gdzie wody gruntowe znajdowały się głęboko (Równina Mszczonowska), znaczący udział miała roślinność wysuszona. Wizualnie oceniono udział pożółkłych roślin od 0 do 70%, a średnio na 17%. Zakres podawany w literaturze obejmuje wartości od 0 dla roślinności zielonej, pozbawionej pigmentów brązowych, do 3, ewentualnie 6, dla roślin zupełnie wysuszonych (Houborg, Anderson, Daughtry, 2009; Verger, Baret, Camacho, 2011). Przyjęto, że wyłącznej zawartości części suchych (100%) będzie odpowiadała wartość parametru Cbrown 3, a całkowitemu ich brakowi (0%) wartość 0. Następnie zawartość części suchych wyrażona w procentach została proporcjonalnie przeliczona na wartości parametru w zakresie od 0 do 3. Parametr określający jasność gleby (psoil) został ustalony jako stała wartość 1 na podstawie danych z literatury (Combal, Baret, Weiss, Trubuil, Macé, Pragnère, Myneni, Knyazikhin, Wang, 2002; Darvishzadeh, Skidmore, Schlerf, Atzberger, 2008). Wykorzystano średnią wartość z zakresu wymienionego w publikacjach od 0,5 do 1,5. Wartość 1 została użyta także do symulacji przy standardowej pokrywie roślinnej (Bacour, Jacquemoud Tourbier, Dechambre, Frangi, 2002; http://teledetection.ipgp.jussieu.fr/prosail/). Kolejnym stałym elementem modelu był parametr określający stosunek promieniowania rozproszonego do bezpośredniego (skyl), którego wartość ustalono na 70%. W tym przypadku także wzorowano się na standardowej wartości podanej przez twórców modelu (http://teledetection.ipgp.jussieu.fr/prosail/). Kolejne dwa parametry opisują efekt hot spot. Pierwszy z nich (hspot) jest określony przez stosunek rozmiaru liści do wysokości pokrywy roślinnej (Kuusk, 1991; Verhoef, 1985; Verhoef, Bach, 2007; Darvishzadeh, Skidmore, Schlerf, Atzberger, 2008). Wartość minimalna to 0,001, a maksymalna 1 (Verger, Baret, Camacho, 2011). W przypadku roślinności łąkowej używano wartości od 0,05 do 0,1 (Darvishzadeh, Atzberger, Skidmore, Schlerf, 2011). Jako wzorcową wartość w symulacji krzywych używano 0,25 (Bacour, Jacquemoud, Tourbier, Dechambre, Frangi, 2002). Parametr był obliczany z danych zmierzonych w terenie. Rozmiar liści był określany za pomocą długości odcinka (d), jaki powstaje po zrzutowaniu długości liści na płaszczyznę poziomą (ryc. 6.). Wartość hspot była obliczona na podstawie średniego kąta nachylenia liści (angl), długości liścia mierzonej w terenie (a) i wysokości pokrywy roślinnej – H, według następujących wzorów: ; 70 . Ryc. 6. Sposób obliczania parametru hspot: d – długość cienia liścia rzutowanego na płaszczyznę poziomą, H – wysokość pokrywy roślinnej, a – długość liścia Fig. 6. The method of hspot parameter calculation: d – the leaf shadow length, H – canopy height, a – leaf length W przypadku drugiego parametru (ihot) ustalono wartość stałą – równą 1. Przyjęta wartość jest określona dla standardowej pokrywy roślinności, założona przez twórców tej wersji modelu (http://teledetection.ipgp.jussieu.fr/prosail/). Ostatnim etapem było określenie kątów opisujących geometrię odbicia. Na podstawie godziny, daty i miejsca pomiaru obliczono kąt zenitalny Słońca (tts) podczas każdego pomiaru oddzielnie. Wykorzystano do tego kalkulator umieszczony na stronie: http://www.usno.navy.mil/USNO/astronomical-applications/data-services/alt-az-world. Parametr ten przybierał wartości od 32 do 52o. Jako stałe określono kąty zenitalny (tto) i azymutalny (psi) urządzenia pomiarowego. Spektrometr zawsze był ustawiany w ten sam sposób – prostopadle do pokrywy roślinnej bezpośrednio nad miejscem pomiaru; oba kąty były równe 0o. W ten sam sposób była określana geometria odbicia w literaturze (Haboudane, Miller, Tremblay, Zarco-Tejada, Dextraze, 2002; Haboudane, Miller, Pattey, Zarco-Tejada, Strachan, 2004; Zarco-Tejada, Miller, Harron, Hu, Noland, Goel, Mohammed, Sampson, 2004; Botha, Leblon, Zebarth, Watmough, 2007; Darvishzadeh, Skidmore, Schlerf, Atzberger, 2008). Część danych była ustalona jako stałe niezależnie od poligonu. Były to parametry: (psoil) – określający jasność gleby, (skyl) – określający stosunek promieniowania rozproszonego do bezpośredniego, jeden z parametrów opisujących efekt nadmiernego odbicia (ihot) i parametry opisujące położenie spektrometru (tto i psi). Zawartość chlorofilu (Cab), karotenoidów (Car), materii suchej (Cm), ilość wody (Cw), zawartość brązowych 71 pigmentów (Cbrown), Leaf Area Index (LAI), średni kąt nachylenia liści (ala), jeden z parametrów określający efekt nadmiernego odbicia (hspot) oraz kąt zenitalny Słońca (tts) były obliczane na podstawie wartości zmierzonych w terenie. Parametr strukturalny N wymagał dopasowania do poszczególnych zbiorowisk roślinnych. Tak samo jak w przypadku modelu PROSPECT, określenie jednej wartości parametru dla każdego z poligonów okazało się niemożliwe ze względu na niejednorodność środowiska. Krzywe odbicia spektralnego zgromadzono w bazie danych. Dla każdego z poligonów uśredniono krzywe i usunięto te same zakresy, co w przypadku modelowania z użyciem modelu PROSPECT, tzn. 1,35-1,4 µm, 1,81-1,945 µm i 2,45-2,5 µm. Po obliczeniu parametrów wejściowych kolejnym etapem było dokończenie fragmentu kodu programu PROSAIL, aby możliwe było wczytanie krzywych i uzyskanie krzywych odbicia spektralnego zapisywanych do pliku. Nie wpłynęło to na modyfikowanie działania samego programu. Następnie wprowadzano dane wejściowe do modelu z każdego poligonu indywidualnie. Ostatecznie opracowanie wyników odbyło się na dwóch zbiorach danych: pierwszy z nich zawierał wartości bezpośrednio obliczone z pomiarów terenowych, a jedynym dopasowywanym parametrem z każdego poligonu był parametr strukturalny (zestaw PROSAIL-1). Po wstępnym porównaniu z krzywą odbicia spektralnego zmierzoną w terenie okazało się, że wartości bardzo różnią się od wzorcowych pomiarów. Zdecydowano się na zmodyfikowanie danych wejściowych i utworzenie drugiego zbioru danych wejściowych (zestaw PROSAIL-2). Zmieniano wartość parametrów Cab (a tym samym Car) i Cw, tak, aby zredukować wartość błędu w przypadku każdego z poligonów. Podobną procedurę przeprowadzono w czasie modelowania z użyciem modelu PROSPECT, jednak dopasowane wartości Cab i Cw nie były takie same w obu modelach. W obu zestawach danych (PROSAIL-1 i -2) parametr strukturalny N był taki sam. Ze względu na rolnicze użytkowanie łąk, najbardziej istotnym parametrem była zawartość masy suchej i biomasa określona przez LAI, dlatego te parametry pozostały niezmienne. Pozostałe parametry (Cbrown, angl, psoil, skyl, hspot, ihot, tts, tto i psi) także nie były modyfikowane, miały takie same wartości w każdym z zestawów. Zakresy wszystkich parametrów z dwóch zestawów zamieszczono w tabeli 8, a szczegółowe dane wejściowe z każdego z poligonów w załączniku 4 w przypadku zastawu danych PROSAIL-1 i załączniku 5 – PROSAIL -2. Dane wejściowe do modelu PROSAIL także w badaniach innych autorów były ustalane jako stałe, niezależnie od tego, jak zmieniają się w rzeczywistości. Taka procedura 72 była zastosowana w czasie inwersji, kiedy autorzy skupiają się na kluczowych parametrach (Casa, Baret, Buis, Lopez-Lozano, Pascucci, Palombo, Jones, 2010; le Maire, Marsden, Verhoef, Ponzoni, Seen, Bégué, Stape, Nouvellon, 2011). Tylko część danych była mierzona w terenie, znaczną część ustalano jako stałe lub w postaci przedziału. Jest to szczególnie istotne, jeśli kolejnym etapem badań jest inwersja modelu i pozyskanie jednej, konkretnej zmiennej z krzywych odbicia spektralnego. W przypadku modelu PROSAIL najczęściej był to parametr LAI, a także zawartość wody i chlorofilu (Jacquemoud, Verhoef, Baret, Bacour, Zarco-Tejada, Asner, François Ustin, 2009). Wtedy pozostałe parametry były często ustalane jako stałe lub o określonych przedziałach. Tab. 8. Zakres wartości parametrów wejściowych do modelu PROSPECT przy dwóch różnych zestawów danych Tab. 8. The value ranges of input parameters for the two different PROSAIL data sets, zakres – range of values, stała – constant value 4SAIL PROSPECT-5 Model Oznaczenie zmiennej Parameter Cab Car Cbrown Cw Cm N LAI angl posil skyl hspot ihot tts tto psi Wartości Values zakres zakres zakres zakres zakres zakres zakres zakres stała stała zakres stała zakres stała stała Dane wejściowe Input data Jednostki PROSAIL-1 PROSAIL-2 Units μg/cm2 28,8-278,8 16,6-595,5 2 μg/cm 5,8-55,7 3,3-119,1 0-2,1 cm 0,0002-0,0103 0,0094-0,1337 2 g/cm 0,006-0,0933 1-50 2 2 m /m 0,7-7,4 stopnie 45-90 1 % 70 m/m 0,015-0,956 1 stopnie 32-53 stopnie 0 stopnie 0 4.3. Weryfikacja i opracowanie wyników badań Ostatnim etapem badań była weryfikacja uzyskanych wartości odbicia z dwóch modeli przez porównanie z wartościami zmierzonymi w terenie. Przeanalizowano błędy w modelowaniu poszczególnych krzywych odbicia spektralnego dotyczących poligonów oraz 73 wartości błędu uśrednione w zależności od kategorii łąk i zawartości wybranych parametrów biofizycznych. Jak opisano wcześniej, w przypadku obu modeli utworzono po dwa zestawy krzywych odbicia spektralnego (tab. 9.). Pierwszy zestaw (PROSPECT-1 i PROSAIL-1) był utworzony na podstawie parametrów wejściowych obliczonych z pomiarów terenowych (z wyjątkiem danych ustalanych jako stałe i parametru strukturalnego N). Drugi zastaw danych wyjściowych (PROSPECT-2 i PROSAIL-2) różnił się od pierwszego dopasowaniem indywidualnym parametrów określających zawartość chlorofilu (a tym samym karotenoidów) oraz wody na każdym poligonie. W odniesieniu do dwóch modeli i obu zestawów danych oceniono błąd modelowania, porównując uzyskane krzywe z krzywymi spektralnymi uzyskanymi na podstawie pomiarów terenowych. Tab. 9. Zestawy danych używane w badaniach modeli PROSPECT i PROSAIL Tab. 9. Databases used in the analysis of PROSPECT and PROSAIL model Model Dane (Database) Obliczone na podstawie pomiarów terenowych (Database calculated using field measurements) Poprawione dane Cab, Car, Cw (Corrected database) Aby zweryfikować skuteczność PROSPECT PROSAIL PROSPECT-1 PROSAIL-1 PROSPECT-2 PROSAIL-2 modelowania obliczono pierwiastek błędu średniokwadratowego (Root Mean Square Error – RMSE) dla każdej modelowanej krzywej. W ten sam sposób krzywe odbicia spektralnego były weryfikowane w innych opracowaniach (Nouvellon, Moran, Seen, Bryant, Rambal, Ni, Bégué, Chehbouni, Emmerich, Heilman, Qi, 2001; Darvishzadeh, Atzberger, Skidmore, Schlerf, 2011; Yerba, Chuvieco, Riaño, 2008, Zhang, Zhao, 2009). Z użyciem RMSE oceniano wielkość błędu przy modelowaniu substancji z użyciem modeli transferu promieniowania (Weiss, Troufleau, Baret, Chauki, Prévot, Olioso, Bruguier, Brisson, 2001; Botha, Leblon, Zebarth, Watmough, 2007; Koetz, Sun, Morsdorf, Ranon, Kneubühler, Itten, Allgöwer, 2007; Jacquemoud, Verhoef, Baret, Bacour, ZarcoTejada, Asner, François Ustin, 2009; Darvishzadeh, Atzberger, Skidmore, Schlerf, 2011; le Maire, Marsden, Verhoef, Ponzoni, Seen, Bégué, Stape, Nouvellon, 2011).Wartość RMSE obliczono ze wzoru: 74 √ ∑ : gdzie: Rterenowe – wielkość współczynnika odbicia fali o długości λ zmierzona w terenie; Rmodelowane – wielkość współczynnika odbicia fali o długości λ uzyskana z modelu, n – liczba długości fali, dla których liczono wielkość błędu. Wielkość błędu była policzona w odniesieniu do wszystkich poligonów w zakresie od 0,4 do 2,5 µm. Przy obliczaniu RMSE nie brano pod uwagę usuniętych zakresów. Obliczono średnią także w zależności od długości fali: w dwóch zakresach w świetle widzialnym – 0,4-0,6 µm i 0,4-0,8 µm oraz w zakresach w podczerwieni bliskiej (0,8-1,5 µm) i środkowej (1,5-2,5 µm). Zakresy te są związane z parametrami, które mają największy wpływ na wielkość odbicia. W przypadku pierwszego zakresu na modelowanie mają wpływ wszystkie parametry modelu, ale dominuje zawartość barwników (karotenoidów i chlorofilu). Na zakres 0,4-0,8 µm największy wpływ ma chlorofil. W zakresie od 0,8 do 1,5 µm dominujący wpływ ma zawartość masy suchej i LAI. W ostatnim zakresie dominuje zawartość wody. Następnie wartości RMSE zostały uśrednione dla wszystkich poligonów w każdym z zestawów danych. Kolejnym etapem było określenie wielkości średniego błędu modelowania w zależności od rodzaju łąk. Wszystkie poligony podzielono na 3 kategorie: uprawiane o zredukowanej biomasie (skoszone), uprawiane o dużej biomasie i nieuprawiane. Policzono średnie wartości błędu RMSE w całym zakresie 0,4-2,5 µm i w 4 fragmentach spektrum w przypadku wszystkich badanych rodzajów łąk. Obliczenia przeprowadzono na wszystkich zestawach danych PROSPECT-1, PROSPECT-2, PROSAIL-1 i PROSAIL-2. Określono istotność statystyczną różnic między grupami, używając rangowego nieparametrycznego testu Kruskala-Wallisa dla trzech prób niezależnych. Tab. 10. Kategorie poligonów ze względu na wartość badanych parametrów Tab. 10. The different type of polygons regarding to the biophysical parameters Parametr Parameter Biomasa świeża (Fresh biomass) (kg/m2) Powierzchni liści (Leaf Area Index) (m2/m2) Zawartości wody (Water content) (%) Kategoria I First type Kategoria II Second type Kategoria III Third type <0,75 0,76 - 1,5 > 1,5 <2 2,01 - 4 >4 <70 70,1 - 80 >80 75 Na podstawie wszystkich zestawów danych obliczono średnią wielkość błędu RMSE w zależności od zmiennych biofizycznych roślinności: ilości biomasy świeżej, wielkości parametru LAI i procentowej zawartości wody. Wyróżniono 3 kategorie poligonów pomiarowych, z odpowiednio zdefiniowanym przedziałem wartości każdego z tych parametrów (tab. 10.). W każdym podziale brano pod uwagę rozpiętość zmiennej i liczebność poligonów w każdej z kategorii. Następnie obliczono średnią wielkość błędu RMSE w całym modelowanym zakresie widma EM w wymienionych 4 zakresach tego widma3 w przypadku każdego parametru i kategorii poligonu. Także w tym przypadku określono istotność statystyczną różnic między kategoriami za pomocą rangowego testu nieparametrycznego Kruskala-Wallisa dla trzech prób niezależnych. Końcowym etapem opracowania charakterystyk spektralnych było policzenie teledetekcyjnych wskaźników roślinności na charakterystykach spektralnych pobranych w terenie i modelowanych za pomocą PROSPECT i PROSAIL. Ten etap wykonano jedynie na podstawie zestawów danych z empirycznie dopasowanymi wartościami parametrów określającymi zawartość wody i chlorofilu (zestawy PROSPECT-2 i PROSAIL-2). Zestaw pierwszy w przypadku obu modeli pominięto, ponieważ błędy w modelowaniu były zbyt duże. Przy obliczaniu wartości teledetekcyjnych wskaźników roślinności było możliwe porównanie wartości jednocześnie w więcej niż jednym kanale spektralnym. Ten sposób pozwala na określenie, czy błędy występujące w modelowanej krzywej odbicia spektralnego mogą zostać pominięte i nie mają istotnego wpływu na interpretację wskaźników. Błędy w modelowaniu pojedynczych wartości współczynnika odbicia mogą nie być znaczące, jednak w przypadku obliczania teledetekcyjnych wskaźników kumulują się. Celem analizy wartości wskaźników było sprawdzenie, czy wskaźniki obliczone z krzywych modelowanych wskazują na inne właściwości środowiska przyrodniczego niż wskaźniki obliczone z krzywych pobranych w terenie. Początkowo obliczono wartości 22 teledetekcyjnych wskaźników roślinności. Do dokładnej analizy wybrano jednak tylko 5, wskazujących ogólną kondycję roślinności, określających zawartość chlorofilu, ilość suchej masy roślinnej i zawartość wody. Wybrane wskaźniki są często używane w innych badaniach dotyczących roślinności. Poniżej przedstawione są teledetekcyjne wskaźniki roślinności zastosowane w badaniach. 3 0,4-0,6 µm, 0,4-0,8 µm, 0,8-1,5 µm, 1,5-2,5 µm. 76 1. Normalized Difference Vegetation Index (NDVI) określa pokrycie terenu przez roślinność i jej kondycję (Rouse, Haas, Schell, Deering, 1973). Obliczając wartości wskaźnika, wykorzystano maksymalne odbicie z zakresu bliskiej podczerwieni i minimalne z zakresu czerwonego zakresu widma według wzoru: . 2. Red Edge Normalized Difference Vegetation Index (NDVI705) służy do badania niewielkich zmian w rozwoju roślinności i kondycji dzięki zastosowaniu wartości odbicia z pasma Red Edge (Gitelson, Merzlyak, 1994). Wartości wskaźnika wahają się od -1 do 1, a w przypadku roślinności zielonej osiąga wartość od 0,2 do 0,9. Wskaźnik obliczany jest według wzoru: . 3. Normalized Difference Lignin Index (NDLI) jest przeznaczony do szacowania zawartości ligniny – suchej materii w roślinach (Serrano, Peñuelas Ustin, 2002). Stosuje się go do analizy ekosystemów i badania ilości zeschniętych części roślin oraz zagrożenia pożarowego. Wskaźnik osiąga wartości od 0 do 1, a dotyczącej roślinności zielonej przeciętnie od 0,005 do 0,05. Jest obliczany według wzoru ⁄ ⁄ ⁄ ⁄ . 4. Cellulose Absorption Index (CAI) określa, ile jest materii suchej reprezentowanej przez celulozę (Nagler, Inoueb, Glenn, Russ, Daughtry, 2003). Używany jest do badania produktywności roślin, szacowania ich suchej masy i biomasy. Wskaźnik osiąga następujące wartości – od -3 do 4, a w przypadku roślin zielonych od -2 do 4. Jest obliczany według wzoru: . 5. Water Band Index (WBI) określa zawartość wody w pokrywie roślinnej (Peñuelas, Pinol, Ogaya, Filella, 1997). Wskaźnik ten jest stosowany w badaniach stresu wodnego roślin, w przewidywaniu produktywności roślin, określaniu zagrożenia pożarowego i rolnictwie. Wskaźnik dotyczący roślinności zielonej osiąga wartości od 0,8 do 1,2. Obliczony jest według wzoru: . Wartości wskaźników obliczonych na postawie krzywych modelowanych i zmierzonych w terenie zestawiono na wykresach. 77 5. Skuteczność modelowania charakterystyk spektralnych Omówienie wyników uzyskanych w trakcie badań podzielono na dwie części. Pierwsza część dotyczy wyników badań przeprowadzonych z użyciem modelu PROSPECT, w drugiej zaś przedstawiono wyniki uzyskane za pomocą modelu PROSAIL. Obie części łączy wspólnota narzędzi analitycznych zastosowanych do obu modeli. Na początku przedstawiono uśrednione wartości pierwiastka błędu średniokwadratowego4 obliczone w całym badanym zakresie widma od 0,4 do 2,m i czterech jego fragmentach: 0,4-0,6; 0,4-0,8; 0,8-1,5 i 1,5-2,5 m. Następnie opisano wartości pierwiastka błędu średniokwadratowego w poszczególnych zakresach widma i scharakteryzowano poligony o największych i najmniejszych wartościach błędów z punktu widzenia uzyskanych dla nich krzywych odbicia spektralnego na podstawie zastosowanych modeli. W dalszym toku postępowania określono średnie wartości pierwiastka błędu średniokwadratowego w zależności od podziału poligonów na kategorie łąk i w zależności od wartości parametrów biofizycznych. W końcu porównano teledetekcyjne wskaźniki roślinności obliczone z danych zmierzonych w terenie i z danych modelowanych (używając zestawów danych zmodyfikowanych PROSPECT-2 i PROSAIL-2). W podsumowaniu zaprezentowano wyniki uzyskane na podstawie obu modeli. 5.1. Symulacja charakterystyk spektralnych na poziomie pojedynczych liści z użyciem modelu PROSPECT Przedstawiono tu badania odbicia spektralnego i zestawianych na ich podstawie krzywych odbicia spektralnego otrzymanych za pomocą modelowania danych z użyciem modelu PROSPECT. Przeprowadzono je na 22 poligonach. Prawidłowość wartości współczynnika odbicia oceniano przez porównanie przebiegu krzywych odbicia spektralnego w badanych zakresach spektrum z krzywymi uzyskiwanymi na podstawie bezpośrednich pomiarów terenowych. Odchylenie krzywej modelowanej od krzywej „terenowej” oceniano wartościami pierwiastka błędu średniokwadratowego. Najpierw omówiono średnie wartości pierwiastka błędu średniokwadratowego w zależności od długości fali, potem rozpatrzono jego wartości odnoszące się do łąk występujących na poszczególnych poligonach. Następnie 4 W dalszej części tekstu, w zależności od kontekstu, określenie „pierwiastek błędu średniokwadratowego” może być alternatywnie zastępowane skrótem „błąd”. 78 zaprezentowano zależności skuteczności modelowania krzywych odbicia spektralnego z użyciem zestawów danych PROSPECT-1 i PROSPECT-2 od rodzaju łąki. W kolejnej części oceniono skuteczność modelowania w zależności od wartości trzech parametrów biofizycznych: wskaźnika powierzchni projekcyjnej liści (Leaf Area Index), ilości biomasy świeżej i zawartości wody. Rozbieżności oceniano na podstawie wartości pierwiastka błędu średniokwadratowego uśrednionego w klasach wartości parametrów. We wszystkich wymienionych badaniach określono istotność statystyczną stwierdzonych różnic. W końcu porównano wartości 5 teledetekcyjnych wskaźników roślinności obliczonych na podstawie zestawu danych PROSPECT-2 ze wskaźnikami policzonymi na podstawie badań terenowych. 5.1.1. Skuteczność modelu PROSPECT w modelowaniu charakterystyk spektralnych łąk badanych poligonów w wybranych zakresach widma Ocenę skuteczności modelowania charakterystyk spektralnych rozpoczęto od omówienia wyników modelowania krzywych spektralnych z użyciem modelu PROSPECT na podstawie zestawów danych PROSPECT-1 i PROSPECT-2. Obliczono średnie wartości pierwiastka błędu średniokwadratowego modelowanych krzywych spektralnych reprezentujących wszystkie 22 badane poligony. Badaniami objęto zarówno cały badany zakres widma EM (0,4-2,5 µm), jak i jego części: 0,4-0,6; 0,4-0,8; 0,8-1,5 i 1,5-2,5 µm. Następnie zbadano pojedyncze krzywe odbicia spektralnego z poszczególnych poligonów o największych i najmniejszych wartościach pierwiastka błędu średniokwadratowego w wybranych zakresach widma. Porównując wartości pierwiastka błędu średniokwadratowego w pierwszym zestawie danych, w każdym z zakresów stwierdzono różnicę w skuteczności modelowania między dwoma zestawami danych, a szczególnie w bliskiej i środkowej podczerwieni (ryc. 7.). W przypadku danych z zestawu pierwszego (PROSPECT-1) średni błąd wyniósł 0,099, natomiast z drugiego był prawie 3 razy mniejszy – 0,0311. Największy błąd był w zakresie środkowej podczerwieni – 0,1151, a nieco mniejszy w bliskiej podczerwieni – 0,0964. Zdecydowanie mniejsze błędy były w zakresach: 0,4-0,8 µm – 0,0398 i 0,4-0,6 µm – 0,0287. W przypadku danych poprawionych (zestaw PROSPECT-2) największy błąd wystąpił w zakresie bliskiej podczerwieni – 0,0341, nieco mniejszy (0,0314) w zakresie 0,4-0,8 µm, a następnie w środkowej podczerwieni (0,0247). Najmniejszy błąd, tak samo jak w przypadku pierwszego zestawu danych, stwierdzono w zakresie 0,4-0,6 µm – 0,0175. 79 Pierwiastek błędu średniokwadratowego (Root Mean Square Error - RMSE) 0,14 0,12 0,10 0,08 0,06 0,04 0,02 0,00 0,4-2,5 1 0,4-0,6 0,4-0,8 0,8-1,5 Długość fali w µm (Wavelength in µm) 1,5-2,5 2 Ryc. 7. Średnia wartość pierwiastka błędu średniokwadratowego między krzywymi odbicia spektralnego modelowanymi algorytmem PROSPECT i uzyskanymi z pomiarów terenowych; zestawy danych PROSPECT-1 (1) i PROSPECT-2 (2) Fig. 7. The Root Mean Square Error values calculated using spectral reflectance from field measurements and PROSPECT modeled spectral reflectance for PROSPECT-1 (1) and PROSPECT-2 (2) database Porównując skuteczność modelowania między dwoma zestawami danych – PROSPECT-1 i PROSPECT-2, stwierdzono, że największa różnica w wartości błędu wstępuje w zakresie 1,5-2,5 µm, a najmniejsza w zakresie 0,4-0,8 µm. Duża różnica w skuteczności modelowania w zakresie środkowej podczerwieni, w którym dominujący wpływ ma zawartość wody w roślinach, oznacza, że na błędy w modelowaniu bardzo silnie oddziaływał właśnie ten czynnik. Porównując łączne błędy w modelowaniu, można stwierdzić, że krzywe modelowane według danych z zestawu pierwszego znacznie różnią się od tych uzyskanych na podstawie danych terenowych, co szczególnie widoczne jest w zakresie podczerwieni. 5.1.1.1. Modelowanie na podstawie danych PROSPECT-1 Następnie posługując się dwoma zestawami danych, zbadano wartości błędów krzywych reprezentujących poszczególne poligony badawcze. Początkowo zbadano wartości pierwiastka błędu średniokwadratowego krzywych wyznaczonych na podstawie zestawu danych PROSPECT-1 i na podstawie danych terenowych (ryc. 8.). Dokładne wartości pierwiastka błędu średniokwadratowego poszczególnych krzywych reprezentujących wszystkie poligony zmieszczono w załączniku 6. 80 D5 D4 D1 S18 S14 S12 S11 S10 R31 R30 R22 R20 R16 R13 R12 P2.3 P2.2 5 P2.1 T9 4 P1.2 T6 T1 Pierwiastek błędu średniokwadratowego (Root Mean Square Error - RMSE) 0,28 0,26 0,24 0,22 0,20 0,18 0,16 0,14 0,12 0,10 0,08 0,06 0,04 0,02 0,00 Poligony badawcze (Research areas) 1 2 3 Ryc. 8. Wartości pierwiastka błędu średniokwadratowego między krzywymi odbicia spektralnego modelowanymi z użyciem PROSPECT (zestaw danych PROSPECT-1) i uzyskanymi z pomiarów terenowych. Zakresy spektrum: 1 – 0,4-2,5 µm; 2 – 0,4-0,6 µm; 3 – 0,4-0,8 µm; 4 – 0,8-1,5 µm; 5 – 1,5-2,5 µm Fig. 8. The values of Root Mean Square Error calculated using spectral reflectance field measurements and spectral reflectance modelled using PROSPECT-1 database. Wavelength: 1 – 0,4-2,5 µm; 2 – 0,4-0,6 µm; 3 – 0,4-0,8 µm; 4 – 0,8-1,5 µm; 5 – 1,5-2,5 µm Zakres 0,4-2,5 µm. Największa rozbieżność w przebiegu krzywych spektralnych wyrażana pierwiastkiem błędu średniokwadratowego w całym zakresie 0,4-2,5 µm wystąpiła w przypadku poligonu P2.2; wartość błędu wyniosła tam 0,1877. Najmniejsza wartość tego błędu (0,032) była w przypadku poligonu R12. Najlepiej modelowaną krzywą odbicia spektralnego w całym zakresie widma (0,4 do 2,5 µm) odznaczył się poligon R12 (ryc. 9.); znajdował się on na Równinie Mszczonowskiej w okolicy Radziejowic. Na występujących tu jednorodnych łąkach rosły rośliny należące do rodziny wiechlinowatych: kupkówka pospolita (Dactylisglomerata), tymotka łąkowa (Phleumpratense) i mietlica pospolita (Agrostiscapillaris). Była to łąka nieuprawiana (niepodsiewana i niekoszona). Błąd w przebiegu krzywej spektralnej w obrębie całego modelowanego zakresu był niewielki i wyniósł 0,032. Podobnie niewielki błąd wystąpił w zakresie środkowej podczerwieni. Mimo najmniejszego błędu, krzywa znacząco różniła się 81 od krzywej wyznaczonej na podstawie pomiarów terenowych, co jest szczególnie widoczne w zakresie promieniowania widzialnego, w którym nie zaznaczyło się zwiększenie odbicia Współćzynnik odbica (Reflectance coefficient) promieniowania. 1,0 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0,0 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2,0 2,1 2,2 2,3 2,4 Długość fali w µm (Wavelength in µm) 1 2 Ryc. 9. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSPECT-1 (2) – poligon R12 Fig. 9. The spectral reflectance from field measurements (1) and modeled using PROSECT-1 database (2) – R12 research area Największy błąd w modelowaniu krzywych odbicia spektralnego w zakresie 0,42,5 µm wystąpił w przypadku poligonu P2.2; wartość pierwiastka błędu średniokwadratowego wyniosła 0,1877 (ryc. 10.). Łąka ta była położona w dolinie Bystrzanki na terenie Pogórza Gorlickiego. Porośnięta była wiechliną zwyczajną (Poatrivialis) i mniszkiem lekarskim (Taraxacumofficinale), dlatego została ona określona jako jednorodna. Łąka była uprawiana, skoszona, czyli o zredukowanej ilości biomasy. Modelowana krzywa odbicia spektralnego w zakresie widzialnym była dobrze dopasowana do krzywej „terenowej”. Wartość pierwiastka błędu średniokwadratowego wyniosła tu 0,0266. W zakresie podczerwonym krzywe bardzo znacząco różniły się między sobą. Na wielkość błędu wpłynęła głównie niska wartość parametru określającego zawartość wody w liściach (Cw). 82 Współćzynnik odbica (Reflectance coefficient) 1,0 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0,0 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2,0 2,1 2,2 2,3 2,4 2,5 1 2 Długość fali w µm (Wavelength in µm) Ryc. 10. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSPECT-1 (2) – poligon P2.2 Fig. 10. The spectral reflectance from field measurements (1) and modeled using PROSECT-1 database (2) – P2.2 research area Zakres 0,4-0,6 µm. W zakresie tym wszystkie 5 parametrów wejściowych do modelu miały wpływ na wartość odbicia promieniowania: parametr strukturalny, zawartość wody, materia sucha, chlorofil i karotenoidy, które tylko w tym zakresie odbijają promieniowanie. Modelowana krzywa odbicia spektralnego była w tym zakresie dobrze dopasowana do krzywej „terenowej”. Niedopasowanie krzywej modelowanej wyrażane wartościami pierwiastka błędu średniokwadratowego było w tym zakresie widma najmniejsze i wykazywało niewielkie różnice między poligonami. Wartości te mieściły się w zakresie od 0,0133 w przypadku łąki na poligonie D1 do 0,0967 na poligonie T6. Najmniejszą wartość pierwiastka błędu (0,0133) w zakresie 0,4-0,6 µm stwierdzono na poligonie D1, położonym w Dolinie Środkowej Wisły w powiecie otwockim (ryc. 11.). Była to łąka podsiewana, niedawno koszona, czyli o mniejszej biomasie. Łąkę można było określić jako jednorodną, ponieważ była porośnięta dwoma trawami: mietlicą pospolitą (Agrostiscapillaris) i kupkówką pospolitą (Dactylisglomerata) oraz w niewielkim stopniu koniczyną łąkową (Trifolium pratense). W badanym zakresie widma rozbieżność krzywych odbicia spektralnego była nieznaczna, przy nieco większych wartościach modelowanych. 83 1,0 Współćzynnik odbica (Reflectance coefficient) 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0,0 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2,0 2,1 2,2 2,3 2,4 2,5 Długość fali w µm (Wavelength in µm) 1 2 Ryc. 11. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSPECT-1 (2) – poligon D1 Fig. 11. The spectral reflectance from field measurements (1) and modeled using PROSECT-1 database (2) – D1 research area 1,0 Współćzynnik odbica (Reflectance coefficient) 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0,0 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2,0 2,1 2,2 2,3 2,4 2,5 Długość fali w µm (Wavelength in µm) 1 2 Ryc. 12. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSPECT-1 (2) – poligon T6 Fig. 12. The spectral reflectance from field measurements (1) and modeled using PROSECT-1 database (2) – T6 research area 84 Największe rozbieżności w przebiegu krzywych spektralnych w zakresie widma 0,40,6 µm wystąpiły na poligonie T6, znajdującym się na grzbiecie Taborówki na Pogórzu Gorlickim (ryc. 12.). Wartość pierwiastka błędu średniokwadratowego wyniosła 0,0967. Łąka ta nie była koszona, a była podsiewana roślinami motylkowymi, co oznacza, że charakteryzowała się dużą biomasą. Łąka była porośnięta rajgrasem wyniosłym (Arrhenatherumelatius), koniczyną łąkowa (Trifolium pratense) i mniszkiem lekarskim (Taraxacumofficinale). Była określona jako niejednorodna ze względu na udział roślin innych niż wiechlinowate. Modelowana krzywa spektralna w zakresie widzialnym miała mniejsze wartości niż krzywa sporządzona na podstawie pomiarów terenowych. Jest to szczególnie widoczne w przypadku zakresu światła zielonego, gdzie krzywa modelowana miała podobne wartości jak w zakresie niebieskim i czerwonym. Zakres 0,4-0,8 µm. Kolejny zakres widma obejmuje całość promieniowania widzialnego i niewielki fragment bliskiej podczerwieni – 0,4-0,8 µm. W zakresie od 0,4 do 0,6 µm na wpływ odbicie ma 5 parametrów wejściowych, dominujący jest jednak wpływ chlorofilu i karotenoidów. W przedziale od 0,6 do 0,8 µm natomiast na odbicie wpływają cztery pozostałe parametry poza karotenoidami. Największe znaczenie w zakresie od 0,4 do 0,8 µm ma zielony barwnik. W badanym zakresie różnica między wartością pierwiastka błędu średniokwadratowego najmniejszą (0,0129) w przypadku poligonu S11 a największą (0,1277) poligonu T6 wyniosła ponad 0,11. W przypadku łąki poligonu T6 wartość błędu przekroczyła 0,1, a na czterech innych poligonach przekroczyła 0,05. Najmniejszy błąd w przebiegu krzywych spektralnych w całym zakresie widzialnym i bliskiej podczerwieni został stwierdzony w przypadku łąk na poligonie S11, znajdującym się na terenie Ziemi Zakroczymsko-Serockiej (ryc. 13.). Łąkę porastały mietlica pospolita (Agrostiscapillaris), perz właściwy (Elymusrepens) oraz w niewielkim stopniu babka zwyczajna (Plantago maior) i koniczyna polna (Trifolium arvense). Z tego względu określono ją jako łąkę jednorodną i podsiewaną. Była ona uprawiana, ale nieskoszona. Porównując krzywą spektralną modelowaną i zestawioną na podstawie danych terenowych, stwierdzono, że niewielkie odchylenia występują w zakresie od 0,4-0,5 µm, w którym odbicie promieniowania było większe niż według pomiarów terenowych. Największy błąd w zakresie od 0,4 do 0,8 µm wystąpił w przypadku łąki na poprzednio opisanym poligonie T6 (ryc. 12.). Wartość pierwiastka błędu średniokwadratowego w tym zakresie wyniosła 0,1277. 85 Współćzynnik odbica (Reflectance coefficient) 1,0 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0,0 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2,0 2,1 2,2 2,3 2,4 2,5 Długość fali w µm (Wavelength in µm) 1 2 Ryc. 13. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSPECT-1 (2) – poligon S11 Fig. 13. The spectral reflectance from field measurements (1) and modeled using PROSECT-1 database (2) – S11 research area Zakres 0,8-1,5 µm. Znacznie większe rozbieżności w przebiegu krzywych spektralnych stwierdzono w zakresie bliskiej podczerwieni – 0,8-1,5 µm. Różnice między wartościami pierwiastka błędu średniokwadratowego były duże. Na wartość odbicia w tym zakresie mają wpływ 3 parametry wejściowe: parametr strukturalny, zawartość wody i materii suchej, ale największy jest wpływ tego ostatniego. W bliskiej podczerwieni wartości błędu miały zakres od 0,0341 (poligon R12) do 0,1453 (poligon P2.2). Różnica między błędami wyniosła 0,1112. Na 9 poligonach wielkość błędu przekroczyła 0,1. W zakresie bliskiej podczerwieni najmniejszą wartość pierwiastka błędu średniokwadratowego (0,0341) stwierdzono w przypadku łąki na poligonie R12, która była wcześniej opisana (ryc. 9.). Największą wartość pierwiastka błędu średniokwadratowego (0,1453) stwierdzono na łące poligonu P2.2, także scharakteryzowanego wcześniej (ryc. 10.). Jego wartość w zakresie bliskiej podczerwieni wpływała znacząco na skuteczność modelowania całego zakresu od 0,4 do 2,5 µm. Zakres 1,5-2,5 µm. Największe zróżnicowanie wartości pierwiastka błędu średniokwadratowego wystąpiło jednak w zakresie środkowej podczerwieni (1,5-2,5 µm) – 0,2204. W tym zakresie spektrum największe znaczenie dla odbicia promieniowania 86 ma obecność w roślinach wody, a mniejsze parametr strukturalny (N) i zawartość masy suchej (Cw). Największa rozbieżność między modelowaną krzywą spektralną a krzywą „terenową” wystąpiła w przypadku poligonu P2.2. Wartość tego błędu wyniosła tu 0,0315, a najmniejsza była na łące poligonu P2.3 – 0,2519. Na 12 poligonach błąd był większy niż 0,1, a na dwóch (P2.2 i S11) przekroczył wartość 0,2. Współćzynnik odbica (Reflectance coefficient) 1,0 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0,0 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2,0 2,1 2,2 2,3 2,4 Długość fali w µm (Wavelength in µm) 1 2 Ryc. 14. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSPECT-1 (2) – poligon P2.3 Fig. 14. The spectral reflectance from field measurements (1) and modeled using PROSECT-1 database (2) – P2.3 research area Najmniejszą rozbieżnością w przebiegu krzywej spektralnej w zakresie środkowej podczerwieni odznaczył się poligon P2.3; wartość pierwiastka błędu średniokwadratowego wyniosła 0,0315 (ryc. 14.). Poligon znajdował się w dolinie Bystrzanki na terenie Pogórza Gorlickiego. Łąka (Arrhenatherumelatius), była niejednorodna: krwawnikiem porośnięta pospolitym rajgrasem (Achilleamillefolium) wyniosłym i komonicą zwyczajną (Lotus corniculatus). Została ona określona jako nieużytkowana (niepodsiewana i niekoszona). Pomimo że był to najmniejszy stwierdzony błąd, to jednak w omawianym zakresie widma uwidoczniły się różnice w przebiegu obu krzywych spektralnych. Największy błąd w zakresie 1,5-2,5 µm wyniósł 0,2519; dotyczył on łąki na poprzednio opisanym poligonie P2.2 (ryc. 10.). 87 5.1.1.2. Modelowanie na podstawie danych PROSPECT-2 Takie same badania jak wcześniej opisane przeprowadzono w przypadku modelowania PROSPECT z użyciem zestawu danych PROSPECT-2, w których zmieniono parametry określające zawartość pigmentów i wody (Cab, Car i Cw). Rozbieżności w przebiegu krzywych spektralnych zbadano w odniesieniu do łąk na poszczególnych poligonach, uwzględniając cały zakres widma (0,4-2,5 µm) i 4 jego części. Szczegółowe wartości błędów zamieszczono w załączniku 7. Pierwiastek błędu średniokwadratowego (Root Mean Square Error - RMSE) 0,11 0,10 0,09 0,08 0,07 0,06 0,05 0,04 0,03 0,02 0,01 D5 D4 D1 S18 S14 S12 S11 S10 R31 R30 R22 R20 R16 R13 R12 P2.3 P2.2 P2.1 P1.2 T9 T6 T1 0,00 Poligony badawcze (Research areas) 1 2 3 4 5 Ryc. 15. Wartości pierwiastka błędu średniokwadratowego między krzywymi odbicia spektralnego modelowanymi z użyciem PROSPECT (zestaw danych PROSPECT-2) i uzyskanymi z pomiarów terenowych. Zakresy spektrum: 1 – 0,4-2,5 µm; 2 – 0,4-0,6 µm; 3 – 0,4-0,8 µm; 4 – 0,8-1,5 µm; 5 – 1,5-2,5 µm Fig. 15. The values of Root Mean Square Error calculated using spectral reflectance field measurements and spectral reflectance modelled using PROSPECT-2 database. Wavelength: 1 – 0,4-2,5 µm; 2 – 0,4-0,6 µm; 3 – 0,4-0,8 µm; 4 – 0,8-1,5 µm; 5 – 1,5-2,5 µm Zakres 0,4-2,5 µm. Średnia wartość pierwiastka błędu średniokwadratowego w zakresie od 0,4 do 2,5 µm wszystkich krzywych wyniosła 0,0278 (ryc. 15.). Na poligonach z obszaru pogórskiego wystąpiły większe błędy w większości zakresów (szczególnie w zakresie bliskiej podczerwieni). Modelowane krzywe spektralne w całym badanym zakresie 88 widma charakteryzowały się wartościami pierwiastka błędu średniokwadratowego zmieniającymi się od 0,0138 na łąkach poligonu R31 do 0,0642 poligonu T1. Krzywe spektralne dotyczące łąk z poligonów pogórskich miały większe błędy niż krzywe z terenu Mazowsza. Na dwóch poligonach wartość pierwiastka błędu średniokwadratowego przekroczyła 0,05 – T1 i T9. Wartość błędu poniżej 0,02 wystąpiła na 5 poligonach: R20, Współćzynnik odbica (Reflectance coefficient) R31, D1, D4 i D5. 1,0 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0,0 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2,0 2,1 2,2 2,3 2,4 2,5 Długość fali w µm (Wavelength in µm) 1 2 Ryc. 16. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSPECT-2 (2) – poligon R31 Fig. 16. The spectral reflectance from field measurements (1) and modeled using PROSECT-2 database (2) – R31 research area Najmniejsze różnice w przebiegu krzywej spektralnej w zakresie 0,4-2,5 µm stwierdzono w przypadku poligonu R31, położonego na Równinie Mszczonowskiej (ryc. 16.). Pomiary wykonywano na łące nizinnej, uprawianej o zredukowanej biomasie i podsiewanej roślinami motylkowymi. Średnia wysokość traw w czasie wykonywania pomiarów wynosiła około 10 cm. Łąka była niejednorodna, porośnięta koniczyną łąkową (Trifolium pratense), trzcinnikiem piaskowym (Calamagrostisepigeios), tymotką łąkową (Phleumpratense), mietlicą pospolitą (Agrostiscapillaris) i wyką płotową (Viciasepium). Różnice między krzywą opracowaną na podstawie pomiarów terenowych a modelowaną wystąpiły w zakresie 89 widzialnym, szczególnie od 0,4 do 0,5 µm i przy 0,65 µm, przy których wartości modelowane były zawyżone w stosunku do wartości odbicia promieniowania zmierzonych w terenie. Także w bliskiej i środkowej podczerwieni krzywa modelowana miała bardzo zbliżone wartości do pobranej w terenie. W zakresie 1-1,1 µm wartości modelowane były mniejsze niż wynikające z pomiarów terenowych, w zakresie 1,5-1,8 µm były nieznacznie większe, a w zakresie 2,05-2,45 µm ponownie nieco mniejsze. Współćzynnik odbica (Reflectance coefficient) 1,0 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0,0 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2,0 2,1 2,2 2,3 2,4 2,5 1 2 Długość fali w µm (Wavelength in µm) Ryc. 17. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSPECT-2 (2) – poligon T1 Fig. 17. The spectral reflectance from field measurements (1) and modeled using PROSECT-2 database (2) – T1 research area Największą wartość (0,0642) pierwiastka błędu średniokwadratowego w całym zakresie 0,4-2,5 µm stwierdzono w przypadku łąki na poligonie T1 (ryc. 17.). Była to łąka uprawiana, odrastająca po skoszeniu. Znajdowała się na grzbiecie Taborówki na terenie Pogórza Gorlickiego. Łąkę określono jako jednorodną; porastał ją rajgras wyniosły (Arrhenatherumelatius). Duże błędy w modelowaniu widoczne były w zakresie bliskiej podczerwieni, między 0,7 a 1,5 µm, w którym największy wpływ na wielkość odbicia wśród wszystkich parametrów wejściowych ma ilość masy suchej. Modelowane wartości odbicia promieniowania były tu zdecydowanie mniejsze niż „terenowe”. Niewielkie błędy niedoszacowania wartości odbicia wystąpiły w zakresie widzialnym, a przeszacowania 90 w zakresie od 1,5 do 2,5 µm. W przypadku tego poligonu zanotowano także największy błąd w modelowaniu w zakresie bliskiej podczerwieni; wyniósł on 0,0983. Przebieg krzywej modelowanej były zdecydowanie zaniżony. Zakres 0,4-0,6 µm. Najmniejsze rozbieżności w przebiegu krzywych spektralnych wystąpiły w zakresie od 0,4 do 0,6 µm. Wartość pierwiastka błędu średniokwadratowego wyniosła tu od 0,0099 na poligonie D1 do 0,0237 na poligonie P1.2. Wartości błędu w tym zakresie były małe; na 7 poligonach (T6, T9, P1.2, P2.1, R22, R30 i R31) jego wartość przekroczyła 0,02. Współćzynnik odbica (Reflectance coefficient) 1,0 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0,0 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2,0 2,1 2,2 2,3 2,4 2,5 Długość fali w µm (Wavelength in µm) 1 2 Ryc. 18. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSPECT-2 (2) – poligon D1 Fig. 18. The spectral reflectance from field measurements (1) and modeled using PROSECT-2 database (2) – D1 research area Najmniejsza wartość pierwiastka błędu średniokwadratowego (0,0099) spośród wszystkich modelowanych krzywych odbicia spektralnego w zakresie od 0,4 do 0,6 µm została stwierdzona na poligonie D1, położonym w Dolinie Środkowej Wisły, w powiecie otwockim (ryc. 18.). Była to łąka uprawiana, niedawno skoszona, czyli o zredukowanej biomasie. Łąkę określono (Agrostiscapillaris), jako wiechlina jednorodną. łąkowa Rosły na niej (Poapratensis), mietlica mniszek pospolita lekarski (Taraxacumofficinale) i koniczyna łąkowa (Trifolium pratense). Najmniejsze różnice 91 w przebiegu krzywych odbicia spektralnego wystąpiły w zakresie światła zielonego, a nieco większe w zakresie niebieskim, w którym wartości modelowane były zawyżone. Największą wartość pierwiastka błędu średniokwadratowego (0,0237) w zakresie widma 0,4-0,6 µm stwierdzono na poligonie P1.2, na łące pogórskiej na stokach Wiatrówek na Pogórzu Gorlickim (ryc. 19.). Łąka była nieużytkowana (także niepodsiewana i niekoszona). Rosły na niej wiechlina zwyczajna (Poatrivialis) i w niewielkich ilościach mniszek lekarski (Taraxacumofficinale), została więc określona jako jednorodna. Modelowane wartości współczynnika odbicia były zdecydowanie przeszacowane w całym Współćzynnik odbica (Reflectance coefficient) symulowanym zakresie widma. 1,0 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0,0 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2,0 2,1 2,2 2,3 2,4 2,5 Długość fali w µm (Wavelength in µm) 1 2 Ryc. 19. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSPECT-2 (2) – poligon P1.2 Fig. 19. The spectral reflectance from field measurements (1) and modeled using PROSECT-2 database (2) – P1.2 research area Zakres 0,4-0,8 µm. W tym zakresie widma wartość pierwiastka błędu średniokwadratowego mieściła się w granicach od 0,018 w przypadku poligonu D4 do 0,0546 na poligonie R30; średnia jego wartość przekraczała tu 0,03. Na 11 poligonach wartość pierwiastka błędu średniokwadratowego wyniosła poniżej 0,03, a w przypadku 4 łąk, na poligonach T1, T9, R16 i R30, przekroczyła 0,04. 92 Współćzynnik odbica (Reflectance coefficient) 1,0 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0,0 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2,0 2,1 2,2 2,3 2,4 2,5 Długość fali w µm (Wavelength in µm) 1 2 Ryc. 20. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSPECT-2 (2) – poligon D4 Fig. 20. The spectral reflectance from field measurements (1) and modeled using PROSECT-2 database (2) – D4 research area W zakresie 0,4 do 0,8 µm najmniejszą rozbieżność między modelowaną krzywą spektralną a krzywą „terenową” stwierdzono w przypadku łąki na poligonie D4 położonym w Dolinie Środkowej Wisły, w powiecie garwolińskim (ryc. 20.). Uśredniony pierwiastek błędu średniokwadratowego w badanym zakresie wyniósł 0,018. Dotyczy to łąki użytkowanej – koszonej, o dość dużej biomasie. Miała ona charakter niejednorodny. Rosły na niej mietlica pospolita (Agrostiscapillaris) i koniczyna łąkowa (Trifolium pratense). W omawianym zakresie widma bardzo zbliżone wartości obu krzywych zanotowano w zakresie światła zielonego i fragmentu bliskiej podczerwieni (0,7-0,8 µm). Bardziej rozbieżne wartości odbicia promieniowania wystąpił w zakresach absorbowanego przez chlorofil promieniowania czerwonego i niebieskiego. W tych zakresach wartości modelowane były zawyżone. Największe różnice w przebiegu krzywych spektralnych w zakresie 0,4-0,8 µm stwierdzono na poligonie R30, położonym na Równinie Mszczonowskiej w okolicach Radziejowic (ryc. 21.). Była to łąka niejednorodna, porośnięta tymotką łąkową (Phleumpratense), trzcinnikiem paskowym (Calamagrostisepigeios), mietlicą pospolitą 93 (Agrostiscapillaris), wyką płotową (Viciasepium) i koniczyną łąkową (Trifolium pratense). Użytkowano ją, podsiewając i kosząc. Największe rozbieżności w przebiegu krzywych były w zakresie 0,4-0,6 µm, w którym modelowane wartości odbicia promieniowania są wyższe niż zmierzone w terenie. Ponadto jest widoczne duże niedopasowanie krzywych w zakresie Współćzynnik odbica (Reflectance coefficient) 0,7-0,8 µm. 1,0 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0,0 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2,0 2,1 2,2 2,3 2,4 2,5 Długość fali w µm (Wavelength in µm) 1 2 Ryc. 21. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSPECT-2 (2) – poligon R30 Fig. 21. The spectral reflectance from field measurements (1) and modeled using PROSECT-2 database (2) – R30 research area Zakres 0,8-1,5 µm. W tym zakresie podczerwieni stwierdzono największą rozbieżność przebiegu krzywej spektralnej. Wartość pierwiastka błędu średniokwadratowego średnio wyniosła 0,0341. Wartość błędu była bardzo zróżnicowana i zmieniała się od 0,01 na łące poligonu R31 do 0,0983 na łące poligonu T1. Na 8 poligonach wartość pierwiastka błędu średniokwadratowego była mniejsza niż 0,02, natomiast na 5 (T1, T9, P2.1, P2.2 i R30) przekroczyła wartość 0,4. Mniejsze błędy wystąpiły w przypadku krzywych spektralnych dotyczących łąk nizinnych, a nieco większe pogórskich. W zakresie bliskiej podczerwieni najmniejszy (0,01) pierwiastek błędu średniokwadratowego stwierdzono w przypadku łąki poligonu R31, wcześniej opisanego (ryc. 94 16.), największy (0,0983) natomiast łąki na poligonie T1, także już wcześniej scharakteryzowanego (ryc. 17.). Zakres 1,5-2,5 µm. W tym zakresie wartość pierwiastka błędu średniokwadratowego była mniejsza niż w zakresie 0,8-1,5 µm. Średni błąd wyniósł 0,0247 i mieścił się w zakresie od 0,0128 (poligon R31) do 0,0537 (poligon T6). Krzywe spektralne reprezentujące 10 poligonów charakteryzowały się pierwiastkiem błędu średniokwadratowego poniżej 0,02, natomiast w przypadku 6 poligonów (T6, P2.2, R12, R13, R16 i R30) błąd ten był większy od 0,03. W przypadku tych poligonów krzywe bardzo nieznacznie różniły się między sobą. Najmniejszą wartość (0,0128) pierwiastka błędy średniokwadratowego w zakresie środkowej podczerwieni stwierdzono w przypadku poligonu R31, już wcześniej opisanego Współćzynnik odbica (Reflectance coefficient) (ryc. 16.). 1,0 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0,0 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2,0 2,1 2,2 2,3 2,4 2,5 Długość fali w µm (Wavelength in µm) 1 2 Ryc. 22. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSPECT-2 (2) – poligon T6 Fig. 22. The spectral reflectance from field measurements (1) and modeled using PROSECT-2 database (2) – T6 research area Największa wartość pierwiastka błędu średniokwadratowego (0,0537) w zakresie środkowej podczerwieni została stwierdzona na łące poligonu T6 (ryc. 22.). Łąka była położona na pogórskim grzbiecie Taborówki, porastał ją rajgras wyniosły (Arrhenatherumelatius), mniszek lekarski (Taraxacumofficinale) i koniczyna łąkowa 95 (Trifolium pratense). Określono ją jako niejednorodną. Byłą to łąka podsiewana, ale nieużytkowana. W całym symulowanym zakresie wartości modelowane były mniejsze niż dane pobrane w terenie, a różnica wzrastała wraz z długością fali. 5.1.1.3. Ogólna ocena skuteczności modelu PROSPECT w modelowaniu charakterystyk spektralnych łąk badanych poligonów w wybranych zakresach widma Wartości pierwiastka błędu średniokwadratowego w symulacjach wykonywanych z zestawem danych PROSPECT-1 wzrastały wraz z długością fali. Największe błędy były w zakresie 1,5-2,5 µm, mniejsze w zakresie 0,8-1-5 µm, najmniejsze natomiast w zakresach 0,4-0,6 µm i 0,4-0,8 µm. Najlepszą dokładność modelowania osiągnięto w zakresie 0,4-0,6 µm. W przypadku zestawu danych PROSPECT-2 największe wartości pierwiastka błędu średniokwadratowego w modelowaniu krzywych odbicia spektralnego stwierdzono w zakresie 0,8-1,5 µm, nieco mniejsze w 0,4-0,8 µm, a najmniejsze w zakresie 0,4-0,6 µm. W zakresie od 0,4 do 0,8 µm stwierdzono najmniejsze, a w zakresie 1,5-2,5 µm największe różnice w wielkości błędów między zestawem danych PROSPECT-1 i PROSPECT-2. 5.1.2. Skuteczność modelu PROSPECT w modelowaniu charakterystyk spektralnych łąk według ich rodzajów Kolejnym etapem badań było badanie uśrednionych wartości pierwiastka błędu średniokwadratowego obliczonego z modelowanych krzywych odbicia spektralnego w stosunku do krzywych uzyskanych z bezpośrednich pomiarów terenowych w zależności od rodzaju łąki. Wszystkie 22 poligony podzielono na łąki uprawiane o zredukowanej biomasie (skoszone) – 7 poligonów, uprawiane o dużej biomasie – 9 i nieuprawiane (czyli niekoszone w badanym sezonie wegetacyjnym) – 6. Łąki nieużytkowane miały złożoną strukturę roślinności, często występowały na nich rośliny kwitnące, które mogły negatywnie wpływać na skuteczność modelowania. Na łąkach nieuprawianych na ogół występuje większa biomasa, najmniejsza natomiast na łąkach skoszonych. Określono także istotność statystyczną różnic między błędami dotyczącymi trzech rodzajów łąk. Wyróżnione grupy łąk były o różnej liczebności, dlatego istotność statystyczną różnic sprawdzano, używając rangowego nieparametrycznego testu Kruskala-Wallisa dla trzech prób niezależnych. Jeśli różnica była istotna statystycznie, podawano poziom istotności p. Porównanie trzech rodzajów łąk z użyciem testu Kruskala-Wallisa zostało umieszczone w załączniku 8. 96 5.1.2.1. Modelowanie na podstawie danych PROSPECT-1 Początkowo określono uśrednione wartości pierwiastka błędu średniokwadratowego uzyskane na podstawie pierwszego zestawu danych – PROSPECT-1 (ryc. 23., tab. 11.). Pierwiastek błędu średniokwadratowego (Root Mean Square Error - RMSE) 0,18 0,16 0,14 0,12 0,10 0,08 0,06 0,04 0,02 0,00 0,4-2,5 µm 1 2 0,4-0,6 µm 0,4-0,8 µm 0,8-1,5 µm Długość fali w µm (Wavelength in µm) 1,5-2,5 µm 3 Ryc. 23. Wartości pierwiastka błędu średniokwadratowego obliczone na podstawie modelowanych krzywych odbicia spektralnego (zestaw danych PROSPECT-1) względem krzywych zmierzonych w terenie; łąki: 1 – uprawiane o zredukowanej biomasie, 2 – uprawiane o dużej biomasie, 3 – nieuprawiane Fig. 23. The RMSE value calculated using modelled (PROSPECT-1 database) and measured spectral reflectance for: 1 – cultivated meadows with reduced amount of biomass, 2 – cultivated meadows with high amount of biomass, 3 – not cultivated meadows Na podstawie tych danych można zauważyć zależność wartości pierwiastka błędu średniokwadratowego od rodzaju łąki. Podobne zależności występowały w przypadku obu zakresów widma podczerwonego, które mają wpływ na ocenę skuteczności modelowania w całym badanym zakresie widma (0,4-2,5 µm). Im więcej biomasy znajdowało się na łąkach, tym mniejsze były wartości błędu. W zakresie 0,4-2,5 µm największy błąd stwierdzono na terenie łąk uprawianych o zredukowanej biomasie – 0,1214, nieco mniejszy na obszarach łąk uprawianych o dużej biomasie – 0,1001, a najmniejszy na łąkach nieuprawianych – 0,0712. Największe różnice między wartościami pierwiastka błędu średniokwadratowego wystąpiły w zakresie środkowej podczerwieni: wielkości błędów 97 wynosiły od 0,0709 w przypadku łąk nieuprawianych do 0,1528 w przypadku łąk skoszonych, czyli o zredukowanej biomasie. Tab. 11. Wartości pierwiastka błędu średniokwadratowego obliczone na podstawie modelowanych krzywych odbicia spektralnego (zestaw danych PROSPECT-1) względem krzywych opartych na danych terenowych według rodzajów łąk Tab. 11. The RMSE value calculated using modelled (PROSPECT-1 database) and measured spectral reflectance regarding to the different meadow types 1 Rodzaj łąki Type of meadow 2 3 0,4-2,5 µm 0,1214 0,1001 0,0712 0,4-0,6 µm 0,0277 0,0259 0,0340 0,4-0,8 µm 0,0371 0,0395 0,0435 0,8-1,5 µm 0,1075 0,1004 0,0773 Badany zakres Wavelength 1,5-2,5 µm 0,1528 0,1153 0,0709 1 – łąki uprawiane o zredukowanej biomasie, 2 – łąki uprawiane o dużej biomasie; 3 – nieuprawiane 1 – cultivated meadows with reduced amount of biomass; 2 – cultivated meadows with high amount of biomass; 3 – not cultivated meadows W zakresach 0,4-0,6 i 0,4-0,8 µm różnice w wartościach błędów były znacznie mniejsze. W tych zakresach nieco większe błędy były w przypadku łąk nieuprawianych. Mimo różnic, w żadnym z zakresów nie były one istotne statystycznie, zauważono jedynie tendencję w zakresie środkowej podczerwieni (p ≤ 0,059), gdzie różnice między wartością błędów były największe. 5.1.2.2. Modelowanie na podstawie danych PROSPECT-2 Następnie sprawdzono wartości pierwiastka błędu średniokwadratowego na podstawie wyniki z drugiego zestawu danych – PROSPECT-2 (ryc. 24., tab. 12.). W przypadku tego zestawu danych zarówno wartości, jak i różnice uśrednionych pierwiastków błędów średniokwadratowych, były znacznie mniejsze niż te obliczone na podstawie zestawu PROSPECT-1. Bazując na zestawie PROSPECT-2, nie można także określić wyraźnych zależności. W całym zakresie od 0,4 do 2,5 µm największe błędy uzyskano w przypadku łąk uprawianych o dużej biomasie – średnio 0,0341, a najmniejsze – łąk o zredukowanej ilości roślin – średnio 0,0274. W zakresach 0,4-0,8 i 0,8-1,5 µm także największy uśredniony błąd występował na łąkach uprawianych, ale nieskoszonych. 98 Pierwiastek błędu średniokwadratowego (Root Mean Square Error - RMSE) 0,08 0,07 0,06 0,05 0,04 0,03 0,02 0,01 0,00 0,4-2,5 µm 1 2 3 0,4-0,6 µm 0,4-0,8 µm 0,8-1,5 µm Długość fali w µm (Wavelength in µm) 1,5-2,5 µm Ryc. 24. Wartości pierwiastka błędu średniokwadratowego obliczone na podstawie modelowanych krzywych odbicia spektralnego (zestaw danych PROSPECT-2) względem krzywych zmierzonych w terenie; łąki: 1 – uprawiane o zredukowanej biomasie, 2 – uprawiane o dużej biomasie, 3 – nieuprawiane Fig. 24. The RMSE value calculated using modelled (PROSPECT-2 database) and measured spectral reflectance for: 1 – cultivated meadows with reduced amount of biomass, 2 – cultivated meadows with high amount of biomass, 3 – not cultivated meadows Tab. 12. Wartości pierwiastka błędu średniokwadratowego obliczone na podstawie modelowanych krzywych odbicia spektralnego (zestaw danych PROSPECT-2) względem krzywych opracowanych na podstawie danych terenowych według kategorii łąk Tab. 12. The RMSE value calculated using modelled (PROSPECT-2 database) and measured spectral reflectance regarding to the different meadow types 0,4-2,5 µm Rodzaj łąki Type of meadow 1 2 3 0,0274 0,0341 0,0310 0,4-0,6 µm 0,0164 0,0159 0,0211 0,4-0,8 µm 0,0296 0,0356 0,0272 0,8-1,5 µm 0,0286 0,0396 0,0322 Badany zakres Wavelength 1,5-2,5 µm 0,0209 0,0258 0,0273 1 – łąki uprawiane o zredukowanej biomasie, 2 – łąki uprawiane o dużej biomasie; 3 – nieuprawiane 1 – cultivated meadows with reduced amount of biomass; 2 – cultivated meadows with high amount of biomass; 3 – not cultivated meadows 99 W pozostałych dwóch zakresach (0,4-0,6 i 1,5-2,5 µm) najgorzej było modelowane odbicie na łąkach nieuprawianych. W zakresie od 0,4 do 0,6 µm różnice między wartościami pierwiastka błędu średniokwadratowego były istotne statystycznie (p ≤ 0,028). W tym zakresie najlepiej było modelowane odbicie na łąkach uprawianych o dużej biomasie; pierwiastek błędu średniokwadratowego wyniósł 0,0159. Niewiele większa jego wartość (0,0164) była w przypadku łąk uprawianych o niewielkiej biomasie. Największy błąd stwierdzono na łąkach nieuprawianych (0,0211). 5.1.2.3. Ogólna ocena skuteczności modelu PROSPECT w modelowaniu charakterystyk spektralnych łąk według ich rodzajów Na podstawie przeprowadzonych badań można stwierdzić, że w przypadku pierwszego zestawu danych (PROSPECT-1) inne zależności występują w zakresie widzialnym, a inne w podczerwonym. W modelowaniu w zakresach podczerwonych (0,8-1,5 i 1,5-2,5 µm) najmniejsze błędy zaznaczają się w przypadku łąk nieuprawianych, a największe łąk uprawianych o zredukowanej biomasie. W zakresie widzialnym i fragmencie bliskiej podczerwieni (0,4-0,6 i 0,4-0,8 µm) różnice w wartościach błędów są niewielkie. Nie zanotowano różnic istotnych statystycznie. W przypadku drugiego zestawu danych (PROSPECT-2) różnice między wartościami odbicia spektralnego na trzech rodzajach łąk są znacznie mniejsze. W zakresach od 0,4-0,8 i 0,8-1,5 µm największe błędy zaznaczają się w przypadku łąk uprawianych o dużej biomasie. W zakresie 0,4-0,6 µm największy błąd stwierdza się na łąkach nieuprawianych i w tym zakresie różnice są istotne statystycznie. 5.1.3. Skuteczność modelu PROSPECT w modelowaniu charakterystyk spektralnych łąk według parametrów biofizycznych Kolejnym etapem badań była ocena skuteczności modelowania odbicia promieniowania w zależności od wartości 3 parametrów biofizycznych: powierzchni projekcyjnej liści (LAI), ilości biomasy świeżej na jednostkę powierzchni terenu i zawartości wody w roślinach. Ze względu na wartość każdego parametru badane łąki podzielono w każdym przypadku na 3 grupy. Oceniano, czy różnice między poszczególnymi grupami są istotne statystycznie. Ze względu na niejednakowo liczne 3 kategorie łąk, również w tych badaniach zastosowano rangowy test nieparametryczny Kruskala-Wallisa. Jeśli różnice w omawianym zakresie były istotne statystycznie, podano poziom istotności. Dokładne porównanie kategorii łąk z użyciem testu Kruskala-Wallisa w załącznikach: 9, 10 i 11. 100 5.1.3.1. Indeks powierzchni projekcyjnej liści (LAI) Wartości wskaźnika powierzchni projekcyjnej liści podzielono na 3 klasy: od 0 do 2, od 2,01 do 4 i powyżej 4. Wartości zostały umieszczone w tabeli 13. W pierwszym zestawie danych (PROSPECT-1) wartość pierwiastka błędu średniokwadratowego w większości zakresów malała wraz ze zwiększaniem się wartości powierzchni projekcyjnej liści. W całym symulowanym zakresie widma – 0,4-2,5 µm, a szczególnie w podczerwieni błąd wyraźnie zmniejszała się wraz ze wzrostem wartości LAI. Największe różnice stwierdzono w zakresie środkowej podczerwieni: średni błąd w przedziale wartości wskaźnika powierzchni projekcyjnej liści od 0 do 2 wynosił 0,1635, między 2,01 a 4 – 0,1099, a powyżej 4 – 0,0756. W zakresie widzialnym błąd był największy między 2,01 a 4, a najmniejszy powyżej 4. Różnice nie były istotne statystycznie. Tab. 13. Wartości pierwiastka błędu średniokwadratowego dotyczące poligonów podzielonych na grupy według wartości powierzchni projekcyjnej liści (modelowanie z użyciem zestawów danych PROSPECT-1 i PROSPECT-2) Tab. 13. The RMSE value for meadows with different Leaf Area Index value calculated using two databases: PROSPECT-1 and PROSPECT-2 Zestaw danych Database PROSPECT1 PROSPECT2 Powierzchnia projekcyjna liści Leaf Area Index 0-2 2,01-4 >4 0-2 2,01-4 >4 Pierwiastek błędu średniokwadratowego Root Mean Square Error 0,4-2,5 µm 0,1307 0,0986 0,0770 0,0331 0,0326 0,0276 0,4-0,6 µm 0,4-0,8 µm 0,8-1,5 µm 1,5-2,5 µm 0,0325 0,0330 0,0197 0,0196 0,0166 0,0172 0,0396 0,0476 0,0289 0,0308 0,0316 0,0315 0,1178 0,0987 0,0777 0,0392 0,0375 0,0255 0,1635 0,1099 0,0879 0,0217 0,0251 0,0263 W przypadku drugiego zestawu danych (PROSPECT-2) zależności nie były jednoznaczne. W całości modelowanego zakresu od 0,4 do 2,5 µm błąd malał wraz ze wzrostem wartości wskaźnika powierzchni projekcyjnej liści. Podobnie było w zakresie bliskiej podczerwieni. Odwrotna tendencja wystąpiła w zakresie środkowej podczerwieni. W zakresie widzialnym różnice w wielkości błędów nie były duże, a jednocześnie nie wykazywały jednoznacznej tendencji. Także w tym przypadku różnice nie były istotne statystycznie. Podsumowując, należy stwierdzić, że w przypadku pierwszego zestawu danych najmniejszy błąd modelowania odpowiedzi spektralnych występuje w przypadku łąk 101 o wartości wskaźnika powierzchni projekcyjnej liści powyżej 4. W zakresie podczerwieni, a szczególnie środkowej podczerwieni, wraz ze wzrostem biomasy reprezentowanej przez wskaźnik LAI błąd jest coraz mniejszy. W przypadku drugiego zestawu danych (PROSPECT2) w zakresie bliskiej podczerwieni modelowanie odbicia spektralnego polepsza się wraz ze wzrostem tego wskaźnika, a pogarsza w zakresie środkowej podczerwieni. W żadnym z symulowanych zakresów nie uzyskano różnic istotnych statystycznie. 5.1.3.2. Ilość biomasy świeżej Kolejnym etapem badań oceniających skuteczność modelownia odbicia spektralnego było badanie wartości pierwiastka błędu średniokwadratowego w zależności od ilości biomasy świeżej przypadającej na 1 m2 (tab. 14.). Biomasa świeża jest sumą suchej roślinności i zawartej w niej w chwili pomiaru wody. Wartości tego parametru podzielono na 3 klasy: 1 – poniżej 0,75, 2 – od 0,76 do 1,5 i 3 – powyżej 1,5 kg na 1 m2. Tab. 14. Wartości pierwiastka błędu średniokwadratowego dotyczące poligonów podzielonych na grupy według ilości biomasy świeżej (modelowanie z użyciem zestawów danych PROSPECT-1 i PROSPECT-2) Tab. 14. The RMSE value for meadows with different quantity of fresh biomass calculated using two databases: PROSPECT-1 and PROSPECT-2 Zestaw danych Database PROSPECT1 PROSPECT2 Ilość biomasy świeżej w kg na 1m2 Fresh biomass – kg/1m2 <0,75 Pierwiastek błędu średniokwadratowego Root Mean Square Error 0,4-2,5 µm 0,4-0,6 µm 0,4-0,8 µm 0,8-1,5 µm 1,5-2,5 µm 0,1165 0,0301 0,0418 0,1091 0,1416 0,76-1,5 0,1025 0,0320 0,0391 0,1008 0,1163 >1,5 0,0447 0,0188 0,0355 0,0536 0,0404 <0,75 0,0333 0,0169 0,0326 0,0401 0,0222 0,76-1,5 0,0269 0,0191 0,0254 0,0283 0,0239 >1,5 0,0326 0,0162 0,0386 0,0275 0,0328 W przypadku zestawu danych PROSPECT-1 w większości zakresów promieniowania, z wyjątkiem fragmentu widma 0,4-0,6 µm, pierwiastek błędu średniokwadratowego wyraźnie malał wraz ze wzrostem biomasy świeżej. Szczególnie duża różnica w wartości pierwiastka błędu średniokwadratowego występowała między drugą (0,76-1,5 kg na 1 m2) a trzecią (powyżej 1,5 kg na 1 m2) klasą tego parametru. W tym zestawie danych wystąpiły różnice istotne statystycznie w zakresach: od 0,4 do 2,5 µm (p ≤ 0,008), od 0,8 do 1,5 µm (p ≤ 0,011) i 1,5-2,5 µm (p ≤ 0,008). 102 W drugim zestawie danych (PROSPECT-2) różnice w wartościach błędu były mniejsze i niejednoznaczne. W zakresie bliskiej podczerwieni błąd malał wraz ze wzrostem biomasy. W przypadku środkowej podczerwieni było odwrotnie – im większa biomasa świeża, tym błąd był większy. Stwierdzone różnice nie były jednak istotne statystycznie. Podsumowując, należy stwierdzić, że w przypadku danych PROSPECT-1 im większa jest biomasa świeża, tym lepiej są modelowane krzywe odbicia spektralnego. Różnice były istotne statystycznie w zakresie widma 0,4-2,5 µm i w zakresie podczerwonym. Podobne zależności występują w przypadku danych modyfikowanych z zestawu PROSPECT-2 w zakresie bliskiej podczerwieni, różnice te nie są jednak istotne statystycznie. 5.1.3.3. Zawartość wody Skuteczność modelowania rozpatrzono również z punktu widzenia zawartości wody w roślinach (tab. 15.). Badając skuteczność modelowania z zestawem danych PROSPECT-1, stwierdzono, że we wszystkich zakresach widma EM różnice były podobne – wraz ze wzrostem zawartości wody wzrastała wartość uśrednionego pierwiastka błędu średniokwadratowego, a tym samym malała skuteczność modelowania. Największe różnice w skuteczności modelowania zaznaczyły się w środkowej podczerwieni, najmniejsze zaś w zakresie 0,4-0,8 µm. Różnice były istotne statystycznie w całym modelowanym zakresie 0,4-2,5 µm (p ≤ 0,008), w zakresie 0,8-1,5 µm (p ≤ 0,016) i 1,5-2,5 µm (p ≤ 0,02). Tab. 15. Wartości pierwiastka błędu średniokwadratowego dotyczące poligonów podzielonych na grupy według zawartości wody (modelowanie z użyciem zestawów danych PROSPECT-1 i PROSPECT-2) Tab. 15. The RMSE value for meadows with different water content calculated using two databases: PROSPECT-1 and PROSPECT-2 Zestaw danych Database PROSPECT1 PROSPECT2 Pierwiastek błędu średniokwadratowego Root Mean Square Error Zawartość wody Water content 0,4-2,5 µm 0,4-0,6 µm 0,4-0,8 µm 0,8-1,5 µm 1,5-2,5 µm < 70% 70,1- 80% > 80% < 70% 70,1- 80% > 80% 0,0588 0,0898 0,1255 0,0316 0,0320 0,0303 0,0190 0,0284 0,0336 0,0154 0,0175 0,0185 0,0340 0,0409 0,0419 0,0371 0,0352 0,0259 0,0677 0,0905 0,1148 0,0276 0,0360 0,0359 0,0595 0,1026 0,1516 0,0311 0,0231 0,0226 W modelowaniu z użyciem drugiego zestawu danych (PROSPECT-2), tak samo jak poprzednio, tendencja była niewyraźna. W zakresie 0,4-0,8 µm i w środkowej podczerwieni wraz ze wzrostem zawartości wody pierwiastek błędu średniokwadratowego malał. Odwrotna 103 tendencja zaznaczyła się w zakresie widma 0,4-0,6 µm. Różnice między wartościami pierwiastka błędu średniokwadratowego w każdym z zakresów były niewielkie i nie osiągnęły poziomu istotności statystycznej. 5.1.3.4. Ogólna ocena skuteczności modelu PROSPECT w modelowaniu parametrów biofizycznych Wyniki wykonanych badań dotyczące modelowania odbicia promieniowania z użyciem zestawu danych PROSPECT-1 pozwalają stwierdzić, że im większe są wartości parametru LAI i biomasy świeżej, tym mniejsza jest wartość pierwiastka błędu średniokwadratowego. Szczególnie widoczne jest to w zakresie środkowej podczerwieni. Odwrotna tendencja występuje w przypadku zawartości wody – im większa jej zawartość, tym większe wartości błędu, a tym samym mniejsza skuteczność modelowania. W zakresie podczerwieni różnice w wartości błędu w klasach określających zawartość wody i biomasę są istotne statystycznie. W widzialnym zakresie widma nie stwierdza się różnic istotnych statystycznie w odniesieniu do żadnego z badanych parametrów biofizycznych. W przypadku drugiego zestawu danych (PROSPECT-2) różnice między poszczególnymi klasami są znacznie mniejsze i nie wykazują wyrazistych tendencji, nie są także istotne statystycznie. W bliskiej podczerwieni wraz ze wzrostem parametru LAI i biomasy świeżej błąd jest coraz mniejszy, a odwrotna tendencja dla obu parametrów zaznacza się w środkowej podczerwieni. 5.1.4. Skuteczność modelu PROSPECT w modelowaniu charakterystyk spektralnych według teledetekcyjnych wskaźników roślinności Ostatnim etapem badania skuteczności modelowania odbicia spektralnego promieniowania EM od łąk było porównanie wartości wybranych teledetekcyjnych wskaźników roślinności obliczonych na podstawie dwóch rodzajów krzywych odbicia spektralnego. Wybrano 5 teledetekcyjnych wskaźników roślinności, które pozwalają wnioskować o podstawowych cechach zdrowotnych roślinności: zawartości chlorofilu, wody, kondycji roślinności i dwa określające masę suchą. Wybrano dość popularne i często używane przez naukowców wskaźniki: NDVI, NDVI705 i WBI. Użyto dwa wskaźniki, które określają zawartość masy suchej ligniny (NDLI) i celulozy (CAI). Wybrano je, ponieważ pozwalają wnioskować o ilości suchej masy roślin, co pośrednio przekłada się na ilość siana, czyli plonów. Pierwszy zestaw danych (PROSPECT-1) obliczonych na podstawie pomiarów terenowych miał duże błędy w modelowaniu. Obliczone na jego podstawie wskaźniki, w porównaniu z danymi terenowymi, byłyby zupełnie nieprzydatne, dlatego zdecydowano się 104 na obliczenie wartości wskaźników z danych modelowanych, korzystając z drugiego zestawu danych – PROSPECT-2. 5.1.4.1. Znormalizowany różnicowy wskaźnik zieleni (Normalized Difference Vegetation Index) Pierwszym ze wskaźników był znormalizowany różnicowy wskaźnik zieleni – NDVI, który określa kondycję roślinności (ryc. 25.). Wartości wskaźnika obliczone na podstawie krzywych modelowanych i pobranych w terenie były do siebie bardzo zbliżone: największa różnica między wartościami wskaźnika określona w odniesieniu do łąki na poligonie P1.2 wyniosła 0,085. Najmniejsza różnica została zanotowana w przypadku poligonu S12 – 0,0001. Wśród modelowanych wskaźników przeważały wartości zaniżone w stosunku do danych terenowych. Średnia różnica między wartościami wskaźników obliczonych na podstawie dwóch rodzajów danych wynosiła 0,035, co w porównaniu z wartościami, jakie osiąga wskaźnik daje dobry wynik. Wskaźniki obliczone z dwóch źródeł wskazywały na ten sam stan roślinności. 1,0 0,9 0,8 0,7 NDVI 0,6 0,5 0,4 0,3 0,2 0,1 D5 D4 D1 S18 S14 S12 S11 S10 R31 R30 R22 R20 R16 R13 R12 P2.3 P2.2 P2.1 P1.2 T9 T6 T1 0,0 Poligony badawcze (Research areas) 1 2 Ryc. 25. Wartość znormalizowanego różnicowego wskaźnika zieleni obliczona na podstawie krzywych odbicia spektralnego zmierzonych w terenie (1) i modelowanych przy użyciu zestawu danych PROSPECT-2 (2) Fig. 25. The values of Normalized Difference Vegetation Index calculated using spectral reflectance from field measurements (1) and spectral reflectance modelled using PROSPECT-2 database (2) 105 5.1.4.2. Krawędziowy czerwony wskaźnik roślinności (Red Edge Normalized Difference Vegetation Index) Drugi teledetekcyjny wskaźnik to roślinności zwany w języku angielskim jako Red Edge Normalized Difference Vegetation Index – NDVI705. Termin ten proponuje się nazwać w języku polskim „krawędziowy czerwony wskaźnik roślinności”. Określa on zawartość chlorofilu i wskazuje na kondycję roślin na podstawie odbicia ze skrajnej części czerwonego fragmentu widma – fal o długości powyżej 0,7 µm, tzw. pasma Red Edge. Wartości modelowane tego wskaźnika miały zakres od 0,31 do 0,65, a wartości zmierzone w terenie od 0,4 do 0,65 (ryc. 26.). Wartości tego wskaźnika obliczone na podstawie dwóch krzywych odbicia spektralnego miały zbliżone wartości. Największą różnicę (0,113) stwierdzono w przypadku łąki oznaczonej T9, natomiast najmniejszą (0,005) – łąki R30. Średnia różnica między wartościami wyniosła 0,048. Nie można stwierdzić, że wskaźniki miały wartości odbiegające od danych terenowych. Różnice w wartościach wskaźnika były niewielkie, zwłaszcza w przypadku gdy standardowy zakres wskaźnika dla roślinności zielonej wynosi od 0,2 do 0,7 i świadczyły o takich samych właściwościach roślinności – wskazujących, że zawartość chlorofilu w roślinach była niewielka. 0,9 0,8 0,7 NDVI705 0,6 0,5 0,4 0,3 0,2 0,1 D5 D4 D1 S18 S14 S12 S11 S10 R31 R30 R22 R20 R16 R13 R12 P2.3 P2.2 P2.1 2 P1.2 T6 1 T9 T1 0,0 Poligony badawcze (Research areas) Ryc. 26. Wartość krawędziowego czerwonego wskaźnika roślinności obliczona na podstawie krzywych odbicia spektralnego zmierzonych w terenie (1) i modelowanych przy użyciu zestawu danych PROSPECT-2 (2) Fig. 26. The values of Red Edge Normalized Difference Vegetation Index calculated using spectral reflectance from field measurements (1) and spectral reflectance modelled using PROSPECT-2 database (2) 106 5.1.4.3. Znormalizowany różnicowy wskaźnik ligniny (Normalized Difference Lignin Index) Jednym ze wskaźników do określania ilość materii suchej w roślinie, opartym na szacowaniu zawartej w niej ligniny, jest znormalizowany różnicowy wskaźnik ligniny (Normalized Difference Lignin Index). Wartości tego wskaźnika obliczone w odniesieniu do badanych łąk przedstawiono na rycinie 27. Wskaźnik oparty na danych modelowanych osiągnął wartości od 0,029 do 0,062, natomiast obliczony z danych terenowych od 0,031 do 0,058. Średnio wartości danych modelowanych różniły się od terenowych o 0,008. Największa różnica (0,018) wystąpiła w przypadku łąk poligonu R12, a najmniejsza (0,0004) łąk poligonu D1. Znaczna liczba wartości modelowanych była przeszacowana, wyjątkiem były poligony T1, T9, R30 i D1. Różnice między wartościami modelowanymi a „terenowymi” były widoczne (standardowy zakres wskaźnika wynosi od 0,005 do 0,5), wartości świadczyły jednak o podobnej zawartości ligniny. Wartości wskaźnika były zmienne, a jednocześnie na większości poligonów dość duże, co świadczy o wysokiej zawartości ligniny w roślinach. 0,07 0,06 0,05 NDLI 0,04 0,03 0,02 0,01 D5 D4 D1 S18 S14 S12 S11 S10 R31 R30 R22 R20 R16 R13 R12 P2.3 P2.2 P2.1 2 P1.2 T6 1 T9 T1 0,00 Poligony badawcze (Research areas) Ryc. 27. Wartość znormalizowanego różnicowego wskaźnika ligniny obliczona na podstawie krzywych odbicia spektralnego zmierzonych w terenie (1) i modelowanych przy użyciu zestawu danych PROSPECT-2 (2) Fig. 27. The values of Normalized Difference Lignin Index calculated using spectral reflectance from field measurements (1) and spectral reflectance modelled using PROSPECT-2 database (2) 107 5.1.4.4. Wskaźnik absorpcji celulozy (Cellulose Absorption Index) Drugim wskaźnikiem określającym zawartość masy suchej był wskaźnik absorpcji celulozy (Cellulose Absorption Index), który opisuje zawartość celulozy w roślinie. Wartości tego wskaźnika dla roślin zielonych podawane w literaturze wahają się od -2 do 4 (Nagler, Inoueb, Glenn, Russ, Daughtry, 2003). W przypadku badanych łąk zawartość celulozy w roślinach określały wartości tego wskaźnika w zakresie od -0,018 do -0,002 – w przypadku danych terenowych i od -0,019 do 0,001 – danych modelowanych (ryc. 28.). Średnia różnica w wartościach tego wskaźnika obliczonych na podstawie danych modelowanych i danych terenowych wynosiła 0,004, maksymalna – 0,009 (na poligonie R30), a najmniejsza – 0,00002 (na poligonie S10). Na większości poligonów wartości modelowane wskaźnika były większe od opartych na danych z krzywych odbicia spektralnego pobranych w terenie. Wartości wskaźnika obliczone na podstawie danych pobranych z obu rodzajów krzywych różnią się, jednak w porównaniu z zakresem wartości, jaki wskaźnik ten może osiągać, różnice były nieistotne. Wartości wskaźnika świadczyły, że roślinność na badanych łąkach charakteryzowała się stosunkowo niską zawartością celulozy. D5 D4 D1 S18 S14 S12 S11 S10 R31 R30 R22 R20 R16 R13 R12 P2.3 P2.2 2 P2.1 T9 1 P1.2 T6 T1 Poligony badawcze (Research areas) 0,005 0,000 CAI -0,005 -0,010 -0,015 -0,020 Ryc. 28. Wartość wskaźnika absorpcji celulozy obliczona na podstawie krzywych odbicia spektralnego zmierzonych w terenie (1) i modelowanych przy użyciu zestawu danych PROSPECT-2 (2) Fig. 28. The values of Cellulose Absorption Index calculated using spectral reflectance from field measurements (1) and spectral reflectance modelled using PROSPECT-2 database (2) 108 5.1.4.5. Wskaźnik kanału wody (Water Band Index) Wskaźnik kanału wody (Water Band Index), opisujący zawartość wody w roślinach, osiągał wartości od 0,988 do 1,147 na podstawie danych terenowych i od 1,021 do 1,089 na podstawie danych modelowanych (ryc. 29.). Największą różnicę wartości tego wskaźnika stwierdzono w przypadku roślinności na poligonie P1.2 – 0,058, a najmniejszą – 0,002 na poligonie D1. Wartości wskaźnika obliczone z danych modelowanych w większości badanych przypadków były nieco niższe niż te z krzywych pobranych w terenie. Średnio wartości wskaźnika różniły się między sobą o 0,02. Wartości WBI obliczone na podstawie danych pobranych z obu rodzajów krzywych odbicia spektralnego były do siebie bardzo zbliżone. Nawet przy największych różnicach wartości te nie były na tyle odmienne, aby wskazywały na różną zawartość wody w roślinach. Wartości wskaźnika WBI świadczą, że roślinność na badanych łąkach charakteryzowała się dużą zawartość wody. 1,2 1,1 1,0 0,9 0,8 WBI 0,7 0,6 0,5 0,4 0,3 0,2 0,1 D5 D4 D1 S18 S14 S12 S11 S10 R31 R30 R22 R20 R16 R13 R12 P2.3 P2.2 P2.1 2 P1.2 T6 1 T9 T1 0,0 Poligony badawcze (Research areas) Ryc. 29. Wartość wskaźnika kanału wody obliczona na podstawie krzywych odbicia spektralnego zmierzonych w terenie (1) i modelowanych przy użyciu zestawu danych PROSPECT-2 (2) Fig. 29. The values of Water Band Index calculated using spectral reflectance from field measurements (1) and spectral reflectance modelled using PROSPECT-2 database (2) 109 5.1.4.6. Ogólna ocena skuteczności modelu PROSPECT w modelowaniu teledetekcyjnych wskaźników roślinności W wyniku przeprowadzonych rozważań można stwierdzić, że wartości symulowanych wskaźników obliczanych na podstawie danych modelowanych są na ogół zbliżone do obliczonych na podstawie danych terenowych. Dobre rezultaty modelowania uzyskano w przypadku wskaźników znormalizowanego różnicowego wskaźnika zieleni (NDVI) i wskaźnika kanału wody (WBI), a dość dobre w przypadku określających zawartość masy suchej – znormalizowanego różnicowego wskaźnika ligniny (NDLI) i wskaźnika absorpcji celulozy (CAI) oraz krawędziowego czerwonego wskaźnika roślinności (NDVI705). 5.2. Symulacja charakterystyk spektralnych na poziomie pokrywy roślinnej z użyciem modelu PROSAIL Przedstawiono tu badania odbicia spektralnego i zestawianych na ich podstawie krzywych otrzymanych za pomocą modelowania danych z użyciem modelu PROSAIL. Na wstępie omówiono rozbieżności w odbiciu spektralnym w 5 zakresach widma, modelowanych na podstawie zestawu danych PROSAIL-1 i PROSAIL-2 w stosunku do danych terenowych i wyrażonych uśrednionym pierwiastkiem błędu średniokwadratowego. Następnie zaprezentowano rozbieżności w przebiegu krzywych spektralnych modelowanych na podstawie dwóch zestawów danych w stosunku do krzywych opracowanych na podstawie danych terenowych z poszczególnych poligonów. W drugiej części podrozdziału zaprezentowano średnie wartości pierwiastka błędu średniokwadratowego w przypadku krzywych spektralnych reprezentujących trzy rodzaje łąk, z użyciem obu zestawów danych. W trzeciej części określono skuteczność modelowania w klasach wyróżnionych w każdym z trzech parametrów biofizycznych: wskaźnika powierzchni projekcyjnej liści (LAI), biomasy świeżej i zawartości wody. W obu badaniach określono istotność statystyczną różnic. W ostatniej części przedstawiono wartości teledetekcyjnych wskaźników roślinności obliczonych z dwóch rodzajów danych – modelowanych z użyciem PROSAIL (zestaw danych PROSAIL-2) i policzonych z krzywych odbicia spektralnego zmierzonych w terenie. Wszystkie omawiane tu badania zostały przeprowadzone na podstawie 50 poligonów pomiarowych. 110 5.2.1. Skuteczność modelu PROSAIL w modelowaniu charakterystyk spektralnych łąk badanych poligonów w wybranych zakresach widma Skuteczność modelowania odbicia spektralnego i krzywych spektralnych z użyciem modelu PROSAIL określano w ten sam sposób, jak w przypadku modelu PROSPECT. W badaniach uwzględniono zestaw danych PROSAIL-1, który zawiera dane wejściowe obliczone bezpośrednio z pomiarów terenowych, i zestaw danych PROSAIL-2, w którym modyfikowano parametry biofizyczne określające zawartość wody (Cw) i barwników (Cab i Car). Łączny średni pierwiastek błędu średniokwadratowego w zakresie widma od 0,4 do 2,5 µm, obliczony na podstawie zestawu danych PROSAIL-1, w stosunku do pomiarów terenowych wyniósł 0,1058. W modelowaniu z zestawem danych PROSAIL-2 osiągnął Pierwiastek błędu średniokwadratowego (Root Mean Square Error - RMSE) on wartość 0,0362 (ryc. 30.). 0,14 0,12 0,10 0,08 0,06 0,04 0,02 0,00 0,4-2,5 1 2 0,4-0,6 0,4-0,8 0,8-1,5 1,5-2,5 Długość fali w µm (Wavelength in µm) Ryc. 30. Średnia wartość pierwiastka błędu średniokwadratowego między krzywymi odbicia spektralnego modelowanymi algorytmem PROSAIL i uzyskanymi z pomiarów terenowych; zestawy danych PROSAIL-1 (1) i PROSAIL-2 (2) Fig. 30. The Root Mean Square Error values calculated using spectral reflectance from field measurements and PROSAIL modeled spectral reflectance for PROSAIL-1 (1) and PROSAIL-2 (2) database W przypadku wartości odbicia spektralnego modelowanych według zestawu danych PROSAIL-1 największy błąd stwierdzono w zakresie środkowej podczerwieni (0,123), nieco mniejszy (0,1072) w bliskiej podczerwieni. W zakresie od 0,4 do 0,6 µm średni błąd na podstawie PROSAIL wyniósł 0,0253, a w zakresie 0,4-0,8 µm 0,0376. 111 W przypadku modelowania PROSAIL na podstawie zmodyfikowanego drugiego zestawu danych (PROSAIL-2) pierwiastek błędu średniokwadratowego we wszystkich zakresach był mniejszy niż pierwszego zestawu PROSAIL-1. Tym razem największy błąd stwierdzono w zakresie bliskiej podczerwieni – 0,0519. Mniejszy był błąd w zakresie 0,4-0,8 µm – 0,0270, najmniejszy w zakresie 0,4-0,6 µm – 0,0098 i tylko nieco większy w środkowej podczerwieni – 0,0177. W porównaniu z zestawem PROSAIL-1 znacznie lepsze wyniki uzyskano w zakresie środkowej podczerwieni. Pierwiastek błędu średniokwadratowego zmniejszył się o 0,1053. Najmniejsza różnica (0,0106) w wielkości uśrednionego błędu średniokwadratowego między zestawem PROSAIL-1 a PROSAIL-2 była w zakresie 0,40,8 µm. Ogólnie największy błąd w modelowaniu wartości odbicia spektralnego i krzywych spektralnych stwierdzono w zakresie podczerwieni średniej w przypadku zestawu PROSAIL1 i bliskiej podczerwieni – zestawu PROSAIL-2. 0,26 0,24 0,22 0,20 0,18 0,16 0,14 0,12 0,10 0,08 0,06 0,04 0,02 0,00 R1 R5 R6 R7 R8 R9 R10 R11 R12 R13 R14 R15 R16 R17 R18 R19 R20 R21 R22 R23 R24 R25 R26 R27 R28 R29 R30 R31 R32 S1 S2 S3 S4 S5 S7 S8 S10 S11 S12 S13 S14 S15 S16 S17 S18 D1 D2 D3 D4 D5 Pierwiastek błędu średniokwadratowego (Root Mean Square Error - RMSE) 5.2.1.1. Modelowanie na podstawie danych PROSAIL-1 Poligony badawcze (Research areas) 1 2 3 4 5 Ryc. 31. Wartości pierwiastka błędu średniokwadratowego między krzywymi odbicia spektralnego modelowanymi z użyciem PROSAIL (zestaw danych PROSAIL-1) i uzyskanymi z pomiarów terenowych. Zakresy spektrum: 1 – 0,4-2,5 µm; 2 – 0,4-0,6 µm; 3 – 0,4-0,8 µm; 4 – 0,8-1,5 µm; 5 – 1,5-2,5 µm Fig. 31. The values of Root Mean Square Error calculated using spectral reflectance field measurements and spectral reflectance modelled using PROSAIL-1 database. Wavelength: 1 – 0,4-2,5 µm; 2 – 0,4-0,6 µm; 3 – 0,40,8 µm, 4 – 0,8-1,5 µm; 5 – 1,5-2,5 µm 112 Następnie omówiono wartości pierwiastka błędu średniokwadratowego odbicia spektralnego promieniowania od łąk na poszczególnych poligonach w wybranych zakresach widma elektromagnetycznego. Ocenę dokładności uzyskanych wyników rozpoczęto od modelowania wykonanego na podstawie danych PROSAIL-1. Wartości pierwiastka błędu średniokwadratowego zamieszczono w załączniku 12. Zakres 0,4-2,5 µm. W tym zakresie średni błąd dla łąk wszystkich badanych poligonów wyniósł 0,1058. Wahał się on od 0,0433 na poligonie R10 do 0,195 na poligonie R30 (ryc. 31.). Na 25 poligonach wartość pierwiastka błędu średniokwadratowego Współćzynnik odbica (Reflectance coefficient) przekraczała 0,1, a na 5 (R8, R21, R30, R31 i S7) wyniosła ponad 0,15. 1,0 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0,0 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2,0 2,1 2,2 2,3 2,4 2,5 Długość fali w µm (Wavelength in µm) 1 2 Ryc. 32. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSAIL-1 (2) – poligon R10 Fig. 32. The spectral reflectance from field measurements (1) and modeled using PROSAIL-1 database (2) – R10 research area Krzywa modelowana o najmniejszym odchyleniu od krzywej terenowej w zakresie 0,4-2,5 µm była w przypadku poligonu R10 (ryc. 32.); błąd wyniósł tu 0,0433. Była to łąka położona na Równinie Mszczonowskiej, porośnięta bardzo zróżnicowaną roślinnością, w tym trawami, w niewielkim stopniu koniczyną i kwiatami. Była ona określona jako niejednorodna, uprawiana i niepodsiewana. Wartości modelowane bardzo niewiele różniły się od zmierzonych w terenie, co jest szczególnie widoczne w widzialnym zakresie widma. 113 Jednocześnie, mimo występujących dość dużych różnic, poligon miał najmniejszy błąd w zakresie środkowej podczerwieni (0,0459). Różnice w wielkości odbicia między krzywą modelowaną a „terenową” były spowodowane prawdopodobnie zbyt małą wartością parametru określającego zawartość wody (Cw). Największą wartość pierwiastka błędu średniokwadratowego (0,195) w zakresie 0,42,5 µm stwierdzono w przypadku poligonu R30 (ryc. 33.). Łąka znajdowała się na Równinie Mszczonowskiej. Rosły tu gatunki wiechlinowate i koniczyna. Łąka była podsiewana, koszona i określono ją jako niejednorodną, głównie ze względu na obecność koniczyny. Dość dobrze modelowane były wartości odbicia promieniowania w zakresie widzialnym, natomiast w zakresie podczerwonym wartości znacznie odbiegały od wzorcowej krzywej. Różnica w wartościach odbicia sięgała 0,3. Na poligonie R30 był także największy błąd w zakresie bliskiej podczerwieni, wynoszący 0,2301. Na błędy w modelowaniu wpływała zarówno zbyt mała wartość parametru określającego zawartość wody (Cw), jak i zbyt duże wartości wskaźnika powierzchni projekcyjnej liści (LAI) i zawartości masy suchej (Cm). Krzywa modelowana miała znacząco większe wartości współczynnika odbicia w porównaniu Współćzynnik odbica (Reflectance coefficient) do pobranej w terenie. 1,0 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0,0 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2,0 2,1 2,2 2,3 2,4 2,5 Długość fali w µm (Wavelength in µm) 1 2 Ryc. 33. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSAIL-1 (2) – poligon R30 Fig. 33. The spectral reflectance from field measurements (1) and modeled using PROSAIL-1 database (2) – R30 research area 114 Zakres 0,4-0,6 µm. Dość niewielkie wartości błędu średniokwadratowego występowały w zakresie widzialnym od 0,4 do 0,6 µm. Najmniejszy błąd – 0,0028 stwierdzono w przypadku poligonu R24, a największy (0,0897) poligonu S12. Na R21, 6 poligonach: R27, R28, R29, S12 i S15, wartość pierwiastka błędu średniokwadratowego przekraczała 0,05. W przedziale widma od 0,4 do 0,6 µm błędy były najniższe wśród wszystkich zakresów. Najmniejszy pierwiastek błędu średniokwadratowego w tym zakresie był na poligonie R24, gdzie wyniósł 0,0028 (ryc. 34.). Łąka znajdowała się na poligonie na Równinie Mszczonowskiej. Była to łąka uprawiana – niejednorodna i niedawno skoszona. Porośnięta była trzcinnikiem piaskowym (Calamagrostisepigeios), wiechliną łąkową (Poapratensis), łyszczcem polnym (Gypsophilamuralis), wyką płotową (Viciasepium), prosownicą rozpierzchłą (Miliumeffusum) i mietlicą pospolitą (Agrostiscapillaris). W omawianym zakresie spektrum krzywa modelowana i mierzona w terenie miały prawie Współćzynnik odbica (Reflectance coefficient) identyczny przebieg. 1,0 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0,0 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2,0 2,1 2,2 2,3 2,4 2,5 Długość fali w µm (Wavelength in µm) 1 2 Ryc. 34. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSAIL-1 (2) – poligon R24 Fig. 34. The spectral reflectance from field measurements (1) and modeled using PROSAIL-1 database (2) – R24 research area 115 Współćzynnik odbica (Reflectance coefficient) 1,0 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0,0 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2,0 2,1 2,2 2,3 2,4 2,5 Długość fali w µm (Wavelength in µm) 1 2 Ryc. 35. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSAIL-1 (2) – poligon S12 Fig. 35. The spectral reflectance from field measurements (1) and modeled using PROSAIL-1 database (2) – S12 research area W zakresie 0,4-0,6 µm najgorzej były modelowane wartości odbicia spektralnego w przypadku poligonu S12 (ryc. 35.); wartość pierwiastka błędu średniokwadratowego wyniosła 0,0897. Badana łąka znajdowała się na Ziemi Zakroczymsko-Serockiej. Była określona jako jednorodna, była porośnięta rajgrasem wyniosłym (Arrhenatherumelatius) i mietlicą pospolitą (Agrostiscapillaris). Była uprawiana – niepodsiewana i koszona. Największe różnice między dwoma krzywymi wystąpiły w zakresie od 0,5 do 0,6 µm, gdzie wartości modelowane były wyraźnie przeszacowane. Zakres 0,4-0,8 µm. W tym zakresie widma wartości pierwiastka błędu średniokwadratowego także były niewielkie: od 0,008 na poligonie S17 do 0,09 na poligonie S12. Na 13 poligonach wartość pierwiastka błędu średniokwadratowego przekroczyła 0,05. W całym zakresie widma 0,4-0,8 µm najlepsze rezultaty uzyskano w odniesieniu do poligonu S17 (ryc. 36.). Wartość pierwiastka błędu średniokwadratowego wyniosła 0,008. Na łąkach tego poligonu rosły mietlica pospolita (Agrostiscapillaris) i w niewielkich ilościach szczaw zwyczajny (Rumexacetosa), dlatego łąkę można było uznać za jednorodną. Obszar znajdował się na Ziemi Zakroczymsko-Serockiej. Łąka była uprawiana – koszona, ale 116 niepodsiewana. W zakresie widzialnym przebieg krzywej modelowanej był bardzo zbliżony do krzywej „terenowej”. Niewielkie różnice występowały w zakresie od 0,4 do 0,5 µm i od 0,65 do 0,7 µm, w których wartości modelowane były niższe niż te pochodzące Współćzynnik odbica (Reflectance coefficient) z pomiarów terenowych. 1,0 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0,0 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2,0 2,1 2,2 2,3 2,4 2,5 Długość fali w µm (Wavelength in µm) 1 2 Ryc. 36. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSAIL-1 (2) – poligon S17 Fig. 36. The spectral reflectance from field measurements (1) and modeled using PROSAIL-1 database (2) – S17 research area Największą wartość (0,09) pierwiastek błędu średniokwadratowego w zakresie 0,40,8 µm miał w przypadku poligonu S12, już wcześniej opisanego (ryc. 35.). Zakres 0,8-1,5 µm. Na dość duże wartości pierwiastka błędu średniokwadratowego w całym optycznym zakresie promieniowania wpłynęła głównie wielkość błędu w zakresie podczerwonym. Wartość RMSE w bliskiej podczerwieni wynosiła od 0,0495 na łące poligonu R10 do 0,2301 na łące poligonu R30. W przypadku 27 poligonów wartość błędu przekroczyła 0,1, a na 7 poligonach (R8, R18, R26, R30, R31, S7 i D3) była wyższa od 0,15. W zakresie bliskiej podczerwieni najmniejszy (0,0459) pierwiastek błędu średniokwadratowego był w przypadku łąki na poligonie R10, opisanej poprzednio (ryc. 32.), największy natomiast (0,2301) na poligonie R30 (ryc. 33.). 117 Zakres 1,5-2,5 µm. Największe błędy w modelowaniu krzywych odbicia spektralnego wykonanym z zestawem danych PROSAIL-1 wystąpiły w zakresie środkowej podczerwieni. W zakresie tym na odbicie promieniowania dominujący wpływ ma zawartość wody. Wartości pierwiastka błędu średniokwadratowego mieściły się w przedziale od 0,0407 na poligonie S10 do 0,2421 na poligonie D3. Na 21 poligonach wartość pierwiastka błędu średniokwadratowego była mniejsza niż 0,1. Na czterech poligonach (R21, R30, S7 i D3) Współćzynnik odbica (Reflectance coefficient) wartość błędu przekroczyła 0,2. 1,0 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0,0 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2,0 2,1 2,2 2,3 2,4 2,5 Długość fali w µm (Wavelength in µm) 1 2 Ryc. 37. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSAIL-1 (2) – poligon S10 Fig. 37. The spectral reflectance from field measurements (1) and modeled using PROSAIL-1 database (2) – S10 research area Krzywą o najmniejszym pierwiastku błędu średniokwadratowego (0,0407) w tym zakresie zanotowano dla łąki na poligonie S10 (ryc. 37.). Wartości modelowane znacznie tutaj różniły się od zmierzonych w terenie. Różnica między wartościami współczynnika odbicia zbliżała się do 0,1 w zakresie 1,5-1,6 µm. W zakresie fal od 1,5 do 1,7 µm i od 1,75 do 2,125 µm wartości modelowane były przeszacowane. Łąka na poligonie S10 znajdowała się na Ziemi Zakroczymsko-Serockiej. Była uprawiana: podsiewana, a także o zredukowanej przez skoszenie biomasie. Była ona dość jednorodna – porośnięta mietlicą pospolitą 118 (Agrostiscapillaris), w niewielkim stopniu koniczyną łąkową (Trifolium pratense) i perzem Współćzynnik odbica (Reflectance coefficient) właściwym (Elymusrepens). 1,0 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0,0 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2,0 2,1 2,2 2,3 2,4 2,5 Długość fali w µm (Wavelength in µm) 1 2 Ryc. 38. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSAIL-1 (2) – poligon D3 Fig. 38. The spectral reflectance from field measurements (1) and modeled using PROSAIL-1 database (2) – D3 research area Najgorzej modelowana krzywa odbicia spektralnego w zakresie środkowej podczerwieni dotyczy poligonu D3, znajdującego się w Dolinie Środkowej Wisły. Wartość pierwiastka błędu średniokwadratowego wyniosła tu 0,2421 (ryc. 38.). Łąka była porośnięta mietlicą pospolitą (Agrostiscapillaris), wiechliną łąkową (Poapratensis), koniczyną łąkową (Trifolium pratense) i mniszkiem lekarskim (Taraxacumofficinale). Była intensywnie użytkowana – podsiewana i skoszona. W całym badanym zakresie widma wartości modelowane znacznie przekraczały te uzyskane w pomiarach terenowych. Różnice między wartościami współczynników odbicia były większe od 0,3 – największa rozbieżność była w zakresie około 1,5 µm i malała wraz z długością fali. 5.2.1.2. Modelowanie na podstawie danych PROSAIL-2 Następnie przeprowadzono badania na podstawie drugiego zestawu danych – PROSAIL-2, w którym dane zostały częściowo zmodyfikowane. Dopasowanie polegało, jak już to przedstawiono w rozdziale 4.3, na zmodyfikowaniu wartości parametrów określających 119 zawartość wody i barwników tak, aby uzyskać jak najmniejsze wartości błędów. Pełen zestaw rozbieżności w wartościach odbicia spektralnego i przebiegu krzywych spektralnych 0,18 0,17 0,16 0,15 0,14 0,13 0,12 0,11 0,10 0,09 0,08 0,07 0,06 0,05 0,04 0,03 0,02 0,01 0,00 R1 R5 R6 R7 R8 R9 R10 R11 R12 R13 R14 R15 R16 R17 R18 R19 R20 R21 R22 R23 R24 R25 R26 R27 R28 R29 R30 R31 R32 S1 S2 S3 S4 S5 S7 S8 S10 S11 S12 S13 S14 S15 S16 S17 S18 D1 D2 D3 D4 D5 Pierwiastek błędu średniokwadratowego (Root Mean Square Error - RMSE) wyrażany pierwiastkiem błędu średniokwadratowego znajduje się w załączniku 13. 1 2 3 4 5 Poligony badawcze (Research areas) Ryc. 39. Wartości pierwiastka błędu średniokwadratowego między krzywymi odbicia spektralnego modelowanymi z użyciem PROSAIL (zestaw danych PROSAIL-2) i uzyskanymi z pomiarów terenowych. Zakresy spektrum: 1 – 0,4-2,5 µm; 2 – 0,4-0,6 µm; 3 – 0,4-0,8 µm; 4 – 0,8-1,5 µm; 5 – 1,5-2,5 µm Fig. 39. The values of Root Mean Square Error calculated using spectral reflectance field measurements and spectral reflectance modelled using PROSAIL-2 database. Wavelength: 1 – 0,4-2,5 µm; 2 – 0,4-0,6 µm; 3 – 0,40,8 µm, 4 – 0,8-1,5 µm; 5 – 1,5-2,5 µm Zakres 0,4-2,5 µm. Średnia wartość pierwiastka błędu średniokwadratowego w całym modelowanym zakresie widma wyniosła 0,0362, czyli stanowiła trzecią część z pierwszego zestawu danych. Wartość błędu wynosiła od 0,0101 w przypadku poligonu D5 do 0,108 poligonu R30 (ryc. 39.). Na 9 poligonach (R5, R18, R19, R26, R30, R31, S7, S11 i D3) wartość błędu przekroczyła 0,05. Jak wspomniano, najlepiej modelowany przebieg krzywej spektralnej w całym zakresie widma od 0,4 do 2,5 µm, o wartości pierwiastka błędu średniokwadratowego 0,0101, stwierdzono na łące poligonu D5. Tutaj też była najmniejsza wartość błędu w zakresie środkowej podczerwieni – 0,0055 (ryc. 40.). Była to łąka położona w Dolinie Środkowej Wisły, porośnięta kupkówką zwyczajną (Dactylisglomerata), mietlicą pospolitą 120 (Agrostiscapillaris), babką lancetowatą (Plantagolanceolata) i mniszkiem lekarskim (Taraxacumofficinale). Ze względu na dość zróżnicowaną roślinność, a szczególnie jej strukturę, łąka została określona jako niejednorodna. Była uprawiana – niepodsiewana, ale skoszona, czyli o zredukowanej biomasie. Porównanie obu krzywych odbicia spektralnego Współćzynnik odbica (Reflectance coefficient) w zakresie bliskiej podczerwieni wykazuje nieznaczne między nimi różnice. 1,0 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0,0 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2,0 2,1 2,2 2,3 2,4 2,5 Długość fali w µm (Wavelength in µm) 1 2 Ryc. 40. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSAIL-2 (2) – poligon D5 Fig. 40. The spectral reflectance from field measurements (1) and modeled using PROSAIL-2 database (2) – D5 research area Największe wartości pierwiastka błędu średniokwadratowego w zakresie 0,4-2,5 µm stwierdzono na poligonie R30 (ryc. 41.). Podobnie było w przypadku modelowania z użyciem zestawu danych PROSAIL-1. Porównując modelowane i „terenowe” krzywe odbicia spektralnego, stwierdzono, że w zakresie widzialnym wartości modelowane są zbliżone do wartości zarejestrowanych w terenie. W pozostałych fragmentach spektrum wartości współczynnika odbicia były znacznie przeszacowane. W tym przypadku zanotowano także największy błąd (0,0715) w zakresie widma od 0,4 do 0,8 µm i bliskiej podczerwieni, od 0,8 do 1,5 µm (0,1658). W zakresie 0,4-0,7 µm różnice między krzywymi były niewielkie. Na duże wartości pierwiastka błędu średniokwadratowego miała wpływ bardzo rozbieżność w wartościach współczynnika odbicia w zakresie 0,7-0,8 µm, sięgająca 0,2. 121 1,0 Współćzynnik odbica (Reflectance coefficient) 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0,0 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2,0 2,1 2,2 2,3 2,4 2,5 Długość fali w µm (Wavelength in µm) 1 2 Ryc. 41. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSAIL-2 (2) – poligon R30 Fig. 41. The spectral reflectance from field measurements (1) and modeled using PROSAIL-2 database (2) – R30 research area 1,0 Współćzynnik odbica (Reflectance coefficient) 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0,0 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2,0 2,1 2,2 2,3 2,4 2,5 Długość fali w µm (Wavelength in µm) 1 2 Ryc. 42. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSAIL-2 (2) – poligon R24 Fig. 42. The spectral reflectance from field measurements (1) and modeled using PROSAIL-2 database (2) – R24 research area 122 Zakres 0,4-0,6 µm. W tym zakresie widma wartości pierwiastka błędu średniokwadratowego wynosiły od 0,0028 na poligonie R24 do 0,0499 na poligonie D3. Maksymalna wartość błędu była o połowę mniejsza niż w zakresie 0,4-2,5 µm. Na 34 poligonach wartości pierwiastka błędu średniokwadratowego były mniejsze niż 0,01. Najmniejsze wartości pierwiastka błędu średniokwadratowego w zakresie 0,4-0,6 µm stwierdzono na łąkach poligonu R24 (ryc. 42.). Błąd wyniósł 0,0028, czyli tyle samo, ile w przypadku pierwszego zestawu danych PROSAIL-1 na tym samym poligonie. Tak samo jak poprzednio błędy występowały jedynie w zakresie od 0,7 do 0,8 µm. Poligonem o największej wartości pierwiastka błędu średniokwadratowego w zakresie od 0,4 do 0,6 µm był D3, gdzie błąd wyniósł 0,0499 (ryc. 43.). W opisywanym zakresie wartości modelowane były przeszacowane w stosunku do danych pobranych w terenie. W tym zakresie stwierdzono także największy błąd w zakresie środkowej podczerwieni (0,0712). Również wartości na terenie tego poligonu modelowane na podstawie zestawu PROSAIL-1 Współćzynnik odbica (Reflectance coefficient) cechowały się dużymi błędami. 1,0 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0,0 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2,0 2,1 2,2 2,3 2,4 2,5 1 2 Długość fali w µm (Wavelength in µm) Ryc. 43. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSAIL-2 (2) – poligon D3 Fig. 43. The spectral reflectance from field measurements (1) and modeled using PROSAIL-2 database (2) – D3 research area 123 Zakres 0,4-0,8 µm. W tym zakresie widma najmniejszy błąd stwierdzono na poligonie R20 – 0,0066, a największy na poligonie R30 – 0,0715. Na 27 poligonach wartość błędu przekroczyła 0,02, a 6 poligonów (R18, R19, R30, R31, S11 i D3) odznaczyło się wartościami błędu większymi niż 0,05. Na większości poligonów błędy były większe niż w zakresie widma 0,4-0,6 µm. Krzywa o najmniejszej wartości pierwiastka błędu średniokwadratowego (0,0066) w zakresie 0,4-0,8 µm była na łące poligonu R20 (ryc. 44.). Łąka znajdowała się na Równinie Mszczonowskiej. Była intensywnie uprawiana – podsiewana i koszona. Porośnięta była mietlicą pospolitą (Agrostiscapillaris), kupkówką pospolitą (Dactylisglomerata), rajgrasem wyniosłym (Arrhenatherumelatius), trzcinnikiem piaskowym (Calamagrostisepigeios), tymotką łąkową (Phleumpratense) i szczawiem zwyczajnym (Rumexacetosa). Ze względu na duże zróżnicowanie roślinności została określona jako niejednorodna. W omawianym zakresie krzywe odbicia spektralnego modelowana i „terenowa”, były do siebie bardzo zbliżone, zarówno w zakresie widzialnym, jak i na skraju promieniowania czerwonego – 0,70,8 µm (Red Edge). 1,0 Współćzynnik odbica (Reflectance coefficient) 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0,0 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2,0 2,1 2,2 2,3 2,4 2,5 Długość fali w µm (Wavelength in µm) 1 2 Ryc. 44. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSAIL-2 (2) – poligon R20 Fig. 44. The spectral reflectance from field measurements (1) and modeled using PROSAIL-2 database (2) – R20 research area Największy błąd w tym zakresie (0,0715) dotyczył poligonu R30, wcześniej opisanego (ryc. 41.). 124 Zakres 0,8-1,5 µm. Największe błędy, w odróżnieniu od zestawu PROSAIL-1, stwierdzono w zakresie bliskiej podczerwieni, od 0,8 do 1,5 µm (średni błąd wyniósł 0,0519). W tym zakresie największy wpływ na wartość odbicia promieniowania ma biomasa, czyli wskaźnik projekcyjnej powierzchni liści (LAI) i zawartość masy suchej (Cm). Pierwiastek błędu średniokwadratowego mieścił się w zakresie od 0,0143 w przypadku poligonu S18 do 0,1658 – poligonu R30. Na 20 poligonach wartości błędu przekraczały 0,05, a na 5 (R18, R19, R26, R30 i S11) – 0,1. Modelowana krzywa odbicia spektralnego o najmniejszej wartości (0,0143) pierwiastka błędu średniokwadratowego w zakresie bliskiej podczerwieni była modelowana w przypadku poligonu S18 (ryc. 45.). Była to łąka na Ziemi Zakroczymsko-Serockiej, porośnięta w znacznej mierze kupkówką zwyczajną (Dactylisglomerata) oraz w niewielkim stopniu mniszkiem lekarskim (Taraxacumofficinale) i szczawiem zwyczajnym (Rumexacetosa); dlatego została określona jako jednorodna. Tuż przed wykonaniem pomiarów łąka była skoszona. W opisywanym zakresie widma, od 0,8 do 1,5 µm, wartości Współćzynnik odbica (Reflectance coefficient) odbicia spektralnego modelowane i zmierzone w terenie miały zbliżone wartości. 1,0 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0,0 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2,0 2,1 2,2 2,3 2,4 2,5 Długość fali w µm (Wavelength in µm) 1 2 Ryc. 45. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSAIL-2 (2) – poligon S18 Fig. 45. The spectral reflectance from field measurements (1) and modeled using PROSAIL-2 database (2) – S18 research area 125 Największe błędy (0,1658) w zakresie bliskiej podczerwieni stwierdzono na wcześniej opisanym poligonie R30 (ryc. 41.). Zakres 1,5-2,5 µm. W porównaniu z zakresem 0,8-1,5 µm średni błąd w zakresie 1,52,5 µm był dość niewielki (0,0177). Największą wartość pierwiastka błędu średniokwadratowego (0,0712) stwierdzono w przypadku poligonu D3, a najmniejszą (0,0055) – poligonu D5. Na 15 poligonach błąd przekroczył 0,02, a w przypadku 3 (R22, R30 i D3) był większy niż 0,04. W porównaniu do zestawu PROSAIL-1 błąd w tym zakresie był znacznie mniejszy, na co miało wpływ dopasowanie parametru określającego zawartość wody. Najmniejszą wartość pierwiastek błędu średniokwadratowego (0,0055) w zakresie środkowej podczerwieni osiągnął w przypadku poligonu D5 (ryc. 40.), a największą (0,0712) poligonu D3 (ryc. 43.). Oba poligony scharakteryzowano wcześniej. 5.2.1.3. Ogólna ocena skuteczności modelu PROSAIL w modelowaniu charakterystyk spektralnych łąk badanych poligonów w wybranych zakresach widma Podsumowując średniokwadratowego badania, odbicia trzeba stwierdzić, spektralnego że obliczone wartości na pierwiastka podstawie błędu modelowania z zastosowaniem zestawu PROSAIL-2 były mniejsze, a także mniejsze było jego zróżnicowanie niż te uzyskane na podstawie danych PROSAIL-1. Dość podobne wartości pierwiastka błędu średniokwadratowego odnotowano w zakresach 0,4-0,6 i 0,4-0,8 µm, natomiast duże różnice zanotowano w podczerwieni. 5.2.2. Skuteczność modelu PROSAIL w modelowaniu charakterystyk spektralnych łąk według ich rodzajów Kolejnym etapem badań było porównanie wartości pierwiastka błędu średniokwadratowego w zależności od rodzaju łąk. Badane 50 poligonów podzielono na 3 rodzaje w zależności od ich użytkowania. Tak więc, były to łąki uprawiane o biomasie zredukowanej przez skoszenie (11 poligonów), uprawiane o dużej biomasie – koszone (29 poligonów) i nieuprawiane, czyli niekoszone w ogóle (10 poligonów). Badano różnice między uśrednionymi wartości pierwiastka błędu średniokwadratowego, w każdym z dwóch zestawów danych – PROSAIL-1 i PROSAIL-2. Tak jak przy badaniach z użyciem modelu PROSPECT, istotność statystyczną różnic między danymi modelowanymi a uzyskanymi bezpośrednio w terenie sprawdzono na trzech niezależnych próbach, używając testu nieparametrycznego Kruskala-Wallisa. Porównanie trzech rodzajów łąk z użyciem testu Kruskala-Wallisa umieszczono w załączniku 14. 126 5.2.2.1. Modelowanie na podstawie danych PROSAIL-1 Najpierw opisano zależności na podstawie zestawu danych PROSAIL-1 (ryc. 46., tab. 16.). W całym zakresie widma (0,4-2,5 µm) i w dwóch zakresach podczerwieni (0,8-1,5 i 1,52,5 µm) wystąpiła ta sama zależność między wielkością błędów. Najmniejsze wartości uśrednionego pierwiastka błędu średniokwadratowego stwierdzono w przypadku łąk nieuprawianych, gdzie roślinność była najbardziej zróżnicowana, a biomasa była duża. Największe błędy występowały na terenie łąk uprawianych o skoszonej, czyli zredukowanej biomasie. W zakresie od 0,4 do 2,5 µm wartość pierwiastka błędu średniokwadratowego łąk w przypadku nieuprawianych wyniosła 0,0874, uprawianych nieskoszonych – 0,1038, a uprawianych i skoszonych – 0,1277. Pierwiastek błędu średniokwadratowego (Root Mean Square Error - RMSE) 0,18 0,16 0,14 0,12 0,10 0,08 0,06 0,04 0,02 0,00 0,4-2,5 µm 1 2 3 0,4-0,6 µm 0,4-0,8 µm 0,8-1,5 µm Długość fali w µm (Wavelength in µm) 1,5-2,5 µm Ryc. 46. Wartości pierwiastka błędu średniokwadratowego obliczone na podstawie modelowanych krzywych odbicia spektralnego (zestaw danych PROSAIL-1) względem krzywych zmierzonych w terenie; łąki: 1 – uprawiane o zredukowanej biomasie, 2 – uprawiane o dużej biomasie, 3 – nieuprawiane Fig. 46. The RMSE value calculated using modelled (PROSAIL-1 database) and measured spectral reflectance for: 1 – cultivated meadows with reduced amount of biomass, 2 – cultivated meadows with high amount of biomass, 3 – not cultivated meadows W zakresach 0,4-0,6 i 0,4-0,8 µm różnice między wielkością błędów były bardzo niewielkie i nieistotne statystycznie. Największa różnica w wartościach pierwiastka błędu średniokwadratowego między rodzajami łąk wyniosła 0,0045 w zakresie 0,4-0,6 µm, a 0,0019 w zakresie 0,4-0,8 µm. 127 Tab. 16. Wartości pierwiastka błędu średniokwadratowego obliczone na podstawie modelowanych krzywych odbicia spektralnego (zestaw danych PROSAIL-1) względem krzywych opracowanych na podstawie danych terenowych według rodzajów łąk Tab. 16. The RMSE value calculated using modelled (PROSAIL-1 database) and measured spectral reflectance regarding to the different meadow types 1 Rodzaj łąki Type of meadow 2 3 0,4-2,5 µm 0,1277 0,1038 0,0874 0,4-0,6 µm 0,0243 0,0267 0,0222 0,4-0,8 µm 0,0374 0,0382 0,0363 0,8-1,5 µm 0,1270 0,1030 0,0976 Badany zakres Wavelength 1,5-2,5 µm 0,1527 0,1221 0,0928 1 – łąki uprawiane o zredukowanej biomasie, 2 – łąki uprawiane o dużej biomasie; 3 – nieuprawiane 1 – cultivated meadows with reduced amount of biomass; 2 – cultivated meadows with high amount of biomass; 3 – not cultivated meadows Największe wartości pierwiastka błędu średniokwadratowego wystąpiły w zakresie środkowej podczerwieni na łąkach skoszonych. Średnia wartości błędu wyniosła tu 0,1527, a na łąkach nieuprawianych – 0,0928. W zakresie tym, różnice były istotne statystycznie (p ≤ 0,037). W pozostałych zakresach nie występowały różnie istotne statystycznie. 5.2.2.2. Modelowanie na podstawie danych PROSAIL-2 Następnie zbadano skuteczność modelowania w zależności od rodzaju łąki na podstawie zestawu danych modyfikowanych PROSAIL-2 (ryc. 47., tab. 17.). W tym zestawie danych zauważono niewielkie różnice w skuteczności modelowania między poszczególnymi rodzajami łąk. W całym zakresie od 0,4 do 2,5 µm najmniejsze wartości uśrednionego pierwiastka błędu średniokwadratowego (0,0355) uzyskano w przypadku łąk nieuprawianych, a w pozostałych dwóch rodzajach łąk uprawianych błąd był niewiele większy (0,0364). Można więc stwierdzić, że skuteczność modelowania nie zależała od rodzaju łąki. Badając poszczególne zakresy widma elektromagnetycznego, widać również niewielkie różnice między rodzajami łąk. W zakresie od 0,4 do 0,6 µm największe wartości pierwiastka błędu średniokwadratowego (0,0061) przypadły na łąki uprawiane o zredukowanej biomasie. W zakresie od 0,8 do 1,5 µm największe błędy były na łąkach uprawianych o dużej biomasie. W pozostałych zakresach (0,4-0,6, 0,4-0,8 i 1,5-2,5 µm) 128 na tego typu łąkach występowały najmniejsze błędy. W żadnym z opisywanych zakresów nie było różnic istotnych statystycznie. Pierwiastek błędu średniokwadratowego (Root Mean Square Error - RMSE) 0,08 0,07 0,06 0,05 0,04 0,03 0,02 0,01 0,00 0,4-2,5 µm 1 2 0,4-0,6 µm 0,4-0,8 µm 0,8-1,5 µm Długość fali w µm (Wavelength in µm) 1,5-2,5 µm 3 Ryc. 47. Wartości pierwiastka błędu średniokwadratowego obliczone na podstawie modelowanych krzywych odbicia spektralnego (zestaw danych PROSAIL-2) względem krzywych zmierzonych w terenie; łąki: 1 – uprawiane o zredukowanej biomasie, 2 – uprawiane o dużej biomasie, 3 – nieuprawiane Fig. 47. The RMSE value calculated using modelled (PROSAIL-2 database) and measured spectral reflectance: 1 – cultivated meadows with reduced amount of biomass; 2 – cultivated meadows with high amount of biomass; 3 – not cultivated meadows Tab. 17. Wartości pierwiastka błędu średniokwadratowego obliczone na podstawie modelowanych krzywych odbicia spektralnego (zestaw danych PROSAIL-2) względem krzywych opracowanych na podstawie danych terenowych Tab. 17. The RMSE value calculated using modelled (PROSAIL-2 database) and measured spectral reflectance regarding to the different meadow types Rodzaj łąki Type of meadow 1 2 3 0,4-2,5 µm 0,0364 0,0364 0,0355 0,4-0,6 µm 0,0142 0,0081 0,0101 0,4-0,8 µm 0,0287 0,0256 0,0295 0,8-1,5 µm 0,0500 0,0536 0,0490 1,5-2,5 µm 0,0204 0,0163 0,0188 1 – łąki uprawiane o zredukowanej biomasie, 2 – łąki uprawiane o dużej biomasie; 3 – nieuprawiane 1 – cultivated meadows with reduced amount of biomass; 2 – cultivated meadows with high amount of biomass; 3 – not cultivated meadows Badany zakres Wavelength 129 5.2.2.3. Ogólna ocena skuteczności modelu PROSAIL w modelowaniu charakterystyk spektralnych łąk według ich rodzajów Na podstawie pierwszego zestawu danych obliczonych bezpośrednio z pomiarów terenowych (PROSAIL-1) można stwierdzić, że w zakresie podczerwieni błąd jest największy w przypadku łąk uprawianych o sztucznie zredukowanej biomasie. W zakresie widzialnym różnice w skuteczności modelowania są nieistotne. W przypadku drugiego zestawu danych zmodyfikowanych (PROSAIL-2) różnice między wartościami uśrednionego pierwiastka błędu średniokwadratowego są niewielkie i nieistotne statystycznie. 5.2.3. Skuteczność modelu PROSAIL w modelowaniu charakterystyk spektralnych łąk według parametrów biofizycznych W kolejnym etapie zbadano wartości pierwiastka błędu średniokwadratowego odnośnie do trzech parametrów biofizycznych. Wskaźniki charakteryzujące wartości tych parametrów zostały podzielone w każdym przypadku na 3 klasy ich wartości. Badania zostały wykonane na obu zestawach danych – PROSAIL-1 i PROSAIL-2. Zbadano również istotność statystyczną różnic w poszczególnych zakresach spektralnych widma za pomocą testu rangowego Kruskala-Wallisa. Dokładne porównanie kategorii łąk z użyciem testu KruskalaWallisa w załącznikach: 15, 16 i 17. 5.2.3.1. Indeks powierzchni projekcyjnej liści (LAI) Na początku zbadano skuteczność modelowania na podstawie średnich wartości pierwiastka błędu średniokwadratowego odnośnie do wartości wskaźnika powierzchni projekcyjnej liści (LAI) (tab. 18.). W przypadku zestawu danych PROSAIL-1 dotyczących całego modelowanego zakresu największą średnią wartość pierwiastka błędu średniokwadratowego (0,1456) stwierdzono na łąkach w klasie najniższych wartości LAI – od 0 do 2. Wraz ze wzrostem wartości wskaźnika powierzchni projekcyjnej liści błąd malał. Różnice w tym zakresie osiągnęły bardzo wysoki poziom istotności statystycznej (p ≤ 0,0005). Na wartości błędów w zakresie widma 0,4-2,5 µm dominujący wpływ miały błędy w zakresach podczerwieni, w których wystąpił ten sam kierunek zmian. Największa wartość błędów była na łąkach o najniższych wartościach LAI: w zakresie bliskiej podczerwieni – 0,1353, a w środkowej podczerwieni – 0,1821. W zakresach tych różnice były istotne statystycznie (p ≤ 0,0005). W zakresach 0,4-0,6 i 0,4-0,8 µm różnice między błędami były znacznie mniejsze niż w zakresie podczerwieni, a także nieistotne statystycznie. W przedziale widma 0,4-0,6 µm 130 największy błąd stwierdzono na łąkach o wartościach LAI powyżej 4, a w zakresie 0,4-0,8 µm – na łąkach o wartościach LAI od 2,01 do 4. Tab. 18. Wartości pierwiastka błędu średniokwadratowego dotyczące poligonów podzielonych na grupy według wartości powierzchni projekcyjnej liści (modelowanie z użyciem zestawów danych PROSAIL-1 i PROSAIL-2) Tab. 18. The RMSE value for meadows with different Leaf Area Index value calculated using two databases: PROSAIL-1 and PROSAIL-2 Zestaw danych Database PROSAIL-1 PROSAIL-2 Powierzchnia projekcyjna liści Leaf Area Index 0-2 2,01-4 >4 0-2 2,01-4 >4 Pierwiastek błędu średniokwadratowego Root Mean Square Error 0,4-2,5 µm 0,4-0,6 µm 0,4-0,8 µm 0,8-1,5 µm 1,5-2,5 µm 0,1456 0,0220 0,0316 0,1353 0,1821 0,1100 0,0184 0,0393 0,1230 0,1187 0,0832 0,0331 0,0388 0,0782 0,1000 0,0353 0,0147 0,0271 0,0447 0,0261 0,0468 0,0101 0,0353 0,0692 0,0195 0,0291 0,0065 0,0208 0,0433 0,0118 W przypadku zestawu danych PROSAIL-2 w całym zakresie widma od 0,4 do 2,5 µm największy błąd, o wartości 0,0468, wystąpił w przypadku łąk o LAI pomiędzy 2,01 a 4. Także w tym przedziale wartości wskaźnika powierzchni projekcyjnej liści największe wartości pierwiastka błędu średniokwadratowego były w zakresach od 0,4 do 0,8 µm i od 0,8 do 1,5 µm. We fragmentach widma 0,4-0,6 i 1,5-2,5 µm największe błędy wystąpiły w przypadku łąk o wartości wskaźnika LAI poniżej 2. W zakresie środkowej podczerwieni różnice były istotne statystycznie (p ≤ 0,002). Podsumowując, można stwierdzić, że w zakresie środkowej podczerwieni największe wartości pierwiastka błędu średniokwadratowego na podstawie obu zestawów danych występują na łąkach o wartości wskaźnika powierzchni projekcyjnej liści poniżej 2. Modelowanie w zakresie podczerwieni na podstawie zestawu danych PROSAIL-1 jest coraz skuteczniejsze wraz ze wzrostem wartości wskaźnika LAI. Różnice w wartościach błędu w tym zakresie widma były istotne statystycznie, podobnie jak w całym modelowanym zakresie od 0,4 do 2,5 µm. Różnice między wartościami pierwiastka błędu średniokwadratowego na podstawie danych PROSAIL-2 są mniejsze. Największe błędy występują w przedziale wartości wskaźnika LAI od 2,01 do 4. W zakresie środkowej podczerwieni różnice były statystycznie istotne 131 5.2.3.2. Ilość biomasy świeżej Następnie określono skuteczność modelowania w zależności od ilości biomasy świeżej na 1 m2 (tab. 19.). Na ilość biomasy świeżej wpływa zawartość wody, której udział w ogólnej masie roślinności stanowi około 70-80%. W przypadku zestawu danych PROSAIL-1 w prawie każdym z opisywanych zakresów promieniowania błąd malał wraz ze wzrostem biomasy świeżej. Wyjątkiem był zakres widma od 0,4 do 0,6 µm, w którym tendencja była odwrotna. Największe różnice w wartości uśrednionych pierwiastków błędu średniokwadratowego wystąpiły w podczerwieni. Podobnie jak w przypadku wskaźnika powierzchni projekcyjnej liści, tak i w tym przypadku różnice istotne statystycznie dotyczyły przedziałów widma: 0,4-2,5 µm (p ≤ 0,0005), 0,8-1,5 µm (p ≤ 0,0005) i 1,5-2,5 µm (p ≤ 0,006). Tab. 19. Wartości pierwiastka błędu średniokwadratowego dotyczące poligonów podzielonych na grupy według ilości biomasy świeżej (modelowanie z użyciem zestawów danych PROSAIL-1 i PROSAIL-2) Tab. 19. The RMSE value for meadows with different quantity of fresh biomass calculated using two databases: PROSAIL-1 and PROSAIL-2 Zestaw danych Database PROSAIL-1 PROSAIL-2 Biomasa świeża w Fresh biomass kg/1 m2 0,4-2,5 µm 0,4-0,6 µm 0,4-0,8 µm 0,8-1,5 µm 1,5-2,5 µm <0,75 0,76-1,5 >1,5 <0,75 0,76-1,5 >1,5 0,1267 0,0952 0,0699 0,0433 0,0327 0,0238 0,0240 0,0263 0,0269 0,0133 0,0069 0,0062 0,0406 0,0362 0,0326 0,0333 0,0231 0,0178 0,1309 0,0951 0,0669 0,0618 0,0474 0,0342 0,1462 0,1112 0,0835 0,0216 0,0155 0,0116 Pierwiastek błędu średniokwadratowego Root Mean Square Error W przypadku zestawu danych PROSAIL-2 różnice w wartości błędów były mniejsze, ale zależności takie same we wszystkich zakresach widma. Wraz ze wzrostem ilości biomasy zmniejszała się wartość pierwiastka błędu średniokwadratowego. Różnice między poszczególnymi klasami ilości biomasy były istotne statystycznie tak w całym zakresie widma 0,4-2,5 µm (p ≤ 0,022), jak i jego w fragmentach: 0,4-0,6 µm – p ≤ 0,016; 0,4-0,8 µm – p ≤ 0,016 i 1,5-2,5 µm – p ≤ 0,028. Największe różnice w wartościach pierwiastka błędu średniokwadratowego między klasami biomasy wystąpiły w zakresie bliskiej podczerwieni (0,8-1-5 µm), jednak, ze względu na duże zróżnicowanie wielkości błędów wewnątrz klas, nie były one istotne statystycznie. 132 W obu zestawach danych wystąpiła wyraźna tendencja – im większa jest ilość biomasy świeżej, tym lepsze są rezultaty modelowania z użyciem PROSAIL. W większości zakresów widma różnice w wartościach pierwiastka błędu średniokwadratowego były istotne statystyczne. 5.2.3.3. Zawartość wody Ostatnim z omawianych parametrów biofizycznych z punktu widzenia skuteczności modelowania była zawartość wody w roślinie (tab. 20.). W przypadku danych PROSAIL-1 w całym zakresie (od 0,4 do 2,5 µm) i w obu zakresach promieniowania podczerwonego wraz ze wzrostem zawartości wody rosła wartość pierwiastka błędu średniokwadratowego. Na terenach łąk o zawartości wody w roślinach poniżej 70% wielkość błędu wyniosła 0,0811, a na łąkach o zawartości wody powyżej 80% – 0,1387. Największe różnice w wielkości błędów stwierdzono w środkowej podczerwieni, gdzie zawartość wody jest dominującym parametrem wpływającym na wielkość współczynnika odbicia. Różnice między trzema grupami łąk były istotne statystycznie. W zakresie widma 0,4-2,5 µm poziom istotności statystycznej różnic oceniono na p ≤ 0,001, w bliskiej podczerwieni (0,8-1,5 µm) – p ≤ 0,014, a w środkowej podczerwieni (1,5-2,5 µm) – p ≤ 0,0005. W przypadku zakresów 0,4-06 µm i 0,4-0,8 µm tendencja była odwrotna – im większa zawartość wody, tym mniejsza wartość błędu, a tym samym skuteczniejsze modelowanie. Różnice w tych zakresach nie były istotne statystycznie. Tab. 20. Wartości pierwiastka błędu średniokwadratowego dotyczące poligonów podzielonych na grupy według zawartości wody (modelowanie z użyciem zestawów danych PROSAIL-1 i PROSAIL-2) Tab. 20. The RMSE value for meadows with different water content calculated using two databases: PROSAIL-1 and PROSAIL-2 Zestaw danych Database PROSAIL-1 PROSAIL-2 Zawartość wody Water content < 70% 70,1-80% > 80% < 70% 70,1- 0% > 80% Pierwiastek błędu średniokwadratowego Root Mean Square Error 0,4-2,5 µm 0,4-0,6 µm 0,4-0,8 µm 0,8-1,5 µm 1,5-2,5 µm 0,0811 0,1143 0,1387 0,0325 0,0386 0,0371 0,0306 0,0231 0,0193 0,0086 0,0095 0,0139 0,0421 0,0359 0,0323 0,0275 0,0262 0,0290 0,0886 0,1145 0,1289 0,0463 0,0564 0,0504 0,0863 0,1353 0,1735 0,0150 0,0185 0,0219 Na podstawie zestawu danych PROSAIL-2 stwierdzono, że w podczerwieni zależności wielkości błędu od zawartości wody były zbliżone do opisanych poprzednio, choć 133 różnice w wielkości błędów były znacznie mniejsze. Wartość pierwiastka błędu średniokwadratowego wzrastała wraz z zawartością wody w zakresach 0,4-0,6 µm, 0,40,8 µm i 1,5-1,5 µm. W przypadku całego zakresu od 0,4 do 2,5 µm i bliskiej podczerwieni (0,8-1,5 µm) największe wartości błędów stwierdzono na łąkach o zawartości wody w roślinach od 70,1 do 80%, a najmniejsze poniżej 70%. Średni błąd w zakresie 0,4-2,5 µm na łąkach o zawartości wody w roślinach między 70,1 a 80% wyniósł 0,0386, a poniżej 70% – 0,0325. W przypadku tego zestawu danych żadne z różnic nie były istotne statystycznie. 5.2.3.4. Ogólna ocena skuteczności modelu PROSAIL w modelowaniu parametrów biofizycznych Na podstawie przeprowadzonych badań stwierdzono, że łąki o większej ilości biomasy świeżej charakteryzują się mniejszymi błędami w modelowaniu z użyciem PROSAIL. Odwrotne zależności występują w większości przedziałów spektrum w odniesieniu do zawartości wody: mniejsze błędy są w klasach o mniejszej zawartości wody. Na podstawie zestawu danych PROSAIL-1 stwierdzono, że w przypadku większych wartości wskaźnika powierzchni projekcyjnej liści (LAI) modelowanie jest skuteczniejsze w zakresie podczerwieni. 5.2.4. Skuteczność modelu PROSAIL w modelowaniu charakterystyk spektralnych według teledetekcyjnych wskaźników roślinności Następnie, tak samo jak w przypadku modelu PROSPECT, zbadano wartości teledetekcyjnych wskaźników roślinności obliczonych na podstawie krzywych odbicia spektralnego zmierzonych w terenie i modelowanych z wykorzystaniem modelu PROSAIL. Także w tym przypadku analizę ograniczono do charakterystyk uzyskanych na podstawie drugiego zestawu danych (PROSAIL-2), ponieważ na podstawie zestawu PROSAIL-1 różnice w modelowaniu były zbyt duże. Interpretacja modelowanych wartości tych wskaźników wskazywała na inne właściwości pokrywy roślinnej niż rzeczywiste, obliczone na podstawie danych terenowych. 5.2.4.1. Znormalizowany różnicowy wskaźnik zieleni (Normalized Difference Vegetation Index) Wartości znormalizowanego różnicowego wskaźnika zieleni w obrębie badanych łąk obliczone na podstawie krzywych odbicia spektralnego pomierzonych w terenie mieściły się w granicach od 0,66 do 0,93, a na podstawie wartości modelowanych z użyciem algorytmu PROSAIL – od 0,63 do 0,94 (ryc. 48.). Średnia różnica między wartościami mierzonymi a obliczonymi wyniosła 0,075. Na większości poligonów, z wyjątkiem R8, R21, R22, R29, 134 S2, S7, S11, S13, D3 i D4, wartości modelowane były zawyżone. Maksymalna różnica między wskaźnikami wystąpiła na poligonie D3 – 0,214, a najmniejsza na poligonie D2 – 0,004. W przypadku 16 poligonów różnica między wartościami wskaźnika zmierzonego w terenie i modelowanego wyniosła powyżej 0,1. Na pozostałych poligonach, modelowane wartości wskaźnika były zbliżone do terenowych. 1,0 0,9 0,8 0,7 NDVI 0,6 0,5 0,4 0,3 0,2 0,1 R1 R5 R6 R7 R8 R9 R10 R11 R12 R13 R14 R15 R16 R17 R18 R19 R20 R21 R22 R23 R24 R25 R26 R27 R28 R29 R30 R31 R32 S1 S2 S3 S4 S5 S7 S8 S10 S11 S12 S13 S14 S15 S16 S17 S18 D1 D2 D3 D4 D5 0,0 1 2 Poligony badawcze (Research areas) Ryc. 48. Wartość znormalizowanego różnicowego wskaźnika zieleni obliczona na podstawie krzywych odbicia spektralnego zmierzonych w terenie (1) i modelowanych przy użyciu zestawu danych PROSAIL-2 (2) Fig. 48. The values of Normalized Difference Vegetation Index calculated using spectral reflectance from field measurements (1) and spectral reflectance modelled using PROSAIL-2 database (2) 5.2.4.2. Krawędziowy czerwony wskaźnik roślinności (Red Edge Normalized Difference Vegetation Index) Wskaźnikiem określającym kondycję roślinności, a szczególnie zawartość chlorofilu, jest krawędziowy czerwony wskaźnik roślinności (Red Edge Normalized Difference Vegetation Index). Modelowane wartości tego wskaźnika wynosiły od 0,295 do 0,608, a terenowe od 0,253 do 0,638 (ryc. 49.). Wartości te niewiele różniły się między sobą: średnia różnica to 0,067. Największą różnicę wskaźników – 0,201 stwierdzono w przypadku poligonu R22, a najmniejszą – 0,0001 poligonu R31. W przypadku 10 poligonów rozbieżności wyniosły powyżej 0,1, na większości łąk wartości wskaźników policzone z dwóch źródeł były jednak wystarczająco zbliżone, aby można było na podstawie ich wartości wyciągnąć te same 135 wnioski o kondycji roślin i zawartości chlorofilu. Wartości modelowane były równie często niedoszacowane, jak i przeszacowane. 0,9 0,8 Wartość NDVI705 0,7 0,6 0,5 0,4 0,3 0,2 0,0 R1 R5 R6 R7 R8 R9 R10 R11 R12 R13 R14 R15 R16 R17 R18 R19 R20 R21 R22 R23 R24 R25 R26 R27 R28 R29 R30 R31 R32 S1 S2 S3 S4 S5 S7 S8 S10 S11 S12 S13 S14 S15 S16 S17 S18 D1 D2 D3 D4 D5 0,1 1 2 Poligony badawcze (Research areas) Ryc. 49. Wartość wartości krawędziowego czerwonego wskaźnika roślinności obliczona na podstawie krzywych odbicia spektralnego zmierzonych w terenie (1) i modelowanych przy użyciu zestawu danych PROSAIL-2 (2) Fig. 49. The values of Red Edge Normalized Difference Vegetation Index calculated using spectral reflectance from field measurements (1) and spectral reflectance modelled using PROSAIL-2 database (2) 5.2.4.3. Znormalizowany różnicowy wskaźnik ligniny (Normalized Difference Lignin Index) Znormalizowany różnicowy wskaźnik ligniny (Normalized Difference Lignin Index) określa zawartość ligniny w roślinach. Zakresy wartości wskaźników obliczonych z dwóch rodzajów charakterystyk spektralnych były podobne. W przypadku danych terenowych wyniosły on od 0,028 do 0,052, a wartości modelowanych od 0,027 do 0,055 (ryc. 50.). Największą różnicę stwierdzono na łące poligonu R30 – 0,02, a najmniejszą poligonu S5 – 0,00038. Wartości obu rodzajów wskaźników różniły się między sobą średnio o 0,007. Wartości wskaźnika modelowanego były prawie równie często zawyżone, jak i zaniżone w porównaniu z obliczonymi z krzywych pobranych w terenie. 136 0,06 0,05 NDLI 0,04 0,03 0,02 0,00 R1 R5 R6 R7 R8 R9 R10 R11 R12 R13 R14 R15 R16 R17 R18 R19 R20 R21 R22 R23 R24 R25 R26 R27 R28 R29 R30 R31 R32 S1 S2 S3 S4 S5 S7 S8 S10 S11 S12 S13 S14 S15 S16 S17 S18 D1 D2 D3 D4 D5 0,01 1 2 Poligony badawcze (Research areas) Ryc. 50. Wartość znormalizowanego różnicowego wskaźnika ligniny obliczona na podstawie krzywych odbicia spektralnego zmierzonych w terenie (1) i modelowanych przy użyciu zestawu danych PROSAIL-2 (2) Fig. 50. The values of Normalized Difference Lignin Index calculated using spectral reflectance from field measurements (1) and spectral reflectance modelled using PROSAIL-2 database (2) 5.2.4.4. Wskaźnik absorpcji celulozy (Cellulose Absorption Index) R1 R5 R6 R7 R8 R9 R10 R11 R12 R13 R14 R15 R16 R17 R18 R19 R20 R21 R22 R23 R24 R25 R26 R27 R28 R29 R30 R31 R32 S1 S2 S3 S4 S5 S7 S8 S10 S11 S12 S13 S14 S15 S16 S17 S18 D1 D2 D3 D4 D5 Poligony badawcze (Research areas) 0,010 0,005 CAI 0,000 -0,005 -0,010 -0,015 -0,020 1 2 Ryc. 51. Wartość wskaźnika absorpcji celulozy obliczona na podstawie krzywych odbicia spektralnego zmierzonych w terenie (1) i modelowanych przy użyciu zestawu danych PROSAIL-2 (2) Fig. 51. The values of Cellulose Absorption Index calculated using spectral reflectance from field measurements (1) and spectral reflectance modelled using PROSAIL-2 database (2) 137 Wartości wskaźnika absorpcji celulozy (Cellulose Absorption Index) obliczone na podstawie danych terenowych wynosiły od -0,007 do 0,010 i od -0,001 do -0,015 według danych modelowanych z użyciem algorytmu PROSAIL (ryc. 51.). Największa różnica między obu rodzajami wskaźnika (0,014) wystąpiła w przypadku poligonu R27, a najmniejsza (0,0001) poligonu R31. Średnia różnica między wartościami tego wskaźnika wyniosła 0,004. Znaczna część modelowanych wartości wskaźnika absorpcji celulozy była niższa od wartości pobranych w terenie. Wyjątek stanowią łąki na poligonach: R8, R22, R31, S2, S7, S10, D2 i D3. Mimo pewnego zróżnicowania wartości wskaźnika obliczonych na podstawie obu rodzajów danych (terenowych i modelowanych), różnice w jego wartościach w stosunku do tych, jakie może on przybierać dla roślin zielonych (-2 do 4), były nieistotne. 5.2.4.5. Wskaźnik kanału wody (Water Band Index) Wskaźnik kanału wody (Water Band Index), opisujący zawartość wody w liściach, na podstawie krzywych pobranych w terenie osiągał wartości od 0,955 do 1,09 a na podstawie danych modelowanych z użyciem PROSAIL od 0,983 do 1,147 (ryc. 52.). 1,4 1,2 WBI 1,0 0,8 0,6 0,4 0,2 R1 R5 R6 R7 R8 R9 R10 R11 R12 R13 R14 R15 R16 R17 R18 R19 R20 R21 R22 R23 R24 R25 R26 R27 R28 R29 R30 R31 R32 S1 S2 S3 S4 S5 S7 S8 S10 S11 S12 S13 S14 S15 S16 S17 S18 D1 D2 D3 D4 D5 0,0 1 2 Poligony badawcze (Research areas) Ryc. 52. Wartość wskaźnika kanału absorpcji wody obliczona na podstawie krzywych odbicia spektralnego zmierzonych w terenie (1) i modelowanych przy użyciu zestawu danych PROSAIL-2 (2) Fig. 52. The values of Water Band Index calculated using spectral reflectance from field measurements (1) and spectral reflectance modelled using PROSAIL-2 database (2) 138 Największą różnicę między wartościami wskaźnika stwierdzono na łące poligonu D3 – 0,088, a najmniejszą na poligonie R1 – 0,004. Większość modelowanych wskaźników miała wartości wyższe niż pobrane w terenie, z wyjątkiem poligonów S1, S3, S4, S10 i S18. Średnia różnica między wskaźnikami kanału wody modelowanymi a terenowymi wyniosła 0,039. Na większości poligonów wskaźniki kanału wody był dobrze modelowane, jedynie na terenie 17 poligonów różnica przekroczyła 0,05. Ogólnie można stwierdzić, że wartości WBI pochodzące z dwóch rodzajów danych miały bardzo zbliżone wartości. 5.2.4.6. Ogólna ocena skuteczności modelu PROSAIL w modelowaniu teledetekcyjnych wskaźników roślinności Podsumowując, należy stwierdzić, że w przypadku większości poligonów wskaźniki modelowane wskazują na te same charakterystyki roślinności co w przypadku danych pobranych w terenie. Najlepsze wyniki zostały osiągnięte w odniesieniu do wskaźnika kanału wody (WBI), nieco gorsze znormalizowanego różnicowego wskaźnika zieleni (NDVI) i krawędziowego czerwonego wskaźnika roślinności (NDVI705), a także wskaźników określających masę suchą: znormalizowanego różnicowego wskaźnika ligniny (NDLI) i wskaźnika absorpcji celulozy (CAI). 5.3. Podsumowanie W ostatniej części rozdziału przedstawione zostanie porównanie skuteczności modeli PROSPECT i PROSAIL, a następnie ogólne podsumowanie. Porównywano analogiczne zestawy danych dwóch modeli: dane obliczone bezpośrednio z pomiarów terenowych PROSPECT-1 i PROSAIL-1 oraz dane zmodyfikowane PROSPECT-2 i PROSAIL-2. Badając pierwsze zestawy danych stwierdzono, że łączny uśredniony pierwiastek błędu średniokwadratowego w zakresie widma od 0,4 do 2,5 µm, obliczony na podstawie zestawu danych PROSAIL-1 w stosunku do pomiarów terenowych wyniósł 0,1058, czyli był o 0,0068 większy niż w przypadku PROSPECT-1, gdzie wyniósł 0,099 (tab. 21.). W modelowaniu z zestawami danych modyfikowanych pierwiastek błędu średniokwadratowego w przypadku PROSAIL-2 osiągnął wartość 0,0362, a w przypadku zestawu PROSPECT-2 wyniósł 0,0311. Wartość pierwiastka błędu średniokwadratowego w całym modelowanym zakresie była większa w modelu PROSAIL niż w PROSPECT, jednak różnice między modelami nie były duże. W przypadku zestawów danych niezmodyfikowanych (PROSPECT-1 i PROSAIL-1) w zakresach podczerwieni (0,8-1,5 i 1,5-2,5 µm) lepsze wyniki modelowania uzyskano 139 z użyciem modelu PROSPECT. W zakresach promieniowania 0,4-0,6 i 0,4-0,8 µm bardziej skuteczny był model na poziomie pokrywy roślinnej PROSAIL. Tab. 21. Średnie wartości pierwiastków błędu średniokwadratowego obliczone między krzywymi odbicia spektralnego modelowanymi algorytmem PROSPECT i PROSAIL i uzyskanymi z pomiarów terenowych. W tabeli zaznaczono zielonym kolorem, w przypadku którego modelu otrzymano lepsze wyniki w zależności od użytego zestawu danych Tab. 21. The Root Mean Square Error values calculated using field measurements and PROSPECT and PROSAIL modelling. The green coloured cells of the table indicates better results for each database Zestaw danych Database PROSPECT-1 PROSAIL-1 PROSPECT-2 PROSAIL-2 0,4-2,5 0,0990 0,1058 0,0311 0,0362 0,4-0,6 0,0287 0,0253 0,0175 0,0098 Zakres w µm Wavelength in µm 0,4-0,8 0,0398 0,0376 0,0314 0,0270 0,8-1,5 0,0964 0,1072 0,0341 0,0519 1,5-2,5 0,1151 0,1230 0,0247 0,0177 W drugim zestawie danych (PROSPECT-2 i PROSAIL-2) wyniki były podobne, z wyjątkiem zakresu środkowej podczerwieni, gdzie bardziej skuteczny okazał się model PROSAIL niż PROSPECT. Ponadto podobnie w zakresach 0,4-0,6 i 0,4-0,8 µm lepsze wyniki modelowania uzyskano z użyciem modelu na poziomie pokrywy roślinności, a w bliskiej podczerwieni 0,8-1,5 µm z wykorzystaniem PROSPECT. Bardzo zbliżone relacje między wielkościami błędów uzyskano w przypadku modelowania PROSPECT i PROSAIL na podstawie obu zestawów danych w podziale łąk na rodzaje: uprawiane o dużej biomasie, uprawiane o zredukowanej biomasie i nieuprawiane. Porównano też różnice w skuteczności modelowania z użyciem PROSPECT i PROSAIL w zależności od wartości LAI, zawartości biomasy świeżej i wody. W przypadku wszystkich trzech parametrów różnice w skuteczności modelowania obu modeli były dość podobne, szczególnie w zakresach 0,8-1,5 i 1,5-2,5 µm. Rozbieżności między modelami były widoczne przy porównywaniu istotności statystycznej różnic w wielkości błędów. W przypadku trzech kategorii wartości LAI różnice istotne statystycznie stwierdzono w przypadku modelu PROSAIL. Ilość biomasy świeżej bardziej wpływała na skuteczność modelowania z użyciem PROSAIL niż PROSPECT. Zawartość wody miała równe znaczenie w skuteczności symulacji odbicia w obu modelach. Generalnie, skuteczność modelowania z użyciem PROSAIL bardziej zależała od zawartości parametrów biofizycznych niż miało to miejsce w przypadku PROSPECT. 140 Na końcu porównano skuteczność symulacji wartości teledetekcyjnych wskaźników roślinności z użyciem obu modeli. Wskaźniki były nieco lepiej modelowane z użyciem PROSPECT (tab. 22.). Tab. 22. Średnia różnica między wartością wskaźników obliczonych z krzywych odbicia spektralnego zmierzonych w terenie i modelowanych z użyciem modeli PROSPECT i PROSAIL. W tabeli zaznaczono na zielono, dla którego modelu otrzymano lepsze wyniki Tab. 22. The average difference between the vegetation indices calculated using the spectral reflectance from field measurements and modelled using PROSPECT and PROSAIL. The green coloured cells of the table indicates better results for each index Teledetekcyjny wskaźnik roślinności Vegetation index Normalized Difference Vegetation Index Red Edge Normalized Difference Vegetation Index Normalized Difference Lignin Index Cellulose Absorption Index Water Band Index Model PROSPECT-2 PROSAIL-2 0,035 0,048 0,008 0,004 0,020 0,075 0,067 0,007 0,004 0,039 W przypadku znormalizowanego różnicowego wskaźnika zieleni (NDVI) średnia różnica między wartościami mierzonymi a obliczonymi z użyciem PROSPECT była o około połowę mniejsza niż w przypadku modelu PROSAIL. Używając PROSPECT, uzyskano także dokładniejsze wartości krawędziowego czerwonego wskaźnika roślinności (NDVI705) i wskaźnika kanału wody (WBI). Nieco inne wyniki otrzymano z zastosowaniem wskaźników określających zawartość suchych części roślin – celulozy i ligniny. Średnia różnica między wartościami wskaźnika absorpcji celulozy (CAI) wyniosła 0,004, czyli tyle samo co w przypadku modelowania z użyciem PROSPECT i PROSAIL. Modelując wartości znormalizowanego różnicowego wskaźnika ligniny (NDLI), nieco lepsze rezultaty uzyskano z wykorzystaniem modelu na poziomie pokrywy roślinnej PROSAIL. Porównując modelowanie wykonane na poziomie liści i na poziomie pokrywy roślinnej z wykorzystaniem dwóch modeli, można stwierdzić, że w całym zakresie widma od 0,4 do 2,5 µm lepsze wyniki uzyskuje się z użyciem modelu PROSPECT. Wartości pierwiastka błędu średniokwadratowego w symulacjach wykonywanych z pierwszym zestawem danych (PROSPECT-1 i PROSAIL-1) wzrastają wraz z długością fali. Największe błędy występują w zakresie środkowej podczerwieni (1,5-2,5 µm), w której duży wpływ na wartość współczynnika odbicia ma zawartość wody w roślinach. Wartości błędów 141 w modelowaniu z wykorzystaniem zestawów danych PROSPECT-1 i PROSAIL-1 w tym zakresie są największe. Mniejsze wartości błędu uzyskiwane są w zakresie bliskiej podczerwieni (0,8-1-5 µm), w której dominujący wpływ na wartość odbicia promieniowania wywiera ilość biomasy suchej. Znacznie mniejsze błędy w porównaniu z zakresem podczerwonym występują w zakresach 0,4-0,6 µm i 0,4-0,8 µm. Najlepszą dokładność modelowania określa się w zakresie 0,4-0,6 µm. W przedziale od 0,4 do 0,8 µm stwierdza się najmniejsze różnice w modelowaniu wskaźników z wykorzystaniem z jednej strony zestawów danych niezmodyfikowanych (PROSPECT-1 i PROSAIL-1) i z drugiej – zmodyfikowanych (PROSPECT-2 i PROSAIL-2). W przypadku zestawu danych PROSPECT-2 i PROSAIL-2 największe wartości pierwiastka błędu średniokwadratowego w modelowaniu krzywych odbicia spektralnego występują w zakresie bliskiej podczerwieni (0,8-1,5 µm), a nieco mniejsze w zakresie widma 0,4-0,8 µm. Najmniejsze wartości pierwiastka błędu średniokwadratowego modelowanych krzywych spektralnych uzyskuje się w zakresie 0,4-0,6 µm. Z badania wartości pierwiastka błędu średniokwadratowego pojedynczych poligonów wynika, że spośród omawianych zakresów widma zakres widzialny jest tym, w którym lepsze wyniki modelowania odbicia spektralnego uzyskuje się przy wykorzystaniu modelu PROSAIL. W zakresie bliskiej podczerwieni (0,8-1,5 µm) lepszy jest model PROSPECT. Przy stosowaniu w modelowaniu odbicia spektralnego w zakresie środkowej podczerwieni (1,5-2,5 µm) danych niezmienionych (PROSPECT-1 i PROSAIL-1) skuteczniejszy jest model PROSPECT. Przy stosowaniu zestawów danych zmodyfikowanych (PROSPECT-2 i PROSAIL-2) natomiast lepsze rezultaty daje model PROSAIL. Niezależnie od modelu w każdym z zakresów widma, w przypadku stosowania zestawu danych zmodyfikowanych (PROSPECT-2 i PROSAIL-2) wielkość pierwiastka błędu średniokwadratowego jest znacznie mniejsza niż w przypadku danych niezmodyfikowanych (PROSPECT-1 i PROSAIL-1). Oznacza to, że poprawienie danych wejściowych do modelu w istotny sposób wpływa na skuteczność modelowania. Ponadto zakres zmienności błędów z zastosowaniem zestawu danych zmodyfikowanych (PROSPECT-2 i PROSAIL-2) jest znacznie mniejszy. Badając założenia modeli, stwierdzono, że wpływ na skuteczność modelowania mają rodzaj łąki i wartości parametrów biofizycznych. W pierwszej kolejności będą podsumowane badania na danych niezmodyfikowanych (PROSPECT-1 i PROSAIL-1). 142 W zakresach 0,4-0,6 i 0,4-0,8 µm niezależnie od rodzaju łąki uzyskano zbliżone uśrednione wartości pierwiastka błędu średniokwadratowego. W zakresie podczerwieni (0,82,5 µm) najmniejsze błędy występują w charakterystykach spektralnych na terenie łąk nieuprawianych, a największe na obszarach łąk uprawianych o zredukowanej biomasie. Jedynie w modelowaniu z użyciem algorytmu PROSAIL w zakresie środkowej podczerwieni (1,5-2,5 µm) różnice były istotne statystycznie. Stwierdzono, że aspekty środowiskowe mają niewielki wpływ na rezultaty modelowania. Poprawność modelowania zależy także od wartości parametrów biofizycznych. Niezależnie od modelu, stosując oba zestawy danych (PROSPECT-1 i PROSAIL-1), stwierdzono tę samą zależność dotyczącą biomasy świeżej. W przypadku klas łąk o jej większej zawartości błąd jest mniejszy. Wspomniane różnice są istotne statystycznie w całym modelowanym zakresie 0,4-2,5 µm i w podczerwieni 0,8-2,5 µm. W zakresie podczerwieni (0,8-2,5 µm) mniejsze błędy występują na terenie łąk o większej wartości wskaźnika powierzchni projekcyjnej liści (LAI), ale różnice są istotne statystycznie tylko w przypadku modelowania według algorytmu PROSAIL. Zbliżone tendencje przy stosowaniu obu modeli stwierdza się, badając wpływ zawartości wody w roślinach na skuteczność modelowania. Im większa jest zawartość wody, tym większa wartość błędu, a tym samym ograniczona skuteczność modelowania. Także i w tym przypadku, w obu modelach, w całym zakresie widma 0,4-2,5 µm i w podczerwieni (0,8-2,5 µm), różnice są istotne statystycznie. W zakresie widma widzialnego nie stwierdzono w przypadku żadnego z badanych parametrów istotnych różnic statystycznie. Oceniając skuteczność modelowania odbicia spektralnego z użyciem zestawów danych zmodyfikowanych (PROSPECT-2 i PROSAIL-2, gdzie modyfikacja dotyczyła danych wejściowych związanych z zawartość w roślinach barwników i wody), należy stwierdzić, że w porównaniu z zestawami danych niemodyfikowanych różnice między poszczególnymi aspektami modelowania są znacznie mniejsze. Takie same rezultaty, stosując oba modele, uzyskuje się w przypadku podziału poligonów na trzy rodzaje łąk. Różnice w wartościach pierwiastków błędów średniokwadratowych między poszczególnymi rodzajami łąk są bardzo niewielkie. Największe błędy stwierdza się w przypadku łąk uprawianych o dużej biomasie, czyli nieskoszonych. Tylko w zakresie widma 0,4-0,6 µm w modelowaniu z użyciem algorytmu PROSPECT różnice są istotne statystycznie. 143 Oceniając wpływ zawartości poszczególnych substancji w roślinach (biomasy świeżej, LAI i wody) na skuteczność modelowania odpowiedzi spektralnych, wyrażaną pierwiastkiem błędu średniokwadratowego, z wykorzystaniem zmodyfikowanych zestawów danych (PROSPECT-2 i PROSAIL-2) można stwierdzić, że różnice w modelowaniu między poszczególnymi klasami badanych parametrów są znacznie mniejsze przy tych zestawach danych niż przy zestawach danych niezmodyfikowanych (PROSPECT-1 i PROSAIL-1). Jedynie w nielicznych przypadkach występują różnice istotne statystycznie. W zakresie bliskiej podczerwieni (0,8-1,5 µm) niezależnie od modelu wartość pierwiastka błędu średniokwadratowego maleje wraz ze wzrostem biomasy świeżej. Używając modelu PROSPECT, można stwierdzić, że im większa jest wartość wskaźnika projekcyjnej powierzchni liści (LAI) i ilość biomasy, tym większy błąd występuje w zakresie środkowej podczerwieni. W modelowaniu z użyciem PROSAIL zawartość biomasy ma wpływ na różnice w skuteczności modelowania, które są istotne statystycznie we wszystkich zakresach z wyjątkiem 0,8-1,5 µm. Większość teledetekcyjnych wskaźników roślinności modelowanych za pomocą obu algorytmów ma wartości zbliżone do wzorcowych. Mniejsze różnice między modelowaną wartością wskaźnika a obliczoną na podstawie pomiarów terenowych uzyskuje się z użyciem modelu PROSPECT. Wyjątkiem jest wskaźnik określający zwartość ligniny (NDLI). Zbliżoną skuteczność niezależnie od modelu uzyskuje się w przypadku wskaźnika zawartości celulozy (CAI). Oba modele dają bardzo dobre wyniki odnośnie do wskaźnika kanału wody (WBI), dość dobre są też wyniki dotyczące znormalizowanego różnicowego wskaźnika zieleni (NDVI). Na podstawie przeprowadzonych badań można stwierdzić, że środowisko ma niewielki wpływ na skuteczność tego modelowania odbicia spektralnego z wykorzystaniem obu algorytmów. Jednocześnie poprawność modelowania zdecydowanie zależy od wartości parametrów biofizycznych roślinności. 144 6. Dyskusja wyników 6.1. Koncepcja przeprowadzonych badań Celem zaprezentowanych badań było określenie możliwości zastosowania modeli transferu promieniowania – PROSPECT i PROSAIL w badaniach stanu zróżnicowanej roślinności łąkowej na terenie Polski. W badaniach były sprawdzone dwa modele transferu promieniowania służące do modelowania odbicia od pojedynczych liści (PROSPECT) i pokrywy roślinnej (PROSAIL) pod kątem poprawności obliczania współczynnika odbicia spektralnego. Określono, jakie czynniki wpływają na skuteczność symulacji charakterystyk spektralnych: badano zarówno morfologię roślinności, jak i zawartość substancji biofizycznych. Modele transferu promieniowania na podstawie praw fizycznych opisują, co dzieje się z promieniowaniem w atmosferze i w kontakcie z pokrywą roślinną. Modele te z konieczności opisują roślinność w sposób uproszczony. W badaniach z użyciem modeli transferu promieniowania zbiorowiska roślinne lub pojedyncze rośliny opisywane są bowiem jako obiekty jednorodne. W Polsce modeli transferu promieniowania dotychczas nie używano do badań roślinności. W niniejszych badaniach zastosowano dwa modele: PROSPECT i PROSAIL. Ten ostatni jest połączeniem modelu PROSPECT i SAIL (Jacquemoud, Baret, 1990; Jacquemoud, Ustin, Verdebout, Schmuck, Anderoli, Hosgood, 1996; Verhoef, 1984; 1985; Jacquemoud, Verhoef, Baret, Bacour, Zarco-Tejada, Asner, François, Ustin, 2009). Model PROSPECT (Jacquemoud, Baret, 1990; Jacquemoud, Ustin, Verdebout, Schmuck, Anderoli, Hosgood, 1996) opisuje odbicie od pojedynczych liści. Według założeń modelu liść i jego właściwości są takie same z obu stron, homogeniczne pod względem biochemicznym, a odbicie od liścia jest rozproszone równomiernie we wszystkich kierunkach. Model SAIL opisuje różne typy oddziaływania promieniowania dochodzącego, przechodzącego, rozproszonego i odbitego od pokrywy roślinnej (Verhoef, 1984, 1985). W modelu pokrywa roślinna jest charakteryzowana jako materia składająca się z pojedynczych warstw, wewnątrz których wszystkie komponenty są losowo i równomiernie rozmieszczone. Przy opracowywaniu modelu SAIL przyjęto kilka założeń dotyczących roślinności: (1) warstwa roślinna jest jednorodna w pionie i w poziomie; (2) transmitancja przez liście jest rozproszona; 145 (3) odbicie od liści i gleby jest rozproszone (Verhoef, 1984, Gastellu-Etchegorry, Zagolski, Romier, 1996; Verhoef, Bach, 2007, Verhoef, Xiao, Jia, Su, 2007); (4) azymutalne rozmieszczenie liści jest losowe; (5) wszystkie liście w pokrywie roślinności są małe i płaskie (Verhoef, 1984). Część z powyższych założeń w przeprowadzonych badaniach nie była spełniona w przypadku zbiorowisk trawiastych. Roślinności łąk w ujęciu horyzontalnym nie można było uznać za jednorodną. Nie można było również określić liści traw jako małych i rozmieszczonych losowo. 6.2. Przedmiot badań Przedmiotem badań były łąki znajdujące się na terenie południowej i środkowej Polski. Ze względu na duże zróżnicowanie roślinności łąk są trudne do modelowania, ponieważ na tych terenach występuje zawsze więcej niż jeden gatunek roślinności. Dominującymi gatunkami są na ogół trawy, które mają dosyć prostą i podobną budowę, na terenie badanych łąk jednak często występowały również rośliny o innej budowie niż wiechlinowate. Wśród nich znajdowały się rośliny kwitnące (np. wyka płotowa), rośliny motylkowe (np. koniczyna łąkowa) i zioła (np. babka lancetowata, chrzan zwyczajny). Gatunki te na terenie poszczególnych łąk występowały w sposób zróżnicowany przestrzennie, co sprawiało, że powierzchnie tych łąk były niejednorodne. Cecha ta utrudniała w istotny sposób modelowanie odbicia spektralnego według procedur przewidzianych w wymienionych wcześniej algorytmach. W pracy zbadano 57 łąk, różniących się morfologią i składem gatunkowym. Opisywane łąki należały do zbiorowisk półnaturalnych świeżych i w większości były ekstensywnie użytkowane. Badania terenowe przeprowadzono na dwóch obszarach: na terenie Pogórza Karpackiego i Równin Środkowopolskich. Łąki można było określić jako zróżnicowane pod względem gatunkowym i struktury roślinności. Na obszarze tylko ośmiu poligonów znajdowały się łąki porośnięte wyłącznie gatunkami wiechlinowatymi. Na terenie 23 łąk występowały rośliny motylkowe, które bardzo znacząco różniły się od traw. Do tej pory, jeśli badano zbiorowiska trawiaste, analizowano raczej łąki z obszarów suchych (Darvishzadeh, Skidmore, Schlerf, Atzberger, 2008; Darvishzadeh, Atzberger, Skidmore, Schlerf, 2011) lub łąki uprawiane o bardziej jednolitej strukturze (Clevers, Kooistra, Schaepman, 2010). Różne gatunki roślin mają inną wartość parametrów biofizycznych – barwników, masy suchej i wody, które stanowią zarazem dane wejściowe do modeli. Ujednolicenie 146 wartości wymienionych substancji jest bardzo skomplikowane, a nawet niewielkie niedoszacowanie lub przeszacowanie tych parametrów może wpływać negatywnie na skuteczność modelowania. Zawartość wspomnianych substancji jest różna także w obrębie jednej rośliny, jednak większa różnica w wartościach parametrów występuje między różnymi gatunkami roślin. Jeszcze większe trudności z dobraniem odpowiedniej wartości pojawiają się w przypadku parametru zawartości brązowych pigmentów (Cbrown), czyli wysuszonych części roślin. Tak duże zróżnicowanie gatunków roślin wpływa także na różną strukturę roślinności. W przypadku modelu PROSPECT tylko jeden parametr jest odpowiedzialny za modelowanie morfologii liści – parametr strukturalny N. Jego wartości według założeń twórców modelu są zróżnicowane w przypadku różnych gatunków, dlatego ustalenie jednej wspólnej wartości jest skomplikowane (Jacquemoud, Ustin, Verdebout, Schmuck, Anderoli, Hosgood, 1996). W modelu PROSAIL opisującym pokrywę roślinną, są uwzględnione parametry określające morfologię całej pokrywy roślinnej. Wartość parametru powierzchni projekcyjnej liści (LAI) na obszarze niejednorodnym musi być uśredniona w odniesieniu do całej badanej łąki, bez uwzględnienia jej zróżnicowania. Jeśli na jej terenie występują inne rośliny niż trawy, bardzo zwiększa się wartość biomasy, a tym samym parametru LAI. Rośliny motylkowe i zioła były rozmieszczone nierównomiernie na terenie badanych łąk, co utrudniało prawidłowe określenie parametru. Podobny problem występował w przypadku oszacowywania średniego kąta nachylanie liści (angl). Trawy mają bardzo dużą wartość nachylenia liści – około 80-90O, koniczyna natomiast niewielką (około 30o). Także parametr określający efekt nadmiernego odbicia hot spot (hspot) bazował na parametrach roślinności mierzonych w terenie, np. wysokości pokrywy roślinnej i średniej długości liści. Tymczasem roślinność, która nie jest jednorodna gatunkowo, na ogół ma różną wysokość i długość liści. Czynnikiem utrudniającym modelowanie na terenach łąk o rzadkiej roślinności jest odbicie fali od gleby. Odbicie promieniowania od gleby może w znaczący sposób wpłynąć na wartości współczynnika odbicia od takiej zróżnicowanej powierzchni. Wszystkie wymienione czynniki sprawiają, że modelowanie odbicia od roślinności takiej jak łąki jest dość trudne. Możliwe jest uwzględnianie czynników, które występują regularnie, np. jeśli rośliny sadzone są w rzędach. W przypadku roślinności o charakterze naturalnym lub półnaturalnym nie można przewidzieć rozmieszczenia poszczególnych gatunków, a tym samym wartości zmiennych biofizycznych i parametrów określających budowę pokrywy roślinnej. Z tych powodów uogólnianie tego typu środowisk jest skomplikowane i może być niedokładne. 147 W celu oceny skuteczności modelowania odbicia promieniowania z użyciem modeli transferu promieniowania w odniesieniu do rodzajów łąk, podzielono je na trzy kategorie: uprawiane o zredukowanej biomasie, uprawiane o dużej biomasie i łąki nieuprawiane. Na terenie łąk uprawianych o zredukowanej biomasie rośliny zostały skoszone, czyli ujednolicono strukturę roślinności, a przede wszystkim jej wysokość. Roślinność nie zawsze była na nich tak gęsta, żeby zakryć w całości glebę, a prześwitywanie tła mogło negatywnie wpływać na skuteczność modelowania. Druga grupa obejmuje łąki o znacznie większej niż poprzednie biomasie, a jednocześnie o zróżnicowanej wysokości. Najbardziej niejednorodną grupą były łąki nieuprawiane, o zmiennej wysokości i często dużej biomasie. Podsumowując, trzeba stwierdzić, że badane łąki były obiektami dość skomplikowanymi przyrodniczo i dlatego trudne jest proste symulowanie odbijanego przez nie promieniowania przy użyciu obydwu modeli. Z tego właśnie powodu łąki są środowiskiem rzadko badanym z użyciem modeli transferu promieniowania. W niniejszych badaniach uwzględniono jak najwięcej zróżnicowanych terenów, aby określić, w jakim przypadku modelowanie jest skuteczne, a w jakim nie. 6.3. Zastosowana metoda W modelowaniu odbicia promieniowania od roślin na poziomie pojedynczych liści wykorzystano model PROSPECT-5 (Jacquemoud, Baret, 1990; Jacquemoud, Ustin, Verdebout, Schmuck, Anderoli, Hosgood, 1996), a na poziomie pokrywy roślinnej PROSAIL, składający się z PROSPECT-5 i 4SAIL (Verhoef, 1984; 1985). Pomiary terenowe do modeli odbywały się na Pogórzu Karpackim i Równinach Środkowopolskich, łącznie na 57 poligonach pomiarowych. W czasie badań pobrano referencyjne krzywe odbicia spektralnego i dane służące do obliczenia parametrów wejściowych do modeli PROSPECT i PROSAIL. Pomiary terenowe do PROSAIL odbywały się wyłącznie na terenie środkowej Polski na 50 poligonach pomiarowych. Pomiary terenowe zostały przeliczone na dane wejściowe do modeli. W przypadku obu modeli utworzono dwa zestawy danych: pierwszy (PROSPECT-1 i PROSAIL-1) zawierał wartości bezpośrednio obliczone z pomiarów terenowych, a jedynym dopasowywanym parametrem każdego poligonu był parametr strukturalny (N). Drugi zestaw (PROSPECT-2 i PROSAIL-2) składał się z danych, w których empirycznie dopasowano parametr określający zawartość barwników i wody, a parametr strukturalny był taki sam, jak w pierwszych zestawach danych. Taka procedura była stosowana w innych badaniach prowadzonych z zastosowaniem modeli transferu promieniowania – RTM (Casa, Baret, Buis, 148 Lopez-Lozano, Pascucci, Palombo, Jones, 2010; le Maire, Marsden, Verhoef, Ponzoni, Seen, Bégué, Stape, Nouvellon, 2011). Następnym etapem badań było wprowadzenie danych wejściowych do modeli i uzyskanie krzywych odbicia spektralnego. Zweryfikowano je, używając pierwiastka błędu średniokwadratowego każdej symulowanej krzywej odbicia spektralnego w zakresie 0,42,5 µm oraz czterech fragmentach widma elektromagnetycznego w tym zakresie. Obliczono wielkość średniego błędu modelowania w zależności od rodzaju łąk oraz od ilości biomasy świeżej, wartości parametru LAI oraz procentowej zawartości wody. Określono istotność statystyczną różnic między kategoriami łąk, a także między klasami wartości poszczególnych parametrów biofizycznych. Policzono wartości teledetekcyjnych wskaźników roślinności na podstawie charakterystyk spektralnych pobranych w terenie i modelowanych. 6.4. Omówienie rezultatów badań Na podstawie przeprowadzonych analiz stwierdzono, że modele PROSPECT i PROSAIL mogą być używane do modelowania odbicia od zróżnicowaniach zbiorowisk trawiastych, jednak z pewnymi ograniczeniami. Bazując na dwóch zestawach danych uzyskano duże rozbieżności między wynikami. W symulacjach wartości współczynnika odbicia na podstawie pierwszych zestawów danych (PROSPECT-1 i PROSAIL-1) występują duże błędy w przypadku obu modeli, szczególnie w zakresie podczerwieni. Wielkość błędu obliczona w pierwszym zestawie danych wzrasta wraz z długością fali: najmniejsze błędy występują w zakresie widzialnym, a największe w środkowej podczerwieni. Prawdopodobnie błędy w zakresie podczerwieni są spowodowane niedoszacowaniem zawartości wody. Błędy w zakresie widzialnym, chociaż zdecydowanie mniejsze, mogą mieć natomiast związek ze źle obliczoną zawartością chlorofilu. W przypadku zawartości chlorofilu błędy mogą być związane z urządzeniem pomiarowym. Ponadto zawartość chlorofilu jest bardzo zmienna w zależności od rośliny, a także w jej obrębie, co może prowadzić do zafałszowania rzeczywistej zawartości tego barwnika. Zawartość wody była szacowana na podstawie pomiarów reprezentacyjnych. Ze względu na duże zróżnicowanie wewnętrzne w obrębie łąk, taka metoda określania zawartości wody w roślinach mogła jednak generować niejednoznaczne wartości tego parametru. Oceniono również skuteczność modelowania odbicia spektralnego za pomocą obu modeli w zależności od rodzaju łąki. Różnice obserwowane są w zakresie podczerwieni. Najmniejsze błędy w modelowanych charakterystykach spektralnych stwierdza się w zakresie 149 promieniowania podczerwonego na terenie łąk nieuprawianych, a największe na obszarach łąk uprawianych o zredukowanej biomasie. Różnice między poszczególnymi rodzajami łąk, choć widoczne, nie są jednak istotne statystycznie. Stwierdzono, że środowisko ma niewielki wpływ na skuteczność modelowania współczynnika odbicia. Pomimo niespełnienia założenia modeli o jednorodności środowiska na części łąk, wyniki modelowania nie różnią się istotnie od siebie. Bardziej jednoznaczne zależności uzyskano w przypadku oceny wpływu zawartości poszczególnych parametrów biofizycznych na skuteczność modelowania. Lepsze wyniki na podstawie danych wejściowych niemodyfikowanych, z zastosowaniem obu modeli, uzyskuje się w odniesieniu do roślinności łąk o większej biomasie i większym wskaźniku powierzchni projekcyjnej liści (LAI) oraz mniejszej zawartości wody. Różnice są istotne statystycznie w podczerwieni oraz w całym modelowanym zakresie widma 0,4-2,5 µm. Można stwierdzić, że skuteczność modelowania zdecydowanie bardziej zależy od wielkości parametrów biofizycznych roślinności niż od rodzaju samego środowiska. Dane wejściowe obliczone bezpośrednio z pomiarów terenowych (zestawy danych PROSPECT-1 i PROSAIL-1) miały zbyt duże błędy, żeby mogły być użyte do wnioskowania o stanie roślinności i obliczania teledetekcyjnych wskaźników roślinności. Modelowanie na podstawie danych zmodyfikowanych (PROSPECT-2 i PROSAIL-2) daje dobre rezultaty. Wielkość błędów jest znacznie mniejsza niż przy zastosowaniu pierwszego zestawu danych, najmniejsze błędy występują w zakresie 0,4-0,6 µm, a największe w zakresie 0,8-1,5 µm. Rodzaj łąki ma znikomy wpływ na modelowanie, mniejszy niż w przypadku poprzednich zestawów danych. Analizując zawartość substancji biofizycznych, wykazano, że przy modelowaniu za pomocą algorytmu PROSAIL mają one znaczenie w paśmie bliskiej podczerwieni, w którym wartość błędu maleje wraz ze wzrostem biomasy świeżej. Wartości parametrów biofizycznych mają więc znaczenie, ale znacznie mniejsze niż w przypadku poprzedniego zestawu danych niemodyfikowanych. Teledetekcyjne wskaźniki roślinności mają wartości zbliżone do obliczonych na podstawie pomiarów terenowych, dlatego można stwierdzić, że mimo występujących błędów, mogą być używane do przeprowadzania dokładniejszych analiz. Stwierdzono, że modelowane charakterystyki spektralne z użyciem zestawu danych PROSPECT-2 i PROSAIL-2 mogą być zastosowane do wnioskowania o stanie roślinności, obliczania teledetekcyjnych wskaźników roślinności, a tym samym do przeprowadzania procedur inwersyjnych. 150 Porównując modele PROSPECT i PROSAIL, nie stwierdza się dużych różnic między modelem opisującym promieniowanie na poziomie liści i pokrywy roślinnej. Na ogół nieco większe błędy występują w modelowaniu z użyciem modelu PROSAIL. W zakresie widzialnym lepsze rezultaty uzyskuje się z użyciem PROSAIL, a w bliskiej podczerwieni z modelem PROSPECT. Modelowanie odbicia promieniowania od liści, w porównaniu z modelowaniem odbicia od pokrywy roślinnej, jest znacznie prostszym procesem, ponieważ w tym przypadku należy wziąć pod uwagę mniej czynników. Są tu uwzględniane jedynie parametry biofizyczne liści i parametr strukturalny określający złożoność struktury wewnętrznej liścia. Na współczynnik odbicia modelowany na poziomie pokrywy roślinnej wpływa natomiast znacznie więcej elementów. Konieczne jest uwzględnienie nie tylko samych liści, ale także ich rozmieszczenia, ilości, a także geometrii odbicia. Duży wpływ ma także odbicie promieniowania od gleby. Te wszystkie czynniki sprawiają, że modelowanie jest bardziej skomplikowane. Modele opisujące pojedyncze liście mogą być jednak stosowane jedynie w przypadku naziemnych pomiarów spektrometrycznych, co uniemożliwia ich dalsze wykorzystanie w badaniach na pułapie lotniczym lub satelitarnym. Tym samym jedynie modele określające promieniowanie na poziomie pokrywy roślinnej uwzględniające geometrię odbicia i strukturę pokrywy roślinnej mogą być używane do przetworzeń obrazów hiperspektralnych pobranych z pułapu lotniczego lub satelitarnego. Pomimo nieco gorszych rezultatów z użyciem modelu PROSAIL, można stwierdzić, że ze względu na większą złożoność modelowania odbicia od pokrywy roślinnej w porównaniu z odbiciem od pojedynczych liści, różnica w skuteczności modeli nie jest istotna. Niezależnie od modelu i zestawu danych rodzaj łąki, a tym samym stopień jej zróżnicowania, nie ma istotnego wpływu na skuteczność modelowania. Wszystkie badane łąki były niejednorodne, jednak łąki nieuprawiane miały najbardziej zróżnicowaną strukturę poziomą i pionową. Różnice w skuteczności modelowania nie są jednak istotne statystycznie. Prawdopodobnie różnica miedzy środowiskami tego typu jest tak mała, że nie ma istotnego wpływu na modelowanie odbicia. W przypadku obu modeli znacznie większy wpływ na skuteczność symulacji współczynnika odbicia mają parametry biofizyczne. Stwierdzono, że im większa jest wartość biomasy świeżej i powierzchnia projekcyjna liści łąk, czyli ilość materii występującej na ich terenie, tym lepsze są wyniki. Na łąkach o niewielkiej ilości biomasy i wartości LAI duży wpływ na wielkość odbicia może mieć gleba, która jest widoczna miedzy roślinami. Wartości odbicia są wtedy zmienione i różnią się od odbicia od samej roślinności. Prawdopodobnie 151 także zwarta, gęsta pokrywa roślinna jest bardziej jednorodna niż rzadka. Zwarta masa roślin jest łatwiejsza do uogólnienia niż roślinność rzadka, gdzie promieniowanie jest wielokrotnie odbijane wewnątrz pokrywy. W przypadku roślinności o większej zawartości wody uzyskuje się gorsze rezultaty symulacji krzywych odbicia spektralnego. Może to być związane z nieprawidłowym określeniem parametru zawartości wody. Ponadto model PROSPECT, w którym wśród danych wejściowych jest zawartość wody, jest dostosowany do standardowej pokrywy roślinności, także do zbóż. Łąki natomiast na ogół są zbiorowiskami bardzo wilgotnymi. Dlatego duża zawartość wody może powodować błędy w modelowaniu. Uzyskane wyniki porównano z badaniami innych autorów. Przy zestawieniu wartości odbicia modelowanych i uzyskanych ze skanera MODIS jako maksymalną wartość pierwiastka błędu średniokwadratowego (RMSE), oznaczającą prawidłowe modelowanie przyjmowano 0,02 (Zhang, Zhao, 2009). W niniejszych badaniach w pierwszym zestawie danych (PROSPECT-1 i PROSAIL-1) wartości błędu były znacznie większe, ale w drugim zestawie (PROSPECT-2 i PROSAIL-2) tylko nieznacznie przekraczały tę wartość. Autorzy N. Zhang i Y. Zhao (2009) porównywali jedynie 7 kanałów spektralnych, natomiast w przeprowadzonych badaniach analizowano dane hiperspektralne, dlatego wyniki uzyskane w analizach na podstawie drugiego zestawu danych można w większości uznać za prawidłowe. Ten sam próg błędu 0,02 zastosowano w badaniach zbiorowisk trawiastych na terenie Włoch, określając, czy modelowane charakterystyki spektralne są przydatne do procesu inwersji (Darvishzadeh, Atzberger, Skidmore, Schlerf, 2011). 6.5. Trudności w modelowaniu wartości współczynnika odbicia na terenie niejednorodnych łąk W czasie modelowania największym problemem było ustalenie odpowiednich wartości parametrów wejściowych do modeli. W pierwszych zestawach danych (PROSPECT1 i PROSAIL-1) wszystkie dane, z wyjątkiem parametru strukturalnego, były obliczone na podstawie pomiarów terenowych, błędy jednak były dość duże, co uniemożliwia dalszą analizę krzywych, a także przeprowadzanie inwersji. Błędy mają prawdopodobnie związek z niewłaściwymi wartościami parametrów określających zawartość wody, a także chlorofilu. Może to być związane z niedokładnym wykonaniem pomiarów lub z dużym zróżnicowaniem badanego środowiska, co zostało wyjaśnione. Dlatego zmodyfikowano dane, w których parametry określające barwniki i zawartość wody były w drugim zestawie danych dopasowane empirycznie tak, aby uzyskać jak najmniejszy błąd. W przypadku obu modeli 152 najistotniejsze było badanie zawartości biomasy, a tym samym zachowanie rzeczywistych wartości parametrów z nią związanych – ilości masy suchej (Cm) oraz wartości powierzchni projekcyjnej liści (LAI). Wartości te nie ulegały zmianie. W badaniach innych autorów dane wejściowe do modelu PROSPECT także były ustalane jako stałe lub jako przedziały wartości. Procedura taka była stosowana także do modelowania z użyciem PROSPECT (Ceccato, Flasse, Tarantola, Jacquemoud, Grégorie, 2001; Zarco-Tejada, Miller, Harron, Hu, Noland, Goel, Mohammed, Sampson, 2004; le Maire, Francois, Dufrêne, 2004) i PROSAIL (Casa, Baret, Buis, Lopez-Lozano, Pascucci, Palombo, Jones, 2010; le Maire, Marsden, Verhoef, Ponzoni, Seen, Bégué, Stape, Nouvellon, 2011). Tylko wybrane parametry są mierzone w terenie, głównie ze względu na bardzo dużą ilość danych wejściowych, których pobieranie w terenie jest czasochłonne. Jest to szczególnie istotne, jeśli kolejnym etapem badań jest inwersja modelu i pozyskanie jednej, konkretnej zmiennej z krzywych odbicia spektralnego. Ponadto taka procedura nie stanowi problemu, jeśli dalszym etapem jest przeprowadzanie procesu odwracania algorytmu. Największym problemem, w przypadku obu modeli, okazało się ustalenie wartości parametru strukturalnego N. Niemożliwe były ustalenie jednej wartości parametru dla wszystkich badanych łąk, dlatego ten parametr był określany oddzielnie w przypadku każdego poligonu. Co więcej, jedynie w przypadku modelu PROSPECT na poziomie pojedynczych liści parametr miał zakres zgodny z założeniami jego twórców (Jacquemoud, Ustin, Verdebout, Schmuck, Anderoli, Hosgood, 1996). W modelu PROSAIL zakres wartości był znacznie szerszy. Prawdopodobnie jest to związane ze znaczną złożonością środowiska łąk, jednak w innych badaniach, także obejmujących środowiska trawiaste, wartości parametru nie przekraczały 2 (Darvishzadeh, Skidmore, Schlerf, Atzberger, 2008), a w symulacji charakterystyk spektralnych dowolnych gatunków roślin wartości 6,65 (Bowyer, Danson, 2004). W przypadku większej liczby punktów pomiarowych dopasowywanie wartości staje się długotrwałą procedurą. Jeśli badania miałyby być zautomatyzowane, w przypadku większej liczby punktów konieczne byłoby opracowanie algorytmu odnajdującego optymalną wartość N. Błędy występujące w modelowaniu mogą być związane ze znacznym zróżnicowaniem wewnętrznym łąkowych zbiorowisk roślinnych. Ten sam problem zauważono w badaniach zbiorowisk trawiastych na terenie Włoch. Badano skuteczność symulacji parametrów biofizycznych po przeprowadzeniu inwersji modelu (Darvishzadeh, Skidmore, Schlerf, Atzberger, 2008; Darvishzadeh, Atzberger, Skidmore, Schlerf, 2011). W symulacjach na wejściu były krzywe dobicia spektralnego, a danymi wyjściowymi – zmienne biofizyczne. 153 W badaniach wykazano, że wyniki modelowania substancji biofizycznych pogarszały się wraz ze wzrostem liczby występujących gatunków. Także na terenie wilgotnych łąk i pastwisk w Holandii zauważono większe błędy, jeśli środowisko było bardziej zróżnicowane (Clevers, Kooistra, Schaepman, 2010). Rozwiązaniem tego problemu mogłaby być modyfikacja modelu uwzględniająca poziomą niejednorodność pokrywy roślinnej. 6.6. Zalety przeprowadzonych badań Przeprowadzone badania pozwoliły w sposób obiektywny ocenić możliwości zastosowania modeli transferu promieniowania do badań roślinności. Do tej pory nie używano takich modeli do określania stanu roślinności na obszarze Polski. Modele takie są natomiast od lat używane poza granicami Polski, szczególnie do badań obszarów rolniczych – zbóż, roślin okopowych, plantacji, a także zbiorowisk naturalnych, takich jak lasy. Modele są bardzo przydatne ze względu na możliwość pozyskiwania parametrów biofizycznych bezpośrednio z danych teledetekcyjnych. Z sukcesem stosowano je w określaniu zawartości chlorofilu czy wielkości biomasy. Mimo że środowiska, szczególnie naturalne i półnaturalne, takie jak łąki, są bardziej zróżnicowane niż dotychczas rozpatrywane obszary, to jednak wykorzystywanie modeli ułatwi monitorowanie terenów łąkowych, w tym pozyskiwanie informacji o wielkości biomasy. Do tej pory modele niezwykle rzadko były używane do badań zróżnicowanych środowisk łąkowych. Modelu PROSAIL używano do badań wysokich traw prerii (Gao, Lesht, 1997), roślinności trawiastej z obszaru śródziemnomorskiego (Yerba, Chuvieco, Riaño, 2008; Darvishzadeh, Skidmore, Schlerf, Atzberger, 2008; Darvishzadeh, Atzberger, Skidmore, Schlerf, 2011), półsuchych stepów na obszarze Chin (Zhang, Zhao, 2009) oraz łąk zalewanych i pastwisk na obszarze Holandii (Clevers, Kooistra, Schaepman, 2010). Użycie algorytmu do badań na terenie naturalnych i półnaturalnych łąk można określić jako nowatorskie. W wyniku wykonanych badań przetestowano bardzo dokładnie oba modele na zróżnicowanych wewnętrznie oraz między sobą poligonach badawczych. W wykonanych badaniach wszystkie pomiary możliwe do pozyskania w terenie były obliczone z pomiarów terenowych (zestawy danych PROSPECT-1 i PROSAIL-1). W ten sposób przeprowadzone badania pozwoliły na określenie rzeczywistej przydatności modeli do symulacji odbicia spektralnego od pokrywy roślinnej. W znacznej części badań z użyciem modeli transferu promieniowania wykorzystuje się jedynie podstawowe badania terenowe wykonywane w trakcie zobrazowania lub spektrometrycznych pomiarów naziemnych. 154 Ze względu na trudności w pobieraniu dużej ilości danych nie wszystkie są mierzone w terenie, a część jest ustalana z góry. Dlatego użycie jednolitych danych pochodzących z badań terenowych prowadzi do bardziej wiarygodnej oceny skuteczności modeli. Zastosowana procedura różniła się od badań dotychczas przeprowadzanych. Najczęściej modele transferu promieniowania są stosowane do pozyskiwania parametrów. Bardzo rzadko natomiast przeprowadzane są badania, w których obiektywnie ocenia się możliwości stosowania modeli transferu promieniowania do modelowania odbicia od określonych środowisk oraz wskazują na ograniczenia używanych modeli. 6.7. Propozycja udoskonalenia skuteczności modeli transferu promieniowania do badania łąk Przeprowadzone badania są wiarygodne, możliwe jest jednak wystąpienie błędów w wartościach pomiarowych parametrów wejściowych do modelu, które są niedoszacowane. Dotyczy to zawartości w roślinach wody i chlorofilu. Ulepszenie określania zawartości chlorofilu można byłoby zrealizować przez zwiększenie liczby pomiarów wskaźnika zawartości chlorofilu (Chlorophyll Content Index). Można także zmienić metodykę pozyskiwania zawartości chlorofilu, na przykład poprzez pomiar jego zawartości metodą laboratoryjną (Siedlecka, Wróblewska, 2009). Pomiary zawartości wody mogłyby być wykonywane także na większej liczbie próbek pobieranych losowo lub przy użyciu większej ilości biomasy. W przypadku zmienionego sposobu pozyskiwania wartości parametrów określających chlorofil i zawartość wody, badania byłyby jednak bardziej czasochłonne. Warto byłoby także wykonać badania na obszarze większej liczby poligonów oraz na bardziej zróżnicowanych typach łąk. W wykonanych badaniach nie wzięto pod uwagę pastwisk, które mają nieco inną budowę pokrywy roślinnej – jest ona niższa, o nierównej wysokości roślin, z częstymi prześwitami tła gleby oraz ze skupiskowym występowaniem roślin azotolubnych. Nie uwzględniono także zalewanych wilgotnych łąk, bogatych w turzyce, które mają inną budowę niż trawy. Ponadto do dalszego udoskonalenia wyników modelowania odbicia promieniowania przydatne byłoby zautomatyzowanie procesu ustalania modyfikowanych parametrów wejściowych (zawartości barwników i wody w liściach), tak aby zmodyfikowane wartości optymalnych parametrów wejściowych (występujące w zestawach danych PROSPECT-2 i PROSAIL-2) były generowane automatycznie. Podobny algorytm należałoby opracować w przypadku parametru strukturalnego N, który był dostosowywany w przypadku obu zestawów danych. 155 Dalszym krokiem byłoby wykonanie inwersji modelu PROSAIL na podstawie opracowanych danych i otrzymanie wybranych zmiennych biofizycznych z charakterystyk spektralnych. W niniejszych badaniach koncentrowano się na parametrach określających biomasę – powierzchni projekcyjnej liści oraz zawartości masy suchej i, mimo występujących błędów w zakresie bliskiej podczerwieni, jedynie na niewielu poligonach błędy były znaczące. Do inwersji powinny być użyte przekształcone dane z zestawu drugiego. W ten sposób z charakterystyk spektralnych pobranych w terenie możliwe byłoby pozyskanie informacji o ilości biomasy. Można podjąć próbę modelowania wartości odbicia, a także wykonania procedury inwersji modelu, korzystając z danych pozyskanych z pułapu lotniczego i satelitarnego. W ten sposób modelowanie mogłoby być wykonane na znacznie większym obszarze jednocześnie. Znając ograniczenia obu modeli, w badaniach powinno się używać danych wejściowych ustalanych jako stałe lub przedziały wartości. Na podstawie przeprowadzonych w przedstawionym opracowaniu analizach ustalono, jakie zakresy parametrów wejściowych do modeli PROSPECT i PROSAIL są optymalne dla tak zróżnicowanego środowiska, jakim są łąki na obszarze Polski. Możliwe byłoby użycie zaproponowanych w pracy przedziałów wartości parametrów wejściowych bez przeprowadzania szczegółowych badań terenowych do procesu inwersji. Na podstawie przeprowadzonych badań można stwierdzić, że modele transferu promieniowania mogą być stosowane do symulowania współczynnika odbicia spektralnego w przypadku niejednorodnej roślinności trawiastej. Aby jednak było możliwe dalsze używanie modeli (np. w procesie inwersji do pozyskania zmiennych biofizycznych roślinności), konieczne jest wprowadzenie poprawek do danych wejściowych, co znacznie utrudnia i wydłuża proces modelowania. Łąki są tak skomplikowanym środowiskiem, że niektóre z parametrów (zawartość barwników i zawartość wody) powinny być ustalane lub dopasowywane, a nie mierzone w terenie. Na modelowanie znikomy wpływ ma rodzaj łąki i stopień jej złożoności. Na skuteczność symulacji współczynnika odbicia znacznie bardziej wpływają wartości poszczególnych parametrów biofizycznych. Lepsze rezultaty uzyskiwane są przy większej biomasie świeżej, większej powierzchni projekcyjnej liści i małej zawartości wody. Przeprowadzone badania są rzetelną oceną możliwości zastosowania modeli transferu promieniowania do modelowania odbicia od złożonych środowisk roślinnych. Dzięki 156 przeprowadzonym badaniom było możliwe określenie czynników wpływających na skuteczność symulacji, a także wskazanie na ograniczenia, jakie mają modele. Zaprezentowane zostały możliwe rozwiązania napotkanych problemów. Badania stanowią dobrą podstawę do dalszych badań z użyciem modeli transferu promieniowania. 157 Literatura cytowana Abdul-Rahman A., Chen M., 2005, Spectral Volume Rendering based on the Kubelka-Munk Theory. Eurographics, vol. 24, nr 3. Allen W. A., 1973, Transmission of isotropic light across a dielectric surface in two and three dimensions. Journal of the Optical Society of America, nr 63, str. 664-666. Andrieu B., Baret F., Jacquemoud S., Malthus T., Steven M., 1997, Evaluation of an Improved Version of SAIL Model for Simulating Bidirectional Reflectance of Sugar Beet Canopy. Remote Sensing of Environment, nr 40, str. 247-257. Aspinall R. J., 2002, Use of logistic regression for validation of maps of the spatial distribution of vegetation species derived from high spatial resolution hyperspectral remotely sensed data. Ecological Modelling, nr 157, str. 301-312. Atzberger C., 2004, Object-based retrieval of biophysical canopy variables using artificial neural nets and radiative transfer models. Remote Sensing of Environment, nr 93, str. 53-67. Bacour C., Jacquemoud S., Tourbier Y., Dechambre M., Frangi J.-P., 2002, Design and analysis of numerical experiments to compare four canopy reflectance models. Remote Sensing of Environment, nr 79, str. 72-83. Bałuch-Małeska A., Olszewska M., 2008, Produkcyjność przemiennych użytków zielonych w zależności od rodzaju mieszanki i poziomu nawożenia w warunkach Pojezierza Olsztyńskiego. Łąkarstwo w Polsce, nr 11, str. 9-14. Bański J., 2007, Geografia rolnictwa Polski. Polskie Wydawnictwo Ekonomiczne, Warszawa. Baret F., Fourty T., 1997, Estimation of leaf water content and specific leaf weight from reflectance and transmittance measurements. Agronomie, nr 17, str. 455-464. Baret F., Vanderbilt V. C., Steven H. D., Jacquemoud S., 1994, Use of Spectral Analogy to Evaluate Canopy Reflectance Sensivity to Leaf Optical Properties. Remote Sensing of Environment, nr 48, str. 253-260. Barry K. M., Newnham G. J., Stone C., 2009, Estimation of chlorophyll content in Eucalyptus globulus foliage with the leaf reflectance model PROSPECT. Agricultural and Forest Meteorology, nr 149, str. 1209–1213. Bartold M., 2008, Klasyfikacja drzewostanów na obrazie hiperspektralnym Hyperion (EO-1). Teledetekcja Środowiska, nr 39, str. 6-29. 158 Berk A., Bernsterin L. S., Anderson G. P., Acharya P. K., Robertson D. C., Shettle E. P., Matthew M. W., Alder-Golden S. M., 1998, MODTRAN cloud and multiple scattering upgrades with application to AVIRIS. Remote Sensing of Environment, nr 65, str. 367375. Blackburn G. A., Ferwerda J. G., 2008, Retrieval of chlorophyll concentration from leaf reflectance spectra using wavelet analysis. Remote Sensing of Environment, nr 112, str. 1614-1632. Bochenek W., 2006, Stacja Bazowa ZMŚP w Szymbarku. W: Stan, przemiany i funkcjonowanie geosystemów Polski w latach 1994-2004 na podstawie Zintegrowanego Monitoringu Środowiska Przyrodniczego, Inspekcja Ochrony Środowiska, Inspekcja Ochrony Środowiska, Warszawa. Bochenek Z., 1990, Wykorzystanie zdjęć satelitarnych AVHRR NOAA do określania stanu użytków zielonych. Prace Instytutu Geodezji i Kartografii, tom 27, zeszyt 1-2 (84-85), str. 49-61. Bojanowski J., 2005, Badanie wrażliwości modelu korekcji atmosferycznej 6S na zmiany parametrów wejściowych. Teledetekcja Środowiska, nr 36, str. 96-105. Borawska-Jarmułowicz B., 2004, Wpływ 12-letniego użytkowania na trwałość gatunków i odmian traw w mieszankach łąkowych zróżnicowanych wczesnością, Annales Universitas Mariae Curie-Skłodowksa Lublin – Polonia. vol. 59, nr. 3, sectio E., str. 1397-1406. Botha E. J., Leblon B., Zebarth B., Watmough, 2007, Non-destructive estimation of potato leaf chlorophyll from canopy hyperspectral reflectance using inverted PROSAIL model. International Journal of Applied Earth Observation and Geoinformation, nr 9, str. 360374. Bowyer P., Danson F. M., 2004, Sensivity of spectral reflectance to variation in live fuel moisture content at leaf and canopy level. Remote Sensing of Environment, nr 92., str. 297-308. Bsaibes A., Courault D., Baret F., Weiss M., Olioso A., Jacob F., Hagolle O., Marloie O., Bertrand N., Desfond V., Kzemipour F., 2009, Albedo and LAI estimates from FORMOSAT-2 data for crop monitoring. Remote Sensing of Environment, nr 113, str. 716–729. Budzyńska M., Dąbrowska-Zielińska K., Turlej K., Małek I., Bartold M., 2011, Monitoring przyrodniczy Bagien Biebrzańskich z zastosowaniem teledetekcji. Woda-ŚrodowiskoObszary Wiejskie, t. 11, z. 3, str. 39-64. 159 Burs W., Jankowska-Huflejt H., Wróbel B., Zastawny J., 2004, Użytkowanie kośne użytków zielonych. Materiały dla rolników. Krajowe Centrum Rolnictwa Ekologicznego – Regionalne Centrum Doradztwa Rozwoju Rolnictwa i Obszarów Wiejskich w Radomiu, Radom. Burzyńska I., 2009, Wpływ zaniechania nawożenia oraz zbioru runi łąkowej na zawartość RWO oraz rozpuszczalnych form potasu i magnezu w glebie i płytkich wodach gruntowych. Woda – Środowisko – Obszary Wiejskie, t. 9, z. 3 (27), str. 19-28. Campbell G. S., 1990, Derivation of an angle density function for canopies with ellipsoidal leaf angle distribution. Agricultural and Forest Meteorology, nr 49, str. 173-176. Carli B., 2006, Basics about radiative transfer, Dragon advanced training course in atmosphere remote sensing. http://earth.eo.esa.int/dragon/D2_L2_Carli.pdf. Casa R., Baret F., Buis S., Lopez-Lozano R., Pascucci S., Palombo A., Jones H. G., 2010, Estimation of maize canopy properties from remote sensing by inversion of 1-D and 4D models. Precision Agriculture, nr 11, str. 319-334. Ceccato P., Flasse S., Tarantola S., Jacquemoud S., Grégorie J-M., 2001, Detecing vegetation leaf water content using reflectance on the optical domain. Remote Sensing of Environment, nr 77, str. 22-33. Ciołkosz A. 1975, Zastosowanie długofalowego promieniowania podczerwonego w badaniach termalnego zanieczyszczenia rzek. Prace Insytutu Geodezji i Kartografii, nr 2, str. 22-34. Ciołkosz A., 1968, Zastosowanie zdjęć lotniczych w pracach związanych z wykonywaniem rolniczego użytkowania ziemi. Fotointerpretacja w geografii, z. 6, Str. 60-72. Ciołkosz A., Dąbrowska-Zielińska K., 1993, Zastosowanie zdjęć satelitarnych do szacowania wielkości produkcji z trwałych użytków zielonych w Polsce. Fotointerpretacja w geografii, nr 23, str. 53-67. Clevers J. G. P. W., Kooistra L., Schaepman M. E., 2010, Estimating canopy water content using hyperspectral remote sensing data. International Journal of Applied Earth Observation and Geoinformation, nr 12, str. 119-125. Combal B., Baret F., Weiss M., Trubuil A., Macé D., Pragnère A., Myneni R., Knyazikhin Y., Wang L., 2002, Retrieval of canopy biophysical variables from bidirectional reflectance Using prior information to solve the ill-posed inverse problem. Remote Sensing of Environment, nr 84, str. 1-15. 160 Curan P. J., Dungan J. L., Macler B. A., Plummer S. E., Peterson D. L., 1992, Reflectance spectroscopy of fresh whole leaves for estimation of chemical concentration. Remote Sensing of Environment, nr 39, str. 153-166. Dąbrowska-Zielińska K., Budzyńska M., Lewiński S., Hościło A., Bojanowski J., 2009, Application of remote and in situ information to the management of wetlands in Poland. Journal of Environmental Management, nr 90, str. 2261–2269 Dąbrowska-Zielińska K., Kowalik W., Gruszczyńska M, Hościło A., 2003, Wskaźniki roślinne dla obszaru bagien Biebrzańskich wyprowadzone ze zdjęć satelitarnych. Archiwum Fotogrametrii, Kartografii i Teledetekcji, nr. 13B, str. 349-359. Damarez V., Gastellu-Etchegorry J. P., 2000, A modeling approach for studying forest chlorophyll content. Remote Sensing of Environment, nr 71, str. 226-238. Darvishzadeh R., Atzberger C., Skidmore A., Schlerf M., 2011, Mapping grassland leaf area index with airborne hyperspectral imagery: A comparison study of statistical approaches and inversion of radiative transfer models. ISPRS Journal of Photogrammetry and Remote Sensing, nr 66 (6), str. 894-906. Darvishzadeh R., Skidmore A., Atzberger C., van Wieren S., 2008, Estimation of vegetation LAI from hyperspectral term reflectance data: Effects of soil type and plant architecture. International Journal of Applied Earth Observation and Geoinformation, nr 10 (3), str. 358-373. Darvishzadeh R., Skidmore A., Schlerf M., Atzberger C., 2008, Inversion of a radiative transfer model for estimating vegetation LAI and chlorophyll in heterogeneous grassland, Remote Sensing of Environment, nr 112, str. 2592-2604. Dawson T. P., Curran P. J., Plummer S. E., 1999, LIBERTY — Modeling the Effects of Leaf Biochemical Concentration on Reflectance Spectra. Remote Sensing of Environment, nr 65, str. 50-60. Dobak D., 2003, Wody Mazowsza. W: Richling A. (red), Przyroda Mazowsza i jej antropogeniczne przekształcenia. wyd. Wyższa Szkoła Humanistyczna imienia Aleksandra Gieysztora w Pułtusku, Pułtusk, str. 127-158. Dobak P., 2003, Budowa geologiczna. W: Richling A. (red), Przyroda Mazowsza i jej antropogeniczne przekształcenia. wyd. Wyższa Szkoła Humanistyczna imienia Aleksandra Gieysztora w Pułtusku, Pułtusk, str. 61-90. Dorochowicz J., Olędzki J. R., 2009, 2.2 Charakterystyka przyrodnicza okolic Szymbarku. W: Olędzki J. R., (red.) Zintegrowane badania środowiska. Wydział Geografii i Studiów Regionalnych Uniwersytetu Warszawskiego, Warszawa, str. 12-21. 161 Dradrach A., Zdrojewski Z., 2008, Ocena produkcyjności runi łąkowej po podsiewie mieszanką jednoroczną (doniesienie naukowe). Łąkarstwo w Polsce, nr 11, str. 247-259. Duke C., Guérif M., 1998, Crop Reflectance Estimate Errors from the SAIL Model Due to Spatial and Temporal Variability of Canopy and Soil Characteristics. Remote Sensing of Environment, nr 66, str. 286-297. Duveiller G., Weiss M., Baret F., Defourny P., 2011, Retrieving wheat Green Area Index during the growing season from optical time series measurements based on neural network radiative transfer inversion. Remote Sensing of Environment, nr 115, str. 887– 896. Fava F., Colombo R., Bocchi S., Meroni M., Sitzia M., Fois N., Zucca C., 2009, Identification of hyperspectral term vegetation indices for Mediterranean pasture characterization. International Journal of Applied Earth Observation and Geoinformation, nr 11 (4), str. 233-243. Feret J., Frençois C., Asner G. P., Gitelson A. A., Martin R. E., Bidel L. P. R., Ustin S., le Maire G., Jacquemoud S., 2008, PROSPECT-4 and 5: Advances in the leaf optical properties model separating photosynthetic pigments. Remote Sensing of Environment, nr 112, str. 3030-3043. Feret J.-B., Asner G.P., François C., Martin R., Ustin S.L., Jacquemoud S., 2007, An advanced leaf optical properties model including photosynthetic pigments. Proc. 10th International Symposium on Physical Measurements and Signatures in Remote Sensing, Davos (Switzerland), 12-14 March 2007, pages 413-417. Feret J.-B., François C., Gitelson A., Asner G. P., Barry K. M., Panigada C., Richardson A. D., Jacquemoud S., 2011, Optimizing spectral indices and chemometric analysis of leaf chemical properties using radiative transfer modeling. Remote Sensing of Environment, nr 115, str. 2742–2750. Feret J.-B., Frençois C., Asner G. P., Gitelson A. A., Martin R. E., Bidel L. P. R., Ustin S., le Maire G., Jacquemoud S., 2008, PROSPECT-4 and 5: Advances in the leaf optical properties model separating photosynthetic pigments, Remote Sensing of Environment, nr 112, str. 3030-3043. Fourty T., Baret F., Jacquemoud S., Schmuck G., Verdebout J., 1996, Leaf optical properties with explicit description of its biochemical composition: direct and inverse problems. Remote Sensing of Environment, nr 56, str. 104-117. 162 François C., Ottlé C., Olioso A., Prévot L., Bruguier N., Ducros Y., 2002, Conversion of 400– 1100 nm vegetation albedo measurements into total shortwave broadband albedo using a canopy radiative transfer model. Agronomie, nr 22, str. 611-618. Ganapol B. D., Johnson L. F., Hammer P. D., Hlavka C. A., Peterson D. L., 1998, LEAFMOD: A New Within-Leaf Radiative Transfer Model. Remote Sensing of Environment, nr 63, str. 182-193. Ganapol B. D., Johnson L. F., Hlavka C. A., Peterson D. L., Bond B., 1999, LCM2: A coupled Leaf/Canopy Radiative Transfer Model. Remote Sensing of Environment, nr 70, str. 153-166. Gao W., Lesht M., 1997, Model inversion of satellite-measured reflectances for obtaining surface biophysical and bidirectional reflectance characteristics of grassland. Remote Sensing of Environment, nr 59, str. 461-471. Gastellu-Etchegorry J. P., Zagolski F., Romier J., 1996, A Simple Anisotropic Reflectance Model for Homogeneous Multilayer Canopies. Remote Sensing of Environment, nr 57, str. 22-38. Gil E., 1979, Typologia i ocena środowiska naturalnego okolic Szymbarku, Dokumentacja Geograficzna nr 5, s.84. Gitelson A., Merzlyak M. N., 1994, Spectral reflectance changes associated with autumn senescence of Aesculus hippocastanum L. and Acer platanoides L. leaves. Spectral features and relation to chlorophyll estimation. Journal of Plant Physiology, nr 143, str. 286−292. Goetz A. F. H., Vane G., Solomon J. E., Rock B. N., 1985, Imaging Spectrometry for Earth Remote Sensing. Science, vol. 228, nr 4704, str. 1147-1153. Grzegorczyk S., Grabowski K., 2010, Wpływ zaniechania rolniczego użytkowania zbiorowisk trawiastych obiektu Bezludy na zamiany w składzie gatunkowym. Łąkarstwo w Polsce, nr 13, str. 57-63. Guanter L., Richter R., Kaufmann H., 2009, On the application of the MODTRAN4 atmospheric radiative transfer code to optical remote sensing. International Journal of Remote Sensing, nr 30, str. 1407-1424. Haboudane D., Miller J. R., Pattey E., Zarco-Tejada P., Strachan I. B., 2004, Hyperspectral vegetation indices and novel algorithms for predicting green LAI for crop canopies: Modeling and validation in the context of precision agriculture. Remote Sensing of Environment, nr 90, str. 337-352. 163 Haboudane D., Miller J. R., Tremblay N., Zarco-Tejada P., Dextraze L., 2002, Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture. Remote Sensing of Environment, nr 81, str. 416426. Hedley J., Roeslfsema C., Phinn S. R., 2009, Efficient radiative transfer model inversion for remote sensing applications. Remote Sensing of Environment, nr 113, str. 2527-2532. Hejmanowska B., 2007, Porównanie wyników klasyfikacji obrazów satelitarnych HYPERION i ALI. Archiwum Fotogrametrii, Kartografii i Teledetekcji, vol. 17a, str. 292-300. Houborg R., Anderson M., Daughtry C., 2009, Utility of an image-based canopy reflectance modeling tool for remote estimation of LAI and leaf chlorophyll content at the field scale. Remote Sensing of Environment, nr 113, str. 259–274. Houborg R., Soegaard H., Boegh E., 2007, Combining vegetation index and model inversion methods for the extraction of key vegetation biophysical parameters using Terra and Aqua MODIS reflectance data. Remote Sensing of Environment, nr. 106, str 39–58. Huemmrich K. F., 2001, The GeoSail model: a simple addition to the SAIL model to describe discontinuous canopy reflectance. Remote Sensing of Environment, nr 75, str. 423-431. Ishii J., Lu S., Funakoshi S., Shimizu Y., Omasa K., Washitani I., 2009, Mapping potential habitats of threatened plant species in a moist tall grassland using hyperspectral imagery. Biodivers Conserv, nr 18, str. 2521–2535. Jacquemoud S., 1993, Inversion of the PROSPECT+SAIL Canopy Reflectance Model from AVIRIS Equvalent Spectra: Theoretical Study. Remote Sensing of Environment, nr 44, str. 281-292. Jacquemoud S., Bacour C., Poilvé H., Frangi J. P., 2000, Comparison of Four Radiative Transfer Models to Simulate Plant Canopies Reflectance: Direct and Inverse Mode. Remote Sensing of Environment, nr 74, str. 471-481. Jacquemoud S., Baret F., 1990, PROSPECT: A Model of Leaf Optical properties Spectra. Remote Sensing of Environment, nr 34, str. 75-91. Jacquemoud S., Baret F., Andrieu B., Danson F. M., Jaggard K., 1995, Extracting of vegetation biophysical parameters by inversion of the PROSPECT + SAIL models on sugar beet canopy reflectance data. Application to TM and AVIRIS sensors. Remote Sensing of Environment, nr 52, str. 163-172. 164 Jacquemoud S., Baret F., Hanocq J. F., 1992, Modeling spectral and bidirectional soil reflectance. Remote Sensing of Environment, nr 41, str. 123-132. Jacquemoud S., Ustin S. L., Verdebout J., Schmuck G., Anderoli G., Hosgood B., 1996, Estimating Leaf Biochemistry Using the PROSPECT Leaf Optical Properties Model. Remote Sensing of Environment, nr 56, str. 194-202. Jacquemoud S., Verhoef W., Baret F., Bacour C., Zarco-Tejada P. J., Asner G. P., François H., Ustin S. L., 2009, PROSPECT+SAIL models: A review of use for vegetation characterization. Remote Sensing of Environment, nr 113, str. S56–S66. Jankowska-Huflejt H., Domański P. J., 2008, Aktualne i możliwe kierunki wykorzystania trwałych użytków zielonych w Polsce. Woda-Środowisko-Obszary Wiejskie, t. 8, z 2b, str. 31-49. Jarocińska A., Zagajewski B., 2008, Korelacje naziemnych i lotniczych teledetekcyjnych wskaźników roślinności dla zlewni Bystrzanki. Teledetekcja Środowiska, tom 40, str. 100-124. Jensen J. R., 1983, Biophysical Remote sensing – Review Article. Annals of the Associations of American Geographers, t. 73, nr 1, 111-132 Kamiński J., 2004, Wpływ wykaszania na zmiany w zbiorowisku łąki turzycowej zarastającej trzciną. Woda – Środowisko – Obszary Wiejskie, t. 4., z.1 (10), str. 241-246. Kamiński J., Chrzanowski S., 2009, Zróżnicowanie florystyczne i walory przyrodnicze łąk na tle zasobności gleb torfowo-murszowych w fosfor. Woda – Środowisko – Obszary Wiejskie, t. 9, z. 3 (27), str. 77-88. Kasperczyk M., Kacprzyk P., 2008, Wpływ rodzaju nawożenia na wartość gospodarczą łąki górskiej. Woda – Środowisko – Obszary Wiejskie, t. 8., z. 1 (22), str. 143-150. Kasperczyk M., Szewczyk W., 2006, Skuteczność wapnowania łąki górskiej. Woda – Środowisko – Obszary Wiejskie, t. 6, z. 1 (16), str. 153-159. Kawamura K., Watanabe N., Sakanoue S., Inoue Y., 2008, Estimating forage biomass and quality in a mixed sown pasture based on partial least squares regression with waveband selection. Grassland Science, nr 54, str. 131–145. Kim Y., Glenn D. M., Park J., Ngugi H. K., Lehman B. L., 2011, Hyperspectral image analysis for water stress detection of apple trees. Computers and Electronics in Agriculture, nr 77, str. 155–160. Kiryluk A., 2008, Wpływ 20-letniego użytkowania łąk pobagiennych na zmianę niektórych właściwości fizyczno-wodnych gleb oraz kształtowanie się zbiorowisk roślinnych. Woda – Środowisko – Obszary Wiejskie, t. 8, z. 1 (22), str. 151-160. 165 Kitczak T., Czyż H., 2003, Wpływ użytkowania trwałych użytków zielonych na użytkowanie oraz skład florystyczny i chemiczny runi. Acta Agrophysica, nr 1, str. 109-114. Koetz B., Schaepman M., Morsdorf F., Bowyer P., Itten K., Allgöwer B., 2004, Radiative transfer modeling within a heterogeneous canopy for estimation of forest fire fuel properties. Remote Sensing of Environment, nr 92, str. 332–344. Koetz B., Baret F., Poilvé H., Hill J., 2005, Use of coupled canopy structure dynamic and Radiative transfer models to estimate biophysical canopy characteristics. Remote Sensing of Environment, nr 95, str. 115-124. Koetz B., Sun G., Morsdorf F., Ranon K. J., Kneubühler M., Itten K., Allgöwer B., 2007, Fusion of imaging spectrometer and LIDAR data over radiative transfer models for forest canopy characterization. Remote Sensing of Environment, nr 106, str. 449-459. Kosiński K., Hoffmann-Niedek A., 2008, Klasyfikacja obiektowa użytków zielonych z wykorzystaniem wieloletnich zmian NDVI i filtracji kierunkowych obrazu satelitarnego. Archiwum Fotogrametrii, Kartografii i Teledetekcji, Vol. 18, str. 273-281. Kosiński K., Kozłowska T., 2003, Zastosowanie wskaźnika NDVI i filtracji kierunkowej do rozpoznawania użytków zielonych oraz analizy zmian siedlisk i zbiorowisk łąkowych. Archiwum Fotogrametrii, Kartografii i Teledetekcji, Vol. 13 B, str. 387-395. Köts B., Schaepman M., Morsdorf F., Bowyer P., Itten K., Allgöwer B., 2004, Radiative transfer modeling within a heterogeneous canopy for estimation of forest fire fuel properties. Remote Sensing of Environment, nr 92, str. 332-344. Kozłowska T., Dąbrowska-Zielińska K., Ostrowski J., Ciołkosz A., Stankiewicz K., Bochenek Z., 2000, Szacowanie plonów z użytków zielonych w skali regionalnej z zastosowaniem teledetekcji satelitarnej. wyd. IMUZ, Falenty. Kozłowska T., Kosiński K., Kwiecień R., Ziaja W., 2004, Zastosowanie wskaźnika NDVI do wyróżniania łąk o różnym poziomie użytkowania i uwilgotnienia. Woda – Środowisko – Obszary Wiejskie, t. 4., z.1., str. 201-218. Kozłowska T., Rogowski W., Banaszek P., 1994, Ocena uwilgotnienia siedlisk łąkowych metodą tradycyjną oraz teledetekcji satelitarnej. Fotointerpretacja w geografii, nr 24, str. 62-67. Kryszak A., 2004, Synantropizacja wybranych zbiorowisk łąkowych. Woda – Środowisko – Obszary Wiejskie, t. 4., z.1. (10), str. 201-208. Kucharski L., 2009, Trwałe użytki zielone w programie rolnośrodowiskowym, Biblioteczka Programu Rolnośrodowiskowego 2007-2013. Ministerstwo Rolnictwa i Rozwoju Wsi, Warszawa. 166 Kumar L., Schmidt K., Dury S., Skidmore A., 2006, Imaging spectrometry and vegetation science, W: van der Meer F. D., de Jong S. M. (red.) Imaging Spectrometry. Basic principles and Prospective Applications. wyd. Springer, Holandia, str. 111-155. Kumar R., Silva L. F., 1977, Separability of Agricultural Cover Types by Remote Sensing in Visible and Infrared Wavelength regions. IEEE Transactions on Geoscience Electronics, nr GE-15, str. 42-49. Kuusk A., 1991, The angular-distribution of reflectance and vegetation indexes on barley and clover canopies. Remote Sensing of Environment, nr 37, str. 143-151. Kuusk A., 1994, A computer-efficient plant reflectance model. Comuters & Geosciences, nr 22 (2), str. 194-163. Łabędzki L., 2003, Wpływ czynników meteorologicznych i roślinnych oraz wilgotności gleby na temperaturę radiacyjną roślin w różnych siedliskach łąkowych. Woda – Środowisko – Obszary Wiejskie, t. 3., z.1 (9), str. 99-112. le Maire G., François C., Soudani K., Berveiller D., Pontailler J.-Y., Bréda N., Genet H., Davi H., Dufrêne E., 2008, Calibration and validation of hyperspectral indices for the estimation of broadleaved forest leaf chlorophyll content, leaf mass per area, leaf area index and leaf canopy biomass. Remote Sensing of Environment, nr 112, str. 3846– 3864. le Maire G., Francois C., Dufrêne E., 2004, Towards universal broad leaf chlorophyll indices using PROSPECT simulated database and hyperspectral reflectance measurements. Remote Sensing of Environment, nr 89, str. 1-28. le Maire G., Marsden C., Verhoef W., Ponzoni F. J., Seen D. L., Bégué A., Stape J.-L., Nouvellon Y., 2011, Leaf area index estimation with MODIS reflectance time series and model inversion during full rotations of Eucalyptus plantations. Remote Sensing of Environment, nr 115, str. 586–599. Lewiński S., Gruszczyńska M., 1992, Badanie zależności między temperaturą radiacyjną mierzoną z pułapu lotniczego i satelitarnego a LAI, biomasą i wilgotnością gleby użytków zielonych. Prace Instytutu Geodezji i Kartografii, tom 39, zeszyt 1 (87), str. 127-133. Liu Y., Chen H., Wua G., Wua W., 2010, Feasibility of estimating heavy metal concentrations in Phragmites australis using laboratory-based hyperspectral data—A case study along Le’an River, China. International Journal of Applied Earth Observation and Geoinformation, nr 12S, str. S166–S170. 167 Lucas K. L., Carter G. A., 2008, The use of hyperspectral remote sensing to assess vascular plant species richness on Horn Island, Mississippi. Remote Sensing of Environment, nr 112, str. 3908-3915. Meroni, M., Colombo R., Panigada C., 2004, Inversion of a radiative transfer model with hyperspectral observations for LAI mapping in poplar plantations. Remote Sensing of Environment, nr 92, str. 195-206. Miao X., Gong P., Swope S., Pu R., Carruthers R., Anderson G. L., Heaton J. S., Tracy C.R., 2006, Estimation of yellow star thistle abundance through CASI-2 hyperspectral imagery using linear spectral mixture models. Remote Sensing of Environment, nr 101, str. 329–341. Migdall S., Bach H., Bobert J., Wehrhan M., Mauser W., 2009, Inversion of a canopy reflectance model using hyperspectral imagery for monitoring wheat growth and estimating yield. Precision Agriculture, nr 10, str. 508-524. Mizgalski A., 1983, Przydatność lotniczych obrazów wielospektralnych do badania zróżnicowania lasów na przykładzie Wielkopolskiego Parku Narodowego. Fotointerpretacja w Geografii, t. 16, str. 91-109. Muhammed H. H., Larsolle A., 2003, Feature Vector Based Analysis of Hyperspectral Crop Reflectance Data for Discrimination and Quantification of Fungal Disease Severity in Wheat. Biosystems Engineering, nr 86 (2), str. 125–134. Mutanga O., Skidmore A. K., 2004, Integrating imaging spectroscopy and neural networks to map grass quality in the Kruger National Park, South Africa. Remote Sensing of Environment, nr 90, str. 104– 115. Mutanga O., Skidmore A. K., van Wieren S., 2003, Discriminating tropical grass (Cenchrus ciliaris) canopies grown under different nitrogen treatments using spectroradiometry. ISPRS Journal of Photogrammetry & Remote Sensing, nr 57, str. 263– 272. Nadolna L., Paszkiewicz-Jasińska A., 2007, Plonowanie łąki górskiej Sudetach na podstawie wyników badań w świetle zmieniających się trendów nawożenia użytków zielonych. Woda – Środowisko – Obszary Wiejskie, t. 7, z. 2a (20), str. 257-270. Nagler P. L., Inoueb Y., Glenn E. P., Russ A. L., Daughtry C. S. T., 2003, Cellulose absorption index (CAI) to quantify mixed soil–plant litter scenes. Remote Sensing of Environment, nr 87, str. 10–325. Nawara Z., 2006, Rośliny łąkowe. wyd. MULTICO, Warszawa North P. R. J., 1996, Three-dimensional forest light interaction model using a Monte Carlo metod, IEEE Transactions on Geoscience and Remote Sensing, nr 34, str. 946−956. 168 Northrop K. G., Johnson E. W., 1970, Forest Cover Type Identification. Photogrammetric Engineering, vol. 36, str. 483-490. Nouvellon Y., Moran M. S., Seen D. L., Bryant R., Rambal S., Ni W., Bégué E., Chehbouni A., Emmerich W. E., Heilman P., Qi J., 2001, Coupling a grassland ecosystem model with Landsat imagery for a 10-year simulation of carbon and water budgets. Remote Sensing of Environment, nr 78, str. 131– 149. Olędzki J. R., 2007, Regiony geograficzne Polski. Teledetekcja Środowiska, nr 38, str. 1-337. Olesiuk D., Zagajewski B., 2008, Wykorzystanie obrazów hiperspektralnych do klasyfikacji pokrycia terenu zlewni Bystrzanki. Teledetekcja środowiska, tom 40, Str. 125-148. Olszewska M., Grzegorczyk S., Olszewski J., Bałuch-Małecka A., 2010, Porównanie reakcji wybranych gatunków traw na stres wodny. Łąkarstwo w Polsce, nr 13, str. 127-136. Olszewski K., 2003, Klimat Mazowsza. W: Richling A. (red), Przyroda Mazowsza i jej antropogeniczne przekształcenia. wyd. Wyższa Szkoła Humanistyczna imienia Aleksandra Gieysztora w Pułtusku, Pułtusk, str. 91-102. Osińska-Skotak K., 2009, Możliwości teledetekcyjnego monitorowania zawartości chlorofilua w wodach śródlądowych. Teledetekcja Środowiska, nr 42, str. 59-68. Peñuelas J., Pinol J., Ogaya R., Filella I., 1997, Estimation of plant water concentration by the reflectance water index WI (R900/R970). International Journal of Remote Sensing, nr 18, str. 2863– 2868 Piekarczyk J., Sulewska H., 2010, Assessment of winter spelt and wheat growth and yield by ground spectral measurements. Acta Agrophysica, nr 15 (2), str. 371-381. Prokopowicz J., Jankowska-Huflejt H., 2007, Wyniki ekonomiczno-rolnicze produkcji łąkarskich gospodarstw ekologicznych. Woda – Środowisko – Obszary Wiejskie, t. 7., z.1 (19), str. 141-157. Prokopowicz J., Jurczyk S., 2008, Ocena ekonomiczna nawodnień podsiąkowych na łąkach położonych na glebach torfowo-murszowych. Woda – Środowisko – Obszary Wiejskie, t. 8., z. 1 (22), str. 247-261. Prokopowicz J., Kowalczyk J., 2007, Różnice w plonowaniu łąk i pastwisk na glebach torfowych w doświadczeniach łąkarskich i skali produkcyjnej. Woda – Środowisko – Obszary Wiejskie, t. 7., z.1 (19), str. 159-170. Radkowski A., Kuboń M., 2006, Wpływ rodzaju koszenia na bioróżnorodność i wartość użytkową runi łąkowej. Inżynieria Rolnicza, nr 13, str. 403-408. 169 Rahman A. F., Gamon J. A., 2004, Detecting biophysical properties of a semi-arid grassland and distinguishing burned from unburned areas with hyperspectral term reflectance. Journal of Arid Environments, nr 58 (4), str. 597-610. Richling A., 2003, Położenie Mazowsza. W: Richling A. (red), Przyroda Mazowsza i jej antropogeniczne przekształcenia. wyd. Wyższa Szkoła Humanistyczna imienia Aleksandra Gieysztora w Pułtusku, Pułtusk, str. 27-36. Richter R., Schläpfer D., 2002, Geo-atmospheric processing of airborne spectrometry data. Part 2: atmospheric/topographic correction. International Journal of Remote Sensing, nr 23, str. 2631-2649. Richter R., Schläpfer D., Müller A., 2006, An automatic atmospheric correction algorithm for visible/NIR imagery. International Journal of Remote Sensing, nr 27 (10), str. 20772085. Rouse J. W. Jr., Haas R. H., Schell J. A., Deering D. W., 1973, Monitoring the vernal advancement and retrogradation (green wave effect) of natural vegetation. Prog. Rep. RSC 1978-1, Remote Sensing Center, Texas A&M Univ., College Station, nr. E73106393, 93. (NTIS No. E73-106393 Sayn-Wtttgenstein L., Aldred A. H., 1967, Tree Volumes From Large-Scale Photos. Photogrammetric Engineering, vol. 33, str. 69-73. Schaepman M. E., Koetz B., Schaepman-Strub G., Itten K. I., 2005, Spectrodirectional remote sensing for the improved estimation of biophysical and -chemical variables: two case studies. International Journal of Applied Earth Observation and Geoinformation, nr 6, str. 271–282. Schlapfer D., 2009, Imaging Spectroscopy Data Processing. Hyper-i-Net Summer School Pavia. Schmidtlein S., Sassin J., 2004, Mapping of continuous floristic gradients in grasslands using hyperspectral imagery. Remote Sensing of Environment, nr 92, str. 126-138. Schut A. G. T., Ketelaars J. J. M. H., Meuleman J., Kornet J. G., Lokhorst C., 2002, Novel Imaging Spectroscopy for Grass Sward Characterization. Biosystems Engineering, nr 82 (2), str. 131–141. Serrano L., Peñuelas J., Ustin S. L., 2002, Remote sensing of nitrogen and lignin in Mediterranean vegetation from AVIRIS data: Decomposing biochemical from structural signals. Remote Sensing of Environment, nr 81, str. 355– 364 170 Siedlecka M., Wróblewska B., 2009, 5.3. Fotosyntetyczne podstawy pomiarów biometrycznych. W: Olędzki J. R. (red.) Zintegrowane badania środowiska, Uniwersytet Warszawski Wydział Geografii i Studiów Regionalnych, Warszawa. Smith M. L., Ollinger S. V., Martin M. E., Aber J. D., Hallett R. A., Goodale C. L., 2002, Direct estimation of aboveground forest productivity through hyperspectral remote sensing of canopy nitrogen. Ecological Applications, t. 12, nr. 5, 1286-1302. Sobczak M., Folbrier A., Kozłowska A., Krówczyńska M., Pabjanek P., Wrzesień M., Zagajewski B., 2005, Assessment of the potential of hyperspectral data and techniques for mountain vegetation analysis. Imaging spectroscopy. New quality of Environmental Studies, EARSeL i Uniwersytet Warszawski, Warszawa. Solon J., 2003, Szata roślinna Mazowsza, str. 159-196 W: Richling A. (red), Przyroda Mazowsza i jej antropogeniczne przekształcenia. wyd. Wyższa Szkoła Humanistyczna imienia Aleksandra Gieysztora w Pułtusku, Pułtusk. Starkel L., 1973, Cel i zakres studiów nad środowiskiem geograficznym okolic Szymbarku. Dokumentacja Geograficzna, z.1, s.7-14. Stern F., 1964, Transmission of isotropic radiation across an interface between two dielectrics. Applied Optics, nr 3, str. 111-113. Stypiński P., 2009, Zasady typologii i waloryzacji siedlisk łąkowych. http://www.mppl.pl/obserwatorzy/Zasady%20typologii%20i%20waloryzacji%20siedlis k%20lakowych_Piotr%20Stypinski.pdf. Suárez L., Zarco-Tejada P. J., Berni J. A. J., Gonzáles-Dugo V., Fereres E., 2009, Modelling PRI for water stress detection using radiative transfer models. Remote Sensing of Environment, nr 113, str. 730-744. Suzuki Y., Tanaka K., Kato W., Okamoto H., Kataoka T., Shimada H., Sugiura T., Shima E., 2008, Field mapping of chemical composition of forage using hyperspectral imaging in a grass meadow. Grassland Science, nr 54, str. 179–188. Szweykowska A., Szweykowski J., 2008, Botanika tom I. Morfologia. Wydawnictwo Naukowe PWN, Warszawa. Tian Y. C., Yao X., Yang J., Cao W. X., Hannaway D. B., Zhu Y., 2011, Assessing newly developed and published vegetation indices for estimating rice leaf nitrogen concentration with ground- and space-based hyperspectral term reflectance. Field Crops Research, nr 120 (2), str. 299-310. 171 Tomimatsu H., Itano S., 2009, Differences in spectrum reflectance and physiological indices among three typical semi-natural grasslands in Japan. Grassland Science, nr 55, str. 221–224. Trafas K., 1967, Zdjęcia lotnicze w badaniach strefy tropikalnej. Fotointerpretacja w geografii, z. 5, str. 61-65. Tretyn A., 2007, Podstawy strukturalno-funkcjonalne komórki roślinnej; W: Kopcewicz J., Lewak S. (red.), Fizjologia roślin, Wydawnictwo Naukowe PWN, Warszawa, str. 2287. Underwood E. C., Mulitsch M. J., Greenberg J. A., Whiting M. L., Ustin S. L., Kefauver S. C., 2006, Mapping invasive aquatic vegetation in the Sacramento-San Joaquin delta using hyperspectral imagery. Environmental Monitoring and Assessment, nr 121, str. 47–64. Ustin S. L., Roberts D. A., Gamon J. A., Asner G. P., Green R. O., 2004, Using Imaging Spectroscopy to Study Ecosystem Processes and Properties. Bioscience, tom 54, nr 6., str. 523-533. Vaiphasa C., Ongsomwang S., Vaiphasa T., Skidmore A. K., 2005, Tropical mangrove species discrimination using hyperspectral data: A laboratory study, Estuarine. Coastal and Shelf Science, nr 65, str. 371-379. Verger A., Baret F., Camacho F., 2011, Optimal modalities for radiative transfer-neural network estimation of canopy biophysical characteristics: Evaluation over an agricultural area with CHRIS/PROBA observations. Remote Sensing of Environment, nr 115, str. 415–426 Verhoef V., 2002, Improved modeling of multiple scattering in leaf canopies: The model SAIL++, W: J. A. Sobrino (red), Proc. 1st Int. Symp. On Recent Advantages in Quantitative Remote Sensing, Spain, Universitat dr Valencia, str, 11-20. Verhoef W., 1984, Light scattering by leaf layers with application to canopy reflectance modeling: The SAIL model. Remote Sensing of Environment, nr 16, str. 125-141. Verhoef W., 1985, Earth observation modeling based on layer scattering matrices. Remote Sensing of Environment, nr 17, str. 165-178. Verhoef W., Bach H., 2003, Simulation of hyperspectral and directional radiance images using coupled biophysical and atmospheric radiative transfer models. Remote Sensing of Environment, nr 87, str. 23-41 172 Verhoef W., Bach H., 2007, Coupled soil–leaf-canopy and atmosphere radiative transfer modeling to simulate hyperspectral multi-angular surface reflectance and TOA radiance data. Remote Sensing of Environment, nr 109, str. 166–182. Verhoef, W., Jia L., Xiao Q., Su Z., 2007, Unified Optical-Thermal Four-Stream Radiative Transfer Theory for Homogeneous Vegetation Canopies. IEEE Transactions on Geoscience and Remote Sensing, nr 45, str. 1808-1822. Verrelst J., Schaepman M. E., Koetz B., Kneubühler M., 2008, Angular sensitivity analysis of vegetation indices derived from CHRIS/PROBA data. Remote Sensing of Environment, nr 112, str. 2341–2353. Verstraete M.M., Pinty B., 2001, Introduction to special section: modeling, measurement, and exploitation of anisotropy in the radiation field. Journal of geophysical research – atmospheres, nr 106, str. 11903–11907. Vohland M., Mader S., Dorigo W., 2010, Applying different inversion techniques to retrieve stand variables of summer barley with PROSPECT + SAIL. International Journal of Applied Earth Observation and Geoinformation, nr 12, str. 71-80. Wałdykowski P., Zgorzelski M., 2003, Rzeźba Mazowsza i jej antropogeniczne przekształcenia. W: Richling A. (red), Przyroda Mazowsza i jej antropogeniczne przekształcenia. wyd. Wyższa Szkoła Humanistyczna imienia Aleksandra Gieysztora w Pułtusku, Pułtusk, str. 37-60. Weihs P., Suppan F., Richter K., Petritsch R., Hasenauer H., Schneider W., 2008, Validation of forward and inverse modes of a homogeneous canopy reflectance model. International Journal of Remote Sensing, nr 29 (5), str. 1317 -1338. Weiss M. ,Baret F., Myneni R., Pragnère A., Knyazikhin Y., 2000, Investigation of a model inversion technique to estimate canopy biophysical variables from spectral and directional reflectance data. Agronomie, nr 20, str. 3-22. Weiss M., Troufleau D., Baret F., Chauki H., Prévot L., Olioso A., Bruguier N., Brisson N., 2001, Coupling canopy functioning and radiative transfer models for remote sensing data assimilation. Agricultural and Forest Meteorology, nr 108, str. 113–128. Wężyk P., Wertz B., Waloszek A., 2003, Skaner hiperspektralny AISA (Airborne Imaging Spectrometer for Applications) jako narzędzie pozyskiwania informacji o ekosystemie leśnym. Archiwum Fotogrametrii, Kartografii i Teledetekcji, vol. 13B., Materiały Ogólnopolskiego Sympozjum Geoinformacji „Geoinformacja zintegrowanym narzędziem badań przestrzennych”, Wrocław – Polanica Zdrój, 15-17 września 2003 r., str. 485-496. 173 Wicik B., 2003, Gleby Mazowsza, W: Richling A. (red), Przyroda Mazowsza i jej antropogeniczne przekształcenia. wyd. Wyższa Szkoła Humanistyczna imienia Aleksandra Gieysztora w Pułtusku, Pułtusk, str. 103-126. Yang C., Everitt J. H., Fernandez C. J., 2010, Comparison of airborne multispectral and hyperspectral imagery for mapping cotton root rot. Biosystems Engineering, nr 107, str. 131-139. Yao Y., Liu Q., Liu Q., Li X., 2008, LAI retrieval and uncertainty evaluations for typical rowplanted crops at different growth stages. Remote Sensing of Environment, nr 112, str. 94-106 Ye X., Sakai K., Okamoto H., Garciano L. O., 2008, A ground-based hyperspectral term imaging system for characterizing vegetation spectral features. Computers and Electronics in Agriculture, nr 63 (1), str. 13-21. Yerba M., Chuvieco E., Riaño D., 2008, Estimation of live fuel moisture content from MODIS images for fire risk assessment. Agricultural and Forest Meteorology, nr 148, str. 523-536. Yilmaz M. T., Hunt Jr R., Jackson T. J., 2008, Remote sensing of vegetation water content from equivalent water thickness using satellite imagery, Remote Sensing of Environment, nr 112, str. 2514–2522. Zagajewski B., 2010, Ocena przydatności sieci neuronowych i danych hiperspektralnych do klasyfikacji roślinności Tatr Wysokich. Teledetekcja środowiska, tom 43, s. 1-113. Zagajewski B., Kozłowska A., Krówczyńska M., Sobczak M., Wrzesień M., 2005, Mapping high mountains vegetation Rusing hyperspectral data. EARSeL eProceedings, nr 4 (1), str. 70-78. Zagajewski B., Lechnio J., Sobczak M., 2007, Wykorzystanie teledetekcji hiperspektralnej w analizie roślinności zanieczyszczonej metalami ciężkimi. Teledetekcja Środowiska, nr 37, str. 82-100. Zagajewski B., Sobczak M., Wrzesień M., 2004, Badania górskich zbiorowisk roślinnych z użyciem technik hiperspektralnych. Przegląd Geofizyczny, z. 3-4, str.115-129. Zarco-Tejada P. J., Miller J. R., Morales A., Berjón A., Agüera J., 2004, Hyperspectral indices and model simulation for chlorophyll estimation in open canopy-tree crops. Remote Sensing of Environment, nr 90, str. 462-476. Zarco-Tejada P. J., Miller J. R., Harron J., Hu B., Noland T. L., Goel N., Mohammed G. H., Sampson P., 2004, Needle chlorophyll content estimation through model inversion 174 using hyperspectral data from boreal conifer forest canopies. Remote Sensing of Environment, nr 89, str. 189-199. Zarco-Tejada P. J., Rueda C. A., Ustin S. L., 2003, Water content estimation in vegetation with MODIS reflectance data and model inversion methods. Remote Sensing of Environment, nr 85, str. 109-124 Zhang M., Qin Z., Liu X., Ustin S. L., 2003, Detection of stress in tomatoes induced by late blight disease in California, USA, using hyperspectral remote sensing. International Journal of Applied Earth Observation and Geoinformation, nr 4, str. 295–310. Zhang N. Zhao Y., 2009, Estimating leaf area index by inversion of reflectance model for semiarid natural grasslands. Science in China Series D: Earth Sciences, nr. 52 (1), str. 66-84. Zhao D., Starks P. J., Brown M. A., Phillips W. A., Coleman S. W., 2007, Assessment of forage biomass and quality parameters of bermudagrass using proximal sensing of pasture canopy reflectance. Grassland Science, nr 53, str. 39–49. Zwijacz-Kozica M., 2010, Zróżnicowanie kosodrzewiny w Tatrach, w świetle badań teledetekcyjnych. Teledetekcja Środowiska, str. 61 Strony internetowe: CCM-200 plus, http://www.optisci.com/ccm200.htm Earth Observation and Satellite Imagery, www.ga.gov.au/earth-observation/satellites-andsensors/eo-1-satellite.html Environmental Mapping and Analysis Program, www.enmap.org PROSPECT+SAIL=PROSAIL, http://teledetection.ipgp.jussieu.fr/prosail/ Sun or Moon Altitude/Azimuth Table: Locations Worldwide, http://www.usno.navy.mil/USNO/astronomical-applications/data-services/alt-az-world 175 Spis rycin Ryc. 1. Lokalizacja poligonów pomiarowych na Pogórzu Karpackim. Dolna część zlewni Bystrzanki. Zdjęcie wykonane 14 lipca 2009 roku o godzinie 14:39. Foto. J. R. Olędzki ......37 Ryc. 2. Rozmieszczenie obszarów badawczych z poligonami pomiarowymi na terenie Równin Środkowopolskich. W podkładzie obraz zaczerpnięty z Geoportalu ..........................38 Ryc. 3. Schemat działania programu PROSPECT-5 ................................................................51 Ryc. 4. Modelowanie odbicia promieniowania od pokrywy roślinności według modelu SAIL. Na podstawie: Verhoef, 1984 ...................................................................................................56 Ryc. 5. Schemat działania modelu PROSAIL złożonego z PROSPECT-5 i 4SAIL ................65 Ryc. 6. Sposób obliczania parametru hspot: d – długość cienia liścia rzutowanego na płaszczyznę poziomą, H – wysokość pokrywy roślinnej, a – długość liścia ............................71 Ryc. 7. Średnia wartość pierwiastka błędu średniokwadratowego między krzywymi odbicia spektralnego modelowanymi algorytmem PROSPECT i uzyskanymi z pomiarów terenowych; zestawy danych PROSPECT-1 (1) i PROSPECT-2 (2) ...........................................................80 Ryc. 8. Wartości pierwiastka błędu średniokwadratowego między krzywymi odbicia spektralnego modelowanymi z użyciem PROSPECT (zestaw danych PROSPECT-1) i uzyskanymi z pomiarów terenowych. Zakresy spektrum: 1 – 0,4-2,5 µm; 2 – 0,4-0,6 µm; 3 – 0,4-0,8 µm; 4 – 0,8-1,5 µm; 5 – 1,5-2,5 µm .............................................................................81 Ryc. 9. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSPECT-1 (2) – poligon R12 .....................................................82 Ryc. 10. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSPECT-1 (2) – poligon P2.2 ....................................................83 Ryc. 11. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSPECT-1 (2) – poligon D1.......................................................84 Ryc. 12. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSPECT-1 (2) – poligon T6 .......................................................84 Ryc. 13. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSPECT-1 (2) – poligon S11 .....................................................86 Ryc. 14. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSPECT-1 (2) – poligon P2.3 ....................................................87 Ryc. 15. Wartości pierwiastka błędu średniokwadratowego między krzywymi odbicia spektralnego modelowanymi z użyciem PROSPECT (zestaw danych PROSPECT-2) i 176 uzyskanymi z pomiarów terenowych. Zakresy spektrum: 1 – 0,4-2,5 µm; 2 – 0,4-0,6 µm; 3 – 0,4-0,8 µm; 4 – 0,8-1,5 µm; 5 – 1,5-2,5 µm .............................................................................88 Ryc. 16. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSPECT-2 (2) – poligon R31 .....................................................89 Ryc. 17. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSPECT-2 (2) – poligon T1 .......................................................90 Ryc. 18. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSPECT-2 (2) – poligon D1.......................................................91 Ryc. 19. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSPECT-2 (2) – poligon P1.2 ....................................................92 Ryc. 20. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSPECT-2 (2) – poligon D4.......................................................93 Ryc. 21. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSPECT-2 (2) – poligon R30 .....................................................94 Ryc. 22. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSPECT-2 (2) – poligon T6 .......................................................95 Ryc. 23. Wartości pierwiastka błędu średniokwadratowego obliczone na podstawie modelowanych krzywych odbicia spektralnego (zestaw danych PROSPECT-1) względem krzywych zmierzonych w terenie; łąki: 1 –uprawiane o zredukowanej biomasie, 2 – uprawiane o dużej biomasie, 3 – nieuprawiane ........................................................................97 Ryc. 24. Wartości pierwiastka błędu średniokwadratowego obliczone na podstawie modelowanych krzywych odbicia spektralnego (zestaw danych PROSPECT-2) względem krzywych zmierzonych w terenie; łąki: 1 –uprawiane o zredukowanej biomasie, 2 – uprawiane o dużej biomasie, 3 – nieuprawiane ........................................................................99 Ryc. 25. Wartość znormalizowanego różnicowego wskaźnika zieleni obliczona na podstawie krzywych odbicia spektralnego zmierzonych w terenie (1) i modelowanych przy użyciu zestawu danych PROSPECT-2 (2) .........................................................................................105 Ryc. 26. Wartość krawędziowego czerwonego wskaźnika roślinności obliczona na podstawie krzywych odbicia spektralnego zmierzonych w terenie (1) i modelowanych przy użyciu zestawu danych PROSPECT-2 (2) .........................................................................................106 Ryc. 27. Wartość znormalizowanego różnicowego wskaźnika ligniny obliczona na podstawie krzywych odbicia spektralnego zmierzonych w terenie (1) i modelowanych przy użyciu zestawu danych PROSPECT-2 (2) .........................................................................................107 177 Ryc. 28. Wartość wskaźnika absorpcji celulozy obliczona na podstawie krzywych odbicia spektralnego zmierzonych w terenie (1) i modelowanych przy użyciu zestawu danych PROSPECT-2 (2)....................................................................................................................108 Ryc. 29. Wartość wskaźnika kanału wody obliczona na podstawie krzywych odbicia spektralnego zmierzonych w terenie (1) i modelowanych przy użyciu zestawu danych PROSPECT-2 (2)....................................................................................................................109 Ryc. 30. Średnia wartość pierwiastka błędu średniokwadratowego między krzywymi odbicia spektralnego modelowanymi algorytmem PROSAIL i uzyskanymi z pomiarów terenowych; zestawy danych PROSAIL-1 (1) i PROSAIL-2 (2)................................................................111 Ryc. 31. Wartości pierwiastka błędu średniokwadratowego między krzywymi odbicia spektralnego modelowanymi z użyciem PROSAIL (zestaw danych PROSAIL-1) i uzyskanymi z pomiarów terenowych. Zakresy spektrum: 1 – 0,4-2,5 µm; 2 – 0,4-0,6 µm; 3 – 0,4-0,8 µm; 4 – 0,8-1,5 µm; 5 – 1,5-2,5 µm ...........................................................................112 Ryc. 32. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSAIL-1 (2) – poligon R10 ......................................................113 Ryc. 33. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSAIL-1 (2) – poligon R30 ......................................................114 Ryc. 34. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSAIL-1 (2) – poligon R24 ......................................................115 Ryc. 35. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSAIL-1 (2) – poligon S12 ......................................................116 Ryc. 36. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSAIL-1 (2) – poligon S17 ......................................................117 Ryc. 37. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSAIL-1 (2) – poligon S10 ......................................................118 Ryc. 38. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSAIL-1 (2) – poligon D3 ........................................................119 Ryc. 39. Wartości pierwiastka błędu średniokwadratowego między krzywymi odbicia spektralnego modelowanymi z użyciem PROSAIL (zestaw danych PROSAIL-2) i uzyskanymi z pomiarów terenowych. Zakresy spektrum: 1 – 0,4-2,5 µm; 2 – 0,4-0,6 µm; 3 – 0,4-0,8 µm; 4 – 0,8-1,5 µm; 5 – 1,5-2,5 µm ...........................................................................120 Ryc. 40. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSAIL-2 (2) – poligon D5 ........................................................121 178 Ryc. 41. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSAIL-2 (2) – poligon R30 ......................................................122 Ryc. 42. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSAIL-2 (2) – poligon R24 ......................................................122 Ryc. 43. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSAIL-2 (2) – poligon D3 ........................................................123 Ryc. 44. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSAIL-2 (2) – poligon R20 ......................................................124 Ryc. 45. Krzywe odbicia spektralnego według danych terenowych (1) i modelowanych z użyciem zestawu danych PROSAIL-2 (2) – poligon S18 ......................................................125 Ryc. 46. Wartości pierwiastka błędu średniokwadratowego obliczone na podstawie modelowanych krzywych odbicia spektralnego (zestaw danych PROSAIL-1) względem krzywych zmierzonych w terenie; łąki: 1 –uprawiane o zredukowanej biomasie, 2 – uprawiane o dużej biomasie, 3 – nieuprawiane ......................................................................127 Ryc. 47. Wartości pierwiastka błędu średniokwadratowego obliczone na podstawie modelowanych krzywych odbicia spektralnego (zestaw danych PROSAIL-2) względem krzywych zmierzonych w terenie; łąki: 1 –uprawiane o zredukowanej biomasie, 2 – uprawiane o dużej biomasie, 3 – nieuprawiane ......................................................................129 Ryc. 48. Wartość znormalizowanego różnicowego wskaźnika zieleni obliczona na podstawie krzywych odbicia spektralnego zmierzonych w terenie (1) i modelowanych przy użyciu zestawu danych PROSAIL-2 (2) ............................................................................................135 Ryc. 49. Wartość wartości krawędziowego czerwonego wskaźnika roślinności obliczona na podstawie krzywych odbicia spektralnego zmierzonych w terenie (1) i modelowanych przy użyciu zestawu danych PROSAIL-2 (2) .................................................................................136 Ryc. 50. Wartość znormalizowanego różnicowego wskaźnika ligniny obliczona na podstawie krzywych odbicia spektralnego zmierzonych w terenie (1) i modelowanych przy użyciu zestawu danych PROSAIL-2 (2) ............................................................................................137 Ryc. 51. Wartość wskaźnika absorpcji celulozy obliczona na podstawie krzywych odbicia spektralnego zmierzonych w terenie (1) i modelowanych przy użyciu zestawu danych PROSAIL-2 (2) .......................................................................................................................137 Ryc. 52. Wartość wskaźnika kanału absorpcji wody obliczona na podstawie krzywych odbicia spektralnego zmierzonych w terenie (1) i modelowanych przy użyciu zestawu danych PROSAIL-2 (2) .......................................................................................................................138 179 Spis tabel Tab. 1. Dane wejściowe do modelu PROSPECT-5 ..................................................................48 Tab. 2. Zakresy wartości danych wejściowych dotyczących różnych typów roślinności stosowane w badaniach z użyciem modelu PROSPECT. Oznaczenia: BD – brak danych, a – chlorofil a, b – chlorofil b, śr. – średnia. ..................................................................................50 Tab. 3. Zestawienia danych odnośnie pomiarów terenowych zastosowanych w modelu PROSPECT...............................................................................................................................52 Tab. 4. Zakres wartości parametrów wejściowych do modelu PROSPECT dla dwóch różnych zestawów danych ......................................................................................................................56 Tab. 5. Parametry wejściowe do modelu PROSAIL ................................................................59 Tab. 6. Zakresy danych wejściowych dla różnych typów roślinności stosowane w badaniach z użyciem modelu PROSAIL. Oznaczenia: BD – brak danych, Dow. – wartość dowolna. .......63 Tab. 7. Zestawienia danych dotyczących pomiarów terenowych zastosowanych w modelu PROSAIL ..................................................................................................................................66 Tab. 8. Zakres wartości parametrów wejściowych do modelu PROSPECT przy dwóch różnych zestawów danych ........................................................................................................73 Tab. 9. Zestawy danych używane w badaniach modeli PROSPECT i PROSAIL ...................74 Tab. 10. Kategorie poligonów ze względu na wartość badanych parametrów .........................75 Tab. 11. Wartości pierwiastka błędu średniokwadratowego obliczone na podstawie modelowanych krzywych odbicia spektralnego (zestaw danych PROSPECT-1) względem krzywych opartych na danych terenowych według rodzajów łąk ............................................98 Tab. 12. Wartości pierwiastka błędu średniokwadratowego obliczone na podstawie modelowanych krzywych odbicia spektralnego (zestaw danych PROSPECT-2) względem krzywych opracowanych na podstawie danych terenowych według kategorii łąk ..................99 Tab. 13. Wartości pierwiastka błędu średniokwadratowego dotyczące poligonów podzielonych na grupy według wartości powierzchni projekcyjnej liści (modelowanie z użyciem zestawów danych PROSPECT-1 i PROSPECT-2) ..................................................101 Tab. 14. Wartości pierwiastka błędu średniokwadratowego dotyczące poligonów podzielonych na grupy według ilości biomasy świeżej (modelowanie z użyciem zestawów danych PROSPECT-1 i PROSPECT-2) .................................................................................102 Tab. 15. Wartości pierwiastka błędu średniokwadratowego dotyczące poligonów podzielonych na grupy według zawartości wody (modelowanie z użyciem zestawów danych PROSPECT-1 i PROSPECT-2) ..............................................................................................103 180 Tab. 16. Wartości pierwiastka błędu średniokwadratowego obliczone na podstawie modelowanych krzywych odbicia spektralnego (zestaw danych PROSAIL-1) względem krzywych opracowanych na podstawie danych terenowych według rodzajów łąk ................128 Tab. 17. Wartości pierwiastka błędu średniokwadratowego obliczone na podstawie modelowanych krzywych odbicia spektralnego (zestaw danych PROSAIL-2) względem krzywych opracowanych na podstawie danych terenowych ..................................................129 Tab. 18. Wartości pierwiastka błędu średniokwadratowego dotyczące poligonów podzielonych na grupy według wartości powierzchni projekcyjnej liści (modelowanie z użyciem zestawów danych PROSAIL-1 i PROSAIL-2) ........................................................131 Tab. 19. Wartości pierwiastka błędu średniokwadratowego dotyczące poligonów podzielonych na grupy według ilości biomasy świeżej (modelowanie z użyciem zestawów danych PROSAIL-1 i PROSAIL-2) .......................................................................................132 Tab. 20. Wartości pierwiastka błędu średniokwadratowego dotyczące poligonów podzielonych na grupy według zawartości wody (modelowanie z użyciem zestawów danych PROSAIL-1 i PROSAIL-2) ....................................................................................................133 Tab. 21. Średnie wartości pierwiastków błędu średniokwadratowego obliczone między krzywymi odbicia spektralnego modelowanymi algorytmem PROSPECT i PROSAIL i uzyskanymi z pomiarów terenowych. W tabeli zaznaczono zielonym kolorem, w przypadku którego modelu otrzymano lepsze wyniki w zależności od użytego zestawu danych ...........140 Tab. 22. Średnia różnica między wartością wskaźników obliczonych z krzywych odbicia spektralnego zmierzonych w terenie i modelowanych z użyciem modeli PROSPECT i PROSAIL. W tabeli zaznaczono na zielono, dla którego modelu otrzymano lepsze wyniki .141 181 Spis załączników Załącznik 1. Poligony pomiarowe podzielone na kategorie. Łąki: 1 – uprawiane o zredukowanej biomasie; 2 – uprawiane o dużej biomasie; 3 – nieuprawiane ........................184 Załącznik 2. Dane wejściowe do modelu PROSPECT – zestaw PROSPECT-1....................188 Załącznik 3. Dane wejściowe do modelu PROSPECT – zestaw PROSPECT-2....................189 Załącznik 4. Dane wejściowe do modelu PROSAIL – zestaw PROSAIL-1 ..........................190 Załącznik 5. Dane wejściowe do modelu PROSAIL – zestaw PROSAIL-2 .........................192 Załącznik 6. Wartości pierwiastka błędu średniokwadratowego obliczone między krzywymi odbicia spektralnego modelowanymi algorytmem PROSPECT (zestaw danych PROSPECT1) i uzyskanymi z pomiarów terenowych ...............................................................................194 Załącznik 7. Wartości pierwiastka błędu średniokwadratowego obliczone między krzywymi odbicia spektralnego modelowanymi algorytmem PROSPECT (zestaw danych PROSPECT2) i uzyskanymi z pomiarów terenowych ...............................................................................195 Załącznik 8. Porównanie trzech rodzajów łąk: uprawianych o zredukowanej biomasie (1), uprawianych o dużej biomasie (2) i nieuprawianych (3) na podstawie wartości RMSE według modelowania PROSPECT – test Kruskala-Wallisa................................................................196 Załącznik 9. Porównanie trzech kategorii łąk wyodrębnionych na podstawie wartości powierzchni projekcyjnej liści używając wartości RMSE według modelowanie PROSPECT – test Kruskala-Wallisa ..............................................................................................................196 Załącznik 10. Porównanie trzech kategorii łąk wyodrębnionych na podstawie ilości biomasy świeżej używając wartości RMSE według modelowanie PROSPECT – test Kruskala-Wallisa ................................................................................................................................................197 Załącznik 11. Porównanie trzech kategorii łąk wyodrębnionych na podstawie zawartości wody używając wartości RMSE według modelowanie PROSPECT – test Kruskala-Wallisa ................................................................................................................................................197 Załącznik 12. Wartości pierwiastka błędu średniokwadratowego obliczone między krzywymi odbicia spektralnego modelowanymi algorytmem PROSAIL (zestaw danych PROSAIL-1) i uzyskanymi z pomiarów terenowych .....................................................................................198 Załącznik 13. Wartości pierwiastka błędu średniokwadratowego obliczone między krzywymi odbicia spektralnego modelowanymi algorytmem PROSAIL (zestaw danych PROSAIL-2) i uzyskanymi z pomiarów terenowych .....................................................................................199 182 Załącznik 14. Porównanie trzech rodzajów łąk: uprawianych o zredukowanej biomasie (1), uprawianych o dużej biomasie (2) i nieuprawianych (3) na podstawie wartości RMSE według modelowania PROSAIL – test Kruskala-Wallisa ...................................................................201 Załącznik 15. Porównanie trzech kategorii łąk wyodrębnionych na podstawie wartości powierzchni projekcyjnej liści używając wartości RMSE według modelowanie PROSAIL – test Kruskala-Wallisa ..............................................................................................................201 Załącznik 16. Porównanie trzech kategorii łąk wyodrębnionych na podstawie ilości biomasy świeżej używając wartości RMSE według modelowanie PROSAIL – test Kruskala-Wallisa ................................................................................................................................................202 Załącznik 17. Porównanie trzech kategorii łąk wyodrębnionych na podstawie zawartości wody używając wartości RMSE według modelowanie PROSAIL – test Kruskala-Wallisa .202 183 Załączniki Załącznik 1. Poligony pomiarowe podzielone na kategorie. Łąki: 1 – uprawiane o zredukowanej biomasie; 2 – uprawiane o dużej biomasie; 3 – nieuprawiane Attachment 1. Test polygons. Class meadows: 1 – cultivated with reduced amount of biomass; 2 – cultivated with high amount of biomass; 3 – not cultivated Lp. No. Nazwa poligonu Polygon name Położenie poligonu Localization Klasa Class Roślinność Vegetation 1 1 T1 Pogórze Gorlickie, wierzchowina 2 T6 Pogórze Gorlickie, wierzchowina 3 T9 Pogórze Gorlickie, wierzchowina 4 P1.2 5 P2.1 6 P2.2 7 P2.3 8 R1 Równina Mszczonowska w okolicach Radziejowic 9 R5 Równina Mszczonowska w okolicach Radziejowic 10 R6 Równina Mszczonowska w okolicach Radziejowic 11 R7 Równina Mszczonowska w okolicach Radziejowic 12 R8 Równina Mszczonowska w okolicach Radziejowic 13 R9 Równina Mszczonowska w okolicach Radziejowic 14 R10 Równina Mszczonowska w okolicach Radziejowic Pogórze Gorlickie, wierzchowina Pogórze Gorlickie, dolina Bystrzanki Pogórze Gorlickie, dolina Bystrzanki Pogórze Gorlickie, dolina Bystrzanki rajgras wyniosły - Arrhenatherum elatius koniczyna łąkowa - Trifolium pratense, mniszek lekarski Taraxacum officinale, rajgras wyniosły - Arrhenatherum elatius koniczyna łąkowa - Trifolium pratense (około 5%), komonica zwyczajna - Lotus corniculatus, babka zwyczajna – Plantago maior, marchew zwyczajna –Daucus carota wiechlina zwyczajna – Poa trivialis, mniszek lekarski Taraxacum officinale (poniżej 5%) rajgras wyniosły - Arrhenatherum elatius, mniszek lekarski Taraxacum officinale, perz właściwy – Elymus repens wiechlina zwyczajna – Poa trivialis, mniszek lekarski Taraxacum officinale (poniżej 5%) rajgras wyniosły - Arrhenatherum elatius, krwawnik pospolity – Achillea millefolium, komonica zwyczajna Lotus corniculatus mietlica pospolita – Agrostis capillaris, kupkówka pospolita – Dactylis glomerata, szczaw zwyczajny – Rumex acetosa, krwawnik pospolity – Achillea millefolium tymotka łąkowa – Phleum pratense, trzcinnik piaskowy – Calamagrostis epigeios, wiechlina zwyczajna – Poa trivialis, mniszek lekarski - Taraxacum officinale, bylica pospolita – Artemisia vulgaris koniczyna łąkowa - Trifolium pratense, perz właściwy – Elymus repens, tymotka łąkowa – Phleum pratense, kupkówka pospolita – Dactylis glomerata, trzęślica modra – Molinia caerulea, Nostrzyk żółty – Melilotus officinalis, mniszek lekarski - Taraxacum officinale kupkówka pospolita – Dactylis glomerata, mietlica pospolita – Agrostis capillaris, perz właściwy – Elymus repens, rajgras wyniosły - Arrhenatherum elatius, mniszek lekarski - Taraxacum officinale, szczaw zwyczajny – Rumex acetosa mietlica pospolita – Agrostis capillaris, kupkówka pospolita – Dactylis glomerata, trzcinnik piaskowy – Calamagrostis epigeios, tymotka łąkowa – Phleum pratense, rajgras wyniosły - Arrhenatherum elatius, szczaw zwyczajny – Rumex acetosa miotła zbożowa – Apera spica-venti, kupkówka pospolita – Dactylis glomerata, trzcinnik piaskowy – Calamagrostis epigeios, szczaw zwyczajny – Rumex acetosa mietlica pospolita – Agrostis capillaris, koniczyna łąkowa – Trifolium pratense, wiechlina roczna – Poa annua, tymotka łąkowa – Phleum pratense, babka zwyczajna – Plantago maior, mniszek lekarski - Taraxacum officinale, rumianek pospolity – Matricaria chamomilla, szczaw zwyczajny – 2 3 x x x x x x x x x x x x x x 184 Lp. No. Nazwa poligonu Polygon name Położenie poligonu Localization Klasa Class Roślinność Vegetation 1 2 3 Rumex acetosa Równina Mszczonowska w okolicach Radziejowic 15 R11 16 R12 17 R13 18 R14 19 R15 Równina Mszczonowska w okolicach Radziejowic 20 R16 Równina Mszczonowska w okolicach Radziejowic 21 R17 Równina Mszczonowska w okolicach Radziejowic 22 R18 Równina Mszczonowska w okolicach Radziejowic 23 R19 Równina Mszczonowska w okolicach Radziejowic 24 R20 Równina Mszczonowska w okolicach Radziejowic 25 R21 Równina Mszczonowska w okolicach Radziejowic 26 R22 Równina Mszczonowska w okolicach Radziejowic 27 R23 28 R24 Równina Mszczonowska w okolicach Radziejowic Równina Mszczonowska w okolicach Radziejowic Równina Mszczonowska w okolicach Radziejowic Równina Mszczonowska w okolicach Radziejowic Równina Mszczonowska w okolicach Radziejowic perz właściwy – Elymus repens, kupkówka pospolita – Dactylis glomerata, szczaw zwyczajny – Rumex acetosa, koniczyna łąkowa - Trifolium pratense, babka zwyczajna – Plantago maior x kupkówka pospolita – Dactylis glomerata, tymotka łąkowa – Phleum pratense, mietlica pospolita – Agrostis capillaris tymotka łąkowa – Phleum pratense, trzcinnik piaskowy – Calamagrostis epigeios, perz właściwy – Elymus repens, mietlica pospolita – Agrostis capillaris trzcinnik piaskowy – Calamagrostis epigeios, turówka wonna – Hierochloë odorata, szczaw zwyczajny – Rumex acetosa krwawnik pospolity – Achillea millefolium, bylica pospolita – Artemisia vulgaris, konietlica łąkowa – Trisetum flavescens, śmiałek darniowy – Deschampsia caespitosa, mietlica pospolita – Agrostis capillaris trzęślica modra – Molinia caerulea, szczaw zwyczajny – Rumex acetosa, wiechlina łąkowa – Poa pratensis, kłosówka wełnista – Holcus lanatus, turzyca pospolita – Carex nigra koniczyna łąkowa – Trifolium pratense, mietlica pospolita – Agrostis capillaris, wyka płotowa – Vicia sepium, kupkówka pospolita – Dactylis glomerata, perz właściwy – Elymus repens, tymotka łąkowa – Phleum pratense skrzyp polny – Equisetum arvense, kupkówka pospolita – Dactylis glomerata, mietlica pospolita – Agrostis capillaris, tymotka łąkowa – Phleum pratense, trzęślica modra – Molinia caerulea, koniczyna łąkowa – Trifolium pratense mietlica pospolita – Agrostis capillaris, prosownica rozpierzchła – Milium effusum, szczaw zwyczajny – Rumex acetosa, mniszek lekarski – Taraxacum officinale, koniczyna łąkowa – Trifolium pratense, kupkówka pospolita – Dactylis glomerata, tomka wonna – Anthoxanthum odoratum mniszek lekarski – Taraxacum officinale, babka lancetowata – Plantago lanceolata, wiechlina roczna – Poa annua, koniczyna łąkowa – Trifolium pratense, kupkówka pospolita – Dactylis glomerata, perz właściwy – Elymus repens mietlica pospolita – Agrostis capillaris, kupkówka pospolita – Dactylis glomerata, rajgras wyniosły – Arrhenatherum elatius, trzcinnik piaskowy – Calamagrostis epigeios, szczaw zwyczajny – Rumex acetosa, tymotka łąkowa – Phleum pratense mietlica pospolita – Agrostis capillaris, kupkówka pospolita – Dactylis glomerata, trzcinnik piaskowy – Calamagrostis epigeios, trzcinnik prosty – Calamagrostis stricta, tymotka łąkowa – Phleum pratense trzcinnik piaskowy – Calamagrostis epigeios, tymotka łąkowa – Phleum pratense, skrzyp polny – Equisetum arvense trzcinnik piaskowy – Calamagrostis epigeios, wiechlina łąkowa – Poa pratensis, gipsówka polna – Gypsophila muralis, wyka płotowa – Vicia sepium, prosownica x x x x x x x x x x x x x 185 Lp. No. Nazwa poligonu Polygon name Położenie poligonu Localization Klasa Class Roślinność Vegetation 1 29 R25 Równina Mszczonowska w okolicach Radziejowic 30 R26 Równina Mszczonowska w okolicach Radziejowic 31 R27 Równina Mszczonowska w okolicach Radziejowic 32 R28 Równina Mszczonowska w okolicach Radziejowic 33 R29 Równina Mszczonowska w okolicach Radziejowic 34 R30 Równina Mszczonowska w okolicach Radziejowic 35 R31 Równina Mszczonowska w okolicach Radziejowic 36 R32 37 S1 38 S2 39 S3 40 S4 41 S5 42 S7 43 S8 Równina Mszczonowska w okolicach Radziejowic Ziemia ZakroczymskoSerocka w okolicach Serocka Ziemia ZakroczymskoSerocka w okolicach Serocka Ziemia ZakroczymskoSerocka w okolicach Serocka Ziemia ZakroczymskoSerocka w okolicach Serocka Ziemia ZakroczymskoSerocka w okolicach Serocka Ziemia ZakroczymskoSerocka w okolicach Serocka Ziemia ZakroczymskoSerocka w okolicach rozpierzchła – Milium effusum, mietlica pospolita – Agrostis capillaris perz właściwy – Elymus repens, żyto zwyczajne – Secale cereale, miotła zbożowa – Apera spica-venti, trzęślica modra – Molinia caerulea, rumianek pospolity – Matricaria chamomilla, babka zwyczajna – Plantago maior, koniczyna polna – Trifolium arvense perz właściwy – Elymus repens, tymotka łąkowa – Phleum pratense, kupkówka pospolita – Dactylis glomerata, rumianek pospolity – Matricaria chamomilla, turówka wonna – Hierochloë odorata, oset zwisły – Carduus nutans, skrzyp polny – Equisetum arvense, szczaw zwyczajny – Rumex acetosa, trzcinnik piaskowy – Calamagrostis epigeios, mietlica pospolita – Agrostis capillaris, trzęślica modra – Molinia caerulea trzcinnik piaskowy – Calamagrostis epigeios, mietlica pospolita – Agrostis capillaris, perz właściwy – Elymus repens, życica trwała – Lolium perenne, skrzyp polny – Equisetum arvense skrzyp polny – Equisetum arvense, wiechlina łąkowa – Poa pratensis, wiechlina roczna – Poa annua, prosownica rozpierzchła – Milium effusum, perz właściwy – Elymus repens perz właściwy – Elymus repens, tymotka łąkowa – Phleum pratense, kupkówka pospolita – Dactylis glomerata, wiechlina łąkowa – Poa pratensis tymotka łąkowa – Phleum pratense, trzcinnik piaskowy – Calamagrostis epigeios, mietlica pospolita – Agrostis capillaris, koniczyna łąkowa - Trifolium pratense, wyka płotowa – Vicia sepium tymotka łąkowa – Phleum pratense, trzcinnik piaskowy – Calamagrostis epigeios, mietlica pospolita – Agrostis capillaris, koniczyna łąkowa – Trifolium pratense, wyka płotowa – Vicia sepium kupkówka pospolita – Dactylis glomerata, tymotka łąkowa – Phleum pratense, koniczyna łąkowa – Trifolium pratense (powyżej 20%) mietlica pospolita – Agrostis capillaris, wyka płotowa – Vicia sepium (poniżej 5%), wiechlina łąkowa – Poa pratensis, perz właściwy – Elymus repens mietlica pospolita – Agrostis capillaris, babka zwyczajna – Plantago maior (poniżej 5%), wiechina roczna – Poa annua, konietlica łąkowa – Trisetum flavescens mietlica pospolita – Agrostis capillaris, rajgras wyniosły – Arrhenatherum elatius, cykoria podróżnik – Cichorium intybus (poniżej 5%) mietlica pospolita – Agrostis capillaris, perz właściwy – Elymus repens, koniczyna łąkowa – Trifolium pratense (poniżej 5%) mietlica pospolita – Agrostis capillaris, kupkówka pospolita – Dactylis glomerata, koniczyna łąkowa – Trifolium pratense (powyżej 5%) mietlica pospolita – Agrostis capillaris, kupkówka pospolita – Dactylis glomerata mietlica pospolita – Agrostis capillaris, kupkówka pospolita – Dactylis glomerata, kłosówka wełnista – Holcus lanatus 2 3 x x x x x x x x x x x x x x x 186 Lp. No. Nazwa poligonu Polygon name Położenie poligonu Localization Klasa Class Roślinność Vegetation 1 2 3 Serocka 44 S10 Ziemia ZakroczymskoSerocka w okolicach Serocka 45 S11 Ziemia ZakroczymskoSerocka w okolicach Serocka 46 S12 47 S13 48 S14 49 S15 50 S16 51 S17 52 S18 53 D1 54 D2 55 D3 56 D4 57 D5 Ziemia ZakroczymskoSerocka w okolicach Serocka Ziemia ZakroczymskoSerocka w okolicach Serocka Ziemia ZakroczymskoSerocka w okolicach Serocka Ziemia ZakroczymskoSerocka w okolicach Serocka Ziemia ZakroczymskoSerocka w okolicach Serocka Ziemia ZakroczymskoSerocka w okolicach Serocka Ziemia ZakroczymskoSerocka w okolicach Serocka mietlica pospolita – Agrostis capillaris, perz właściwy – Elymus repens, koniczyna łąkowa – Trifolium pratense (poniżej 5%) mietlica pospolita – Agrostis capillaris, perz właściwy – Elymus repens, koniczyna polna – Trifolium arvense (poniżej 5%), babka zwyczajna – Plantago maior (poniżej 5%) x x rajgras wyniosły – Arrhenatherum elatius, mietlica pospolita – Agrostis capillaris mietlica pospolita – Agrostis capillaris, wiechlina roczna – Poa annua, chrzan pospolity – Armoracia rusticana, pięciornik gęsi – Potentilla anserina mietlica pospolita – Agrostis capillaris, perz właściwy – Elymus repens, koniczyna łąkowa – Trifolium pratense, babka zwyczajna – Plantago maior kupkówka pospolita – Dactylis glomerata, koniczyna łąkowa – Trifolium pratense (powyżej 15%), owies zwyczajny – Avena sativa mietlica pospolita – Agrostis capillaris, perz właściwy – Elymus repens, koniczyna łąkowa – Trifolium pratense, mniszek lekarski - Taraxacum officinale, cykoria podróżnik – Cichorium intybus, jaskier polny – Ranunculus arvensis, krwawnik pospolity – Achillea millefolium x x x x x mietlica pospolita – Agrostis capillaris, szczaw zwyczajny – Rumex acetosa (poniżej 5%) kupkówka pospolita – Dactylis glomerata, mniszek lekarski - Taraxacum officinale (poniżej 2%), szczaw zwyczajny – Rumex acetosa (poniżej 2%) mietlica pospolita – Agrostis capillaris, kupkówka pospolita Dolina Środkowej Wisły – Dactylis glomerata, koniczyna łąkowa – Trifolium w powiecie otwockim pratense (poniżej 5%) Dolina Środkowej Wisły wiechlina łąkowa – Poa pratensis, mniszek lekarski – w powiecie otwockim Taraxacum officinale (poniżej 5%) Dolina Środkowej Wisły koniczyna łąkowa – Trifolium pratense, mniszek lekarski – w powiecie Taraxacum officinale, mietlica pospolita – Agrostis garwolińskim capillaris, wiechlina łąkowa – Poa pratensis Dolina Środkowej Wisły mietlica pospolita – Agrostis capillaris, koniczyna łąkowa – w powiecie Trifolium pratense (powyżej 10%) garwolińskim kupkówka pospolita – Dactylis glomerata, mietlica Dolina Środkowej Wisły pospolita – Agrostis capillaris, babka lancetowata – w powiecie Plantago lanceolata, mniszek lekarski - Taraxacum garwolińskim officinale x x x x x x x 187 Załącznik 2. Dane wejściowe do modelu PROSPECT – zestaw PROSPECT-1 Attachment 2. Input data to PROSPECT model (PROSPECT-1 database) Nr No. Poligon Polygon 1 T1 2,0 92,1 18,4 0,0014 0,0138 2 T6 3,0 251,1 50,2 0,0027 0,0193 3 T9 2,0 84,2 16,8 0,0005 0,0082 4 P1.2 1,5 191,3 38,3 0,0036 0,0263 5 P2.1 1,2 109,6 21,9 0,0010 0,0138 6 P2.2 1,6 54,9 11,0 0,0004 0,0048 7 P2.3 2,0 381,8 76,4 0,0082 0,0578 8 R12 1,8 232,6 46,5 0,0071 0,0539 9 R13 4,0 193,6 38,7 0,0101 0,0764 10 R16 4,5 278,8 55,8 0,0071 0,0933 11 R20 1,7 139,6 27,9 0,0027 0,0295 12 R22 1,5 99,0 19,8 0,0006 0,0187 13 R30 1,0 28,8 5,8 0,0004 0,0060 14 R31 1,0 41,8 8,4 0,0010 0,0089 15 S10 1,4 116,7 23,3 0,0019 0,0190 16 S11 4,0 164,4 32,9 0,0033 0,0189 17 S12 2,3 104,3 20,9 0,0013 0,0232 18 S14 2,7 81,1 16,2 0,0015 0,0127 19 S18 1,7 46,7 9,3 0,0004 0,0064 20 D1 1,4 38,1 7,6 0,0008 0,0071 21 D4 2,0 168,6 33,7 0,0035 0,0100 22 D5 1,7 104,6 20,9 0,0023 0,0102 N Cab Car Cw Cm 188 Załącznik 3. Dane wejściowe do modelu PROSPECT – zestaw PROSPECT-2 Attachment 3. Input data to PROSPECT model (PROSPECT-2 database) Nr No. Poligon Polygon 1 T1 2,0 30,7 2 T6 3,0 3 T9 4 N Cab Car Cw Cm 6,1 0,0111 0,0138 35,9 7,2 0,0192 0,0193 2,0 28,1 5,6 0,0107 0,0082 P1.2 1,5 95,7 19,1 0,0542 0,0263 5 P2.1 1,2 54,8 11,0 0,0207 0,0138 6 P2.2 1,6 65,8 13,2 0,0311 0,0048 7 P2.3 2,0 109,1 21,8 0,0246 0,0578 8 R12 1,8 77,5 15,5 0,0213 0,0539 9 R13 4,0 148,9 29,8 0,0505 0,0764 10 R16 4,5 164,0 32,8 0,0318 0,0933 11 R20 1,7 82,1 16,4 0,0298 0,0295 12 R22 1,5 66,0 13,2 0,0258 0,0187 13 R30 1,0 34,5 6,9 0,0079 0,0060 14 R31 1,0 50,2 10,0 0,0232 0,0089 15 S10 1,4 58,3 11,7 0,0132 0,0190 16 S11 4,0 117,4 23,5 0,0564 0,0189 17 S12 2,3 74,5 14,9 0,0179 0,0232 18 S14 2,7 97,3 19,5 0,0350 0,0127 19 S18 1,7 51,3 10,3 0,0195 0,0064 20 D1 1,4 45,7 9,1 0,0167 0,0071 21 D4 2,0 84,3 16,9 0,0386 0,0100 22 D5 1,7 69,7 13,9 0,0417 0,0102 189 Załącznik 4. Dane wejściowe do modelu PROSAIL – zestaw PROSAIL-1 Attachment 4. Input data to PROSAIL model (PROSAIL-1 database) Nr Poligon No. Polygon 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 R1 R5 R6 R7 R8 R9 R10 R11 R12 R13 R14 R15 R16 R17 R18 R19 R20 R21 R22 R23 R24 R25 R26 R27 Cab 93,6 64,0 118,3 159,6 67,6 117,5 163,5 202,5 232,6 193,6 266,9 173,6 278,8 271,3 39,0 58,4 139,6 90,8 99,0 125,1 41,9 102,5 55,6 39,7 Car 18,7 12,8 23,7 31,9 13,5 23,5 32,7 40,5 46,5 38,7 53,4 34,7 55,8 54,3 7,8 11,7 27,9 18,2 19,8 25,0 8,4 20,5 11,1 7,9 Cbrown 0,90 0,90 0,60 0,90 0,15 0,60 0,06 0,90 1,50 0,90 0,45 0,15 1,35 0,45 0,90 0,45 0,45 0,00 0,15 1,35 0,45 1,35 0,90 2,10 Cw Cm 0,0014 0,0010 0,0027 0,0052 0,0006 0,0046 0,0049 0,0048 0,0071 0,0101 0,0086 0,0074 0,0071 0,0103 0,0004 0,0010 0,0027 0,0009 0,0006 0,0032 0,0006 0,0021 0,0016 0,0009 0,0272 0,0229 0,0503 0,0736 0,0099 0,0418 0,0303 0,0522 0,0539 0,0764 0,0671 0,0535 0,0933 0,0685 0,0107 0,0193 0,0295 0,0168 0,0187 0,0327 0,0084 0,0489 0,0169 0,0367 N 7 5 16 26 1 25 7 12 30 40 25 15 35 24 8 8 15 15 5 20 1 15 5 25 LAI 3,8 2,6 3,7 4,7 1,5 4,9 5,8 4,7 5,8 7,4 5,1 5,7 4,6 6,4 2,3 3,4 4,7 1,6 1,1 4,4 2,0 3,2 2,7 4,7 angl 65 65 65 50 75 65 65 65 70 55 55 55 50 65 80 65 65 60 70 65 75 65 70 65 psoil 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 skyl 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 hspot 0,1 0,2 0,1 0,2 0,3 0,2 0,4 0,1 0,1 0,3 0,8 1,0 0,3 0,1 0,0 0,2 0,0 0,6 0,3 0,3 0,3 0,1 0,0 0,5 ihot 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 tts 46,4 45,0 43,6 42,3 35,5 34,2 33,5 32,9 32,1 31,9 31,8 31,8 34,7 35,4 38,3 39,9 41,1 33,7 34,0 32,7 32,3 36,9 39,8 41,1 tto psi 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 190 Nr Poligon No. Polygon 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 R28 R29 R30 R31 R32 S1 S2 S3 S4 S5 S7 S8 S10 S11 S12 S13 S14 S15 S16 S17 S18 D1 D2 D3 D4 D5 Cab 77,8 198,5 28,8 41,8 113,0 33,1 48,6 73,4 44,9 73,9 30,0 127,5 116,7 164,4 104,3 101,2 81,1 85,8 84,5 131,6 46,7 38,1 36,9 69,2 168,6 104,6 Car 15,6 39,7 5,8 8,4 22,6 6,6 9,7 14,7 9,0 14,8 6,0 25,5 23,3 32,9 20,9 20,2 16,2 17,2 16,9 26,3 9,3 7,6 7,4 13,8 33,7 20,9 Cbrown 1,20 0,00 0,30 0,00 0,60 0,90 0,30 0,60 0,30 0,60 0,60 0,60 0,90 0,00 0,00 0,00 0,00 0,30 0,45 0,30 0,30 0,15 0,00 0,15 0,00 0,15 Cw Cm 0,0028 0,0053 0,0004 0,0010 0,0035 0,0008 0,0004 0,0007 0,0011 0,0010 0,0002 0,0037 0,0019 0,0033 0,0013 0,0009 0,0015 0,0020 0,0010 0,0014 0,0004 0,0008 0,0007 0,0004 0,0035 0,0023 0,0396 0,0477 0,0060 0,0089 0,0317 0,0097 0,0082 0,0174 0,0109 0,0194 0,0073 0,0239 0,0190 0,0189 0,0232 0,0163 0,0127 0,0135 0,0119 0,0177 0,0064 0,0071 0,0110 0,0106 0,0100 0,0102 N 35 50 1 1 20 2 2 1 2 8 1 30 3 20 45 10 10 30 10 10 1 1 2 1 10 5 LAI 4,9 4,5 2,1 2,9 4,7 2,3 1,0 1,6 3,0 2,4 0,8 4,5 3,2 4,2 2,5 1,5 3,4 4,5 2,3 2,1 1,4 2,4 2,3 0,7 4,4 3,3 angl 65 70 65 75 65 65 65 70 65 65 60 60 65 45 60 50 55 55 55 55 60 75 80 90 65 65 psoil 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 skyl 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 hspot 0,6 0,4 0,5 0,4 0,5 0,2 0,5 0,3 0,4 0,6 0,5 0,2 0,3 0,4 0,5 0,6 0,1 0,4 0,4 0,6 0,5 0,3 0,2 0,7 0,1 0,4 ihot 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 tts 39,3 38,2 37,1 36,6 31,7 52,6 49,9 45,0 40,0 40,7 41,9 43,8 39,1 40,7 40,1 41,3 50,5 47,0 43,9 45,2 42,4 50,2 42,6 41,6 38,1 36,8 tto psi 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 191 Załącznik 5. Dane wejściowe do modelu PROSAIL – zestaw PROSAIL-2 Attachment 5. Input data to PROSAIL model (PROSAIL-2 database) Nr Poligon No. Polygon 1 R1 2 R5 3 R6 4 R7 5 R8 6 R9 7 R10 8 R11 9 R12 10 R13 11 R14 12 R15 13 R16 14 R17 15 R18 16 R19 17 R20 18 R21 19 R22 20 R23 21 R24 22 R25 23 R26 24 R27 Cab Car 93,6 64,0 260,4 558,6 45,0 293,6 109,0 202,5 395,5 580,8 427,0 243,1 557,5 379,8 39,0 58,4 195,5 272,5 70,7 250,2 41,9 205,0 37,1 238,1 18,7 12,8 52,1 111,7 9,0 58,7 21,8 40,5 79,1 116,2 85,4 48,6 111,5 76,0 15,6 11,7 39,1 54,5 14,1 50,0 8,4 41,0 7,4 47,6 Cbrown 0,90 0,90 0,60 0,90 0,15 0,60 0,06 0,90 1,50 0,90 0,45 0,15 1,35 0,45 0,90 0,45 0,45 0,00 0,15 1,35 0,45 1,35 0,90 2,10 Cw 0,0199 0,0174 0,0562 0,1149 0,0495 0,0504 0,0343 0,0717 0,0925 0,1213 0,1210 0,0736 0,1060 0,0925 0,0239 0,0144 0,0704 0,0776 0,1033 0,0795 0,0233 0,0631 0,0160 0,0276 Cm 0,0272 0,0229 0,0503 0,0736 0,0099 0,0418 0,0303 0,0522 0,0539 0,0764 0,0671 0,0535 0,0933 0,0685 0,0107 0,0193 0,0295 0,0168 0,0187 0,0327 0,0084 0,0489 0,0169 0,0367 N 7 5 16 26 1 25 7 12 30 40 25 15 35 24 8 8 15 15 5 20 1 15 5 25 LAI 3,8 2,6 3,7 4,7 1,5 4,9 5,8 4,7 5,8 7,4 5,1 5,7 4,6 6,4 2,3 3,4 4,7 1,6 1,1 4,4 2,0 3,2 2,7 4,7 angl psoil 65 65 65 50 75 65 65 65 70 55 55 55 50 65 80 65 65 60 70 65 75 65 70 65 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 skyl 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 hspot 0,1 0,2 0,1 0,2 0,3 0,2 0,4 0,1 0,1 0,3 0,8 1,0 0,3 0,1 0,0 0,2 0,0 0,6 0,3 0,3 0,3 0,1 0,0 0,5 ihot 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 tts 46,4 45,0 43,6 42,3 35,5 34,2 33,5 32,9 32,1 31,9 31,8 31,8 34,7 35,4 38,3 39,9 41,1 33,7 34,0 32,7 32,3 36,9 39,8 41,1 tto 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 psi 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 192 Nr Poligon No. Polygon 25 R28 26 R29 27 R30 28 R31 29 R32 30 S1 31 S2 32 S3 33 S4 34 S5 35 S7 36 S8 37 S10 38 S11 39 S12 40 S13 41 S14 42 S15 43 S16 44 S17 45 S18 46 D1 47 D2 48 D3 49 D4 50 D5 Cab Car 388,8 595,5 28,8 41,8 282,5 16,6 40,5 36,7 29,9 73,9 30,0 382,4 38,9 246,6 521,6 151,8 121,6 343,2 84,5 131,6 31,1 38,1 36,9 46,1 120,4 61,5 77,8 119,1 5,8 8,4 56,5 3,3 8,1 7,3 6,0 14,8 6,0 76,5 7,8 49,3 104,3 30,4 24,3 68,6 16,9 26,3 6,2 7,6 7,4 9,2 24,1 12,3 Cbrown 1,20 0,00 0,30 0,00 0,60 0,90 0,30 0,60 0,30 0,60 0,60 0,60 0,90 0,00 0,00 0,00 0,00 0,30 0,45 0,30 0,30 0,15 0,00 0,15 0,00 0,15 Cw 0,0689 0,1337 0,0118 0,0193 0,0706 0,0126 0,0269 0,0168 0,0159 0,0194 0,0504 0,1097 0,0094 0,0664 0,0767 0,0653 0,0292 0,0600 0,0307 0,0355 0,0165 0,0146 0,0168 0,0852 0,0351 0,0278 Cm 0,0396 0,0477 0,0060 0,0089 0,0317 0,0097 0,0082 0,0174 0,0109 0,0194 0,0073 0,0239 0,0190 0,0189 0,0232 0,0163 0,0127 0,0135 0,0119 0,0177 0,0064 0,0071 0,0110 0,0106 0,0100 0,0102 N 35 50 1 1 20 2 2 1 2 8 1 30 3 20 45 10 10 30 10 10 1 1 2 1 10 5 LAI 4,9 4,5 2,1 2,9 4,7 2,3 1,0 1,6 3,0 2,4 0,8 4,5 3,2 4,2 2,5 1,5 3,4 4,5 2,3 2,1 1,4 2,4 2,3 0,7 4,4 3,3 angl psoil 65 70 65 75 65 65 65 70 65 65 60 60 65 45 60 50 55 55 55 55 60 75 80 90 65 65 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 skyl 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 70 hspot 0,6 0,4 0,5 0,4 0,5 0,2 0,5 0,3 0,4 0,6 0,5 0,2 0,3 0,4 0,5 0,6 0,1 0,4 0,4 0,6 0,5 0,3 0,2 0,7 0,1 0,4 ihot 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 tts 39,3 38,2 37,1 36,6 31,7 52,6 49,9 45,0 40,0 40,7 41,9 43,8 39,1 40,7 40,1 41,3 50,5 47,0 43,9 45,2 42,4 50,2 42,6 41,6 38,1 36,8 tto 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 psi 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 193 Załącznik 6. Wartości pierwiastka błędu średniokwadratowego obliczone między krzywymi odbicia spektralnego modelowanymi algorytmem PROSPECT (zestaw danych PROSPECT-1) i uzyskanymi z pomiarów terenowych Attachment 6. The values of Root Mean Square Error calculated using field data and spectral reflectance modelled using PROSPECT-1 database Poligon Polygon 0,4-2,5 µm 0,4-0,6 µm 0,4-0,8 µm 0,8-1,5 µm 1,5-2,5 µm T1 0,0979 0,0738 0,0882 0,1177 0,0843 T6 0,0945 0,0967 0,1277 0,1124 0,0486 T9 0,1354 0,0796 0,0891 0,1334 0,1546 P1.2 0,0791 0,0251 0,0330 0,0861 0,0889 P2.1 0,0866 0,0230 0,0192 0,0896 0,1030 P2.2 0,1877 0,0214 0,0266 0,1453 0,2519 P2.3 0,0350 0,0180 0,0287 0,0420 0,0315 R12 0,0320 0,0202 0,0290 0,0341 0,0317 R13 0,0583 0,0162 0,0348 0,0729 0,0544 R16 0,0534 0,0207 0,0497 0,0654 0,0438 R20 0,0683 0,0224 0,0233 0,0759 0,0765 R22 0,1001 0,0208 0,0236 0,0995 0,1216 R30 0,0963 0,0274 0,0585 0,0934 0,1123 R31 0,0908 0,0223 0,0234 0,0823 0,1150 S10 0,0555 0,0199 0,0333 0,0648 0,0564 S11 0,1610 0,0154 0,0129 0,1440 0,2068 S12 0,0818 0,0157 0,0334 0,0903 0,0911 S14 0,1531 0,0166 0,0307 0,1340 0,1973 S18 0,1437 0,0175 0,0394 0,1210 0,1866 D1 0,1080 0,0133 0,0278 0,0933 0,1393 D4 0,1306 0,0248 0,0240 0,1098 0,1708 D5 0,1285 0,0196 0,0198 0,1125 0,1659 Średnia Average 0,0990 0,0287 0,0398 0,0964 0,1151 194 Załącznik 7. Wartości pierwiastka błędu średniokwadratowego obliczone między krzywymi odbicia spektralnego modelowanymi algorytmem PROSPECT (zestaw danych PROSPECT-2) i uzyskanymi z pomiarów terenowych Attachment 7. The values of Root Mean Square Error calculated using field data and spectral reflectance modelled using PROSPECT-2 database Poligon Polygon 0,4-2,5 µm 0,4-0,6 µm 0,4-0,8 µm 0,8-1,5 µm 1,5-2,5 µm T1 0,0642 0,0126 0,0469 0,0983 0,0254 T6 0,0431 0,0231 0,0242 0,0368 0,0537 T9 0,0611 0,0208 0,0453 0,0952 0,0181 P1.2 0,0365 0,0237 0,0248 0,0553 0,0178 P2.1 0,0316 0,0221 0,0203 0,0486 0,0140 P2.2 0,0246 0,0185 0,0207 0,0157 0,0313 P2.3 0,0250 0,0189 0,0311 0,0208 0,0249 R12 0,0290 0,0161 0,0312 0,0177 0,0346 R13 0,0327 0,0153 0,0382 0,0318 0,0305 R16 0,0437 0,0146 0,0539 0,0397 0,0412 R20 0,0196 0,0192 0,0252 0,0154 0,0195 R22 0,0210 0,0228 0,0314 0,0140 0,0191 R30 0,0466 0,0211 0,0546 0,0542 0,0341 R31 0,0138 0,0206 0,0198 0,0100 0,0128 S10 0,0289 0,0147 0,0386 0,0247 0,0263 S11 0,0260 0,0180 0,0230 0,0344 0,0186 S12 0,0328 0,0116 0,0371 0,0336 0,0299 S14 0,0243 0,0120 0,0238 0,0300 0,0187 S18 0,0273 0,0138 0,0360 0,0227 0,0258 D1 0,0185 0,0099 0,0229 0,0191 0,0153 D4 0,0170 0,0184 0,0180 0,0189 0,0147 D5 0,0174 0,0167 0,0240 0,0126 0,0169 Średnia Average 0,0311 0,0175 0,0314 0,0341 0,0247 195 Załącznik 8. Porównanie trzech rodzajów łąk: uprawianych o zredukowanej biomasie (1), uprawianych o dużej biomasie (2) i nieuprawianych (3) na podstawie wartości RMSE według modelowania PROSPECT – test Kruskala-Wallisa Attachment 8. The comparison of three types of grasslands: cultivated with reduced biomass (1), cultivated with high amount of biomass (2) and not cultivated (3) using RMSE values (PROSPECT modeling) – Kruskal-Wallis test Analizowany zakres Wavelength 0,4-2,5 µm 0,4-0,6 µm 0,4-0,8 µm 0,8-1,5 µm 1,5-2,5 µm 0,4-2,5 µm 0,4-0,6 µm 0,4-0,8 µm 0,8-1,5 µm 1,5-2,5 µm Liczebność klas Number of polygons PROSPECT-2 PROSPECT-1 Zestaw danych Database Rodzaj łąki Type of meadow 1 2 14,86 11,67 10,29 10,67 11,00 12,44 13,71 12,11 15,43 11,56 8,57 12,89 9,86 8,78 10,14 13,44 8,29 13,67 9,14 13,00 3 7,33 14,17 10,67 8,00 6,83 12,83 17,50 10,17 12,00 12,00 7 6 9 Test Kruskala-Wallisa Kruskal-Wallis test df χ2 p 2 4,347 0,114 2 1,405 0,495 2 0,331 0,848 2 2,637 0,268 2 5,662 0,059 2 2,088 0,352 2 7,152 0,028 2 1,366 0,505 2 2,753 0,253 2 1,438 0,487 Załącznik 9. Porównanie trzech kategorii łąk wyodrębnionych na podstawie wartości powierzchni projekcyjnej liści używając wartości RMSE według modelowanie PROSPECT – test Kruskala-Wallisa Attachment 9. Comparison of the three types of meadows distinguished by the Leaf Area Index values using RMSE values (PROSPECT modelling) - Kruskal-Wallis test Analizowany zakres Wavelength 0,4-2,5 µm 0,4-0,6 µm 0,4-0,8 µm 0,8-1,5 µm 1,5-2,5 µm 0,4-2,5 µm 0,4-0,6 µm 0,4-0,8 µm 0,8-1,5 µm 1,5-2,5 µm Liczebność klas Number of polygons PROSPECT-2 PROSPECT-1 Zestaw danych Database Powierzchnia projekcyjna liści Leaf Area Index 0-2 2,01-4 >4 16,40 11,60 7,86 13,60 11,90 9,43 10,80 13,20 9,57 16,20 11,90 7,57 16,40 11,40 8,14 12,00 12,00 10,43 14,80 10,40 10,71 11,00 11,70 11,57 11,40 12,50 10,14 10,20 11,00 13,40 5 10 Test Kruskala-Wallisa Kruskal-Wallis test df χ2 p 2 5,052 0,080 2 1,273 0,529 2 1,361 0,506 2 5,219 0,074 2 4,720 0,094 2 0,280 0,870 2 1,681 0,432 2 0,040 0,980 2 0,544 0,762 2 0,708 0,702 7 196 Załącznik 10. Porównanie trzech kategorii łąk wyodrębnionych na podstawie ilości biomasy świeżej używając wartości RMSE według modelowanie PROSPECT – test Kruskala-Wallisa Attachment 10. Comparison of the three types of meadows distinguished by the amount of fresh biomass using RMSE values (PROSPECT modelling) - Kruskal-Wallis test Analizowany zakres Wavelength 0,4-2,5 µm 0,4-0,6 µm 0,4-0,8 µm 0,8-1,5 µm 1,5-2,5 µm 0,4-2,5 µm 0,4-0,6 µm 0,4-0,8 µm 0,8-1,5 µm 1,5-2,5 µm Liczebność klas Number of polygons PROSPECT-2 PROSPECT-1 Zestaw danych Database Biomasa świeża w kg na 1m2 Fresh biomass in kg/1m2 <0,75 1,76-1,5 >1,5 14,55 11,71 2,75 11,82 13,00 8,00 12,18 9,14 13,75 14,36 11,86 3,00 14,55 11,71 2,75 11,82 9,57 14,00 10,73 14,00 9,25 11,55 9,00 15,75 12,09 10,71 11,25 10,27 10,00 17,50 11 7 Test Kruskala-Wallisa Kruskal-Wallis test df χ2 p 2 9,690 0,008 2 1,562 0,458 2 1,524 0,467 2 9,014 0,011 2 9,690 0,008 2 1,237 0,539 2 1,674 0,433 2 2,752 0,253 2 0,200 0,905 2 4,181 0,124 4 Załącznik 11. Porównanie trzech kategorii łąk wyodrębnionych na podstawie zawartości wody używając wartości RMSE według modelowanie PROSPECT – test Kruskala-Wallisa Attachment 11. Comparison of the three types of meadows distinguished by different water content using RMSE values (PROSPECT modelling) - Kruskal-Wallis test Analizowany zakres Wavelength 0,4-2,5 µm 0,4-0,6 µm 0,4-0,8 µm 0,8-1,5 µm 1,5-2,5 µm 0,4-2,5 µm 0,4-0,6 µm 0,4-0,8 µm 0,8-1,5 µm 1,5-2,5 µm Liczebność klas Number of polygons PROSPECT-2 PROSPECT-1 Zestaw danych Database Zawartość wody w % Water content in % <70 70,1-80 >80 4,60 10,71 15,50 8,60 12,29 12,40 12,80 12,29 10,30 5,20 10,57 15,30 5,40 10,57 15,20 13,60 11,00 10,80 8,00 11,71 13,10 15,60 13,57 8,00 10,80 11,00 12,20 17,00 11,29 8,90 5 7 Test Kruskala-Wallisa Kruskal-Wallis test df χ2 p 2 9,542 0,008 2 1,292 0,524 2 0,644 0,725 2 8,274 0,016 2 7,802 0,020 2 0,681 0,712 2 2,067 0,356 2 5,611 0,060 2 0,216 0,898 2 5,198 0,074 10 197 Załącznik 12. Wartości pierwiastka błędu średniokwadratowego obliczone między krzywymi odbicia spektralnego modelowanymi algorytmem PROSAIL (zestaw danych PROSAIL-1) i uzyskanymi z pomiarów terenowych Attachment 12. The values of Root Mean Square Error calculated using field data and spectral reflectance modelled using PROSAIL-1 database Poligon Polygon 0,4-2,5 µm 0,4-0,6 µm 0,4-0,8 µm 0,8-1,5 µm 1,5-2,5 µm R1 R5 R6 R7 R8 R9 R10 R11 R12 R13 R14 R15 R16 R17 R18 R19 R20 R21 R22 R23 R24 R25 R26 R27 R28 R29 R30 R31 R32 S1 S2 S3 S4 S5 S7 S8 S10 S11 0,0545 0,0814 0,0675 0,0830 0,1618 0,0661 0,0433 0,0498 0,0630 0,0808 0,0720 0,0624 0,0594 0,0516 0,1435 0,0998 0,0889 0,1541 0,1429 0,0845 0,1366 0,0571 0,1159 0,0662 0,0892 0,1069 0,1950 0,1530 0,0928 0,1077 0,1497 0,0869 0,0903 0,0840 0,1790 0,1256 0,0449 0,1341 0,0110 0,0035 0,0277 0,0481 0,0079 0,0349 0,0085 0,0037 0,0156 0,0466 0,0155 0,0179 0,0208 0,0147 0,0203 0,0247 0,0153 0,0526 0,0286 0,0224 0,0028 0,0205 0,0042 0,0636 0,0731 0,0588 0,0112 0,0060 0,0346 0,0249 0,0119 0,0147 0,0222 0,0103 0,0321 0,0493 0,0274 0,0233 0,0195 0,0319 0,0466 0,0676 0,0296 0,0341 0,0126 0,0187 0,0178 0,0441 0,0145 0,0222 0,0227 0,0294 0,0564 0,0674 0,0135 0,0532 0,0293 0,0331 0,0317 0,0298 0,0421 0,0599 0,0804 0,0560 0,0719 0,0555 0,0493 0,0377 0,0186 0,0144 0,0283 0,0240 0,0463 0,0468 0,0357 0,0502 0,0683 0,1159 0,0767 0,0825 0,1652 0,0603 0,0459 0,0550 0,0598 0,0717 0,0663 0,0612 0,0654 0,0512 0,1887 0,1369 0,0833 0,1271 0,1246 0,0941 0,1523 0,0667 0,1630 0,0646 0,0881 0,0890 0,2301 0,1771 0,1023 0,1158 0,1236 0,0979 0,0948 0,1059 0,1777 0,1036 0,0541 0,1389 0,0537 0,0629 0,0683 0,0901 0,1943 0,0809 0,0503 0,0557 0,0781 0,0994 0,0909 0,0754 0,0665 0,0599 0,1311 0,0751 0,1118 0,2002 0,1843 0,0936 0,1540 0,0590 0,0931 0,0703 0,0942 0,1354 0,2055 0,1646 0,1008 0,1233 0,1974 0,0978 0,1054 0,0832 0,2172 0,1628 0,0407 0,1566 198 Poligon Polygon S12 S13 S14 S15 S16 S17 S18 D1 D2 D3 D4 D5 Średnia Average 0,4-2,5 µm 0,4-0,6 µm 0,4-0,8 µm 0,8-1,5 µm 1,5-2,5 µm 0,1420 0,1418 0,1149 0,1397 0,1230 0,0980 0,1441 0,1350 0,1170 0,1928 0,1068 0,1086 0,0897 0,0227 0,0206 0,0750 0,0085 0,0061 0,0137 0,0189 0,0100 0,0430 0,0092 0,0152 0,0900 0,0295 0,0205 0,0691 0,0238 0,0080 0,0168 0,0287 0,0410 0,0618 0,0281 0,0220 0,1106 0,1231 0,1085 0,1063 0,1108 0,0917 0,1283 0,1386 0,1227 0,1756 0,0905 0,1068 0,1801 0,1831 0,1436 0,1826 0,1567 0,1236 0,1852 0,1612 0,1362 0,2421 0,1386 0,1330 0,1058 0,0253 0,0376 0,1072 0,1230 Załącznik 13. Wartości pierwiastka błędu średniokwadratowego obliczone między krzywymi odbicia spektralnego modelowanymi algorytmem PROSAIL (zestaw danych PROSAIL-2) i uzyskanymi z pomiarów terenowych Attachment 13. The values of Root Mean Square Error calculated using field data and spectral reflectance modelled using PROSAIL-2 database Poligon Polygon 0,4-2,5 µm 0,4-0,6 µm 0,4-0,8 µm 0,8-1,5 µm 1,5-2,5 µm R1 R5 R6 R7 R8 R9 R10 R11 R12 R13 R14 R15 R16 R17 R18 R19 R20 R21 R22 R23 0,0222 0,0506 0,0298 0,0320 0,0356 0,0121 0,0192 0,0169 0,0133 0,0239 0,0213 0,0133 0,0355 0,0234 0,0826 0,0700 0,0144 0,0267 0,0393 0,0281 0,0110 0,0035 0,0047 0,0049 0,0086 0,0101 0,0038 0,0037 0,0071 0,0056 0,0040 0,0062 0,0093 0,0056 0,0164 0,0247 0,0041 0,0089 0,0357 0,0075 0,0194 0,0317 0,0366 0,0435 0,0324 0,0130 0,0068 0,0183 0,0153 0,0084 0,0071 0,0140 0,0165 0,0255 0,0554 0,0671 0,0066 0,0121 0,0373 0,0258 0,0256 0,0783 0,0401 0,0406 0,0529 0,0147 0,0296 0,0192 0,0173 0,0371 0,0350 0,0180 0,0545 0,0330 0,1302 0,1055 0,0227 0,0279 0,0360 0,0391 0,0204 0,0218 0,0100 0,0104 0,0122 0,0091 0,0111 0,0141 0,0072 0,0130 0,0061 0,0072 0,0193 0,0084 0,0241 0,0125 0,0063 0,0306 0,0426 0,0164 199 Poligon Polygon 0,4-2,5 µm 0,4-0,6 µm 0,4-0,8 µm 0,8-1,5 µm 1,5-2,5 µm R24 R25 R26 R27 R28 R29 R30 R31 R32 S1 S2 S3 S4 S5 S7 S8 S10 S11 S12 S13 S14 S15 S16 S17 S18 D1 D2 D3 D4 D5 0,0475 0,0260 0,0788 0,0211 0,0350 0,0342 0,1080 0,0652 0,0326 0,0283 0,0217 0,0210 0,0202 0,0359 0,0539 0,0444 0,0206 0,0872 0,0348 0,0438 0,0499 0,0487 0,0366 0,0237 0,0120 0,0343 0,0297 0,0704 0,0242 0,0101 0,0028 0,0060 0,0106 0,0102 0,0092 0,0091 0,0112 0,0060 0,0057 0,0103 0,0109 0,0031 0,0101 0,0103 0,0321 0,0064 0,0098 0,0054 0,0073 0,0090 0,0069 0,0072 0,0085 0,0061 0,0030 0,0189 0,0100 0,0499 0,0051 0,0041 0,0311 0,0243 0,0442 0,0266 0,0416 0,0117 0,0715 0,0546 0,0329 0,0290 0,0187 0,0075 0,0190 0,0237 0,0458 0,0188 0,0161 0,0535 0,0218 0,0272 0,0197 0,0167 0,0243 0,0079 0,0091 0,0282 0,0404 0,0686 0,0179 0,0070 0,0740 0,0305 0,1262 0,0269 0,0475 0,0531 0,1658 0,0987 0,0482 0,0376 0,0260 0,0335 0,0166 0,0555 0,0800 0,0727 0,0146 0,1400 0,0484 0,0669 0,0805 0,0783 0,0565 0,0351 0,0143 0,0522 0,0383 0,0705 0,0346 0,0149 0,0179 0,0228 0,0236 0,0096 0,0126 0,0187 0,0476 0,0225 0,0070 0,0173 0,0193 0,0092 0,0232 0,0148 0,0226 0,0104 0,0259 0,0195 0,0260 0,0210 0,0183 0,0198 0,0149 0,0166 0,0111 0,0119 0,0074 0,0712 0,0149 0,0055 Średnia Average 0,0362 0,0098 0,0270 0,0519 0,0177 200 Załącznik 14. Porównanie trzech rodzajów łąk: uprawianych o zredukowanej biomasie (1), uprawianych o dużej biomasie (2) i nieuprawianych (3) na podstawie wartości RMSE według modelowania PROSAIL – test Kruskala-Wallisa Attachment 14. The comparison of three types of grasslands: cultivated with reduced biomass (1), cultivated with high amount of biomass (2) and not cultivated (3) using RMSE values (PROSAIL modeling) – Kruskal-Wallis test Analizowany zakres Wavelength 0,4-2,5 µm 0,4-0,6 µm 0,4-0,8 µm 0,8-1,5 µm 1,5-2,5 µm 0,4-2,5 µm 0,4-0,6 µm 0,4-0,8 µm 0,8-1,5 µm 1,5-2,5 µm Liczebność klas Number of polygons PROSAIL-2 PROSAIL-1 Zestaw danych Database Rodzaj łąki Type of meadow 1 2 32,91 25,03 24,45 26,79 25,73 25,38 32,45 24,00 32,91 25,76 26,00 25,03 29,00 24,14 25,91 23,69 25,45 26,14 26,27 24,28 3 18,70 22,90 25,60 22,20 16,60 26,30 25,60 30,30 23,70 28,20 11 10 29 Test Kruskala-Wallisa Kruskal-Wallis test df χ2 p 2 5,047 0,080 2 0,603 0,740 2 0,005 0,997 2 3,323 0,190 2 6,578 0,037 2 0,073 0,964 2 0,888 0,642 2 1,540 0,463 2 0,208 0,901 2 0,578 0,749 Załącznik 15. Porównanie trzech kategorii łąk wyodrębnionych na podstawie wartości powierzchni projekcyjnej liści używając wartości RMSE według modelowanie PROSAIL – test Kruskala-Wallisa Attachment 15. Comparison of the three types of meadows distinguished by the Leaf Area Index values using RMSE values (PROSAIL modelling) - Kruskal-Wallis test Analizowany zakres Wavelength 0,4-2,5 µm 0,4-0,6 µm 0,4-0,8 µm 0,8-1,5 µm 1,5-2,5 µm 0,4-2,5 µm 0,4-0,6 µm 0,4-0,8 µm 0,8-1,5 µm 1,5-2,5 µm Liczebność klas Number of polygons PROSAIL-2 PROSAIL-1 Zestaw danych Database Powierzchnia projekcyjna liści Leaf Area Index 0-2 2,01-4 >4 41,30 26,20 16,90 24,80 20,70 30,65 22,50 26,70 25,80 39,00 29,80 14,45 42,10 23,35 19,35 28,20 29,45 20,20 28,20 30,10 19,55 27,50 30,15 19,85 25,30 29,10 22,00 32,70 30,60 16,80 10 20 Test Kruskala-Wallisa Kruskal-Wallis test df χ2 p 2 18,755 0,000 2 4,688 0,096 2 0,568 0,753 2 21,809 0,000 2 16,962 0,000 2 4,455 0,108 2 5,667 0,059 2 5,228 0,073 2 2,375 0,305 2 12,011 0,002 20 201 Załącznik 16. Porównanie trzech kategorii łąk wyodrębnionych na podstawie ilości biomasy świeżej używając wartości RMSE według modelowanie PROSAIL – test Kruskala-Wallisa Attachment 16. Comparison of the three types of meadows distinguished by different amount of fresh biomass using RMSE values (PROSAIL modelling) - Kruskal-Wallis test Zestaw danych Database Analizowany zakres Wavelength PROSAIL-2 PROSAIL-1 0,4-2,5 µm 0,4-0,6 µm 0,4-0,8 µm 0,8-1,5 µm 1,5-2,5 µm 0,4-2,5 µm 0,4-0,6 µm 0,4-0,8 µm 0,8-1,5 µm 1,5-2,5 µm Liczebność klas Number of polygons Biomasa świeża w kg na 1m2 Fresh biomass in kg/1m2 <0,75 33,21 23,17 27,29 34,50 31,71 31,04 31,54 31,33 30,21 30,50 24 1,76-1,5 22,18 27,82 25,35 21,41 22,71 22,41 21,12 22,06 22,24 23,59 17 >1,5 11,22 27,33 21,00 9,22 14,22 16,56 17,67 16,44 19,11 15,78 Test Kruskala-Wallisa Kruskal-Wallis test df χ2 p 2 2 2 2 2 2 2 2 2 2 16,228 1,189 1,222 21,707 10,365 7,620 8,258 8,264 5,085 7,119 0,000 0,552 0,543 0,000 0,006 0,022 0,016 0,016 0,079 0,028 9 Załącznik 17. Porównanie trzech kategorii łąk wyodrębnionych na podstawie zawartości wody używając wartości RMSE według modelowanie PROSAIL – test Kruskala-Wallisa Attachment 17. Comparison of the three types of meadows distinguished by different water content using RMSE values (PROSAIL modelling) - Kruskal-Wallis test Analizowany zakres Wavelength 0,4-2,5 µm 0,4-0,6 µm 0,4-0,8 µm 0,8-1,5 µm 1,5-2,5 µm 0,4-2,5 µm 0,4-0,6 µm 0,4-0,8 µm 0,8-1,5 µm 1,5-2,5 µm Liczebność klas Number of polygons PROSAIL-2 PROSAIL-1 Zestaw danych Database Zawartość wody w % Water content in % <70 70,1-80 >80 16,17 28,88 37,43 28,89 23,92 22,43 28,17 24,96 20,57 18,28 27,80 35,86 14,94 29,32 39,00 23,39 27,76 22,86 25,44 25,72 24,86 26,28 25,16 24,71 23,61 27,92 21,71 23,56 27,08 24,86 18 25 Test Kruskala-Wallisa Kruskal-Wallis test df χ2 p 2 13,410 0,001 2 1,577 0,454 2 1,437 0,488 2 8,574 0,014 2 17,158 0,000 2 1,208 0,546 2 0,020 0,990 2 0,850 0,958 2 1,463 0,481 2 0,628 0,731 7 202
